REKAYASA GENETIKA DAN “GENETIKA MODIFIED ORGANISM” (GMO) DALAM POLEMIK
Algortima genetika
-
Upload
rimbun-ferianto-sr-rimbun -
Category
Documents
-
view
2 -
download
0
Transcript of Algortima genetika
IMPLEMENTASI ALGORITMA GENETIKA HYBRID
(BEST IMPROVEMENT SEARCH)
PADA VEHICLE ROUTING PROBLEM WITH TIME WINDOW
Fitria Dwi Rosi, Purwanto, dan Mohammad Yasin
Universitas Negeri Malang
ABSTRAK: Vehicle Routing Problem With Time Window (VRPTW)
pengembangan dari Vehicle Routing Problem (VRP) mencari rute dan
jumlah kendaraan dengan kendala kapasitas dan waktu pelayanan.
Algoritma genetika hybrid merupakan gabungan dari algoritma genetika
dan local search (best improvement search). Dari uji coba yang dilakukan
solusi yang dihasilkan algoritma genetika hybrid sama atau lebih baik
daripada algoritma genetika dan metode-metode heuristicseperti nearest
insertion heuristic. Hal ini dipengaruhi oleh adanya local search. Solusi
dari local search akan lebih baik jika pada langkah awal telah ditemukan
nilai fitness yang lebih baik dari sebelumnya. Dalam skripsi ini dapat
dilihat bahwa algoritma genetika hybrid dapat digunakan untuk
menyelesaikan masalah VRPTW, dimana solusi yang diberikan tidak
tunggal dengan jarak tempuh yang sama. Selanjutnya, agar lebih mudah
dalam menyelesaikan permasalahanVRPTW, algoritma genetika hybrid
(best improvement search) direpresentasikan dalam program komputer
menggunakan Borland Delphi 7. Akan tetapi, terdapat kelemahan program
yaitu beberapa parameter yang harus diperhatikan, diantaranya banyaknya
populasi yang digunakan dan generasi yang mempengaruhi lamanya iterasi
Kata kunci : Graph, Vehicle Routing Problem (VRP), Vehicle Routing Problem
With Time Window (VRPTW), Algoritma Genetika Hybrid, Best
Improvement Search
Permasalahan pengangkutan dan pengiriman barang dapat dimodelkan
dalam suatu graph. Sisi pada graph merepresentasikan jalur antar konsumen dan
titik-titik dalam graph sebagai produsen dan konsumen. Istilah produsen dalam
graph dikenal dengan depot. Sedangkan istilah konsumen dalam graph dikenal
dengan customer. Secara lebih khusus permasalahan pengangkutan dan
pengiriman barang dapat dikelompokkan sebagai permasalahan Vehicle Routing
Problem (VRP). MasalahVRP merupakan permasalahan untuk mencari sejumlah
rute minimum dimana setiap customer dilayani tepat satu kali yang berawal dan
berakhir di depot. Jumlah kendaraan dalam permasalahan ini diasumsikan selalu
tersedia sejumlah rute yang terbentuk.
Salah satu pengembangan Vehicle RoutingProblem ini adalah dengan
menambahkan batasan waktu dan kapasitas angkutan dalam pendistribusian
barang. Pengembangan VRP ini biasanya dikenal dengan nama Vehicle Routing
ProblemWith Time Window(VRPTW). Model jaringan Vehicle Routing Problem
With Time Window ini dapat digunakan untuk mencari jalur terpendek
pendistribusian barang dengan batasan waktu pengiriman serta kapasitas
angkutan.
Algoritma genetika hybrid merupakan kombinasi metode-metode heuristik
lain ke dalam algoritma genetikadengan harapan mampu meningkatkan kinerja
algoritma genetika (Syarif, Wamiliana & Junaidi. 2007). Pada prinsipnya
hibridisasi ini diharapkan mampu memberikan solusi lain yang lebih baik
disekitar lokal optimum yang diberikan oleh algoritma genetika atau dikenal
dengan istilah (local search). Algoritma genetika hybrid menggunakan fungsi
random sehingga menyebabkan algoritma genetika hybrid menjadi suatu
algoritma berbasis komputer.Best Improvement Local Search adalah
memperhatikan semua solusi tepat diantara semua lingkungan solusi. Dan
mengambil solusi yang paling baik diantara semua rute.
Untuk mempermudah penyelesaian VRPTW dengan Algoritma Genetika
Hybrid digunakan alat bantu program yaitu Borland Delphi 7.
