OPTIMASI FUNGSI TANPA KENDALA DENGAN ALGORITMA...
Transcript of OPTIMASI FUNGSI TANPA KENDALA DENGAN ALGORITMA...
OPTIMASI FUNGSI TANPA KENDALA DENGAN
ALGORITMA GENETIKA
SKRIPSI
Diajukan untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Sains
Program Studi Matematika
Disusun Oleh:
Yolenta Asri Astuti Prany
NIM : 023114002
PROGRAM STUDI MATEMATIKA JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
2007
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ABSTRAK
Secara umum, permasalahan optimasi dalam kehidupan sehari – hari lebih
sering menggunakan pemrograman linear, karena lebih mudah untuk diselesaikan
dari pada dengan menggunakan pemrograman tak linear. Karena pemrograman
tak linear selalu menimbulkan kesulitan dalam penanganan analitik dan numerik
(teknik konvensional), bahkan untuk fungsi dua variabel pun terkadang sulit untuk
diselesaikan. Algoritma Genetika merupakan salah satu teknik yang dapat dipilih
untuk menyelesaikan permasalahan pemrograman tak linear tersebut, karena
Algoritma Genetika merupakan teknik pencarian stokastik dengan sistem
pencarian berdasarkan mekanisme genetika dalam biologi.
Pada skripsi ini, generasi baru (anak) terbentuk dari rekombinasi dan mutasi
dengan menggunakan metode pemotongan satu titik. Pemilihan anak pada proses
rekombinasi atau mutasi dilakukan secara acak. Dari percobaan, solusi optimal
akan lebih mendekati dengan nilai konvensionalnya pada probabilitas rekombinasi
0.5 dengan probabilitas mutasi 0.08. Namun, probabilitas tersebut tidak mutlak,
karena Algoritma Genetika menggunakan teknik pencarian secara acak.
vi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ABSTRACT
Generally, the optimization problems in daily life is more regular using the
linear programming, because it is easier to solved than nonlinear programming.
Because nonlinear programming are difficultly in analytic handling and numeric
(conventional technique), even for two variables function it is difficult to be
solved, sometimes. Genetic Algorithm are one of technique that could be chosen
to solved it, because Genetic Algorithm are stochastic search techniques based on
the mechanism of genetic on biology.
On this mini thesis, a new generation (offspring) formed of crossover or
mutation with one cut point method. Selection of new generation by crossover and
mutation conducted at random. According to the experiments, it is visible to get
the optimal solution close to a value by conventional with crossover probabilities
0.5 and mutation probabilities 0.08. But, that is not absolute, because the
searching technique of Genetic Algorithm are randomly.
vii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
KATA PENGANTAR
Puji syukur kepada Bapa di Surga dan Bunda Maria yang memberikan
kasih-Nya dan melimpahkan karunia-Nya sehingga penulisan skripsi ini dapat
diselesaikan. Skripsi ini disusun dalam rangka menyelesaikan pendidikan tingkat
Sarjana Strata Satu Jurusan Matematika, Fakultas Matematika dan Ilmu
Pengetahuan Alam, Universitas Sanata Dharma Yogyakarta.
Penulis dalam menyusun skripsi ini dari awal sampai akhir mendapatkan
dukungan dan bantuan dari berbagai pihak. Oleh karena itu, pada kesempatan ini
penulis menyampaikan ucapan terima kasih yang sebesar-besarnya kepada:
1. Bapak Ig. Aris Dwiatmoko, M.Si selaku Dekan Fakultas Matematika dan
Ilmu Pengetahuan Alam Universitas Sanata Dharma Yogyakarta.
2. Bapak Drs. HJ Haris Sriwindono, M.Kom selaku Dosen Pembimbing I
dan Bapak Y.G Hartono, S.Si selaku Dosen Pembimbing II yang dengan
sabar telah banyak membimbing dan memberikan petunjuk dalam
penyusunan skripsi ini.
3. Bapak dan Ibu dosen yang telah memberikan ilmu dan pengetahuan
selama masa perkuliahan.
4. Staff fakultas MIPA terima kasih atas dorongan dan pelayanan yang telah
diberikan.
5. Bapak dan Mama yang telah memberikan kasih, dorongan semangat, serta
doa yang melimpah selama kehidupanku di dunia ini.
viii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
6. Abang dan adikku (Yacobus dan Ade (Nenek Lampir)) terima kasih untuk
“kata-kata” yang membuatku semakin termotivasi .
7. Keluarga besarku yang tersebar di berbagai kota. Terima kasih atas doa
dan bantuan yang telah kalian berikan.
8. T Agusta Dwi Handaru yang telah menambah warna dalam kehidupanku.
Terima kasih atas kesabaran dan cinta mu.
9. Sahabat-sahabatku nan jauh di sana: Yulia, Maria, dan Uthe terima kasih
buat persahabatan, perhatian dan dukungannya.
10. Teman-teman angkatan 2002: Ngq, Debby, Lia, Ika, Sari, Aan, Tato, Bani,
Lili, Taim, Ijup, Markus, Felix, Vida (Ipid), Retno, Priska, Galih, Aning,
Desy, Rita, Wuri, Deon, Cheea, Nunung, Dani , Palma, dan Asih. Esp.
Debby, Lia, dan Ijup yang selalu menemaniku ketika masa-masa
ngantukku dengan chating bersama.
11. Teman-teman kostku (Wisma Lestari) esp. Lia, Kawat (thanks atas
printernya), M`Nchis, dan M`Mitha yang menjadi setan serta malaikat
ketika skripsi ini dibuat. Thanks untuk hari-hari ceria yang telah kita
lewati bersama.
12. Teman seperjuanganku dalam menyusun skripsi (Ipid Manyiiit), terima
kasih atas bantuan dan perhatiannya.
13. Teman-teman kost (tumpangan) ku, Ipid (namamu paling banyak
terucap…), Endra, Primtul, M`Lina, Ine, Maria, Lili. Terima kasih atas
tumpangannya, tanpa kalian entah bagaimana nasibku.
ix
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
14. Teman-teman KKN ku, yang berlomba-lomba untuk menyelesaikan
skripsi. Serta warga Caben. Terima kasih untuk dorongan dan semangat
yang telah kalian berikan.
15. Teman-teman P3W Terima kasih untuk dorongan dan semangat yang telah
kalian berikan.
16. Teman-Teman Pondok Baca Kota Baru, tempatku menghilangkan
kepenatan belajar. Teruslah berusaha mengembangkan Pondok Baca, upah
kalian besar di Surga.
17. Semua pihak yang telah turut membantu hingga skripsi ini selesai yang
tidak dapat disebutkan satu persatu.
Penulis menyadari masih ada kekurangan, kekeliruan, dan masih jauh dari
sempurna. Oleh karena itu, penulis mengharapkan saran dan kritik yang bersifat
membangun demi kemajuan yang akan datang.
Semoga penulisan skripsi ini dapat memberikan manfaat bagi pembaca.
Yogyakarta, Juli 2007
Penulis
x
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xi
DAFTAR ISI
HALAMAN JUDUL..................................................................................... i
HALAMAN PERSETUJUAN PEMBIMBING ........................................... ii
HALAMAN PENGESAHAN....................................................................... iii
HALAMAN PERSEMBAHAN ................................................................... iv
PERNYATAAN KEASLIAN KARYA ....................................................... v
ABSTRAK .................................................................................................... vi
ABSTRACT.................................................................................................. vii
KATA PENGANTAR .................................................................................. viii
DAFTAR ISI................................................................................................. xi
DAFTAR TABEL......................................................................................... xiv
DAFTAR GAMBAR……………………………………………………… xxi
BAB I PENDAHULUAN................................................................... 1
A. Latar Belakang. ..................................................................... 1
B. Perumusan Masalah .............................................................. 4
C. Pembatasan Masalah ............................................................. 4
D. Tujuan Penulisan................................................................... 4
E. Metode Penulisan .................................................................. 5
F. Manfaat Penulisan................................................................. 5
G. Sistematika Penulisan ........................................................... 5
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xii
BAB II OPTIMASI FUNGSI TANPA KENDALA.......................... 7
A. Optimasi Fungsi Satu Variabel Tanpa Kendala Dengan
Kalkulus ................................................................................ 7
B. Optimasi Fungsi Beberapa Variabel Tanpa Kendala
Dengan Kalkulus................................................................... 21
BAB III ALGORITMA GENETIKA.................................................. 50
A. Latar Belakang Biologi ......................................................... 50
B. Struktur Umum Algoritma Genetika..................................... 51
C. Komponen-komponen Utama Algoritma Genetika. ............. 56
1. Teknik Penyandian.......................................................... 56
2. Prosedur Inisialisasi ........................................................ 57
3. Fungsi Evaluasi (fitness function) ................................... 58
4. Seleksi ............................................................................. 59
4.1. Seleksi Roda Rolet ................................................. 59
4.2. Seleksi Rangking.................................................... 60
4.3. Seleksi Turnamen................................................... 61
5. Operator Genetika ........................................................... 62
5.1. Rekombinasi (crossover) ....................................... 62
5.2. Mutasi..................................................................... 63
6. Penentuan Parameter....................................................... 64
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xiii
BAB IV ALGORITMA GENETIKA UNTUK OPTIMASI
FUNGSI TANPA KENDALA............................................... 66
BAB V PENUTUP............................................................................... 112
A. Kesimpulan ........................................................................... 112
B. Saran...................................................................................... 113
DAFTAR PUSTAKA.................................................................................. 114
LAMPIRAN ............................................................................................... 116
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xiv
DAFTAR TABEL
Tabel 3.2.1 Tabel Istilah dalam Algoritma Genetika ............................ 53
Tabel 3.3.1.1 Pemetaan nilai biner ke nilai real ....................................... 57
Tabel 3.4.2.1 Contoh populasi dengan 5 kromosom yang diberi fitness
baru..................................................................................... 61
Tabel 4.1 Tabel nilai maksimum fungsi ( ) 2221
2121 2, xxxxxxf ++=
dengan probabilitas rekombinasi 0.2 dan probabilitas
mutasi 0.01 hingga 0.1 ....................................................... 70
Tabel 4.2 Tabel nilai maksimum fungsi ( ) 2221
2121 2, xxxxxxf ++=
dengan probabilitas rekombinasi 0.25 dan probabilitas
mutasi 0.01 hingga 0.1 ....................................................... 71
Tabel 4.3 Tabel nilai maksimum fungsi ( ) 2221
2121 2, xxxxxxf ++=
dengan probabilitas rekombinasi 0.3 dan probabilitas
mutasi 0.01 hingga 0.1 ....................................................... 72
Tabel 4.4 Tabel nilai maksimum fungsi ( ) 2221
2121 2, xxxxxxf ++=
dengan probabilitas rekombinasi 0.35 dan probabilitas
mutasi 0.01 hingga 0.1 ....................................................... 73
Tabel 4.5 Tabel nilai maksimum fungsi ( ) 2221
2121 2, xxxxxxf ++=
dengan probabilitas rekombinasi 0.4 dan probabilitas
mutasi 0.01 hingga 0.1 ....................................................... 74
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xv
Tabel 4.6 Tabel nilai maksimum fungsi ( ) 2221
2121 2, xxxxxxf ++=
dengan probabilitas rekombinasi 0.45 dan probabilitas
mutasi 0.01 hingga 0.1 ....................................................... 75
Tabel 4.7 Tabel nilai maksimum fungsi ( ) 2221
2121 2, xxxxxxf ++=
dengan probabilitas rekombinasi 0.5 dan probabilitas
mutasi 0.01 hingga 0.1 ....................................................... 76
Tabel 4.8 Tabel nilai maksimum fungsi ( ) 2221
2121 2, xxxxxxf ++=
dengan probabilitas rekombinasi 0.2-0.5 dan probabilitas
mutasi 0.08 ......................................................................... 77
Tabel 4.9 Tabel nilai maksimum fungsi
( ) 193, 21
322
2121 +−−= xxxxxxf dengan probabilitas
rekombinasi 0.2 dan probabilitas mutasi 0.01 hingga 0.1. 83
Tabel 4.10 Tabel nilai maksimum fungsi
( ) 193, 21
322
2121 +−−= xxxxxxf dengan probabilitas
rekombinasi 0.25 dan probabilitas mutasi 0.01 hingga 0.1 84
Tabel 4.11 Tabel nilai maksimum fungsi
( ) 193, 21
322
2121 +−−= xxxxxxf dengan probabilitas
rekombinasi 0.3 dan probabilitas mutasi 0.01 hingga 0.1. 85
Tabel 4.12 Tabel nilai maksimum fungsi
( ) 193, 21
322
2121 +−−= xxxxxxf dengan probabilitas
rekombinasi 0.35 dan probabilitas mutasi 0.01 hingga 0.1 86
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xvi
Tabel 4.13 Tabel nilai maksimum fungsi
( ) 193, 21
322
2121 +−−= xxxxxxf dengan probabilitas
rekombinasi 0.4 dan probabilitas mutasi 0.01 hingga 0.1. 87
Tabel 4.14 Tabel nilai maksimum fungsi
( ) 193, 21
322
2121 +−−= xxxxxxf dengan probabilitas
rekombinasi 0.45 dan probabilitas mutasi 0.01 hingga 0.1 88
Tabel 4.15 Tabel nilai maksimum fungsi
( ) 193, 21
322
2121 +−−= xxxxxxf dengan probabilitas
rekombinasi 0.5 dan probabilitas mutasi 0.01 hingga 0.1. 89
Tabel 4.16 Tabel nilai minimum fungsi
( ) 193, 21
322
2121 +−−= xxxxxxf dengan probabilitas
rekombinasi 0.2 dan probabilitas mutasi 0.01 hingga 0.1. 90
Tabel 4.17 Tabel nilai minimum fungsi
( ) 193, 21
322
2121 +−−= xxxxxxf dengan probabilitas
rekombinasi 0.25 dan probabilitas mutasi 0.01 hingga 0.1 91
Tabel 4.18 Tabel nilai minimum fungsi
( ) 193, 21
322
2121 +−−= xxxxxxf dengan probabilitas
rekombinasi 0.3 dan probabilitas mutasi 0.01 hingga 0.1. 92
Tabel 4.19 Tabel nilai minimum fungsi
( ) 193, 21
322
2121 +−−= xxxxxxf dengan probabilitas
rekombinasi 0.35 dan probabilitas mutasi 0.01 hingga 0.1 93
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xvii
Tabel 4.20 Tabel nilai minimum fungsi
( ) 193, 21
322
2121 +−−= xxxxxxf dengan probabilitas
rekombinasi 0.4 dan probabilitas mutasi 0.01 hingga 0.1. 94
Tabel 4.21 Tabel nilai minimum fungsi
( ) 193, 21
322
2121 +−−= xxxxxxf dengan probabilitas
rekombinasi 0.45 dan probabilitas mutasi 0.01 hingga 0.1 95
Tabel 4.22 Tabel nilai minimum fungsi
( ) 193, 21
322
2121 +−−= xxxxxxf dengan probabilitas
rekombinasi 0.5 dan probabilitas mutasi 0.01 hingga 0.1. 96
Tabel 4.23 Tabel nilai maksimum fungsi
( ) 193, 21
322
2121 +−−= xxxxxxf dengan probabilitas
rekombinasi 0.2-0.5 dan probabilitas mutasi 0.08 ............ 97
Tabel 4.24 Tabel nilai minimum fungsi
( ) 193, 21
322
2121 +−−= xxxxxxf dengan probabilitas
rekombinasi 0.2-0.5 dan probabilitas mutasi 0.08 ............ 98
Tabel 4.25 Tabel nilai maksimum fungsi ( ) )(1
22
21 xxexf +−=x dengan
probabilitas rekombinasi 0.2 dan probabilitas mutasi 0.01
hingga 0.1........................................................................... 101
Tabel 4.26 Tabel nilai maksimum fungsi ( ) )(1
22
21 xxexf +−=x dengan
probabilitas rekombinasi 0.25 dan probabilitas mutasi
0.01 hingga 0.1................................................................... 102
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xviii
Tabel 4.27 Tabel nilai maksimum fungsi ( ) )(1
22
21 xxexf +−=x dengan
probabilitas rekombinasi 0.3 dan probabilitas mutasi 0.01
hingga 0.1........................................................................... 102
Tabel 4.28 Tabel nilai maksimum fungsi ( ) )(1
22
21 xxexf +−=x dengan
probabilitas rekombinasi 0.35 dan probabilitas mutasi
0.01 hingga 0.1................................................................... 103
Tabel 4.29 Tabel nilai maksimum fungsi ( ) )(1
22
21 xxexf +−=x dengan
probabilitas rekombinasi 0.4 dan probabilitas mutasi 0.01
hingga 0.1........................................................................... 103
Tabel 4.30 Tabel nilai maksimum fungsi ( ) )(1
22
21 xxexf +−=x dengan
probabilitas rekombinasi 0.45 dan probabilitas mutasi
0.01 hingga 0.1................................................................... 104
Tabel 4.31 Tabel nilai maksimum fungsi ( ) )(1
22
21 xxexf +−=x dengan
probabilitas rekombinasi 0.5 dan probabilitas mutasi 0.01
hingga 0.1........................................................................... 104
Tabel 4.32 Tabel nilai maksimum fungsi ( ) )(1
22
21 xxexf +−=x dengan
probabilitas mutasi 0.01 dan probabilitas rekombinasi 0.2
hingga 0.5........................................................................... 105
Tabel 4.33 Tabel nilai maksimum fungsi ( ) )(1
22
21 xxexf +−=x dengan
probabilitas mutasi 0.02 dan probabilitas rekombinasi 0.2
hingga 0.5........................................................................... 105
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xix
Tabel 4.34 Tabel nilai maksimum fungsi ( ) )(1
22
21 xxexf +−=x dengan
probabilitas mutasi 0.03 dan probabilitas rekombinasi 0.2
hingga 0.5........................................................................... 106
Tabel 4.35 Tabel nilai maksimum fungsi ( ) )(1
22
21 xxexf +−=x dengan
probabilitas mutasi 0.04 dan probabilitas rekombinasi 0.2
hingga 0.5........................................................................... 106
Tabel 4.36 Tabel nilai maksimum fungsi ( ) )(1
22
21 xxexf +−=x dengan
probabilitas mutasi 0.05 dan probabilitas rekombinasi 0.2
hingga 0.5........................................................................... 107
Tabel 4.37 Tabel nilai maksimum fungsi ( ) )(1
22
21 xxexf +−=x dengan
probabilitas mutasi 0.06 dan probabilitas rekombinasi 0.2
hingga 0.5........................................................................... 107
Tabel 4.38 Tabel nilai maksimum fungsi ( ) )(1
22
21 xxexf +−=x dengan
probabilitas mutasi 0.07 dan probabilitas rekombinasi 0.2
hingga 0.5........................................................................... 108
Tabel 4.39 Tabel nilai maksimum fungsi ( ) )(1
22
21 xxexf +−=x dengan
probabilitas mutasi 0.08 dan probabilitas rekombinasi 0.2
hingga 0.5........................................................................... 108
Tabel 4.40 Tabel nilai maksimum fungsi ( ) )(1
22
21 xxexf +−=x dengan
probabilitas mutasi 0.09 dan probabilitas rekombinasi 0.2
hingga 0.5........................................................................... 109
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xx
Tabel 4.41 Tabel nilai maksimum fungsi ( ) )(1
22
21 xxexf +−=x dengan
probabilitas mutasi 0.1 dan probabilitas rekombinasi 0.2
hingga 0.5........................................................................... 109
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xxi
DAFTAR GAMBAR
Gambar 2.1.1 Grafik 2)( 23 +−−= xxxxf ............................................. 8
Gambar 2.1.2 x* titik batas dari I atau 0)(xf * =′ .................................... 9
Gambar 2.1.3 Grafik fungsi 537)( 2 +−= xxxf ..................................... 11
Gambar 2.1.4 Grafik fungsi pada selang tertutup [a, b]. .......................... 12
Gambar 2.1.5 Fungsi kontinu pada selang tertutup [a, b]......................... 14
Gambar 2.1.6 Grafik fungsi 54)( 2 +−= xxxf ....................................... 20
Gambar 2.2.1 Grafik fungsi 1),( 22 +−−+= yxyxyxf ....................... 33
Gambar 2.2.2 Grafik fungsi 20123),( 2132
3121 +−−+= xxxxxxf .......... 47
Gambar 3.2.1. Ilustrasi Algoritma Genetika .............................................. 54
Gambar 3.3.1.1 Representasi string bit ....................................................... 56
Gambar 3.3.1.2 Representasi panjang kromosom ....................................... 57
Gambar 3.4.1.1 Contoh penggunaan metode seleksi roda roulette.............. 59
Gambar 3.5.1.1 Rekombinasi satu titik........................................................ 62
Gambar 4.1 Grafik fungsi ( ) 2221
2121 2, xxxxxxf ++= .......................... 67
Gambar 4.2 Grafik terjadinya nilai maksimum
( ) 2221
2121 2, xxxxxxf ++= dengan probabilitas
rekombinasi 0.2 dan probabilitas mutasi 0.01 hingga 0.1.. 70
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xxii
Gambar 4.3 Grafik terjadinya nilai maksimum
( ) 2221
2121 2, xxxxxxf ++= dengan probabilitas
rekombinasi 0.25 dan probabilitas mutasi 0.01 hingga
0.1…................................................................................... 71
Gambar 4.4 Grafik terjadinya nilai maksimum
( ) 2221
2121 2, xxxxxxf ++= dengan probabilitas
rekombinasi 0.3 dan probabilitas mutasi 0.01 hingga 0.1.. 72
Gambar 4.5 Grafik terjadinya nilai maksimum
( ) 2221
2121 2, xxxxxxf ++= dengan probabilitas
rekombinasi 0.35 dan probabilitas mutasi 0.01 hingga 0.1. 73
Gambar 4.6 Grafik terjadinya nilai maksimum
( ) 2221
2121 2, xxxxxxf ++= dengan probabilitas
rekombinasi 0.4 dan probabilitas mutasi 0.01 hingga 0.1.. 74
Gambar 4.7 Grafik terjadinya nilai maksimum
( ) 2221
2121 2, xxxxxxf ++= dengan probabilitas
rekombinasi 0.45 dan probabilitas mutasi 0.01 hingga 0.1. 75
Gambar 4.8 Grafik terjadinya nilai maksimum
( ) 2221
2121 2, xxxxxxf ++= dengan probabilitas
rekombinasi 0.5 dan probabilitas mutasi 0.01 hingga 0.1... 76
Gambar 4.9 Grafik terjadinya nilai maksimum
( ) 2221
2121 2, xxxxxxf ++= dengan probabilitas
rekombinasi 0.2-0.5 dan probabilitas mutasi 0.08. ........... 77
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xxiii
Gambar 4.10 Grafik fungsi ( ) 193, 21
322
2121 +−−= xxxxxxf ................... 78
Gambar 4.11 Grafik terjadinya nilai maksimum
fungsi ( ) 193, 21
322
2121 +−−= xxxxxxf dengan
probabilitas rekombinasi 0.2 dan probabilitas mutasi 0.01
hingga 0.1........................................................................... 83
Gambar 4.12 Grafik terjadinya nilai maksimum
( ) 193, 21
322
2121 +−−= xxxxxxf dengan probabilitas
rekombinasi 0.25 dan probabilitas mutasi 0.01 hingga 0.1. 84
Gambar 4.13 Grafik terjadinya nilai maksimum
( ) 193, 21
322
2121 +−−= xxxxxxf dengan probabilitas
rekombinasi 0.3 dan probabilitas mutasi 0.01 hingga 0.1.. 85
Gambar 4.14 Grafik terjadinya nilai maksimum
( ) 193, 21
322
2121 +−−= xxxxxxf dengan probabilitas
rekombinasi 0.35 dan probabilitas mutasi 0.01 hingga 0.1 86
Gambar 4.15 Grafik terjadinya nilai maksimum
( ) 193, 21
322
2121 +−−= xxxxxxf dengan probabilitas
rekombinasi 0.4 dan probabilitas mutasi 0.01 hingga 0.1.. 87
Gambar 4.16 Grafik terjadinya nilai maksimum
( ) 193, 21
322
2121 +−−= xxxxxxf dengan probabilitas
rekombinasi 0.45 dan probabilitas mutasi 0.01 hingga 0.1 88
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xxiv
Gambar 4.17 Grafik terjadinya nilai maksimum
( ) 193, 21
322
2121 +−−= xxxxxxf dengan probabilitas
rekombinasi 0.5 dan probabilitas mutasi 0.01 hingga 0.1.. 89
Gambar 4.18 Grafik terjadinya nilai minimum
fungsi ( ) 193, 21
322
2121 +−−= xxxxxxf dengan
probabilitas rekombinasi 0.2 dan probabilitas mutasi 0.01
hingga 0.1........................................................................... 90
Gambar 4.19 Grafik terjadinya nilai minimum
( ) 193, 21
322
2121 +−−= xxxxxxf dengan probabilitas
rekombinasi 0.25 dan probabilitas mutasi 0.01 hingga 0.1 91
Gambar 4.20 Grafik terjadinya nilai minimum
( ) 193, 21
322
2121 +−−= xxxxxxf dengan probabilitas
rekombinasi 0.3 dan probabilitas mutasi 0.01 hingga 0.1.. 92
Gambar 4.21 Grafik terjadinya nilai minimum
( ) 193, 21
322
2121 +−−= xxxxxxf dengan probabilitas
rekombinasi 0.35 dan probabilitas mutasi 0.01 hingga 0.1 93
Gambar 4.22 Grafik terjadinya nilai minimum
( ) 193, 21
322
2121 +−−= xxxxxxf dengan probabilitas
rekombinasi 0.4 dan probabilitas mutasi 0.01 hingga 0.1.. 94
Gambar 4.23 Grafik terjadinya nilai minimum
( ) 193, 21
322
2121 +−−= xxxxxxf dengan probabilitas
rekombinasi 0.45 dan probabilitas mutasi 0.01 hingga 0.1 95
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xxv
Gambar 4.24 Grafik terjadinya nilai minimum
( ) 193, 21
322
2121 +−−= xxxxxxf dengan probabilitas
rekombinasi 0.5 dan probabilitas mutasi 0.01 hingga 0.1.. 96
Gambar 4.25 Grafik terjadinya nilai maksimum
( ) 193, 21
322
2121 +−−= xxxxxxf dengan probabilitas
rekombinasi 0.2-0.5 dan probabilitas mutasi 0.08 ............. 97
Gambar 4.26 Grafik terjadinya nilai minimum
( ) 193, 21
322
2121 +−−= xxxxxxf dengan probabilitas
rekombinasi 0.2-0.5 dan probabilitas mutasi 0.08 ............. 98
Gambar 4.27 grafik fungsi ( ) )(121
22
21, xxexxxf +−= .............................. 99
Gambar 4.28 Grafik nilai maksimum fungsi ( ) )(1
22
21 xxexf +−=x dengan
probabilitas rekombinasi 0.2 dan probabilitas mutasi 0.01
hingga 0.1........................................................................... 103
Gambar 4.29 Grafik nilai maksimum fungsi ( ) )(1
22
21 xxexf +−=x dengan
probabilitas rekombinasi 0.25 dan probabilitas mutasi
0.01 hingga 0.1................................................................... 103
Gambar 4.30 Grafik nilai maksimum fungsi ( ) )(1
22
21 xxexf +−=x dengan
probabilitas rekombinasi 0.3 dan probabilitas mutasi 0.01
hingga 0.1........................................................................... 104
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xxvi
Gambar 4.31 Grafik nilai maksimum fungsi ( ) )(1
22
21 xxexf +−=x dengan
probabilitas rekombinasi 0.35 dan probabilitas mutasi
0.01 hingga 0.1................................................................... 104
Gambar 4.32 Grafik nilai maksimum fungsi ( ) )(1
22
21 xxexf +−=x dengan
probabilitas rekombinasi 0.4 dan probabilitas mutasi 0.01
hingga 0.1........................................................................... 105
Gambar 4.33 Grafik nilai maksimum fungsi ( ) )(1
22
21 xxexf +−=x dengan
probabilitas rekombinasi 0.45 dan probabilitas mutasi
0.01 hingga 0.1................................................................... 105
Gambar 4.34 Grafik nilai maksimum fungsi ( ) )(1
22
21 xxexf +−=x
dengan probabilitas rekombinasi 0.5 dan probabilitas
mutasi 0.01 hingga 0.1 ....................................................... 106
Gambar 4.35 Grafik nilai maksimum fungsi ( ) )(1
22
21 xxexf +−=x dengan
probabilitas mutasi 0.01 dan probabilitas rekombinasi 0.2
hingga 0.5........................................................................... 106
Gambar 4.36 Grafik nilai maksimum fungsi ( ) )(1
22
21 xxexf +−=x
dengan probabilitas mutasi 0.02 dan probabilitas
rekombinasi 0.2 hingga 0.5 ................................................ 107
Gambar 4.37 Grafik nilai maksimum fungsi ( ) )(1
22
21 xxexf +−=x
dengan probabilitas mutasi 0.03 dan probabilitas
rekombinasi 0.2 hingga 0.5 ................................................ 107
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xxvii
Gambar 4.38 Grafik nilai maksimum fungsi ( ) )(1
22
21 xxexf +−=x
dengan probabilitas mutasi 0.04 dan probabilitas
rekombinasi 0.2 hingga 0.5 ................................................ 108
Gambar 4.39 Grafik nilai maksimum fungsi ( ) )(1
22
21 xxexf +−=x
dengan probabilitas mutasi 0.05 dan probabilitas
rekombinasi 0.2 hingga 0.5 ................................................ 108
Gambar 4.40 Grafik nilai maksimum fungsi ( ) )(1
22
21 xxexf +−=x dengan
probabilitas mutasi 0.06 dan probabilitas rekombinasi 0.2
hingga 0.5........................................................................... 109
Gambar 4.41 Grafik nilai maksimum fungsi ( ) )(1
22
21 xxexf +−=x
dengan probabilitas mutasi 0.07 dan probabilitas
rekombinasi 0.2 hingga 0.5 ................................................ 109
Gambar 4.42 Grafik nilai maksimum fungsi ( ) )(1
22
21 xxexf +−=x
dengan probabilitas mutasi 0.08 dan probabilitas
rekombinasi 0.2 hingga 0.5 ................................................ 110
Gambar 4.43 Grafik nilai maksimum fungsi ( ) )(1
22
21 xxexf +−=x
dengan probabilitas mutasi 0.09 dan probabilitas
rekombinasi 0.2 hingga 0.5 ................................................ 110
Gambar 4.44 Grafik nilai maksimum fungsi ( ) )(1
22
21 xxexf +−=x
dengan probabilitas mutasi 0.1 dan probabilitas
rekombinasi 0.2 hingga 0.5 ................................................ 111
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB I
PENDAHULUAN
A. Latar Belakang
Teori optimasi secara klasik dibangun dengan menggunakan
kalkulus diferensial untuk menentukan nilai minimum atau maksimum
(optimum) dari fungsi dengan kendala atau tanpa kendala. Untuk fungsi
tanpa kendala, f(x) harus memenuhi setiap x yang memenuhi pembatas-
pembatas: dimana f(x) adalah fungsi yang bernilai real dari R0≥x n. Jika
ada beberapa atau semua fungsi dari f(x) adalah tidak linear maka masalah
tersebut dikatakan pemrograman tak linear.
