BAB I
PENDAHULUAN
1.1
Latar Belakang
Pengaturan waktu terhadap
suatu kegiatan merupakan hal yang penting dilakukan agar kegiatan tersebut
berlangsung secara lancar.
Pengaturan waktu tersebut biasa disebut penjadwalan.
Penyusunan jadwal kegiatan berkaitan dengan berbagai batasan/kendala yang harus
dipenuhi sehingga memerlukan banyak pertimbangan untuk mendukung kegiatan
tersebut. Ada berbagai masalah
penjadwalan di dunia nyata seperti alokasi kejadian,
kegiatan, jumlah orang, kendaraan, dan
lain-lain. Sebagian besar kasus penentuan jadwal yang bisa
diterapkan sangat sulit dicapai karena sumber daya (waktu, tempat, orang, dan lain-lain) terbatas. Jadi penentuan sebuah jadwal yang efisien menjadi masalah penting.
Masalah penjadwalan dalam
dunia pendidikan dapat
dibagi menjadi dua kategori,
yaitu penjadwalan kuliah
dan ujian. Umumnya setiap
perguruan tinggi selalu menghadapi masalah pada awal setiap
semester akademik. Hal
tersebut dapat mencakup masalah
alokasi suatu kejadian (sesi pengajaran, ujian, sesi lab, dan lain-lain) pada
sejumlah kelas, ruang, dan dosen pada periode waktu yang telah ditentukan. Penyelesaian masalah
penjadwalan perkuliahan dalam
jumlah yang sangat besar hingga saat ini masih menjadi permasalahan yang rumit
untuk diselesaikan secara manual (Wiga dkk, 2013). Perguruan tinggi harus
memberikan jadwal yang nantinya masuk ke dalam waktu tertentu dimana setiap
perkuliahan tidak benturan. Penjadwalan pada
umumnya diperlukan untuk
mengantisipasi adanya benturan
jam kuliah dan
juga waktu dosen dalam mengajar.
Jadwal yang dihasilkan juga harus memenuhi batasan dan syarat yang bertujuan
agar jadwal yang dihasilkan sesuai saat digunakan.
Persoalan khusus yang ditemukan pada masalah penjadwalan di
perguruan tinggi adalah masalah optimasi. Masalah ini membutuhkan waktu komputasi yang cukup
tinggi untuk pencarian solusinya, terlebih lagi jika ukuran permasalahan semakin
besar dengan bertambahnya jumlah komponen dan tetapan atau syarat yang
ditentukan oleh institusi tempat jadwal
tersebut digunakan (Uning, 2014). Selama proses, banyak aspek yang harus
dipertimbangkan untuk memperoleh jadwal yang optimal, dan seringkali tidak dapat memuaskan karena tidak semua kebutuhan terpenuhi. Oleh
karena itu perlu ditetapkan suatu batasan dalam penyusunan jadwal yang bersifat
harus dipenuhi (hard constraints) dan tidak harus dipenuhi (soft constraints), tetapi
tetap menjadi acuan dalam proses pembuatan jadwal (Mawaddah, 2006).
Persoalan optimasi (optimization problem) adalah persoalan
yang menuntut pencarian solusi optimum (Marwana, 2012). Persoalan optimasi
dibagi menjadi dua macam, yaitu maksimasi (maximization) dan
minimasi (minimization). Ada dua metode dalam penyelesaian masalah optimasi,
yaitu (1) Metode Konvensional yang
diterapkan dengan menggunakan
perhitungan matematika murni atau secara biasa. Ada beberapa metode
konvensional yang sering digunakan untuk menyelesaikan masalah optimasi,
diantaranya: algoritma Djikstra, algoritma
Floyd-Warshall, dan algoritma Bellman-Ford. (2) Metode Heuristik
salah satu dari bidang kecerdasan buatan
yang digunakan untuk menyelesaikan
masalah optimasi. Terdapat beberapa algoritma dari metode heuristik yang sering
digunakan dalam permasalahan optimasi, diantaranya adalah algoritma genetika,
algoritma pencarian tabu,
jaringan saraf tiruan,
algoritma semut dan
lain-lain.
Penelitian-penelitian
terbaru menyarankan bahwa algoritma genetika
merupakan metode yang layak dan efektif dalam mengatasi masalah
penjadwalan (Teno dan Palgunadi, 2014).
