MAKALAH

GENETIC ALGORITHM

Dosen Pengampu :
Riama Simanjuntak, [Link]

Kelompok 5 :
Mira 240111149
Ruhayatul Janah 240111267
Syamsudinoor 240111299
Muhammad Randu 240111181

FAKULTAS TEKNOLOGI INFORMASI

UNIVERSITAS SAPTA MANDIRI
 KATA PENGANTAR

Puji syukur kami panjatkan ke hadirat Tuhan Yang Maha Esa, karena atas rahmat dan
karunia-Nya kami dapat menyelesaikan makalah yang berjudul "Genetic Algorithm
(Algoritma Genetika)" ini dengan baik dan tepat waktu.

Makalah ini disusun untuk memenuhi tugas mata kuliah serta sebagai sarana untuk
menambah wawasan dan pemahaman mengenai algoritma genetika, yang merupakan
salah satu metode optimasi berbasis konsep evolusi biologis.

Kami menyadari bahwa dalam penyusunan makalah ini masih terdapat banyak
kekurangan, baik dari segi penulisan maupun isi materi. Oleh karena itu, kami sangat
mengharapkan kritik dan saran yang membangun dari pembaca guna perbaikan di masa
yang akan datang.

Kami juga mengucapkan terima kasih kepada dosen pengampu mata kuliah serta semua
pihak yang telah membantu dalam penyusunan makalah ini.
Akhir kata, kami berharap makalah ini dapat memberikan manfaat dan menambah
pengetahuan bagi para pembaca.

Paringin ,20 April 2026

Kelompok 5

ii
 DAFTAR ISI

KATA PENGANTAR.......................................................................................................ii
DAFTAR ISI....................................................................................................................iii
BAB I PENDAHULUAN.................................................................................................1
1.1 Latar Belakang.....................................................................................................1
1.2 Rumusan Masalah...............................................................................................3
1.3 Tujuan Penelitian.................................................................................................3
BAB II TINJAUAN PUSTAKA.......................................................................................5
2.1 Landasan Teoretis Algoritma Genetika...............................................................5
2.2 Ringkasan Studi Literatur Terkait.......................................................................6
2.3 Analisis Komparatif Antar Penelitian.................................................................7
2.4 Sintesis Kelebihan dan Kekurangan Penelitian...................................................8
BAB III PEMBAHASAN...............................................................................................10
3.1 Analisis Strategis Peran Algoritma Genetika dalam Komputasi Modern.........10
3.2 Dekonstruksi Mekanisme Operator Genetika dan Variasi Teknikal.................10
3.3 Akselerasi Performa melalui GPU Programming dan CUDA..........................11
3.4 Implementasi GA pada Optimasi Jalur: Studi Kasus Travelling Salesman
Problem (TSP).........................................................................................................12
3.5 Sinergi GA dalam Optimasi Hyperparameter Machine Learning (SVM).........12
3.6 Sintesis Kritis: Kekuatan, Kelemahan, dan Interpretasi Hasil Penelitian.........13
BAB IV PENUTUP........................................................................................................15
4.1 Kesimpulan........................................................................................................15
4.2 Saran..................................................................................................................16
Laporan Bibliografi Terstruktur: Referensi Utama dalam Studi Algoritma Genetika
.................................................................................................................................17
Pengantar dan Konteks Strategis Referensi.............................................................17
Evaluasi Kontribusi dan Lapisan "So What?".........................................................17
Kesimpulan dan Sintesis Literasi............................................................................19
Daftar Pustaka.................................................................................................................20
 1

BAB I
PENDAHULUAN
1.1 Latar Belakang

Dalam ekosistem komputasi kontemporer, pencarian solusi optimal terhadap

permasalahan dengan ruang pencarian (search space) yang masif dan non-linear telah
menjadi tantangan fundamental yang melampaui kapabilitas algoritma deterministik
konvensional. Algoritma Genetika (AG) muncul sebagai instrumen strategis yang
menawarkan pendekatan metaheuristik berbasis populasi, yang mampu memberikan
solusi robust pada domain aplikasi kompleks di mana metode kalkulasi manual atau
pencarian eksosif (exhaustive search) mengalami kendala efisiensi yang eksponensial.

Landasan teoritis AG dipancangkan secara formal oleh John Holland pada tahun 1975
di New York, sebagai sebuah model komputasi yang mensimulasikan mekanisme
seleksi alam sesuai doktrin Charles Darwin. Intisari dari algoritma ini berpijak pada
prinsip survival of the fittest, di mana individu-individu dengan adaptabilitas tertinggi
dalam suatu populasi memiliki probabilitas lebih besar untuk bertahan hidup dan
mewariskan informasi genetiknya. Melalui variasi genetik yang diwariskan secara
iteratif, populasi mengalami evolusi progresif menuju titik konvergensi yang optimal
(Satrijo dkk., 2022; Mubarok & Chotijah, 2022).

Secara operasional, AG merepresentasikan setiap solusi potensial ke dalam struktur

kromosom yang tersusun atas deretan gen, baik dalam format integer, bit, maupun float.
Kualitas intrinsik dari setiap solusi tersebut diukur melalui nilai fitness, sebuah indikator
numerik yang menentukan posisi relatif individu dalam kompetisi seleksi. Nilai fitness
bertindak sebagai penentu kebijakan komputasi, memastikan bahwa hanya informasi
genetik unggul yang mendominasi pembentukan generasi berikutnya, sehingga
integritas evolusi tetap terjaga (Mubarok & Chotijah, 2022; Darmawan dkk., 2023).

Dinamika pencarian solusi dalam AG sangat bergantung pada interaksi sinergis antara
operator seleksi, crossover, dan mutasi. Operator seleksi seperti Roulette Wheel
Selection, Tournament Selection, atau Rank Selection bertugas mempertahankan
tekanan selektif dalam populasi. Operator crossover (seperti One-Point, PMX, atau
 2

Order1 Crossover) melakukan rekombinasi informasi antar-induk untuk

mengeksplorasi ruang solusi baru, sementara operator mutasi (seperti Swap Mutation
atau Inversion) memperkenalkan anomali acak guna menjaga diversitas genetik.
Kolaborasi sistematis antar operator ini krusial untuk mencegah fenomena terjebaknya
solusi pada local optima dan memastikan algoritma mampu menavigasi pencarian
menuju global optima (Satrijo dkk., 2022; Darmawan dkk., 2023).

Efektivitas AG telah teruji secara empiris dalam menyelesaikan Travelling Salesman

Problem (TSP), sebuah problematika optimasi kombinatorial yang secara historis
mustahil diselesaikan secara manual ketika jumlah koordinat meningkat drastis.
Berdasarkan studi yang dilakukan oleh Mubarok & Chotijah (2022), AG terbukti
mampu mengidentifikasi rute terpendek dengan efisiensi yang melampaui metode
konvensional. Pada konfigurasi optimal dengan ukuran 200 generasi, probabilitas
crossover sebesar 0,8, dan probabilitas mutasi 0,005, AG berhasil mencapai nilai fitness
terbaik sebesar 0,036. Capaian ini menegaskan signifikansi AG dalam mengeliminasi
keterlambatan logistik dan meningkatkan kepuasan pelanggan melalui efisiensi rute
yang presisi.

Lebih jauh lagi, AG menunjukkan sinergi strategis sebagai algoritma pencarian

metaheuristik untuk optimasi hiperparameter pada model Machine Learning, khususnya
Support Vector Machine (SVM). Pada kasus analisis sentimen media sosial Instagram
yang memiliki karakteristik data non-linear, pemilihan parameter kernel RBF, yaitu
nilai penalty (C) dan \gamma (Gamma), sangat menentukan akurasi klasifikasi.
Implementasi pendekatan SVM-GA mampu menemukan parameter optimal secara
otomatis dan meningkatkan akurasi klasifikasi menjadi 81,6%, yang merepresentasikan
peningkatan sebesar 2,4% dibandingkan penggunaan parameter standar (Darmawan
dkk., 2023).

Namun, seiring dengan meningkatnya kompleksitas data dan volume populasi, AG

menghadapi tantangan terkait beban komputasi pada arsitektur CPU tradisional yang
bersifat single-task. Transisi menuju GPU Programming menggunakan NVIDIA
CUDA menjadi kebutuhan krusial untuk mendukung Evolutionary Intelligence pada
skala besar. Arsitektur GPU mampu menangani evaluasi populasi secara paralel dengan
 3

performa 50 hingga 100 kali lebih cepat dibandingkan pemrosesan CPU (Satrijo dkk.,
2022). Urgensi integrasi teknologi akselerasi hardware ini, dipadukan dengan
fleksibilitas aplikasi AG, mendasari perlunya rumusan pertanyaan penelitian yang lebih
spesifik.

1.2 Rumusan Masalah

Perumusan pertanyaan penelitian yang tajam sangat diperlukan untuk memberikan

batasan yang rigid dan arah analisis yang koheren dalam mengkaji potensi Algoritma
Genetika. Berdasarkan latar belakang di atas, maka masalah dalam penelitian ini
dirumuskan sebagai berikut:

1. Bagaimana mekanisme transformasi prinsip seleksi alam dan operator genetik

(seleksi, crossover, dan mutasi) diimplementasikan secara sistematis ke dalam
struktur komputasi Algoritma Genetika?
2. Sejauh mana implementasi Algoritma Genetika mampu mengatasi tantangan
eksplorasi ruang solusi pada Travelling Salesman Problem (TSP) untuk
mencapai nilai fitness optimal 0,036 pada iterasi 200 generasi?

3. Bagaimana efektivitas integrasi Algoritma Genetika dalam proses optimasi

hiperparameter kernel (C dan \gamma) untuk meningkatkan akurasi analisis
sentimen pada media sosial Instagram menggunakan model Support Vector
Machine (SVM)?

4. Apa dampak signifikan penggunaan akselerasi berbasis GPU Programming

(NVIDIA CUDA) terhadap efisiensi waktu eksekusi dalam memproses evolusi
populasi yang masif dibandingkan dengan arsitektur CPU konvensional?

Pertanyaan-pertanyaan tersebut menjadi landasan utama bagi penetapan tujuan

penelitian yang berorientasi pada solusi analitis dan aplikatif.

1.3 Tujuan Penelitian

Penelitian ini diarahkan untuk memberikan kontribusi nyata terhadap pengembangan

algoritma evolusioner melalui pencapaian target-target sebagai berikut:
 4

1. Menganalisis secara komprehensif transformasi prinsip biologis Darwinian ke

dalam operator komputasi AG untuk menghasilkan sistem pencarian solusi yang
adaptif dan robust.
2. Menguji dan membuktikan kemampuan AG dalam mengidentifikasi rute logistik
optimal pada kasus TSP dengan memanfaatkan parameter probabilitas crossover
dan mutasi yang ideal guna mencapai nilai fitness terbaik.

3. Mengevaluasi peningkatan performa model klasifikasi SVM melalui pencarian

parameter kernel optimal menggunakan pendekatan metaheuristik AG,
khususnya dalam konteks analisis sentimen Instagram dengan target akurasi
melampaui standar default.

4. Mengidentifikasi keunggulan performa dan skalabilitas komputasi melalui

pemanfaatan arsitektur GPU yang mampu mempercepat proses evolusi hingga
50-100 kali lebih efisien daripada pemrosesan tradisional.

Hasil dari penelitian ini diharapkan dapat memberikan kontribusi teoretis dalam
memperkaya literatur kecerdasan komputasional serta memberikan solusi praktis bagi
permasalahan optimasi lintas domain di era industri 4.0
 5

BAB II
TINJAUAN PUSTAKA
2.1 Landasan Teoretis Algoritma Genetika

Algoritma Genetika (AG) menempati posisi strategis dalam spektrum algoritma

evolusioner sebagai metode metaheuristik yang tangguh untuk penyelesaian masalah
optimasi kompleks. Sebagai bagian dari komputasi cerdas, AG menawarkan kerangka
kerja pencarian stokastik yang mampu mengeksplorasi ruang pencarian non-linear guna
menemukan solusi optimal yang sulit dijangkau oleh metode aritmatik konvensional.
Posisi AG menjadi krusial dalam domain penelitian saat ini, mulai dari pengembangan
perangkat lunak optimasi tingkat rendah hingga penyetelan hyperparameter pada model
pembelajaran mesin tingkat tinggi.

Secara filosofis, konsep AG pertama kali diperkenalkan oleh John Holland (1975)
dengan mengadopsi mekanisme teori seleksi alam Charles Darwin. Inti dari algoritma
ini adalah prinsip survival of the fittest, di mana variasi genetik dalam suatu populasi
dipertahankan dan diwariskan untuk mencapai evolusi progresif. Individu dengan
tingkat adaptasi terbaik terhadap lingkungan—direpresentasikan melalui nilai fitness—
memiliki probabilitas reproduksi yang lebih tinggi, sehingga karakteristik unggul dapat
terakumulasi secara sistematis dari satu generasi ke generasi berikutnya untuk mencapai
konvergensi solusi [Satrijo dkk., 2022].

Struktur AG dibangun atas beberapa komponen utama yang memandu proses evolusi
sebagai berikut:

 Kromosom dan Gen: Representasi solusi dimodelkan sebagai kromosom yang

terdiri dari sekumpulan gen. Format data gen dapat berupa bit, integer, maupun
float, tergantung pada kebutuhan domain masalah, seperti representasi koordinat
pada permasalahan rute.
 Nilai Fitness: Berfungsi sebagai metrik kualitas individu terhadap kriteria
masalah. Nilai fitness menentukan signifikansi suatu solusi; semakin tinggi nilai
 6

fitness, semakin besar peluang individu tersebut untuk berkontribusi pada

generasi mendatang [Mubarok & Chotijah, 2021].

 Seleksi: Mekanisme pemilihan induk (parent) untuk proses reproduksi. Metode

Roulette Wheel memberikan peluang berdasarkan proporsi fitness, sementara
Tournament Selection memilih yang terbaik dari sub-kelompok acak. Selain itu,
penggunaan seleksi Elitis sering diterapkan untuk menjamin bahwa individu
dengan fitness terbaik tidak hilang selama transisi generasi.

 Crossover (Rekombinasi): Operator utama yang menciptakan variasi keturunan

melalui pertukaran informasi genetik. Selain teknik One Point, Multi Point, dan
Uniform Crossover, terdapat operator khusus untuk masalah permutasi seperti
Partially Mapped Crossover (PMX) dan Order1 Crossover—yang juga dikenal
sebagai Davis Order Crossover—guna mencegah duplikasi gen dalam satu
kromosom [Satrijo dkk., 2022].

 Mutasi: Berperan menjaga keberagaman genetik dan mencegah konvergensi

prematur pada local optima. Teknik mutasi seperti Random Resetting, Swap,
Scramble, dan Inversion memperkenalkan anomali acak pada gen. Dalam kasus
rute terpendek, penggunaan Reciprocal Exchange Mutation terbukti efektif
dalam menghasilkan variasi keturunan tanpa melanggar batasan permutasi
[Mubarok & Chotijah, 2021].

Landasan teoretis ini membentuk kerangka kerja sistematis yang memungkinkan AG

diadaptasi ke dalam berbagai arsitektur komputasi dan domain aplikasi yang lebih
spesifik.

2.2 Ringkasan Studi Literatur Terkait

Eksperimentasi praktis AG telah berkembang pesat, mencakup transisi dari

pengembangan alat bantu (tools) hingga aplikasi spesifik pada model prediktif. Tinjauan
berikut mensintesis tiga studi utama yang menerapkan teori AG pada domain
pengembangan library, optimasi jalur transportasi, dan optimasi model klasifikasi.
 7

Studi 1: Pengembangan Library Berbasis GPU (Satrijo dkk., 2022) Kontribusi

signifikan dalam infrastruktur komputasi diberikan oleh Satrijo dkk. melalui pembuatan
general-purpose library yang mengintegrasikan AG dan Whale Optimization Algorithm
(WOA). Penelitian ini menggunakan CUDA C++ untuk mengatasi kendala waktu
komputasi pada algoritma evolusioner yang intensif secara iterasi. Dengan
memanfaatkan GPU Programming, beban komputasi dialihkan dari CPU ke unit
pemrosesan grafis, memungkinkan proses yang transparan dalam pemantauan nilai
fitness terbaik dan rata-rata per generasi dengan efisiensi waktu yang lebih tinggi
dibandingkan pustaka konvensional.

Studi 2: Optimasi Jalur Terpendek TSP (Mubarok & Chotijah, 2021) Paradigma
optimasi AG diterapkan untuk menyelesaikan Travelling Salesman Problem (TSP) pada
sistem pengiriman paket menggunakan MATLAB 2020a. Fokus utama penelitian ini
adalah meningkatkan kepuasan pelanggan melalui efisiensi rute. Melalui proses
pengujian parameter, ditemukan bahwa konfigurasi optimal terdiri dari 200 generasi,
probabilitas crossover 0,8, dan probabilitas mutasi 0,005. Implementasi operator
Reciprocal Exchange Mutation dalam studi ini berhasil menghasilkan nilai fitness
sebesar 0,036, yang menandakan penemuan jalur distribusi yang paling efisien.

