Algoritma Genetika Dasar

Algoritma Genetika Dasar

Algoritma Genetika Dasar

Algoritma genetika sebenarnya terinspirasi dari prinsip genetika dan seleksi alam (teori evolusi darwin ) yang ditemukan di universitas michigan, amerika serikat, oleh john holland (1975) melalui sebuah penelitian dan dipopulerkan oleh salah satu muridnya david goldbert. Konsep dasar algoritma genetika adalah di rancanguntuk menyimulasikan proses proses dalam sistem alam yang diperlukan untuk evolusi, khususnya  teori evolusi alam yang dicetuskan oleh charles darwin yaitu survival of the fittest. Menurut teori ini di alam terjadi persaingan antara individu-individu untuk memperebutkan sumber daya alam yang langka sehingga makhluk yang kuat mendominasi makhluk lemah.

Algoritma genetika adalah teknik pencarian heuristik yang didasarkan pada gagasan evolusi seleksi alam dan genetik. Algoritma genetika memanfaatkan proses seleksi alamiah yang dikenal dengan proses evolusi. Dalam proses evolusi, individu terus menerus mengalami perubahan gen untuk menyesuaikan dengan lingkungan hidupnya. Hanya individu individu kuat yang mampu bertahan. Proses seleksi alamiah ini melibatkan perubahan gen yang terjadi pada individu melalui proses perkembangbiakan. Proses perkembangbiakan ini didasarkan pada analogi struktur genetik dan perilaku kromosom dalam populasi individu dalam menggunakan dasar sebagai berikut :

  • Individu dalam populasi bersaing untuk sumber daya alam dan pasangannya.
  • Mereka yang paling sukses di setiap kompetisi akan menghasilkan keturunan yang lebih baik daripada individu individu kinerja buruk.
  • Gen dari individu yang baik akan menyebar ke seluruh populasi sehingga kedua orang tua yang baik kadang kadang akan menghasilkan keturunan yang lebih baik dari kedua orangtuanya.
  • Setiap ada pergantian generasi maka generasi terbaru ini biasanya lebih cocok dengan lingkungan mereka. Dengan kata lain generasi ini bisa menyesuaikan dengan keadaan lingkungannya.


Thus Each Successive Generation Will Become More suited To Their Environment. (permasalahan yang membutuhkan algoritma genetika)

Untuk dapat memanfaatkan algoritma genetika , kita harus dapat menyandikan solusi dari masalah yang diberikan ke dalam kromosom pada algoritma dan membandingkan nilai fitnessnya. Sebuah representasi Algoritma genetika yang efektif nilai fitness yang bermakna adalah kunci keberhasilan dalam aplikasi Algoritma genetika. Ciri ciri permasalahan yang membutuhkan Algoritma genetik antara lain :

  1. Ruang pencarian sangat besar, kompleks atau kurang dipahami
  2. Tidak ada pengutahuan yang memadai untuk menyederhanakan ruang pencarian yang sangat besar menjadi ruang pencarian yang sempit.
  3. Tidak ada analisis metematis yang bisa menangani ketika metode konvensional gagal menyelesaikan masalah yang dihadapi
  4. Solusi yang dihasilkan tidak harus optimal, asal sudah memenuhi kriteria sudah bisa diterima.
  5. Mempunyai kemungkinan solusi yang jumlahnya tak hingga.
  6. Membutuhkan solusi real-time yaitu solusi yang bisa didapatkan denga cepat sehingga dapat diimplpementasikan untuk permasalahan yang mempunyai perubahan yang cepat.


Aplikasi Algoritma genetika

Algoritma genetika telah digunakan untuk memecahkan masalah dan pemodelan di bidang teknik, bisnis dan hiburan, termasuk :

  1. Optimasi : Algoritma genetika banyak digunakan dalam berbagai tugas optimasi, termasuk optimasi numerik dan masalah masalah optimasi kombinatorial seperti traveling salesan problem (TSP) , desain sirkuit, job shop scheduling, dan optimasi video dan kualitas suara.
  2. Pemrograman otomatis : Algoritma genetika telah digunakan untuk berevolusi terhadap progam komputer  untuk melakukan tugas tugas yang spesifik dan merancang struktur komputasi lain misal selular automata dan sorting networking.
  3. Machine laerning : Algoritma genetika banyak digunakan untuk aplikasi mesin –learning termasuk klasifikasi dan prediksi struktur protein. Algoritma genetika juga telah dgunakan untuk merancang jaringan saraf tiruan dan untuk mengendalikan robot.
  4. Model ekonomi : Algoritma genetika telah digunakan untuk memodelkan proses inovasi, pengembangan strategi penawaran, dan munculnya pasar ekonomi.
  5. Model sistem imunisasi : Algoritma genetika telah digunakan untuk memodelkan berbagai aspek sistem kekebalan tubuh alami, termasuk mutasi somatik selama masa hidup individu dan menemukan keluarga dengan gen ganda selama evolusi.
  6. Model ekologi : Algoritma genetika telah digunakan untuk memodelkan fenomena ekologi seperti host-parasite co-evolution, simbiosis dan arus sumber daya dalam ekologi.
  7. Interaksi antara evolusi dan pembelajaran : Algoritma genetika telah digunakan untuk mempelajari bagaimana individu belajar dan mempengaruhi proses evolusi suatu spesies satu sama lain.

sumber:
Sutojo T, 2010, Kecerdasan Buatan : Penerbit Andi, Yogyakarta



kata kunci : kecerdasan buatan, algoritma genetika dasar, materi teknik informatika, ilmu skripsi, skripsi teknik informatika