sejarah genetika
TRANSCRIPT
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.