Studi 3: Optimasi Parameter SVM untuk Analisis Sentimen (Darmawan dkk.,

2023) Penelitian ini mengeksplorasi penggunaan AG dalam mengoptimasi
hyperparameter C dan Gamma pada kernel RBF dalam model Support Vector Machine
(SVM). Studi kasus dilakukan pada analisis sentimen komentar Instagram Universitas
Pendidikan Ganesha. Integrasi AG memungkinkan pencarian solusi global untuk
parameter kernel yang sulit ditentukan secara manual. Hasilnya, AG berhasil
meningkatkan akurasi klasifikasi sentimen sebesar 2,4%, mencapai total akurasi 81,6%
dibandingkan dengan penggunaan parameter default.

Ketiga studi tersebut mengonfirmasi bahwa efektivitas AG sangat bergantung pada

sinkronisasi antara platform lingkungan pengembangan dan penyetelan parameter
internal algoritma.
 8

2.3 Analisis Komparatif Antar Penelitian

Analisis komparatif terhadap parameter dan lingkungan pengembangan sangat krusial

untuk memetakan efektivitas AG dalam berbagai skenario teknis. Tabel berikut
merangkum perbedaan metodologis dari ketiga studi utama tersebut:

Kriteria Mubarok & Chotijah Darmawan dkk.

Satrijo dkk. (2022)
Perbandingan (2021) (2023)

Pengembangan Library Optimasi rute Optimasi

Tujuan
Dual-Algorithm (GA & terpendek TSP Hyperparameter
Utama
WOA). logistik. SVM-RBF.

Bahasa / Python
CUDA C++ (GPU). MATLAB 2020a.
Platform (GASearchCV).

Evolutionary
Metode Roulette, Tournament, Tournament,
Selection via
Seleksi Rank. Roulette, Elitis.
GASearchCV.

Davis Order (OX1), PMX, PMX Crossover;

Operator Crossover (CP 0,7);
Uniform; Mutasi (Swap, Reciprocal
Evolusi Mutasi (MP 0,2).
Inversion). Exchange Mutation.

Paralelisasi komputasi Fitness optimal 0,036 Akurasi meningkat

Hasil Utama
fitness via GPU. pada 200 generasi. menjadi 81,6%.

Evaluasi diferensiasi menunjukkan bahwa pemilihan platform (GPU vs CPU) memiliki

implikasi mendalam pada performa. Implementasi berbasis GPU oleh Satrijo dkk.
(2022) mampu mengatasi hambatan komputasi melalui paralelisasi evaluasi fitness—
tahap yang paling memakan sumber daya dalam AG—sehingga iterasi pada populasi
besar menjadi lebih layak. Di sisi lain, ukuran populasi menunjukkan fenomena
"Goldilocks" pada studi Darmawan (2023); populasi ideal ditemukan pada rentang 250–
 9

500 individu. Menariknya, peningkatan populasi menjadi 1000 individu justru

menurunkan akurasi pengujian menjadi 78,4%, sekaligus meningkatkan beban sumber
daya. Hal ini mempertegas bahwa peningkatan ukuran populasi tidak selalu linier
dengan kualitas solusi.

2.4 Sintesis Kelebihan dan Kekurangan Penelitian

Setiap implementasi AG melibatkan kompromi (trade-off) teknis antara tingkat akurasi,

kompleksitas algoritma, dan konsumsi sumber daya komputasi. Berikut adalah sintesis
dari keunggulan dan batasan yang ditemukan:

Analisis Kekuatan (Pros):

 Eksplorasi Global: AG memiliki kemampuan superior dalam menghindari

terjebak pada local optima melalui mekanisme mutasi yang menjaga diversitas
genetik [Satrijo dkk., 2022].
 Fleksibilitas Domain: Terbukti efektif baik dalam masalah diskrit seperti rute
TSP [Mubarok, 2021] maupun masalah kontinu seperti optimasi hyperparameter
pada machine learning [Darmawan, 2023].

 Solusi Adaptif: Mampu menemukan konfigurasi optimal dalam ruang pencarian

yang luas tanpa memerlukan informasi gradien dari fungsi tujuan.

Analisis Limitasi (Cons):

 Intensitas Komputasi: Waktu eksekusi menjadi kendala utama pada populasi

besar, kecuali jika diimplementasikan pada arsitektur paralel seperti GPU.
 Masalah Reproduksibilitas: Sifatnya yang stokastik memicu variansi hasil
pada setiap eksekusi. Fenomena ini terlihat pada studi Darmawan dkk. (2023), di
mana tiga percobaan dengan konfigurasi sama menghasilkan akurasi yang
fluktuatif (81,6%, 78%, dan 80%). Hal ini menunjukkan adanya tantangan
dalam konsistensi solusi (global optima yang ditemukan bisa berbeda).
 10

 Sensitivitas Parameter: Performa sangat bergantung pada penyetelan

probabilitas crossover dan mutasi yang sering kali masih membutuhkan
pendekatan trial and error.

