MAKALAH ALGORITMA GENETIKA

MAKALAH Tugas Besar – Algoritma Genetika 1

1.Pendahuluan

Semakin pesatnya perkembangan teknologi saat ini membuat manusia menjadi

semakin mudah dalam memecahkan berbagai persoalan yang cukup komplit jika

diselesaikan tanpa suatu metode atau prosedur tertentu. Terdapat berbagai jenis

cara untuk menyelesaikan suatu kasus atau permasalahan dalam hidup sehari-hari.

Teknik ini pun tak lepas dari hasil jerih payah para ilmuwan serta pakar – pakar sains

yang tak henti-hentinya melakukan beragam penelitian dengan harapan

ditemukannya cara atau solusi termudah dalam menyelesaikan masalah – masalah

tersebut, namun tetap unggul dalam hal efisiensi dan efektivitas waktu.

Algoritma merupakan suatu contoh pola pikir manusia yang tersusun secara

sistematis dirancang untuk mempermudah manusia dalam memecahkan suatu kasus

yang membutuhkan solusi optimal ketika menghadapi berbagai alternatif atau

kemungkinan yang ada. Algoritma kini tak hanya dipakai oleh para ilmuwan atau

ahli-ahli komputer dan teknologi saja, melainkan digunakan pula oleh orang awam

namun dengan penggunaan bahasa yang berbeda. Algoritma genetika adalah salah

satu metode algoritma yang dianggap dapat dijadikan alternatif untuk

menyelesaikan permasalahan Searching, Optimasi, dan Machine Learning.

2.Algoritma Genetika

Algoritma genetika adalah teknik pencarian yang digunakan dalam

penghitungan untuk mencari solusi perkiraan maupun benar untuk optimasi dan

masalah pencarian. Algoritma ini dikategorikan sebagai algoritma global search

heuristics. Algoritma ini terinspirasi dari prinsip dari genetika dan seleksi alam (teori

evolusi Darwin). Algoritma ini ditemukan di Universitas Michigan, Amerika Serikat,

oleh John Holland (1975) melalui sebuah penelitian dan dipopulerkan oleh salah satu

muridnya, David Goldberg.

Algoritma genetika diimplementasikan sebagai simulasi komputer di mana

sebuah populasi dari representasi abstrak (disebut kromosom, genotipe, atau

genom) kandidat solusi (disebut individu, makhluk, atau fenotipe). Biasanya, solusi

Sekolah Tinggi Manajemen Informatika dan Komputer KHARISMA - 2010


direpresentasikan dalam biner sebagai string yang terdiri dari 0 dan 1, namun

penggunaan metode encoding lain juga mungkin dipakai. Berbeda dengan teknik

pencarian konvensional, algoritma genetika bermula dari himpunan solusi yang

dihasilkan secara acak. Kromosom-kromosom berevolusi dalam suatu proses iterasi

yang berkelanjutan yang disebut generasi. Pada setiap generasi, kromosom

dievaluasi berdasarkan suatu fungsi evaluasi. Setelah beberapa generasi maka

algoritma genetika akan konvergen pada kromosom terbaik, yang diharapkan

merupakan solusi optimal.

Pertama kali, sebelum algoritma genetika dijalankan, maka perlu

didefinisikan fungsi fitness sebagai masalah yang ingin dioptimalkan. Jika nilai fitness

semakin besar, maka sistem yang dihasilkan semakin baik. Fungsi fitness ditentukan

dengan metode heuristik. Algoritma genetika sangat tepat digunakan untuk

penyelesaian masalah optimasi yang kompleks dan sukar diselesaikan dengan

menggunakan metode konvensional. Sebagaimana halnya proses evolusi di alam,

suatu algoritma genetika yang sederhana umumnya terdiri dari tiga operasi yaitu:

operasi reproduksi, operasi persilangan (crossover), dan operasi mutasi. Struktur

umum dari suatu algoritma genetika dapat didefinisikan dengan langkah – langkah

sebagai berikut:

Membangkitkan populasi awal secara random.

Membentuk generasi baru dengan menggunakan tiga operasi diatas secara

berulang-ulang sehingga diperoleh kromosom yang cukup untuk

membentuk generasi baru sebagai representasi dari solusi baru.

Evolusi solusi yang akan mengevaluasi setiap populasi dengan menghitung

nilai fitness setiap kromosom hingga kriteria berhenti terpenuhi. Bila

kriteria berhenti belum terpenuhi maka akan dibentuk lagi generasi baru

dengan mengulangi langkah 2. Beberapa kriteria berhenti yang sering

digunakan antara lain:

berhenti pada generasi tertentu

berhenti setelah dalam beberapa generasi berturut-turut didapatkan

nilai fitness

tertinggi/terendah (tergantung persoalan) tidak berubah.