Algoritma genetika merupakan metode heuristik adaptif yang memiliki dasar
pemikiran atau gagasan dari proses
seleksi alam dan genetika berdasarkan penelitian Charles
Darwin. Algoritma genetika cukup baik untuk digunakan dalam penjadwalan mata
kuliah di sebuah perguruan tinggi.
Algoritma genetika merupakan salah satu jalan untuk memecahkan masalah yang cukup besar dengan solusi yang cukup baik
meskipun masalah tersebut membutuhkan waktu eksekusi yang lama bila dilakukan
secara manual ( Jain, dkk, 2010).
Berdasarkan latar
belakang di atas, maka penelitian mengusulkan bagaimana optimasi penjadwalan
mata kuliah pada Fakultas Teknik Universitas Serambi Mekkah menggunakan
algoritma genetika. Penelitian ini akan membangun aplikasi komputer dan
melakukan uji coba optimasi masalah penjadwalan kuliah di Fakultas Teknik
Universitas Serambi Mekkah menggunakan metode Meta-Heuristic, yaitu: Algoritma
Genetika. Permasalahan yang ditangani pada penelitian ini adalah (1) pengelolaan komponen-komponen jadwal, seperti: data dosen,
mahasiswa, ruangan, mata kuliah, dan waktu perkuliahan dan (2) pembuatan jadwal penggunaan ruang dan mata kuliah. Di
harapkan dengan menggunakan algoritma ini akan dapat menyelesaikan masalah penjadwalan ruang dan mata kuliah sehingga dapat mengoptimalkan kinerja staf akademik
di Fakultas Teknik Universitas Serambi Mekkah Banda Aceh.
1.2
Batasan Masalah
Agar konsep
penelitian ini lebih terarah, perlu ditentukan batasan permasalahan. Adapun
batasan yang digunakan dalam penelitian ini, yaitu:
1.
Setiap
dosen bersedia mengajar di ruang manapun yang tersedia dan pada waktunya yang
ditentukan.
2.
Setiap
mahasiswa bersedia menempati ruang dan waktu yang tersedia.
3.
Kapasitas
ruangan pasti mencukupi sesuai dengan jumlah mahasiswa.
4.
Metode
pemecahan masalah dengan Algoritma Genetika.
5.
Data
lain untuk melengkapi algoritma dapat diasumsikan.
1.3
Rumusan Masalah
Berdasarkan latar belakang masalah di atas, maka rumusan masalah
dalam penelitian ini antara lain :
1.
Bagaimana merancang aplikasi proses penjadwalan perkuliahan yang belum optimal pada Fakultas Teknik Universitas Serambi
Mekkah (USM) Banda Aceh?.
2.
Bagaimana menyajikan metode optimasi algoritma genetika dalam mengatasi permasalahan
penjadwalan mata kuliah yang saling berbenturan pada Fakultas Teknik Universitas
Serambi Mekkah (USM) Banda Aceh?.
1.4
Tujuan Penelitian
Adapun tujuan dari penelitian ini
adalah:
1.
Dapat perancangan
proses optimasi penjadwalan mata kuliah yang belum optimal pada Fakultas Teknik Universitas Serambi Banda Aceh.
2.
Menerapkan metode optimasi dalam mengatasi permasalahan penjadwalan mata kuliah
yang saling berberunturan pada Fakultas Teknik Universitas Serambi Mekkah Banda
Aceh.
1.5
Manfaat
Penelitian
Hasil penelitian ini diharapkan
dapat memberikan manfaat yang berarti bagi civitas akademika Fakultas Teknik Universitas Serambi Mekkah Banda Aceh, bagi pembaca,
masyarakat umumnya.
Bagi Civitas Akademika Fakultas Teknik Universitas Serambi
Mekkah Banda Aceh diharapkan penelitian ini dapat menjadi referensi untuk
menghasilkan jadwal yang optimal secara komputasi, menggunakan metode algoritma
genetika
Bagi pembaca
diharapkan penelitian ini bisa sebagai bahan referensi bagi penelitian
selanjutnya terutama dalam pembahasan teori penjadwalan yang digunakan dalam
penelitian.
.
BAB II
LANDASAN TEORI
2.1
Optimasi
Optimasi adalah salah satu disiplin ilmu dalam matematika
yang fokus untuk mendapatkan nilai minimun atau maksimum secara sistematis dari
suatu fungsi, peluang, maupun pencarian nilai lainnya dalam berbagai kasus.
Optimasi sangat berguna di hampir segala bidang dalam rangka melakukan usaha
secara efektif dan efisien untuk mencapai target hasil yang ingin dicapai.