Secara matematis, suatu titik dikatakan pembuat maksimum apabila
terdapat suatu titik ( )**3
*2
*1
* ,...,,, nxxxx=x yang memenuhi ,
atau pembuat minimum apabila .
)()( * xx ff ≥
)()( * xx ff ≤
Secara umum, optimasi pemrograman tak linear selalu menimbulkan
kesulitan dalam penangan analitis dan numerik, dan lebih sulit dari
pemrograman linear. Walaupun dalam kasus dimana semua kendala adalah
linear dan hanya fungsi tujuannya yang tak linear, tetap saja sulit untuk
diselesaikan. Oleh sebab itu diperlukan teknik lain yang dapat
menyelesaikan masalah optimasi dalam pemrograman tak linear.
Algoritma Genetika tergolong dalam algoritma yang bersifat heuristik,
sehingga dapat memberikan banyak kemungkinan penyelesaian dan
memberikan pertimbangan untuk mengambil suatu keputusan.
1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
2
Sejak tahun 1960, mulai berkembang perhatian dalam menirukan
kehidupan makhluk hidup untuk menyelesaikan masalah optimasi yang
sulit. Saat ini, terdapat tiga topik utama dalam penelitian yang menirukan
kehidupan makhluk hidup, yaitu Algoritma Genetika, Pemrograman
Evolusi, dan Strategi Evolusi. Diantara ketiga topik tersebut, yang paling
sering digunakan adalah Algoritma Genetika.
Algoritma Genetika banyak dipakai pada aplikasi bisnis, teknik,
maupun bidang keilmuan lainnya. Algoritma Genetika dapat dipakai untuk
mendapatkan solusi yang tepat untuk masalah optimasi yang kompleks dan
sulit diselesaikan.
Menurut Goldberg (1989) Algoritma Genetika adalah teknik
pencarian stokastik berdasarkan mekanisme seleksi alam dan sifat
genetika. Pada dasarnya, Algoritma Genetika merupakan implementasi
dari teori evolusi dan teori genetika yang dikemukakan oleh Darwin dalam
konsep biologi. Seperti proses evolusi di alam, Algoritma Genetika
umumnya terdiri dari tiga operator, yaitu operator reproduksi, operator
persilangan (crossover), dan operator mutasi. Suatu individu mempunyai
sifat tertentu ditentukan dengan susunan gen dalam kromosom individu
tersebut. Dalam Algoritma Genetika, teori genetika tersebut digunakan
untuk merepresentasikan setiap solusi dari masalah yang ada. Karena tiap
kromosom merupakan solusi dari masalah yang akan diselesaikan,
kromosom yang terbaik merupakan pendekatan dari solusi optimal dari
masalah yang akan diselesaikan. Berdasarkan pada konsep biologi dari
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
3
Darwin, dalam menyelesaikan suatu masalah, Algoritma Genetika
memulai pekerjaannya dengan sekumpulan solusi yang disebut populasi.
Setiap individu pada populasi disebut kromosom yang menggambarkan
suatu solusi dari masalah yang akan diselesaikan. Kromosom-kromosom
terus berkembang terus menerus yang disebut generasi. Pada setiap
generasi, kromosom dievaluasi dengan menggunakan alat ukur yang
disebut fitness (tingkat kesesuaian). Nilai fitness dari suatu kromosom
akan menunjukkan kualitas kromosom dalam populasi tersebut.
Kromosom yang terpilih membentuk kromosom baru, yaitu anak atau
keturunan (offspring) yang terbentuk dari gabungan dua kromosom
generasi sekarang yang bertindak sebagai induk (parent) dengan
menggunakan operator penyilangan (crossover) atau dengan mengubah
suatu kromosom dengan menggunakan operator mutasi. Generasi baru
dibentuk dengan cara menyeleksi nilai fitness dari kromosom induk dan
nilai fitness dari kromosom anak serta menghilangkan kromosom lainnya
sehingga ukuran populasi konstan. Setelah melalui beberapa generasi,
algoritma ini akan konvergen ke arah kromosom yang terbaik dengan
harapan kromosom tersebut merupakan solusi optimal dari masalah yang
diselesaikan.
Sistem pencarian untuk mendapatkan nilai yang paling optimum
pada Algoritma Genetika diharapkan dapat memberikan penyelesaian yang
terbaik, dan semakin memudahkan menyelesaikan masalah Optimasi
pemrograman tak linear dibandingkan dengan teknik konvensional.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
4
B. Perumusan Masalah
Masalah yang akan dibahas pada skripsi ini adalah :
1. Bagaimana cara Algoritma Genetika dalam mencari nilai optimum dari
masalah optimasi fungsi tanpa kendala?
2. Bagaimana mendapatkan nilai optimum fungsi tanpa kendala dengan
menggunakan Algoritma Genetika?
C. Pembatasan Masalah
Pembatasan mengenai optimasi fungsi tanpa kendala pada skripsi ini
hanya untuk program tak linear dengan dua variabel. Penulis akan
menggunakan software aplikasi MATLAB untuk menyelesaikan masalah
optimasi tanpa kendala tersebut.
D. Tujuan Penulisan
Skripsi ini bertujuan untuk memenuhi salah satu persyaratan untuk
memperoleh gelar Sarjana Sains dalam bidang matematika. Selain itu
skripsi ini bertujuan untuk:
1. Lebih memahami penerapan Algoritma Genetika dalam
menyelesaikan masalah optimasi fungsi tanpa kendala.
2. Mendapatkan nilai yang paling optimum dari masalah optimasi
fungsi tanpa kendala dengan menggunakan Algoritma Genetika.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
5
E. Metode Penulisan
Penulisan skripsi ini menggunakan metode studi pustaka, yaitu de-
ngan menggunakan buku-buku, jurnal-jurnal, dan makalah-makalah yang
telah dipublikasikan, sehingga tidak ditemukan hal baru.
F. Manfaat Penulisan
Manfaat yang diharapkan dari penulisan skripsi ini adalah semakin
memperdalam pemahaman akan Algoritma Genetika dalam
menyelesaikan masalah optimasi, terutama dalam menyelesaikan masalah
optimasi fungsi tanpa kendala, dan dapat mencari nilai optimum dengan
menggunakan Algoritma Genetika.
G. Sistematika Penulisan
BAB I PENDAHULUAN
Pada Bab I dipaparkan mengenai latar belakang skripsi ini,
perumusan masalah, pembatasan masalah, tujuan penulisan, metode
penulisan, dan manfaat penulisan.
BAB II OPTIMASI FUNGSI TANPA KENDALA
Bab II dengan judul Optimasi Fungsi Tanpa Kendala terdiri atas dua
subbab. Dalam bab ini dibahas mengenai optimasi fungsi satu variabel
tanpa kendala dengan kalkulus dan optimasi fungsi beberapa variabel
tanpa kendala dengan kalkulus.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
6
BAB III ALGORITMA GENETIKA
Bab III dengan judul Algoritma Genetika terdiri atas empat subbab.
Dalam bab ini dibahas mengenai latar belakang biologi, struktur umum
Algoritma Genetika, dan komponen–komponen utama Algoritma
Genetika.
BAB IV OPTIMASI FUNGSI TANPA KENDALA DENGAN
ALGORITMA GENETIKA
Bab IV dengan judul Algoritma Genetika Untuk Optimasi Fungsi
tanpa kendala Tanpa Kendala merupakan inti permasalahan yang diangkat
dalam skripsi ini. Dalam bab ini akan diperlihatkan contoh – contoh
permasalahan optimasi tanpa kendala disertai dengan penyelesainnya
menggunakan teknik konvensional (kalkulus) dan dengan menggunakan
Algoritma Genetika.
BAB V PENUTUP
Bab V merupakan bab terakhir dalam skripsi ini. Bab ini berisi
kesimpulan dari skripsi ini dan saran yang diharapkan berguna untuk
perkembangan penelitian mengenai optimasi dengan Algoritma Genetika
selanjutnya.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
7
BAB II
OPTIMISASI FUNGSI TANPA KENDALA
A. Optimisasi Fungsi Satu Variabel Tanpa Kendala Dengan Kalkulus
Definisi 2.1.1
Misalkan f(x) adalah fungsi bernilai real yang didefinisikan pada selang I.
(Selang I dapat terbatas atau tidak terbatas, tertutup atau terbuka, atau
setengah terbuka). Suatu titik x* di I adalah :
a. Pembuat minimum mutlak (global) untuk f(x) pada I jika )()( * xfxf ≤
untuk setiap x di I;
b. Pembuat minimum mutlak tegas untuk f(x) pada I jika )()( * xfxf < untuk
setiap x di I dan *xx ≠ ;
c. Pembuat minimum relatif (lokal) untuk f(x) jika ada bilangan positif δ
sedemikian hingga )()( * xfxf ≤ untuk setiap x di I dimana
δδ +<<− ** xxx ;
d. Pembuat minimum relatif tegas untuk f(x) jika ada bilangan positif δ
sedemikian hingga )()( * xfxf < untuk setiap x di I dimana
δδ +<<− ** xxx dan *xx ≠ ;
e. Pembuat maksimum mutlak untuk f(x) pada I jika )()( * xfxf ≥ untuk
setiap x di I;
f. Pembuat maksimum mutlak tegas untuk f(x) pada I jika )()( * xfxf > un-
tuk setiap x di I dan *xx ≠ ;
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
8
g. Pembuat maksimum relatif untuk f(x) jika ada bilangan positif δ
sedemikian hingga )()( * xfxf ≥ untuk setiap x di I dimana
δδ +<<− ** xxx ;
h. Pembuat maksimum relatif tegas untuk f(x) jika ada bilangan positif δ
sedemikian hingga )()( * xfxf > untuk setiap x di I dimana
δδ +<<− ** xxx dan *xx ≠ ;
i. Titik kritis dari f(x) jika )( *xf ′ ada dan sama dengan nol.
Contoh 2.1.1
Gambar 2.1.1 Grafik 2)( 23 +−−= xxxxf
Pada gambar grafik di atas terlihat bahwa setiap x di [-3, 4]. Titik x* = -2
adalah Pembuat minimum mutlak tegas. Titik x* = 3 adalah pembuat
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
9
I
y=f(x)
Titik batas dan maksimum
( 0)*
( ≠′ xf ) pembuat mini-mum 0)
*( =′ xf
maksimum mutlak. Titik x* = 31
− adalah pembuat maksimum relatif tegas,
dan titik x* = 1 adalah pembuat minimum relatif tegas.▲
Teorema 2.1.1
Misalkan f(x) adalah fungsi yang terdiferensialkan pada selang I. Jika x*
adalah pembuat minimum relatif atau pembuat maksimum relatif pada f(x),
maka salah satu dari yang berikut berlaku:
i. x* adalah titik batas/akhir dari I
ii. 0)( * =′ xf .
x* x*
Gambar 2.1.2 x* titik batas dari I atau 0)(xf * =′
Bukti :
Misalkan x* adalah pembuat minimum relatif dari f(x) dan x* bukan titik dalam
dari I. Berdasarkan hipotesa ) x( ∗′f ada. Akan dibuktikan ) x( ∗′f = 0.
*
** )()(lim)(
* xxxfxfxf
xx −−
=′→
…(1)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
10
Karena f(x*)≤ f(x) untuk x mendekati x*, f(x) - f(x*) adalah tak negatif untuk
setiap x mendekati x*. Oleh karena itu, karena x – x* > 0 untuk x*< x, dan
x – x* < 0 untuk x*> x, dapat terlihat
0)()(*
*
≥−−
xxxfxf untuk x*< x,
dan
0)()(*
*
≤−−
xxxfxf untuk x*> x,
selama x mendekati x*. Berdasarkan persamaan (1) dan persamaan di atas
diperoleh 0)( * ≥′ xf dan 0)( * ≤′ xf . Hal ini membuktikan bahwa
0)( * =′ xf . Untuk x* pembuat maksimum relatif, bukti analog.■
Definisi 2.1.2
Bila x* suatu titik dalam daerah asal f dan bila 0)( * =′ xf atau )( *xf ′ tidak
ada, maka x* dikatakan titik kritis dari f.
Contoh 2.1.2
Misalkan 537)( 2 +−= xxxf .
Maka 314)( −=′ xxf . Ditentukan
0)( =′ xf
0314 =−x
143=x .
Titik kritis dari f(x) adalah 143 .▲
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
11
Gambar 2.1.3 grafik fungsi 537)( 2 +−= xxxf
Maka 314)( −=′ xxf . Ditentukan
0)( =′ xf
0314 =−x
143=x .
Titik kritis dari f(x) adalah 143 .▲
Teorema 2.1.2 (Teorema Nilai Ekstrim)
Jika fungsi f kontinu pada selang tertutup [a, b], maka f mencapai nilai mini-
mum mutlak dan maksimum mutlak pada selang [a, b].
Bukti diluar jangkauan penulis. Lihat buku Analisis Real.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
12
f(c)
f(a)
a bc d
•
•
Teorema nilai ekstrim dapat tercapai apabila terjadi pada:
i. Selang tertutup; dan
ii. Fungsi bersifat kontinu pada selang tersebut.
Jika kondisi (i) dan (ii) tidak terpenuhi, maka titik ekstrim belum tentu ada.
Jika domain suatu fungsi adalah selang tertutup, untuk menentukan ekstrim
mutlak, fungsi tersebut harus diuji tidak hanya pada titik kritis tapi juga pada
titik batas selang. Teorema titik kritis menjamin bahwa ekstrim mutlak terjadi
di dalam selang.
Gambar 2.1.4 Grafik fungsi pada selang tertutup [a, b].
Gambar 2.1.4 dapat dilihat bahwa titik batas selang terjadi pada x = a dan b,
sedangkan titik kritis terjadi pada x = c dan d. Nilai maksimum mutlak terjadi
pada titik kritis c, dan nilai minimum mutlak terjadi pada titik batas selang a.
Maka baik nilai maksimum mutlak atau minimum mutlak terletak dalam
selang tertutup [a, b].
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
13
Teorema 2.1.3 (Teorema Rolle)
Misalkan f adalah fungsi yang memenuhi syarat:
1. f kontinu pada selang tertutup [a, b].
2. f mempunyai turunan pada selang terbuka (a, b).
3. f(a) = f(b) = 0.
Maka ada suatu c∈(a, b) sehingga )(cf ′ = 0.
Bukti :
Jika f(x) = 0 untuk semua x pada selang [a, b], maka )(xf ′ = 0 untuk semua x
pada (a, b), sehingga setiap bilangan di antara a dan b dapat diambil sebagai c.
Jika f(x) tidak nol untuk suatu x pada selang terbuka (a, b) dan karena f kon-
tinu pada selang tertutup [a, b], maka menurut teorema 2.1.2, f mempunyai
nilai maksimum mutlak dan minimum mutlak pada [a, b]. Dari (3) diketahui
f(a) = 0 dan f(b) = 0. Selanjutnya f(x) tidak nol untuk suatu x pada (a, b). Maka
f akan mempunyai nilai maksimum mutlak yang positif untuk suatu 1c pada
(a, b) atau mempunyai nilai minimum mutlak yang negatif di suatu 2c pada
(a, b), atau dua-duanya terjadi. Jadi untuk c = 1c atau c = 2c atau kedua-
duanya, terdapat ekstrim mutlak di titik dalam selang [a, b]. Oleh karena itu
ekstrim mutlak f(c) juga ekstrim relatif. Karena )(cf ′ ada berdasarkan
hipotesis, maka menurut teorema 2.1.1, )(cf ′ = 0.■
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
14
A
B
a x b x
y
•
•
y=g(x)
f(x)
Teorema 2.1.4 (Teorema Nilai Rata-Rata)
Misalkan f adalah fungsi yang memenuhi syarat:
1. f kontinu pada selang tertutup [a, b].
2. f mempunyai turunan pada selang terbuka (a, b).
Maka ada suatu c∈(a, b) sehingga ab
afbfcf−−
=′ )()()( .
Bukti :
Gambar 2.1.5 fungsi kontinu pada selang tertutup [a,b].
Misalkan fungsi f(x) untuk ],[ bax∈ seperti ditunjukkan pada gambar 2.1.5
Fungsi g(x) adalah persamaan garis yang melalui titik A dan B. Dibentuk
fungsi s(x) yaitu )()()( xgxfxs −= untuk setiap ],[ bax∈ . Karena garis ini
mempunyai kemiringan ab
afbf−− )()( dan melalui (a, f(a)), maka bentuk titik
kemiringan untuk persamaannya adalah
)()()()()( axab
afbfafxg −−−
=− atau
)()()()()( axab
afbfafxg −−−
+=
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
15
)()()( xgxfxs −=
⇔ )()()()()()( axab
afbfafxfxs −−−
−−=
Perhatikan bahwa s(b) = s(a) = 0 dan bahwa untuk x dalam (a, b)
abafbfxfxs
−−
−′=′ )()()()( .
Menurut teorema 2.1.2 fungsi s harus mencapai nilai maksimum atau nilai
minimum pada [a, b]. Jika kedua nilai tersebut adalah 0, maka s(x) secara
identik adalah 0 pada [a, b], akibatnya 0)( =′ xs untuk semua x dalam (a, b).
Jika salah satu nilai maksimum atau minimum tidak sama dengan 0, maka
nilai tersebut tercapai pada suatu titik dalam c. Karena s(a) = s(b) = 0. Dan s
mempunyai turunan di setiap titik dari (a, b), sehingga menurut teorema 2.1.3
0)( =′ cs .
Karena diketahui terdapat suatu bilangan c dalam (a, b) yang memenuhi
0)( =′ cs , maka
abafbfcf
−−
−′=)()()(0 atau
abafbfcf
−−
=′ )()()( ■
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
16
Teorema 2.1.5
Misalkan )(),(),( xfxfxf ′′′ ada pada selang tertutup [a, b].
Jika x*, x adalah dua titik yang berbeda pada [a, b], maka terdapat titik z tepat
berada di antara x* dan x sehingga
2**** )(2
)())(()()( xxzfxxxfxfxf −′′
+−′+= .
Bukti :
Misalkan suatu fungsi
2**** )())(()()( xxRxxxfxfxf −+−′+= …(2)
Pandang F(x),
2**** )())(()()()( xxRxxxfxfxfxF −−−′−−= …(3)
Maka dari (2) diperoleh F(x) = 0. Karena F(x) = 0, maka F(a) = F(b) = 0.
)(),(),( xfxfxf ′′′ kontinu pada selang tertutup [a, b], maka penjumlahan dan
pengurangan fungsi – fungsi (F(x)) tersebut juga kontinu pada selang tertutup
[a, b], dan
)(2)()()( ** xxRxfxfxF −−′−′=′ …(4)
terlihat bahwa F(x) mempunyai turunan. Karena ketiga syarat dari teorema
Rolle dipenuhi, maka menurut teorema Rolle, terdapat bilangan z1 antara x dan
*x ( *1 xzx << ) sedemikian sehingga
0)( 1 =′ zF …(5a)
Dari (4) diperoleh
0)( =′ xF …(5b)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
17
(5a) dan (5b) menunjukkan bahwa )(xF ′ memenuhi teorema Rolle dalam (x,
z1). Jadi terdapat bilangan z antara x dan z1 sedemikian sehingga 0)( =′′ zF ,
dan dari (4) diperoleh RxfxF 2)()( −′=′′ . Karena 0)( =′′ zF , maka
)(21 zfR ′′= .
Substitusi R dalam (2), maka
2*21*** ))(())(()()( xxzfxxxfxfxf −′′+−′+= .■
Definisi 2.1.1 merupakan cara untuk mengetahui apakah suatu titik x* di I
adalah minimum atau maksimum mutlak atau relatif di I. Namun pada definisi
2.1.1 tidak diketahui apakah memang benar titik x* tersebut adalah pembuat
minimum / maksimum mutlak tegas atau pembuat minimum / maksimum
relatif tegas. Oleh sebab itu diperlukan cara lain yang lebih baik, yaitu teorema
2.1.6, yang dapat menentukan apakah pembuat maksimum / minimum (baik
mutlak ataupun relatif) tersebut tegas atau tidak.
Teorema 2.1.6
Misalkan )(),(),( xfxfxf ′′′ kontinu pada selang I dan x*∈I adalah titik kritis
dari f(x).
a. Jika 0)( ≥′′ xf untuk setiap x∈I, maka x* adalah pembuat minimum
mutlak dari f(x) di I.
b. Jika 0)( >′′ xf untuk setiap x∈I sedemikian hingga *xx ≠ , maka x*
adalah Pembuat minimum mutlak tegas dari f(x) di I.
c. Jika 0)( * >′′ xf , maka x* adalah pembuat minimum relatif tegas dari f(x).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
18
d. Jika 0)( ≤′′ xf untuk setiap x∈I, maka x* adalah pembuat maksimum mut-
lak dari f(x) di I.
e. Jika 0)( <′′ xf untuk setiap x∈I sedemikian hingga *xx ≠ , maka x*
adalah Pembuat maksimum mutlak tegas dari f(x) di I.
f. Jika 0)( * <′′ xf , maka x* adalah pembuat maksimum relatif tegas dari f(x).
Bukti :
Bukti (a): Jika x∈I dan x≠ x*, maka berdasarkan teorema 2.1.5 dan hipotesa
)( *xf ′ =0 menghasilkan
2** )(2
)()()( xxzfxfxf −′′
=− , …(6)
dimana z adalah titik yang berada tepat di antara x* dan x. Karena itu, jika
0)( ≥′′ xf untuk setiap x∈I, maka )()( *xfxf ≥ untuk setiap x∈I karena
02
)x-(x 2*
≥ untuk setiap x∈I.
Bukti (b): Jika x∈I dan x≠ x*, maka berdasarkan teorema 2.1.5 dan hipotesa
)( *xf ′ =0 menghasilkan
2** )(2
)()()( xxzfxfxf −′′
=− , …(7)
dimana z adalah titik yang berada tepat di antara x* dan x. Karena itu, jika
0)( >′′ xf untuk setiap x∈I, maka )()( *xfxf > untuk setiap x∈I karena
02
)x-(x 2*
> untuk setiap x∈I.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
19
Bukti (c): Jika 0)( * >′′ xf , kekontinuitas dari )(xf ′′ mengimplikasikan bahwa
ada δ > 0 sehingga )(xf ′′ > 0 untuk setiap x∈I sedemikian hingga x* -δ < x
< x* + δ . Namun persamaan (7) menunjukkan bahwa f(x) > f(x*) untuk setiap
x∈I sedemikian hingga *xx ≠ , δδ +<<− ** xxx , dimana x* adalah satu -
satunya pembuat minimum relatif dari f(x).
Bukti (d): Jika x∈I dan x≠ x*, maka berdasarkan teorema 2.1.5 dan hipotesa
)( *xf ′ =0 menghasilkan
2** )(2
)()()( xxzfxfxf −′′
=− , …(8)
dimana z adalah titik yang berada tepat di antara x* dan x. Karena itu, jika
0)( ≤′′ xf untuk setiap x∈I, maka )()( *xfxf ≤ untuk setiap x∈I karena
0)()( * ≤− xfxf untuk setiap x∈I.