Populasi Awal

Populasi Baru

Seleksi individu

Reproduksi : Cross-Over dan Mutasi


berhenti bila dalam n generasi berikutnya tidak diperoleh nilai fitness

yang lebih tinggi/rendah.

Siklus Algoritma Genetika

Beberapa Definisi Penting Dalam Algoritma Genetika

Genotype (Gen), sebuah nilai yang menyatakan satuan dasar yang

membentuk suatu arti tertentu dalam satu kesatuan gen yang dinamakan

kromosom. Dalam algoritma genetika, gen ini bisa berupa nilai biner, float,

integer maupun karakter.

Allele, nilai dari gen.

Kromosom, gabungan gen – gen yang membentuk nilai tertentu.

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.



Nilai Fitness, menyatakan seberapa baik nilai dari suatu individu atau solusi

yang didapatkan.

Hal-Hal Yang Harus Dilakukan Untuk Menggunakan Algoritma Genetika

Mendefinisikan individu, dimana individu menyatakan salah satu solusi

(penyelesaian) yang mungkin dari permasalahan yang diangkat.

Mendefinisikan nilai fitness, yang merupakan ukuran baik-tidaknya sebuah

individu atau baik-tidaknya solusi yang didapatkan.

Menentukan proses pembangkitan populasi awal. Hal ini biasanya dilakukan

dengan menggunakan pembangkitan acak seperti random-walk.

Menentukan proses seleksi yang akan digunakan.

Menentukan proses perkawinan silang (cross-over) dan mutasi gen yang akan

digunakan.

Hal penting yang harus diketahui dalam pemakaian Algoritma Genetika

Algoritma Genetika adalah algoritma yang dikembangkan dari proses

pencarian solusi menggunakan pencarian acak, ini terlihat pada proses

pembangkitan populasi awal yang

menyatakan sekumpulan solusi yang dipilih secara acak.

Berikutnya pencarian dilakukan berdasarkan proses – proses teori genetika

yang memperhatikan pemikiran bagaimana memperoleh individu yang lebih

baik, sehingga dalam proses evolusi dapat diharapkan diperoleh individu

yang terbaik.

3.Pembahasan

Berikut ini adalah masalah yang diangkat :Penjadwalan Matakuliah

Andaikan terdapat n buah matakuliah M = {m1, m2, …, mn}. Setiap matakuliah mi

memiliki waktu mulai kuliah si dan waktu akhir kuliah fi yang dinyatakan dalam



interval setengah-buka [si, fi). Matakuliah mi dan mj disebut saling berurutan jika interval [si, fi) dan [sj, fj) tidak overlap atau berhimpit (yakni, mi dan mj saling berurutan jika si fj atau sj fi).

Soal-2: Tentukan jumlah ruangan minimum yang dapat digunakan dalam mengatur jadwal matakuliah.

Sebagai contoh, diberikan matakuliah M = {m1, m2, …, m11} dengan waktu mulai dan waktu akhir matakuliah pada tabel berikut.

mi 1 2 3 4 5 6 7 8 9 10 11

si 1 3 0 5 3 5 6 8 8 2 12fi 4 5 6 7 8 9 10 11 12 13 14

Pasangan matakuliah {m1, m4, m8, m11} dan {m2, m4, m9, m11} adalah pasangan matakuliah yang saling berurutan dengan ukuran maksimum. Jumlah ruangan minimum yang dibutuhkan adalah 5 dengan matakuliah yang saling berpasangan: {m1, m4, m8, m11}, {m2, m6}, {m3, m7}, {m5, m9}, {m10}

Jawaban :

Soal yang akan dibahas adalah soal nomor 2 dengan menggunakan Algoritma

Genetika dimana ditanyakan mengenai jumlah ruangan minimum yang dapat

digunakan. Oleh karena yang hendak kita cari adalah jumlah ruangan minimum,

maka kita harus menemukan mata kuliah - mata kuliah apa saja yang overlap atau

bertabrakan agar dapat diperoleh jumlah ruangan minimumnya. Namun, selain

syarat bahwa mata kuliah tersebut harus bertabrakan, dalam pasangan mata kuliah

– mata kuliah tersebut juga tak boleh ada dua atau lebih mata kuliah yang saling

berurutan. Dari tabel di atas, dapat ditemukan pasangan mata kuliah yang saling

bertabrakan.

