Algoritma Genetik Setiap mahluk hidup selalu mengembangkan dirinya
Algoritma Genetik Ø Ø Ø Setiap mahluk hidup selalu mengembangkan dirinya un tuk berusaha bertahan diri guna menyesuaikan dengan lingkunganya. Mereka yang fit ( mampu menyesuaikan ), mereka itulah yang tetap hidup. Mereka yang fit, mereka itu pula akan menurunkan kemampuan penyesuaian kepada generasi ( keturunan ) nya. Kemampuan penyesuaian ini diperlihatkan oleh kromo som yg dimiliki oleh mahluk hidup itu sendiri. Umumnya pada perkembangan berikutnya, mahluk hidup mencari pendamping. Dan dari pasangan ini akan terjadi penggabungan kromosom yg disebut crossover. Setelah proses cross over, timbul pula proses mutasi bagi generasi baru. Mutasi adalah cara alamiah yang berusaha mencoba sesuatu yang baru ( antara lain cara hidup).
Algoritma Genetik (lanjutan) Ø Baik crossover maupun mutasi di. Alakukan secara random atau acak. Ø Penggmbaran crossover dan mutasi dapat digamabarkan sbb : Crossover : orang tua 1 A D Z Y R N X E anak A W Z A R D X Y orang tua 2 T W H A H D E Y Mutasi : anak A W J Z A R D P X Y Ø Orang tua 1 dan Orang tua 2 masing-2 memberikan hampir se paro materi genetiknya kepada keturunannya.
Algoritma Genetik (lanjutan) Ø Pemakian algoritma genetik membagi proses pengembangan menjadi empat langkah : Langkah pertama pembentukan genera si pertama, berupa populasi yang dimulai dari persemian materi genetik. Generasi Pertama Langkah kedua : disini ada upaya meni lai fitness anggota populasi, yakni men cari anggota yg sangat berhasil bertahan dalam berbagai kondisi. Disini dinilai dari yg lemah sampai yang terkuat. Penilaian Fitness Seleksi Pembentukan Keturunan Langkah ketiga : disini memilih anggota yang materi genetiknya dianggap perlu di pertahankan untuk diberikan pada genera si yang akan datang. Langkah keempat : disini dibentuk genera si baru. Pada langkah ini diambil dua anggota yang fitnessnya relatip baik, dari keduanya dilakukan crossover.
Algoritma Genetik (lanjutan) Q P 1 Q 4 a V AA GG RR YY 3 1 Q X 1 4 2 Q + S R P XP S R K K E E H H P P 2 E VS R 3 S = A E O Y a C o 2 T Generasi Pertama Bunga Me-ranking Fitness Bunga a o Pemilihan Bunga berdasar Fitness Bunga Pengembangan atau Pembentuk an keturunan Contoh Mutassi Pada proses pengembangan terjadi crossover, sekaligus mutasi. Dalam hal bunga, crossover terjadi antara bunga Q dan S dan mutasi pada anaknya T.
Algoritma Genetik (lanjutan) Ø Ø Ø Mengkode data yang akan diolah dengan ALGORITMA GENETIKA , perlu ditetapkan kemampuan yang harus dimiliki oleh kromosom untuk menghadapi linkungannya. Mengkode biasanya disebut juga ENCODING , proses menyimpan kromosom dalam susunan yang dapat disimpan dalam komputer. Berbagai susunan yang dipakai dalam ALGORITMA GENEKA , tetapi umumnya berentuk rangkaian bit, array, list, dan tree. Kita ketahui bahwa kromosom terdiri dari gen, sementara gen ini menggambarkan kemampuan alat yang dipakai untuk mengatasi linkungan. Contoh : susunan kromosom dalam bentuk : rangkaian bit : 11 01 10 00 11 10 01 array : int pepsitida [5] = { 16, 30, 60, 20 };
Masalah) Ø Ø Pada dasarnya tiap mahluk memiliki masalah, tetapi tiap mah luk juga memiliki cara untuk memecahkan masalahnya. Tiap saat masalah itu datang dan berbeda bentuknya, sehing ga diperlukan cara lain untuk memecahkannya. Bila masalah itu sama tetapi kwalitasnya juga lain sehingga memerlukan ca ra lain pula U Mangsa B T Predator Masalah Predator adalah : Bgaimana menangkap Mang sa dalam keadaan diam S Solusinya bisa ke timur , ke timur baru terus keutara. Atau ke utara baru ketimur. Yang jelas banyak cara sulusi yang ditempuh, ting gal menilai mana yang terbaik (fitness)
Masalah Dan Solusi ( Lanjutan) Ø Ø Ø Tiap masalah biasanya memiliki beberapa solusi untuk meme cahkan masalah tersebut. Biasanya mahluk hidup selalu mengkombinasikan solusi tsb agar didapat hasil yang maksimal ( fitnessnya tinggi) Kombinasi atau gabungan solusi tersebut membentuk suatu rangkaian solusi. Dalam Algoritma Genetik rangkaian solusi tersebut disebut kromosom dan tiap solusinya disebut : gen Kromosom adalah rangkaian dari gen. Tergantung pada kemampuan dari mahluk hidup, biasanya menggunakan beberapa rangkaian kromosom, dan komposisi gen nya berbeda.