Bukti (e): Jika x∈I dan x≠ x*, maka berdasarkan teorema 2.1.5 dan hipotesa
)( *xf ′ =0 menghasilkan
2** )(2
)()()( xxzfxfxf −′′
=− , …(9)
dimana z adalah titik yang berada tepat di antara x* dan x. Karena itu, jika
0)( <′′ xf untuk setiap x∈I, maka )()( *xfxf < untuk setiap x∈I karena
0)()( * ≤− xfxf untuk setiap x∈I.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
20
Bukti (f): Jika 0)( * <′′ xf , kekontinuitasan dari )(xf ′′ mengimplikasikan
bahwa ada δ > 0 sehingga )(xf ′′ < 0 untuk setiap x∈I sedemikian hingga x* -
δ < x < x* + δ . Namun persamaan (9) menunjukkan bahwa f(x) < f(x*) untuk
setiap x∈I sedemikian hingga *xx ≠ , δδ +<<− ** xxx , dimana x* adalah
satu - satunya pembuat maksimum relatif dari f(x). ■
Contoh 2.1.3
Tentukan ekstrim mutlak dari fungsi 54)( 2 +−= xxxf pada selang [1,4].
Gambar 2.1.6 grafik fungsi 54)( 2 +−= xxxf .
i. Mencari titik kritis
0)( =′ xf
042 =−x
2=x
ii. Mengevaluasi f(x) pada titik akhir dan titik kritis
25141)1( 2 =+×−=f
15242)2( 2 =+×−=f
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
21
55444)4( 2 =+×−=f
Dari langkah 9, dapat disimpulkan bahwa nilai maksimum mutlak terjadi pada
titik (4, 5), dan nilai minimum mutlak terjadi pada titik (2,1).▲
B. Optimisasi Fungsi Beberapa Variabel Tanpa Kendala Dengan Kalkulus
Perluasan dari fungsi satu variabel adalah fungsi lebih dari satu variabel den-
gan mengkombinasikan beberapa teori kalkulus dengan aljabar linear. Oleh
sebab itu, untuk permulaan akan dibahas beberapa terminologi dan notasi.
Vektor pada Rn adalah pasangan terurut n-tupel x = (x1, x2, …, xn) dari bilan-
gan real xi yang disebut dengan komponen dari x. Vektor x = (x1, x2, …, xn)
disebut vektor baris, dan vektor
⎟⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜⎜
⎝
⎛
=
nx
xx
M
2
1
x disebut vektor kolom.
Maka dapat dilihat bahwa fungsi f(x1, x2, …, xn) dari n variabel sebagai fungsi
f(x) dari vektor tunggal variabel x = (x1, x2, …, xn).
Definisi 2.2.1
Didefinisikan penjumlahan dari dua vektor x = (x1, x2, …, xn) dan y = (y1, y2,
…, yn) pada Rn dengan
x + y = (x1 + y1, x2 + y2, …, xn + yn),
dan perkalian dari x dan bilangan real λ dengan
λ x = (λ x1, λ x2, …,λ xn).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
22
Definisi 2.2.2
Jika x = (x1, x2, …, xn) dan y = (y1, y2, …, yn) adalah vektor-vektor di Rn,
maka perkalian titik atau perkalian dalam x• y didefinisikan sebagai
∑=
=+++=•n
kkknn yxyxyxyx
12211 ...yx .
Akibat 2.2.1
Perkalian titik adalah linear pada kedua variabel; yaitu,
),()()( zyzxzyx •+•=•+ βαβα
)()()( zxyxzyx •+•=+• βαβα ,
untuk semua vektor x, y, z pada Rn dan bilangan real βα , .
Bukti :
( ) ),,,(,,,)( 212211 nnn zzzyxyxyx KK •+++=•+ βαβαβαβα zyx
( ) ( ) ( )( )nnn zyxzyxzyx ... 222111 βαβαβα ++++++= K
( )nnnn zyzxzyzxzyzx ...... 22221111 βαβαβα ++++++= K
( ) ( )( )nnnn zyzyzyzxzxzx ...... 22112211 βββααα +++++++= KK
( ) ( )( )nnnn zyzyzyzxzxzx ...... 22112211 +++++++= KK βα
)()( zyzx •+•= βα
( )nnn zyzyzyxxx βαβαβαβα +++•=+• ,,,),,,()( 221121 KKzyx
( ) ( ) ( )( )nnn zyxzyxzyx βαβαβα ++++++= ... 222111 K
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
23
( )nnnn zxyxzxyxzxyx βαβαβα ...... 22221111 +++++++= K
( )nnnn zxzxzxyxyxyx βββααα ...... 22112211 +++++++= KK
( ) ( )( )nnnn xxxxxxyxyxyx βββα ...... 22112211 +++++++= KK
= )()( zxyx •+• βα .■
Definisi 2.2.3
Dua vektor x dan y adalah ortogonal jika x• y = 0.
Definisi 2.2.4
Norm atau panjang x pada vektor x = (x1, x2, …, xn) adalah fungsi real pada
Rn dengan syarat:
1. 0≥x untuk setiap vektor di Rn.
2. x = 0 jika dan hanya jika x adalah vektor nol 0.
3. xx αα = untuk setiap vektor di Rn dan semua bilangan real α .
4. yxyx +≤+ untuk semua vektor x, y di Rn (ketidaksamaan segitiga).
Contoh 2.2.1
x pada vektor x = (x1, x2, …, xn) adalah
2/12/1222
21 )()...( xxx •=+++= nxxx .
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
24
x
y
Definisi 2.2.5
Untuk vektor tak nol x dan y di R2 atau R3, perkalian titik x• y secara umum
didefinisikan
θcos yxyx =• …(1)
dimana ],0[ πθ ∈ adalah sudut antara x dan y.
θ
Untuk vektor x dan y di Rn dengan n > 3, formula (1) untuk perkalian titik
tetap dapat digunakan jika θcos didefinisikan. Untuk x, y ∈ Rn didefinisikan
yxyx
cos •
=θ
Teorema 2.2.1
Pertidaksamaan Cauchy – Schwarz untuk setiap vektor x dan y,
yxyx ≤•
Bukti :
Apabila x dan y adalah vektor nol, maka 0≤0, dimana hal tersebut adalah
benar untuk setiap x dan y. Jika x atau y (salah satunya) vektor tak nol, maka
dari persamaan (1) didapatkan
yxyxyx cos ≤=• θ ,
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
25
karena 1cos ≤θ untuk setiap nilai pada θ .■
Pada pertidaksamaan Cauchy – Schwarz, 1cos1 ≤≤− θ dan 1cos =θ jika
hanya jika terdapat satu vektor yang merupakan kelipatan vektor lainnya.
Definisi 2.2.6
Jika x dan y adalah vektor di Rn, panjang atau jarak ),( yxd di antara x dan y
didefinisikan sebagai:
21
1
2)(),( ⎟⎠
⎞⎜⎝
⎛−=−= ∑
=
n
iii yxd yxyx
Definisi 2.2.7
Bola ),( rB x yang berpusat pada x dengan radius r adalah himpunan semua
vektor y di Rn, dimana jarak dari x kurang dari r, maka
{ }rRB n <−∈= xyyrx ),( .
Definisi 2.2.8
Titik x pada sub himpunan D di Rn adalah titik dalam dari D jika terdapat r >
0, dimana bola ),( rB x dalam D. Bagian dalam oD pada D adalah himpunan
dari semua titik dalam dari D. Himpunan G di Rn terbuka jika GG =o , artinya,
jika semua titik dalam himpunan adalah titik – titik dalam. Himpunan F di Rn
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
26
tertutup jika F mencangkup setiap titik x sehingga terdapat barisan {x(k)} di F
dengan 0lim )( =−∞→
xx k
k.
Definisi 2.2.9
Himpunan D di Rn adalah terbatas jika terdapat suatu konstanta M > 0 se-
hingga M<x untuk setiap x∈D, artinya, D adalah terbatas jika dan hanya
jika D termasuk dalam bola besar B(0, M) dengan pusat 0.
Contoh 2.2.1
Pada R2, himpunan F dengan komponennya adalah titik – titik tak nega-
tif, yaitu { }0,0),( 212
21 ≥≥∈== xxRxxF x , adalah tertutup tapi tidak terba-
tas. Titik x = (x1, x2) pada F adalah titik dalam dari F jika dan hanya jika x1 >
0, 02 >x karena bola B(x, r) termasuk di dalam F walaupun r adalah bilangan
positif terkecil dari x1, x2.▲
Definisi 2.2.10
Misalkan )(xf adalah fungsi yang bernilai real didefinisikan pada sub him-
punan D di Rn. Titik x* di D adalah:
a Pembuat minimum mutlak untuk )(xf pada D jika )()( * xx ff ≤ untuk
setiap x∈D;
b Pembuat minimum mutlak tegas untuk )(xf pada D jika )()( * xx ff <
untuk setiap x∈D, dimana *xx ≠ ;
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
27
c Pembuat minimum relatif untuk )(xf jika terdapat bilangan positif δ se-
hingga )()( * xx ff ≤ untuk setiap x∈D dimana ),( * δxx B∈ ;
d Pembuat minimum relatif tegas untuk )(xf jika terdapat bilangan positif
δ sehingga )()( * xx ff < untuk setiap x∈D dimana ),( * δxx B∈ dan
*xx ≠ ;
e Pembuat maksimum mutlak untuk )(xf pada D jika )()( * xx ff ≥ untuk
setiap x∈D;
f Pembuat maksimum mutlak tegas untuk )(xf pada D jika )()( * xx ff >
untuk setiap x∈D, dimana *xx ≠ ;
g Pembuat maksimum relatif untuk )(xf jika terdapat bilangan positif δ
sehingga )()( * xx ff ≥ untuk setiap x∈D dimana ),( * δxx B∈ ;
h Pembuat maksimum relatif tegas untuk )(xf jika terdapat bilangan positif
δ sehingga )()( * xx ff > untuk setiap x∈D dimana ),( * δxx B∈ dan
*xx ≠ ;
i Titik kritis untuk )(xf jika turunan parsial pertama dari )(xf ada pada x*
dan 0)( * =∂∂ x
ixf , i = 1, 2, …, n.
Teorema 2.2.2
Misalkan )(xf adalah fungsi yang bernilai real dimana semua turunan parsial
pertama dari )(xf ada pada sub himpunan D di Rn. Jika x* adalah titik dalam
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
28
dari D yang adalah pembuat minimum relatif dari )(xf , maka x* adalah titik
kritis dari )(xf , yaitu, 0)( * =∂∂ x
ixf , i = 1, 2, …, n.
Bukti :
Karena ),...,,( **2
*1
*nxxx=x adalah pembuat minimum relatif untuk )(xf dan
titik dalam dari D, terdapat bilangan positif r sehingga bola B(x*, r) termasuk
di dalam D dan )()( * xx ff ≤ untuk setiap x∈ B(x*, r). Akan ditunjukkan
0)( * =∂∂ x
ixf ;
Akan ditunjukkan 0)( * =∂∂ x
ixf dengan menggunakan fungsi satu variabel,
yaitu ),...,,,( **3
*2 nxxxxf . Dimana **
3*2 ,...,, nxxx adalah variabel tetap fungsi
tersebut.
Misalkan fungsi satu variabel )(xg didefinisikan sebagai
),...,,,()( **3
*2 nxxxxfxg =
adalah terdiferensialkan dan memenuhi )()( *1 xgxg ≤ untuk setiap x
sedemikian sehingga rxxrx +<<− *1
*1 . Oleh sebab itu, *
1x adalah pembuat
minimum relatif untuk )(xg pada I = ( rxrx +− *1
*1 , ).
Karena itu, jika *1x bukan titik akhir dari I, berdasarkan teorema 2.1.1 maka
0)( *1 =′ xg . Tetapi jika
( ) )(,...,,)( *
1
**2
*1
1
*1 x
xfxxx
xfxg n ∂
∂=
∂∂
=′
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
29
maka 0)( * =∂∂ x
ixf . Dengan cara yang sama dapat dibuktikan 0)( * =
∂∂ x
ixf un-
tuk i = 1, 2, …, n .■
Teorema 2.2.3
Misalkan *x , x adalah titik pada Rn dan f(x) adalah fungsi n variabel dengan
turunan pertama dan turunan parsial kedua pada suatu himpunan terbuka
termasuk segmen garis
}10);(|{],[ *** ≤≤−+=∈= ttRn xxxwwxx .
Maka terdapat z∈[ *x , x] sedemikian hingga
))(()()()()()( **21*** xxzxxxxxxx −•−+−•∇+= Hffff .
Bukti :
Jika dari formula Taylor
2**** )(2
)())(()()( xxzfxxxfxfxf −′′
+−′+= …(2)
dapat ditunjukkan korespodensi formula Taylor untuk fungsi beberapa varia-
bel, maka formula tersebut berlaku untuk fungsi beberapa variabel.
Akan dimulai dengan kasus fungsi dua variabel.
Misalkan f(x) = f(x1,x2) adalah fungsi yang didefinisikan pada R2 dan bahwa
),( *2
*1
* xx=x dan x = (x1,x2) adalah titik tetap. Didefinisikan )(tϕ untuk t∈R
dengan
))(),(())(()( *22
*2
*11
*1
** xxtxxxtxftft −+−+=−+= xxxϕ …(3)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
30
Maka )(tϕ adalah fungsi dari satu variabel t untuk t = 0 dan t = 1 sedemikian
hingga
),()()0( *2
*1
* xxff == xϕ ;
),()()1( 21 xxff == xϕ .
Jika )(tϕ′ and )(tϕ ′′ adalah kontinu, maka dapat diimplikasikan formula Tay-
lor (2) untuk )(tϕ pada titik t* = 0, t = 1. Dengan menggantikan
)(dengan )( ** tf ϕ′′ x dan )(dengan )( * sf ϕ ′′′′ x sehingga dihasilkan
2* )01(2
)()01)(0()()( −′′
+−′+=sff ϕϕxx , …(4)
dimana s adalah titik di antara 0 dan 1. Jika f(x) mempunyai turunan pertama
dan turunan parsial kedua, maka )(tϕ mempunyai turunan pertama dan
turunan parsial kedua dimana dapat dihitung dengan menggunakan aturan
rantai sebagai berikut:
Jika t∈R dan )( ** xxxw −+= t , maka
)()( wft =ϕ
))(( ** xxx −+= tf
))(),(( *222
*11
*1 xxtxxxtxf −+−+= .
berdasarkan aturan rantai,
))(()( ** xxx −+= tftϕ
))(())(()( *22
2
*11
1
xxxfxx
xft −
∂∂
+−∂∂
=′ xxϕ
)()( *xxw −•∇= f , …(5)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
31
dimana ⎟⎟⎠
⎞⎜⎜⎝
⎛∂∂
∂∂
=∇ )(),()(21
wwwxf
xff adalah gradien dari f(x) yang dievaluasi
pada w. Dengan menggunakan aturan rantai, didapatkan
.))((
))()((2))((
)())(())((
)())(())(()(
2*222
2
2
*22
*11
21
22*
112
2
*22
*22
2
*11
12
*11
*22
2
*11
11
1
xxx
f
xxxxxxfxx
xf
xxxxxfxx
xf
x
xxxxxfxx
xf
xt
−∂∂
+−−∂∂
∂+−
∂∂
=
−⎥⎦
⎤⎢⎣
⎡−
∂∂
+−∂∂
∂∂
+−⎥⎦
⎤⎢⎣
⎡−
∂∂
+−∂∂
∂∂
=′
w
ww
ww
wwϕ
Untuk )(tϕ ′′ dapat ditunjukkan dengan formula matriks:
•−−=′′ )*22,*
11()( xxxxtϕ⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜
⎝
⎛
∂∂
∂∂∂
∂∂∂
∂∂
(w)x
f(w)xxf
(w)xxf(w)
xf
22
2
12
221
2
21
2
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛
−
−
*22
*11
xx
xx
)))((()( ** xxwxx −•−= Hf , …(6)
dimana Hf(w) adalah matriks simetris 2 x 2 dari semua pasangan turunan par-
sial kedua terurut yang dievaluasi pada w.
Gunakan (5) dan (6) untuk memperlihatkan (4) sebagai berikut:
))(()()()()()( **21*** xxzxxxxxxx −•−+−•∇+= Hffff , …(7)
dimana )( ** xxxz −+= s dan 10 ≤≤ s . Formula Taylor ini berlaku untuk
fungsi dua variabel. Hal ini benar untuk sembarang x dan x* di R2 jika f(x)
mempunyai turunan pertama dan turunan parsial kedua pada R2. Seperti yang
terlihat, gradien )( *xf∇ memainkan peranan seperti turunan pertama dan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
32
Hessian Hf(z) berperan seperti turunan kedua dalam teorema Taylor satu
variabel.
Jika f(x) = f(x1, x2,…, xn) adalah fungsi n variabel dengan turunan pertama dan
turunan parsial kedua pada Rn dan jika gradien f∇ dari f(x) adalah n vektor
⎟⎟⎠
⎞⎜⎜⎝
⎛∂∂
∂∂
∂∂
=∇nx
fxf
xff ,...,,
21
, sementara Hessian Hf dari f(x) adalah matriks n x n
=Hf
⎟⎟⎟⎟⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜⎜⎜⎜⎜
⎝
⎛
∂∂
∂∂∂
∂∂∂
∂∂∂
∂∂
∂∂∂
∂∂∂
∂∂∂
∂∂
2
2
1
2
1
2
2
2
22
2
12
21
2
21
2
21
2
nnnn
n
n
xf
xxf
xxf
xxf
xf
xxf
xxf
xxf
xf
L
MOMM
L
,
maka formula Taylor benar untuk semua pilihan x dan x* pada Rn.
Jika fungsi f(x) tidak terdefinisi pada semua titik di Rn, maka formula Taylor
tetap bernilai benar untuk x dan x* pada domain dari f(x), asalkan f(x)
mempunyai turunan pertama dan turunan parsial kedua pada suatu himpunan
terbuka termasuk segmen garis [x*, x], yaitu
}10);(|{],[ *** ≤≤−+== tt xxxwwxx .■
Contoh 2.2.2
Tentukan maksimum dan minimum dari fungsi
1),( 22 +−−+= yxyxyxf
pada cakram D yaitu 122 ≤+ yx .
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
33
Gambar 2.2.1 grafik fungsi 1),( 22 +−−+= yxyxyxf
i. Menentukan titik kritis ⎟⎟⎠
⎞⎜⎜⎝
⎛=
∂∂
=∂∂ 0
yf
xf .
12 −=∂∂ x
xf
120 −= x
21=x .
12 −=∂∂ yyf
120 −= y
21=y .
Sehingga (x, y) = ( 21
21 , ) adalah titik kritis dari cakram terbuka
}1),{( 22 ≤+= yxyxU .
ii. Batas U∂ diparameterkan dengan π20 ),cos,(sin)( ≤≤= ttttc .
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
34
Sehingga
1cossincossin))(( 22 +−−+= tttttf c
tt cossin2 −−=
)(tg= .
Untuk menentukan maksimum dan minimum dari f pada U∂ , 0)( =′ tg
hanya jika
tttg sincos)( +−=′
tt sincos0 +−=
tt sincos = ,
yaitu pada saat 4
5,4
ππ=t . Jadi nilai ekstrim dari f pada U∂ adalah pada
titik – titik )(),( 45
4ππ cc , dan titik akhir )2()0( πcc = .
iii. Menentukan nilai f.
21
21
212
212
21
21
21 1)()(),( =+−−+=f
221)()(),())(( 22
222
222
22
22
22
4 −=+−−+== ff πc
221)()(),())(( 22
222
222
22
22
22
45 +=+++−+−=−−= ff πc
dan
1110)1()0()1,0())2(())0(( 22 =+−−+=== fff πcc
iv. Bandingkan semua nilai, maka didapatkan minimum mutlak yang terletak
pada titik ( 21
21 , ) dan maksimum mutlak yang terletak pada titik
),( 22
22 −− .▲
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
35
Teorema 2.2.2 merupakan cara untuk mengetahui apakah suatu titik x* di Rn
adalah titik kritis. Namun pada teorema 2.2.2 tidak diketahui apakah titik x*
tersebut adalah pembuat minimum / maksimum mutlak (tegas) atau pembuat
minimum / maksimum relatif (tegas). Oleh sebab itu diperlukan cara lain yang
lebih baik, yaitu teorema 2.2.4 yang dapat menentukan apakah pembuat
maksimum / minimum (baik mutlak ataupun relatif) tersebut tegas atau tidak.
Teorema 2.2.4
Andaikan *x adalah titik kritis pada fungsi f(x) dengan turunan pertama dan
turunan parsial kedua pada Rn, maka:
a *x adalah pembuat minimum mutlak untuk f(x) jika
0))(()( ** ≥−•− xxzxx Hf
untuk setiap x ∈ Rn dan setiap z ∈ [x*, x];
b *x adalah pembuat minimum mutlak tegas untuk f(x) jika
0))(()( ** >−•− xxzxx Hf
untuk setiap x ∈ Rn sedemikian hingga *xx ≠ dan setiap z ∈ [x*, x];
c *x adalah pembuat maksimum mutlak untuk f(x) jika
0))(()( ** ≤−•− xxzxx Hf
untuk setiap x ∈ Rn dan setiap z ∈ [x*, x];
d *x adalah pembuat maksimum mutlak tegas untuk f(x) jika
0))(()( ** <−•− xxzxx Hf
untuk setiap x ∈ Rn sedemikian hingga *xx ≠ dan setiap z ∈ [x*, x].
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
36
Bukti :
Karena *x adalah titik kritis pada f(x), turunan parsial pertama pada f(x)
adalah nol pada *x , maka )( *xf∇ = 0. Oleh karena itu, jika x adalah
sembarang titik pada Rn selain *x (berdasarkan teorema 2.2.3) maka
0))(()()()( **21* ≥−•−+= xxzxxxx Hfff ,
dimana z ∈ [x*, x]. Persamaan ini menghasilkan setiap pernyataan yang ada
pada teorema 2.2.4.
Pada pernyataan (a) teorema di atas didapatkan
0))(()()()( **21* ≥−•−=− xxzxxxx Hfff ,
dan juga, f(x) ≥ f( *x ) untuk setiap x ∈ Rn .
Pada pernyataan (b) teorema di atas didapatkan
0))(()()()( **21* >−•−=− xxzxxxx Hfff ,
dan juga, f(x) > f( *x ) untuk setiap x ∈ Rn sedemikian hingga *xx ≠ .
Pada pernyataan (c) teorema di atas didapatkan
0))(()()()( **21* ≤−•−=− xxzxxxx Hfff ,
dan juga, f(x) ≤ f( *x ) untuk setiap x ∈ Rn.
Pada pernyataan (d) teorema di atas didapatkan
0))(()()()( **21* <−•−=− xxzxxxx Hfff ,
dan juga, f(x) < f( *x ) untuk setiap x ∈ Rn sedemikian hingga *xx ≠ .■
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
37
Pada pembuktian teorema 2.2.3 telah diketahui bahwa Hessian Hf(x) dari
fungsi f(x) pada n variabel dengan turunan pertama dan turunan parsial kedua
adalah matriks simetris n x n. Sehingga sembarang matriks (A) simetris n x n
menentukan fungsi QA(y) pada Rn disebut bentuk kuadrat yang berhubungan
dengan A
nA RAQ ∈•= yyy , .
Jika f(x) adalah fungsi n variabel dengan turunan pertama dan turunan parsial
kedua, dan jika H = Hf(z) adalah Hessian dari f(x) yang dievaluasi pada titik z,
maka H adalah matriks simetris n x n. Untuk x, *x ∈ Rn, bentuk kuadrat QH
yang berhubungan dengan H dievaluasi pada *xx − adalah
))(()()( *** xxzxxxx −•−=− HfQH .
Hal ini tepat sama dengan pernyataan yang terdapat dalam teorema 2.2.4.
Definisi 2.2.11
Andaikan A adalah matriks simetris n x n dan yy AQA •= adalah bentuk
kuadrat yang berhubungan dengan A. Maka A dan QA disebut:
a. Semidefinit positif jika 0≥•= yy AQA , untuk setiap nR∈y ;
b. Definit positif jika 0>•= yy AQA , untuk setiap nR∈y , 0≠y ;
c. Semidefinit negatif jika 0≤•= yy AQA , untuk setiap nR∈y ;
d. Definit negatif jika 0<•= yy AQA , untuk setiap nR∈y , 0≠y ;
e. Tidak definit jika 0>•= yy AQA , untuk suatu nR∈y dan 0)( <yAQ un-
tuk nR∈y lainnya.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
38
Teorema 2.2.5
Andaikan *x adalah titik kritis dari fungsi f(x) dengan turunan pertama dan
turunan parsial kedua pada Rn dan bahwa Hf(x) adalah Hessian dari f(x). Maka
*x adalah:
a. Pembuat minimum mutlak untuk f(x) jika Hf(x) adalah semidefinit positif
pada Rn;
b. Pembuat minimum mutlak tegas untuk f(x) jika Hf(x) adalah definit positif
pada Rn;
c. Pembuat maksimum mutlak untuk f(x) jika Hf(x) adalah semidefinit nega-
tif pada Rn;
d. Pembuat maksimum mutlak tegas untuk f(x) jika Hf(x) adalah definit
negatif pada Rn.
Bukti :
)(xHf adalah Hessian dari f(x), maka:
(a) berdasarkan definisi 2.2.11 )(xHf adalah semidefinit positif jika
0≥•= yy AQA , karena ))(()()( *** xxzxxxx −•−=− HfQH , maka
berdasarkan teorema 2.2.4 *x adalah pembuat minimum mutlak.
(b) berdasarkan definisi 2.2.11 )(xHf adalah definit positif jika
0>•= yy AQA , maka berdasarkan teorema 2.2.4 *x adalah pembuat
minimum mutlak tegas.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
39
(c) berdasarkan definisi 2.2.11 )(xHf adalah semidefinit negatif jika
0≤•= yy AQA , maka berdasarkan teorema 2.2.4 *x adalah pembuat
maksimum mutlak.
(d) berdasarkan definisi 2.2.11 )(xHf adalah definit negatif jika
0<•= yy AQA , maka berdasarkan teorema 2.2.4 *x adalah pembuat
maksimum mutlak tegas.■
Teorema 2.2.6
Matriks simetris 2 x 2 ⎟⎟⎠
⎞⎜⎜⎝
⎛=
2212
1211
aaaa
A adalah:
a. Definit positif jika dan hanya jika
0det ,02212
121111 >⎟⎟
⎠
⎞⎜⎜⎝
⎛>
aaaa
a ;
b. Definit negatif jika dan hanya jika
0det ,02212
121111 >⎟⎟
⎠
⎞⎜⎜⎝
⎛<
aaaa
a .
Bukti :
A adalah matriks simetris 2 x 2
⎟⎟⎠
⎞⎜⎜⎝
⎛=
2212
1211
aaaa
A
maka bentuk asosiasi kuadrat dari A adalah
. xxx2x)( 22222112
2111 aaaAQA ++=•= xxx
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
40
Untuk setiap 0x ≠ di R2, baik )0,( 1x=x dengan 01 ≠x atau ),( 21 xx=x
dengan 02 ≠x . Akan dianalisa untuk 2 kasus berikut:
Kasus I. )0,( 1x=x dengan 01 ≠x .
Pada kasus ini, 2111)( xaQA =x maka 0)( >xAQ jika dan hanya jika 011 >a ,
sedangkan 0)( <xAQ jika dan hanya jika 011 <a .
Kasus II. ),( 21 xx=x dengan 02 ≠x .
Pada kasus ini, 21 txx = untuk suatu bilangan real t dan
[ ] ,)(2)( 22
222212
211 xtxatataQA ϕ=++=x
dimana 22122
11 2)( atatat ++=ϕ . Karena 02 ≠x , dapat dilihat bahwa
0)( >xAQ untuk setiap x jika dan hanya jika 0)( >tϕ untuk setiap t∈R.