Berikut adalah pasangan mata kuliah – mata kuliah tersebut :

1. {m1, m2, m3, m5, m10}

2. {m3, m4, m5, m6, m10}

3. {m4, m5, m6, m7, m10}

4. {m6, m7, m8, m9, m10}

5. {m10, m11}

Berikut beberapa individu yang dipilih sebagai populasi awal/generasi pertama

disesuaikan dengan mata kuliah – mata kuliah yang bertabrakan. Dalam hal ini, nilai



fitness suatu individu dihitung dari banyaknya mata kuliah yang bertabrakan

(banyaknya alel yang bernilai 1 dalam suatu kromosom) :

Individu 11 2 3 4 5 6 7 8 9 10 11

1 1 1 0 1 0 0 0 0 1 0Nilai Fitness = 5

Individu 21 2 3 4 5 6 7 8 9 10 110 0 0 0 0 1 1 1 1 1 0

Nilai Fitness = 5

Individu 31 2 3 4 5 6 7 8 9 10 110 0 1 1 1 1 0 0 0 1 0

Nilai Fitness = 5

Individu 41 2 3 4 5 6 7 8 9 10 110 0 0 0 0 0 0 0 0 1 1

Nilai Fitness = 2

Individu 51 2 3 4 5 6 7 8 9 10 110 0 0 1 1 1 1 0 0 1 0

Nilai Fitness = 5

Individu – individu tersebut kemudian akan menjadi induk yang akan dipersilangkan dan dimutasikan.

Persilangan ( Cross Over ) dan Mutasi GENERASI PERTAMA :1. Individu 1 dan 2NB : Digit angka yang di-highlight kuning adalah gen-gen yang akan disilangkanDilakukan Cross Over antara individu 1 dan 2 :

1 1 1 0 1 0 0 0 0 1 00 0 0 0 0 1 1 1 1 1 0

Dari hasil persilangan diperoleh dua individu baru yaitu :

Nilai Fitness

1 1 1 0 0 1 1 0 0 1 0 6 gagal



0 0 0 0 1 0 0 1 1 1 0 4 gagal

NB : Digit angka yang di-highlight biru adalah gen-gen yang akan dimutasikanDan dari hasil mutasi, diperoleh lagi dua individu baru yaitu :

Nilai Fitness1 1 1 0 0 1 0 0 0 1 0 5 Gagal0 0 0 0 1 0 1 1 1 1 0 5 Gagal

2. Individu 1 dan 3Dilakukan Cross Over antara individu 1 dan 3 :

1 1 1 0 1 0 0 0 0 1 00 0 1 1 1 1 0 0 0 1 0


Nilai Fitness1 1 1 0 1 1 0 0 0 1 0 6 Gagal0 0 1 1 1 0 0 0 0 1 0 4 Berhasil

Kedua individu baru dimutasikan dan dari hasil mutasi diperoleh lagi dua individu baru, yaitu :



1 1 1 0 1 0 0 0 0 1 00 0 0 0 0 0 0 0 0 1 1


Nilai Fitness1 1 1 0 0 0 0 0 0 1 0 4 Berhasil0 0 0 0 1 0 0 0 0 1 1 3 Gagal






1 1 1 0 1 0 0 0 0 1 00 0 0 1 1 1 1 0 0 1 0






0 0 0 0 0 1 1 1 1 1 00 0 1 1 1 1 0 0 0 1 0


Nilai Fitness0 0 0 0 1 1 0 1 1 1 0 4 Gagal0 0 1 1 0 1 1 0 0 1 0 5 Gagal



6. Individu 2 dan 4



Dilakukan Cross Over antara individu 2 dan 4 :

0 0 0 0 0 1 1 1 1 1 00 0 0 0 0 0 0 0 0 1 1






0 0 0 0 0 1 1 1 1 1 00 0 0 1 1 1 1 0 0 1 0






0 0 1 1 1 1 0 0 0 1 00 0 0 0 0 0 0 0 0 1 1




Nilai Fitness0 0 1 1 0 0 0 0 0 1 0 3 berhasil0 0 0 0 1 1 0 0 0 1 1 4 gagal



9. Individu 3 dan 5Dilakukan Cross Over antara individu 3 dan 5:

0 0 1 1 1 1 0 0 0 1 00 0 0 1 1 1 1 0 0 1 0


Nilai Fitness0 0 1 1 1 1 1 0 0 1 0 6 gagal0 0 0 1 1 1 0 0 0 1 0 4 berhasil


Nilai Fitness0 0 1 1 1 1 0 0 0 1 0 5 berhasil0 0 0 1 1 1 1 0 0 1 0 5 berhasil

10.Individu 4 dan 5Dilakukan Cross Over antara individu 4 dan 5 :