Masalah Dan Solusi ( Lanjutan) Ø Ø Datangnya masalah tidak menentu, kadang-2 terus menerus datang, beberapa saat tidak datang, kemudian disusul lagi masalah. Atau dengan kata lain datangnya masalah secara acak ( random ). Kumpulan atau himpunan rangkaian solusi ( kromosom ) , disebut : Populasi ( disingkat : poplu) Bila dikaitkan dengan Algoritma Genetik maka tampaknya ada kecocokan dimana : * Suatu rangkaian solusi disebut kromosom * Populasi rangkaian solusi sama dengan puplu kromosom. Agar kromosom tersebut dapat di-digitalkan sehingga dapat diolah dengan komputer, sekaligus komputerisasi Algoritma Genetik, maka kromosom dianggapn sebagai rangkaian binary ( 0 , 1 )
Masalah Dan Solusi ( Lanjutan) Ø Ø Ø Gen adalah anggota dari kromosom yang mewakili sebagai solusi juga harus di-kode binary Berapa banyaknya bit yang dipakai mengkode gen, tergantung banyaknya jenis solusi yang dipakai. Fungsi-2 yang dipakai dalam hal kromosom ini : * Seleksi Roulette wheel * Cross Over rate * Mutation rate Seleksi Roulette wheel adalah fungsi atau metoda yang dipakai untuk memilih kromosom dari sekian banyak kromosom untuk menjadi anggota poplu, demikian sehingga sebanding dengan fitness-nya. Makin fit kromosom bersangkutan berpe luang (probabilitasnya) besar untuk dipilih menjadi anggota. Cross Over Rate adalah probability dua kromosom dari suatu poplu untuk dipertukarkan bit- bit nya untuk menghasil kan dua keturunan baru.
Contoh Algoritma Genetik Skenario : Untuk menghadapi banjir dimusim hujan diperlukan : pasir, batu padas, Untuk : pasir diperlukan antara 10 s/d 30 colt/perhari, tidak tentu , dan batu padas antara 5 s/d 10 colt/perhari juga tidak menentu. Kegiatan dilakukan selama 15 hari. Bentuklah populasi kromosom untuk mengadapi banjir tsb. Jawab : Kromosom terdiri dari gen pasir dan batu (disingkat) Maing-2 gen memiliki nilai-2 sendiri-2 dan acak. Rencana akan dipecahkan dg Algoritma Genetik. Algoritma : Sediakan(deklarasikan) aray size 15 untuk pasir dan batu, isilah array-2 tsb dengan nilai ran dom, asalkan utk pasir nilai random <10 tidak dipakai, untuk batu < 5 tak dipakai. Kromosom terdiri dari dua gen , yakni pasir dan batu.
Contoh Algoritma Genetik(lanjutan) Ø Persoalannya dapat digambarkan sbb: Ø Tiap kromosom terdiri dari gen-2 ; untuk kromsom dalam soal terdiri dari dua gen, yakni kromosom kendali banjir : pasir batu Untuk populasi kromosom dapat digambarkan sbb : Ø Lingkungan pasir batu Pasir batu pasir batu pasir pasir batu pasir batu Populasi Kromosom Gen
Contoh Algoritma Genetik Skenario : (lanjutan)) Ø Int kromosm [15][2]; int genpasir, genbatu //akan menampung nili random int I, j // index array kromosom randomize(); for ( I = 0; I < 15; i++) { genpasir = random (31); // 31 pembatas nilai random // agar sampai 30 genbatu = random (11); if ((genpasir >= 10) && (genbatu>=5)) { kromosom[i][0] = genpasir; kromosom[i][1] = genbbatu; } } for ( I = 0; i< 15; i++) for( j = 0; j < 2; j++) { cout<< kromosom[i][j]; cout<<“ “; } getch();
- Slides: 12