PENGGUNAAN GENETIC ALGORITHMS DALAM MENGOPTIMALKAN AKURASI PENILAIAN SCL UNTUK MENINGKATKAN MOTIVASI DAN HASIL BELAJAR
|
|
- Yuliana Johan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PENGGUNAAN GENETIC ALGORITHMS DALAM MENGOPTIMALKAN AKURASI PENILAIAN SCL UNTUK MENINGKATKAN MOTIVASI DAN HASIL BELAJAR Deny Jollyta, M. Kom Sekolah Tinggi Ilmu Komputer (STIKOM) Pelita Indonesia Telp. (0761) denyjollyta@yahoo.com ABSTRAKS Penilaian terhadap kemampuan softskill mahasiswa dalam metode pembelajaran Student Centered Learning (SCL), menjadi suatu masalah ketidakadilan sehingga dapat menurunkan motivasi dan hasil belajar di kalangan mahasiswa. Hal ini disebabkan karena belum adanya akurasi penilaian atribut-atribut softskill yang optimal, yang dapat dijadikan standar penilaian bagi dosen pengajar. Untuk menyelesaikan permasalahan tersebut, digunakan Algoritma Genetika, yakni suatu algoritma yang dalam penyelesaian masalahnya menggunakan kromosom-kromosom pada populasi awal secara acak yang salah satu bentuk presentasinya adalah biner, mengevaluasi fungsi fitness dan menggunakan operator genetika crossover dan mutasi untuk memperoleh persilangan bit yang diinginkan. Hal ini bertujuan untuk mendapatkan nilai-nilai atribut yang paling optimal ditinjau dari fungsi fitness setiap kromosom. Hasil pengujian menunjukkan bahwa Algoritma Genetika mampu menghasilkan nilai-nilai atribut softskill yang optimal untuk digunakan sebagai standar penilaian bagi dosen pengajar sehingga dapat meningkatkan motivasi dan hasil belajar mahasiswa. Kata kunci : Atribut Softskill, Biner dan Algoritma Genetika Assessment of the ability of student s softskill in Student Centered Learning (SCL) methods, becomes an issue of injustice in order to reduce the motivation and learning achievement among the students. This is because there is no an optimal accurate assessment of softskill s attributes, which can be used as an assessment standard for the lecturer. To resolve this problem, use the Genetic Algorithms, that in solving the problems using the chromosomes in the initial population randomly, which one form of presentations is binary, evaluate fitness function and using crossover operator and mutation operator to obtain the desired cross bits. It aims to get the optimal attribute values in terms of fitness function of each chromosome. The results show that Genetic Algorithms can produce the optimal attribute values of softskill in SCL methods, to be used as standard assessment for lecturer so that it can increase student motivation and learning outcomes. Keywords: Attribute softskill, Binary and Genetic Algorithm 1. PENDAHULUAN berdasarkan hasil pengamatan yang cermat dari Seiring dengan perkembangan dunia dosen. Pada penelitian ini, ketepatan penilaian pendidikan di Indonesia, pendekatan terhadap dititikberatkan pada softskill yang memiliki 23 metode pembelajaran yang dianggap efektif terus atribut penilaian. Penilaian yang tidak mempunyai dilakukan. Metode yang semula berpusat pada standar ukuran menjadikan penilaian softskill sulit tenaga pendidik atau dosen secara perlahan untuk mencapai standar optimal yang diinginkan. dialihkan ke peserta didik atau mahasiswa. Metode Untuk mendapatkan akurasi penilaian softskill pembelajaran seperti ini dikenal dengan Student dari metoda SCL ini, digunakan suatu algoritma Centred Learning (SCL) atau Innovative dalam sistem kepakaran yaitu Algoritma Genetika. Approaches (SPICES Approaches). Metoda yang Algoritma Genetika adalah algoritma yang mampu disarankan oleh The International Bureau of menyelesaikan permasalahan yang bersifat nonlinier Education UNESCO ini mengembangkan 3 aspek dan berbasis pada mekanisme evolusi biologis kompetensi lulusan sekaligus yaitu kognitif, dan seleksi alam. Keragaman pada evolusi biologis psikomotor dan afektif secara berimbang. adalah variasi dari kromosom antar individu Pemahaman materi sebuah matakuliah harus organisme. Variasi kromosom ini akan diiringi dengan kemampuan hardskill dan softskill mempengaruhi laju reproduksi dan tingkat yang seimbang. Penilaian yang diberikan harus kemampuan organisme untuk tetap hidup. benar-benar mencerminkan kemampuan hardskill Pada penelitian ini, proses pengoptimalan dan softskill seorang mahasiswa. Namun akurasi penilaian softskill dengan Algoritma kenyataannya, penilaian terhadap kemampuan Genetika pada metoda SCL dicontohkan pada hardskill lebih mudah dilakukan daripada softskill. matakuliah Keilmuan dan Keterampilan (KK) yang Kemampuan softskill mahasiswa harus dinilai Sekolah Tinggi Ilmu Komputer (STIKOM) Pelita Indonesia
2 diambil secara acak pada sebuah perguruan tinggi komputer. Dari matakuliah ini dibentuk populasi awal dengan 5 parameter yang juga diambil secara acak dari atribut softskill, yakni kemampuan berkomunikasi, kerja sama, berpikir kritis, inisiatif dan kemampuan analitis. Dari parameter ini akan terbentuk parameter dengan kromosom acak. Setelah populasi awal terbentuk, dilakukan rangking terhadap parameter terbaik hingga terburuk dan dilakukan pemilihan induk terbaik. Selanjutnya akan dilakukan proses rekombinasi dan dilanjutkan dengan mutasi sampai terbentuk generasi baru. Hasil dari Algoritma Genetika diharapkan berupa nilai yang dianggap paling optimal dan memenuhi fungsi tujuan. Penggunaan Algoritma Genetika dalam kasus ini diharapkan mampu meningkatkan akurasi seluruh penilaian dalam metoda SCL sehingga setiap perguruan tinggi mempunyai suatu standar dalam memberikan penilaian terhadap kompetensi seorang mahasiswa. Penilaian yang baik akan dapat meningkatkan motivasi dan hasil belajar mahasiswa sehingga empat pilar pendidikan yang dicanangkan dalam kurikulum oleh UNESCO yakni learning to know, learning to do, learning to be, dan learning to live together dapat terwujud. Penilaian terhadap indikator softskill lebih dijelaskan pada tabel 3. Penilaian dilakukan dengan memberikan interval nilai yang dapat mempresentasikan kemampuan mahasiswa tersebut. Tabel 2. Interval Nilai Rendah 0-5 Kurang 6-10 Sedang Tinggi Tabel 3. Tabel Penilaian Atribut Sofskill Mahasiswa Tabel 2.3 Tabel Penilaian Atribut Sofskill Mahasiswa Rekapitulasi keseluruhan nilai diperlihatkan pada tabel 4. Tabel 4. Rekapitulasi Penilaian Mahasiswa 2. LANDASAN TEORI 2.1 SCL Metoda pembelajaran telah dikembangkan dan dapat dibagi ke dalam dua kelompok besar yaitu metoda pembelajaran yang berbasis Teacher Centred Learning (TCL) atau dikenal sebagai Traditional Approaches dan metoda pembelajaran yang berbasis Student Centred Learning (SCL) atau dikenal sebagai Innovative Approaches (SPICES Approaches) (Soepardi, E, 2008). Perbedaan antara TCL dengan SCL ditunjukkan dalam tabel 1. Tabel 1. Perbedaan TCL dan SCL 2.2 Algoritma Genetika Algoritma Genetika adalah suatu algoritma heuristic yang didasarkan atas mekanisme evolusi