0 0 1 1 1 1 0 0 0 1 00 0 0 0 0 0 0 0 0 1 1







Dilihat dari hasil cross over dan mutasi, terdapat beberapa anak yang gagal. Maksud gagal di sini adalah gen individu – individu tersebut tidak sesuai dengan pasangan mata – mata kuliah yang bertabrakan atau dengan kata lain, ada beberapa gen ( mata kuliah ) dari individu yang gagal tersebut yang tidak bertabrakan / berurutan. Sementara, untuk hasil persilangan yang sukses, memiliki kemungkinan untuk menjadi solusi (penyelesaian) karena alel dari gen – gen tersebut sesuai dengan pasangan mata kuliah yang bertabrakan. Maka, dari hasil reproduksi tersebut, diperoleh calon-calon individu generasi kedua yang berhasil :

Calon

Anak

Mata kuliah ke-I1 2 3 4 5 6 7 8 9 10 11

Nilai Fitness Ket.

1 0 0 1 1 1 0 0 0 0 1 0 4 Sama2 0 0 1 1 1 0 0 0 0 1 0 43 1 1 1 0 0 0 0 0 0 1 0 4 Sama4 1 1 1 0 0 0 0 0 0 1 0 45 0 0 0 1 1 0 0 0 0 1 0 36 0 0 0 1 1 0 1 0 0 1 0 47 0 0 1 1 0 1 0 0 0 1 0 48 0 0 0 0 0 0 0 1 1 1 0 39 0 0 0 0 0 0 1 1 1 1 0 4

10 0 0 0 1 0 1 1 0 0 1 0 411 0 0 1 1 0 0 0 0 0 1 0 3 Sama12 0 0 1 1 0 0 0 0 0 1 0 313 0 0 0 1 1 1 0 0 0 1 0 414 0 0 1 1 1 1 0 0 0 1 0 515 0 0 0 1 1 1 1 0 0 1 0 516 0 0 1 1 0 0 0 0 0 1 0 3 Sama17 0 0 1 1 0 0 0 0 0 1 0 3

Tabel 1.1 : Tabel Calon Individu – Individu Generasi Kedua

Dari calon – calon anak dari hasil reproduksi di atas, ada beberapa individu yang memiliki untaian dengan gen yang sama, oleh karena itu individu – individu yang sama tersebut dapat digabungkan menjadi satu saja. Maka, individu – individu untuk generasi kedua, yaitu :

Individu

Nilai Fitness

1 0 0 1 1 1 0 0 0 0 1 0 42 1 1 1 0 0 0 0 0 0 1 0 43 0 0 0 1 1 0 0 0 0 1 0 3



4 0 0 0 1 1 0 1 0 0 1 0 45 0 0 1 1 0 1 0 0 0 1 0 46 0 0 0 0 0 0 0 1 1 1 0 37 0 0 0 0 0 0 1 1 1 1 0 48 0 0 0 1 0 1 1 0 0 1 0 49 0 0 1 1 0 0 0 0 0 1 0 3

10 0 0 0 1 1 1 0 0 0 1 0 411 0 0 1 1 1 1 0 0 0 1 0 512 0 0 0 1 1 1 1 0 0 1 0 513 0 0 1 1 0 0 0 0 0 1 0 3

Tabel 1.2 : Tabel Individu – Individu Generasi Kedua

Setelah diperoleh beberapa calon individu generasi kedua, dilakukan seleksi berikutnya untuk menentukan individu mana saja yang cocok menjadi populasi generasi kedua. Seleksi didasarkan pada individu dengan nilai fitness tertinggi. Maka, dari penyeleksian dengan cara itu, diperoleh populasi generasi kedua dengan jumlah individu sama dengan jumlah induknya, yakni :

Individu

Nilai Fitness

1 0 0 1 1 1 1 0 0 0 1 0 52 0 0 0 1 1 1 1 0 0 1 0 53 0 0 1 1 1 0 0 0 0 1 0 44 1 1 1 0 0 0 0 0 0 1 0 45 0 0 0 1 1 0 1 0 0 1 0 4

Tabel 1.3 : Tabel Individu – Individu Generasi Kedua yang Unggul

Setelah diperoleh beberapa individu generasi kedua yang unggul, maka dilakukan lagi proses reproduksi yang meliputi, cross-over dan mutasi.