Secara keseluruhan, Algoritma Genetika tetap menjadi instrumen optimasi yang

tangguh. Meskipun dihadapkan pada tantangan efisiensi waktu dan variansi hasil,
integrasi dengan teknologi pemrosesan paralel dan strategi penyetelan parameter yang
cermat menjadikan AG solusi yang tak tergantikan dalam menyelesaikan permasalahan
optimasi non-linear di era modern.
 11

BAB III
PEMBAHASAN
3.1 Analisis Strategis Peran Algoritma Genetika dalam Komputasi Modern

Dalam lanskap komputasi modern, penyelesaian masalah optimasi kompleks seringkali

membentur keterbatasan logika aritmatika standar yang bersifat deterministik. Persoalan
dunia nyata umumnya bersifat non-linear, multidimensi, dan memiliki ruang pencarian
(search space) yang sangat luas, sehingga metode konvensional cenderung terjebak
pada solusi suboptimal. Di sinilah Algoritma Genetika (GA) memainkan peran krusial
sebagai pilar metode metaheuristik. Berakar pada prinsip seleksi alam Charles Darwin,
GA mengadopsi mekanisme survival of the fittest untuk mengevolusi populasi solusi
potensial melalui iterasi yang mensimulasikan proses biologis (Satrijo dkk., 2022).

Kemampuan utama GA terletak pada kemampuannya melakukan pencarian solusi

secara stokastik dan paralel, yang memungkinkannya mengeksplorasi global optima
daripada sekadar terperangkap dalam local optima. Berbeda dengan algoritma pencarian
lokal, GA mengelola populasi individu (kromosom) yang mewakili berbagai titik
koordinat dalam ruang solusi. Dengan mengandalkan variasi genetik dan tekanan
seleksi yang tepat, GA tetap menjadi instrumen tangguh untuk memecahkan masalah
yang tidak terstruktur, mulai dari optimasi logistik hingga penyetelan parameter model
kecerdasan buatan. Fleksibilitas ini, bagaimanapun, sangat bergantung pada
dekonstruksi teknis terhadap operator-operator yang digunakan.

3.2 Dekonstruksi Mekanisme Operator Genetika dan Variasi Teknikal

Efektivitas GA dalam mencapai konvergensi solusi yang berkualitas ditentukan oleh

orkestrasi tiga operator utama: Selection, Crossover, dan Mutation. Melalui sintesis
analitis terhadap studi Satrijo dkk. (2022) serta Mubarok & Chotijah (2022), mekanisme
ini dapat dibedah secara mendalam:

 Selection (Seleksi): Operator ini menentukan intensitas tekanan selektif dalam

populasi. Roulette Wheel Selection memberikan probabilitas pemilihan yang
proporsional terhadap nilai fitness, namun berisiko menyebabkan dominasi
individu unggul secara prematur. Sebaliknya, Tournament Selection
 12

menawarkan kontrol lebih baik dengan mengadu n individu secara acak,

sementara Rank Selection menjaga keberagaman dengan menetapkan proporsi
pemilihan berdasarkan peringkat, bukan nilai absolut fitness, guna menghindari
konvergensi dini.
 Crossover (Penyilangan): Operator ini berfungsi menggabungkan material
genetik induk untuk menghasilkan keturunan. Dalam masalah permutasi seperti
Travelling Salesman Problem (TSP), penggunaan teknik PMX (Partially
Mapped Crossover) dan Order1 Crossover menjadi sangat krusial. Teknik
crossover standar (seperti one-point crossover) akan menghasilkan kromosom
ilegal atau "gen kembar" pada masalah permutasi, di mana satu kota dikunjungi
lebih dari satu kali. PMX mengatasi hal ini dengan mekanisme mapping yang
menjamin integritas kromosom tanpa duplikasi, memastikan setiap kota dalam
rute TSP tetap unik (Mubarok & Chotijah, 2022).

 Mutation (Mutasi): Sebagai mekanisme eksplorasi, mutasi mencegah populasi

menjadi homogen. Satrijo dkk. (2022) menekankan bahwa Random Resetting
lebih efektif untuk data bertipe integer/float, sedangkan teknik Swap, Scramble,
dan Inversion dirancang khusus untuk mempertahankan validitas solusi pada
encoding permutasi. Mutasi memungkinkan algoritma "melompat" keluar dari
jebakan local optima melalui anomali genetik acak.

Efektivitas operator-operator ini tidak hanya bergantung pada parameter probabilitas,

tetapi juga pada infrastruktur komputasi yang menopang beban iterasi masif tersebut.

3.3 Akselerasi Performa melalui GPU Programming dan CUDA

Hambatan utama dalam implementasi algoritma evolusioner adalah durasi eksekusi

yang eksponensial seiring bertambahnya ukuran populasi dan generasi. Penelitian
Satrijo dkk. (2022) memberikan kontribusi signifikan melalui pengembangan General-
Purpose Library berbasis NVIDIA CUDA. Poin krusial dari penelitian ini bukan
sekadar pada aspek kecepatan, melainkan pada abstraksi kode menggunakan derived
class dan abstract method yang memungkinkan seluruh proses dalam library bersifat
transparan bagi pengguna.
 13

Secara teknis, CPU konvensional dirancang untuk pemrosesan tugas tunggal secara
cepat (single task), sehingga tetap unggul untuk beban kerja sederhana. Namun, CPU
menjadi tidak efisien saat harus melakukan evaluasi fitness pada populasi masif secara
berulang. Melalui platform CUDA, pemrosesan paralel pada GPU memungkinkan
evaluasi ribuan individu dilakukan secara simultan. Implementasi General-Purpose
computing on Graphics Processing Units (GPGPU) ini mampu menghasilkan akselerasi
performa 50 hingga 100 kali lebih cepat dibandingkan pemrosesan CPU (Satrijo dkk.,
2022). Bagi peneliti senior, integrasi GPGPU adalah keharusan teknis agar GA dapat
diterapkan pada masalah berskala industri tanpa terkendala waktu komputasi.