PembahasanAlgoritma Genetika Hybrid untuk Vehicle Routing ProblemWith
Time Window(VRPTW)
Algoritma genetika hybrid merupakan gabungan dari algoritma genetika dengan
pencarian lokal (local search) yaitu best improvement search untuk menghasilkan
solusi yang lebih optimal. Penyelesaian permasalahan VRPTW dengan
menggunakan Algoritma genetika hybrid melalui beberapa langkah. Berikut
langkah-langkah algoritma genetika hybrid yang dapat menyelesaikan
permasalahan VRPTW.
1. Penginisialisasian populasi dengan merepresentasikan tiap store atau kota
dalam titik.
Salah satu cara dalam menghasilkan populasi awal acak adalah dengan
menggunakan permutasi josephus. Misalkan ada 7 kota, permutasi dapat
dilakukan dengan menentukan titik awal dan selang. Misalkan titik awal
adalah 3 dan selang adalah 2. Maka lintasan berangkat dari kota 3 selang 2
dari kota 3 adalah kota 5 ( dengan asumsi bahwa kota 1 sampai kota 7
membentuk sirkularlist ). Kota 5 dihapus dari daftar , selang 2 dari kota 5
adalah kota 7. Proses ini diulang hingga terdapat satu lintasan dalam daftar
yang memuat semua titik. Hasil dari permutasi ini adalah 3 5 7 2 4 6 1.
2. Validasi order tiap rute untuk memperoleh banyaknya kendaraan yang
digunakan dalam tiap rute.
3. Mengevaluasi fungsi fitness dari tiap populasi.
Untuk mengevaluasi kromosom-kromosom digunakan fungsi fitness yang
merupakan fungsi obyektif dari jumlah jarak terpendek dari jumlah yang ada
(Fv). iFv = ∑=
R
x
xf1
, dimana R adalah jumlah rute yang terbentuk
)(( 1
1
1
)1 ccjarakccjarakf n
n
a
aax −+
−= ∑
−
=+
4. Pilih sesuai dengan n individu terbaik dan masing-masing rute (individu)
akan dilocal search (Best Improvement Local Search) dan pada akhir proses
akan dibentuk sekumpulan rute (populasi) baru.
Best Improvement Local Search adalah memperhatikan semua solusi tepat
diantara semua lingkungan solusi. Dan mengambil solusi yang paling baik
diantara semua rute.
5. Validasi kendala waktu untuk memperoleh waktu yang dibutuhkan tiap rute
per kendaraannya.
6. Menyeleksi dengan seleksi roullete wheel.
Seleksi yang digunakan untuk memilih individu-individu mana saja yang
akan dipilih untuk proses kawin silang dan mutasi. Seleksi digunakan untuk
mendapatkan calon induk yang baik. “induk yang baik menghasilkan
keturunan yang baik”. Semakin tinggi nilai fitness suatu individu semakin
besar kemungkinannya untuk terpilih.
7. Lakukan crossover dan mutasi pada individu-individu tersebut sehingga
diperoleh rute baru serta validasi rute baru tersebut, dan dilakukan local
search, serta hitung nilai fitness-nya.
Crossover bekerja pada pasangan solusi dan penyusunan ulang
(recombines) yang menghasilkan satu kromosom. Fungsi crossover
bergantung pada data yang disajikan. Pada dasarnya crossover bekerja
dengan menukar sebagian gen pada kromosom satu ke kromosom yang lain
yang menghasilkan kromosom yang berbeda. Berikut adalah beberapa
operator crossover untuk representasi permutasi adalah metode simple
random crossover, pindah silang satu titik, unifom crossover, order
crossover.Adapun mengenai probabilitas crossover yang baik, dari hasil
penelitian yang dilakukan oleh Zbiniew Michalewics (1996) menyatakan
bahwa probabilitas crossover yang baik berada dalam range 0.65 sampai
dengan 1.
Operator ini digunakan untuk memodifikasi suatu kromosom agar
menghasilkan perubahan kromosom yang random. Cara sederhana dalam
melakukan mutasi ini adalah dengan mengubah satu atau lebih gen dalam
kromosom. Fungsi mutasi adalah mengganti gen yang hilang pada proses
seleksi dan menyediakan gen yang tidak terdapat pada populasi awal.
Tingkat mutasi awal mP didefinisikan sebagai prosentase dari jumlah gen
dalam populasi. Tingkat mutasi mengontrol tingkat-tingkat gen yang
dimodifikasi. Jika tingkat mutasi rendah, banyak gen yang tidak dicoba.
Berikut adalah beberapa operator mutasi untuk representasi permutasi adalah
metode inversion mutation, insertion mutation, Displacement Mutation dan
rechiprocal exchange mutation. Adapun mengenai probabilitas mutasi yang
baik, dari hasil penelitian yang dilakukan oleh Zbiniew Michalewics (1996)
menyatakan bahwa probabilitas mutasi yang baik adalah yang berada pada
range 0.01 sampai dengan 0.3.