Persilangan (Cross Over) dan Mutasi GENERASI KEDUA :1. Individu 1 dan 2

NB : Digit angka yang di-highlight kuning adalah gen-gen yang akan disilangkanDilakukan Cross Over antara individu 1 dan 2 :

0 0 1 1 1 1 0 0 0 1 00 0 0 1 1 1 1 0 0 1 0


Nilai Fitness

0 0 1 1 1 1 1 0 0 1 0 6 gagal0 0 0 1 1 1 0 0 0 1 0 4 berhasil



NB : Digit angka yang di-highlight biru adalah gen-gen yang akan dimutasikanDan dari hasil mutasi, diperoleh lagi dua individu baru yaitu :



0 0 1 1 1 1 0 0 0 1 00 0 1 1 1 0 0 0 0 1 0


Nilai Fitness

0 0 1 1 1 0 0 0 0 1 0 4berhasi

l

0 0 1 1 1 1 0 0 0 1 0 5berhasi

l




0 0 1 1 1 1 0 0 0 1 01 1 1 0 0 0 0 0 0 1 0


Nilai Fitness

0 0 1 1 0 0 0 0 0 1 0 3berhasi

l1 1 1 0 1 1 0 0 0 1 0 6 gagal






0 0 1 1 1 1 0 0 0 1 00 0 0 1 1 0 1 0 0 1 0


Nilai Fitness

0 0 1 1 1 0 1 0 0 1 0 5 gagal

0 0 0 1 1 1 0 0 0 1 0 4berhasi

l




0 0 0 1 1 1 1 0 0 1 00 0 1 1 1 0 0 0 0 1 0


Nilai Fitness

0 0 0 1 1 0 0 0 0 1 0 3berhasi

l0 0 1 1 1 1 1 0 0 1 0 6 gagal


Nilai Fitness



0 0 0 1 1 0 1 0 0 1 0 4 berhasil0 0 1 1 1 1 0 0 0 1 0 5 berhasil


0 0 0 1 1 1 1 0 0 1 01 1 1 0 0 0 0 0 0 1 0


Nilai Fitness

0 0 0 1 0 0 0 0 0 1 0 2berhasi

l1 1 1 0 1 1 1 0 0 1 0 7 gagal




0 0 0 1 1 1 1 0 0 1 00 0 0 1 1 0 1 0 0 1 0


Nilai Fitness

0 0 0 1 1 0 1 0 0 1 0 4berhasi

l

0 0 0 1 1 1 1 0 0 1 0 5berhasi

l



8. Individu 3 dan 4



Dilakukan Cross Over antara individu 3 dan 4 :

0 0 1 1 1 0 0 0 0 1 01 1 1 0 0 0 0 0 0 1 0


Nilai Fitness

0 0 1 1 0 0 0 0 0 1 0 3berhasi

l

1 1 1 0 1 0 0 0 0 1 0 5berhasi

l




0 0 1 1 1 0 0 0 0 1 00 0 0 1 1 0 1 0 0 1 0


Nilai Fitness0 0 1 1 1 0 1 0 0 1 0 5 gagal

0 0 0 1 1 0 0 0 0 1 0 3berhasi

l



10.Individu 4 dan 5Dilakukan Cross Over antara individu 4 dan 5 :

1 1 1 0 0 0 0 0 0 1 00 0 0 1 1 0 1 0 0 1 0




Nilai Fitness1 1 1 0 1 0 1 0 0 1 0 6 gagal

0 0 0 1 0 0 0 0 0 1 0 2berhasi

l



Dilihat dari hasil cross over dan mutasi, terdapat beberapa anak yang gagal. Seperti pada hasil persilangan induk – induk pada generasi pertama, maksud gagal di sini ialah gen individu – individu tersebut tidak sesuai dengan pasangan mata – mata kuliah yang bertabrakan atau dengan kata lain, ada beberapa gen ( mata kuliah ) dari individu yang gagal tersebut yang tidak bertabrakan / berurutan. Sementara, untuk hasil persilangan yang sukses, memiliki kemungkinan untuk menjadi solusi (penyelesaian) karena alel dari gen – gen tersebut sesuai dengan pasangan mata kuliah yang bertabrakan. Maka, dari hasil reproduksi tersebut, diperoleh calon-calon individu generasi ketiga yang berhasil :