Suatu permasalahan optimasi disebut nonlinear jika fungsi tujuan dan kendalanya mempunyai bentuk
nonlinear pada salah satu atau keduanya. Optimasi merupakan masalah yang
berhubungan dengan keputusan yang terbaik, maksimum, minimum dan memberikan
cara penentuan solusi yang memuaskan (Rahman, 2008).
Persoalan optimasi (optimization
problem) adalah persoalan yang menuntut pencarian solusi optimum (Marwana,
2012). Persoalan optimasi dibagi menjadi dua macam, yaitu maksimasi (maximization) dan
minimasi (minimization). Ada dua metode dalam penyelesaian masalah
optimasi, yaitu (1) Metode Konvensional yang diterapkan dengan menggunakan
perhitungan matematika murni atau secara biasa. Ada beberapa metode
konvensional yang sering digunakan untuk
menyelesaikan masalah optimasi, diantaranya: algoritma Djikstra,
algoritma Floyd Warshall, dan algoritma Bellman-Ford.
(2) Metode Heuristik salah satu dari
bidang kecerdasan buatan yang digunakan untuk menyelesaikan masalah optimasi.
Terdapat beberapa algoritma dari metode heuristik
yang sering digunakan dalam permasalahan optimasi, diantaranya adalah
algoritma genetika, algoritma pencarian tabu, jaringan saraf
tiruan, algoritma semut dan lain-lain.
2.2
Penjadwalan
Mata Kuliah
Penjadwalan merupakan suatu
kegiatan alokasi sumber daya dengan memiliki kendala (batasan) yang diberikan
kepada suatu objek seperti di ruang-waktu, sedemikian rupa untuk memenuhi
sedekat mungkin set tujuan yang
diinginkan (Wren, 1996). Definisi yang lebih umum adalah menugaskan satu
set peristiwa (kuliah, kendaraan, acara-acara publik, dan lain-lain) dengan set
terbatas sumber dari waktu ke waktu sedemikian
rupa untuk memenuhi kendala (batasan/constraint) yang telah ditetapkan. kendala ini
dapat dikategorikan sebagai hard constraint dan soft constraint, di mana hard
constraint memiliki prioritas yang lebih tinggi dari pada soft constraint.
Terdapat dua batasan dalam
penyusunan penjadwalan kuliah yang dikemukakan oleh (Burke dkk, 2002), yaitu : hard constraint (harus terpenuhi) dan soft constraint (diupayakan untuk terpenuhi). Hard constraints merupakan batas-batas yang harus diterapkan pada
penjadwalan mata kuliah dan harus dipenuhi. Sebuah solusi hanya dapat dikatakan
sahih dan valid apabila dalam solusi tersebut sama sekali tidak ada hard constraint yang terlanggar. Hard constraints yang umum dalam penjadwalan mata kuliah adalah
sebagai berikut :
1.
Seorang dosen hanya dapat mengajarkan mata kuliah
untuk satu lokasi
pada waktu tertentu.
2.
Seorang mahasiswa hanya dapat mengikuti kuliah untuk satu lokasi
pada waktu tertentu.
3.
Sebuah lokasi (ruangan/lab komputer) hanya dapat digunakan
untuk satu mata kuliah pada waktu tertentu.
4.
Mata kuliah dengan bobot 3 SKS dijadwalkan dengan satu
kali pertemuan dalam seminggu.
5.
Hari aktif untuk perkuliahan adalah hari Senin sampai dengan
Sabtu.
Berbeda
dengan hard constraint, soft constraint merupakan kendala yang tidak
selalu dapat terpenuhi dalam proses pembentukan jadwal, akan tetapi meskipun
tidak harus terpenuhi, jadwal yang dihasilkan harus semaksimal mungkin berusaha
memenuhi ketentuan soft constraint.
Contoh soft constraints dalam penjadwalan mata
kuliah antara lain :
1.
Dosen dapat meminta waktu mengajar
tertentu yang diinginkan.
2.
Penempatan jadwal untuk waktu yang
telah diminta dosen disesuaikan dengan prioritas dosen.
