PENDAHULUAN
Algoritma genetika adalah algoritma komputasi yang diinspirasi teori
evolusi yang kemudian diadopsi menjadi algoritma komputasi untuk mencari
solusi suatu permasalahan dengan cara yang lebih “alamiah”. Salah satu
aplikasi algoritma genetika adalah pada permasalahan optimasi kombinasi,
yaitu mendapatkan suatu nilai solusi optimal terhadap suatu
permasalahan yang mempunyai banyak kemungkinan solusi. Dalam tulisan ini
akan dibahas teori dasar algoritma genetika beserta contoh aplikasinya
dalam menyelesaikan suatu permasalahan optimasi kombinasi sederhana.
PENGAPLIKASIAN PADA MATLAB MENGGUNAKAN TOOL BOX GA.
Optimation tool merupakan salah satu tool box yang mempermudah kita untuk mencari penyelesaian suatu masalah optimasi. Langkah-langkah yang dilakukan adalah sebagai berikut:
- Menjalankan program matlab dengan cara :
Tekan tombol Starts windows => all program => matlab.
Sehingga muncul jendela Matlab seperti berikut:
Gambar 1. Tampilan awal Matlab
- Selanjutnya File New Funcion untuk membuat fungsi yang akan kita optimasi menggunakan optimtool ga matlab dengan cara :
Gambar 2. Letak function pada Matlab
Sehingga tampil jendela function sebagai berikut :
Gambar 3. Tampilan Function pada Matlab
- Selanjutnya buka Toolbox GA dengan cara mengetik “optimtool ga” pada command window.
Gambar 4. Cara membuka ToolBox GA
Sehingga muncul jendela Optimization Tool (Optimtool GA) seperti gambar dibawah ini :
Gambar 5. Jendela Optimization Tool GA
Untuk menggunakan Toolbox GA. terlebih dahulu masukan informasi pada bagian ” problem setup and result ” sebagai berikut :
Solver : ga Genetic Algorithm
Fitness function : Fungsi tujuan yang ingin anda minimalkan. Tanda @ menciptakan fungsi untuk menangani fitnessfun.Number of variables : Jumlah variabel independen untuk fitness fungsi.
CONTOH PENGAPLIKASIAN TOOL BOX GA PADA MATLAB
Algoritma genetic untuk menentukan nilai Modulus Young dengan menggunakan ToolBox GA (Optimtool GA).
Modulus elastis menyatakan apa yang dikerjakan pada sebuah benda
padat terhadap perubahan bentuk saat diberi gaya. Modulus young
menyatakan kekuatan benda padat terhadap perubahan panjang dan
ditentukan berdasarkan perbandingann antara kuat tekan dan regangan :
E = Modulus Young (N/m^2)
α = Tegangan (N/m^2)
F = Gaya yang diberikan (N)
A = Luas penampang (m^2)e = Regangan
∆l = Pertambahan panjang/selisih panjang
l = Panjang mula-mula
α = Tegangan (N/m^2)
F = Gaya yang diberikan (N)
A = Luas penampang (m^2)e = Regangan
∆l = Pertambahan panjang/selisih panjang
l = Panjang mula-mula
- Pada jendela function, tulis persamaan sesuai dengan rumus diatas.
- Selanjutnya simpan dengan format m.file.
Gambar 8. Save function.
- Buka toolbox GA dengan mengetik ” optimtool ga” pada commad window.
Sehingga muncul Optimization tool seperti dibawah ini :
- Pada Kolom Problem, masukkan nama m-file yang sudah kita buat sebelumnya, jangan lupa juga meletakkan tanda “@” di depan fungsi m-file kita. Pada kolom variabel, sesuaikan dengan jumlah variabel yang kita punya. Menurut tugs ini, kita membutuhkan 4 variabel, yaitu F,A, ∆L dan L yang masing-masing diwakili oleh x(1), x(2), x(3) dan x(4).
solver = ga Genetic Algorithm
Fitness Function = @ModolusYoung
Number Of Variabel = 4
Gambar 11. Bagian Problem Setup and Result.
- Selanjutnya mengisikan batas atas dan bawah pada bagian constraints bounds, seperti dibawah ini.
Gambar 12. Tampilan Constraints
- Pada kolom populasi, Pilih Double Vector dan masukkan nilai populasi yang akan dibangkitkan adalah 100. Semakin banyak nilai populasi, semakin akurat variabel yang mau dicari, dan semakin lambatlah komputer anda. Contoh, kalau populasi yang anda masukkan, karena ingin mendapatkan hasil yang sangaat teliti, anda masukkan 1000. Semakin besar nilai populasi makan akan membutuhkan proses yang semakin lama pula.
Gambar 13. Tampilan Population.
- Pada kolum selection, tukar menjadi Roulette
Gambar 14. Tampilan Kolom Selection.
- Biarkan pilihan pada kolom lain default. Untuk mengetahui pergerakan individu dan fitness (jadi patokan juga untuk mengetahui apakah GA nya jalan atau tidak) centang “Best Fitness” dan “Best Individual” pada bagian Plot Functions.
Gambar 15. Tampilan Plot functions.
- Sedangkan pada bagian yang lain diberikan kondisi default.
- Jalankan simulasi dengan klik tombol start pada bagian Run Solver and view result.
Gambar 16. Running Program.
- Maka di dapatkan hasil best individual dan best fitness.
Gambar 17. Grafik untuk Best Individual dan Best Fitness
Sehingga dapat di lihat pada grafik dan didapatkan nilai :
Best Fitness : -3.88315e+13
Rata-rata : -2.39281e+13
Pada grafik diatas nilai populasi adalah 100, dapat dilihat pada
grafik bahwa saat program di jalankan, nilai fitness semakin menurun dan
akan stabil pada angka 100. Karena nilai populasi yang diberikan yakni
100.
Pada grafik Current best individual, dapat dilihat bahwa :
variable 1 nilainya yaitu : -15
Pada grafik Current best individual, dapat dilihat bahwa :
variable 1 nilainya yaitu : -15
variable 2 nilainya yaitu : 0
variable 3 nilainya yaitu : 15
variable 4 nilainya yaitu : 15
Sehingga dapat disimpulkan bahwa nilai best individual tertinggi terdapat pada variable ke 3 dan 4.
