Pengertian Algoritma Genetika
Pengertian Algoritma Genetika adalah
algoritma yang berusaha menerapkan pemahaman mengenai evolusi alamiah pada
tugas-tugas pemecahan-masalah (problem solving). Pendekatan yang diambil oleh
algoritma ini adalah dengan menggabungkan secara acak berbagai pilihan solusi
terbaik di dalam suatu kumpulan untuk mendapatkan generasi solusi terbaik
berikutnya yaitu pada suatu kondisi yang memaksimalkan kecocokannya atau lazim
disebut fitness.
Algoritma genetika merupakan evaluasi atau
perkembangan dunia komputer dalam bidang kecerdasan buatan (artificial
intelligence). Kemunculan algoritma genetika ini terinspirasi oleh teori Darwin
(walaupun pada kenyataannya teori tersebut terbukti keliru) dan teori-teori
dalam ilmu biologi, sehingga banyak istilah dan konsep biologi yang digunakan
dalam algoritma genetika, karena sesuai dengan namanya, proses-proses yang
terjadi dalam algoritma genetika sama dengan apa yang terjadi pada evaluasi
biologi.
Algoritma genetika adalah suatu algoritma
pencarian yang berbasis pada mekanisme seleksi alam dan genetika. Algoritma
genetika merupakan salah satualgoritma yang sangat tepat digunakan dalam
menyelesaikan masalah optimasi kompleks, yang sulit dilakukan oleh metode
konvernsional.
Generasi ini akan merepresentasikan
perbaikan-perbaikan pada populasi awalnya. Dengan melakukan proses ini secara
berulang, algoritma ini diharapkan dapat mensimulasikan proses evolusioner. Pada
akhirnya, akan didapatkan solusi-solusi yang paling tepat bagi permasalahan
yang dihadapi. Untuk menggunakan algoritma genetika, solusi permasalahan
direpresentasikan sebagai khromosom.
Tiga
aspek yang penting untuk penggunaan algoritma genetika:
- Defenisi fungsi fitness
- Defenisi dan implementasi representasi genetika
- Defenisi dan implementasi operasi genetika
Jika ketiga aspek di atas telah
didefinisikan, algoritma genetika akan bekerja dengan baik. Tentu saja,
algoritma genetika bukanlah solusi terbaik untuk memecahkan segala masalah.
Sebagai contoh, metode tradisional telah diatur untuk untuk mencari
penyelesaian dari fungsi analitis convex yang “berperilaku baik” yang
variabelnya sedikit. Pada kasus-kasus ini, metode berbasis kalkulus lebih
unggul dari algoritma genetika karena metode ini dengan cepat menemukan solusi
minimum ketika algoritma genetika masih menganalisa bobot dari populasi awal.
Untuk problem-problem ini pengguna harus
mengakui fakta dari pengalaman ini dan memakai metode tradisional yang lebih
cepat tersebut. Akan tetapi, banyak persoalan realistis yang berada di luar
golongan ini. Selain itu, untuk persoalan yang tidak terlalu rumit, banyak cara
yang lebih cepat dari algoritma genetika. Jumlah besar dari populasi solusi,
yang merupakan keunggulan dari algoritma genetika, juga harus mengakui
kekurangannya dalam dalam kecepatan pada sekumpulan komputer yang dipasang
secara seri-fitness function dari tiap solusi harus dievaluasi. Namun, bila tersedia
komputerkomputer yang paralel, tiap prosesor dapat mengevaluasi fungsi yang
terpisah pada saat yang bersamaan. Karena itulah, algoritma genetika sangat
cocok untuk perhitungan yang paralel.