BAB III

[KEMBALI KE MENU SEBELUMNYA]

DAFTAR ISI

1. SEKILAS TENTANG MATLAB

2. IMPLEMENTASI ALGORITMA GENETIKA

3. MENCARI PARAMETER AG YANG OPTIMAL

4. Video

5. Link Download

 

BAB III IMPLEMENTASI ALGORITMA GENETIKA DALAM MATLAB

1. SEKILAS TENTANG MATLAB [Kembali]

•  MATLAB adalah bahasa pemrograman yang berfokus pada komputasi matriks, ideal untuk mengimplementasikan AG karena kemampuannya menangani operasi matriks dengan efisien.
• Interface MATLAB mencakup Command Window, tempat mengetikkan perintah, dan Workspace yang menampilkan variabel aktif.

2. IMPLEMENTASI ALGORITMA GENETIKA [Kembali]

• Algoritma Genetika (AG) merupakan metode optimasi berbasis populasi yang menggunakan prinsip evolusi. Dalam MATLAB, AG bisa digunakan untuk menyelesaikan masalah optimasi sederhana.
• Fungsi-fungsi utama dalam AG seperti InisialisasiPopulasi, DekodekanKromosom, EvaluasiIndividu, dan RouletteWheel dijelaskan secara rinci.

1. Fungsi dan Langkah-Langkah dalam AG:
• InisialisasiPopulasi: Membangkitkan populasi awal secara acak.

Dengan program matlab:

function Populasi = InisialisasiPopulasi(UkPop, JumGen)

    Populasi = fix(rand(UkPop, JumGen) + 0.5);

end

• Dekodekan Kromosom: Mengonversi kromosom biner ke dalam nilai real untuk digunakan dalam evaluasi.

Dengan program matlab:

function x = DekodekanKromosom(Kromosom, Nvar, Nbit, Ra, Rb)

    x = zeros(1, Nvar);

    for ii = 1:Nvar

        x(ii) = Rb + (Ra - Rb) * sum(Kromosom((ii-1)*Nbit+1:ii*Nbit) .* (2.^(Nbit-1:-1:0))) / (2^Nbit - 1);

    end

end

 

 

• EvaluasiIndividu: Menghitung nilai fitness dari setiap individu.

Dengan program matlab:

function Fitness = EvaluasiIndividu(x)

    h = 1000 * (x(1) - x(2)^2)^2 + (1 - x(1))^2;

    a = 1e-6;

    Fitness = 1 / (h + a);

end

• RouletteWheel: Memilih individu untuk menjadi orang tua berdasarkan nilai fitness.

Dengan program matlab:

function Pindex = RouletteWheel(UkPop, LinearFitness)

    JmlFitness = sum(LinearFitness);

    R = rand;

    KumulatifFitness = 0;

    for ii = 1:UkPop

        KumulatifFitness = KumulatifFitness + LinearFitness(ii);

        if (KumulatifFitness / JmlFitness) > R

            Pindex = ii;

            break;

        end

    end

end`

3. Operasi Pindah Silang dan Mutasi:
• Operasi pindah silang satu titik digunakan untuk menghasilkan individu baru, dengan program matlab:
  function [Anak1, Anak2] = PindahSilang(Induk1, Induk2, JumGen)

    TP = randi([1 JumGen-1]);

    Anak1 = [Induk1(1:TP) Induk2(TP+1:end)];

    Anak2 = [Induk2(1:TP) Induk1(TP+1:end)];

End

 

• Sedangkan mutasi memperkenalkan variasi dalam populasi. Dengan program matlab:

function MutKrom = Mutasi(Kromosom, Pmutasi)

    MutKrom = Kromosom;

    for g = 1:length(Kromosom)

        if rand < Pmutasi

            MutKrom(g) = ~Kromosom(g);

        end

    end

end

• Kedua operasi ini diimplementasikan dengan memanfaatkan fungsi-fungsi MATLAB untuk manipulasi matriks dan pemilihan acak.

3. MENCARI PARAMETER AG YANG OPTIMAL [Kembali]

• Penentuan parameter seperti ukuran populasi, probabilitas silang, dan probabilitas mutasi sangat mempengaruhi performa AG. Dengan program sebagai berikut:

% Parameter yang akan diuji

UkPopTest = [50 100 200 400];       % Ukuran populasi yang diobservasi

PmutasiTest = [0.01 0.05 0.1 0.2];  % Probabilitas mutasi yang diobservasi

MaxJumlInd = 60000;                 % Jumlah maksimum individu yang dievaluasi

FitnessThreshold = 9.996;           % Threshold untuk fitness optimal

 

% Inisialisasi variabel untuk menyimpan hasil observasi

ObData = zeros(length(UkPopTest) * length(PmutasiTest), 4);

index = 1;

 

for i = 1:length(UkPopTest)

    for j = 1:length(PmutasiTest)

        UkPop = UkPopTest(i);

        Pmutasi = PmutasiTest(j);

       

        % Variabel untuk menghitung rata-rata fitness dan jumlah individu

        TotalFitness = 0;

        TotalIndividu = 0;

 

        % Lakukan 10 kali running untuk setiap kombinasi parameter

        for k = 1:10

            % Inisialisasi populasi

            Populasi = InisialisasiPopulasi(UkPop, JumGen);

            IndividuEvaluasi = 0;

            MaxFitness = 0;

           

            % Evolusi hingga mencapai individu maksimal atau fitness optimal

            while IndividuEvaluasi < MaxJumlInd && MaxFitness < FitnessThreshold

                % Evaluasi fitness

                Fitness = arrayfun(@(x) EvaluasiIndividu(Populasi(x,:)), 1:UkPop);

               

                % Update nilai fitness terbaik

                MaxFitness = max(Fitness);

                IndividuEvaluasi = IndividuEvaluasi + UkPop;

               

                % Proses seleksi, pindah silang, dan mutasi

                for m = 1:2:UkPop

                    P1 = RouletteWheel(UkPop, Fitness);

                    P2 = RouletteWheel(UkPop, Fitness);

                    [Anak1, Anak2] = PindahSilang(Populasi(P1,:), Populasi(P2,:), JumGen);

                    Anak1 = Mutasi(Anak1, Pmutasi);

                    Anak2 = Mutasi(Anak2, Pmutasi);

                   

                    % Tambahkan anak-anak ke dalam populasi baru

                    Populasi(m,:) = Anak1;

                    Populasi(m+1,:) = Anak2;

                end

            end

           

            % Simpan hasil fitness dan jumlah individu yang dievaluasi

            TotalFitness = TotalFitness + MaxFitness;

            TotalIndividu = TotalIndividu + IndividuEvaluasi;

        end

 

        % Hitung rata-rata fitness dan individu evaluasi untuk kombinasi ini

        ObData(index, :) = [UkPop, Pmutasi, TotalFitness / 10, TotalIndividu / 10];

        index = index + 1;

    end

end

 

% Tampilkan hasil observasi

disp('Hasil Observasi untuk Mencari Parameter AG yang Optimal');

disp('Populasi | Prob. Mutasi | Rata-rata Fitness | Rata-rata Individu');

disp(ObData);

OUTPUT:

• Dari output yang diperoleh dapat disimpulkan bahwa populasi kecil dengan probabilitas mutasi rendah memberikan hasil yang lebih baik.
1. Visualisasi dan Evaluasi Hasil:
• Program utama untuk AG mencakup visualisasi dua dan tiga dimensi dari evolusi generasi.
• Grafik menunjukkan perkembangan fitness dari generasi awal hingga mencapai solusi optimal.
2. Pengujian dengan Parameter Optimal:
   
   Parameter optimal yang disarankan adalah ukuran populasi 100 dan probabilitas mutasi 0.1, yang memberikan fitness rata-rata tinggi dan waktu komputasi yang efisien.

4. Video [Kembali]

5. Link Download [Kembali]

• HTML↠ klik disini
• Video ↠ klik disini

Subscribe to receive free email updates: