Algoritma Genetika

Algoritma Genetika

        Evolutionary Algorithm merupakan terminologi umum yang menjadi paying. Bagi empat istilah: algoritma genetika (genetic algorithm), pemrograman genetika (genetic programming), strategi evolusi (evolution strategies), dan pemrograman evolusi (evolutionary programming). Tetapi, jenis evolutionary algorithm yang paling populer dan banyak digunakan adalah algoritma genetika (genetic algorithm).

        Algoritma genetika merupakan evolusi/ perkembangan dunia computer dalam bidang kecerdasan buatan (artificial intelligence). Sebenarnya kemunculan algoritma genetika ini terinspirasi oleh teori evolusi Darwin (walaupun pada kenyatanya teori tersebut terbukti keliru) dan teori-teori dalam ilmu biologi, sehingga banyak istilah dan konsep biologi yang digunakan. Karena itu sesuai dengan namanya, proses-proses yang terjadi dalam algoritma genetika samadengan apa yang terjadi pada evolusi biologi. Algoritma genetika merupakan teknik pencarian nilai optimum secara stochastic berdasarkan mekanisme seleksi alam. Algoritma genetika berbeda dengan teknik konvergensi konvensional yang lebih bersifat deterministik [7]. Metodenya sangat berbeda dengan kebanyakan algoritma optimasi lainnya, yaitu mempunyai ciri-cirinya sebagai berikut:

                 Algoritma genetika merupakan evolusi/ perkembangan dunia computer dalam bidang kecerdasan buatan (artificial intelligence). Sebenarnya kemunculan algoritma genetika ini terinspirasi oleh teori evolusi Darwin (walaupun pada kenyatanya teori tersebut terbukti keliru) dan teori-teori dalam ilmu biologi, sehingga banyak istilah dan konsep biologi yang digunakan. Karena itu sesuai dengan namanya, proses-proses yang terjadi dalam algoritma genetika sama dengan apa yang terjadi pada evolusi biologi. Algoritma genetika merupakan teknik pencarian nilai optimum secara stochastic berdasarkan mekanisme seleksi alam. Algoritma genetika berbeda dengan teknik konvergensi konvensional yang lebih bersifat deterministik.

        Metodenya sangat berbeda dengan kebanyakan algoritma optimasi lainnya, yaitu mempunyai ciri-cirinya sebagai berikut:

a. Menggunakan hasil pengkodean dari parameter, bukan parameter itu sendiri.

b. Bekerja pada populasi bukan pada sesuatu yang unik.

c. Menggunakan nilai satu-satunya pada fungsi dalam prosesnya.Tidak mengunakan

    fungsi luar atau pengetahuan luar lainnya.

d. Menggunakan fungsi transisi probabilitas, bukan sesuatu yang pasti.

Sejarah Singkat Algoritma Genetika

                 Awal sejarah perkembangan dari algoritma genetika (genetic algorithm) dimulai pada tahun 1960. Pada waktu itu, I. Rochenberg dalam bukunya yang berjudul “Evolution Strategies” mengemukakan tentang evolusi computer (computer evolutionary) yang kemudian dikembangkan oleh peneliti lain. Algoritma genetika sendiri pertama kali dikembangkan oleh John Holland pada tahun 1970-an di New York Amerika Serikat yang dikembangkan bersama mahasiswa dan rekan-rekannya. Hal tersebut bisa dibuktikan dengan adanya buku yang dibuat oleh Holland dengan judul “Adaptation in Natural and Artificial System” yang diterbitkan pada tahun 1975.

                 Lalu tujuh belas tahun kemudian, John Koza melakukan penelitian suatu program yang berkembang dengan menggunakan algoritma genetika. Program yang dikenal dengan sebutan metode “Genetic Programming” tersebut dibuat menggunakan LISP (bahasa pemrogramannya dapat dinyatakan dalam bentuk parse tree yaitu objek kerjanya pada algoritma genetika). Sampai sekarang algoritma genetika ini terus digunakan untuk memecahkan permasalahan yang sulit dipecahkan dengan menggunakan algoritma konvensional. 

Aplikasi Algortima Genetika

                 Sejak pertama kali dirintis oleh John Holland pada tahun 1960-an, algoritma genetika telah dipelajari, diteliti, dan diaplikasikan secara luas pada berbagai bidang. Algoritma genetika banyak digunakan pada masalah praktis yang berfokus pada pencarian parameter-parameter optimal. Hal ini membuat banyak orang mengira bahwa algoritma genetika hanya bisa digunakan untuk masalah optimasi. Pada kenyataannya, algoritma juga memiliki performansi yang bagus untuk masalah-masalah selain optimasi . Keuntungan penggunaan algoritma genetika sangat jelas terlihat dari kemudahan implementasi dan kemampuannya untuk menemukan solusi yang bagus (bisa diterima) secara cepat untuk masalah-masalah berdimensi tinggi. Algoritma genetika sangat berguna dan efisien untuk masalah-masalah dengan karakteristik sebagai berikut:

a.   Ruang masalah sangat besar, kompleks, dan sulit dipahami.

b.   Kurang atau bahkan tidak ada pengetahuan yang memadai untuk merepresentasikan          masalah ke dalam ruang pencarian yang lebih sempit.

c.   Tidak tersedianya analisis matematika yang memadai.

d.   Ketika metode-metode konvensional sudah tidak mampu meyelesaikan masalah yang         dihadapi.

e.   Solusi yang diharapkan tidak harus paling optimal, tetapi cukup bagus atau bisa diterima.

f.    Terdapat batasan waktu, misalnya real time system atau sistem waktu nyata.