SEJARAH GENETIKA

Sejarah perkembangan genetika mengalami fluktuasi yang signifikan. Untuk

mempermudah dalam memahaminya maka sejarah perkembangan genetika

awalnya dibagi menjadi tiga fase sejarah, yaitu sebagai berikut:

Zaman Pre Mendel (sebelum abad XIX)

Bangsa Babylonia (6000 Tahun lalu), telah menyusun silsilah kuda untuk

memperbaiki keturunannya. Sedangkan bangsa Cina (beberapa abad SM),

melakukan seleksi terhadap benih-benih padi untuk mencari sifat unggul tanaman

itu. Di Amerika dan Eropa (ribuan tahun lalu), orang telah melakukan seleksi dan

penyerbukan silang terhadap gandum dan jagung yang asalnya adalah rumput liar.

Zaman Mendel (1822-1884)

Di tandai dengan waktu Mendel melakukan percobaan persilangan pada tanaman

ercis (Pisum sativum). Mendel ternyata berhasil mengamati sesuatu ,macam sifat

keturunan ( karakter) yang di turunkan dari generasi ke generasi. Mendel juga

berhasil membuat perhitungan matematika tentang sifat genetis karakter yang di

tampilkan. Faktor genetis ini kemudian disebut determinant/faktor. Dengan

keberhasilannya tersebut, maka Mendel dinamakan Bapak Genetika dan sekaligus

memberi dasar pengetahuan bagi genetika madder.

Zaman Post Mendel (setelah tahun 1900)

Zaman ini di tandai dengan ditemukannya karya Mendel oleh:

1. Hugo de Vries (Belanda)2. Carts Correns (Jerman)3. Erich Von Tshcemak (Austria)

Setelah itu banyak ahli yang melakukan penelitian, diantaranya:

1. Bateson & Punnet (1861-1926). Pada tahun 1907 melakukan percobaan pada ayam untuk membuktikan apakah percobaan Mendel berlaku pada hewan. Mereka menemukan adanya sifat-sifat yang menyimpang dari matematika Mendel. Selain itu juga menemukan juga adanya interaksi antara gen dalam menumbuhkan suatu variasi.

2. Van Beneden & Boveri. Mengatakan bahwa kromosom dalam nucleus merupakan pembawa bahan genetis.

3. Flemming & Roux. Mengamati proses pembelahan sel somatic yang kemudian diberi nama mitosis dan miosis.

4. Weissmann. Mengatakan bahwa kromosom membagi dua pada waktu pembelahan sel yakni dalam pembentukan gamet/meiosis.

5. Sutton. Mengumumkan adanya kesejajaran antara tingkah laku kromosom ketika sel sedang membelah dengan segregasi bahan genetis penemuan Mendel.

6. Morgan. Mengatakan gen merupakan unit terkecil bahan genetis, (istilah gen diperkenalkan oleh Johansen) dan gen terdapat banyak dalam satu kromosom, dengan kata lain gen-gen berangkai. Bahan genetis tidak baku, dapat mengalami perubahan. Perubahan genetis yang bukan karena pengaruh hybrid ini disebut mutasi.

7. Garrod (1909). Menemukan banyak penyakit bawaan disebabkan keabnormalan kegiatan enzim, sedangkan enzim itu diproduksi oleh gen.

8. Ingram (1956). Mengatakan terdapat perbedaan hemoglobin normal dengan abnormal yang penyebabnya adalah karena terdapat perbedaan pada urut-urutan asam-asam amino dalam molekul globinnya. Perbedaan itu terjadi karena adanya mutasi.

9. Muller (1927) & Auerbach (1962). Dalam penelitiannya melihat bahwa mutasi dapat terjadi dengan cara buatan (induksi).

10.Watson & Crick (1953) -Wilkins (1961). Mengatakan susunan molekul gen adalah ADN.

11. Nirenberg (1961). Menyusun kode genetis yang menentukan urutan-urutan asam amino dalam sintesa protein, dan  mengetahui gen bekerja menumbuhkan suatu karakter lewat sintesa protein dalam tubuh.

APLIKASI GENETIKA

Aplikasi Algoritma Genetika sangat beragam. Sejak pertama kali dirintis oleh

John Holland, Algoritma Genetika telah dipelajari, diteliti dan diaplikasikan secara

luas pada berbagai bidang. Algoritma Genetika banyak digunakan pada masalah

praktis yang berfokus pada pencarian parameter-parameter yang optimal. Hal ini

membuat banyak orang mengira bahwa algoritma genetika hanya digunakan untuk

menyelesaikan masalah optimasi saja. Namun demikian, pada kenyataanya

algoritma genetika juga memiliki perfomansi yang bagus untuk masalah-masalah

selain optimasi.