3.4 Implementasi GA pada Optimasi Jalur: Studi Kasus Travelling

Salesman Problem (TSP)

Aplikasi praktis GA dalam sektor logistik dipaparkan secara empiris oleh Mubarok &
Chotijah (2022) dalam penyelesaian TSP. Fokus utama penelitian ini adalah
menemukan rute terpendek yang meminimalkan jarak tempuh total guna meningkatkan
efisiensi operasional. Berdasarkan hasil pengujian menggunakan MATLAB, ditemukan
bahwa konfigurasi optimal dicapai pada 200 generasi dengan probabilitas crossover 0.8
dan probabilitas mutasi 0.005.

Secara analitis, hasil penelitian menunjukkan nilai fitness sebesar 0.036. Mengacu pada
formula fitness yang digunakan, yakni 1 / (\text{total jarak} + \text{penalti}), nilai
tersebut merepresentasikan rute optimal dengan panjang jalur total 27.349 unit
(Mubarok & Chotijah, 2022). Keberhasilan mencapai titik ini membuktikan bahwa GA
mampu mengidentifikasi kombinasi jalur terbaik dari sekian banyak kemungkinan
permutasi rute. Dalam konteks bisnis, optimasi ini berdampak langsung pada
pengurangan biaya bahan bakar dan peningkatan ketepatan waktu pengiriman, yang
merupakan variabel kunci kepuasan pelanggan.

3.5 Sinergi GA dalam Optimasi Hyperparameter Machine Learning (SVM)

Peran GA meluas hingga ke area augmentasi algoritma cerdas lainnya, sebagaimana

ditunjukkan oleh Darmawan dkk. (2023) dalam optimasi Support Vector Machine
(SVM) untuk analisis sentimen Instagram. Tantangan fundamental dalam SVM dengan
kernel Radial Basis Function (RBF) adalah penentuan hyperparameter C (toleransi
 14

kesalahan) dan Gamma (radius pengaruh titik data) yang tepat. Tanpa optimasi,
penentuan nilai-nilai ini seringkali dilakukan secara heuristik yang tidak akurat.

Dalam studi ini, GA berperan sebagai pencari global optima dengan batasan rentang
parameter C dan Gamma pada interval 0,01 sampai 100. Implementasi GA berhasil
meningkatkan akurasi model SVM sebesar 2.4%, mencapai skor akhir 81.6%
(Darmawan dkk., 2023). Namun, sebagai peneliti, penting untuk dicatat bahwa sifat
stokastik GA menyebabkan hasil yang bervariasi pada setiap eksekusi. Meskipun
menggunakan konfigurasi parameter yang identik, pengambilan sampel populasi yang
acak dapat menghasilkan solusi yang sedikit berbeda, sehingga diperlukan pengujian
berulang untuk memastikan stabilitas model.

3.6 Sintesis Kritis: Kekuatan, Kelemahan, dan Interpretasi Hasil Penelitian

Sintesis dari berbagai literatur menunjukkan bahwa meskipun muncul algoritma baru
seperti Whale Optimization Algorithm (WOA), Algoritma Genetika tetap relevan karena
fleksibilitas strukturalnya. Satrijo dkk. (2022) mencatat bahwa WOA memiliki
keunggulan dalam menghindari local optima tanpa membutuhkan reformasi struktural,
namun GA menawarkan kontrol yang lebih granular melalui manipulasi operator
genetikanya. Relevansi GA terbukti konsisten baik dalam optimasi rute fisik (Mubarok
& Chotijah, 2022) maupun optimasi model digital (Darmawan dkk., 2023).

Namun, terdapat trade-off komputasi yang harus diperhatikan secara kritis. Data dari
Darmawan dkk. (2023) menunjukkan fenomena diminishing returns: penggunaan
ukuran populasi 1000 menyebabkan lonjakan waktu eksekusi yang drastis hingga
228.000 detik tanpa memberikan peningkatan akurasi yang signifikan dibandingkan
populasi 250. Hal ini menegaskan bahwa penambahan populasi tidak selalu linier
dengan peningkatan kualitas solusi. Sebaliknya, populasi yang terlalu besar justru
menurunkan efisiensi sistem secara keseluruhan.

Secara keseluruhan, kekuatan GA terletak pada kemampuannya mengeksplorasi ruang

pencarian global secara tangguh, namun kelemahannya berada pada kebutuhan akan
trial and error yang intensif untuk menentukan parameter awal. Sifat stokastiknya
menuntut kehati-hatian dalam interpretasi hasil. Namun, dengan dukungan akselerasi
 15

perangkat keras seperti NVIDIA CUDA dan desain operator yang tepat seperti PMX,
GA tetap menjadi standar emas dalam menyelesaikan persoalan optimasi kompleks di
era data besar saat ini.
 16

BAB IV
PENUTUP
4.1 Kesimpulan

Bab ini menyajikan sintesis komprehensif atas berbagai studi kasus penerapan
Algoritma Genetika (AG) yang telah diulas pada bagian sebelumnya. Sebagai peneliti
sistem cerdas, sangat krusial untuk mengukuhkan pemahaman bahwa AG bukan
sekadar metode optimasi konvensional, melainkan bagian integral dari ekosistem
algoritma evolusioner dan swarm intelligence, berdampingan dengan metode mutakhir
seperti Whale Optimization Algorithm (WOA). Fase penutupan ini menjadi landasan
strategis untuk memvalidasi efektivitas AG dalam menavigasi ruang pencarian yang
kompleks dan non-linear, yang pada akhirnya menentukan kualitas solusi fungsional
dalam ranah komputasi cerdas.

