PENYELESAIAN MASALAH PENUGASAN DENGAN ALGORITMA GENETIKA TEKNIK CYCLE CROSSOVER.
|
|
- Suparman Atmadja
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PENYELESAIAN MASALAH PENUGASAN DENGAN ALGORITMA GENETIKA TEKNIK CYCLE CROSSOVER. Ir. Samuel Lukas, M.Tech*, Dr(Eng). Pujianto Yugopuspito, M.Sc", dan Hadiyanto Asali*" Abstract Assignment problem is one of the fundamental combinatorial optimization problems. Many algorithms can solve the assignment problem, however it is not easy to solve the problem that has many agents or tasks. Genetic algorithm is applied to find approximate solutions of such problems. Genetic algorithm uses the basic principles of evolutionary biology to computer science. Many applications of the genetic algorithms are implemented as a computer simulation. This paper discusses how to solve assignment problem by applying the technique of cycle crossover in crossover section and random mutation in mutation section. Various percentages of crossover and mutation operators are experimented to find out the best result. 1. PENDAHULUAN Masalah penugasan adalah masalah optimasi dari penjadwalan sumberdaya dan aktifitas yang berprinsip pada penugasan satu ke satu. Sama halnya dengan masalah penjadwalan maka masalah penugasan adalah bagaimana mengatur penugasan terhadap satu agent sedemikian rupa sehingga tercapai optimal. Masalah penugasan ini sering kali ditemukan dalam kehidupan. Sebagai contoh, penghitung biaya minimum pengerjaan yang dibutuhkan dalam memproduksi beberapa jenis barang oleh sejumlah mesin produksi, apabila semua kemungkinan biaya produksi dari setiap mesin untuk setiap barang yang berbeda diketahui dan satu barang terselesaikan hanya oleh satu pengerjaan mesin, merupakan salah satu masalah penugasan. Masalah penugasan sebenarnya tidak hanya terbatas untuk mencari biaya minimum saja, tetapi dalam penerapannya masalah penugasan ini dapat juga digunakan untuk kasus maksimum. Misalnya dalam mencari keuntungan penjualan maksimum bermacam produk oleh banyak penjual. Dalam masalah ini, setiap penjual harus memasarkan produk tersebut, dimana kemampuan seorang penjual dalam menjual suatu produk adalah bervariasi. Seorang penjual akan memperoleh lebih banyak keuntungan untuk suatu macam produk, sedangkan penjual yang lain temyata memperoleh lebih banyak keuntungan untuk produk yang lain. Dengan demikian perlu dilakukan penentuan pasangan penjual dan produk yang tepat, agar diperoleh keuntungan yang paling banyak. Ini adalah contoh penerapan kasus masalah penugasan untuk mencari keuntungan maksimum. * Dosen Tetap Jurusan Teknik Informatika, FIK-UPH ** Dosen Tetap Jurusan Teknik Informatika, FIK-UPH *** Alumnus Jurusan Teknik Informatika, FIK-UPH Penyelesaian Masalah Penugasan...(S. Lukas, P.Yugopuspito, H.Asali) 87
2 2. MASALAH PENUGASAN Masalah penugasan adalah bagian dari masalah optimasi. Secara matematis, masalah penugasan n sumberdaya atau n aktifitas dapat diformulasikan sebagai berikut: R = {(a,b) \aea,b(e B;(a,b) e AxB) X = {(a b,) (a b,) e R,a t * a j,b j * b t J = l,2,...,n,y = 1,2,..., n) Sol = Optimum(Jit(X)) R adalah relasi dari A yang merupakan himpunan sumberdaya yang dapat mengerjakan satu aktifitas ke himpunan B yang adalah himpunan aktifitas itu sendiri. X adalah fungsi satu-satu dari A ke B. Jelaslah bahwa banyaknya himpunan bagian dari X adalah n\. Sehingga solusi penugasan adalah mencan X yang merupakan urutan penugasan sedemikian rupa sehingga didapat Sol yang optimum atas fungsi fit(x). Fit(X) adalah fungsi biaya dari penugasan itu sendiri. Untuk makalah ini maka optimum yang dicari adalah optimum minimum. Banyaknya kemungkinan penjadwalan yang dapat dibuat adalah sebesar n\, dimana n adalah jumlah sumberdaya atau aktifitas. Untuk menyelesaikan masalah penugasan, telah dikembangkan beberapa algoritma, diantaranya adalah metode Hongaria oleh Branson tahun 1982, algoritma simulated anneling oleh Kapsalis, Smith, dan Rayward-Smith tahun 1994, tabu search oleh Boyce, Dimitripoulus, dan Taylor tahun 1995 dan algoritma genetika. 