Keuntungan penggunaan algoritma genetika sangat jelas terlihat dari kemudahan

implementasi dan kemampuannya untuk menemukan solusi yang bagus dan bisa

diterima secara cepat untuk masalah-masalah berdimensi tinggi. Algoritma Genetika

sangat berguna dan efisien untuk masalah dengan karakteristik sebagai berikut

(Suyanto, 2005):

1. Ruang masalah sangat besar, kompleks, dan sulit dipahami,2. Kurang atau bahkan tidak ada pengetahuan yang memadai untuk

merepresentasikan masalah ke dalam ruang pencarian yang lebih sempit,3. Tidak tersedianya analisis matematika yang memadai,4. Ketika metode-metode konvensional sudah tidak mampu menyelesaikan

masalah yang dihadapi,5. Solusi yang diharapkan tidak harus paling optimal, tetapi cukup “bagus” atau

bisa diterima,6. Terdapat batasan waktu, misalnya dalam real time system atau sistem waktu

nyata.

Algoritma Genetika juga telah banyak diaplikasikan untuk berbagai macam

permasalahan, antara lain (Suyanto, 2005):

Optimasi

Algoritma Genetika untuk optimasi antara lain untuk optimasi numerik dan optimasi

kombinatorial seperti Traveling Salesmen Problem (TSP), Perancangan Integrated

Circuit atau IC, Job Scheduling, Optimasi video dan suara.

Pemrograman Otomatis

Algoritma Genetika untuk pemrograman otomatis antara lain untuk melakukan

proses evolusi terhadap program komputer dalam merancang struktur

komputasional, seperti cellular automata dan sorting networks.

Machine Learning

Algoritma Genetika telah berhasil diaplikasikan untuk memprediksi struktur protein.

Algoritma Genetika juga berhasil diaplikasikan dalam perancangan neural networks

(jaringan syaraf tiruan) untuk melakukan proses evolusi terhadap aturan-aturan pada

learning classifier system atau symbolic production system. Algoritma Genetika juga

dapat digunakan untuk mengkontrol robot.

Model Ekonomi

Dalam bidang ekonomi, algoritma genetika digunakan untuk memodelkan proses-

proses inovasi dan pembangunan bidding strategies.

Model Sistem Imunisasi

Contoh penggunaan algoritma genetika dalam bidang ini untuk memodelkan

berbagai aspek pada sistem imunisasi alamiah, termasuk somatic mutation selama

kehidupan individu dan menemukan keluarga dengan gen ganda (multi gen families)

sepanjang waktu evolusi.

Model Ekologis

Algoritma genetika juga dapat digunakan untuk memodelkan fenomena ekologis

seperti host-parasite co evolutions, simbiosis dan aliran sumber di dalam ekologi.

PENGERTIAN GENETIKA

Pengertian Algoritma Genetika adalah algoritma yang berusaha menerapkan

pemahaman mengenai evolusi alamiah pada tugas-tugas pemecahan-masalah

(problem solving). Pendekatan yang diambil oleh algoritma ini adalah dengan

menggabungkan secara acak berbagai pilihan solusi terbaik di dalam suatu

kumpulan untuk mendapatkan generasi solusi terbaik berikutnya yaitu pada suatu

kondisi yang memaksimalkan kecocokannya atau lazim disebut fitness.

Algoritma genetika merupakan evaluasi atau perkembangan dunia komputer

dalam bidang kecerdasan buatan (artificial intelligence). Kemunculan algoritma

genetika ini terinspirasi oleh teori Darwin (walaupun pada kenyataannya teori

tersebut terbukti keliru) dan teori-teori dalam ilmu biologi, sehingga banyak istilah

dan konsep biologi yang digunakan dalam algoritma genetika, karena sesuai dengan

namanya, proses-proses yang terjadi dalam algoritma genetika sama dengan apa

yang terjadi pada evaluasi biologi.

Algoritma genetika adalah suatu algoritma pencarian yang berbasis pada

mekanisme seleksi alam dan genetika. Algoritma genetika merupakan salah

satualgoritma yang sangat tepat digunakan dalam menyelesaikan masalah optimasi

kompleks, yang sulit dilakukan oleh metode konvernsional.

Generasi ini akan merepresentasikan perbaikan-perbaikan pada populasi

awalnya. Dengan melakukan proses ini secara berulang, algoritma ini diharapkan

dapat mensimulasikan proses evolusioner. Pada akhirnya, akan didapatkan solusi-

solusi yang paling tepat bagi permasalahan yang dihadapi. Untuk menggunakan

algoritma genetika, solusi permasalahan direpresentasikan sebagai khromosom.

Tiga aspek yang penting untuk penggunaan algoritma genetika:

1. Defenisi fungsi fitness2. Defenisi dan implementasi representasi genetika3. Defenisi dan implementasi operasi genetika

Jika ketiga aspek di atas telah didefinisikan, algoritma genetika akan bekerja

dengan baik. Tentu saja, algoritma genetika bukanlah solusi terbaik untuk

memecahkan segala masalah. Sebagai contoh, metode tradisional telah diatur untuk

untuk mencari penyelesaian dari fungsi analitis convex yang “berperilaku baik” yang

variabelnya sedikit. Pada kasus-kasus ini, metode berbasis kalkulus lebih unggul

dari algoritma genetika karena metode ini dengan cepat menemukan solusi

minimum ketika algoritma genetika masih menganalisa bobot dari populasi awal.

Untuk problem-problem ini pengguna harus mengakui fakta dari pengalaman

ini dan memakai metode tradisional yang lebih cepat tersebut. Akan tetapi, banyak

persoalan realistis yang berada di luar golongan ini. Selain itu, untuk persoalan yang

tidak terlalu rumit, banyak cara yang lebih cepat dari algoritma genetika. Jumlah

besar dari populasi solusi, yang merupakan keunggulan dari algoritma genetika, juga

harus mengakui kekurangannya dalam dalam kecepatan pada sekumpulan

komputer yang dipasang secara seri-fitness function dari tiap solusi harus dievaluasi.

Namun, bila tersedia komputerkomputer yang paralel, tiap prosesor dapat

mengevaluasi fungsi yang terpisah pada saat yang bersamaan. Karena itulah,

algoritma genetika sangat cocok untuk perhitungan yang paralel.

Aplikasi Algoritma Genetika sangat beragam. Sejak pertama kali dirintis oleh

John Holland, Algoritma Genetika telah dipelajari, diteliti dan diaplikasikan secara

luas pada berbagai bidang. Algoritma Genetika banyak digunakan pada masalah

praktis yang berfokus pada pencarian parameter-parameter yang optimal. Hal ini

membuat banyak orang mengira bahwa algoritma genetika hanya digunakan untuk

menyelesaikan masalah optimasi saja. Namun demikian, pada kenyataanya

algoritma genetika juga memiliki perfomansi yang bagus untuk masalah-masalah

selain optimasi.

Keuntungan penggunaan algoritma genetika sangat jelas terlihat dari kemudahan

implementasi dan kemampuannya untuk menemukan solusi yang bagus dan bisa

diterima secara cepat untuk masalah-masalah berdimensi tinggi. Algoritma Genetika

sangat berguna dan efisien untuk masalah dengan karakteristik sebagai berikut

(Suyanto, 2005):

1. Ruang masalah sangat besar, kompleks, dan sulit dipahami,2. Kurang atau bahkan tidak ada pengetahuan yang memadai untuk

merepresentasikan masalah ke dalam ruang pencarian yang lebih sempit,3. Tidak tersedianya analisis matematika yang memadai,

4. Ketika metode-metode konvensional sudah tidak mampu menyelesaikan masalah yang dihadapi,

5. Solusi yang diharapkan tidak harus paling optimal, tetapi cukup “bagus” atau bisa diterima,

6. Terdapat batasan waktu, misalnya dalam real time system atau sistem waktu nyata.

Algoritma Genetika juga telah banyak diaplikasikan untuk berbagai macam

permasalahan, antara lain (Suyanto, 2005):

Optimasi

Algoritma Genetika untuk optimasi antara lain untuk optimasi numerik dan optimasi

kombinatorial seperti Traveling Salesmen Problem (TSP), Perancangan Integrated

Circuit atau IC, Job Scheduling, Optimasi video dan suara.

Pemrograman Otomatis

Algoritma Genetika untuk pemrograman otomatis antara lain untuk melakukan

proses evolusi terhadap program komputer dalam merancang struktur

komputasional, seperti cellular automata dan sorting networks.

Machine Learning

Algoritma Genetika telah berhasil diaplikasikan untuk memprediksi struktur protein.

Algoritma Genetika juga berhasil diaplikasikan dalam perancangan neural networks

(jaringan syaraf tiruan) untuk melakukan proses evolusi terhadap aturan-aturan pada

learning classifier system atau symbolic production system. Algoritma Genetika juga

dapat digunakan untuk mengkontrol robot.

Model Ekonomi

Dalam bidang ekonomi, algoritma genetika digunakan untuk memodelkan proses-

proses inovasi dan pembangunan bidding strategies.

Model Sistem Imunisasi

Contoh penggunaan algoritma genetika dalam bidang ini untuk memodelkan

berbagai aspek pada sistem imunisasi alamiah, termasuk somatic mutation selama

kehidupan individu dan menemukan keluarga dengan gen ganda (multi gen families)

sepanjang waktu evolusi.

Model Ekologis

Algoritma genetika juga dapat digunakan untuk memodelkan fenomena ekologis

seperti host-parasite co evolutions, simbiosis dan aliran sumber di dalam ekologi.