Berdasarkan
Gambar 2.1 menunjukkan bahwa penjadwalan
mata kuliah yang dipengaruhi oleh beberapa komponen yang terdiri atas, dosen,
ruang kelas, mata kuliah, laboratorium dan waktu dengan sejumlah batasan
batasan tertentu, dimana
batasan-batasan tersebut ada
yang harus dipenuhi
atau tidak boleh dilanggar. Batasan tersebut merupakan
ukuran kualitas dari penjadwalan mata kuliah, sehingga suatu jadwal mata kuliah
yang optimal dapat terbentuk.
Gambar
2.1. Faktor-faktor yang Mempengaruhi Penentuan Jadwal Kuliah
Sumber :
Mary, 2011
2.3
Algoritma
Genetika (GA)
2.3.1
Definisi
Algoritma Genetika
Algoritma Genetika merupakan salah satu metode untuk
menentukan optimalisasi atas dasar Teori
Darwin. Langkah prosedur algoritma ini diawali dengan menentukan suatu set
solusi potensial dan melakukan perubahan dengan beberapa perulangan (iterasi) dengan algoritma genetika untuk
menghasilkan solusi terbaik. Set solusi
potensial ini ditetapkan diawal dan disebut dengan kromosom. Kromosom ini dibentuk secara random
berupa susunan angka binary yang di-generate dan dipilih. Keseluruhan set dari
kromosom yang diobservasi mewakili suatu populasi (Heli dkk, 2010). Kromosom-kromosom
berevolusi beberapa kali tahapan iterasi yang disebut dengan generasi. Generasi
baru (offsprings) dihasilkan dengan teknik kawin silang (crossover) dan mutasi (mutation). Crossover meliputi pemisahan atau pemecahan (splitting) dua kromosom, kemudian mengkombinasikan setengah
bagian dari masing-masing kromosom dengan pasangan-pasangan lainnya. Mutasi
meliputi pertukaran (flipping) satu
bit (bagian) dari kromosom dengan satu bagian lain dari kromosom lain yang menjadi pasangannya. Kromosom-kromosom
tersebut kemudian berevolusi dengan suatu
kriteria kesesuaian (fitness) yang
telah ditetapkan, hasil
yang terbaik akan dipilih sedangkan yang lainnya diabaikan. Proses ini
dilakukan secara berulang ulang sampai menemukan suatu kromosom yang memiliki
kesesuaian terbaik (best fitness)
untuk dijadikan sebagai solusi terbaik dari suatu masalah.
2.3.2
Struktur Umum Algoritma Genetika
Pada ilustrasi Gambar 2.2 diperlihatkan struktur umum dari suatu algoritma genetika dapat
didefinisikan dengan langkah-langkah sebagai berikut (Mary, 2011):
1.
Menghasilkan atau membangkitkan populasi awal (generate).
Populasi awal di-generate secara random, dimana populasi
tersebut terdiri dari beberapa kromosom yang telah didefinisikan sehingga dapat
dijadikan solusi awal. Populasi tersebut terdiri dari beberapa kromosom yang
mewakili solusi yang diinginkan.
2.
Membentuk generasi baru
Membuat generasi baru menggunakan tiga operator yaitu
operator reproduksi/seleksi, crossover
dan mutasi. Tahapan tersebit dilakukan secara berulang-ulang sehingga diperoleh
sejumlah kromosom yang cukup untuk menghasilkan generasi baru dimana generasi baru
tersebut merupakan representasi
dari solusi baru. Generasi baru ini dikenal denga istilah anak (offspring).
3.
Evaluasi Solusi
Pada tiap generasi, kromosom akan diukur dengan fungsi
fitness. Nilai fitness suatu kromosom menggambarkan kualitas kromosom dalam populasi tersebut. Proses ini akan
mengevaluasi setiap populasi
dengan menghitung nilai fitness
setiap kromosom dan mengevaluasinya sampai terpenuhi kriteria berhenti. Apabila
kriteria berhenti belum terpenuhi maka akan dibentuk lagi generasi baru dengan
mengulangi langkah b. Beberapa kriteria berhenti yang sering digunakan antara
lain:
1)
Berhenti pada generasi tertentu.
2)
Berhenti setelah beberapa
generasi berturut-turut didapatkan
nilai fitness tertinggi.
3)
Berhenti pada n
generasi dimana nilai fitness dari
populasi tidak mengalami perubahan.
Gambar 2.2. Flowchart
Operasi Algoritma Genetika
2.3.3
Komponen-komponen Utama Algoritma
Genetika
Selain itu, berdasarkan penelitian
(Mary, 2011) terdapat 6
komponen utama di dalam algoritma genetika.
1.
