KB_A1_PRAK10_2111501017

LAPORAN PRAKTIKUM Tahun Ajaran 2022/2023 Mata Kuliah kecerdasan buatan Semester 4 (empat) Praktikum Ke 10 Laporan Praktikum 1 Nama : muhammad hifzhan NIM : 2111501017

Daftar Isi Daftar Isi ....................................................................................................................................1 BAB I Tujuan.............................................................................................................................2 BAB II Landasan Teori..............................................................................................................2 BAB III Hasil dan Pembahasan .................................................................................................3 BAB IV Kesimpulan..................................................................................................................9 Daftar Pustaka..........................................................................................................................11 Laporan Praktikum 1

BAB I Tujuan - Mahasiswa mampu melakukan analisis terkait algoritma genetika. - Mahasiswa mampu mencari jurnal mengenai algoritma genetika untuk diagnosa sesuatau. - Mahasiswa mampu menjelaskan apa yang telah di Analisa. Laporan Praktikum PSTI 2

BAB II Landasan Teori Algoritma genetika yang dikembangkan oleh Goldberg adalah algoritma komputasi yang diinspirasi aliran evolusi Darwin yang mencurahkan bahwa kontinuitas jiwa suatu insan dipengaruhi etika “yang kuat dugaan adalah yang menang”. Darwin juga mencurahkan bahwa kontinuitas jiwa suatu insan bisa dipertahankan menelusuri taktik reproduksi, crossover, dan mutasi. Konsep bagian dalam aliran evolusi Darwin tercantum nanti diadopsi menjabat algoritma komputasi menjelang mengejar resolusi suatu masalah tambah peraturan yang lebih “alamiah”. Sebuah resolusi yang dibangkitkan bagian dalam algoritma genetika disebut serupa chromosome, sedangkan tandu chromosome-chromosome tercantum disebut serupa peguyuban. Sebuah chromosome dibentuk berusul unsur-unsur pendiri yang disebut serupa gen dan nilainya bisa bercorak nilai numerik, biner, lambang ataupun watak terserah berusul masalah yang butuh diselesaikan. Chromosome-chromosome tercantum akan berevolusi secara berangkaian yang disebut tambah tingkatan. Dalam tiap tingkatan chromosome-chromosome tercantum dievaluasi tahap keberhasilan ideal solusinya terhadap pasal yang butuh diselesaikan (fungsi_objektif) memperuntukkan dasar yang disebut tambah fitness. Untuk memintal chromosome yang maut dipertahankan menjelang tingkatan selanjutnya dilakukan taktik yang disebut tambah opsi. Proses opsi chromosome memperuntukkan coret-coretan etika evolusi Darwin yang tebakan disebutkan sebelumnya yaitu chromosome yang memegang ideal fitness tinggi akan memegang jalan lebih sketsa menjelang tersortir lagi muka tingkatan selanjutnya. Chromosome-chromosome baru yang disebut tambah offspring, dibentuk tambah peraturan mengerjakan penggaulan antar chromosome-chromosome bagian dalam esa tingkatan yang disebut serupa taktik crossover. Jumlah chromosome bagian dalam peguyuban yang menempuh crossover ditetukan oleh paramater yang disebut tambah crossover_rate. Mekanisme bentuk pokok bagian pendiri mahkluk jiwa ganjaran adanya partikel awang-awang yang disebut tambah mutasi direpresentasikan serupa taktik berubahnya esa atau lebih ideal gen bagian dalam chromosome tambah suatu ideal acak. Jumlah gen bagian dalam peguyuban yang menempuh mutasi ditentukan oleh indeks yang dinamakan mutation_rate. Setelah sejumlah tingkatan akan dihasilkan chromosome-chromosome yang ideal gen-gennya Laporan Praktikum PSTI 3

konvergen ke suatu ideal terbatas yang mewujudkan resolusi terbaik yang dihasilkan oleh algoritma genetika terhadap masalah yang butuh diselesaikan. Diagram alir algoritma genetikan Laporan Praktikum PSTI 4

BAB III Hasil dan Pembahasan 1. Silahkan Jelaskan pada program pertama yang kita jalankan, mengapa hasil running tiap orang berbeda?, Kenapa? dan Jelaskan? 2. Silahkan cari jurnal kesehatan mengenai algoritma genetika untuk mendiagnosa sesuatu, lalu data apa yang digunakan pada pemrosesan algoritma geneitika tersebut, jelaskan datanya!, 3. cari program yang digunakan pada jurnal tersebut, copy dan jalankan programnya, apakah hasilnya program yang kalian jalankan sama dengan hasil yang dijelaskan pada jurnal tersebut?, jika ia jelaskan kenapa dan jika tidak jelaskan kenapa? Jawab : 1. kenapa hasil setiap dijalankan berbeda ? karena itu merupakan sifat dari algoritma genetikan yang mengandalkan oksplorasi dan eksploitasi ruang pencarian secara acak untuk mencari solusi dengan optimal. Cara kerja nya ialah pertama program memebentuk kromosom secara acak - kemudian program menyeleksi kromosom yang telah ada dengan menggunakan roulette wheel selection. - Selanjutnya tahap mengkombinasikan antara kromosom yang sudah diseleksi pada tahap sebelumnya. Laporan Praktikum PSTI 5