Secara teknis, Algoritma Genetika memanifestasikan keunggulannya sebagai metode

metaheuristik yang sangat resilien terhadap kendala local optima. Keandalan ini terbukti
secara empiris melalui keberhasilannya dalam melakukan optimasi hiperparameter,
khususnya pada parameter C dan Gamma (\gamma) pada model Support Vector
Machine (SVM) dengan kernel Radial Basis Function (RBF). Melalui mekanisme
seleksi, crossover, dan mutasi, AG mampu memetakan koordinat parameter yang paling
presisi untuk menyelesaikan masalah klasifikasi yang bersifat non-linear, yang secara
teoretis sulit dicapai melalui metode pencarian manual atau grid search sederhana.

Temuan kritis dalam riset ini menegaskan bahwa performa AG sangat dipengaruhi oleh
sensitivitas konfigurasi parameternya. Pada studi kasus Travelling Salesman Problem
(TSP), efisiensi maksimal ditemukan pada pengaturan 200 generasi dengan probabilitas
crossover sebesar 0,8 dan probabilitas mutasi sebesar 0,005. Konfigurasi ini terbukti
mampu menghasilkan nilai fitness paling optimal sebesar 0,036564, yang
merepresentasikan rute terpendek dalam dataset koordinat yang digunakan. Fakta ini
menunjukkan bahwa ketepatan penentuan parameter spesifik merupakan variabel
penentu utama bagi keberhasilan model dalam mencapai global optima.
 17

Selanjutnya, aspek efisiensi komputasi menjadi sorotan utama melalui pemanfaatan

GPU Programming berbasis arsitektur NVIDIA CUDA. Integrasi ini berhasil
memitigasi kendala waktu eksekusi yang lama pada unit pemrosesan tradisional (CPU)
dengan mengimplementasikan pemrosesan paralel yang masif. Implementasi praktis
pada analisis sentimen media sosial Instagram menunjukkan bahwa optimasi AG
mampu meningkatkan akurasi klasifikasi sebesar 2,4%, sehingga mencapai skor akhir
akurasi sebesar 81,6%. Pencapaian ini menegaskan bahwa sinergi antara algoritma
metaheuristik dan perangkat keras yang mumpuni mampu menghasilkan sistem cerdas
yang tidak hanya akurat, tetapi juga efisien. Meskipun efektivitas AG telah terbukti,
adanya hambatan komputasi pada skala besar dan sifat algoritma yang stokastik menjadi
landasan fundamental bagi penyusunan rekomendasi riset di masa depan.

4.2 Saran

Saran-saran berikut disusun secara strategis untuk memberikan arah bagi

pengembangan riset selanjutnya, dengan tujuan memitigasi limitasi teknis yang
ditemukan serta meningkatkan relevansi praktis dari Algoritma Genetika.

Pertama, pengembangan model optimasi di masa depan direkomendasikan untuk

mengintegrasikan variabel dunia nyata yang lebih heterogen dan dinamis. Dalam
konteks optimasi rute perjalanan (TSP), akurasi praktis dapat ditingkatkan secara
signifikan dengan menyertakan variabel deterministik seperti tingkat kepadatan lalu
lintas, kondisi cuaca, serta jumlah dan frekuensi lampu merah pada jalur yang ditempuh.
Transformasi dari model koordinat statis menuju model berbasis parameter lingkungan
yang kompleks akan memastikan bahwa solusi yang dihasilkan tidak hanya optimal di
atas kertas, tetapi juga fungsional dalam implementasi lapangan yang dinamis.

Kedua, mengingat sifat stokastik dari Algoritma Genetika yang menyebabkan

variabilitas hasil pada setiap iterasi eksekusi, penggunaan perangkat keras berbasis
GPGPU (NVIDIA CUDA) bukan lagi sekadar opsi, melainkan suatu keharusan untuk
menjamin reliabilitas solusi. Peneliti selanjutnya disarankan untuk melakukan
eksplorasi mendalam pada manajemen ukuran populasi dan jumlah generasi guna
menemukan titik ekuilibrium antara akurasi tinggi dan efisiensi waktu proses.
Optimalisasi berkelanjutan pada level integrasi perangkat keras dan manajemen
 18

populasi akan meminimalisir beban komputasi intensif, sekaligus memperkokoh potensi

berkelanjutan dari Algoritma Genetika dalam ekosistem komputasi cerdas masa depan.

Laporan Bibliografi Terstruktur: Referensi Utama dalam Studi Algoritma

Genetika

Pengantar dan Konteks Strategis Referensi

Kurasi literatur yang berkualitas merupakan pilar fundamental dalam pengembangan

penelitian berbasis Algoritma Genetika (AG). Sebagai metode metaheuristik yang
terinspirasi dari mekanisme seleksi alam, efektivitas AG sangat bergantung pada
konfigurasi parameter dan ketepatan model terhadap domain masalah yang spesifik.
Pemilihan sumber referensi yang kredibel—mulai dari studi mengenai optimasi
parameter Support Vector Machine (SVM) hingga penyelesaian tantangan klasik seperti
Travelling Salesman Problem (TSP)—menyediakan landasan teoretis dan empiris yang
kokoh. Referensi yang tepat memungkinkan peneliti untuk memvalidasi argumen
mereka, menghindari redundansi, dan membangun inovasi di atas temuan yang sudah
mapan.

Keanekaragaman sumber dalam laporan ini menunjukkan versatilitas luar biasa dari
Algoritma Genetika sebagai instrumen optimasi lintas domain. Spektrum penelitian
yang dicakup—mulai dari pengembangan general-purpose library berbasis NVIDIA
CUDA untuk akselerasi perangkat keras hingga penerapan praktis pada analisis opini
media sosial—menegaskan transisi AG dari sekadar algoritma teoretis menjadi mesin
pendorong efisiensi di era Big Data. Integrasi berbagai perspektif ini sangat krusial;
misalnya, pemahaman mengenai akselerasi GPU diperlukan untuk
mengimplementasikan solusi logistik pada skala data yang masif. Daftar pustaka berikut
disusun secara alfabetis untuk memastikan aksesibilitas dan profesionalisme dalam
penelusuran referensi bagi para akademisi.