,22)( 1211 atat +=′ϕ
112)( at =′′ϕ ,
sehingga 11
12*
aat −= adalah titik kritis dari )(tϕ dan titik kritis tersebut adalah
pembuat minimum tegas jika 011 >a dan pembuat maksimum tegas jika
011 <a . Jika 011 >a dan jika Rt ∈ , maka
⎟⎟⎠
⎞⎜⎜⎝
⎛=+−=⎟⎟
⎠
⎞⎜⎜⎝
⎛−=≥
2212
1211
1122
11
212
11
12* det1)()(aaaa
aa
aa
aatt ϕϕϕ . …(8)
Jadi, jika 011 >a dan 0det2212
1211 >⎟⎟⎠
⎞⎜⎜⎝
⎛aaaa
, maka 0)( >tϕ untuk setiap Rt ∈
dan membuat 0)( >xAQ untuk setiap ),( 21 xx=x dengan 02 ≠x . Dengan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
41
kata lain, jika 0)( >xAQ untuk setiap x, maka 0)( >tϕ untuk setiap Rt ∈
dan sehingga 011 >a dan diskriminan dari )(tϕ
⎟⎟⎠
⎞⎜⎜⎝
⎛−=−
2212
12112211
212 det444
aaaa
aaa
adalah negatif, yaitu 011 >a dan 0det2212
1211 >⎟⎟⎠
⎞⎜⎜⎝
⎛aaaa
.
Jika 011 <a pada (8) dan 0det2212
1211 >⎟⎟⎠
⎞⎜⎜⎝
⎛aaaa
, maka 0)( <tϕ untuk setiap
Rt ∈ dan membuat 0)( <xAQ untuk setiap ),( 21 xx=x dengan 02 ≠x . den-
gan kata lain jika 0)( <xAQ untuk setiap x, maka 0)( <tϕ untuk setiap Rt ∈
dan sehingga 011 <a dan diskriminan dari )(tϕ
⎟⎟⎠
⎞⎜⎜⎝
⎛=+
2212
12112211
212 det444
aaaa
aaa
adalah positif, yaitu 011 <a dan 0det2212
1211 >⎟⎟⎠
⎞⎜⎜⎝
⎛aaaa
.■
Definisi 2.2.12
Misalkan A adalah matriks simetris n x n. Didefinisikan kΔ adalah determinan
dari sudut atas-tangan kiri submatriks k x k dari A untuk nk ≤≤1 . Determi-
nan kΔ disebut principal minor ke-k dari A.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
42
⎟⎟⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜⎜⎜
⎝
⎛
=
mnnnn
n
n
n
aaaa
aaaaaaaaaaaa
A
L
MM
L
L
L
321
3332313
2232212
1131211
, dengan
.det
,det
,
2212
12112
111
A
aaaa
a
n =Δ
⎟⎟⎠
⎞⎜⎜⎝
⎛=Δ
=Δ
M
Teorema 2.2.7
Jika A adalah matriks simetris n x n dan jika kΔ adalah principal minor ke-k
dari A untuk nk ≤≤1 , maka:
a A adalah definit positif jika hanya jika 0>Δ k untuk nk ,...,2,1= ;
b A adalah definit negatif jika hanya jika 0)1( >Δ− kk untuk nk ,...,2,1= .
Bukti :
Untuk membuktikan teorema ini digunakan metode induksi matematis, yaitu
dengan dibuktikannya untuk kn = hingga 1+= kn adalah benar. Pada pem-
buktian ini cukup dibuktikan untuk 2=n dan 3=n , maka kn = adalah
benar.
Untuk 2=n adalah benar berdasarkan teorema 2.2.6, maka akan dibuktikan
untuk 3=n .
Misalkan ⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛=
332313
232212
131211
aaaaaaaaa
A adalah matriks simetris 3 x 3 dan
),,( 321 xxx=x adalah vektor tak nol pada R3. Maka salah satu dari kedua ka-
sus ini harus dipenuhi:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
43
Kasus I.
Jika 03 =x , maka ⎟⎟⎠
⎞⎜⎜⎝
⎛⎟⎟⎠
⎞⎜⎜⎝
⎛•=•
2
1
2212
121121 ),(
xx
aaaa
xxAxx dan )0,0(),( 21 ≠xx , se-
hingga berdasarkan teorema 2.2.6 menunjukkan
a. 0>• xx A jika untuk setiap 0x ≠ sedemikian sehingga 03 =x jika dan
hanya jika 0 ,0 21 >Δ>Δ ;
b. 0<• xx A jika untuk setiap 0x ≠ sedemikian sehingga 03 =x jika dan
hanya jika 0 ,0 21 >Δ<Δ .
Kasus II.
Jika 03 ≠x dan 3132 , sxxtxx == untuk setiap bilangan real s, t, maka
( )tasastaatasaxA 231312332
222
1123 222 +++++=• xx .
Sebagai akibatnya, karena 03 ≠x diikuti dengan 0>• xx A untuk setiap
0x ≠ sedemikian sehingga 03 ≠x jika dan hanya jika
0222),( 231312332
222
11 >+++++= tasastaatasatsϕ
untuk setiap bilangan real s, t. Pada penambahan, 0<• xx A untuk setiap
0x ≠ sedemikian sehingga 03 =x jika daan hanya jika 0),( <tsϕ untuk
setiap bilangan real s, t.
Titik kritis dari ),( tsϕ adalah solusi dari persamaan
131211 2220 atasas
++=∂∂
=ϕ ,
232212 2220 atasat
++=∂∂
=ϕ ,
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
44
yaitu,
131211 atasa −=+ ,
232212 atasa −=+ .
Persamaan tersebut mempunyai solusi yang unik ),( ** ts jika dan hanya jika
0det22212
1211 ≠⎟⎟⎠
⎞⎜⎜⎝
⎛=Δ
aaaa
,
dan solusi unik ini didapatkan dari Aturan Cramer`s yaitu
⎟⎟⎠
⎞⎜⎜⎝
⎛−−
Δ=⎟⎟
⎠
⎞⎜⎜⎝
⎛−−
Δ=
2312
1311
2
*
2223
1213
2
* det1 ,det1aaaa
taaaa
s . …(9)
Jika persamaan 013*
12*
11 =++ atasa dikalikan dengan s*dan persamaan
023*
22*
12 =++ atasa dikalikan dengan t*:
( ) 0*13
**12
2*11 =++ satsasa
( ) 0*23
2*22
**12 =++ tatatsa
dan menambahkan kedua persamaan tersebut hingga menghasilkan
( ) ( ) 0*23
2*22
**12
*13
**12
2*11 =+++++ tatatsasatsasa
( ) ( ) 02 *23
*13
**12
2*22
2*11 =++++ tasatsatasa .
Akibatnya,
33*
23*
13** ),( atasats ++=ϕ ,
dan sehingga (9) diimplikasikan bahwa jika 02 ≠Δ , maka
2
3
2332313
232212
131211** detdet),(
ΔΔ
=Δ
=⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛=
A
aaaaaaaaa
tsϕ . …(10)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
45
Karena 22212
1211 42222
det),( Δ=⎟⎟⎠
⎞⎜⎜⎝
⎛=
aaaa
tsHϕ , berdasarkan teorema 2.2.6 dan teo-
rema 2.2.5 yaitu ),( ** ts adalah pembuat minimum mutlak tegas untuk
),( ** tsϕ jika dan hanya jika 0 ,0 21 >Δ>Δ . Dengan cara yang sama, ),( ** ts
adalah pembuat maksimum mutlak tegas untuk ),( ** tsϕ jika dan hanya jika
0 ,0 21 >Δ<Δ .
Jika 0 ,0 ,0 321 >Δ>Δ>Δ , maka kesimpulan (a) pada kasus I menunjukkan
bahwa jika 0x ≠ dan 03 =x , maka 0>• xx A ; dengan kata lain, pada kasus
II menunjukkan bahwa jika 0x ≠ dan 03 ≠x , 3132 , sxxtxx == , maka
0),(),(2
323
**23
23 >
ΔΔ
=≥=• xtsxtsxA ϕϕxx .
Oleh karena itu, 0>• xx A untuk setiap 0x ≠ jika 0 ,0 ,0 321 >Δ>Δ>Δ .
Dengan kata lain, jika 0>• xx A untuk setiap 0x ≠ , maka kesimpulan (a)
dari kasus I menunjukkan bahwa 0 ,0 21 >Δ>Δ . Juga, jika )1,,( *** ts=x ,
maka (10) menghasilkan
0),( **
2
3 >•==ΔΔ xx Atsϕ ,
maka 03 >Δ . Hal ini membuktikan bagian (a) pada teorema 2.2.7.
pembuktian bagian (b) pada teorema 2.2.7, bukti analog.■
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
46
Teorema 2.2.8
Misalkan fungsi f(x) dengan turunan pertama dan turunan parsial kedua pada
suatu himpunan D di Rn.
Misalkan *x adalah titik dalam dari D dan *x adalah titik kritis dari f(x).
Maka *x adalah:
a Pembuat minimum relatif tegas dari f(x) jika Hf( *x ) adalah definit positif.
b Pembuat maksimum relatif tegas dari f(x) jika Hf( *x ) adalah definit nega-
tif.
Bukti :
Didefinisikan )(xkΔ adalah principal minor ke-k dari )(xHf . Dari hipotesa
diketahui 0)( * >Δ xk untuk k = 0, 1, 2, …,n. Karena turunan kedua dari f(x)
adalah kontinu, maka setiap )(xkΔ adalah fungsi dari x yang kontinu. Karena
0)( * >Δ xk , dari kekontinuitasan ditunjukkan bahwa terdapat suatu bilangan
0>kr pada setiap k sedemikian sehingga 0)( >Δ xk jika kr<− *xx . Him-
punan { }nrrrr ,...,,min 21= dan perhatikan bahwa untuk setiap k = 0, 1, 2, …,n
didapatkan 0)( >Δ xk jika r<− *xx . Oleh karena itu, berdasarkan teorema
2.2.6, matriks Hf(x) adalah definit positif jika r<− *xx . Jika
r<−< *0 xx , maka berdasarkan teorema 2.2.3 didapatkan
))(()()()()()( **21*** xxzxxxxxxx −•−+−•∇+= Hffff
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
47
dimana z berada pada segmen garis x dan x*. Karena r<− *xx , maka dida-
patkan r<− *xz .
Oleh sebab itu Hf(z) adalah definit positif. Akibatnya, jika r<−< *0 xx ,
maka positifbilangan 0)()( * ++= xx ff . Sehingga r<− *xx dan *xx ≠
menyatakan bahwa )()( *xx ff > , dimana *x adalah pembuat minimum
relatif tegas dari f(x).
Untuk *x pembuat maksimum relatif tegas, bukti analog.■
Contoh 2.2.4
20123),( 2132
3121 +−−+= xxxxxxf
Gambar 2.2.2 grafik fungsi 20123),( 2132
3121 +−−+= xxxxxxf
⎟⎟⎠
⎞⎜⎜⎝
⎛
−
−=∇
123
33)(
22
21
x
xf x
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
48
⎟⎟⎠
⎞⎜⎜⎝
⎛=
2
1
60
06
)(x
xHf x
Menentukan titik kritis, 0)( =∂∂ x
ixf , i = 1, 2, maka
0)(1
=∂∂ xxf 0)(
2
=∂∂ xxf
033 21 =−x 0123 2
2 =−x
11 ±=x 22 ±=x
Berdasarkan definisi 2.2.11
xxx AA •=)(ϕ
⎟⎟⎠
⎞⎜⎜⎝
⎛⎟⎟⎠
⎞⎜⎜⎝
⎛•=
2
1
2
121
60
06
),(xx
xx
xx
)6,6(),( 22
2121 xxxx •=
32
31 66 xx +=
Untuk:
33 2.61.6)2,1( +=ϕ
54= ≥ 0, semidefinit positif.
33 )2.(121.6)2,1( −+=−ϕ
42−= ≤ 0, semidefinit negatif.
33 2.12)1.(6)2,1( +−=−ϕ
42= ≥ 0, semidefinit positif.
33 )2.(12)1.(6)2,1( −+−=−−ϕ
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
49
54−= ≤ 0, semidefinit negatif.
Mencari nilai optimum:
2202.121.321)2,1( 33 =+−−+=f
3420)2.(121.3)2(1)2,1( 33 =+−−−−+=−f
6202.12)1.(32)1()2,1( 33 =+−−−+−=−f
3820)2.(12)1.(3)2()1()2,1( 33 =+−−−−−+−=−−f
Pembuat minimum relatif terjadi pada titik (1,2) dan (-1,2). Pembuat mak-
simum relatif terjadi pada titik (1,-2) dan (-1,-2).▲
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
50
BAB III
ALGORITMA GENETIKA
Algoritma Genetika adalah algoritma pencarian heuristik yang didasarkan atas
mekanisme evolusi biologis. Algoritma genetika pertama kali dikembangkan oleh
John Holland (1975), dan mempunyai ciri-ciri istimewa, yaitu : (1) representasi
string bit, (2) seleksi yang seimbang (proporsional), dan (3) rekombinasi
(crossover) sebagai metode utama untuk menghasilkan individu baru.
A. Latar Belakang Biologi
Semua makhluk hidup terdiri dari sel-sel, dimana setiap selnya terdapat
kumpulan kromosom yang sama. Kromosom adalah untaian dari DNA dan
membentuk model yang akan membedakan makhluk hidup yang satu dengan
makhluk hidup yang lain. Sebuah kromosom terdiri dari gen-gen yang
merupakan blok-blok dari DNA. Setiap gen terbentuk dari protein tertentu,
yang mengkodekan sebuah trait (ciri bawaan), misalnya : warna mata, warna
kulit, dan lain-lain. Kemungkinan untuk mengatur sebuah trait disebut allele,
misalnya mengatur warna untuk mata. Setiap gen mempunyai posisi tersendiri
pada kromosom, disebut dengan locus. Kumpulan dari materi-materi gen
(pada semua kromosom) disebut genome. Kumpulan yang terdiri dari gen-gen
pada genome, disebut genotipe (genotype).
Sebelum melakukan reproduksi, pertama kali yang akan muncul adalah
rekombinasi (crossover atau rekombinasi). Gen-gen pada induk (parents) akan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
51
membentuk kromosom baru, yang merupakan kombinasi dari kromosom-
kromosom kedua induk, yang akan membentuk anak (offspring) yang dapat
bermutasi. Mutasi merupakan penggantian suatu gen pada suatu elemen di
dalam DNA. Perubahan tersebut mungkin dikarenakan kesalahan
penggandaan gen-gen dari induknya.
Untuk menyelesaikan masalah yang ada, maka dicari solusi terbaik dari
semua kemungkinan solusi yang ada. Kumpulan semua solusi yang
memungkinkan tersebut berada dalam ruang pencarian (search space). Setiap
titik di dalam ruang pencarian merupakan satu solusi yang memungkinkan
(feasible solution). Setiap solusi yang memungkinkan dapat diberi pengenal
dalam bentuk nilai atau fitness dari permasalahan yang ada. Proses pencarian
solusi menjadi rumit karena tidak diketahui dimana harus mencari. Banyak
metode yang dikenal untuk menemukan solusi yang layak, diantaranya adalah
Algoritma Genetika (Genetic Algorithm) yang dibuat berdasarkan analogi
mekanisme yang terjadi terhadap proses evolusi.
B. Struktur Umum Algoritma Genetika
Algoritma Genetika merupakan metode optimasi yang berdasarkan pada
fenomena alam yang dalam penelusurannya mencari titik optimal berdasarkan
ide yang ada pada genetika dan teori Darwin (1809-1882) yaitu “survival of
the fittest” yang menyatakan bahwa evolusi jenis-jenis spesies makhluk hidup
dan ekosistemnya terjadi karena seleksi alam. Individu yang lebih kuat (fit)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
52
akan memiliki tingkat survival dan tingkat reproduksi yang lebih tinggi jika
dibandingkan dengan individu yang kurang fit.
Berbeda dengan teknik konvensional, algoritma genetika dimulai dengan
memberikan himpunan awal (inisialisasi) dari solusi-solusi secara acak yang
disebut populasi. Setiap individu pada populasi disebut kromosom (solusi
yang masih berbentuk simbol), yang memodelkan sebuah solusi dari
permasalahan yang ada. Kromosom yang berkembang setelah melalui
beberapa iterasi disebut generasi. Setiap generasi kromosom dievaluasi dengan
menggunakan alat ukur yang disebut dengan fitness. Generasi yang terbentuk
dari gabungan dua kromosom dari generasi sekarang dengan menggunakan
operator rekombinasi atau dengan memodifikasikan kromosom dengan
menggunakan operator mutasi disebut anak (offspring). Populasi generasi
yang baru dibentuk dengan cara menyeleksi nilai fitness dari kromosom induk
dan nilai fitness dari kromosom anak, serta menolak kromosom-kromosom
yang lainnya sehingga ukuran (jumlah kromosom) populasi konstan.
Kromosom yang paling fit atau kromosom yang mempunyai nilai fitness yang
paling besar (untuk permasalahan maksimum) atau nilai fitness yang paling
kecil (untuk permasalahan minimum), yang mempunyai probabilitas paling
tinggi yang akan dipilih.
Istilah-istilah yang digunakan dalam algoritma genetika, dijelaskan
dalam tabel dibawah ini:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
53
Istilah dalam algoritma
genetika
Keterangan.
Populasi Himpunan beberapa solusi.
Kromosom Solusi.
Gen Bagian dari kromosom.
Induk (parent) Solusi yang akan dikenakan proses
rekombinasi atau mutasi.
Anak (Offspring) Solusi baru yang dihasilkan melalui
proses rekombinasi atau mutasi.
Rekombinasi Proses yang melibatkan dua solusi
untuk mendapatkan solusi baru.
Mutasi Proses yang melibatkan satu solusi
untuk mendapatkan solusi baru.
Seleksi Pemilihan kromosom yang baik
Tabel 3.2.1 Tabel istilah dalam Algoritma Genetika.
Struktur umum algoritma genetika (Mitsuo Gen dan Runwei Cheng, 1997)
dapat pula dideskripsikan seperti pada gambar 3.2.1 berikut:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
54
Gambar 3.2.1. Ilustrasi Algoritma Genetika
mutation
0011011001
0011001001
crossover
1100101010
1011101110
1100101110 1011101010
solutions
evaluation
1100101110 1011101010 0011001001
offspring
fitness computation
decoding
1100101010 1011101110 0011011001 1100110001
chromosomes
selection
solutions encoding
new population
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
55
Keterangan gambar 3.2.1.
Dalam menyelesaikan masalah, algoritma genetika diawali dengan
menginisialisasikan himpunan solusi yang dibangkitkan secara acak.
Himpunan solusi ini disebut populasi. Setiap individu pada populasi disebut
kromosom yang menggambarkan sebuah solusi dari masalah yang akan
diselesaikan. Sebuah kromosom dapat dinyatakan dalam simbol string
misalnya kumpulan string bit. Kromosom-kromosom dapat berubah terus
menerus disebut dengan regenerasi. Pada setiap generasi, kromosom
dievaluasi dengan mengunakan alat ukur yang disebut fungsi fittnes (tingkat
kesesuaian). Untuk membuat generasi berikutnya, kromosom-kromosom baru
yang disebut offspring (keturunan) terbentuk dengan cara menggabung dua
kromosom dari generasi sekarang dengan menggunakan operator crossover
(rekombinasi) atau mengubah sebuah kromosom dengan menggunakan
operator mutasi. Generasi baru dibentuk dengan cara seleksi yang dilakukan
terhadap induk dan anak berdasarkan nilai fitness-nya dan menghilangkan
yang lainnya. Kromosom-kromosom yang lebih sesuai memiliki probabilitas
untuk dipilih. Setelah beberapa generasi, algoritma ini akan konvergen ke arah
bentuk kromosom yang terbaik, dengan harapan dapat menyatakan solusi
optimal dari permasalahan yang diselesaikan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
56
C. Komponen-komponen Utama Algoritma Genetika
1. Teknik Penyandian
Teknik penyandian meliputi penyandian gen dari kromosom. Satu gen
biasanya akan mewakili satu variabel, dan dapat direpresentasikan dalam
bentuk: string bit, pohon, array, bilangan real, daftar aturan, elemen
permutasi, elemen program, atau representasi lainnya yang dapat
diimplementasikan untuk operator genetika. Gambar 3.3.1.1 menunjukan
representasi string bit. Biasanya penyandian kromosom menggunakan
string biner. Setiap bit dalam string dapat merepresentasikan beberapa
karateristik dari solusi.
0 1 0 1 0 0 1 1 0 1 0 0 1 1 1
Pengkodean nilai untuk variabel x1 Pengkodean nilai untuk variabel x2
Gambar 3.3.1.1 Representasi string bit
Pertama, variabel keputusan dikodekan ke dalam bentuk string biner.
Panjang dari string tergantung pada ketepatan angkanya. Contohnya, domain
dari xj adalah [aj, bj] dan ketepatan angkanya adalah 4 angka setelah desimal.
Ketepatan tersebut diperlukan karena pada selang domain dari setiap variabel
harus terbagi sedikitnya (bj-aj) ×10n (n=ketepatan angka) ukuran selang.
Keharusan berapa bit (dinotasikan dengan mj) yang diperlukan untuk sebuah
variabel dihitung dengan cara sebagai berikut :
]110)log[(2 +−= njjj abm
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
57
1210)(2 1 −≤×−<− mjnjj
mj ab .
Pemetaan dari string biner ke bilangan real untuk variabel xj secara
sederhana dan lengkap ditunjukkan sebagai berikut:
12)(desimal
−
−×+= mj
jjjjj
absubstringax
dimana desimal (substringj ) menunjukkan nilai desimal dari substringj untuk
variabel keputusan xj.
Panjang kromosom keseluruhan adalah ∑=
n
jjm
1
bit (dimana j adalah
banyaknya variabel yang digunakan) dan direpresentasikan sebagai berikut:
33 bit
vj 000001010100101001 101111011111110 18 bit 15bit
Gambar 3.3.1.2 representasi panjang kromosom
Nilai biner Nilai desimal
x1 000001010100101001 5417
x2 101111011111110 24318
Tabel 3.3.1.1 pemetaan nilai biner ke nilai real
2. Prosedur Inisialisasi
Ukuran populasi tergantung dari permasalahan yang akan diselesaikan
dan jenis operator genetika yang akan diimplementasikan. Setelah ukuran
populasi ditentukan, kemudian dilakukan inisialisasi terhadap kromosom
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
58
yang terdapat dalam populasi tersebut. Inisialisasi kromosom dilakukan
secara acak, namun harus tetap memperhatikan domain solusi dan kendala
permasalahan yang ada.
3. Fungsi Evaluasi (fitness function)
Secara umum, fungsi evaluasi diturunkan dari fungsi objektif (fungsi
tujuan) dengan nilai yang tidak negatif. Apabila ternyata fungsi tujuan
memiliki nilai negatif, maka perlu ditambahkan suatu konstanta C agar
nilai fitness yang terbentuk menjadi tidak negatif.
Proses dari penentuan fitness dari sebuah kromosom terdiri dari tiga
langkah, yaitu:
1. Tukar kromosom genotip ke kromosom penotip. Artinya, tukar string
biner ke nilai real relatif xk = (x1, x2), k = 0, 1, 2, …, ukuran populasi.
2. Hitung fungsi tujuan f(xk).
3. Tukar nilai dari fungsi tujuan ke fitness. Untuk permasalahan
maksimum, nilai fitness sebanding dengan nilai fungsi tujuannya,
populasiukuran ..., ,2 ,1 ,0),()( == kxfveval kk .
Dari penghitungan tersebut, akan dapat dilihat kromosom yang terkuat,
mempunyai nilai fitness paling besar dan kromosom yang paling lemah,
mempunyai nilai fitness yang paling kecil.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
59
4. Seleksi
Tujuan dari seleksi adalah untuk menentukan individu-individu mana
saja yang akan dipilih untuk dilakukan rekombinasi dan mutasi. Metode
seleksi yang paling sering digunakan adalah Rank-based assignment, Roulette
wheel selection (seleksi roda roulette), dan tournament selection (seleksi
dengan turnamen). Seleksi akan menentukan individu-individu mana saja yang
akan dipilih untuk dilakukan rekombinasi dan bagaimana anak terbentuk dari
individu-individu terpilih tersebut.
4.1. Seleksi Roda Rolet (roulette-wheel)
Metode seleksi roda rolet merupakan metode yang paling
sederhana, dan sering juga dikenal dengan nama stochastic sampling
with replacement. Metode ini menirukan permainan roulette-wheel di
mana masing-masing kromosom menempati potongan lingkaran pada
roda rolet secara proporsional sesuai dengan nilai fitnessnya. Kromosom
yang mempunyai nilai fitness lebih besar menempati potongan lingkaran
yang lebih besar dibandingkan dengan kromosom bernilai fitness rendah.
Gambar 3.4.1.1 ilustrasi sebuah contoh penggunaan metode roda
roulette.
Kromosom Nilai Fitness Probabilitas K1 1 0.25 K2 2 0.5 K3 0.5 0.125 K4 0.5 0.125
Jumlah 4
Gambar 3.4.1.1 Contoh penggunaan metode seleksi roda roulette.
K3
K4 K1
K2
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
60
Kromosom K1 mempunyai probabilitas 25% untuk dipilih setiap
kali suatu kromosom dipilih (setiap roda diputar). Probabilitas masing-
masing individu dapat dicari dari pembagian fitness masing-masing
individu dengan total fitness dalam populasi.
Seleksi dengan roda rolet berdasarkan skala fitness. Karena
terpilihnya suatu kromosom dalam populasi untuk dapat berkembang
biak adalah sebanding dengan fitnesnya, maka akan terjadi
kecenderungan kromosom yang baik akan terpelihara terus sehingga
dapat membawa ke hasil optimum lokal (konvergensi dini) ke suatu hasil
yang bukan optimum global. Sebaliknya, jika semua kromosom dalam
populasi mempunyai fitness yang hampir sama, maka seleksi ini akan
menjadi seleksi yang bersifat acak.
4.2. Seleksi Ranking
Seleksi dengan roda rolet sebelumnya memiliki kelemahan ketika
fitness yang tersebar dalam populasi berbeda jauh misalnya jika fitness
dari kromosom terbaik dalah 90% dari keseluruhan roda rolet, maka
kromosom lain akan mempunyai kesempatan yang kecil untuk terpilih.
Pada seleksi ranking, pertama dilakukan merangkingkan
kromosom dalam populasi kemudian setiap kromosom menerima nilai
fitness dari ranking tersebut. Kromosom yang terjelek akan mendapatkan
nilai fitness 1, terjelek kedua mendapat nilai fitness 2 dan seterusnya
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
61
sampai yang terbaik mendapatkan nilai fitness N (jumlah kromosom
dalam populasi). Sebagai ilustrasi dapat dilihat pada tabel.
Kromosom Fitnes Fitnes Baru
B D E C A
5 5 5
10 15
1 2 3 4 5
Tabel 3.4.2.1 Contoh populasi dengan 5 kromosom yang diberi fitness baru
4.3. Seleksi Turnamen
Seleksi turnamen merupakan jenis seleksi yang divariasi
berdasarkan seleksi roda rolet dan seleksi ranking. Sejumlah k
kromosom tertentu dari populasi dengan n kromosom (k ≤ n) dipilih
secara acak dengan probabilitas yang sama. Dari k kromosom yang
terpilih tersebut kemudian dipilih suatu kromosom dengan fitness
terbaik, yang diperoleh dari hasil pengurutan rangking fitness
kromosom-kromosom yang dipilih tersebut.