Teknik
Pengkodean
Suatu teknik
bagaimana mengkodekan gen
dari kromosom. Teknik
ini merupakan teknik untuk
menyatakan populasi awal sebagai calon solusi suatu masalah ke dalam suatu
kromosom sebagai suatu kunci pokok
masalah. Teknik pengkodean meliputi
pengkodean gen dan kromosom. Gen adalah bagian dari kromosom yang dapat
direpresentasikan dalam bentuk string bit, tree, array bilangan real, daftar aturan, elemen permutasi, elemen program, atau representasi
lain yang dapat diimplementasikan untuk operator genetika.
2.
Prosedur
Inisialisasi (generate populasi awal)
Suatu proses yang menghasilkan
sejumlah individu secara acak (random).
Banyaknya populasi tergantung pada masalah yang akan diselesaikan dan jenis
operator genetika yang akan diterapkan. Setelah jumlah
populasi ditentukan, selanjutnya
dilakukan inisialisasi terhadap kromosom
yang ada di dalam populasi
tersebut. Inisialisasi kromosom
dilakukan secara acak, dengan tetap memperhatikan domain solusi dan kendala
permasalahan yang ada.
Inisialisasi kromosom direpresentasikan dalam bentuk larik
dengan tipe data record yang berisi data yang mendukung proses penjadwalan. Panjang
dari kromosom adalah sebanyak gen
yang ada, dalam hal ini setiap gen mewakili mata kuliah yang diujikan.
Tabel 2.1. Inisialisasi Kromosom
|
Id_Dosen
|
1
|
1
|
2
|
3
|
3
|
4
|
|
Id_MK
|
1
|
2
|
3
|
4
|
5
|
6
|
|
Kromosom 1
|
1,2
|
2,4
|
3,5
|
4,4
|
2,1
|
3,1
|
|
Kromosom 2
|
2,2
|
1,4
|
3,3
|
1,1
|
5,4
|
4,2
|
|
………….
|
…
|
…
|
…
|
…
|
…
|
…
|
|
Kromosom n
|
1,5
|
4,5
|
3,4
|
2,2
|
4,5
|
1,1
|
Pada Tabel 2.1 merupakan ilustrasi
dari inisialisasi kromosom. Pada inisialisasi kromosom, mata kuliah diurutkan
berdasarkan id_dosen, hal ini dilakukan untuk lebih memudahkan penghitungan
nilai cost. Setelah terjadi
proses genetika dihasilkan kromosom-kromosom yang terdiri dari
beberapa gen (sesuai dengan
jumlah mata kuliah) yang berisi slot
waktu (hari dan jam) untuk setiap mata kuliah.
3.
Fungsi Evaluasi
Individu dievaluasi berdasarkan
fungsi tertentu sebagai ukuran
kinerjanya. Individu dengan nilai
fitness tinggi pada kromosomnya yang akan
dipertahankan, sedangkan individu yang pada kromosomnya bernilai fitness rendah akan diganti. Fungsi fitness tergantung pada permasalahan
tertentu dari representasi yang digunakan. Rumus fitness yang digunakan, (Lee dkk, 2001) adalah sebagai berikut:
Fitness = 
. . . . . . . . . . . . . . . . . . (pers 2.1)
. . . . . . . . . . . . . . . . . . (pers 2.1)
Keterangan : Bn = Bobot pelanggaran
fn = Banyaknya
pelanggaran
n = 1 . . . n
4.
Seleksi
Proses seleksi bertujuan untuk memilih individu-individu yang akan
dipilih untuk proses persilangan
dan mutasi, sehingga akan diperoleh calon induk yang baik. Induk yang baik akan
menghasilkan keturunan yang baik.
Langkah pertama dalam seleksi yaitu pencarian nilai fitness. Masing-masing individu dalam suatu
wadah seleksi akan menerima probabilitas reproduksi yang tergantung pada
nilai objektif dirinya
sendiri terhadap nilai objektif dari semua individu dalam
wadah seleksi tersebut. Nilai fitness inilah yang nantinya akan digunakan
pada tahap seleksi berikutnya.
Ada beberapa metode untuk memilih kromosom yang digunakan
antara lain:
a)
Roulette Wheel Selection
Seleksi ini dilakukan
dengan cara menyeleksi
parent dengan tujuan
untuk mempertahankan nilai fitness-nya agar memiliki kesempatan untuk diseleksi adalah kromoson yang baik.
