ALGORITMA GENETIKA Pengertian Ditemukan oleh John Holland tahun

ALGORITMA GENETIKA

Pengertian • Ditemukan oleh John Holland tahun 1975 dan dikembangkan oleh muridnya David Goldberg. • Algoritma pencarian yang didasarkan pada mekanisme seleksi alamiah dan genetika alamiah. • Algoritma yang memanfaatkan proses seleksi alamiah yang dikenal dengan proses evolusi. • Ilustrasi seleksi alamiah : ▫ Masalah populasi jerapah

Pengertian • Dalam proses evolusi, individu secara terus-menerus mengalami perubahan gen untuk menyesuaikan dengan lingkungan hidupnya. “Hanya individu-individu yang kuat yang mampu bertahan”. • Proses seleksi alamiah ini melibatkan perubahan gen yang terjadi pada individu melalui proses perkembangbiakan. • Dalam algoritma genetika ini, proses perkembang-biakan ini menjadi proses dasar yang menjadi perhatian utama, dengan dasar berpikir: “Bagaimana mendapatkan keturunan yang lebih baik”.

Latar belakang Biologi (1) – sel • Tubuh makhluk hidup terdiri dari sel-sel • pusat sel adalah cell nucleus • nucleus memuat informasi genetika

Latar belakang Biologi(2) – Chromosome • Informasi Genetika disimpan dalam chromosome • tiap-tiap chromosome dibangun oleh DNA • Chromosomes dalam manusia berbentuk berpasang-pasangan • terdapat 23 pasang • chromosome dibagi-bagi dalam bagian-bagian : genes • kode Gene untuk sifat-sifat (properties) • kemungkinan gen untuk satu sifat disebut: allele • Setiap gen dibangun oleh suatu deretan bases( A, C, G, T)

Latar belakang Biologi(3) – Genetics • kombinasi keseluruhan dari gen disebut genotype • Suatu individu dengan semua sifat-sifatnya disebut phenotype • Allele dapat dominan atau recessive • Allele Dominan akan selalu tampak dari genotype ke phenotype • Allele Recessive dapat bertahan dalam populasi untuk banyak generasi, tanpa alleles ditampakkan.

Contoh genotype

Definisi • Individu, menyatakan satu nilai atau keadaan yang menyatakan salah satu solusi yang mungkin dari permasalahan yang diangkat • Populasi, merupakan sekumpulan individu yang akan diproses bersama dalam satu siklus proses evolusi. • Generasi, menyatakan satu-satuan siklus proses evolusi.

Ilustrasi

Reproduksi • Dalam proses evolusi terdapat 2 cara berreproduksi ▫ Sexual reproduction �Kromosom-kromosom dari dua individu (sebagai orang tua)dikombinasikan untuk menghasilkan individu baru �Disebut sebagai crossover (pindah silang) �Kesalahan pengkopian gen mutation (mutasi) ▫ Asexual reproduction �Hanya satu individu orang tua yang diperhatikan �Tidak terjadi proses crossover, tapi memungkinkan mutasi

Konsep AG • Dimulai dengan sekumpulan solusi awal (individu) yang disebut populasi. • Satu individu menyatakan satu solusi • Populasi awal akan berevolusi melalui serangkaian iterasi (generasi) • Pada akhir iterasi AG akan mengembalikan satu anggota populasi terbaik sebagai solusi dari masalah yang dihadapi

Konsep AG • Proses evolusi yang terjadi di setiap iterasi : ▫ Dua individu dipilih sebagai orang tua (parent) berdasarkan mekanisme tertentu. ▫ Kedua parent kemudian dikawinkan melalui operator crossover (kawin silang) untuk menghasilkan dua individu anak atau offspring. ▫ Dengan probabilitas tertentu, dua individu anak mungkin mengalami perubahan gen (mutasi) ▫ Suatu skema penggantian tertentu diterapkan sehingga menghasilkan populasi baru ▫ Proses terus berulang , hingga kondisi tertentu dipenuhi.

Konsep AG • Kondisi berhenti : ▫ Jumlah iterasi tertentu ▫ Waktu tertentu ▫ Variansi individu dalam populasi lebih kecil dari suatu nilai yang ditetapkan

Konsep AG

Komponen AG • Skema pengkodean • Nilai fitness • Seleksi orang tua • Pindah silang (crossover) • Mutasi • Elitism • Penggantian populasi • Kriteria penggantian

Skema Pengkodean • Representasi gen dalam AG (secara umum) ▫ Real-number encoding �Nilai gen berada dalam interval [0, R], R bil real positif �Biasanya R = 1 ▫ Discrete decimal encoding �Setiap gen berupa deretan bilangan bulat dalam interval [0, 9] ▫ Binary encoding �Setiap gen berupa deretan nilai 0 atau 1

Skema Pengkodean

Nilai Fitness • Nilai Fitness, menyatakan seberapa baik nilai dari suatu individu atau solusi yang didapatkan. • Real world ▫ Individu bernilai fitness tinggi akan bertahan hidup, ▫ Individu bernilai fitness rendah akan mati • AG ▫ Individu dievaluasi berdasarkan suatu fungsi tertentu sebagai ukuran nilai fitness-nya

Nilai fitness Contoh : • Masalah optimasi (maksimasi) memaksimalkan suatu fungsi h ▫ Nilai fitnessnya : f=h • Masalah minimasi meminimalkan fungsi h ▫ Nilai fitnessnya : f = 1/h atau f = 1 / (h+a) dengan a suatu bilangan yang sangat kecil

Seleksi Orang Tua

Seleksi orang tua dengan mesin Roullete

Seleksi orang tua dengan mesin Roullete • Contoh lain…

Pindah Silang (Crossover) • Membangkitkan offspring dari dua parent yang dipilih ▫ Single point crossover ▫ Two point crossover (Multi point crossover) ▫ Uniform crossover

Single point crossover

Single point crossover

Single point crossover

Single point crossover

Two point crossover

Two point crossover

Two point crossover

Two point crossover

Uniform crossover

Uniform crossover

MUTASI • Diperlukan untuk mengembalikan informasi bit yang hilang • Ada 3 bagian : ▫ Mutasi di tingkat kromosom ▫ Mutasi di tingkat gen ▫ Mutasi di tingkat bit

Mutasi di tingkat kromosom • Semua gen dalam kromosom berubah

Mutasi di tingkat gen • Semua bit dalam satu gen berubah

Mutasi di tingkat bit • Hanya satu bit yang berubah

Elitisme • Peng-kopi-an individu terbaik untuk dimasukkan sebagai anggota populasi pada generasi berikutnya

Penggantian populasi • Mengganti individu yang memiliki nilai fitness terkecil • Mengganti individu yang paling tua • Membandingkan anak dengan orang tua ▫ Jika nilai fitness anak lebih baik dari orang tua maka anak mengganti orang tua dengan nilai fitness yang rendah

Kriteria Penghentian • Memberikan batasan jumlah iterasi • Memberikan batasan waktu proses AG • Menghitung kegagalan penggantian anggota populasi yang terjadi secara berurutan sampai jumlah tertentu. ▫ Misalkan setelah 100 iterasi tidak ada penggantian individu karena individu anak yang dihasilkan nilai fitness < nilai fitness ortu