Perbedaan dengan seleksi roda Roulette adalah bahwa pemilihan
kromosom yang akan digunakan untuk berkembang biak tidak
berdasarkan skala fitness dari populasi. Untuk k = 1, seleksi turnamen ini
akan sama dengan seleksi secara acak karena hanya melibatkan satu
kromosom. Untuk k = 2, maka dua kromosom dalam populasi akan
dipilih secara acak, kemudian dari dua kromosom tersebut dipilih satu
kromosom dengan fitness tersebut. Biasanya yang sering digunakan
adalah untuk k = 2 tergantung dari ukuran populasi.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
62
5. Operator Genetika
Ada 2 operator genetika, yaitu:
5.2 Rekombinasi (crossover)
Pada skripsi ini operator rekombinasi yang akan digunakan
adalah rekombinasi bernilai biner. Rekombinasi bernilai biner terdiri
dari : rekombinasi satu titik, rekombinasi banyak titik, dan
rekombinasi seragam. Rekombinasi yang akan digunakan dalam
skripsi ini adalah rekombinasi satu titik. Pada rekombinasi satu titik,
posisi rekombinasi k,(k = 1, 2, …, N-1) dengan N = panjang
kromosom, diseleksi secara random. Variabel-variabel ditukar antar
kromosom pada titik tersebut untuk menghasilkan anak (Gambar
3.5.1.1).
Gambar 3.5.1.1 Rekombinasi satu titik.
Pertama, ditentukan terlebih dahulu probabilitas rekombinasi,
pada skripsi ini probabilitas rekombinasi adalah 0.25 dengan harapan
25% dari kromosom akan mengalami rekombinasi. Dibangkitkan
bilangan dari selang [0, 1] secara acak sebanyak jumlah populasi,
jika bilangan tersebut kurang dari 0.25, maka bilangan tersebut
terpilih untuk menjadi induk. Setidaknya dua kromosom yang harus
induk anak 0 1 1 0 0 0 1 1 1 1 0 1
1 1 1 0 0 1 0 1 0 1 0 0
0 1 1 0 0 1 0 1 0 1 0 0
1 1 1 0 0 0 1 1 1 1 0 1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
63
terpilih untuk menjadi induk. Bilangan tersebut akan menentukan
populasi ke-berapa yang akan menjadi induk. Setelah induk terpilih,
bangkitkan posisi rekombinasi atau pos secara acak dari selang [1,
panjang kromosom-1]. Tukar kromosom dari induk1 ke induk2 pada
pos yang telah ditentukan. Hasil yang didapat dinamakan anak.
5.2 Mutasi
Setelah mengalami proses rekombinasi, pada anak dapat
dilakukan mutasi. Variabel anak dimutasi dengan menambahkan
nilai random yang sangat kecil, dengan probabilitas rendah. Peluang
mutasi (pm) didefinisikan sebagai presentasi dari jumlah total gen
pada populasi yang mengalami mutasi. Kromosom hasil mutasi harus
diperiksa, apakah masih berada dalam domain solusi, dan bila perlu
bisa dilakukan perbaikan. Mutasi berperan untuk menggantikan gen
yang hilang dari populasi akibat proses seleksi yang memungkinkan
munculnya kembali gen yang tidak muncul pada inisialisasi populasi.
Mutasi terdiri dari mutasi bernilai real dan mutasi bernilai biner.
Mutasi yang akan digunakan pada skripsi ini adalah mutasi biner.
Langkah-langkah dari mutasi biner adalah ;
i. Hitung jumlah gen pada populasi (panjang kromosom dikalikan
dengan ukuran populasi).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
64
ii. Tentukan probabilitas mutasi. Pada skripsi ini probabilitas yang
digunakan adalah 0.01, sehingga diharapkan 1% dari jumlah gen
mengalami mutasi.
iii. Secara acak tentukan posisi mutasi, nomor kromosom, nomor bit,
dan bilangan dari selang [0, 1].
iv. Ganti nilai gen (0 ke 1, atau 1 ke 0) dari kromosom yang akan
dimutasi tersebut.
Hasil dari mutasi disebut anak. Hasil dari mutasi dan
rekombinasi dimasukkan ke dalam populasi baru yang kemudian
akan dihitung nilai fitness-nya. Nilai fitness yang terbaik akan masuk
ke dalam populasi sebelumnya Agar populasi tetap konstan, maka
kromosom yang mempunyai nilai fitness yang terburuk akan
digantikan dengan kromosom anak yang mempunyai nilai fitness
terbaik.
6. Penentuan Parameter
Yang dimaksud dengan parameter disini adalah parameter kontrol
Algoritma Genetika, yaitu ukuran populasi (popsize), peluang rekombinasi
(Pc), dan peluang mutasi (Pm). Nilai parameter ditentukan dengan
berdasarkan permasalahan yang akan diselesaikan. Ada beberapa
rekomendasi yang bisa digunakan, antara lain:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
65
i. Untuk permasalahan yang memiliki kawasan solusi cukup besar, De
Jong merekomendasikan untuk nilai parameter kontrol:
(uk_populasi; pc; pm) = (50; 0.6; 0.001).
ii. Bila rata-rata fitness setiap generasi digunakan sebagai indikator,
maka Grefenstette merekomendasikan:
(uk_populasi; pc; pm) = (30; 0.95; 0.01).
iii. Bila fitness dari individu terbaik dipantau pada setiap generasi, maka
diusulkan:
(uk_populasi; pc; pm) = (80; 0.45; 0.01).
iv. Ukuran populasi sebaiknya tidak lebih kecil dari 30, untuk
sembarang jenis permasalahan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
66
BAB IV
OPTIMASI FUNGSI TANPA KENDALA DENGAN
ALGORITMA GENETIKA
Pada bab ini akan diberikan contoh-contoh dari permasalahan optimasi pe-
mrograman tak linear fungsi dua variabel tanpa kendala. Permasalahan-perma-
salahan tersebut akan diselesaikan dengan teknik konvensional menggunakan
kalkulus, serta dengan Algoritma Genetika.
Contoh 4.1
Permasalahan optimasi tanpa kendala diberikan sebagai berikut:
Maksimumkan ( ) 2221
2121 2, xxxxxxf ++=
101.0 1 ≤≤ x
95.4 2 ≤≤ x
Temukan nilai optimum dengan menggunakan Algoritma Genetika dan de-
ngan teknik konvensional.
a) Dengan Teknik Konvensional (Kalkulus).
( ) 2221
2121 2, xxxxxxf ++= , dengan 101.0 1 ≤≤ x , 95.4 2 ≤≤ x
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
67
Gambar 4.1 grafik fungsi ( ) 2221
2121 2, xxxxxxf ++=
Menentukan titik kritis:
⎟⎟⎠
⎞⎜⎜⎝
⎛++
=∇21
21
2222
xxxx
f
⎟⎟⎠
⎞⎜⎜⎝
⎛=
2222
Hf
0)( =∂∂ xf
211 22)( xxxf+=
∂∂ 212 22)( xxxf
+=∂∂
21 220 xx += 21 220 xx +=
21 xx −= 21 xx −=
Titik kritis tidak diketahui.
Berdasarkan teorema 2.1.2, maka
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
68
Untuk f(0.1, 4.5)
( ) 222 )5.4()5.4()1.0(2)1.0( ++=xf
25.209.001.0 ++=
16.21=
Untuk f(10, 9)
( ) 222 )9()9()10(2)10( ++=xf
81180100 ++=
361=
Nilai maksimum 361, dan nilai minimum 21.16.
b) Dengan Algoritma Genetika.
Representasi Masalah
Misalkan ketepatan angka untuk menyelesaikan permasalahan optimasi di
atas adalah empat tempat setelah desimal. Dan iterasi yang akan dicapai
adalah 100 iterasi. Jumlah populasi yang akan terjadi adalah 10, akan ditentu-
kan berapa bit yang harus digunakan untuk variabel x1 dan x2 :
1716.59]110)1.001[(log]110)atas batasbawah bataslog[( 42421 ≈=+−=+−=m
(10-0.1) ×104 = 99,000
1716 2000,992 ≤<
1615.45]110)5.49[(log]110)atas batasbawah bataslog[( 42421 ≈=+−=+−=m
(9-4.5) ×104 = 45,000
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
69
1615 2000,452 ≤<
Total bit dalam tiap kromosom (panjang kromosom) adalah (17 + 16)bit = 33
bit.
Untuk rekombinasi dan mutasi akan diuji pada probabilitas rekombinasi
antara 0.2 hingga 0.5, dan mutasi pada probabilitas 0.01 hingga 0.1. Sehingga,
rekombinasi kromosom akan terjadi apabila bilangan acak rekombinasi [0, 1]
lebih kecil atau sama dengan probabilitas rekombinasinya. Begitu pula dengan
mutasi, apabila bilangan acak mutasi [0, 1] lebih kecil atau sama dengan pro-
babilitas mutasi, maka mutasi kromosom akan terjadi. Dari 10 percobaan akan
dicari nilai maksimum yang mempunyai selisih 5% dari teknik konvensional.
Setiap percobaan diuji pada 100 generasi.
Untuk permasalahan maksimum:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
70
Pc = 0.2 Nilai Terbesar Pada Banyak Pm 10 kali Percobaan Titik Percobaan
0.01 0.02 0.03 0.04 0.05
tidak ada yang memenuhi
0.06 348.1101 (9.9578, 8.6999) 1 0.07 347.9697 (9.9578, 8.6999) 2 0.08 348.1439 (9.9587, 8.6953) 1 0.09 0.1 tidak terjadi
Tabel 4.1 Tabel nilai maksimum fungsi ( ) 2221
2121 2, xxxxxxf ++= dengan
probabilitas rekombinasi 0.2 dan probabilitas mutasi 0.01 hingga 0.1.
0123456789
10
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Probabilitas Mutasi
Ban
yak
Perc
obaa
n
Gambar 4.2 Grafik terjadinya nilai maksimum ( ) 2221
2121 2, xxxxxxf ++=
dengan probabilitas rekombinasi 0.2 dan probabilitas mutasi 0.01 hingga
0.1.
Dari tabel 4.1 dan gambar 4.2 terlihat bahwa percobaan terbanyak untuk
mendapatkan solusi terbaik terjadi pada probabilitas mutasi 0.07.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
71
Pc = 0.25 Nilai Terbesar Pada Banyak Pm 10 kali Percobaan Titik Percobaan
0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08
tidak ada yang memenuhi
0.09 343.7628 (9.9587, 8.6999) 2 0.1 tidak terjadi
Tabel 4.2 Tabel nilai maksimum fungsi ( ) 2221
2121 2, xxxxxxf ++= dengan
probabilitas rekombinasi 0.25 dan probabilitas mutasi 0.01 hingga 0.1.
0123456789
10
0.08 0.09 0.1
Probabilitas Mutasi
Ban
yak
Perc
obaa
n
Gambar 4.3 Grafik terjadinya nilai maksimum ( ) 2221
2121 2, xxxxxxf ++=
dengan probabilitas rekombinasi 0.25 dan probabilitas mutasi 0.01 hingga
0.1.
Dari tabel 4.2 dan gambar 4.3 terlihat bahwa percobaan terbanyak untuk
mendapatkan solusi terbaik terjadi pada probabilitas mutasi 0.09.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
72
Pc = 0.3 Nilai Terbesar Pada Banyak Pm 10 kali Percobaan Titik Percobaan
0.01 0.02 0.03 0.04 0.05
tidak ada yang memenuhi
0.06 348.1439 (9.9587, 8.6999) 1 0.07 348.1439 (9.9587, 8.6999) 1 0.08 348.1491 (9.9587, 8.7001) 2 0.09 335.6864 (9.3393, 8.9824) 1 0.1 347.5269 (9.9421, 86999) 1
Tabel 4.3 Tabel nilai maksimum fungsi dengan probabilitas rekombinasi
0.3 dan probabilitas mutasi 0.01 hingga 0.1.
0123456789
10
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Probabilitas Mutasi
Ban
yak
Perc
obaa
n
Gambar 4.4 Grafik terjadinya nilai maksimum ( ) 2221
2121 2, xxxxxxf ++=
dengan probabilitas rekombinasi 0.3 dan probabilitas mutasi 0.01 hingga
0.1.
Dari tabel 4.3 dan gambar 4.4 terlihat bahwa percobaan terbanyak untuk
mendapatkan solusi terbaik terjadi pada probabilitas mutasi 0.08.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
73
Pc = 0.35 Nilai Terbesar Pada Banyak Pm 10 kali Percobaan Titik Percobaan
0.01 0.02 0.03 0.04 0.05
tidak ada yang memenuhi
0.06 358.67 (9.9574, 8.9812) 1 0.07 348.1439 (9.9587, 8.6999) 1 0.08 tidak terjadi 0.09 348.2313 (9.9610, 8.6999) 3 0.1 348.1439 (9.9568, 8.6999) 2
Tabel 4.4 Tabel nilai maksimum fungsi ( ) 2221
2121 2, xxxxxxf ++= dengan
probabilitas rekombinasi 0.35 dan probabilitas mutasi 0.01 hingga 0.1.
0123456789
10
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Probabilitas Mutasi
Ban
yak
Perc
obaa
n
Gambar 4.5 Grafik terjadinya nilai maksimum ( ) 2221
2121 2, xxxxxxf ++=
dengan probabilitas rekombinasi 0.35 dan probabilitas mutasi 0.01 hingga
0.1.
Dari tabel 4.4 dan gambar 4.5 terlihat bahwa percobaan terbanyak untuk
mendapatkan solusi terbaik terjadi pada probabilitas mutasi 0.09.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
74
Pc = 0.4 Nilai Terbesar Pada Banyak Pm 10 kali Percobaan Titik Percobaan
0.01 0.02 tidak ada yang memenuhi
0.03 343.6813 (9.8762, 8.6624) 1 0.04 tidak ada yang memenuhi 0.05 348.1439 (9.9587, 8.6999) 2 0.06 tidak ada yang memenuhi 0.07 346.3638 (9.9484, 8.6624) 1 0.08 358.6958 (9.9581, 8.9812) 2 0.09 348.096 (9.9574, 8.6999) 1 0.1 348.1468 (9.9588, 8.6999) 1
Tabel 4.5 Tabel nilai maksimum fungsi ( ) 2221
2121 2, xxxxxxf ++= dengan
probabilitas rekombinasi 0.4 dan probabilitas mutasi 0.01 hingga 0.1.
0123456789
10
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Probabilitas Mutasi
Ban
yak
Perc
obaa
n
Gambar 4.6 Grafik terjadinya nilai maksimum ( ) 2221
2121 2, xxxxxxf ++=
dengan probabilitas rekombinasi 0.4 dan probabilitas mutasi 0.01 hingga
0.1.
Dari tabel 4.5 dan gambar 4.6 terlihat bahwa percobaan terbanyak untuk
mendapatkan solusi terbaik terjadi pada probabilitas mutasi 0.08.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
75
Pc = 0.45 Nilai Terbesar Pada Banyak Pm 10 kali Percobaan Titik Percobaan
0.01 0.02 0.03 0.04
tidak ada yang memenuhi
0.05 348.1439 (9.9587, 8.6999) 1 0.06 348.2249 (9.9433, 8.7175) 1 0.07 348.1496 (9.9588, 8.6999) 1 0.08 359.0371 (9.9484, 8.9999) 1 0.09 349.5406 (9.9961, 8.6999) 2 0.1 348.1439 (9.9587, 8.6999) 1
Tabel 4.6 Tabel nilai maksimum fungsi ( ) 2221
2121 2, xxxxxxf ++= dengan
probabilitas rekombinasi 0.45 dan probabilitas mutasi 0.01 hingga 0.1.
0123456789
10
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Probabilitas Mutasi
Ban
yak
Perc
obaa
n
Gambar 4.7 Grafik terjadinya nilai maksimum ( ) 2221
2121 2, xxxxxxf ++=
dengan probabilitas rekombinasi 0.45 dan probabilitas mutasi 0.01 hingga
0.1.
Dari tabel 4.6 dan gambar 4.7 terlihat bahwa percobaan terbanyak untuk
mendapatkan solusi terbaik terjadi pada probabilitas mutasi 0.08.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
76
Pc = 0.5 Nilai Terbesar Pada Banyak Pm 10 kali Percobaan Titik Percobaan
0.01 348.14398 (9.9587, 8.6999) 1 0.02 0.03 0.04 0.05 0.06 0.07 0.08
tidak ada yang memenuhi
0.09 343.3662 (9.8325, 8.6976) 1 0.1 350.2321 (9.9970, 8.7175) 3
Tabel 4.7 Tabel nilai maksimum fungsi ( ) 2221
2121 2, xxxxxxf ++= dengan
probabilitas rekombinasi 0.5 dan probabilitas mutasi 0.01 hingga 0.1.
0123456789
10
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Probabilitas Mutasi
Ban
yak
Perc
obaa
n
Gambar 4.8 Grafik terjadinya nilai maksimum ( ) 2221
2121 2, xxxxxxf ++=
dengan probabilitas rekombinasi 0.5 dan probabilitas mutasi 0.01 hingga
0.1.
Dari tabel 4.7 dan gambar 4.8 terlihat bahwa percobaan terbanyak untuk
mendapatkan solusi terbaik terjadi pada probabilitas mutasi 0.1.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
77
Dari grafik-grafik di atas, terlihat bahwa nilai maksimum yang
mendekati dengan pencarian teknik konvensional serta mengalami percobaan
terbanyak adalah dengan menggunakan probabilitas mutasi 0.08.
Akan dilihat berdasarkan probabilitas mutasi (pada probabilitas mutasi
0.08).
Pm = 0.08 Nilai Terbesar Pada Banyak Pc 10 kali Percobaan Titik Percobaan
0.2 348.1439 (9.9587, 8.6953) 1 0.25 tidak ada yang memenuhi 0.3 348.1491 (9.9587, 8.7001) 2 0.35 tidak ada yang memenuhi 0.4 358.6958 (9.9581, 8.9812) 2 0.45 359.0371 (9.9484, 8.9999) 2 0.5 tidak ada yang memenuhi
Tabel 4.8 Tabel nilai maksimum fungsi ( ) 2221
2121 2, xxxxxxf ++= dengan
probabilitas rekombinasi 0.2-0.5 dan probabilitas mutasi 0.08.
0123456789
10
0.2 0.25 0.3 0.35 0.4 0.45 0.5
Probabilitas Rekombinasi
Ban
yak
Perc
obaa
n
Gambar 4.9 Grafik terjadinya nilai maksimum ( ) 2221
2121 2, xxxxxxf ++=
dengan probabilitas rekombinasi 0.2-0.5 dan probabilitas mutasi 0.08.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
78
Dari tabel 4.8 terlihat bahwa percobaan terbanyak untuk mendapatkan
solusi terbaik terjadi pada probabilitas rekombinasi 0.4 dan 0.45 dengan pro-
babilitas mutasi 0.08.
Contoh 4.2
Permasalahan optimasi tanpa kendala diberikan sebagai berikut:
( ) 193, 21
322
2121 +−−= xxxxxxf
Temukan nilai optimum dengan menggunakan Algoritma Genetika dan de-
ngan teknik konvensional.
Gambar 4.10 grafik fungsi ( ) 193, 21
322
2121 +−−= xxxxxxf
a) Dengan Teknik Konvensional (Kalkulus)
Menentukan titik kritis:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
79
⎟⎟⎠
⎞⎜⎜⎝
⎛−−
=∇ 22
21
121
27326xxxxx
f
0)( =∂∂ xf
1211 26)( xxxxf−=
∂∂ 2
2212 273)( xxxf−=
∂∂
)13(0 21 −= xx 22
21 90 xx −=
31atau 0 21 == xx untuk 01 =x , 02 =x
untuk 31
2 =x , 11 ±=x .
f(x) mempunyai tiga titik kritis, yaitu:
)31,1(),3
1,1(),0,0( 321 −=== ppp
Dengan berdasarkan teorema 2.2.6, maka
26)( 111 −=∂∂ xxxf
121 6)( xxxf=
∂∂
222 54)( xxxf−=
∂∂
⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜
⎝
⎛
∂∂
∂∂
∂∂
∂∂
=Δ
2221
2111)(
xxf
xxf
xxf
xxf
f x
2
212211⎟⎟⎠
⎞⎜⎜⎝
⎛∂∂
−∂∂
∂∂
=xxf
xxf
xxf
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
80
2121 )6()54)(26( xxx −−−=
2212
1 10832436 xxxx ++−=
Untuk
0)(),0,0(1 =Δ= xfp ; p1 tidak memberikan penyelesaian.
0108)(),31,1(2 >=Δ= xfp ; berdasarkan teorema 2.2.7 )(xfΔ definit
positif.
0108)(),31,1(3 <−=Δ−= xfp ; berdasarkan teorema 2.2.7 )(xfΔ definit
negatif.
Pada titik )31,1(),3
1,1( − akan diuji dengan menggunakan definisi 2.2.11.
xx AQA •= , dengan )(xfA Δ=
⎟⎟⎠
⎞⎜⎜⎝
⎛⎟⎟⎠
⎞⎜⎜⎝
⎛−
−•=
2
1
21
1221
546626
),(xx
xxxx
xx
( ) ( )22
212112121 546 ,626, xxxxxxxxx −+−•=
32
212
21 54412 xxxx −+=
Berdasarkan definisi 2.2.11, maka
Untuk titik )31,1( : ( ) ( ) 063
15443112)(
3>=−+=xAQ adalah pembuat
minimum relatif.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
81
Untuk titik )31,1(− : ( ) ( ) 063
15443112)(
3>=−+=xAQ adalah pembuat
minimum relatif.
Mencari nilai optimum
Untuk )31,1(f
( ) 193, 21
322
2121 +−−= xxxxxxf
11).(9.1.3 233
13
12 +−−=
66.0=
Untuk )31,1(−f
( ) 193, 21
322
2121 +−−= xxxxxxf
1)1().(9.)1.(3 233
13
12 +−−−−=
66.0=
Minimum relatif terjadi pada titik )31,1(),3
1,1( − .
b) Dengan Algoritma Genetika
Representasi Masalah
Misalkan ketepatan angka untuk menyelesaikan permasalahan optimasi di
atas adalah empat tempat setelah desimal. Dan iterasi yang akan dicapai
adalah 100 iterasi. Jumlah populasi yang akan terjadi adalah 10, akan ditentu-
kan berapa bit yang harus digunakan untuk variabel x1 dan x2 :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
82
1514.2878]110)11[(log]110)atas batasbawah bataslog[( 42421 ≈=++=+−=m
(1+1) ×104 = 20,000
1514 2000,202 ≤<
1514.2878]110)11[(log]110)atas batasbawah bataslog[( 42422 ≈=++=+−=m
(1+1) ×104 = 20,000
1514 2000,202 ≤<
Total bit dalam tiap kromosom (panjang kromosom) adalah (15 + 15)bit = 30
bit.
Untuk rekombinasi dan mutasi akan diuji pada probabilitas rekombinasi
antara 0.2 hingga 0.5, dan mutasi pada probabilitas 0.01 hingga 0.1. Sehingga,
rekombinasi kromosom akan terjadi apabila bilangan acak rekombinasi [0, 1]
lebih kecil atau sama dengan probabilitas rekombinasinya. Begitu pula dengan
mutasi, apabila bilangan acak mutasi [0, 1] lebih kecil atau sama dengan prob-
abilitas mutasi, maka mutasi kromosom akan terjadi. Dari 10 percobaan akan
dicari nilai maksimum yang mempunyai selisih 0.5% dari teknik konven-
sional. Dan nilai minimum yang mempunyai selisih 5% dari teknik konven-
sional. Setiap percobaan diuji pada 100 generasi.
Untuk permasalahan maksimum:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
83
Pc = 0.2 Nilai Terbesar Pada Banyak Pm 10 kali Percobaan Titik Percobaan
0.01 0.9958 (0.0645, 0.0001) 6 0.02 0.9971 (0.0500, 0.0444) 5 0.03 0.9955 (0.0666, 0.0418) 4 0.04 1 (0.0002, 0.0001) 4 0.05 0.9958 (0.0666, 0.0209) 6 0.06 0.9992 (0.0041, 0.0444) 8 0.07 1 (0.0001, 0.0001) 8 0.08 1 (0.0041, 0.0001) 5 0.09 0.9961 (0.0626, 0.0055) 5 0.1 1 (0.0000, 0.0055) 6
Tabel 4.9 Tabel nilai maksimum fungsi ( ) 193, 21
322
2121 +−−= xxxxxxf den-
gan probabilitas rekombinasi 0.2 dan probabilitas mutasi 0.01 hingga 0.1.
0
1
2
3
4
5
6
7
8
9
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Probabilitas Mutasi
Ban
yak
Perc
obaa
n
Gambar 4.11 Grafik terjadinya nilai maksimum fungsi
( ) 193, 21
322
2121 +−−= xxxxxxf dengan probabilitas rekombinasi 0.2 dan
probabilitas mutasi 0.01 hingga 0.1.
Dari tabel 4.9 dan gambar 4.11 terlihat bahwa percobaan terbanyak un-
tuk mendapatkan solusi terbaik terjadi pada probabilitas mutasi 0.06 dan
0.07.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
84
Pc = 0.25 Nilai Terbesar Pada Banyak Pm 10 kali Percobaan Titik Percobaan
0.01 0.9957 (0.0666, 0.0165) 5 0.02 0.9957 (0.0666, 0.0110) 5 0.03 0.9983 (-0.0417, 0.0001) 5 0.04 1 (0.0041, 0.0007) 6 0.05 1 (0.0041, 0.0006) 5 0.06 1 (0.0041, 0.0006) 6 0.07 1 (0.0041, 0.0105) 6 0.08 1 (0.0041, 0.0002) 8 0.09 1 (0.0041, 0.0082) 8 0.1 1 (0.0001, 0.0001) 3
Tabel 4.10 Tabel nilai maksimum fungsi ( ) 193, 21
322
2121 +−−= xxxxxxf
dengan probabilitas rekombinasi 0.25 dan probabilitas mutasi 0.01 hingga
0.1.
0
1
2
3
4
5
6
7
8
9
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Probabilitas Mutasi
Ban
yak
Perc
obaa
n
Gambar 4.12 Grafik terjadinya nilai maksimum
( ) 193, 21
322
2121 +−−= xxxxxxf dengan probabilitas rekombinasi 0.25 dan
probabilitas mutasi 0.01 hingga 0.1.
Dari tabel 4.10 dan gambar 4.12 terlihat bahwa percobaan terbanyak un-
tuk mendapatkan solusi terbaik terjadi pada probabilitas mutasi 0.08 dan
0.09.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
85
Pc = 0.3 Nilai Terbesar Pada Banyak Pm 10 kali Percobaan Titik Percobaan
0.01 0.9989 (0.0334, 0.0110) 6 0.02 0.9992 (0.0013, 0.0444) 6 0.03 1 (0.0041, 0.0001) 7 0.04 0.9983 (0.0333, 0.0444) 5 0.05 0.9992 (0.0041, 0.0444) 8 0.06 1 (0.0041, 0.0001) 5 0.07 1 (0.0041, 0.0001) 7 0.08 1 (0.0000, 0.0001) 8 0.09 1 (0.0041, 0.0001) 4 0.1 0.9992 (0.0041, 0.0444) 7
Tabel 4.11 Tabel nilai maksimum ( ) 193, 21
322
2121 +−−= xxxxxxf dengan
probabilitas rekombinasi 0.3 dan probabilitas mutasi 0.01 hingga 0.1.
0
1
2
3
4
5
6
7
8
9
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Probabilitas Mutasi
Ban
yak
Perc
obaa
n
Gambar 4.13 Grafik terjadinya nilai maksimum
( ) 193, 21
322
2121 +−−= xxxxxxf dengan probabilitas rekombinasi 0.3 dan
probabilitas mutasi 0.01 hingga 0.1.
Dari tabel 4.11 dan gambar 4.13 terlihat bahwa percobaan terbanyak un-
tuk mendapatkan solusi terbaik terjadi pada probabilitas mutasi 0.05 dan
0.08.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
86
Pc = 0.35 Nilai Terbesar Pada Banyak Pm 10 kali Percobaan Titik Percobaan
0.01 0.9971 (0.0500, 0.0444) 6 0.02 0.9958 (0.0666, 0.0193) 6 0.03 0.9996 (0.0208, 0.0082) 7 0.04 1 (0.0042, 0.0001) 6 0.05 0.9975 (0.0500, 0.0001) 2 0.06 1 (0.0041, 0.0006) 5 0.07 0.9997 (0.0187, 0.0014) 7 0.08 1 (0.0041, 0.0001) 7 0.09 1 (0.0000, 0.0001) 8 0.1 1 (0.0002, 0.0001) 7
Tabel 4.12 Tabel nilai maksimum fungsi ( ) 193, 21
322
2121 +−−= xxxxxxf
dengan probabilitas rekombinasi 0.35 dan probabilitas mutasi 0.01 hingga
0.1.
0
1
2
3
4
5
6
7
8
9
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Probabilitas Mutasi
Ban
yak
Perc
obaa
n
Gambar 4.14 Grafik terjadinya nilai maksimum
( ) 193, 21
322
2121 +−−= xxxxxxf dengan probabilitas rekombinasi 0.35 dan
probabilitas mutasi 0.01 hingga 0.1.
Dari tabel 4.12 dan gambar 4.14 terlihat bahwa percobaan terbanyak un-
tuk mendapatkan solusi terbaik terjadi pada probabilitas mutasi 0.09.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
87
Pc = 0.4 Nilai Terbesar Pada Banyak Pm 10 kali Percobaan Titik Percobaan
0.01 0.9975 (0.0500, 0.0001) 5 0.02 1 (0.0041, 0.0009) 6 0.03 0.9992 (0.0041, 0.0444) 4 0.04 1 (0.0041, 0.0001) 3 0.05 1 (0.0041, 0.0110) 6 0.06 0.9992 (0.0041, 0.0444) 7 0.07 0.9992 (0.0041, 0.0444) 5 0.08 1 (0.0041, 0.0110) 9 0.09 0.9992 (0.0041, 0.0444) 5 0.1 0.9993 (0.0041, 0.0418) 6
Tabel 4.13 Tabel nilai maksimum fungsi ( ) 193, 21
322
2121 +−−= xxxxxxf
dengan probabilitas rekombinasi 0.4 dan probabilitas mutasi 0.01 hingga
0.1.
0123456789
10
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Probabilitas Mutasi
Ban
yak
Perc
obaa
n
Gambar 4.15 Grafik terjadinya nilai maksimum
( ) 193, 21
322
2121 +−−= xxxxxxf dengan probabilitas rekombinasi 0.4 dan
probabilitas mutasi 0.01 hingga 0.1.
Dari tabel 4.13 dan gambar 4.15 terlihat bahwa percobaan terbanyak un-
tuk mendapatkan solusi terbaik terjadi pada probabilitas mutasi 0.08.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
88
Pc = 0.45 Nilai Terbesar Pada Banyak Pm 10 kali Percobaan Titik Percobaan
0.01 0.9983 (0.0333, 0.0444) 4 0.02 1 (0.0020, 0.0006) 6 0.03 1 (0.0041, 0.0002) 7 0.04 1 (0.0041, 0.0014) 4 0.05 1 (0.0002, 0.0001) 8 0.06 0.9989 (0.0333, 0.0110) 2 0.07 1 (0.0002, 0.0004) 7 0.08 0.9999 (0.0040, 0.0165) 9 0.09 0.9989 (0.0332, 0.0105) 7 0.1 1 (0.0041, 0.0110) 8
Tabel 4.14 Tabel nilai maksimum fungsi ( ) 193, 21
322
2121 +−−= xxxxxxf
dengan probabilitas rekombinasi 0.45 dan probabilitas mutasi 0.01 hingga
0.1.
0123456789
10
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Probabilitas Mutasi
Ban
yak
Perc
obaa
n
Gambar 4.16 Grafik terjadinya nilai maksimum
( ) 193, 21
322
2121 +−−= xxxxxxf dengan probabilitas rekombinasi 0.45 dan
probabilitas mutasi 0.01 hingga 0.1.
Dari tabel 4.14 dan gambar 4.16 terlihat bahwa percobaan terbanyak un-
tuk mendapatkan solusi terbaik terjadi pada probabilitas mutasi 0.08.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
89
Pc = 0.5 Nilai Terbesar Pada Banyak Pm 10 kali Percobaan Titik Percobaan
0.01 0.9976 (0.0500, 0.0082) 7 0.02 1 (0.0041, 0.0055) 6 0.03 1 (0.0041, 0.0136) 9 0.04 0.9971 (0.0498, 0.0444) 7 0.05 1 (0.0001, 0.0001) 6 0.06 1 (0.0020, 0.0001) 7 0.07 0.9992 (0.0052, 0.0444) 8 0.08 1 (0.0001, 0.0055) 6 0.09 0.9957 (0.0666, 0.0139) 5 0.1 0.9997 (0.0177, 0.0027) 8
Tabel 4.15 Tabel nilai maksimum fungsi ( ) 193, 21
322
2121 +−−= xxxxxxf
dengan probabilitas rekombinasi 0.5 dan probabilitas mutasi 0.01 hingga
0.1.
0123456789
10
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Probabilitas Mutasi
Ban
yak
Perc
obaa
n
Gambar 4.17 Grafik terjadinya nilai maksimum
( ) 193, 21
322
2121 +−−= xxxxxxf dengan probabilitas rekombinasi 0.5 dan
probabilitas mutasi 0.01 hingga 0.1.
Dari tabel 4.15 dan gambar 4.17 terlihat bahwa percobaan terbanyak un-
tuk mendapatkan solusi terbaik terjadi pada probabilitas mutasi 0.03.
Dari gambar di atas, terlihat bahwa pada probabilitas mutasi 0.08
percobaan lebih banyak terjadi untuk mendapatkan solusi optimal.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
90
Untuk permasalahan minimum:
Pc = 0.2 Nilai Terkecil Pada Banyak Pm 10 kali Percobaan Titik Percobaan
0.01 0 (-1.0000, 0.0000) 4 0.02 0 (-1.0000, 0.0000) 3 0.03 0 (-1.0000, 0.0000) 4 0.04 0.0002 (-1.0000, 0.0001) 5 0.05 0 (-1.0000, 0.0000) 2 0.06 0 (-1.0000, 0.0000) 4 0.07 0 (-1.0000, 0.0000) 3 0.08 0 (-1.0000, 0.0000) 6 0.09 0 (-1.0000, 0.0000) 4 0.1 0 (-1.0000, 0.0000) 2
Tabel 4.16 Tabel nilai minimum fungsi ( ) 193, 21
322
2121 +−−= xxxxxxf den-
gan probabilitas rekombinasi 0.2 dan probabilitas mutasi 0.01 hingga 0.1.
0123456789
10
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Probabilitas Mutasi
Ban
yak
Perc
obaa
n
Gambar 4.18 Grafik terjadinya nilai minimum fungsi
( ) 193, 21
322
2121 +−−= xxxxxxf dengan probabilitas rekombinasi 0.2 dan
probabilitas mutasi 0.01 hingga 0.1.
Dari tabel 4.1 dan gambar 4.18 terlihat bahwa percobaan terbanyak un-
tuk mendapatkan solusi terbaik terjadi pada probabilitas mutasi 0.08.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
91
Pc = 0.25 Nilai Terkecil Pada Banyak Pm 10 kali Percobaan Titik Percobaan
0.01 0 (-1.0000, 0.0000) 4 0.02 0 (-1.0000, 0.0000) 5 0.03 0 (-1.0000, 0.0000) 4 0.04 0 (-1.0000, 0.0000) 4 0.05 0.0002 (-1.0000, 0.0001) 3 0.06 0 (-1.0000, 0.0000) 2 0.07 0 (-1.0000, 0.0000) 2 0.08 0.0004 (-0.9999, 0.0001) 2 0.09 0 (-1.0000, 0.0000) 4 0.1 0 (-1.0000, 0.0000) 3
Tabel 4.17 Tabel nilai minimum fungsi ( ) 193, 21
322
2121 +−−= xxxxxxf den-
gan probabilitas rekombinasi 0.25 dan probabilitas mutasi 0.01 hingga 0.1.
0123456789
10
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Probabilitas Mutasi
Ban
yak
Perc
obaa
n
Gambar 4.19 Grafik terjadinya nilai minimum
( ) 193, 21
322
2121 +−−= xxxxxxf dengan probabilitas rekombinasi 0.25 dan
probabilitas mutasi 0.01 hingga 0.1.
Dari tabel 4.17 dan gambar 4.19 terlihat bahwa percobaan terbanyak un-
tuk mendapatkan solusi terbaik terjadi pada probabilitas mutasi 0.02.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
92
Pc = 0.3 Nilai Terkecil Pada Banyak Pm 10 kali Percobaan Titik Percobaan
0.01 0 (-1.0000, 0.0000) 5 0.02 0 (-1.0000, 0.0000) 2 0.03 0 (-1.0000, 0.0000) 5 0.04 0 (-1.0000, 0.0000) 1 0.05 0 (-1.0000, 0.0000) 3 0.06 0 (-1.0000, 0.0000) 1 0.07 0 (-1.0000, 0.0000) 3 0.08 0.0413 (-0.9792, 0.0001) 1 0.09 0 (-1.0000, 0.0000) 3 0.1 0 (-1.0000, 0.0000) 6
Tabel 4.18 Tabel nilai minimum ( ) 193, 21
322
2121 +−−= xxxxxxf dengan
probabilitas rekombinasi 0.3 dan probabilitas mutasi 0.01 hingga 0.1.
0123456789
10
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Probabilitas Mutasi
Ban
yak
Perc
obaa
n
Gambar 4.20 Grafik terjadinya nilai minimum
( ) 193, 21
322
2121 +−−= xxxxxxf dengan probabilitas rekombinasi 0.3 dan
probabilitas mutasi 0.01 hingga 0.1.
Dari tabel 4.18 dan gambar 4.20 terlihat bahwa percobaan terbanyak un-
tuk mendapatkan solusi terbaik terjadi pada probabilitas mutasi 0.1.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
93
Pc = 0.35 Nilai Terkecil Pada Banyak Pm 10 kali Percobaan Titik Percobaan
0.01 0 (-1.0000, 0.0000) 4 0.02 0 (-1.0000, 0.0000) 1 0.03 0.0084 (-0.9959, 0.0001) 2 0.04 0 (-1.0000, 0.0000) 5 0.05 0.0006 (-0.9998, 0.0001) 2 0.06 0 (-1.0000, 0.0000) 4 0.07 0 (-1.0000, 0.0000) 4 0.08 0 (-1.0000, 0.0000) 6 0.09 0 (-1.0000, 0.0000) 4 0.1 0 (-1.0000, 0.0000) 1
Tabel 4.19 Tabel nilai minimum fungsi ( ) 193, 21
322
2121 +−−= xxxxxxf den-
gan probabilitas rekombinasi 0.35 dan probabilitas mutasi 0.01 hingga 0.1.
0123456789
10
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Probabilitas Mutasi
Ban
yak
Perc
obaa
n
Gambar 4.21 Grafik terjadinya nilai minimum
( ) 193, 21
322
2121 +−−= xxxxxxf dengan probabilitas rekombinasi 0.35 dan
probabilitas mutasi 0.01 hingga 0.1.
Dari tabel 4.19 dan gambar 4.21 terlihat bahwa percobaan terbanyak un-
tuk mendapatkan solusi terbaik terjadi pada probabilitas mutasi 0.08.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
94
Pc = 0.4 Nilai Terkecil Pada Banyak Pm 10 kali Percobaan Titik Percobaan
0.01 0 (-1.0000, 0.0000) 2 0.02 0 (-1.0000, 0.0000) 3 0.03 0.0002 (-1.0000, 0.0001) 3 0.04 0 (-1.0000, 0.0000) 4 0.05 0 (-1.0000, 0.0000) 4 0.06 0 (-1.0000, 0.0000) 2 0.07 0 (-1.0000, 0.0000) 3 0.08 0 (-1.0000, 0.0000) 1 0.09 0 (-1.0000, 0.0000) 3 0.1 0.0063 (-0.9969, 0.0001) 1
Tabel 4.20 Tabel nilai minimum fungsi ( ) 193, 21
322
2121 +−−= xxxxxxf
dengan probabilitas rekombinasi 0.4 dan probabilitas mutasi 0.01 hingga
0.1.
0123456789
10
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Probabilitas Mutasi
Ban
yak
Perc
obaa
n
Gambar 4.22 Grafik terjadinya nilai minimum
( ) 193, 21
322
2121 +−−= xxxxxxf dengan probabilitas rekombinasi 0.4 dan
probabilitas mutasi 0.01 hingga 0.1.
Dari tabel 4.20 dan gambar 4.22 terlihat bahwa percobaan terbanyak un-
tuk mendapatkan solusi terbaik terjadi pada probabilitas mutasi 0.04 dan
0.05.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
95
Pc = 0.45 Nilai Terkecil Pada Banyak Pm 10 kali Percobaan Titik Percobaan
0.01 0 (-1.0000, 0.0000) 3 0.02 0 (-1.0000, 0.0000) 2 0.03 0 (-1.0000, 0.0000) 3 0.04 0 (-1.0000, 0.0000) 4 0.05 0.001 (-0.9334, 0.0001) 3 0.06 0 (-1.0000, 0.0000) 5 0.07 0 (-1.0000, 0.0000) 4 0.08 0 (-1.0000, 0.0000) 6 0.09 0 (-1.0000, 0.0000) 5 0.1 0 (-1.0000, 0.0000) 2
Tabel 4.21 Tabel nilai minimum fungsi ( ) 193, 21
322
2121 +−−= xxxxxxf
dengan probabilitas rekombinasi 0.45 dan probabilitas mutasi 0.01 hingga
0.1.
0123456789
10
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Probabilitas Mutasi
Ban
yak
Perc
obaa
n
Gambar 4.23 Grafik terjadinya nilai minimum
( ) 193, 21
322
2121 +−−= xxxxxxf dengan probabilitas rekombinasi 0.45 dan
probabilitas mutasi 0.01 hingga 0.1.
Dari tabel 4.21 dan gambar 4.23 terlihat bahwa percobaan terbanyak un-
tuk mendapatkan solusi terbaik terjadi pada probabilitas mutasi 0.08.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
96
Pc = 0.5 Nilai Terkecil Pada Banyak Pm 10 kali Percobaan Titik Percobaan
0.01 0 (-1.0000, 0.0000) 3 0.02 0 (-1.0000, 0.0000) 4 0.03 0 (-1.0000, 0.0000) 4 0.04 0 (-1.0000, 0.0000) 2 0.05 0 (-1.0000, 0.0000) 5 0.06 0.0043 (-0.9980, 0.0001) 1 0.07 0 (-1.0000, 0.0000) 4 0.08 0 (-1.0000, 0.0000) 2 0.09 0 (-1.0000, 0.0000) 1 0.1 0 (-1.0000, 0.0000) 2
Tabel 4.22 Tabel nilai minimum fungsi ( ) 193, 21
322
2121 +−−= xxxxxxf
dengan probabilitas rekombinasi 0.5 dan probabilitas mutasi 0.01 hingga
0.1.
0123456789
10
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Probabilitas Mutasi
Ban
yak
Perc
obaa
n
Gambar 4.24 Grafik terjadinya nilai minimum
( ) 193, 21
322
2121 +−−= xxxxxxf dengan probabilitas rekombinasi 0.5 dan
probabilitas mutasi 0.01 hingga 0.1.
Dari tabel 4.22 dan gambar 4.24 terlihat bahwa percobaan terbanyak un-
tuk mendapatkan solusi terbaik terjadi pada probabilitas mutasi 0.5.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
97
Dari grafik-grafik di atas, terlihat bahwa nilai maksimum dan minimum
yang mendekati dengan pencarian teknik konvensional adalah dengan meng-
gunakan probabilitas mutasi 0.08.
Akan dilihat berdasarkan probabilitas mutasi (pada probabilitas mutasi
0.08).
Pm = 0.08 Nilai Terbesar Pada Banyak Pc 10 kali Percobaan Titik Percobaan
0.2 1 (0.0041, 0.0001) 5 0.25 1 (0.0041, 0.0002) 8 0.3 1 (0.0000, 0.0001) 8 0.35 1 (0.0041, 0.0001) 7 0.4 0.9999 (0.0040, 0.0165) 9 0.45 1 (0.0001, 0.0055) 6 0.5 1 (0.0041, 0.0110) 9
Tabel 4.23 Tabel nilai maksimum fungsi ( ) 193, 21
322
2121 +−−= xxxxxxf
dengan probabilitas rekombinasi 0.2-0.5 dan probabilitas mutasi 0.08.
0
1
2
3
45
6
7
8
9
10
0.2 0.25 0.3 0.35 0.4 0.45 0.5
Prob ab ili t as R ekombinasi
Gambar 4.25 Grafik terjadinya nilai maksimum
( ) 193, 21
322
2121 +−−= xxxxxxf dengan probabilitas rekombinasi 0.2-0.5
dan probabilitas mutasi 0.08.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
98
Pm = 0.08 Nilai Terbesar Pada Banyak
Pc 10 kali Percobaan
Titik Percobaan
0.2 0 (-1.0000, 0.0000) 6 0.25 0.0004 (-0.9999, 0.0001) 2 0.3 0.0413 (-0.9792, 0.0001) 1 0.35 0 (-1.0000, 0.0000) 6 0.4 0 (-1.0000, 0.0000) 6 0.45 0 (-1.0000, 0.0000) 2 0.5 0 (-1.0000, 0.0000) 6
Tabel 4.24 Tabel nilai minimum fungsi ( ) 193, 21
322
2121 +−−= xxxxxxf
dengan probabilitas rekombinasi 0.2-0.5 dan probabilitas mutasi 0.08.
0123456789
10
0.2 0.25 0.3 0.35 0.4 0.45 0.5
Probabilitas Rekombinasi
Ban
yak
Perc
obaa
n
Gambar 4.26 Grafik terjadinya nilai minimum
( ) 193, 21
322
2121 +−−= xxxxxxf dengan probabilitas rekombinasi 0.2-0.5
dan probabilitas mutasi 0.08.
Dari tabel 4.23 dan gambar 4.24 terlihat bahwa percobaan terbanyak un-
tuk mendapatkan solusi terbaik terjadi pada probabilitas rekombinasi 0.45
dengan probabilitas mutasi 0.08.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
99
Contoh 4.3
Permasalahan optimasi tanpa kendala diberikan sebagai berikut:
Maksimumkan ( ) )(121
22
21, xxexxxf +−=
23 1 ≤≤− x
20 2 ≤≤ x
Gambar 4.27 grafik fungsi ( ) )(121
22
21, xxexxxf +−=
Temukan nilai maksimum dengan menggunakan teknik konvensional dan
a) Dengan Teknik Konvensional (Kalkulus)
Menentukan titik kritis :
⎟⎟⎠
⎞⎜⎜⎝
⎛
−+=∇
+−
+−
)(2
21
)(211
22
21
22
21
2)2(
xx
xx
exxexxf
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛
++−
+−++−−=
+−+−
+−+−
)(2121
)(22
21
)(121
)(1
21
31
22
21
22
21
22
21
22
21
)1(4)21(2
)2(2)1(2xxxx
xxxx
exxxexx
exxxexxxHf
0)( =∂∂ xf
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
100
)(2111
22
21)2()( xxexxxf +−+=
∂∂ )(
2212
22
212)( xxexxxf +−−=
∂∂
)(211
22
21)2(0 xxexx +−+= 2
)(2
21
22
2120 xxexx +−−=
Titik kritis sulit untuk dicari.
)).(( xxx HfQA •=
⎟⎟⎠
⎞⎜⎜⎝
⎛⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛
++−
+−++−−•=
+−+−
+−+−
2
1)(2
121)(2
221
)(121
)(1
21
31
21 )1(4)21(2
)2(2)1(2),( 2
221
22
21
22
21
22
21
xx
exxxexx
exxxexxxxx
xxxx
xxxx
)(321
32
312
31
22
31
22
211
21
31
41
22
21)482 ,24222( xxexxxxxxxxxxxxxx +−++−−−++−−=
Berdasarkan definisi 2.2.11, maka
Untuk titik (-3, 0)
92345 ))3()3(2)3(2)3.(2( −−+−+−−−−= eQA
9)954162486( −−−−= e
003.0 >= adalah pembuat minimum relatif.
Untuk titik (2, 2)
−++−−−++−−= eQA ))2()2()2()2()2()2()2()2()2(( 695662456
8)645123264644163264( −++−−−++−−= e
011.0 >= adalah pembuat minimum relatif.
Pada titik (-3, 0) dan (2, 2) atau pada titik batas selang tidak terjadi nilai mak-
simum, sehingga pada permasalahan ini pembuat maksimum tidak dapat
diketahui.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
101
Berdasarkan teorema 2.1.2, maka akan dilihat titik minimum pada titik batas
selang.
Untuk f(-3, 0)
( ) )0)3(( 2
)3( +−−−= ef x
-0.00037=
Untuk f(2, 2)
( ) )44()2( +−= ef x
0.00067=
b) Dengan Algoritma Genetika
Pada permasalahan contoh 4.3 dengan menggunakan teknik konvensional
tidak diketahui pembuat nilai maksimumnya, maka dengan Algoritma Ge-
netika diharapkan pembuat maksimum dapat diketahui sehingga nilai mak-
simum (relatife) dari permasalahan ini dapat dicari.
Misalkan ketepatan angka untuk menyelesaikan permasalahan optimasi di
atas adalah empat tempat setelah desimal. Dan iterasi yang akan dicapai
adalah 100 iterasi. Jumlah populasi yang akan terjadi adalah 10, akan ditentu-
kan berapa bit yang harus digunakan untuk variabel x1 dan x2 :
1715.6]110)32[(log]110)atas batasbawah bataslog[( 42421 ≈=++=+−=m
(2+3) ×104 = 50,001
1716 2001,502 ≤<
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
102
1514.28]110)02[(log]110)atas batasbawah bataslog[( 42421 ≈=+−=+−=m
(2-0) ×104 = 20,001
1514 2001,202 ≤<
Total bit dalam tiap kromosom (panjang kromosom) adalah (17 + 15)bit = 32
bit.
Untuk rekombinasi dan mutasi akan diuji pada probabilitas rekombinasi
antara 0.2 hingga 0.5, dan mutasi pada probabilitas 0.01 hingga 0.1. Sehingga,
rekombinasi kromosom akan terjadi apabila bilangan acak rekombinasi [0, 1]
lebih kecil atau sama dengan probabilitas rekombinasinya. Begitu pula dengan
mutasi, apabila bilangan acak mutasi [0, 1] lebih kecil atau sama dengan prob-
abilitas mutasi, maka mutasi kromosom akan terjadi. Setiap percobaan dilaku-
kan untuk 100 generasi. Dari 10 percobaan didapatkan nilai maksimum 0.3679
pada titik (-1, 0) atau (1,0).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
103
Pc = 0.2 Banyak Pm Percobaan
0.01 5 0.02 5 0.03 4 0.04 4 0.05 2 0.06 2 0.07 4 0.08 5 0.09 3 0.1 3
0
2
4
6
8
10
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Probabilitas Mutasi
Ban
yak
Perc
obaa
n
Tabel 4.25 Tabel nilai mak-simum fungsi ( ) )(
1
22
21 xxexf +−=x
dengan probabilitas rekom-binasi 0.2 dan probabilitas mutasi 0.01 hingga 0.1.
Gambar 4.28 Grafik nilai maksimum fungsi ( ) )(1
22
21 xxexf +−=x dengan prob-
abilitas rekombinasi 0.2 dan probabilitas mutasi 0.01 hingga 0.1.
Dari tabel 4.25 dan gambar 4.28 terlihat bahwa percobaan terbanyak un-
tuk mendapatkan solusi terbaik terjadi pada probabilitas mutasi 0.01, 0.02, dan
0.08.
Pc = 0.25 Banyak Pm Percobaan
0.01 4 0.02 5 0.03 3 0.04 4 0.05 4 0.06 4 0.07 3 0.08 3 0.09 4 0.1 4
0
2
4
6
8
10
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Probabilitas Mutasi
Ban
yak
Perc
obaa
n
Tabel 4.26 Tabel nilai mak-simum fungsi ( ) )(
1
22
21 xxexf +−=x
dengan probabilitas rekom-binasi 0.25 dan probabilitas mutasi 0.01 hingga 0.1.
Gambar 4.29 Grafik nilai maksimum fungsi ( ) )(1
22
21 xxexf +−=x dengan prob-
abilitas rekombinasi 0.25 dan probabilitas mutasi 0.01 hingga 0.1.
Dari tabel 4.26 dan gambar 4.29 terlihat bahwa percobaan terbanyak un-
tuk mendapatkan solusi terbaik terjadi pada probabilitas mutasi 0.02.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
104
Pc = 0.3 Banyak Pm Percobaan
0.01 6 0.02 4 0.03 3 0.04 5 0.05 5 0.06 3 0.07 4 0.08 5 0.09 5 0.1 4
0
2
4
6
8
10
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Probabilitas Mutasi
Ban
yak
Perc
obaa
n
Tabel 4.27 Tabel nilai mak-simum fungsi ( ) )(
1
22
21 xxexf +−=x
dengan probabilitas rekom-binasi 0.3 dan probabilitas mutasi 0.01 hingga 0.1.
Gambar 4.30 Grafik nilai maksimum fungsi ( ) )(1
22
21 xxexf +−=x dengan prob-
abilitas rekombinasi 0.3 dan probabilitas mutasi 0.01 hingga 0.1.
Dari tabel 4.27 dan gambar 4.30 terlihat bahwa percobaan terbanyak un-
tuk mendapatkan solusi terbaik terjadi pada probabilitas mutasi 0.01.
Pc = 0.35 Banyak Pm Percobaan
0.01 4 0.02 4 0.03 1 0.04 7 0.05 5 0.06 3 0.07 6 0.08 4 0.09 6 0.1 5
0
2
4
6
8
10
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Probabilitas Mutasi
Ban
yak
Perc
obaa
n
Tabel 4.28 Tabel nilai mak-simum fungsi ( ) )(
1
22
21 xxexf +−=x den-
gan probabilitas rekombinasi 0.35 dan probabilitas mutasi 0.01 hingga 0.1.
Gambar 4.31 Grafik nilai maksimum fungsi ( ) )(1
22
21 xxexf +−=x dengan prob-
abilitas rekombinasi 0.35 dan probabilitas mutasi 0.01 hingga 0.1.