Proses ini diibaratkan seperti permainan roda rolet (roullette wheel), di mana semua kromosom ditempatkan
dalam populasi, setiap
tempat besar sesuai dengan fungsi fitness. Kromosom dipilih berdasarkan nilai fitness, semakin besar nilai fitness maka
kromosom tersebut mempunyai peluang untuk dipilih beberapa kali. Metode seleksi
roda rolet merupakan metode yang paling
sederhana, dan sering juga dikenal dengan nama stochastic sampling with
replacement.
b)
Seleksi dan Fitness
Seleksi ini dilakukan
dengan cara setengah
dari jumlah populasi
yang memiliki nilai fitness yang paling rendah akan dihilangkan,
sehingga selalu hanya tersisa sekelompok solusi yang terbaik. Solusi yang
tersisa hasil dari seleksi tersebut disebut populasi induk. Karena jumlah
populasi harus tetap,
maka perlu di-generate
solusi baru sebanyak setengah dari jumlah populasi yang
ada. Ada 2 cara yang digunakan untuk men-generate solusi baru, yaitu dengan
cara reproduksi kromosom baru dan mutasi dari solusi induk. Tujuan men-generate solusi baru ini adalah untuk
menemukan alternatif solusi yang lebih baik dari solusi-solusi yang sudah
dihasilkan.
Individu-individu dalam populasi telah terbentuk, maka
langkah selanjutnya adalah menghitung nilai
fitness setiap individu. Pada tabel 2.2
diperlihatkan aturan dan nilai pinalti penghitungan
dilakukan dengan memberikan
pinalti untuk setiap
aturan yang digunakan dalam
penjadwalan. Semakin wajib
aturan dilaksanakan, maka
akan semakin besar nilai pinalti yang diberikan. Berikut
aturan penghitungan fungsi fitness.
f(g) = 1 / (1 + ∑Pivi(g)); . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ..
. pers(2.2)
dimana Pi adalah pinalti yang
diberikan untuk aturan i, dan
vi(g) = 1 jika
jadwal g
melanggar aturan i, bernilai 0
jika sebaliknya.
Tabel 2.2 Aturan dan Nilai Pinalti
|
Aturan
|
Nilai Pinalti
|
|
Kesediaan
waktu dosen
|
1
|
|
Tabrakan
mata kuliah wajib dan pilihan
|
2
|
|
Konflik
waktu dosen
|
3
|
|
Tabrakan
mata kuliah satu semester
|
3
|
Apabila penghitungan fitness setiap indivudu telah dilakukan,
maka langkah selanjutnya adalah seleksi
induk. Seleksi yang digunakan adalah seleksi roda roulette. Pada seleksi roda roulette,
semakin tinggi nilai fitness maka semakin besar kemungkinan untuk
terpilih menjadi induk.
5.
Operator Genetika
Algoritma genetika merupakan proses
pencarian yang heuristik dan acak sehingga penekanan pemilihan operator yang
digunakan sangat menentukan keberhasilan algoritmagenetik dalam menemukan solusi
optimum suatu masalah yang diberikan. Hal yang harus diperhatikan adalah
menghindari terjadinya konvergensi
premature, yaitu mencapai
solusi optimum yang belum waktunya, dalam arti bahwa
solusi yang diperoleh
adalah hasil optimum lokal. Ada
dua operator genetika yaitu:
a)
Crossover (Persilangan)
Crossover merupakan proses di dalam algoritma
genetika yang bekerja untuk meng-gabungkan dua kromosom parent menjadi kromosom
baru (offspring) pada suatu waktu.
Sebuah kromosom yang mengarah pada solusi baik dapat diperoleh melalui proses crossover pada dua buah kromosom. Cara
sederhana pada proses crossover yaitu
dengan memilih satu titik yang dipisahkan secara acak dan kemudian membentuk offspring dengan mengkombinasikan segmen
dari satu induk kesebelah kiri dari titik yang dipisahkan dengan segmen dari induk
yang lain ke sebelah kanan dari titik yang dipisahkan. Perkawinan silang yang
digunakan adalah perkawinan silang satu titik. Pada perkawinan ini dilakukan
dengan cara menukar nilai gen pada posisi gen yang sama dari kedua induk. Penukaran
gen tersebut juga harus dilakukan pengecekan apakah individu baru yang
terbentuk sesuai dengan aturan yang
berlaku.
Pada Gambar 2.3
diperlihatkan bagaimana proses ilustrasi perkawinan silang.
0 comments:
Post a Comment