Evaluasi Kontribusi dan Lapisan "So What?"

Pemetaan kontribusi setiap artikel memberikan nilai strategis dalam memahami

bagaimana komputasi cerdas berevolusi dari validasi dasar menuju optimasi
 19

infrastruktur. Tabel di bawah ini merangkum signifikansi teknis dan dampak sektoral
dari literatur yang dipilih.

Penulis
Fokus Utama Penelitian Dampak Terhadap Domain Pengetahuan
(Tahun)

Pengembangan general- Merevolusi performa komputasi

purpose library untuk GA dan metaheuristik dengan menyediakan
Satrijo dkk.
Whale Optimization Algorithm mesin akselerasi berbasis GPU yang
(2022)
(WOA) menggunakan mampu menangani iterasi tinggi secara
NVIDIA CUDA. transparan dan efisien.

Mengoptimalisasi GA sebagai
Optimasi parameter kernel hyperparameter tuner yang
Darmawan SVM-RBF (C dan Gamma) menjembatani komputasi evolusioner
dkk. (2023) menggunakan AG untuk dengan machine learning modern,
analisis sentimen Instagram. meningkatkan akurasi klasifikasi sebesar
2,4%.

Memvalidasi ambang batas 200 generasi

Mubarok & Pencarian rute logistik optimal sebagai parameter ideal untuk mencapai
Chotijah menggunakan GA dengan nilai fitness optimal (0,036) dalam
(2021) implementasi pada MATLAB. skenario pengiriman paket yang
kompleks.

Memberikan solusi aplikatif pada

Penentuan rute tetap bagi manajemen logistik mikro dengan
Ina dkk. pedagang perabot keliling di mentransformasi teori TSP menjadi
(2019) Kota Kupang melalui jadwal perjalanan presisi yang
pemetaan variabel geografis. meningkatkan efisiensi operasional
harian.
 20

Memperkaya perspektif komparatif

Komputasi TSP menggunakan
dengan menyediakan benchmark non-
algoritma Hill Climbing
Irfan (2018) GA, yang sangat penting untuk
sebagai studi komparatif
memvalidasi superioritas AG dalam
visual.
menghindari local optima.

Membangun landasan fundamental

Analisis teoretis berbagai
mengenai keterbatasan fungsional
Wiyanti algoritma optimasi dalam
algoritma optimasi klasik sebelum era
(2013) menyelesaikan kompleksitas
dominasi hibridasi dan akselerasi
TSP.
perangkat keras.

Integrasi perspektif ini menunjukkan bahwa kemajuan dalam infrastruktur (Satrijo dkk.)
merupakan prasyarat teknis agar solusi logistik terapan (Mubarok; Ina dkk.) dapat
diimplementasikan pada skala industri yang lebih luas dengan beban komputasi yang
tetap terkendali.

Kesimpulan dan Sintesis Literasi

Secara holistik, kumpulan literatur ini merepresentasikan evolusi Algoritma Genetika

yang dinamis dalam menyelesaikan masalah optimasi di era modern. Terdapat
pergeseran paradigma yang jelas dalam dekade terakhir: dari sekadar validasi
algoritma untuk masalah TSP (Wiyanti, 2013), menuju optimasi infrastruktur
melalui pemrograman paralel (Satrijo dkk., 2022), hingga mencapai tahap hibridasi
lintas domain di mana AG berfungsi sebagai penyempurna model kecerdasan buatan
lainnya (Darmawan dkk., 2023). Sinergi antara keunggulan perangkat keras dan
fleksibilitas algoritma ini membuktikan bahwa AG bukan hanya metode yang bertahan
lama, tetapi terus beradaptasi untuk menjawab tantangan data non-linear yang semakin
kompleks.

Laporan bibliografi ini disusun dengan kepatuhan ketat terhadap standar akademik
internasional. Penggunaan referensi yang terstandarisasi dan terkurasi dengan baik tidak
hanya mencerminkan kedalaman intelektual penulis, tetapi juga merupakan manifestasi
 21

dari profesionalisme serta integritas akademik yang esensial dalam memajukan

diskursus ilmiah di bidang komputasi cerdas.
 22

Daftar Pustaka
Aldhiqo Yusron Mubarok, & Chotijah Umi. (2021). 493534-Application-of-Genetic-
Algorithm-To-Find-a9154736. Jurnal Teknologi Terpadu Vol. 7 No. 2 2021,77-82,
7(2), 77–82.

Nugroho, A., & Widiyatmoko, A. T. (2023). Optimasi Parameter Support Vector

Machine dengan Algoritma Genetika Untuk Penilaian Resiko Kredit. Pelita
Teknologi, 17(2), 12–17. [Link]

Papazoglou, G., & Biskas, P. (2023). Review and Comparison of Genetic Algorithm
and Particle Swarm Optimization in the Optimal Power Flow Problem. Energies,
16(3). [Link]

Purnamasari, D., Anshary, M. A. K., & Rianto, R. (2023). [Link]

COOL/SEMESTER 5/METODOLOGI PENELITIAN/SENTIMENT TV [Link]
[Link] COOL/SEMESTER 5/METODOLOGI
PENELITIAN/SENTIMENT TV [Link] [Link]
COOL/SEMESTER 5/METODOLOGI PENELITIAN/sentiment [Link]. Aiti,
20(2), 177–190.

Satrijo, B. N., Armanto, H., Zaman PCSW, L., & Pickerling, P. (2022). Library
Algoritma Genetik dan Whale Optimization berbasis GPU Programming. Journal
of Intelligent System and Computation, 4(1), 32–44.
[Link]