Dari tabel 4.28 dan gambar 4.31 terlihat bahwa percobaan terbanyak un-
tuk mendapatkan solusi terbaik terjadi pada probabilitas mutasi 0.04.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
105
Pc = 0.4 Banyak Pm Percobaan
0.01 6 0.02 4 0.03 5 0.04 4 0.05 4 0.06 4 0.07 5 0.08 7 0.09 5 0.1 2
0
2
4
6
8
10
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Probabilitas Mutasi
Ban
yak
Perc
obaa
n
Tabel 4.29 Tabel nilai mak-simum fungsi ( ) )(
1
22
21 xxexf +−=x dengan
probabilitas rekombinasi 0.4 dan probabilitas mutasi 0.01 hingga 0.1.
Gambar 4.32 Grafik nilai maksimum fungsi ( ) )(1
22
21 xxexf +−=x dengan prob-
abilitas rekombinasi 0.4 dan probabilitas mutasi 0.01 hingga 0.1.
Dari tabel 4.29 dan gambar 4.32 terlihat bahwa percobaan terbanyak un-
tuk mendapatkan solusi terbaik terjadi pada probabilitas mutasi 0.08.
Pc = 0.45 Banyak Pm Percobaan
0.01 4 0.02 5 0.03 5 0.04 5 0.05 5 0.06 4 0.07 7 0.08 8 0.09 3 0.1 6
0
2
4
6
8
10
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Probabilitas Mutasi
Ban
yak
Perc
obaa
n
Tabel 4.30 Tabel nilai mak-simum fungsi ( ) )(
1
22
21 xxexf +−=x den-
gan probabilitas rekombi-nasi 0.45 dan probabilitas mutasi 0.01 hingga 0.1.
Gambar 4.33 Grafik nilai maksimum fungsi ( ) )(1
22
21 xxexf +−=x dengan prob-
abilitas rekombinasi 0.45 dan probabilitas mutasi 0.01 hingga 0.1.
Dari tabel 4.30 dan gambar 4.33 terlihat bahwa percobaan terbanyak un-
tuk mendapatkan solusi terbaik terjadi pada probabilitas mutasi 0.08.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
106
Pc = 0.5 Banyak Pm Percobaan
0.01 4 0.02 6 0.03 6 0.04 6 0.05 6 0.06 3 0.07 6 0.08 7 0.09 5 0.1 5
0
2
4
6
8
10
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Probabilitas Mutasi
Ban
yak
Perc
obaa
nTabel 4.31 Tabel nilai mak-simum fungsi ( ) )(
1
22
21 xxexf +−=x dengan
probabilitas rekombinasi 0.5 dan probabilitas mutasi 0.01 hingga 0.1.
Gambar 4.34 Grafik nilai maksimum fungsi ( ) )(1
22
21 xxexf +−=x dengan pro-
babilitas rekombinasi 0.5 dan probabilitas mutasi 0.01 hingga 0.1.
Dari tabel 4.31 dan gambar 4.34 terlihat bahwa percobaan terbanyak un-
tuk mendapatkan solusi terbaik terjadi pada probabilitas mutasi 0.08.
Akan dilihat berdasarkan probabilitas mutasi:
Pm = 0.01 Banyak Pc Percobaan
0.2 5 0.25 4 0.3 6
0.35 4 0.4 6
0.45 4 0.5 4
0
2
4
6
8
10
0.2 0.25 0.3 0.35 0.4 0.45 0.5
Probabilitas Rekombinasi
Ban
yak
Perc
obaa
n
Tabel 4.32 Tabel nilai mak-simum fungsi ( ) )(
1
22
21 xxexf +−=x dengan
probabilitas mutasi 0.01 dan probabilitas rekombinasi 0.2 hingga 0.5.
Gambar 4.35 Grafik nilai maksimum fungsi ( ) )(1
22
21 xxexf +−=x dengan pro-
babilitas mutasi 0.01 dan probabilitas rekombinasi 0.2 hingga 0.5.
Dari tabel 4.32 dan gambar 4.35 terlihat bahwa percobaan terbanyak un-
tuk mendapatkan solusi terbaik terjadi pada probabilitas rekombinasi 0.3 atau
0.4.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
107
Pm = 0.02 Banyak Pc Percobaan
0.2 5 0.25 3 0.3 4 0.35 4 0.4 4 0.45 5 0.5 6
0
2
4
6
8
10
0.2 0.25 0.3 0.35 0.4 0.45 0.5
Probabilitas Rekombinasi
Ban
yak
Perc
obaa
n
Tabel 4.33 Tabel nilai mak-simum fungsi ( ) )(
1
22
21 xxexf +−=x dengan
probabilitas mutasi 0.02 dan probabilitas rekombinasi 0.2 hingga 0.5.
Gambar 4.36 Grafik nilai maksimum fungsi ( ) )(1
22
21 xxexf +−=x dengan pro-
babilitas mutasi 0.02 dan probabilitas rekombinasi 0.2 hingga 0.5.
Dari tabel 4.33 dan gambar 4.36 terlihat bahwa percobaan terbanyak un-
tuk mendapatkan solusi terbaik terjadi pada probabilitas rekombinasi 0.5.
Pm = 0.03 Banyak Pc Percobaan
0.2 4 0.25 3 0.3 3 0.35 1 0.4 5 0.45 5 0.5 6
0
2
4
6
8
10
0.2 0.25 0.3 0.35 0.4 0.45 0.5
Probabilitas Rekombinasi
Ban
yak
Perc
obaa
n
Tabel 4.34 Tabel nilai mak-simum fungsi ( ) )(
1
22
21 xxexf +−=x dengan
probabilitas mutasi 0.03 dan probabilitas rekombinasi 0.2 hingga 0.5.
Gambar 4.37 Grafik nilai maksimum fungsi ( ) )(1
22
21 xxexf +−=x dengan pro-
babilitas mutasi 0.03 dan probabilitas rekombinasi 0.2 hingga 0.5.
Dari tabel 4.3 dan gambar 4.37 terlihat bahwa percobaan terbanyak un-
tuk mendapatkan solusi terbaik terjadi pada probabilitas rekombinasi 0.5.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
108
Pm = 0.04 Banyak Pc Percobaan
0.2 4 0.25 4 0.3 5
0.35 7 0.4 4
0.45 5 0.5 6
0
2
4
6
8
10
0.2 0.25 0.3 0.35 0.4 0.45 0.5
Probabilitas Rekombinasi
Ban
yak
Perc
obaa
n
Tabel 4.35 Tabel nilai mak-simum fungsi ( ) )(
1
22
21 xxexf +−=x dengan
probabilitas mutasi 0.04 dan probabilitas rekombinasi 0.2 hingga 0.5.
Gambar 4.38 Grafik nilai maksimum fungsi ( ) )(1
22
21 xxexf +−=x dengan pro-
babilitas mutasi 0.04 dan probabilitas rekombinasi 0.2 hingga 0.5.
Dari tabel 4.35 dan gambar 4.38 terlihat bahwa percobaan terbanyak un-
tuk mendapatkan solusi terbaik terjadi pada probabilitas rekombinasi 0.35.
Pm = 0.05 Banyak Pc
Percobaan 0.2 2 0.25 4 0.3 5 0.35 5 0.4 4 0.45 5 0.5 6
0
2
4
6
8
10
0.2 0.25 0.3 0.35 0.4 0.45 0.5
Probabilitas Rekombinasi
Ban
yak
Perc
obaa
n
Tabel 4.36 Tabel nilai mak-simum fungsi ( ) )(
1
22
21 xxexf +−=x dengan
probabilitas mutasi 0.05 dan probabilitas rekombinasi 0.2 hingga 0.5.
Gambar 4.39 Grafik nilai maksimum fungsi ( ) )(1
22
21 xxexf +−=x dengan pro-
babilitas mutasi 0.05 dan probabilitas rekombinasi 0.2 hingga 0.5.
Dari tabel 4.36 dan gambar 4.39 terlihat bahwa percobaan terbanyak un-
tuk mendapatkan solusi terbaik terjadi pada probabilitas rekombinasi 0.5.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
109
Pm = 0.06 Banyak Pc Percobaan
0.2 2 0.25 4 0.3 3 0.35 3 0.4 4 0.45 4 0.5 3
0
2
4
6
8
10
0.2 0.25 0.3 0.35 0.4 0.45 0.5
Probabilitas Rekombinasi
Ban
yak
Perc
obaa
n
Tabel 4.37 Tabel nilai mak-simum fungsi ( ) )(
1
22
21 xxexf +−=x dengan
probabilitas mutasi 0.06 dan probabilitas rekombinasi 0.2 hingga 0.5.
Gambar 4.40 Grafik nilai maksimum fungsi ( ) )(1
22
21 xxexf +−=x dengan
probabilitas mutasi 0.06 dan probabilitas rekombinasi 0.2 hingga 0.5.
Dari tabel 4.37 dan gambar 4.40 terlihat bahwa percobaan terbanyak un-
tuk mendapatkan solusi terbaik terjadi pada probabilitas rekombinasi 0.25,
0.4, dan 0.45.
Pm = 0.07 Banyak Pc
Percobaan 0.2 4 0.25 3 0.3 4 0.35 6 0.4 5 0.45 7 0.5 6
0
2
4
6
8
10
0.2 0.25 0.3 0.35 0.4 0.45 0.5
Probabilitas Rekombinasi
Ban
yak
Perc
obaa
n
Tabel 4.38 Tabel nilai mak-simum fungsi ( ) )(
1
22
21 xxexf +−=x dengan
probabilitas mutasi 0.07 dan probabilitas rekombinasi 0.2 hingga 0.5.
Gambar 4.41 Grafik nilai maksimum fungsi ( ) )(1
22
21 xxexf +−=x dengan pro-
babilitas mutasi 0.07 dan probabilitas rekombinasi 0.2 hingga 0.5.
Dari tabel 4.38 dan gambar 4.41 terlihat bahwa percobaan terbanyak un-
tuk mendapatkan solusi terbaik terjadi pada probabilitas rekombinasi 0.45.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
110
Pm = 0.08 Banyak Pc Percobaan
0.2 5 0.25 3 0.3 5
0.35 4 0.4 7
0.45 8 0.5 7
0
2
4
6
8
10
0.2 0.25 0.3 0.35 0.4 0.45 0.5
Probabilitas Rekombinasi
Ban
yak
Perc
obaa
n
Tabel 4.39 Tabel nilai mak-simum fungsi ( ) )(
1
22
21 xxexf +−=x dengan
probabilitas mutasi 0.08 dan probabilitas rekombinasi 0.2 hingga 0.5.
Gambar 4.42 Grafik nilai maksimum fungsi ( ) )(1
22
21 xxexf +−=x dengan pro-
babilitas mutasi 0.08 dan probabilitas rekombinasi 0.2 hingga 0.5.
Dari tabel 4.39 dan gambar 4.42 terlihat bahwa percobaan terbanyak un-
tuk mendapatkan solusi terbaik terjadi pada probabilitas rekombinasi 0.45.
Pm = 0.09 Banyak Pc
Percobaan 0.2 3 0.25 4 0.3 5 0.35 6 0.4 5 0.45 3 0.5 5
0
2
4
6
8
10
0.2 0.25 0.3 0.35 0.4 0.45 0.5
Probabilitas Rekombinasi
Ban
yak
Perc
obaa
n
Tabel 4.40 Tabel nilai mak-simum fungsi ( ) )(
1
22
21 xxexf +−=x dengan
probabilitas mutasi 0.09 dan probabilitas rekombinasi 0.2 hingga 0.5.
Gambar 4.43 Grafik nilai maksimum fungsi ( ) )(1
22
21 xxexf +−=x dengan pro-
babilitas mutasi 0.09 dan probabilitas rekombinasi 0.2 hingga 0.5.
Dari tabel 4.40 dan gambar 4.43 terlihat bahwa percobaan terbanyak un-
tuk mendapatkan solusi terbaik terjadi pada probabilitas rekombinasi 0.35.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
111
Pm = 0.1 Banyak Pc Percobaan
0.2 3 0.25 4 0.3 4 0.35 5 0.4 2 0.45 6 0.5 5
0
2
4
6
8
10
0.2 0.25 0.3 0.35 0.4 0.45 0.5
Probabilitas Rekombinasi
Ban
yak
Perc
obaa
n
Tabel 4.41 Tabel nilai mak-simum fungsi ( ) )(
1
22
21 xxexf +−=x de-
ngan probabilitas mutasi 0.1 dan probabilitas rekombi-nasi 0.2 hingga 0.5.
Gambar 4.44 Grafik nilai maksimum fungsi ( ) )(1
22
21 xxexf +−=x dengan pro-
babilitas mutasi 0.1 dan probabilitas rekombinasi 0.2 hingga 0.5.
Dari tabel 4.41 dan gambar 4.44 terlihat bahwa percobaan terbanyak un-
tuk mendapatkan solusi terbaik terjadi pada probabilitas rekombinasi 0.45.
Dari grafik-grafik di atas, terlihat bahwa nilai optimum akan lebih ba-
nyak tercipai jika menggunakan probabilitas rekombinasi 0.5 dengan pro-
babilitas mutasi 0.08.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
112
BAB V
PENUTUP
A. Kesimpulan
Berdasarkan penelitian pada skripsi ini, hasil yang optimum terjadi karena
ada beberapa kromosom yang terkena mutasi atau rekombinasi serta
Algoritma Genetika merupakan salah satu teknik pencarian optimasi yang
baik. Karena hasil yang didapat dengan menggunakan Algoritma Genetika
mendekati nilai yang didapat dengan menggunakan teknik konvensional
(berkisar antara 0.5% hingga 5%) dan juga ketika dengan teknik konvensional
sulit untuk dicari titik kritisnya sehingga nilai optimumnya tidak didapatkan,
dengan Algoritma Genetika nilai optimum tetap tercapai namum nilai
optimum tersebut belum tentu nilai optimum mutlak.
Berdasarkan hasil Algoritma Genetika dalam penyelesaian contoh-contoh
pada bab IV, nilai optimum mungkin akan lebih cepat tercapai apabila
probabilitas rekombinasi untuk memilih apakah terjadi rekombinasi atau tidak
sebesar 0.5, dan probabilitas mutasi untuk memilih apakah terjadi mutasi atau
tidak sebesar 0.08. Namun probabilitas tersebut belum tentu merupakan yang
paling baik, karena Algoritma Genetika merupakan sistem yang dalam
prosesnya selalu acak, sehingga hasil yang didapat belum tentu sama untuk
setiap percobaan.
Karena Algoritma Genetika dapat diprogramkan dengan komputer, maka
dalam penyelesaiannya tentu saja lebih cepat dari pada teknik konvensional.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
113
Dan bila permasalahan optimasi yang terjadi melibatkan banyak variabel
(lebih dari dua variabel), jelas terlihat bahwa dengan teknik konvensional
permasalahan tersebut sulit diselesaikan. Oleh sebab itu, Algoritma Genetika
merupakan salah satu teknik yang baik untuk menyelesaikannya.
B. Saran
Penyelesaian optimasi yang dikaji pada skripsi ini lebih kepada
permasalahan optimasi untuk R2, sehingga penulis menganjurkan untuk
mengkaji lebih dalam untuk permalasalahan optimasi di Rn.
Algoritma genetika yang digunakan dalam skripsi ini untuk rekombinasi
dan mutasi menggunakan metode satu titik, sehingga penulis menganjurkan
untuk mencoba metode rekombinasi atau mutasi lain yang mungkin akan
menghasilkan nilai optimum yang lebih baik.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
114
DAFTAR PUSTAKA
Gen,Mitsuo & Cheng,Runwei. (1997). Genetic Algorithms And Engingering
Design. New York: John Wiley & Sons.Inc.
Griffiths, David F. (1996). An Introduction to MATLAB (version 2.2). Sweden:
Department of Mathematics, The University Dundee DD1 4HN.
Haeussler, Ernest F. & Paul, Richard S. (1996). Introduction Mathematical
Analysis For Business, Economics, and the life and social sciences.
New Jersey: Prentice Hall International Inc.
Kusumadewi,Sri. (2003). Artificial Intelligence (Teknik dan Aplikasinya).
Yogyakarta: Graha Ilmu.
Nissen, Volker & Biethan, rgoJ && . (1995). Evolutionary Algorithms in Management
Applications. Berlin: Springer – Verlag.
Peressini, Anthony L., Sulivan, Francis E., Uhl, J. J.(1998). The Mathematics of
Nonlinear Programming. New York: Springer – Verlag.
Purcel, Edwin J. & Varberg, Dale. (…). Kalkulus dan Geometri Analitis (Edisi
Kelima). Jakarta: Erlangga.
Setya Budi, Wono. (2001). Kalkulus Peubah Banyak dan Penggunaannya.
Bandung: ITB.
Sriwindono, Haris. (2006). Pengantar Algoritma Genetika. Yogyakarta: FMIPA –
Ilmu Komputer, USD.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
115
Suyanto. (2005). Algoritma Genetika dalam MATLAB. Yogyakarta: Andi Offset.
Taha, Hamdy A. (1976). Operation Research an Introduction (second edition).
New York: Macmillan Publishing Co., Inc.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
116
LAMPIRAN
Flowchart Algoritma Genetika Untuk Menyelesaikan Optimasi Fungsi Dua
Variabel
mulai
Input data
inspop
i=1
Hitung fitness
crossover
mutasi
Populasi Anak
Hitung fitnes anak
Populasi baru =populasi awal
?max
max
awalfitnesanakfitnesatau
awalfitnesanakfitnes
<
>
Jika max, populasi awalyang bernilai min digantidengan kromosom anak.
Dan sebaliknya untukmin.
i = i + 1
i = generasi?
Selesai
?mm Pa ≤
?cc Pa ≤
Tidak
Tidak
Ya
Ya
Ya
Ya
Tidak
Tidak
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
117
Listing Program MenuAG2var.m
function MenuAG2var
clear;
pil4=0;
clc;
fprintf('===============================================\n')
fptintf('Program Untuk Mencari Nilai Optimum Fungsi Dua
Variabel Dengan Algoritma Genetika\n')
fprintf('1. Crossover menggunakan metode penyilangan satu
titik, dengan probabilitas crossover untuk mencari
orang tua adalah 0.25\n')
fprintf('2. Mutasi menggunakan metode penyilangan satu
titik, dengan probabilitas mutasi untuk mencari
orang tua adalah 0.01\n')
fprintf('3. Seleksi yang digunakan untuk memilih kromosom
anak untuk dimasukkan ke populasi baru menggunakan
mencari fitness yang terbaik\n')
fprintf('===============================================\n')
while pil4~=3
fprintf('\nPilih Jenis Permasalahan\n')
fprintf('1. Permasalahan Maksimum\n')
fprintf('2. Permasalahan Minimum\n')
fprintf('3. Keluar\n')
pil4=input('Masukkan menu yang anda inginkan : ');
fprintf('\n')
switch pil4
case 1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
118
fprintf('Input Data\n')
jml_pop=input('Masukkan jumlah populasi = ');
tel=input('Masukkan ketelitian = ');
Pc=input('Masukkan probabilitas terjadinya
crossover = ');
Pm=input('Masukkan probabilitas terjadinya
mutasi = ');
fprintf('Range pertama :\n')
ba1=input('Masukkan bilangan awal = ');
bb1=input('Masukkan bilangan akhir = ');
fprintf('Range kedua :\n')
ba2=input('Masukkan bilangan awal = ');
bb2=input('Masukkan bilangan akhir = ');
Algoritma_genetika_maks(jml_pop,tel,Pc,Pm,ba1,b
b1,ba2,bb2);
case 2
fprintf('Input Data\n')
jml_pop=input('Masukkan jumlah populasi = ');
tel=input('Masukkan ketelitian = ');
Pc=input('Masukkan probabilitas terjadinya
crossover = ');
Pm=input('Masukkan probabilitas terjadinya
mutasi = ');
fprintf('Range pertama :\n')
ba1=input('Masukkan bilangan awal = ');
bb1=input('Masukkan bilangan akhir = ');
fprintf('Range kedua :\n')
ba2=input('Masukkan bilangan awal = ');
bb2=input('Masukkan bilangan akhir = ');
Algoritma_genetika_min(jml_pop,tel,Pc,Pm,ba1,bb
1,ba2,bb2);
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
119
case 3
end
end
Listing Program Untuk Inisialisasi Populasi
InisialisasiPopulasi.m %===========================================================
%Membangkitkan sejumlah UkPop kromosom, masing-masing
%kromosom berisi bilangan biner (0 dan 1) sejumlah JumGen
%
%Output :
% UkPop : ukuran populasi atau jumlah kromosom dalam
%populasi
% JumGen : jumlah gen dalam kromosom
%
%Input :
% Populasi : kumpulan kromosom, matriks berukuran UkPop x
%JumGen
%
%
%===========================================================
function Populasi = InisialisasiPopulasi(UkPop,JumGen);
Populasi = fix(2*rand(UkPop,JumGen));
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
120
Inis1.m %===========================================================
%Inisialisasi populasi pada variabel pertama berupa
%kromosom, kromosom tersebut berisi bilangan
%biner 0 atau 1 dan berisi bilangan desimal.
%
%Masukan:
% jml_pop = Banyaknya populasi yang akan
%diinisialisasikan
% ba = Batas bawah
% bb = Batas atas
% tel = Ketelitian
%
%Keluaran:
% x1des = Kromosom variabel1 yang bernilai desimal
% x1bin = Kromosom variabel1 yang bernilai biner
% m1 = Panjang kromosom
%
%===========================================================
function [x1des,x1bin,m1]=Inis1(jml_pop,ba,bb,tel)
m=log2(((bb-ba)*10^tel)+1);
m1=ceil(m);
banyak=1;
while banyak<=jml_pop
Populasi=InisialisasiPopulasi(1,m1);
a=1;
hasil=0;
for y=m1:-1:1
if(Populasi(1,a)==1)
hasil=hasil+2^y;
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
121
end
a=a+1;
end
akhir=ba+(hasil*(bb-ba)/((2^tel)-1));
if akhir>=ba & akhir<=bb
generate(banyak,1)=akhir;
banyak=banyak+1;
end
end
x1des=[generate];
[x1bin_baru]=dec2bin_pop(ba,bb,x1des,m1);
x1bin=[x1bin_baru];
Inis2.m %==========================================================
%Inisialisasi populasi pada variabel kedua berupa kromosom,
%kromosom tersebut berisi bilangan
%biner 0 atau 1 dan berisi bilangan desimal.
%
%Masukan:
% jml_pop = Banyaknya populasi yang akan
%diinisialisasikan
% ba = Batas bawah
% bb = Batas atas
% tel = Ketelitian
%
%Keluaran:
% x2des = Kromosom variabel1 yang bernilai desimal
% x2bin = Kromosom variabel1 yang bernilai biner
% m2 = Panjang kromosom
%
%===========================================================
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
122
function [x2des,x2bin,m2]=Inis2(jml_pop,ba,bb,tel)
m=log2(((bb-ba)*10^tel)+1);
m2=ceil(m);
banyak=1;
while banyak<=jml_pop
Populasi=InisialisasiPopulasi(1,m2);
a=1;
hasil=0;
for y=m2:-1:1
if(Populasi(1,a)==1)
hasil=hasil+2^y;
end
a=a+1;
end
akhir=ba+(hasil*(bb-ba)/((2^tel)-1));
if akhir>=ba & akhir<=bb
generate(banyak,1)=akhir;
banyak=banyak+1;
end
end
x2des=[generate];
[x2bin_baru]=dec2bin_pop2(ba,bb,x2des,m2);
x2bin=x2bin_baru;
Listing Program Mengitung Fitness
Hitungfitness.m ============================================================
%Menghitung nilai fitness kromsom variabel 1 dan variabel 2
%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
123
%Masukan:
% hasil : Nilai desimal dari kromosom variabel1 dan
%variabel2
%
%Keluaran:
% hit : Nilai fungsi dari tiap-tiap kromosom
%=========================================================
function hit=hitungfitness(hasil)
%hit=hasil(:,1).^2+2*hasil(:,1).*hasil(:,2)+hasil(:,2).^2;
%hit=hasil(:,1).^3+hasil(:,2).^3-3.*hasil(:,1)-
12.*hasil(:,2)+20;
%hit=hasil(:,1).^4+hasil(:,2).^4-hasil(:,1).^2-
hasil(:,2).^2+1;
%hit=3.*(hasil(:,1).^2).*hasil(:,2)-9.*(hasil(:,2).^3)-
(hasil(:,1).^2)+1;
hit=3.*((hasil(:,1)).^2).*hasil(:,2)-(9.*(hasil(:,2)).^3)-
((hasil(:,1)).^2)+1;
Listing Program Mengurutkan Kromosom Dari Fitness Maksimum ke
Fitness Minimum
Urut_krom.m %===========================================================
%Urutkan kromosom berdasarkan nilai fungsi fitnesnya
%
%Masukan:
% uk_pop = banyaknya populasi
% kromosom_populasi_awal = populasi kromosom sebelumnya
% fungsi_fitnes = nilai fitnes masing-masing
kromosom
%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
124
%Keluaran:
% urut_kromosom = kromosom yang telah diurutkan
%berdasarkan nilai fitnesnya dari yang terbesar hingga yang
%terkecil
%===========================================================
function [urut_kromosom]=urut_krom(uk_pop,fungsi_fitnes,
kromosom_ populasi_awal)
for i=1:uk_pop-1
for j=i+1:uk_pop
if fungsi_fitnes(i,:) < fungsi_fitnes(j,:)
temp_fitnes1=fungsi_fitnes(i,:);
temp_krom=kromosom_populasi_awal(i,:);
fungsi_fitnes(i,:)=fungsi_fitnes(j,:);
kromosom_populasi_awal(i,:)=kromosom_populasi_awal(
j,:);
fungsi_fitnes(j,:)=temp_fitnes1;
kromosom_populasi_awal(j,:)=temp_krom;
end
end
end
urut_kromosom=[kromosom_populasi_awal];
Listing Program Mengubah Kromosom Dari Bentuk Biner ke Bentuk
Desimal
populasi_baru_desimal.m %==========================================================
%Mengubah variabel biner (0 dan 1) ke dalam bentuk desimal.
%
%Input:
% a1 = Batas bawah variabel1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
125
% b1 = Batas atas variabel1
% n1 = Panjang kromosom variabel1
% p1 = Populasi kromosom variabel1
% a2 = Batas bawah variabel2
% b2 = Batas atas variabel2
% n2 = Panjang kromosom variabel2
% p2 = Populasi kromosom variabel2
%
%Output:
% x1des_baru : Kromosom variabel1 dalam bentuk desimal
%sebanyak jumlah
% populasi
% x2des_baru : Kromosom variabel2 dalam bentuk desimal
%sebanyak jumlah
% populasi
%===========================================================
Function[x1des_baru,x2des_baru]=populasi_baru_desimal(a1,b1,
n1,p1,a2,b2,n2,p2)
[x1des_baru]=bin2dec_pop(a1,b1,n1,p1);
[x2des_baru]=bin2dec_pop2(a2,b2,n2,p2);
bin2dec_pop.m
%==========================================================
%Mengubah variabel biner (0 dan 1) ke dalam bentuk desimal.