biologis (Sri Kusumadewi, 2003). Keberagaman pada evolusi biologis adalah variasi dari kromosom antar individu organisme. Variasi kromosom ini akan mempengaruhi laju reproduksi dan tingkat kemampuan organisme untuk hidup. Pada dasarnya terdapat 4 kondisi yang sangat mempengaruhi proses evaluasi, yaitu : a. Kemampuan organisme untuk melakukan reproduksi b. Keberadaan populasi organisme yang bisa melakukan reproduksi c. Keberagaman organisme dalam suatu populasi Akibat penerapan metoda SCL ini, penilaian d. Perbedaan kemampuan untuk survive. terhadap kompetensi hardskill dan softskill Sebelum Algoritma ini dijalankan, masalah apa mahasiswa menjadi komplek. Dosen harus yang ingin dioptimalkan itu harus dinyatakan dalam memberikan penilaian terhadap seluruh kemampuan fungsi tujuan, yang dikenal dengan fungsi fitness. hardskill dan softskill mahasiswa. Pada penelitian Jika nilai fitness semakin besar, maka sistem yang ini, contohnya adalah sistem penilaian SCL terhadap dihasilkan semakin baik. Operasi yang dilakukan seorang mahasiswa di sebuah perguruan tinggi adalah reproduksi, crossover, dan mutasi untuk dibedakan ke dalam beberapa unsur penilaian : mendapatkan sebuah solusi menurut nilai fitnessnya. Selanjutnya konstruksi dasar dari Algoritma 1. Nilai Indikator Softskill 20% 2. Nilai Quiz 10% Genetika adalah sebagai berikut (Sri Kusumadewi, 3. Nilai Tugas 20% 2003) : 4. Nilai Ujian Tengah Semester (UTS) 20% a. Pendefinisian Chromosome 5. Nilai Ujian Akhir Semester (UAS) 30% b. Pendefinisian Fungsi Fitness Sekolah Tinggi Ilmu Komputer (STIKOM) Pelita Indonesia
3 c. Membangkitkan sebuah Populasi Awal d. Reproduksi e. Crossover f. Mutasi Secara umum, Algoritma Genetik dapat diilustrasikan dalam diagram alir berikut : Skema Pengkodean Inisialisasi Mutasi Generasi Baru Salah satu matakuliah akan dijadikan contoh untuk mendapatkan nilai optimal yang dipresentasikan ke dalam 30 kromosom dan atribut softskill sebagai variabel. Variabel-variabel tersebut dikodekan ke dalam kromosom yang terdiri dari 20 gen, dimana setiap variable dikodekan ke dalam 4 gen dalam bentuk biner. Tabel 2.5 memperlihatkan pengkodean kromosom yang dimaksud. Tabel 6. Pengkodean Kromosom Dalam Biner Fungsi Objektif Fungsi Objektif Generasi Tua / Lama Seleksi Tida Kondisi Perkawinan Silang Terminasi Gambar 1. Diagram Alir Algoritma Genetika 3. KODIFIKASI Matakuliah yang digunakan sebagai contoh dalam memperoleh akurasi penilaian optimal adalah matakuliah Pengantar Intelejensia Buatan (PIB). Pencarian nilai optimal dari setiap atribut softskill ditujukan untuk seluruh matakuliah. Diharapkan nantinya, hasil pencarian dengan Algoritma Genetika ini dapat menemukan sebuah kromosom terbaik, untuk dijadikan standar penilaian bagi dosen dalam menilai kemampuan afektif mahasiswanya. Pada penelitian ini, atribut yang akan mewakili perhitungan dalam Algoritma Genetika diambil secara acak berdasarkan referensi dari lokasi studi kasus. Atribut-atribut tersebut adalah kemampuan berkomunikasi, kerja sama, berpikir kritis, inisiatif dan kemampuan analitis. Tabel 5. Pengkodean Matakuliah dan Atribut Softskill Standar penilaian diambil berdasarkan pada persentase penilaian yang diberikan pada unsur penilaian atribut softskill, yakni 20% dari total keseluruhan unsur penilaian. Penilaian yang terbentuk diharapkan berkisar antara 1 hingga 20 untuk setiap atribut softskill. Total nilai dari atribut softskill yang diharapkan adalah >= , artinya jika perhitungan Algoritma Genetika menemukan kromosom dengan total nilai >= (sama atau lebih besar daripada 75), maka kromosom tersebut terpilih sebagai kromosom yang mewakili nilai-nilai atribut softskill yang optimal. 4. IMPLEMENTASI ALGORITMA GENETIKA 4.1 Kodifikasi K1 sampai dengan K30 adalah kromosom. X1 X5 adalah variabel yang terdiri dari gen-gen dengan bit 0 dan 1. Selanjutnya akan diproses cara memperoleh nilai fitness. 4.2 Nilai Fitness Pada setiap generasi, kromosom akan melalui proses evaluasi dengan menggunakan alat ukur yang disebut dengan fungsi fitness. Nilai fitness dari suatu kromosom akan menunjukkan kualitas kromosom dalam populasi tersebut. Misalkan N adalah jumlah individu (kromosom) dalam suatu populasi. Pos adalah posisi individu dalam populasi tersebut (posisi terendah suatu individu adalah Pos = 1, dan posisi tertingginya adalah Pos = N). Sedangkan SP adalah selective pressure, di mana probabilitas dari individu terbaik yang akan diseleksi dibandingkan dengan rata-rata probabilitas dari semua individu yang diseleksi. Nilai fitness suatu individu dapat dihitung sebagai : Fitness (Pos) = 2 SP + 2(SP 1) (Pos 1) / (N 1) Nilai SP [1,2]. Berikut perhitungan nilai fitness masing-masing kromosom : F(1) = ((2 1.5 ) + 2(1.5 1)(1 1)) / (10 1) = ( (0.5)(0)) / 9 = Sekolah Tinggi Ilmu Komputer (STIKOM) Pelita Indonesia
4 F(2) = ((2 1.5) + 2(1.5 1)(2 1)) / (10 1) = ( (0.5)(1)) / 9 = Tabel 7. Nilai Fitness Setiap Kromosom lebih kecil dari p c. Kromosom-kromosom terpilih mengalami proses penyilangan sebagai berikut : Tabel 8. Kromosom Induk Tabel 9. Kromosom Anak (Off-spring) 4.5 Mutasi Proses mutasi dimulai dengan menghitung jumlah bit pada populasi dimana : Jumlah bit = Ukuran Populasi (popsize) * Jumlah Gen Tabel 7. menunjukkan nilai fitness setiap kromosom. Susunan kromosom pada tabel 7 menjadi populasi awal dalam proses Algoritma Genetika. Pada penelitian ini, semua perhitungan dilakukan dengan ketelitian 5 angka di belakang koma. 4.3 Seleksi Roulettewheel (Roda Roulette) Metoda Roulettewheel menempatkan masingmasing kromosom pada potongan lingkaran secara proporsional sesuai dengan nilai fitness-nya. Kromosom yang memiliki nilai fitness lebih besar menempati potongan lingkaran yang lebih besar dibandingkan dengan kromosom bernilai fitness rendah. Untuk dapat melakukan seleksi kromosom, langkah-langkah yang harus dilakukan adalah sebagai berikut : a. Menentukan fitness relative (p k ) tiap kromosom p1 = F1 / Total Fitness = / = b. Menentukan fitness kumulatif (q k ) tiap kromosom q1 = p1 = c. Membangkitkan bilangan random sebanyak jumlah kromosom. d. Membuat interval nilai fitness kumulatif setiap kromosom. 4.6 Analisa Hasil Komputasi Perolehan nilai fitness dihasilkan dari perubahan bit-bit yang mengalami crossover ataupun mutasi. Bit-bit yang terdapat dalam gen-gen di setiap kromosom merupakan bit-bit yang optimal untuk memperoleh nilai setiap variabel yang telah dipresentasikan melalui gen-gen. Berikut perhitungan untuk memperoleh nilai setiap variabel yang mewakili atribut softskill berdasarkan persamaan solusi : x = r b + (r a r b ) (g1x2-1 + g2x g10x2 -n ) Keterangan : x = variabel mewakili atribut softskill ra = batas atas interval nilai rb = batas bawah interval nilai g = gen-gen setiap variabel 2 -n = jumlah gen dalam variabel Kromosom terbaik diambil di tiap generasi dan dapat dilihat pada tabel berikut : Tabel 10. Nilai Atribut Softskill Terbaik Tiap Generasi 4.4 Crossover Peluang crossover (p c ) adalah salah satu parameter yang menunjukkan rasio dari anak (offspring) yang dihasilkan dalam setiap generasi. p c yang digunakan adalah 0.25 dengan cara one-point crossover. Proses pemilihan kromosom yang akan di-crossover dengan membangkitkan bilangan random. Kromosom yang dipilih sebagai induk adalah kromosom yang memiliki bilangan random Sekolah Tinggi Ilmu Komputer (STIKOM) Pelita Indonesia
5 Perolehan nilai atribut softskill bervariasi. Namun pencarian Algoritma Genetika ini berujung pada nilai fitness dan nilai X yang konvergen. Mulai dari generasi ke-8 terlihat bahwa pencarian solusi mengarah pada nilai yang sama, yakni nilai fitness terbaik dan total nilai X terbaik adalah Artinya, X yang diperoleh adalah dari nilai setiap variabel X yang mewakili atribut softskill, yaitu : X1 Kemampuan Berkomunikasi X2 Kerja Sama X3 Berpikir Kritis X4 Inisiatif X5 Kemampuan Analitis Nilai-nilai tersebut adalah nilai optimal yang dihasilkan melalui pencarian dengan Algoritma Genetika. Hasil keseluruhan, yakni ternyata mampu melebihi standar yang ditetapkan dalam penelitian ini yakni >= Sebagai bahan analisa, digunakan nilai softskill beberapa mahasiswa di semester ganjil. Tabel 11. Nilai Atribut Softskill Mahasiswa Terhadap Suatu Matakuliah Tabel 12. memperlihatkan nilai deviasi yang bervariasi untuk setiap variabel. Nilai deviasi diperoleh dari selisih antara nilai variabel optimal dengan nilai variabel softskill mahasiswa rata-rata di bawah 3%. Nilai negatif muncul akibat perolehan nilai mahasiswa melebihi standar optimal. Artinya semakin kecil perbedaan nilai mahasiswa dengan standar optimal yang ada, maka semakin baik kemampuan softskill mahasiswa tersebut. Sebaliknya, jika semakin besar perbedaan yang terjadi, maka semakin kurang kemampuan softskill mahasiswa tersebut. Untuk dapat mengukur kemampuan mahasiswa, baik kemampuan mahasiswa terhadap setiap atribut softskill maupun kemampuan softskill mahasiswa secara keseluruhan, maka dibuat interval nilai yang dapat menggambarkan indikator kemampuan mahasiswa berdasarkan nilai deviasi pada tabel 13. Tabel 13. Interval Nilai Indikator Kemampuan Mahasiswa Berdasarkan Nilai Deviasi Jika dilihat dari hasil setiap variabel, terdapat perbedaan nilai dari standar optimal perolehan Algoritma Genetika. Perbedaan nilai ini menjadikan hasil Algoritma Genetika belum mencapai keputusan yang diharapkan untuk penilaian terhadap kemampuan softskill seorang mahasiswa. Agar sampai pada tujuan, harus dilihat nilai penyimpangan atau nilai selisih atau nilai deviasi untuk menghasilkan interval nilai keputusan guna mewakili penilaian terhadap kemampuan mahasiswa tersebut. Nilai deviasi adalah nilai selisih antara nilainilai optimal dengan nilai-nilai mahasiswa yang terdapat pada tabel Nilai deviasi dibutuhkan untuk melihat sejauh mana penyimpangan nilai terdahulu dari nilai optimal hasil Algoritma Genetika. Nilai-nilai deviasi dapat dilihat pada tabel 12. Tabel 12. Nilai Deviasi Atribut Softskill Interval disusun dengan melihat nilai terkecil hingga nilai terbesar yang dihasilkan dari deviasi. Pada studi kasus penelitian ini, penilaian kemampuan mahasiswa diukur dalam tiga indikator, yaitu baik, sedang dan kurang. Penentuan kemampuan mahasiswa dilihat dari nilai mahasiswa yang masuk dalam range interval nilai indikator kemampuan mahasiswanya. Tabel 14. Indikator Penilaian Softskill Setiap Mahasiswa Namun dari hasil pengujian ini juga memperlihatkan kemungkinan bahwa mahasiswa yang indikator kemampuan softskill-nya baik, belum Sekolah Tinggi Ilmu Komputer (STIKOM) Pelita Indonesia
6 tentu memiliki indikator kemampuan yang baik pula pada seluruh atribut softskill-nya. Perbedaan indikator pada lebih dari satu atau dua atribut, dapat mempengaruhi kesimpulan akhir tentang kemampuan softskill mahasiswa tersebut. Hasil pengujian ini dapat disosialisasikan ke mahasiswa supaya mahasiswa termotivasi memperkecil jarak nilai softskill mereka dengan standar yang telah ditetapkan karena sekecil apapun kemampuan seorang mahasiswa akan tetap dihargai. Secara logika, tidak ada mahasiswa yang tidak memiliki kemampuan softskill sama sekali. Adanya standar penilaian yang diperoleh dari proses Algoritma Genetika ini, diharapkan dapat memotivasi semangat belajar mahasiswa. Mahasiswa tidak perlu mencapai nilai maksimal untuk memperoleh predikat terbaiknya. Seorang dosen sudah dapat mengetahui kemampuan mahasiswa dan menghargainya dengan melihat pencapaian nilai-nilai tersebut yang mengacu pada standar optimalnya. Pencapaian tersebut membuat mahasiswa merasa dihargai usahanya dalam memahami sebuah matakuliah karena kemampuan setiap mahasiswa tidak sama. Selain itu, penilaian atribut softskill ini dilakukan oleh dosen di kelas setiap kali pertemuan, sehingga perkembangan softskill seorang mahasiswa dapat diketahui setiap saat dan lebih objektif. Hal ini akan menjadi motivasi tersendiri dalam diri mahasiswa untuk belajar lebih giat lagi. 5. KESIMPULAN Penggunaan Algoritma Genetika dalam mengoptimalkan akurasi penilaian SCL merupakan penelitian untuk mencari nilai optimal dari setiap atribut softskill yang merupakan bagian dari metoda pembelajaran SCL. Berdasarkan penelitian ini dapat disimpulkan bahwa : 1. Algoritma Genetika dapat digunakan untuk mengoptimalkan akurasi penilaian khususnya atribut softskill pada metoda SCL dengan cara : a. Melakukan kodifikasi terhadap matakuliah dan atribut-atribut softskill yang digunakan dalam proses Algoritma Genetika yang dipresentasikan dalam bentuk biner dengan menentukan jumlah atribut yang akan dioptimasi, yakni satu matakuliah untuk sample dan lima atribut softskill sebagai variabel. b. Menentukan jumlah bit yang mengkodekan setiap variabel, yakni empat bit. c. Menentukan jumlah gen dalam kromosom, yakni 20 gen. d. Menentukan batas bawah dan batas atas dari interval nilai variabel, yakni 1 dan 2. e. Menentukan parameter yang akan digunakan selama proses Algoritma Genetika berlangsung, yakni crossover 0.25 dan mutasi f. Menentukan ukuran populasi di awal proses, yakni 30. g. Menemukan nilai fitness setiap kromosom berdasarkan langkah-langkah yang telah dilakukan sebelumnya (a-f). h. Melakukan seleksi dengan Rouletteweel. i. Melakukan Crossover terhadap bit-bit kromosom terpilih berdasarkan nilai parameter yang ditentukan dengan bantuan bilangan random. j. Melakukan Mutasi terhadap bit-bit kromosom terpilih berdasarkan nilai parameter yang ditentukan dengan bantuan bilangan random. k. Menentukan kromosom terbaik di setiap generasi berdasarkan nilai fitness dan nilai variabel yang diperoleh tiap kromosom. l. Melakukan proses Algoritma Genetika ini secara berulang hingga menemukan kromosom terbaik yang mewakili nilai-nilai variabel yang paling optimal, yakni : X1 Kemampuan Berkomunikasi X2 Kerja Sama X3 Berpikir Kritis X4 Inisiatif X5 Kemampuan Analitis Total Nilai Variabel Sosialisasi nilai-nilai atribut softskill yang optimal hasil proses Algoritma Genetika, dapat memotivasi semangat belajar mahasiswa, karena menjadi standar penilaian yang dapat mengukur kemampuan sofskill mahasiswa secara objektif tanpa perlu mencapai nilai maksimal untuk memperoleh predikat terbaiknya. Mahasiswa akan merasa lebih dihargai untuk setiap kemampuannya sehingga pada akhirnya akan meningkatkan hasil belajar mahasiswa itu sendiri. PUSTAKA Anita Desiani & Muh. Arhami, Konsep Kecerdasan Buatan, Penerbit Andi Yogyakarta 2006 Gen, M dan Cheng, R, Genetic Algorithm and Engineering Design, Ashikaga Institute of Technology Ashikaga, Japan, A Wiley- Interscience Publication, John Wiley & Sons, Inc (1997) Halim Yunus Abdul, Jaringan Syaraf Backpropagation & Algoritma Genetika Untuk Meramalkan Indeks Harga Saham Gabungan Sistem Pendidikan Tinggi, Helts Tahun SK. Mendiknas No.045/U/2002 Sri Kusumadewi, Artificial Intelligence (Teknik dan Aplikasinya), Penerbit Garaha Ilmu Sri Kesumadewi Hari Purnomo, Penyelesaian Masalah Optimasi Dengan Teknik-teknik Heuristik, Penerbit Graha Ilmu Suyanto, Algoritma Genetika Dalam Matlab, Penerbit Andi Yogyakarta 2005 The International Comission on Education for the 21 st Century, UNESCO Sekolah Tinggi Ilmu Komputer (STIKOM) Pelita Indonesia
7 Tim Kerja Direktorat Pembinaan Akademik dan Kemahasiswaan, Direktorat Jendral Pendidikan Tinggi Departemen Pendidikan Nasional, 2005 Jurnal SCL, oleh Bob Bender, University of Missouri Columbia, 27 Mei 2003 Jurnal Pengenalan Algoritma Genetika, oleh Aries Syamsudin, 2004 Jurnal Representasi Chromosome Algoritma Genetika Dalam Bentuk Biner, oleh Denny Hermawanto, 2006 Jurnal Aplikasi Algoritma Genetika, oleh Sanjoyo, Juni 2006 Jurnal Ragam Sumber Belajar, oleh Unes A. Chaeuman, 20 Januari 2009 Jurnal Pendekatan Spices dan Problem Base Learning (PBL), oleh dr. Ahmad Aulia Jusuf, Phd, 2009 Jurnal Optimasi Kapasitas Komponen Pembangkit Listrik Hybrid PV/WG Menggunakan Algoritma Genetika, oleh Julius A. Tanesab Marthen Liga, 26 Maret 2010 Jurnal 23 Atribut Softskill Hasil Survey NACE USA Mengenai Kualitas Perguruan Tinggi Yang Diharapkan Dunia Kerja Sekolah Tinggi Ilmu Komputer (STIKOM) Pelita Indonesia
Optimasi Penjadwalan Ujian Menggunakan Algoritma Genetika
Optimasi Penjadwalan Ujian Menggunakan Algoritma Genetika Nia Kurnia Mawaddah Wayan Firdaus Mahmudy, (wayanfm@ub.ac.id) Jurusan Matematika, FMIPA Universitas Brawijaya, Malang 65145 Abstrak Penjadwalan
Lebih terperinciPengantar Kecerdasan Buatan (AK045218) Algoritma Genetika
Algoritma Genetika Pendahuluan Struktur Umum Komponen Utama Seleksi Rekombinasi Mutasi Algoritma Genetika Sederhana Referensi Sri Kusumadewi bab 9 Luger & Subblefield bab 12.8 Algoritma Genetika 1/35 Pendahuluan
Lebih terperinciPENGENALAN ANGKA DENGAN MENGGUNAKAN ALGORITMA GENETIK. Fakultas Teknik dan Ilmu Komputer, Jurusan Teknik Informatika Universitas Komputer Indonesia
PENGENALAN ANGKA DENGAN MENGGUNAKAN ALGORITMA GENETIK Frengki Agus f124nk_85@yahoo.com Pembimbing I : Linda Salma, S.Si., M.T. Pembimbing II : Khusnul Novianingsih,M.Si Fakultas Teknik dan Ilmu Komputer,
Lebih terperinciOPTIMASI PENDUGAAN PARAMETER DALAM ANALISIS STRESS DAN STRAIN TERHADAP MATERIAL MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI PENDUGAAN PARAMETER DALAM ANALISIS STRESS DAN STRAIN TERHADAP MATERIAL MENGGUNAKAN ALGORITMA GENETIKA Mike Susmikanti Pusat Pengembangan Informatika Nuklir, Badan Tenaga Nuklir Nasional Kawasan
Lebih terperinciPENERAPAN ALGORITMA GENETIKA PADA PERENCANAAN LINTASAN KENDARAAN Achmad Hidayatno Darjat Hendry H L T
PENERAPAN ALGORITMA GENETIKA PADA PERENCANAAN LINTASAN KENDARAAN Achmad Hidayatno Darjat Hendry H L T Abstrak : Algoritma genetika adalah algoritma pencarian heuristik yang didasarkan atas mekanisme evolusi
Lebih terperinciPENYELESAIAN KNAPSACK PROBLEM MENGGUNAKAN ALGORITMA GENETIKA
PENYELESAIAN KNAPSACK PROBLEM MENGGUNAKAN ALGORITMA GENETIKA Kartina Diah KW1), Mardhiah Fadhli2), Charly Sutanto3) 1,2) Jurusan Teknik Komputer Politeknik Caltex Riau Pekanbaru Jl. Umban Sari No.1 Rumbai-Pekanbaru-Riau
Lebih terperinciAPLIKASI ALGORITMA GENETIKA UNTUK PENENTUAN TATA LETAK MESIN
APLIKASI ALGORITMA GENETIKA UNTUK PENENTUAN TATA LETAK MESIN Hari Purnomo, Sri Kusumadewi Teknik Industri, Teknik Informatika Universitas Islam Indonesia Jl. Kaliurang Km 4,5 Yogyakarta ha_purnomo@fti.uii.ac.id,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan membahas landasan atas teori-teori yang bersifat ilmiah untuk mendukung penulisan tugas akhir ini. Teori-teori yang dibahas mengenai pengertian penjadwalan, algoritma
Lebih terperinciDenny Hermawanto
Algoritma Genetika dan Contoh Aplikasinya Denny Hermawanto d_3_nny@yahoo.com http://dennyhermawanto.webhop.org Lisensi Dokumen: Seluruh dokumen di IlmuKomputer.Com dapat digunakan, dimodifikasi dan disebarkan
Lebih terperinciImplementasi Algoritma Genetika dalam Pembuatan Jadwal Kuliah
Implementasi Algoritma Genetika dalam Pembuatan Jadwal Kuliah Leonard Tambunan AMIK Mitra Gama Jl. Kayangan No. 99, Duri-Riau e-mail : leo.itcom@gmail.com Abstrak Pada saat ini proses penjadwalan kuliah
Lebih terperinciBab II Konsep Algoritma Genetik
Bab II Konsep Algoritma Genetik II. Algoritma Genetik Metoda algoritma genetik adalah salah satu teknik optimasi global yang diinspirasikan oleh proses seleksi alam untuk menghasilkan individu atau solusi
Lebih terperinciBAB 2 LANDASAN TEORI. 2.1 Algoritma Genetika
6 BAB 2 LANDASAN TEORI 2.1 Algoritma Genetika Algoritma genetika merupakan metode pencarian yang disesuaikan dengan proses genetika dari organisme-organisme biologi yang berdasarkan pada teori evolusi
Lebih terperinciKONSEP ALGORITMA GENETIK BINER UNTUK OPTIMASI PERENCANAAN JADWAL KEGIATAN PERKULIAHAN
Jurnal Teknik dan Ilmu Komputer KONSEP ALGORITMA GENETIK BINER UNTUK OPTIMASI PERENCANAAN JADWAL KEGIATAN PERKULIAHAN (Binary Genetic Algorithm Concept to Optimize Course Timetabling) Iwan Aang Soenandi
Lebih terperinciPENGENALAN ALGORITMA GENETIK
PENGENALAN ALGORITMA GENETIK Aries Syamsuddin ariesmipa@psyon.org Lisensi Dokumen: Seluruh dokumen di IlmuKomputer.Com dapat digunakan, dimodifikasi dan disebarkan secara bebas untuk tujuan bukan komersial
Lebih terperinciBAB 2 DASAR TEORI. 2.1 Teka-Teki Silang
BAB 2 DASAR TEORI 2.1 Teka-Teki Silang Teka-teki silang atau disingkat TTS adalah suatu permainan yang mengharuskan penggunanya untuk mengisi ruang-ruang kosong dengan huruf-huruf yang membentuk sebuah
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pada awal diciptakan, komputer hanya difungsikan sebagai alat hitung saja. Namun seiring dengan perkembangan zaman, maka peran komputer semakin mendominasi kehidupan.
Lebih terperinciALGORITMA GENETIKA PADA PEMROGRAMAN LINEAR DAN NONLINEAR
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 5, No. 03(2016), hal 265 274. ALGORITMA GENETIKA PADA PEMROGRAMAN LINEAR DAN NONLINEAR Abdul Azis, Bayu Prihandono, Ilhamsyah INTISARI Optimasi
Lebih terperinciKeywords Algoritma, Genetika, Penjadwalan I. PENDAHULUAN
Optimasi Penjadwalan Mata Kuliah Dengan Algoritma Genetika Andysah Putera Utama Siahaan Universitas Pembangunan Pancabudi Jl. Gatot Subroto Km. 4,5, Medan, Sumatra Utara, Indonesia andiesiahaan@gmail.com
Lebih terperinciBAB III. Metode Penelitian
BAB III Metode Penelitian 3.1 Diagram Alir Penelitian Secara umum diagram alir algoritma genetika dalam penelitian ini terlihat pada Gambar 3.1. pada Algoritma genetik memberikan suatu pilihan bagi penentuan
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN APLIKASI
27 BAB 3 ANALISIS DAN PERANCANGAN APLIKASI 3.1 Analisis Pada subbab ini akan diuraikan tentang analisis kebutuhan untuk menyelesaikan masalah jalur terpendek yang dirancang dengan menggunakan algoritma
Lebih terperinciAlgoritma Evolusi Real-Coded GA (RCGA)
Algoritma Evolusi Real-Coded GA (RCGA) Imam Cholissodin imam.cholissodin@gmail.com Pokok Bahasan 1. Siklus RCGA 2. Alternatif Operator Reproduksi pada Pengkodean Real 3. Alternatif Operator Seleksi 4.
Lebih terperinciLingkup Metode Optimasi
Algoritma Genetika Lingkup Metode Optimasi Analitik Linier Non Linier Single Variabel Multi Variabel Dgn Kendala Tanpa Kendala Numerik Fibonacci Evolusi Complex Combinasi Intelijen/ Evolusi Fuzzy Logic
Lebih terperinciAPLIKASI UNTUK PREDIKSI JUMLAH MAHASISWA PENGAMBIL MATAKULIAH DENGAN MENGGUNAKAN ALGORITMA GENETIKA, STUDI KASUS DI JURUSAN TEKNIK INFORMATIKA ITS
APLIKASI UNTUK PREDIKSI JUMLAH MAHASISWA PENGAMBIL MATAKULIAH DENGAN MENGGUNAKAN ALGORITMA GENETIKA, STUDI KASUS DI JURUSAN TEKNIK INFORMATIKA ITS Hafid Hazaki 1, Joko Lianto Buliali 2, Anny Yuniarti 2
Lebih terperinciGenetic Algorithme. Perbedaan GA
Genetic Algorithme Algoritma ini bekerja dengan sebuah populasi yang terdiri atas individu-individu (kromosom). Individu dilambangkan dengan sebuah nilai kebugaran (fitness) yang akan digunakan untuk mencari
Lebih terperinciAnalisis Operator Crossover pada Permasalahan Permainan Puzzle
Analisis Operator Crossover pada Permasalahan Permainan Puzzle Kun Siwi Trilestari [1], Ade Andri Hendriadi [2] Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Singaperbanga Karawang
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Penjadwalan Perkuliahan Penjadwalan memiliki pengertian durasi dari waktu kerja yang dibutuhkan untuk melakukan serangkaian untuk melakukan aktivitas kerja[10]. Penjadwalan juga
Lebih terperinciPENERAPAN ALGORITMA GENETIKA PADA PERSOALAN PEDAGANG KELILING (TSP)
Abstrak PENERAPAN ALGORITMA GENETIKA PADA PERSOALAN PEDAGANG KELILING (TSP) Aulia Fitrah 1, Achmad Zaky 2, Fitrasani 3 Program Studi Informatika, Sekolah Teknik Elektro dan Informatika, Institut Teknologi
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Algoritma Genetika Algoritma genetika merupakan algoritma pencarian heuristik ysng didasarkan atas mekanisme seleksi alami dan genetika alami (Suyanto, 2014). Adapun konsep dasar
Lebih terperinciABSTRAK. Universitas Kristen Maranatha
ABSTRAK Dalam beberapa tahun terakhir ini, peranan algoritma genetika terutama untuk masalah optimisasi, berkembang dengan pesat. Masalah optimisasi ini beraneka ragam tergantung dari bidangnya. Dalam
Lebih terperinciPenerapan Algoritma Genetika dalam Job Shop Scheduling Problem
Penerapan Algoritma Genetika dalam Job Shop Scheduling Problem Haris Sriwindono Program Studi Ilmu Komputer Universitas Sanata Dharma Paingan, Maguwoharjo, Depok Sleman Yogyakarta, Telp. 0274-883037 haris@staff.usd.ac.id
Lebih terperinciPENGEMBANGAN APLIKASI PENJADWALAN KULIAH SEMESTER I MENGGUNAKAN ALGORITMA GENETIKA
PENGEMBANGAN APLIKASI PENJADWALAN KULIAH SEMESTER I MENGGUNAKAN ALGORITMA GENETIKA Bagus Priambodo Program Studi Sistem Informasi Fakultas Ilmu Komputer Universitas Mercu Buana e- mail : bagus.priambodo@mercubuana.ac.id
Lebih terperinciAplikasi Algoritma Genetika Untuk Menyelesaikan Travelling Salesman Problem (TSP)
JTRISTE, Vol.1, No.2, Oktober 2014, pp. 50~57 ISSN: 2355-3677 Aplikasi Algoritma Genetika Untuk Menyelesaikan Travelling Salesman Problem (TSP) STMIK Handayani Makassar najirah_stmikh@yahoo.com Abstrak
Lebih terperinciOPTIMASI PENJADWALAN CERDAS MENGGUNAKAN ALGORITMA MEMETIKA
OPTIMASI PENJADWALAN CERDAS MENGGUNAKAN ALGORITMA MEMETIKA Muhammad Arief Nugroho 1, Galih Hermawan, S.Kom., M.T. 2 1, 2 Universitas Komputer Indonesia Jl. Dipatiukur No. 112-116, Bandung 40132 E-mail
Lebih terperinciKNAPSACK PROBLEM DENGAN ALGORITMA GENETIKA
LAPORAN TUGAS BESAR ARTIFICIAL INTELLEGENCE KNAPSACK PROBLEM DENGAN ALGORITMA GENETIKA Disusun Oleh : Bayu Kusumo Hapsoro (113050220) Barkah Nur Anita (113050228) Radityo Basith (113050252) Ilmi Hayyu
Lebih terperinciALGORITMA GENETIKA PADA PENYELESAIAN AKAR PERSAMAAN SEBUAH FUNGSI
ALGORITMA GENETIKA PADA PENYELESAIAN AKAR PERSAMAAN SEBUAH FUNGSI Akhmad Yusuf dan Oni Soesanto Program Studi Matematika Universitas Lambung Mangkurat Jl. Jend. A. Yani km 35, 8 Banjarbaru ABSTRAK Algoritma
Lebih terperinciPendekatan Algoritma Genetika pada Peminimalan Fungsi Ackley menggunakan Representasi Biner
Vol. 7, 2, 108-117, Januari 2011 Pendekatan Algoritma Genetika pada Peminimalan Fungsi Ackley menggunakan Representasi Biner Jusmawati Massalesse Abstrak Tulisan ini dimaksudkan untuk memperlihatkan proses
Lebih terperinciRANCANG BANGUN SISTEM PENENTUAN KOMPOSISI BAHAN PANGAN HARIAN MENGGUNAKAN ALGORITMA GENETIKA
ABSTRAKSI RANCANG BANGUN SISTEM PENENTUAN KOMPOSISI BAHAN PANGAN HARIAN MENGGUNAKAN ALGORITMA GENETIKA Tedy Rismawan, Sri Kusumadewi Jurusan Teknik Informatika, Fakultas Teknologi Industri Universitas
Lebih terperinciBAB II KAJIAN PUSTAKA. Pada bab kajian pustaka berikut ini akan dibahas beberapa materi yang meliputi
BAB II KAJIAN PUSTAKA Pada bab kajian pustaka berikut ini akan dibahas beberapa materi yang meliputi graf, permasalahan optimasi, model matematika dari objek wisata di Yogyakarta, dan algoritma genetika
Lebih terperinciPENENTUAN MATCHING MAKSIMUM PADA GRAPH BIPARTISI BERBOBOT DENGAN MENGGUNAKAN ALGORITMA GENETIKA
PENENTUAN MATCHING MAKSIMUM PADA GRAPH BIPARTISI BERBOBOT DENGAN MENGGUNAKAN ALGORITMA GENETIKA,, Universitas Negeri Malang E-mail: love_nisza@yahoo.co.id ABSTRAK: Matching berguna untuk menyelesaikan
Lebih terperinciAPLIKASI ALGORITMA GENETIKA DALAM PENENTUAN DOSEN PEMBIMBING SEMINAR HASIL PENELITIAN DAN DOSEN PENGUJI SKRIPSI
Prosiding Seminar Nasional Matematika dan Terapannya 2016 p-issn : 2550-0384; e-issn : 2550-0392 APLIKASI ALGORITMA GENETIKA DALAM PENENTUAN DOSEN PEMBIMBING SEMINAR HASIL PENELITIAN DAN DOSEN PENGUJI
Lebih terperinciTEKNIK PENJADWALAN KULIAH MENGGUNAKAN METODE ALGORITMA GENETIKA. Oleh Dian Sari Reski 1, Asrul Sani 2, Norma Muhtar 3 ABSTRACT
TEKNIK PENJADWALAN KULIAH MENGGUNAKAN METODE ALGORITMA GENETIKA Oleh Dian Sari Reski, Asrul Sani 2, Norma Muhtar 3 ABSTRACT Scheduling problem is one type of allocating resources problem that exist to
Lebih terperinciBAB II LANDASAN TEORI
27 BAB II LANDASAN TEORI 2.1. Penelitian Terkait Penelitian terkait yang menggunakan algoritma genetika untuk menemukan solusi dalam menyelesaikan permasalahan penjadwalan kuliah telah banyak dilakukan.
Lebih terperinciPENERAPAN ALGORITMA GENETIK UNTUK OPTIMASI DENGAN MENGUNAKAN PENYELEKStAN RODA ROULETTE
PENERAPAN ALGORTMA GENETK UNTUK OPTMAS DENGAN MENGUNAKAN PENYELEKStAN RODA ROULETTE Samuel Lukas, M.Tech." Abstract The purpose of this paper is to introducing genetic algorithm. This algorithm is one
Lebih terperinciPeramalan Kebutuhan Beban Sistem Tenaga Listrik Menggunakan Algoritma Genetika
Peramalan Kebutuhan Beban Sistem Tenaga Listrik Menggunakan Algoritma Genetika M. Syafrizal, Luh Kesuma Wardhani, M. Irsyad Jurusan Teknik Informatika - Universitas Islam Negeri Sultan Syarif Kasim Riau
Lebih terperinciPENENTUAN JARAK TERPENDEK PADA JALUR DISTRIBUSI BARANG DI PULAU JAWA DENGAN MENGGUNAKAN ALGORITMA GENETIKA. Abstraksi
PENENTUAN JARAK TERPENDEK PADA JALUR DISTRIBUSI BARANG DI PULAU JAWA DENGAN MENGGUNAKAN ALGORITMA GENETIKA I Dewa Made Adi Baskara Joni 1, Vivine Nurcahyawati 2 1 STMIK STIKOM Indonesia, 2 STMIK STIKOM
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Travelling Salesman Problem (TSP) Travelling Salesmen Problem (TSP) termasuk ke dalam kelas NP hard yang pada umumnya menggunakan pendekatan heuristik untuk mencari solusinya.
Lebih terperinciPENJADWALAN UJIAN AKHIR SEMESTER DENGAN ALGORITMA GENETIKA (STUDI KASUS JURUSAN TEKNIK INFORMATIKA UNESA)
Penjadwalan Ujian Akhir Semester dengan Algoritma Genetika PENJADWALAN UJIAN AKHIR SEMESTER DENGAN ALGORITMA GENETIKA (STUDI KASUS JURUSAN TEKNIK INFORMATIKA UNESA) Anita Qoiriah Jurusan Teknik Informatika,
Lebih terperinciOptimasi Fungsi Tanpa Kendala Menggunakan Algoritma Genetika Dengan Kromosom Biner dan Perbaikan Kromosom Hill-Climbing
Optimasi Fungsi Tanpa Kendala Menggunakan Algoritma Genetika Dengan Kromosom Biner dan Perbaikan Kromosom Hill-Climbing Wayan Firdaus Mahmudy, (wayanfm@ub.ac.id) Program Studi Ilmu Komputer, Universitas
Lebih terperinciOPTIMASI PENJADWALAN KEGIATAN BELAJAR MENGAJAR DENGAN ALGORITMA GENETIK
OPTIMASI PENJADWALAN KEGIATAN BELAJAR MENGAJAR DENGAN ALGORITMA GENETIK Usulan Skripsi S-1 Jurusan Matematika Diajukan oleh 1. Novandry Widyastuti M0105013 2. Astika Ratnawati M0105025 3. Rahma Nur Cahyani
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Pustaka. Penelitian serupa mengenai penjadwalan matakuliah pernah dilakukan oleh penelliti yang sebelumnya dengan metode yang berbeda-neda. Berikut
Lebih terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) 45 Edisi... Volume..., Bulan 20.. ISSN :
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) 45 IMPLEMENTASI ALGORITMA GENETIKA UNTUK PENJADWALAN MATA PELAJARAN DI SMAN 1 CIWIDEY Rismayanti 1, Tati Harihayati 2 Teknik Informatika Universitas Komputer
Lebih terperinciAlgoritma Genetika dan Penerapannya dalam Mencari Akar Persamaan Polinomial
Algoritma Genetika dan Penerapannya dalam Mencari Akar Persamaan Polinomial Muhammad Abdy* 1, Maya Sari Wahyuni* 2, Nur Ilmi* 3 1,2,3 Jurusan Matematika, Universitas Negeri Makassar e-mail: * 1 m.abdy@unm.ac.id,
Lebih terperinciPERANCANGAN DAN IMPLEMENTASI PERANGKAT LUNAK VISUALISASI DUA DIMENSI WELL PRODUCTION FORECASTING DENGAN GENETIC ALGORITHM
PERANCANGAN DAN IMPLEMENTASI PERANGKAT LUNAK VISUALISASI DUA DIMENSI WELL PRODUCTION FORECASTING DENGAN GENETIC ALGORITHM Danuri Teknologi Informasi Politeknik Bengkalis Jl. Bathin Alam, Sei-Alam, Bengkalis
Lebih terperinciOptimasi Metode Fuzzy Dengan Algoritma Genetika Pada Kontrol Motor Induksi
Optimasi Metode Fuzzy Dengan Algoritma Genetika Pada Kontrol Motor Induksi Rahman Aulia Universitas Sumatera Utara Pasca sarjana Fakultas Ilmu Komputer Medan, Indonesia Rahmanaulia50@gmail.com Abstract
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK TRAVELING SALESMAN PROBLEM DENGAN MENGGUNAKAN METODE ORDER CROSSOVER DAN INSERTION MUTATION
PENERAPAN ALGORITMA GENETIKA UNTUK TRAVELING SALESMAN PROBLEM DENGAN MENGGUNAKAN METODE ORDER CROSSOVER DAN INSERTION MUTATION Samuel Lukas 1, Toni Anwar 1, Willi Yuliani 2 1) Dosen Teknik Informatika,
Lebih terperinciMEMBANGUN TOOLBOX ALGORITMA EVOLUSI FUZZY UNTUK MATLAB
MEMBANGUN TOOLBOX ALGORITMA EVOLUSI FUZZY UNTUK MATLAB Syafiul Muzid 1, Sri Kusumadewi 2 1 Sekolah Pascasarjana Magister Ilmu Komputer, Universitas Gadjah Mada, Yogyakarta e-mail: aakzid@yahoo.com 2 Jurusan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Penjadwalan Penjadwalan adalah penempatan sumber daya (resource) dalam satu waktu. Penjadwalan mata kuliah merupakan persoalan penjadwalan yang umum dan sulit dimana tujuannya
Lebih terperinciBAB I PENDAHULUAN. kehidupan sehari-hari dan juga merupakan disiplin ilmu yang berdiri sendiri serta
BAB I PENDAHULUAN A. Latar Belakang Matematika adalah cabang ilmu pengetahuan yang dapat digunakan dalam kehidupan sehari-hari dan juga merupakan disiplin ilmu yang berdiri sendiri serta tidak merupakan
Lebih terperinciBAB 2 LANDASAN TEORI
18 BAB 2 LANDASAN TEORI 2.1 Pengertian Optimasi Optimasi adalah salah satu ilmu dalam matematika yang fokus untuk mendapatkan nilai minimum atau maksimum secara sistematis dari suatu fungsi, peluang maupun
Lebih terperinciAlgoritma Evolusi Dasar-Dasar Algoritma Genetika
Algoritma Evolusi Dasar-Dasar Algoritma Genetika Imam Cholissodin imam.cholissodin@gmail.com Pokok Bahasan 1. Pengantar 2. Struktur Algoritma Genetika 3. Studi Kasus: Maksimasi Fungsi Sederhana 4. Studi
Lebih terperinciPenjadwalan Job Shop pada Empat Mesin Identik dengan Menggunakan Metode Shortest Processing Time dan Genetic Algorithm
Jurnal Telematika, vol.9 no.1, Institut Teknologi Harapan Bangsa, Bandung ISSN: 1858-251 Penjadwalan Job Shop pada Empat Mesin Identik dengan Menggunakan Metode Shortest Processing Time dan Genetic Algorithm
Lebih terperinciBAB II LANDASAN TEORI. Tahun 2001 pemilik CV. Tunas Jaya membuka usaha di bidang penjualan dan
BAB II LANDASAN TEORI 2.1 Sejarah Perusahaan Tahun 2001 pemilik CV. Tunas Jaya membuka usaha di bidang penjualan dan pengadaan suku cadang computer. Dalam bidang tersebut diharuskan berbadan hukum PD,
Lebih terperinciM. Ainul Yaqin 1,Totok Lisbiantoro 2, Jurusan Teknik Informatika, Fakultas Sains dan Teknologi Universitas Islam Negeri Maulana Malik Ibrahim Malang
OPTIMASI PENJADWALAN PERKULIAHAN JURUSAN TEKNIK INFORMATIKA UNIVERSITAS ISLAM NEGERI MAULANA MALIK IBRAHIM MALANG MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE SELEKSI RANK M. Ainul Yaqin 1,Totok Lisbiantoro
Lebih terperinciBAB I PENDAHULUAN. sejumlah aktivitas kuliah dan batasan mata kuliah ke dalam slot ruang dan waktu
18 BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Penjadwalan merupakan kegiatan administrasi utama di berbagai institusi. Masalah penjadwalan merupakan masalah penugasan sejumlah kegiatan dalam periode
Lebih terperinciPERBANDINGAN UNJUK KERJA METODE DECODER DENGAN METODE PENALTY DALAM MENYELESAIKAN KNAPSACK PROBLEM 0/1 MENGGUNAKAN ALGORITMA GENETIKA
J~ICON, Vol. 1 No. 1, Maret 2013, pp. 33~44 33 PERBANDINGAN UNJUK KERJA METODE DECODER DENGAN METODE PENALTY DALAM MENYELESAIKAN KNAPSACK PROBLEM 0/1 MENGGUNAKAN ALGORITMA GENETIKA Arini Aha Pekuwali 1,
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Konsep Dasar Sistem dan Informasi 2.1.1 Sistem Menurut Sutabri (2004), bahwa sistem adalah sekelompok unsur yang erat hubungannya satu dengan yang lainnya berfungsi untuk mencapai
Lebih terperinciAPLIKASI ALGORITMA GENETIKA DALAM MENENTUKAN SPESIFIKASI PC BERDASARKAN KEMAMPUAN FINANSIAL KONSUMEN
APLIKASI ALGORITMA GENETIKA DALAM MENENTUKAN SPESIFIKASI PC BERDASARKAN KEMAMPUAN FINANSIAL KONSUMEN Eva Haryanty, S.Kom. ABSTRAK Komputer adalah salah satu peralatan yang pada saat ini banyak pula digunakan
Lebih terperinciGenerator Jadwal Perkuliahan Menggunakan Algoritma Genetika
Generator Jadwal Perkuliahan Menggunakan Algoritma Genetika Zainal Akbar 1), Muh. Fajri Raharjo 2), Eddy Tungadi 3) CAIR, Politeknik Negeri Ujung Pandang Jl. Perintis Kemerdekaan km. 10, Tamalanrea Makassar,
Lebih terperinciBAB III PEMBAHASAN. menggunakan model Fuzzy Mean Absolute Deviation (FMAD) dan penyelesaian
BAB III PEMBAHASAN Dalam bab ini akan dibahas mengenai pembentukan portofolio optimum menggunakan model Fuzzy Mean Absolute Deviation (FMAD) dan penyelesaian model Fuzzy Mean Absolute Deviation (FMAD)
Lebih terperinciOPTIMALISASI SOLUSI TERBAIK DENGAN PENERAPAN NON-DOMINATED SORTING II ALGORITHM
OPTIMALISASI SOLUSI TERBAIK DENGAN PENERAPAN NON-DOMINATED SORTING II ALGORITHM Poetri Lestari Lokapitasari Belluano poe3.setiawan@gmail.com Universitas Muslim Indonesia Abstrak Non Dominated Sorting pada
Lebih terperinciPemaksimalan Papan Sirkuit Di Pandang Sebagai Masalah Planarisasi Graf 2-Layer Menggunakan Algoritma Genetika
Vol. 14, No. 1, 19-27, Juli 2017 Pemaksimalan Papan Sirkuit Di Pandang Sebagai Masalah Planarisasi Graf 2-Layer Menggunakan Algoritma Genetika Jusmawati Massalesse dan Muh. Ali Imran Abstrak Tulisan ini
Lebih terperinciPenyelesaian Puzzle Sudoku menggunakan Algoritma Genetik
Penyelesaian Puzzle Sudoku menggunakan Algoritma Genetik Afriyudi 1,Anggoro Suryo Pramudyo 2, M.Akbar 3 1,2 Program Studi Sistem Informasi Fakultas Ilmu Komputer. Universitas Bina Darma Palembang. email
Lebih terperinciALGORITMA GENETIKA Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning
ALGORITMA GENETIKA Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning Achmad Basuki Politeknik Elektronika Negeri Surabaya PENS-ITS Surabaya 2003 Algoritma Genetika Algoritma
Lebih terperinciTugas Mata Kuliah E-Bisnis REVIEW TESIS
Tugas Mata Kuliah E-Bisnis REVIEW TESIS Desain Algoritma Genetika Untuk Optimasi Penjadwalan Produksi Meuble Kayu Studi Kasus Pada PT. Sinar Bakti Utama (oleh Fransiska Sidharta dibawah bimbingan Prof.Kudang
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Fuzzy Local Binary Pattern (FLBP) Fuzzifikasi pada pendekatan LBP meliputi transformasi variabel input menjadi variabel fuzzy, berdasarkan pada sekumpulan fuzzy rule. Dalam
Lebih terperinciZbigniew M., Genetic Alg. + Data Structures = Evolution Program, Springler-verlag.
