Review Metode pada Soft Computing Part 2

Genetika Algoritma pada Probabilistic Reasoning

Review singkat salah satu metode di soft computing

Postingan kali ini adalah sambungan dari postingan sebelumnya. Jika pada sebelumnya saya memberikan informasi tentang penjelasan Hard Computing dan Soft Computing kemudian saya membahas salah satu metode yang ada di soft computing, maka kali ini saya akan meneruskan satu lagi penjelasan metode dari soft computing.

Postingan Hard Computing dan Soft Computing.
Postingan Metode Soft Computing Part 1.

Pada postingan sebelumnya saya menjelaskan tentang Jaringan Syaraf Tiruan mulai dari pengertian, konsep dasar, modelnya, contoh implementasi, kelebihan dan kekruangannya. Kemudian kali ini saya akan menjelaskan tentang Genetic Algorithm atau Algoritma Genetik yang merupakan pengembangan metode dari Probabilistic Reasoning yang merupakan salah satu metode utama dari Soft Computing.

Probabilistic Reasoning

Probabilistic Reasoning (PR) adalah suatu yang memiliki kemampuan mengambil keputusan yang rasional walaupun informasi yang akan diolah kurang lengkap atau bersifat non-linier. Probabilistic Reasoning merupakan salah satu dari metode Soft Computing selain Fuzzy Logic dan Neural Network. Reasoning berarti mengambil suatu keputusan atas suatu alasan atau sebab tertentu. Beberapa jenis kategori PR antara lain teori Chaos, Belief Networks, Genetic Algorithm (GA).

Genetic Algorithm (GA) dan Konsepnya

GA diperkenalkan oleh John Holland pada pertengahan tahun 70-an. GA adalah metode komputasi yang meniru proses evolusi dan seleksi alam. Metode ini sering dimanfaatkan untuk mencari nilai optimal suatu fungsi/permasalahan.

Gambar 1. Flowchart Proses pada Algoritma Genetika

Gambar 1 menunjukkan urutan tahapan dalam GA. Untuk mencari nilai optimal tersebut, pertama-tama parameter-parameter permasalahan ditransfer ke dalam bentuk genetik sebuah kromosom individu yang disebut genotype (Saefuloh: 2016).

Kromosom ini terdiri dari sederetan string (misalnya angka “0” dan “1”) yang merupakan analogi dari rantai DNA: A, T, G dan C yang sebenarnya, pada tubuh makhluk hidup. Selanjutnya suatu populasi yang terdiri dari ribuan kromosom individu ini mengalami proses seleksi, crossover (persilangan) dan mutasi yang meniru proses biologi yang terjadi di alam.

Operasi ini diulang-ulang, dari satu generasi ke generasi berikutnya. Kualitas suatu individu ditunjukkan oleh nilai fitness, yang diukur dengan suatu kriteria yang mencerminkan sejauh mana kromosom individu tersebut mendekati nilai optimal yang diinginkan. Kriteria ini menjadi alat kontrol bagi proses evolusi, agar kondisi fitness generasi yang mendatang lebih baik daripada generasi-generasi sebelumnya.

Setelah melewati ratusan atau mungkin ribuan generasi, proses evolusi ini akan menghasilkan individu-individu dengan nilai fitness yang tinggi. Hal ini mencerminkan diperolehnya jawaban yang merupakan pendekatan terhadap nilai optimal yang diinginkan.

Contoh Implementasi Algoritma Genetika

Implementasi Algoritma Genetika untuk Penjadwalan Customer Service

   Contoh pengaplikasian algoritma genetika ini ditempatkan pada sebuah penelitian untuk mengurangi kesalahan yang terjadi pada penjadwalan kerja customer service sebuah biro perjalanan. Pada penelitian tersebut berhasil mengifisienkan waktu yang dibutuhkan untuk membuat jadwal kerja keseluruhan pegawai customer service dari yang biasanya membutuhkan waktu 3 hari secara manual, maka dengan sistem yang otomatis menggunakan algoritma genetika ini ditempuh dengan waktu 12 jam saja (Damayanti: 2017, hlm. 456-465).

Penerapan Algoritma Genetika Traveling Salesman Problem with Time Window
        Pengaplikasian algoritma dilakukan dengan penelitian pada optimasi pemilihan rute terbaik pada kasus penjemputan untuk suatu laundry agar antar sales yang menjemput dengan jeda waktu tertentu tetap dapat menjemput laundry tepat waktu (Suprayogi: 2015, hlm. 121-130).

Kelebihan dan Kekurangan dari Algoritma Genetika

Fauzi (2016), Beberapa keunggulan yang dimilki oleh GA adalah sebagai berikut :

• GA memiliki kemampuan untuk mencari nilai optimal secara parallel, melalui kerjasama antara berbagai unit yang disebut kromosom individu.
• GA tidak memerlukan perhitungan matematika yang rumit seperti diferensial yang diperlukan oleh algoritma optimisasi yang lain. 

Namun demikian GA memiliki juga kelemahan dan keterbatasan:

• Tidak memiliki rumusan yang pasti, bagaimana mentransfer parameter permasalahan ke dalam kode genetik. Dengan kata lain, hal ini memerlukan pengalaman dan wawasan dari desainer.
• Banyak parameter yang perlu diset secara baik agar proses evolusi dalam GA berjalan sesuai dengan yang diharapkan.
• Penentuan rumus menghitung fitness merupakan hal yang sangat penting dan mempengaruhi proses evolusi pada GA. Sayangnya tidak ada prosedur yang baku bagaimana menentukan rumus tsb. Dalam hal ini pengalaman dari desainer memegang peranan penting. Terlepas dari kendala yang ada, GA merupakan alternatif solusi yang dikenal cukup handal dalam berbagai masalah optimisasi. 

Demikian postingan kali ini. Saya harap, apa yang disampaikan dapat bermanfaat bagi pembaca.

Sekian dan Terima Kasih.