8. Keturunan-keturunan yang berupa rute-rute baru dan rute lama tersebut
diurutkan berdasarkan fungsi fitness-nya.
9. Kemudian rute-rute dengan fungsi fitness terbaik tersebut dievaluasi
jaraknya. Jika sudah memenuhi semua kendala dalam VRPTW dipilih n rute
terbaik.
Adapaun langkah-langkah algoritma genetika hybrid, bisa dilihat dari
flowchart/diagram alir dari algoritma genetika hybrid.
Uji Coba Program
Sebuah perusahaan A akan melakukan pengiriman barang kepada customer-
nya yang tersebar di berbagai daerah. Pelayanan dimulai pukul 07.00 sampai
dengan pukul 16.00 dengan kapasitas tiap kendaraan sebesar 75 kardus, kecepatan
rata-rata kendaraan adalah 60 km/jam dan waktu untuk melayani persatu
permintaan adalah sebesar 1 menit. Daftar permintaan tiap customer diberikan
pada tabel berikut.
Customer 1 2 3 4 5 6 7 8
Demand 20 25 15 30 20 15 30 25
Flowchart Algoritma GenetikHybrid
End
Solusi generasi ke-i = calon
individu baru dengan jarak
minimum
Pilih n individu baru
Populasi awal generasi ke i+1 =
sejumlah n individu baru
Tampilkan solusi
tiap generasi
Pilih individu dengan jarak
minimum dari solusi tiap generasi
Tampilkan solusi terbaik
Start
• Kecepatan rata-rata
• Kapasitas kendaraan
• Waktu pelayanan
• Batasan waktu
• Jumlah permintaan dan jarak antar customer
• Parameter genetik (populasi, generasi,
probabilitas pindah silang, probabilitas mutasi)
Populasi awal
For i : = 1 to generasi
Seleksi Crossover
Mutasi
Populasi Generasi ke-1 = populasi
awal
Evaluasi Fungsi Fitnes
Individu Baru
Validasi Kapasitas
Validasi Order
Evaluasi Fungsi Fitnes
Membuang individu
yang tidak memenuhi
kendala
Calon individu baru =
populasi awal + individu baru
Mengurutkan Calon individu baru dari
yang terkecil sampai terbesar baru
Mengurutkan Calon individu
baru dari yang terkecil sampai
terbesar baru
Local Search
Validasi Waktu
0 1 2 3 4 5 6 7 8
0 0 55 75 115 170 148 145 159 98
1 55 0 43 115 165 155 170 198 142
2 75 43 0 80 125 120 145 181 135
3 115 115 80 0 56 41 72 124 102
4 170 165 125 56 0 41 85 145 145
5 148 155 120 41 41 0 45 105 105
6 145 170 145 72 85 45 0 60 75
7 159 198 181 124 145 105 60 0 63
8 98 142 135 102 145 105 75 63 0
Perbandingan hasil uji coba
Jumlah Titik Populasi Generasi Pc Pm Jarak Minimum
8 8 2 0.8 0.03 1081
8 10 2 0.8 0.03 1024
8 5 10 0.8 0.03 1090
8 10 10 0.8 0.03 899
20 5 10 0.8 0.03 118
50 10 2 0.8 0.03 116
100 10 2 0.8 0.03 120
Dari hasil uji coba diatas dapat dilihat bahwa jumlah populasi dan jumlah
generasi maksimum mempengaruhi dalam pencapaian nilai optimum. Untuk
jumlah kota dan populasi yang kecil tidak terlalu mempengaruhi ruang bagi
algoritma genetika, namun jika jumlah kota besar dan populasi yang kecil maka
tidak dapat memberikan ruang bagi algoritma genetika untuk memperbaiki
keturunan. Untuk populasi yang besar kemungkinan untuk dapat memperbaiki
tingkat populasi lebih besar.
Sedangkan untuk jumlah generasi, apabila maksimum generasi terlalu
besar (untuk data dengan ukuran kota yang relatif kecil kurang dari 10) akan
menjadi tidak berguna karena populasi sudah mencapai kondisi optimum. Apabila
generasi terlalu kecil (untuk ukuran data yang relatif besar lebih dari 10) algortima
tidak akan bekerja dengan maksimal karena ketika belum mencapai optimum,
proses algoritma sudah berhenti. Namun, untuk mendapatkan hasil yang benar-
benar optimal, perlu dilakukan lebih dari satu kali uji coba dengan inputan yang
sama.
