Algoritma genetika adalah salah satu cabang evolutionary algorithms, yaitu suatu teknik optimasi yang didasarkan pada genetika alami. Dalam algoritma genetika untuk menghasilkan suatu solusi optimal, proses pencarian dilakukan di antara sejumlah alternatif titik optimal berdasarkan fungsi probabilistik.

Secara garis besar aliran proses pengolahan data dengan Algoritma Genetika ini diawali dengan melakukan inisialisasi populasi. Populasi terdiri dari beberapa kromosom yang merupakan kemungkinan-kemungkinan solusi. Kemungkinan solusi awal biasanya diperoleh secara random. Setiap kromosom memiliki ukuran fitness yang nantinya digunakan untuk melakukan evaluasi sejauh mana kualitas kromosom tersebut. Setelah melakukan proses inisialiasi populasi, langkah berikutnya adalah dengan melakukan seleksi untuk memperoleh kromosom baru. Proses ini memilih kromosom mana yang akan dijadikan induk untuk menghasilkan generasi baru. 

Ada beberapa metode yang biasanya dilakukan mulai dari memilih kromosom yang nilai fitnessnya paling tinggi dan juga memberikan kesempatan kepada setiap kromosom dalam populasi secara bergantian. Setelah dipilih kromosom yang akan dijadikan generasi baru, langkah berikutnya adalah dengan melakukan tahapan crossover dan mutasi. Tahap crossover dilakukan dengan menukar beberapa variabel yang terdapat pada kromosom satu dengan variabel yang sama yang terdapat di kromosom lainnya. Sedangkan mutasi adalah proses menukar nilai pada suatu variabel ke variabel lainnya dalam satu kromosom yang sama. Setelah diperoleh generasi baru, algoritma akan menghitung nilai fitness dari generasi yang baru. Proses tersebut terus diulang hingga diperoleh nilai optimal yang sesuai dengan kondisi yang diharapkan.

Pada proyek ini untuk memperoleh portofolio optimal yang sesuai dengan kebijakan investasi investor, pertama dipilih saham-saham yang akan diproses. Saham yang dipilih menjadi masukan untuk diproses. Setelah itu sistem akan mengambil data beta, alpha, dan kesalahan residu dari masing-masing saham. Tahap berikutnya adalah melakukan inisialisasi awal. Saham-saham yang dipilih oleh pengguna akan direpresentasikan menjadi kromosom, kemudian dibangkitkan populasi sebanyak parameter yang dimasukkan. Proses reproduksi dilakukan dengan crossover dan mutasi. Selanjutnya individu dari populasi awal dan offspring hasil crossover dan mutasi digabungkan untuk proses seleksi. Seleksi dilakukan dengan menghitung fitness masing-masing individu. Individu terbaik adalah individu yang memiliki fitness terbaik setelah n generasi. Faktor yang mempengaruhi fitness adalah expected return (keuntungan) dan risk (resiko) portofolio.

 

Sumber:

Mahmudi, WF.,  2015, Dasar-dasar Algoritma Evolusi, Program Teknologi Informasi dan Ilmu Komputer, Universitas Brawijaya, Malang.