Zbigniew M., Genetic Alg. + Data Structures = Evolution Program, Springler-verlag. 12/11/2009 1 Ditemukan oleh Holland pada tahun 1975. Didasari oleh fenomena evolusi darwin. 4 kondisi yg mempengaruhi
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Algoritma Genetika Algoritma Genetika merupakan suatu algoritma yang terinspirasi dari teori evolusi Darwin yang menyatakan bahwa kelangsungan hidup suatu makhluk dipengaruhi
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan membahas landasan atas teori-teori yang bersifat ilmiah untuk mendukung penulisan skripsi ini. Teori-teori yang dibahas mengenai optimisasi, pengertian penjadwalan,
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Penjadwalan Penjadwalan kegiatan belajar mengajar pada suatu lembaga pendidikan biasanya merupakan salah satu pekerjaan yang tidak mudah dan menyita waktu. Pada lembaga pendidikan
Lebih terperinciALGORITMA GENETIKA. Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning
ALGORITMA GENETIKA Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning Disusun oleh: Achmad Basuki Politeknik Elektronika Negeri Surabaya, PENS ITS Surabaya 2003 Algoritma
Lebih terperinciPENCOCOKAN KATA SECARA ACAK DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL
Jurnal Matematika UNAND Vol. 2 No. 2 Hal. 1 9 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENCOCOKAN KATA SECARA ACAK DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL MULIA AFRIANI KARTIKA
Lebih terperinciOPTIMASI PENATAAN SILINDER DALAM KONTAINER DENGAN ALGORITMA GENETIKA
OPTIMASI PENATAAN SILINDER DALAM KONTAINER DENGAN ALGORITMA GENETIKA Novita Wulan Sari 1, Yuliana Setyowati 2, S.Kom, M.Kom, Ira Prasetyaningrum 2, S. Si, M.T 1 Mahasiswa, 2 Dosen Pembimbing Politeknik
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tinjauan Pustaka (Samuel, Toni & Willi 2005) dalam penelitian yang berjudul Penerapan Algoritma Genetika untuk Traveling Salesman Problem Dengan Menggunakan Metode Order Crossover
Lebih terperinciOTOMASI PENJADWALAN KEGIATAN PRKULIAHAN DI PERGURUAN TINGGI MENGGUNAKAN METODE ALGORITMA GENETIKA ( STUDI KASUS STIKI )
OTOMASI PENJADWALAN KEGIATAN PRKULIAHAN DI PERGURUAN TINGGI MENGGUNAKAN METODE ALGORITMA GENETIKA ( STUDI KASUS STIKI ) Siska Diatinari Andarawarih 1) 1) Program Studi Teknik Informatika, Sekolah Tinggi
Lebih terperinciOPTIMISASI PENEMPATAN TURBIN ANGIN DI AREA LAHAN ANGIN
OPTIMISASI PENEMPATAN TURBIN ANGIN DI AREA LAHAN ANGIN MENGGUNAKAN ALGORITMA GENETIKA Azimatul Khulaifah 2209 105 040 Bidang Studi Sistem Tenaga Jurusan Teknik Elektro FTI ITS Dosen Pembimbing : Dosen
Lebih terperinciPENENTUAN KOMBINASI OPTIMUM JUMLAH, BERAT, DAN WAKTU TAMBAT KAPAL DI PT (PERSERO) PELABUHAN INDONESIA III GRESIK MENGGUNAKAN ALGORITMA GENETIKA
LOGO PENENTUAN KOMBINASI OPTIMUM JUMLAH, BERAT, DAN WAKTU TAMBAT KAPAL DI PT (PERSERO) PELABUHAN INDONESIA III GRESIK MENGGUNAKAN ALGORITMA GENETIKA Oleh : Aris Saputro 1206100714 Pembimbing : Dr. M. Isa
Lebih terperinciPERANCANGAN DAN PEMBUATAN APLIKASI OPTIMASI PENYUSUNAN IKLAN GAMBAR DENGAN ALGORITMA GENETIKA ABSTRAK
PERANCANGAN DAN PEMBUATAN APLIKASI OPTIMASI PENYUSUNAN IKLAN GAMBAR DENGAN ALGORITMA GENETIKA Leo Willyanto Santoso*, Johan Saputra**, dan Rolly Intan*** *, **, ***Jurusan Teknik Informatika FTI Universitas
Lebih terperinciPERFORMANCE ALGORITMA GENETIKA (GA) PADA PENJADWALAN MATA PELAJARAN
PERFORMANCE ALGORITMA GENETIKA (GA) PADA PENJADWALAN MATA PELAJARAN Eva Desiana, M.Kom Pascasarjana Teknik Informatika Universitas Sumatera Utara, SMP Negeri 5 Pematangsianta Jl. Universitas Medan, Jl.
Lebih terperinciBAB III PERANCANGAN. Gambar 3.1 di bawah ini mengilustrasikan jalur pada TSP kurva terbuka jika jumlah node ada 10:
BAB III PERANCANGAN Pada bagian perancangan ini akan dipaparkan mengenai bagaimana mencari solusi pada persoalan pencarian rute terpendek dari n buah node dengan menggunakan algoritma genetika (AG). Dari
Lebih terperinciERWIEN TJIPTA WIJAYA, ST.,M.KOM
ERWIEN TJIPTA WIJAYA, ST.,M.KOM DEFINISI ALGEN adalah algoritma yang memanfaatkan proses seleksi alamiah yang dikenal dengan evolusi Dalam evolusi, individu terus menerus mengalami perubahan gen untuk
Lebih terperinciBAB II KAJIAN TEORI. memindahkan barang dari pihak supplier kepada pihak pelanggan dalam suatu supply
BAB II KAJIAN TEORI Berikut diberikan beberapa teori pendukung untuk pembahasan selanjutnya. 2.1. Distribusi Menurut Chopra dan Meindl (2010:86), distribusi adalah suatu kegiatan untuk memindahkan barang
Lebih terperinciPELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE SELEKSI TURNAMEN UNTUK DATA TIME SERIES
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 65-72 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE
Lebih terperinciPERANCANGAN ALGORITMA GENETIKA UNTUK MENENTUKAN JALUR TERPENDEK. Kata kunci: Algoritma Genetika, Shortest Path Problem, Jalur Terpendek
PERANCANGAN ALGORITMA GENETIKA UNTUK MENENTUKAN JALUR TERPENDEK Fajar Saptono 1, Taufiq Hidayat 2 Laboratorium Pemrograman dan Informatika Teori Jurusan Teknik Informatika, Fakultas Teknologi Industri,
Lebih terperinciPERANCANGAN APLIKASI PENJADWALAN KERETA API DENGAN MENGGUNAKAN ALGORITMA GENETIKA (Studi Kasus: Stasiun Kereta Api Bandar Khalipah Medan)
PERANCANGAN APLIKASI PENJADWALAN KERETA API DENGAN MENGGUNAKAN ALGORITMA GENETIKA (Studi Kasus: Stasiun Kereta Api Bandar Khalipah Medan) Nurhamidah Lubis 1, Garuda Ginting 2 Mahasiswa Teknik Informatika
Lebih terperinciPerancangan Sistem Penjadwalan Asisten Dosen Menggunakan Algoritma Genetika (Studi Kasus: STIKOM Bali)
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Perancangan Sistem Penjadwalan Asisten Dosen Menggunakan Algoritma Genetika (Studi Kasus: STIKOM Bali) I Made Budi Adnyana
Lebih terperinciPENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN TRAVELLING SALESMAN PROBLEM (TSP)
PENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN TRAVELLING SALESMAN PROBLEM (TSP) Mohamad Subchan STMIK Muhammadiyah Banten e-mail: moh.subhan@gmail.com ABSTRAK: Permasalahan pencarian rute terpendek dapat
Lebih terperinciPERANCANGAN APLIKASI PENJADWALAN TRAVELING SALESMAN PROBLEM DENGAN ALGORITMA GENETIKA
PERANCANGAN APLIKASI PENJADWALAN TRAVELING SALESMAN PROBLEM DENGAN ALGORITMA GENETIKA Hendy Tannady; Andrew Verrayo Limas Industrial Engineering Department, Faculty of Engineering, Binus University Jl.
Lebih terperinciDETEKSI MAHASISWA BERPRESTASI DAN BERMASALAH DENGAN METODE K- MEANS KLASTERING YANG DIOPTIMASI DENGAN ALGORITMA GENETIKA
DETEKSI MAHASISWA BERPRESTASI DAN BERMASALAH DENGAN METODE K- MEANS KLASTERING YANG DIOPTIMASI DENGAN ALGORITMA GENETIKA Akmal Hidayat 1) & Entin Martiana 2) 1) Teknik Elektro Politeknik Bengkalis Jl.
Lebih terperinci2 TINJAUAN PUSTAKA. 2.1 Peringkasan Teks
4 2 TINJAUAN PUSTAKA 2.1 Peringkasan Teks Peringkasan teks adalah proses pemampatan teks sumber ke dalam versi lebih pendek namun tetap mempertahankan informasi yang terkandung didalamnya (Barzilay & Elhadad
Lebih terperinciALGORITMA OPTIMASI UNTUK PENYELESAIAN TRAVELLING SALESMAN PROBLEM (Optimization Algorithm for Solving Travelling Salesman Problem)
ALGORITMA OPTIMASI UNTUK PENYELESAIAN TRAVELLING SALESMAN PROBLEM (Optimization Algorithm for Solving Travelling Salesman Problem) Dian Tri Wiyanti Program Studi Teknik Informatika, Jurusan Teknologi Informasi
Lebih terperinci