Kuliah Sistem Fuzzy Pertemuan 12 “Algoritma Genetika”

Presentasi berjudul: "Kuliah Sistem Fuzzy Pertemuan 12 “Algoritma Genetika”"— Transcript presentasi:

1 Kuliah Sistem Fuzzy Pertemuan 12 “Algoritma Genetika”

2 Machine Learning Methods
Neural Computing Inductive Learning Case-based Reasoning and Analogical Reasoning Genetic Algorithms Statistical methods Explanation-based Learning

3 Aplikasi Optimasi Pemrograman Otomatis Machine Learning Model Ekonomi
Model Ekologis Interaksi antara Evolusi dan Belajar

4 Pendahuluan Algoritma Genetika
Evolusi/perkembangan dunia komputer dalam bidang Artificial Intelligence. Terinspirasi oleh teori evolusi Darwin Algoritma pencarian berdasarkan pada mekanis-me sistem natural yakni genetika alamiah dan seleksi alam yang berangkat dari himpunan so-lusi yang dihasilkan secara acak atau random.

5 Komponen-komponen Algoritma Genetika
Skema Pengkodean Nilai Fitness Seleksi Orang Tua Penyilangan atau Crossover Mutasi Elitisme Penggantian Populasi Algoritma Genetika Standar

6 Penyilangan atau Crossover
Sebuah kromosom yang mengarah pada solusi yang bagus bisa diperoleh dari proses memindah-silangkan dua buah kromosom Penyilangan dua buah kromosom dimaksud un-tuk menghasilkan kromosom anak atau “offspring” Kromosom anak yang terbentuk akan mewarisi sebagian sifat kromosom induknya. Pada crossover ada satu parameter yang sangat penting yaitu peluang crossover “pc”

7 Contoh Proses Penyilangan.
Titik Potong X1 X2 Orang Tua 1 1 Orang Tua 2 g1 g10 g11 g20 Anak 1 1 Anak 2 g1 g10 g11 g20 Jika solusi yang dicari adalah X1 = 0 dan X2 = 0, maka kromosom Anak 1 memiliki nilai finess tinggi dan menuju pada solusi yang dicari

8 Mutasi Pada mutasi ada satu parameter penting yaitu peluang (probabilitas) mutasi atau “pmut” yang menunjukkan prosentase jumlah total gen pada populasi yang akan mengalami mutasi. Untuk semua gen yang ada, jika bilangan ran-dom yang dibangkitkan kurang dari probabilitas mutasi “pmut” yang ditentukan, maka ubah gen tersebut menjadi nilai kebalikannya. Biasanya “pmut” diset sebagai 1/n, “n” adalah jumlah gen dalam kromosom. Dengan “pmut” sebesar ini berarti mutasi hanya terjadi pada 1 gen saja.

9 Contoh Proses Mutasi. X1 X2 Kromosom Asal 1 g1 g10 g20 1 g1 g10 g20 Hasil mutasi Bilangan random yang dihasilkan lebih kecil dari probabilitas mutasi pmu terjadi pada gen g10 sehingga gen g10 berubah dari 1 menjadi 0

10 Algoritma Genetika Standar
Algoritma Standar terdiri dari : Satu populasi dengan N kromosom Binary encoding Linear fitness ranking Roulette-wheel selection Pindah silang satu titik potong

11 Algoritma Genetika Standar (lanjutan)
Probabilitas pindah silang dan probabilitas mutasi bernilai tetap selama evolusi Elitisme, satu atau dua buah kopi dari individu bernilai fitness tertinggi Generational replacement. Penggantian semua individu sekaligus.

12 Diagram Alir Algoritma Genetika Sederhana
Bangkitkan Populasi Awal Evaluasi Fungsi Tujuan Individu-individu Terbaik Apakah Kriteria Optimasi Tercapai ? Hasil Seleksi Bangkitkan Populasi Baru Rekombinasi Mutasi

13 Sampai Jumpa di Pertemuan 13 Selamat Belajar, Semoga Sukses