Skip to content

ALGORITMA GENETIKA (MENGGUNAKAN MATLAB)

June 28, 2012

Estimasi model nonlinier dengan menggunakan algoritma non-genetika (Algoritma Gauss-Newton, Marquant-Levenberg, Newton-Raphson, Quadratic-Hill Climbing, dan lain-lain), belum memberikan jaminan atau kepastian apakah nilai optimum yang diperoleh benar-benar merupakan global optimum, yang berlaku untuk seluruh range variabel input yang diberikan. Selain itu, untuk mencapai konvergensi sangat tergantung pada initial value sehingga diperlukan trial error. Dengan menggunakan algoritma genetika, permasalahan tersebut dapat diatasi. Keunggulan dari algoritma genetika adalah kemampuannya untuk menemukan parameter yang bersifat global optimum. Keunggulan ini sangat bermanfaat ketika fungsi objektif adalah diskontinu atau mempunyai beberapa local minima.

Algoritma Genetika adalah suatu algoritma yang meniru mekanisme dari genetika alam, yaitu untuk menemukan susunan-susunan gen yang terbaik di dalam tubuh makhluk hidup. Dasar dari algoritma genetika adalah teori evolusi Darwin. Sifat dari algoritma genetika adalah mencari kemungkinan-kemungkinan dari kandidat solusi untuk mendapatkan suatu solusi yang optimal bagi penyelesaian masalah. Ruang cakupan dari semua solusi yang layak (feasible) yaitu obyek-obyek di antara solusi yang sesuai dinamakan ruang pencarian (search space). Tiap titik dalam ruang pencarian merepresentasikan satu solusi yang layak. Tiap solusi yang layak dapat ditandai dengan nilai fitnessnya bagi masalah.

Algoritma genetika bergerak dari suatu populasi kromosom (bit string yang direpresentasikan sebagai calon solusi suatu masalah ke populasi baru dengan menggunakan 3 operator  yaitu seleksi, crossover dan mutasi. Algoritma genetika bekerja dari populasi yang merupakan himpunan solusi yang dihasilkan secara acak. Setiap anggota himpunan yang merepresentasikan satu solusi masalah dinamakan kromosom. Kromosom dalam suatu populasi berevolusi dalam iterasi yang dinamakan generasi, tiap kromosom dievaluasi berdasarkan pada fungsi evaluasi (fitness function). Pada algoritma genetika, fitness biasanya dapar berupa fungsi objektif dari masalah yang akan dioptimasi.

Kromosom-kromosom diseleksi menurut nilai fitness masing-masing. Kromosom yang kuat mempunyai kemungkinan tinggi untuk bertahan hidup pada generasi berikutnya tetapi tidak menutup kemungkinan juga kromosom lemah untuk tetap bertahan hidup dari proses seleksi tersebut kemudian ditentukan kromosom-kromosom baru (offspring) melalui proses crossover dan mutasi dari kromosom yang terpilih (parents). Dari dua proses tersebut di atas maka terbentuk suatu generasi baru yang akan diulangi secara terus menerus sampai tercapainya suatu konvergensi yaitu sebanyak generasi yang diinginkan.

Ekperimen ini mencoba mengaplikasikan Algoritma Genetika pada proses penaksiran model fungsi produksi Cobb-Douglas dan fungsi produksi CES berdasarkan data eskperimental kegiatan produksi yang terdiri dari output dan dua jenis input yaitu kapital dan tenaga kerja. Aplikasi algoritma genetikan dilakukan dengan meminimumkan least square dan memaksimumkan likelihood function.

BAB 1 Pendahuluan-AG

BAB 2 Landasan Teori-AG

BAB 3 Prosedur Eksperimen-AG

BAB 4 Hasil dan Analisis Eksperimen-AG

BAB 5 Kesimpulan-AG

Daftar Pustaka-AG

Daftar Isi-AG

Daftar Tabel-AG

Daftar Gambar-AG

Lampiran 1 AG_LSCD

Lampiran 2 AG_MLCD

Lampiran 3 AG_LSCES

Lampiran 4 AG_MLCES

 

 

 

From → Econometrics

Leave a Comment

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s

%d bloggers like this: