Muhammad Iqrom Catur Prasetyo Pengarang YULIANTO TRIWAHYUADI POLLY Dosen Pembimbing 2 ADRIANA FANGGIDAE Dosen Pembimbing 1 Yulianto Triwahyuadi Polly Penguji 1 Adriana Fanggidae Ketua Penguji Arfan Yeheskiel Mauko Ketua Penguji

Banyak permasalahan dalam berbagai bidang seperti sains, teknik, ekonomi, dan bahkan ilmu sosial yang dimodelkan dalam bentuk fungsi matematika kompleks. Umumnya model yang dibentuk adalah model optimasi global. Algoritma Genetika merupakan salah satu algoritma dalam metode metaheuristic yang efisien dalam memecahkan permasalahan optimasi global. Pada penelitian ini digunakan metode Self-Adaptive Simulated Binary Crossover untuk proses crossover dalam algoritma genetika. Self-Adaptive Simulated Binary Crossover merupakan pengembangan dari metode Simulated Binary Crossover yang membuat nilai indeks distribusi pada Simulated Binary Crossover menjadi dinamis menyesuaikan offspring yang dihasilkan pada saat proses crossover. Sistem diuji menggunakan 15 fungsi benchmark yang terbagi menjadi 10 fungsi untuk permasalahan minimum dan 5 fungsi untuk permasalahan maksimum. Pada pengujian untuk permasalahan minimum digunakan 3 jenis dimensi yaitu dimensi 5, 15, dan 30. Hasil dari penelitian yang dilakukan menunjukkan bahwa Self-Adaptive Simulated Binary Crossover meningkatkan akurasi pencarian solusi optimum dibanding Simulated Binary Crossover. Akurasi pencarian meningkat sebesar 81,72% pada dimensi 5, 89,24% pada dimensi 15, 98,35% pada dimensi 30, dan 0,04% pada permasalahan maksimum. Pada pengujian parameter populasi (pop), probabilitas crossover (pc), dan probabilitas mutasi (pm) dihasilkan kombinasi terbaik dari ketiga parameter tersebut untuk dimensi 5 adalah pop = 10, pc = 0,7 dan pm = 0,3; dimensi 15 adalah pop = 10, pc = 0,9 dan pm = 0,2; dimensi 30 adalah pop = 10, pc = 0,9 dan pm = 0,2; dan untuk permasalahan maksimum adalah pop = 10, pc = 0,9 dan pm = 0,1.