Calon anak

Mata Kuliah ke - iNilai Fitness

1 2 3 4 5 6 7 8 9 10 11

1 0 0 1 1 1 1 0 0 0 1 0 52 0 0 1 1 1 1 0 0 0 1 0 53 0 0 1 1 1 1 0 0 0 1 0 54 0 0 1 1 1 1 0 0 0 1 0 55 0 0 0 1 1 1 1 0 0 1 0 56 0 0 0 1 1 1 1 0 0 1 0 57 0 0 0 1 1 1 1 0 0 1 0 58 0 0 0 1 1 1 1 0 0 1 0 59 1 1 1 0 1 0 0 0 0 1 0 5

10 1 1 1 0 1 0 0 0 0 1 0 511 1 1 1 0 1 0 0 0 0 1 0 512 0 0 1 1 1 0 0 0 0 1 0 413 0 0 1 1 1 0 0 0 0 1 0 414 0 0 1 1 1 0 0 0 0 1 0 415 0 0 1 1 1 0 0 0 0 1 0 416 0 0 0 1 1 1 0 0 0 1 0 417 0 0 0 1 1 1 0 0 0 1 0 418 0 0 0 1 1 0 1 0 0 1 0 419 0 0 0 1 1 0 1 0 0 1 0 420 0 0 0 1 1 0 1 0 0 1 0 4



21 0 0 0 1 1 0 1 0 0 1 0 422 0 0 1 1 0 0 0 0 0 1 0 323 0 0 1 1 0 0 0 0 0 1 0 324 0 0 1 1 0 0 0 0 0 1 0 325 0 0 1 1 0 0 0 0 0 1 0 326 0 0 0 1 0 0 1 0 0 1 0 327 0 0 0 1 0 0 1 0 0 1 0 328 0 0 0 1 1 0 0 0 0 1 0 329 0 0 0 1 1 0 0 0 0 1 0 330 0 0 0 1 0 0 0 0 0 1 0 231 0 0 0 1 0 0 0 0 0 1 0 2

Tabel 1.4 : Tabel Calon Individu – Individu Generasi KetigaKet : individu dengan warna yang sama memiliki kromosom dengan nilai yang sama

Dari calon – calon anak dari hasil reproduksi di atas, ada beberapa individu yang memiliki untaian dengan gen yang sama, oleh karena itu individu – individu yang sama tersebut dapat digabungkan menjadi satu saja. Maka, individu – individu untuk generasi kedua, yaitu :

Individu

Mata Kuliah ke - i Nilai Fitness1 2 3 4 5 6 7 8 9 10 11

1 0 0 1 1 1 1 0 0 0 1 0 52 0 0 0 1 1 1 1 0 0 1 0 53 1 1 1 0 1 0 0 0 0 1 0 54 0 0 1 1 1 0 0 0 0 1 0 45 0 0 0 1 1 1 0 0 0 1 0 46 0 0 0 1 1 0 1 0 0 1 0 47 0 0 0 1 1 0 1 0 0 1 0 48 0 0 1 1 0 0 0 0 0 1 0 39 0 0 0 1 0 0 1 0 0 1 0 3

10 0 0 0 1 1 0 0 0 0 1 0 311 0 0 0 1 0 0 0 0 0 1 0 2

Tabel 1.5 : Tabel Individu – Individu Generasi Ketiga

Dari tabel 1.5, dapat dilihat bahwa nilai fitness tertinggi di antara individu – individu tersebut adalah 5, sehingga dapat disimpulkan bahwa jumlah ruangan minimum

yang dapat digunakan untuk mengatur jadwal mata kuliah adalah 5 ruangan.

4.Kesimpulan

Algoritma genetika ini sangat tepat untuk diimplementasikan pada

penyelesaian program pengaturan jadwal mata kuliah dan permasalahan lain dengan

memberikan solusi yang mengutamakan efisiensi dan . Karena tadi telah ditunjukkan



bahwa algoritma ini dapat menyelesaikan suatu persoalan yang apabila dikerjakan

secara manual (otak manusia) sangat lama. Jadi, algoritma ini cukup mangkus untuk

digunakan menyelesaikan masalah – masalah yang membutuhkan solusi terbaik di

antara berbagai alternatif yang ada.

REFERENSI[1] http://en.wikipedia.org/wiki/Genetic_algortihm, diakses tanggal 21 Mei 2007

[2] http://www.informatika.org


http://www.informatika.org/

http://en.wikipedia.org/wiki/Genetic_algortihm

Documents

MAKALAH ALGORITMA GENETIKA