- Dan terakhir tahap mutasi pada tahap ini yang mengakibatkan hasil dari run program yang berbeda-beda. Laporan Praktikum PSTI 6

2. Jurnal : Implementasi Algoritma Genetika Pada Aplikasi Penjadwalan Perkuliahan Berbasis Web Dengan Mengadopsi Model Waterfall 3. from random import randint 4. #------------------------------------------------------------- 5. from operator import add 6. from functools import reduce 7. #------------------------------------------------------------- 8. from random import random 9. 10. #-------------------------------------------------------- ----- 11. def individual(length,min,max): 12. return[randint(min,max) for x in range(length)] 13. 14. def populasi(count,length,min,max): 15. return[individual(length,min,max) for x in range(count)] 16. #-------------------------------------------------------- ----- 17. def fitness(individual,target): 18. sum=reduce(add,individual,0) 19. return abs(target-sum) 20. def grade(pop,target): 21. summed=reduce(add,(fitness(x,target) for x in pop)) 22. return summed/(len(pop)*1.0) 23. #-------------------------------------------------------- ----- 24. def mutatex(ga): 25. chance_to_mutate=0.6 26. print(ga) 27. n=0 28. for i in ga: 29. r=random() 30. if chance_to_mutate > r: 31. print(i) 32. place_to_modify = randint(0,len(i)-1) 33. i[place_to_modify] = randint(min(i),max(i)) 34. print(i) 35. ga[n]=i 36. n=n+1 37. return ga Laporan Praktikum PSTI 7

38. #-------------------------------------------------------- ----- 39. def evolve(pop,target,retain=0.2,mutate=0.01,random_select=0.05): 40. gradeda=[(fitness(x,target),x) for x in pop] 41. graded = [x[1] for x in sorted(gradeda)] 42. retain_length=int(len(graded)*retain) 43. parents = graded[:retain_length] 44. for individu in graded[retain_length:]: 45. if random_select > random(): 46. parents.append(individu) 47. for individu in parents: 48. if mutate > random(): 49. mutate_pos = randint(0,len(individu)-1) 50. individu[mutate_pos] = randint(min(individu),max(individu)) 51. len_par = len(parents) 52. len_desired = len(pop) - len_par 53. children = [] 54. while len(children) < len_desired: 55. malenumber=randint(0,len_par-1) 56. femalenumber=randint(0,len_par-1) 57. if malenumber!=femalenumber: 58. male = parents[malenumber] 59. female = parents[femalenumber] 60. half = round(len(male)/2) 61. child = male[:half] + female[half:] 62. children.append(child) 63. parents.extend(children) 64. return parents 65. 66. target = 371 67. pop_count = 100 68. i_len = 5 69. i_min = 0 70. i_max = 100 71. pp = populasi(pop_count,i_len,i_min,i_max) 72. fitness_history=[grade(pp,target)] 73. for i in range(100): 74. pp = evolve(pp,target) 75. fitness_history.append(grade(pp,target)) 76. for datum in fitness_history: Laporan Praktikum PSTI 8

77. print(datum) 78. print(pp[0]) 79. Program di atas merupakan implementasi dari algoritma genetika untuk menyelesaikan masalah pencarian nilai individu yang memiliki jumlah elemen yang dijumlahkan mendekati nilai target Berikut adalah analisis singkat program tersebut: 1. Program mendefinisikan nilai target, jumlah populasi, panjang individu, nilai minimum, dan nilai maksimum. 2. Program mencetak nilai fitness setiap generasi. 3. Program mencetak individu terbaik pada populasi hasil evolusi. Hasil program: Laporan Praktikum PSTI 9

BAB IV Kesimpulan Dari hasil praktikum yang telah dilakukan bahwa dapat diambil kesimpulan algoritma genitka telah banyak digunakan sebagai alat untuk melakukan diagnose gen oleh pada pakar kesehatan dan juga rumah sakit, dan ini juga menjadi sebuah alat yang akan sangat memabantu tenaga kesehatan dalam melakukan penelitian terkait genetika dan juga diagnose sebuah penyakit. Terimakasih saya ucapkan kepada dosen pengampu mata kuliah kecerdasan buatan dalam menyampaikan materi semoga laporan ini dapat bermanfaat bagi pembaca maupun yang ingin menjadikan referensi. Laporan Praktikum PSTI 10

Daftar Pustaka Wiga Ayu Puspaningrum, Arif Djunaidy, & Retno Aulia Vinarti. (2013). Penjadwalan Mata Kuliah Menggunakan Algoritma Genetika di Jurusan Sistem Informasi ITS. Jurnal Teknik ITS (SINTA: 4, IF: 1.1815), 2(1), A127–A131. https://doi.org/10.12962/j23373539.v2i1.3234 Ni, I Made Sudarsana, & Suta Darmayasa. (2016). Penerapan Algoritma Genetika Untuk Penjadwalan Mata Pelajaran. 1(3), 220–233. https://doi.org/10.33633/jais.v1i3.1255 Firdaus Mahmudy, W. (n.d.). PENERAPAN ALGORITMA GENETIKA PADA OPTIMASI MODEL PENUGASAN. Retrieved from http://wayanfm.lecture.ub.ac.id/files/2014/03/200609-Natural-Wayan-GA-Asignment- Problem.pdf Laporan Praktikum PSTI 11