Tabel Jarak
Kesimpulan dan Saran
Kesimpulan
1. Algoritma genetika hybrid dapat menyelesaikan permasalahan vehicle
routing problem with time windows (VRPTW) sehingga dapat menentukan
banyak kendaaran yang dibutuhkan dengan total waktu tempuh dan total
jarak tempuh minimum.
2. Hasil yang diperoleh dengan menggunakan alat bantu program sama
dengan manual. Meski demikian, tidak menutup kemungkinan hasil yang
diperoleh berbeda., dikarenakan algoritma genetika hybrid berdasarkan
pada pembangkitan secara random. Maka kadang tidak ditemukan hasil
yang sama dengan manualnya. selain itu, Waktu yang diperlukan dalam
menyelesaikan permasalahan dengan menggunakan alat bantu program
lebih singkat bila dibandingkan dengan perhitungan secara manual.
Saran
1. Sebaiknya dalam pengiterasian untuk mencari solusi digunakan alat bantu
sehingga tidak membutuhkan waktu yang relatif lama.
2. Sebisa mungkin memberikan parameter genetik yang tidak terlalu besar
akan tetapi menghasilkan solusi yang optimum, agar tidak membutuhkan
waktu running yang lama. Pemberian parameter genetik yang terlampau
besar hanyalah akan membuang-buang waktu saja, karena solusi yang
diperoleh juga akan valid ketika diberikan parameter genetik yang tidak
terlampau besar.
3. Perlu adanya pengembangan lebih lanjut dari penerapan algoritma
genetika hybrid, sehingga tidak hanya pada permasalahan vehicle routing
problem with time windows (VRPTW), namun dapat juga diterapkan pada
permasalahan lain seperti permasalahan penjadwalan, shortest path.
Daftar Pustaka
Cheng, Lin. 2005. A Genetic Algorithm For The Vehicle Routing Problem With
Time Windows, (online) (http://libres.uncg.edu/ir/uncw/f/chengl2005-
1.pdf, diakses 3 oktober 2012).
G.Vivo-Truyols,dkk. A Hybrid Genetic Algorithm with Local Search.
(Online).(http://www.ual.es/GruposInv/anaconta/2001/A%20hybrid%20ge
netic.pdf, diakses 3 oktober 2012).
Loren’z, Pamelia. 2010. Implementasi Algoritma Genetika pada Vehicle Routing
Problem with Time Windows. Skripsi tidak diterbitkan. Malang: Fakultas
Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Malang.
Martínez, Carlos García- and Lozano2, Manuel. Local Search Based on Genetic
Algorithms (Online).
(http://sci2s.ugr.es/publications/ficheros/garciaSpringerBook08.pdf,
diakses tanggal 3 oktober 2012)
Michalewics, Zbiniew. 1996. Genetic Algorithms + Data Structures = Evolution
Programs (online).
(http://www.stat.berkeley.edu/~aldous/Misc/michal.pdf, diakses tanggal
27 desember 2012)
Ochoa, Gabriela, Sebastien and Marco. First-Improvement Vs. Best-Improvement
Local Optima Networks Of NK Landscapes (Online),
(http://www.cs.stir.ac.uk/~goc/papers/PPSN10FirstImprLON.pdf, diakses
3 oktober 2012).
Syarif, Admi, Wamiliana & Junaidi, Akmal. 2007. Hybrid Genetic Algorithm
dengan Fuzzy Logic Controller: Sebuah Pendekatan Baru Penyelesaian
Traveling Salesman Problem (TSP). (Online). (http://digilib.unila.ac.id/
files/disk1/24/laptunilapp-gdl-res-2008-engadmisya-1178-2007_lp_-1.pdf,
diakses 10 Maret 2012).
Wilson, R. J and Watkins, J.J. 1990. Graph An Introductory Approach a First
Course in Discrete Mathematics. Canada: John Willy and Sons, Inc.
Yuliagandi, Devi. 2010. Implementasi Algoritma Genetika Hybrid
(First Improvement Search) Pada Travelling Salesman Problem. Skripsi
tidak diterbitkan. Malang: Fakultas Matematika dan Ilmu Pengetahuan
Alam Universitas Negeri Malang.
Yeun, Choong Liong and Zirour, Mourad. 2008. Vehicle Routing Problem :
Models and Solution, (Online),
(http://www.ukm.my/ppsmfst/jqma/Vol4_Is1/abstract/JQMA-4-1-19-
abstractrefs.pdf, diakses 5 Maret 2012)
________. Tanpa Tahun. 2. Tinjauan Pustaka. (Online), (http://jiunkpe/S1/
tmi/2006 /jiunkpe-ns-S1-2006-25402131/3424-flowshop-chapter2.pdf, diakses
tanggal 3 oktober 2012)