%
%Input:
% a = Batas bawah
% b = Batas atas
% n = Panjang kromosom variabel1
% p = Populasi
%
%Output:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
126
% x1des_baru = Kromosom variabel1 dalam bentuk desimal
%sebanyak jumlah populasi
%
%Contoh:
% bin2dec_pop(2,8,10,'0010111010')
%
% x1des_baru=3.0909
%===========================================================
function [x1des_baru]=bin2dec_pop(a,b,n,p)
x=bin2dec(p);
k=b-a;
l=(2^n)-1;
decx1=a+x*(k/l);
x1des_baru=[decx1];
bin2dec_pop2.m
%==========================================================
%Mengubah variabel biner (0 dan 1) ke dalam bentuk desimal.
%
%Input:
% a = Batas bawah
% b = Batas atas
% n = Panjang kromosom variabel1
% p = Populasi
%
%Output:
% x1des_baru = Kromosom variabel1 dalam bentuk desimal
%sebanyak jumlah populasi
%
%Contoh:
% bin2dec_pop(2,8,10,'0010111010')
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
127
%
% x1des_baru=3.0909
%===========================================================
function [x1des_baru]=bin2dec_pop2(a,b,n,p)
x=bin2dec(p);
k=b-a;
l=(2^n)-1;
decx1=a+x*(k/l);
x1des_baru=[decx1];
Listing Program Crossover
Seleksi_crossover.m %===========================================================
%Meng-crossover kromosom parent yang telah dipilih secara
%acak untuk menghasilkan kromosom baru, yaitu kromsom anak.
%
%Input:
% L = Panjang kromosom
% jml = Jumlah populasi
% populasi = Populasi kromosom sebelumnya
%
%Output:
% populasi_baru_Cbiner = Populasi baru kromosom setelah
%di crossover/kromosom anak.
%===========================================================
Function [offspring]=seleksi_crossover(L,jml,populasi)
brs=[];
k=0;
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
128
pos2=randint(1,1,[1,L]);
if pos2==0
pos2=1;
end
acak=rand(jml,1);
t=acak<0.25;
ind=find(t==1);
brs=ind;
if length(brs)<2
acak=rand(jml,1);
t=acak<0.25;
while t==0
acak=rand(jml,1);
t=acak<0.25;
end
ind=find(t==1);
brs=ind;
if length(brs)==1
brs2=brs;
brs(2)=brs2;
end
end
parent=[populasi(brs(1),:); populasi(brs(2),:)]
partisi1=parent(:,1:pos2);
partisi2=parent(:,pos2+1:L);
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
129
offspring1=[partisi1(1,:),partisi2(2,:)];
offspring2=[partisi1(2,:),partisi2(1,:)];
offspring=[offspring1;offspring2]
Listing Program Mutasi
mutasi.m %===========================================================
%Mengantikan gen dengan cara mengubah nilai '0' menjadi '1'
%dan sebaliknya.
%
%Masukan:
% ba1 = Batas bawah variabel1
% bb1 = Batas atas variabel1
% ba2 = Batas bawah variabel2
% bb2 = Batas atas variabel2
% pop_des= Populasi kromosom dalam bentuk desimal
% w = Banyaknya populasi
% y = Panjang kromosom
% q1 = Panjang kromosom variabel1
% pop = Populasi berupa kromosom yang bernilai biner 0
%atau 1
%
%Keluaran:
% x1bin_mut = Kromosom variabel1 berbentuk biner
% x2bin_mut = Kromosom variabel2 berbentuk biner
%
%===========================================================
function [x1binn, x2binn,x1dess,x2dess]=mutasi(ba1,bb1,ba2,
bb2,w,y,q1,q2,pop,popdes)
tot_bit=w*y;
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
130
bnyk_mut=tot_bit*0.01;
h=ceil(bnyk_mut);
for i=1:h
acak(i)=rand;
pos_bit(i)=acak(i)*tot_bit;
pos_bit1(i)=ceil(pos_bit(i));
no_krom(i)=ceil(pos_bit1(i)/y);
%t=find(no_krom(i+1)==no_krom(i))
no_krom1(i)=floor(pos_bit1(i)/y);
no_bit(i)=pos_bit1(i)-(no_krom1(i)*y);
if no_bit(i)==0
no_bit(i)=1;
end
end
pos_bitt=pos_bit1';
pos_bit1=pos_bitt;
no_kromm=no_krom';
no_krom=no_kromm;
no_bitt=no_bit';
no_bit=no_bitt;
acakk=acak';
acak=acakk;
pop_mutasi=[pos_bit1 no_krom no_bit acak];
parent_mutasi=pop(no_krom,:)
off_mut=pop(no_krom,:);
for i=1:h
if parent_mutasi(i,no_bit(i))=='1'
off_mut(i,no_bit(i))='0';
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
131
end
if parent_mutasi(i,no_bit(i))=='0'
off_mut(i,no_bit(i))='1';
end
end
offspring_mut=off_mut
x1binn=[offspring_mut(:,1:q1)];
x2binn=[offspring_mut(:,q1+1:y)];
[x1des_baru,x2des_baru]=populasi_baru_desimal(ba1,bb1,q1,x1b
inn,ba2,bb2,q2,x2binn);
x1dess=[x1des_baru];
x2dess=[x2des_baru];
Listing Program Mencari Nilai Optimum (Maksimum dan Minimum)
Algoritma_genetika_maks.m %===========================================================
%Mencari nilai maksimum untuk setiap generasi
%
%Input :
% jml_pop = Banyaknya populasi
% tel = Ketelitian
% Pc = Probabilitas crossover untuk menentukan
%terjadi atau tidak crossover
% Pm = Probabilitas mutasi untuk menentukan terjadi
%atau tidak mutasi
% ba1 = batas bawah variabel1
% bb1 = batas atas variabel1
% ba2 = batas bawah variabel2
% bb2 = batas atas variabel2
%=========================================================
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
132
function Algoritma_genetika_maks(jml_pop,tel,Pc,Pm,ba1,bb1,
ba2,bb2)
clc;
fprintf('MEMAKSIMUMKAN\n\n')
gener=input('Masukkan generasi yang akan terjadi = ');
z=0;
[x1des,x1bin,m1]=Inis1(jml_pop,ba1,bb1,tel);
[x2des,x2bin,m2]=Inis2(jml_pop,ba2,bb2,tel);
L=m1+m2;
populasi_desimal=[x1des x2des];
populasi_biner=[x1bin x2bin];
fitness_populasi=hitungfitness(populasi_desimal);
while z~=gener
fprintf('\n\nGENERASI KE-%d\n',z+1)
Populasi_Desimal=populasi_desimal;
Populasi_Biner=populasi_biner;
[urut_kromosom]=urut_krom(jml_pop,fitness_populasi,Popu
lasi_Desimal);
PopulasiAwal_desimal=urut_kromosom;
[urut_kromosom]=urut_krom(jml_pop,fitness_populasi,Popu
lasi_Biner);
PopulasiAwal_biner=urut_kromosom;
acakC=rand;
acakM=rand;
if acakC<=Pc
fprintf('\nTERJADI CROSSOVER\n')
[offspring]=seleksi_crossovermaks(L,jml_pop,Populas
iAwal_biner)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
133
x1bin_anak=[offspring(:,1:m1)];
x2bin_anak=[offspring(:,m1+1:L)];
[x1des_baru, x2des_baru]=populasi_baru_desimal
(ba1,bb1,m1,x1bin_anak,ba2,bb2,m2,x2bin_anak);
populasiAnak_desimalC=[x1des_baru x2des_baru];
populasiAnak_binerC=[x1bin_anak x2bin_anak];
end
if acakC>Pc
populasiAnak_desimalC=[];
populasiAnak_binerC=[];
end
if acakM<=Pm
fprintf('\nTERJADI MUTASI\n')
[x1binn, x2binn,x1dess,x2dess]=mutasi(ba1,bb1,ba2,
bb2,jml_pop,L,m1,m2,PopulasiAwal_biner,PopulasiAwal
_desimal);
populasiAnak_binerM=[x1binn x2binn];
populasiAnak_desimalM=[x1dess x2dess];
end
if acakM>Pm
populasiAnak_desimalM=[];
populasiAnak_binerM=[];
end
populasiAnak_desimal=[populasiAnak_desimalC;
populasiAnak_desimalM];
populasiAnak_biner=[populasiAnak_binerC;populasiAnak_bi
nerM];
[f,k]=size(populasiAnak_desimal);
if f~=0
fitness_anak=hitungfitness(populasiAnak_desimal);
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
134
maksimum_fitness_awal=max(fitness_populasi);
t=find(fitness_anak>maksimum_fitness_awal);
indek=t;
[c,d]=size(t);
if t==find(fitness_anak>maksimum_fitness_awal)
PopulasiAwal_desimal(jml_pop+1-c:
jml_pop,:)=[populasiAnak_desimal(indek,:)];
PopulasiAwal_biner(jml_pop+1-
c:jml_pop,:)=[populasiAnak_biner(indek,:)];
end
end
if f==0
fprintf('\nTIDAK TERJADI CROSSOVER DAN MUTASI\n')
end
populasi_desimal=PopulasiAwal_desimal;
x1des_populasi=populasi_desimal(:,1);
x2des_populasi=populasi_desimal(:,2);
populasi_biner=PopulasiAwal_biner;
fitness_populasi=hitungfitness(populasi_desimal);
maks=max(fitness_populasi);
k=find(fitness_populasi==maks);
fprintf('Nilai Maksimum %5.4f, Terjadi Pada:\n',maks)
Kromosom_biner=populasi_biner(k,:)
fprintf('Di titik : (%5.4f, %5.4f) \n',x1des_popula
si(k),x2des_populasi(k))
z=z+1;
end
fprintf('\n=============================================\n')
fprintf('HASIL AKHIR\n')
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
135
Populasi_Desimal_Akhir=populasi_desimal;
Populasi_Biner_Akhir=populasi_biner;
fprintf('\n')
fprintf('Nilai Maksimum %5.4f, Terjadi Pada:\n',maks)
Kromosom_biner=populasi_biner(k,:)
fprintf('Di titik : (%5.4f, %5.4f) \n',x1des_populasi(k),
x2des_populasi(k))
pil3=0;
while pil3~=3
fprintf('\nMenu\n')
fprintf('1. Lanjutkan Mencari Generasi Baru (Kembali
Looping)\n')
fprintf('2. Lanjutkan Untuk Mencari Nilai Minimum\n')
fprintf('3. Kembali Ke Permasalahan\n')
pil3=input('Masukkan menu yang anda inginkan : ');
fprintf('\n')
switch pil3
case 1
[Populasi_Desimal_Akhir, Populasi_Biner_Akhir]=
Looping_maks(Populasi_Desimal_Akhir,Populasi_Bi
ner_Akhir,L,ba1,bb1,m1,ba2,bb2,m2,jml_pop,Pc,Pm
);
case 2
[Populasi_Desimal_Akhir, Populasi_Biner_Akhir]=
Looping_minim(Populasi_Desimal_Akhir,Populasi_B
iner_Akhir,L,ba1,bb1,m1,ba2,bb2,m2,jml_pop,Pc,P
m);
case 3
MenuAG2var;
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
136
end
end
Algoritma_genetika_min.m %===========================================================
%Mencari nilai minimum untuk setiap generasi
%
%Input :
% jml_pop = Banyaknya populasi
% tel = Ketelitian
% Pc = Probabilitas crossover untuk menentukan
%terjadi atau tidak crossover
% Pm = Probabilitas mutasi untuk menentukan terjadi
%atau tidak mutasi
% ba1 = batas bawah variabel1
% bb1 = batas atas variabel1
% ba2 = batas atas variabel2
% bb2 = batas atas variabel2
%=========================================================
function Algoritma_genetika_min(jml_pop,tel,Pc,Pm,ba1,bb1,
ba2,bb2)
clc;
fprintf('MEMINIMUMKAN\n\n')
gener=input('Masukkan generasi yang akan terjadi = ');
z=0;
[x1des,x1bin,m1]=Inis1(jml_pop,ba1,bb1,tel);
[x2des,x2bin,m2]=Inis2(jml_pop,ba2,bb2,tel);
L=m1+m2;
populasi_desimal=[x1des x2des];
populasi_biner=[x1bin x2bin];
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
137
fitness_populasi=hitungfitness(populasi_desimal);
while z~=gener
fprintf('\n\nGENERASI KE-%d\n',z+1)
Populasi_Desimal=populasi_desimal;
Populasi_Biner=populasi_biner;
[urut_kromosom]=urut_krom(jml_pop,fitness_populasi,Popu
lasi_Desimal);
PopulasiAwal_desimal=urut_kromosom;
[urut_kromosom]=urut_krom(jml_pop,fitness_populasi,Popu
lasi_Biner);
PopulasiAwal_biner=urut_kromosom;
acakC=rand;
acakM=rand;
if acakC>=Pc
fprintf('\nTERJADI CROSSOVER\n')
[offspring]=seleksi_crossover(L,jml_pop,Populasi
Awal_biner)
x1bin_anak=[offspring(:,1:m1)];
x2bin_anak=[offspring(:,m1+1:L)];
[x1des_baru, x2des_baru]=populasi_baru_desimal(
ba1,bb1,m1,x1bin_anak,ba2,bb2,m2,x2bin_anak);
populasiAnak_desimalC=[x1des_baru x2des_baru];
populasiAnak_binerC=[x1bin_anak x2bin_anak];
end
if acakC<Pc
populasiAnak_desimalC=[];
populasiAnak_binerC=[];
end
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
138
if acakM==Pm
fprintf('\nTERJADI MUTASI\n')
[x1binn, x2binn,x1dess,x2dess]=mutasi(ba1,bb1,ba2,
bb2,jml_pop,L,m1,m2,PopulasiAwal_biner,PopulasiAwal
_desimal);
populasiAnak_binerM=[x1binn x2binn];
populasiAnak_desimalM=[x1dess x2dess];
end
if acakM~=Pm
populasiAnak_desimalM=[];
populasiAnak_binerM=[];
end
populasiAnak_desimal=[populasiAnak_desimalC; populasi
Anak_desimalM];
populasiAnak_biner=[populasiAnak_binerC;populasiAnak_
binerM];
[f,k]=size(populasiAnak_desimal);
if f~=0
fitness_anak=hitungfitness(populasiAnak_desimal);
minimum_fitness_awal=min(fitness_populasi);
t=find(fitness_anak<=minimum_fitness_awal);
indek=t;
[c,d]=size(t);
if t==find(fitness_anak<=minimum_fitness_awal)
PopulasiAwal_desimal(jml_pop+1-c:jml_pop,:)=
[populasiAnak_desimal(indek,:)];
PopulasiAwal_biner(jml_pop+1-c:jml_pop,:)=
[populasiAnak_biner(indek,:)];
End
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
139
end
if f==0
fprintf('\nTIDAK TERJADI CROSSOVER DAN MUTASI\n')
end
populasi_desimal=PopulasiAwal_desimal;
x1des_populasi=populasi_desimal(:,1);
x2des_populasi=populasi_desimal(:,2);
populasi_biner=PopulasiAwal_biner;
fitness_populasi=hitungfitness(populasi_desimal);
minim=min(fitness_populasi);
k=find(fitness_populasi==minim);
fprintf('Nilai Minimum %5.4f, Terjadi Pada:\n',minim)
Kromosom_biner=populasi_biner(k,:)
fprintf('Di titik : (%5.4f, %5.4f) \n',x1des_populasi
(k),x2des_populasi(k))
z=z+1;
end
fprintf('\n=============================================\n')
fprintf('HASIL AKHIR\n')
Populasi_Desimal_Akhir=populasi_desimal;
Populasi_Biner_Akhir=populasi_biner;
fprintf('\n')
fprintf('Nilai Minimum %5.4f, Terjadi Pada:\n',minim)
Kromosom_biner=populasi_biner(k,:)
fprintf('Di titik : (%5.4f, %5.4f) \n',x1des_populasi(k),
x2des_populasi(k))
pil2=0;
while pil2~=3
fprintf('\nMenu\n')
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
140
fprintf('1. Lanjutkan Mencari Generasi Baru (Kembali
Looping)\n')
fprintf('2. Lanjutkan Untuk Mencari Nilai Maksimum\n')
fprintf('3. Kembali Ke Menu Permasalahan\n')
pil2=input('Masukkan menu yang anda inginkan : ');
fprintf('\n')
switch pil2
case 1
[Populasi_Desimal_Akhir, Populasi_Biner_Akhir]=
Looping_minim(Populasi_Desimal_Akhir,Populasi_B
iner_Akhir,L,ba1,bb1,m1,ba2,bb2,m2,jml_pop,Pc,P
m);
case 2
[Populasi_Desimal_Akhir, Populasi_Biner_Akhir]=
Looping_maks(Populasi_Desimal_Akhir,Populasi_Bi
ner_Akhir,L,ba1,bb1,m1,ba2,bb2,m2,jml_pop,Pc,Pm
);
case 3
MenuAG2var;
end
end
Listing Program Looping
Looping_maks.m %===========================================================
%Kembali mencari nilai minimum untuk setiap generasi
%
%Input :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
141
% Populasi_DA = populasi akhir tiap generasi dalam bentuk
%desimal
% Populasi_BA = populasi akhir tiap generasi dalam bentuk
%biner
% L = panjang kromosom
% ba1 = batas bawah variabel1
% bb1 = batas atas variabel1
% m1 = panjang kromosom variabel1
% ba2 = batas bawah variabel2
% bb2 = batas atas variabel2
% m2 = panjang kromosom variabel
% jml_pop = Banyaknya populasi
% Pc = probabilitas crossover untuk menentukan
%terjadi atau tidak crossover
% Pm = probabilitas mutasi untuk menentukan
%terjadi atau tidak mutasi
%
%Output:
% Populasi_Desimal_Akhir = populasi akhir setelah looping
%dalam bentuk desimal
% Populasi_Biner_Akhir = populasi akhir setelah looping
%dalam bentuk biner
%=========================================================
function [Populasi_Desimal_Akhir, Populasi_Biner_Akhir]=
Looping_maks(Populasi_DA,Populasi_BA,L,ba1,bb1,m1,ba2,bb2,m2
,jml_pop,Pc,Pm)
fprintf('MEMAKSIMUMKAN\n\n')
z=0;
x1des=[Populasi_DA(:,1)];
x2des=[Populasi_DA(:,2)];
x1bin=[Populasi_BA(:,1:m1)];
x2bin=[Populasi_BA(:,m1+1:L)];
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
142
populasi_desimal=[x1des x2des]
populasi_biner=[x1bin x2bin]
fitness_populasi=hitungfitness(populasi_desimal)
gener=input('Masukkan generasi yang akan terjadi = ');
while z~=gener
fprintf('\n\nGENERASI KE-%d\n',z+1)
Populasi_Desimal=populasi_desimal;
Populasi_Biner=populasi_biner;
lih=size(Populasi_Biner,2);
popul2=Populasi_Biner(:,1:lih);
selis=L-lih;
if L<lih
[x1bin,x2bin]=cek_panjang(L,Populasi_Biner,m1,m2,lih)
Populasi_Biner=[x1bin x2bin];
End
if L>lih
[x1bin,x2bin]=cek_panjang(L,Populasi_Biner,m1,m2,lih)
Populasi_Biner=[x1bin x2bin];
end
[urut_kromosom]=urut_krom(jml_pop,fitness_populasi,Popu
lasi_Desimal);
PopulasiAwal_desimal=urut_kromosom
[urut_kromosom]=urut_krom(jml_pop,fitness_populasi,Popu
lasi_Biner);
PopulasiAwal_biner=urut_kromosom
acakC=rand;
acakM=rand
if acakC>=Pc
fprintf('\nTERJADI CROSSOVER\n')
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
143
[offspring]=seleksi_crossover(L,jml_pop,PopulasiAwa
l_biner)
x1bin_anak=[offspring(:,1:m1)];
x2bin_anak=[offspring(:,m1+1:L)];
[x1des_baru, x2des_baru]=populasi_baru_desimal
(ba1,bb1,m1,x1bin_anak,ba2,bb2,m2,x2bin_anak);
populasiAnak_desimalC=[x1des_baru x2des_baru]
populasiAnak_binerC=[x1bin_anak x2bin_anak]
end
if acakC<Pc
populasiAnak_desimalC=[];
populasiAnak_binerC=[];
end
if acakM==Pm
fprintf('\nTERJADI MUTASI\n')
[x1binn, x2binn,x1dess,x2dess]=mutasi(ba1,bb1,ba2,
bb2,jml_pop,L,m1,m2,PopulasiAwal_biner,PopulasiAwal
_desimal);
populasiAnak_binerM=[x1binn x2binn]
populasiAnak_desimalM=[x1dess x2dess]
end
if acakM~=Pm
populasiAnak_desimalM=[];
populasiAnak_binerM=[];
end
populasiAnak_desimal=[populasiAnak_desimalC; populasi
Anak_desimalM]
populasiAnak_biner=[populasiAnak_binerC;populasiAnak_bi
nerM]
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
144
[f,k]=size(populasiAnak_desimal);
if f~=0
fitness_anak=hitungfitness(populasiAnak_desimal)
maksimum_fitness_awal=max(fitness_populasi);
t=find(fitness_anak>maksimum_fitness_awal);
indek=t;
[c,d]=size(t);
if t==find(fitness_anak>maksimum_fitness_awal)
PopulasiAwal_desimal(jml_pop+1-c:jml_pop,:)=
[populasiAnak_desimal(indek,:)];
PopulasiAwal_biner(jml_pop+1-c:jml_pop,:)=
[populasiAnak_biner(indek,:)];
end
end
if f==0
fprintf('\nTIDAK TERJADI CROSSOVER DAN MUTASI\n')
end
populasi_desimal=PopulasiAwal_desimal
x1des_populasi=populasi_desimal(:,1);
x2des_populasi=populasi_desimal(:,2);
populasi_biner=PopulasiAwal_biner
fitness_populasi=hitungfitness(populasi_desimal)
maks=max(fitness_populasi);
k=find(fitness_populasi==maks);
z=z+1;
end
fprintf('\n=============================================\n')
fprintf('HASIL AKHIR\n')
Populasi_Desimal_Akhir=populasi_desimal
Populasi_Biner_Akhir=populasi_biner
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
145
fprintf('\n')
fprintf('Nilai Maksimum %5.4f, Terjadi Pada:\n',maks)
Kromosom=k
Kromosom_biner=populasi_biner(k,:)
fprintf('Di titik : (%5.4f, %5.4f) \n',x1des_populasi(k),
x2des_populasi(k))
fprintf('\n=============================================\n')
Looping_minim.m %===========================================================
%Kembali mencari nilai minimum untuk setiap generasi
%
%Input :
% Populasi_DA = populasi akhir tiap generasi dalam bentuk
%desimal
% Populasi_BA = populasi akhir tiap generasi dalam bentuk
%biner
% L = panjang kromosom
% ba1 = batas bawah variabel1
% bb1 = batas atas variabel1
% m1 = panjang kromosom variabel1
% ba2 = batas bawah variabel2
% bb2 = batas atas variabel2
% m2 = panjang kromosom variabel
% jml_pop = Banyaknya populasi
% Pc = probabilitas crossover untuk menentukan
%terjadi atau tidak crossover
% Pm = probabilitas mutasi untuk menentukan
%terjadi atau tidak mutasi
%
%Output:
% Populasi_Desimal_Akhir = populasi akhir setelah looping
%dalam bentuk desimal
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
146
% Populasi_Biner_Akhir = populasi akhir setelah looping
%dalam bentuk biner
%=========================================================
function [Populasi_Desimal_Akhir, Populasi_Biner_Akhir]=
Looping_minim(Populasi_DA,Populasi_BA,L,ba1,bb1,m1,ba2,bb2,m
2,jml_pop,Pc,Pm)
fprintf('MEMINIMUMKAN\n\n')
z=0;
x1des=[Populasi_DA(:,1)];
x2des=[Populasi_DA(:,2)];
x1bin=[Populasi_BA(:,1:m1)];
x2bin=[Populasi_BA(:,m1+1:L)];
populasi_desimal=[x1des x2des]
populasi_biner=[x1bin x2bin]
fitness_populasi=hitungfitness(populasi_desimal)
gener=input('Masukkan generasi yang akan terjadi = ');
while z~=gener
fprintf('\n\nGENERASI KE-%d\n',z+1)
Populasi_Desimal=populasi_desimal;
Populasi_Biner=populasi_biner;
[urut_kromosom]=urut_krom(jml_pop,fitness_populasi,Popu
lasi_Desimal);
PopulasiAwal_desimal=urut_kromosom
[urut_kromosom]=urut_krom(jml_pop,fitness_populasi,Popu
lasi_Biner);
PopulasiAwal_biner=urut_kromosom
acakC=rand;
acakM=rand;
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
147
if acakC>=Pc
fprintf('\nTERJADI CROSSOVER\n')
[offspring]=seleksi_crossover(L,jml_pop,PopulasiAwa
l_biner)
x1bin_anak=[offspring(:,1:m1)];
x2bin_anak=[offspring(:,m1+1:L)];
[x1des_baru, x2des_baru]=populasi_baru_desimal(ba1,
bb1,m1,x1bin_anak,ba2,bb2,m2,x2bin_anak);
populasiAnak_desimalC=[x1des_baru x2des_baru];
populasiAnak_binerC=[x1bin_anak x2bin_anak];
end
if acakC<Pc
populasiAnak_desimalC=[];
populasiAnak_binerC=[];
end
if acakM==Pm
fprintf('\nTERJADI MUTASI\n')
[x1binn, x2binn,x1dess,x2dess]=mutasi(ba1,bb1,ba2,
bb2,jml_pop,L,m1,m2,PopulasiAwal_biner,PopulasiAwal
_desimal);
populasiAnak_binerM=[x1binn x2binn];
populasiAnak_desimalM=[x1dess x2dess];
end
if acakM~=Pm
populasiAnak_desimalM=[];
populasiAnak_binerM=[];
end
populasiAnak_desimal=[populasiAnak_desimalC; populasi
Anak_desimalM]
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
148
populasiAnak_biner=[populasiAnak_binerC;populasiAnak_bi
nerM]
[f,k]=size(populasiAnak_desimal);
if f~=0
fitness_anak=hitungfitness(populasiAnak_desimal)
minimum_fitness_awal=min(fitness_populasi);
t=find(fitness_anak<=minimum_fitness_awal);
indek=t;
[c,d]=size(t);
if t==find(fitness_anak<=minimum_fitness_awal)
PopulasiAwal_desimal(jml_pop+1-c:jml_pop,:)=
[populasiAnak_desimal(indek,:)];
PopulasiAwal_biner(jml_pop+1-c:jml_pop,:)=
[populasiAnak_biner(indek,:)];
End
end
if f==0
fprintf('\nTIDAK TERJADI CROSSOVER DAN MUTASI\n')
end
populasi_desimal=PopulasiAwal_desimal
x1des_populasi=populasi_desimal(:,1);
x2des_populasi=populasi_desimal(:,2);
populasi_biner=PopulasiAwal_biner
fitness_populasi=hitungfitness(populasi_desimal)
minim=min(fitness_populasi);
k=find(fitness_populasi==minim);
z=z+1;
end
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
149
fprintf('\n============================================\n')
fprintf('HASIL AKHIR\n')
Populasi_Desimal_Akhir=populasi_desimal
Populasi_Biner_Akhir=populasi_biner
fprintf('\n')
fprintf('Nilai Minimum %5.4f, Terjadi Pada:\n',minim)
Kromosom_biner=populasi_biner(k,:)
fprintf('Di titik : (%5.4f, %5.4f) \n',x1des_populasi(k),
x2des_populasi(k))
fprintf('\n=============================================\n')
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI