28
random
dan
memungkinkan
untuk
berkembangbiak
sesuai
dengan
hukum-hukum
evolusi dengan harapan akan menghasilkan individu kromosom yang prima. Kromosom
ini pada kenyataannya adalah kandidat penyelesaian dari masalah, sehingga bila
kromosom
yang
baik
berkembang,
solusi
yang baik
terhadap
masalah
diharapkan
akan
dihasilkan.
Algoritma Genetika
ini banyak dipakai pada aplikasi bisnis,
teknik
maupun pada
bidang
keilmuan.
Algoritma
ini
dapat
dipakai
untuk
mendapatkan
solusi
yang
tepat
untuk
masalah
optimal
dari
satu
variabel
atau
multi
variabel.
Sebelum algoritma
ini
dijalankan,
masalah
apa
yang
ingin
dioptimalkan
itu
harus
dinyatakan
dalam fungsi
tujuan,
yang dikenal dengan
fungsi fitness.
Jika
nilai fitness semakin kecil,
maka
solusi
yang dihasilkan semakin baik. Walaupun pada awalnya semua nilai fitness kemungkinan
sangat besar (karena algoritma ini menghasilkannya secara random), sebagian akan lebih
baik
dari
yang
lain.
Kromosom
dengan
nilai fitness
yang
baik
ini
akan
memberikan
probabilitas
yang
tinggi
untuk
bereproduksi
pada
generasi
selanjutnya. Sehingga
untuk
setiap
generasi
pada
proses
evolusi,
fungsi fitness
yang
mensimulasikan
seleksi
alam,
akan menekan populasi kearah fitness yang semakin kecil.
2.4.3 Struktur Algoritma Genetika
Algoritma
genetika
sangat
tepat
digunakan
untuk
penyelesaian
masalah
optimasi
yang kompleks dan sukar diselesaikan dengan
menggunakan
metode
yang konvensional.
Sebagaimana halnya proses evolusi di alam, suatu algoritma genetika yang sederhana
umumnya terdiri dari tiga operator yaitu: operator reproduksi, operator crossover
 |