3. ALGORITMA GENETIKA DAN MASALAH PENUGASAN Algoritma genetika dikembangkan pertama kali oleh John Holland dari Universitas Michigan (1975). la mengatakan bahwa algoritma genetika dapat mensimulasikan proses evolusi Darwin dan operasi genetika atas kromosom. Beberapa terminologi penting pada algoritma genetika adalah populasi, kromosom, offspring, generasi, crossover, dan mutasi. Populasi adalah himpunan dari kromosom dari suatu permasalahan yang ada. Sedangkan kromosom adalah salah satu kemungkinan jawab tetapi masih dalam bentuk suatu simbol. Offspring adalah anak dari hasil penggabungan 2 buah kromosom sebagai induk dengan mengunakan operator crossover atau penyilangan. Generasi adalah suatu populasi yang dihasilkan dari hasil perubahan seluruh kromosom dari populasi sebelumnya, setelah melalui suatu proses penseleksian yang dinamakan fitness. Populasi awal dibangkitkan secara acak. Populasi berikutnya adalah hasil evaluasi seluruh kromosom dalam populasi. Setelah melalui proses offspring, fitness dan mutasi maka diupayakan ukuran populasi tetap dan konvergen pada kromosom terbaik. Kromosom biasanya ditampilkan dalam bentuk string sederhana. Panjangnya string suatu kromosom / banyaknya gen dalam suatu kromosom tergantung dari teknik penyandian yang digunakan untuk memecahkan persoalannya. Untuk makalah ini kromosom x disandikan sebagai string yang panjangnya L dimana L adalah minimum dari jumlah sumberdaya dengan jumlah aktifitas yang ada, L = min(j s,ja) Aplikasi kromosom x pada masalah penugasan diatas adalah salah satu fungsi satusatu dari A ke B. Salah satu kromosom untuk 9 sumber daya adalah < >, yang artinya sumber daya pertama mengerjakan aktifitas 6, sumber daya ke dua mengerjakan aktifitas ke 5 dst hingga sumber daya ke 9 mengerjakan aktifitas Jurnal llmiah llmu Komputer, Vol. 3 No. 2 Mei 5: 87-95
3 Proses penyeleksian kromosom mana yang akan bertahan hidup pada generasi berikutnya sangat dipengaruhi oleh fungsi fitness sistem yang dikembangkan. Fungsi fitness berfungsi untuk melakukan evaluasi setiap kromosom dalam suatu populasi. Fungsi fitness dapat dipakai untuk pengurutan kromosom dari kromosom terbaik hingga kromosom yang terburuk. Maka dengan adanya nilai fitness ini dapat ditentukan apakah suatu kromosom akan tetap bertahan atau tidak. Penentuan fungsi fitness dari suatu kromosom x, fit(x), sangat tergantung pada permasalahan yang ada. Biasanya nilai fungsi fitness lebih besar dari 0 dan kurang dari 1, 0 < fitness < 1 Pada makalah ini, fungsi fitness ini adalah fungsi biaya penugasan. Biaya penugasan oleh sumberdaya a, untuk mengerjakan aktifitas 6, dinotasikan dengan f(aj,bj). Sehinga fungsi fitness didefinisikan sebagai: fl/aya(*) = /»,) '"' dimana Biayc^x) adalah total seluruh biaya r.., _ I penugasan kromosom ke x Biaya(x) Dari rumus fungsi fitness tersebut dapat dilihat bahwa semakin besar total biaya penugasan maka nilai fifnessnya akan semakin kecil. Sebaliknya jika total biaya penugasan semakin kecil, maka nilai fifness-nya akan semakin besar. Untuk masalah optimasi mencari biaya minimum, maka nilai fitness terbaik adalah nilai fitness yang terbesar. 3.1 Cycle Crossover Crossover adalah salah satu operator genetika yang digunakan untuk melakukan persilangan secara bervariasi dari suatu kromosom pada satu generasi ke generasi selanjutnya. Crossover dapat dilakukan dengan banyak cara, namun dalam simulasi ini hanya digunakan cycle crossover. Cycle Crossover (CX) ini ditemukan oleh Oliver. Langkah - langkah untuk melakukan metode cycle crossover ini yaitu : Tentukan induk 1 dan induk 2. Indukl :< > Induk 2: < > Temukan putaran yang terbentuk dari gen pada induk 1 ke gen induk 2 ke gen induk 1 lagi dan seterusya hingga terbentuk perputaran (cycle). Dari dua kromosom diatas didapat urutan putarannya 1->6->2->5->3->7-> 1 Setelah diperoleh putaran dari kedua induk ini, maka langkah berikutnya adalah untuk membentuk anaknya yaitu dengan mempertahankan gen yang mengalami perputaran. Anak 1 :<123x567xx> Anak 2:<6 57x321xx> Kemudian untuk melengkapi bagian yang kosong dari anak 1, maka diambil dari gen yang bersesuaian letak dari induk 2, demikian pula untuk anak 2 akan mengambil dari gen yang bersesuaian induk 1. Dengan demikian anaknya adalah: Anak 1 : < > Anak 2: < > Penyelesaian Masalah Penugasan...(S. Lukas, P.Yugopuspito, H.Asali) 89
4 3.2 Mutasi Mutasi merupakan salah satu operator genetika yang digunakan untuk memelihara perbedaan genetika satu generasi dengan generasi selanjutnya. Mutasi dapat dilakukan dengan metode reciprocal exchange, yakni tahapan pembentukan kromosom populasi selanjutnya dengan menggantikan dua gen secara acak pada suatu kromosom. Contoh dari operator mutasi ini ialah : Sebelum mutasi: < > Setelah mutasi : < > Dari contoh tersebut, dapat dilihat bahwa gen 4 dan gen 8 saling berganti posisi setelah mengalami mutasi, dimana gen 4 dan gen 8 ini dipilih secara acak. 3.3 Langkah Simulasi Penyelesaikan Masalah Penugasan Masalah penugasan dengan sumber daya yang berjumlah banyak sulit dipecahkan secara manual. Oleh karena itu, pemecahan masalah penugasan digunakan algoritma genetika. Pemecahan masalah penugasan dengan algoritma genetika dilakukan dengan urutan langkah sebagai berikut: 1. Membangun suatu generasi awal 2. Menentukan fitness dan melakukan crossover 3. Melakukan mutasi 4 Membentuk generasi baru 5. Jika belum dicapai generasi akhir, maka langkah kedua hingga selesai diulangi. 4. IMPLEMENTASI DAN PENELITIAN Simulasi ini dirancang untuk membuktikan bahwa masalah penugasan dapat diselesaikan dengan pendekatan algoritma genetika. Deskripsi simulasi yang dibangun yaitu : Dibangun dengan bahas pemrograman Visual Basic 6.0 Banyak sumberdaya dan aktifitas adalah N, dimana N ^. Banyak kromosom per generasi adalah /, dimana / 1 Besarnya persentase terjadinya crossover adalah C dan besarnya persentase terjadinya mutasi adalah M, dimana M dan C bernilai 0,,0.2,0.3,,..., 1. Banyaknya generasi adalah G, dimana G < 0 generasi. Input biaya random adalah bernilai 10 sampai dengan 99 Sistem penyeleksian kromosom yang digunakan adalah sistem rank atau pengurutan kromosom berdasarkan nilai fffnessnya. Rancangan tampilan simulasi diperlihatkan pada Gambar 1. Sistem akan dilakukan dua pengujian yang masing-masing bertujuan untuk menguji apakah simulasi telah berjalan baik dengan jumlah sumberdaya yang relatif besar dan apakah sistem cukup layak untuk dipakai dengan melakukan perbandingan hasilnya dengan hasil penyelesaian teknik konvensional masalah penugasan yaitu metode Hongaria. 90 Jurnal llmiah llmu Komputer, Vol. 3 No. 2 Mei 5: 87-95
5 Menu Jumlah Me srn Banyak Individu per Generasi ~ Input Random Tabel untuk Input Data Persentase Crossover Persentase Mutasi Generasi ke. Susunan kromosom senap mdividu, rolai fitness dan total biayanya 99xxxxxxxxxxxxxxxxxx xx = fitness (Totalbiaya =..) Gambar 1 Rancangan Tampilan Simulasi 4.1 Percobaan Pertama Untuk percobaan simulasi ini dilakukan langkah - langkah berikut: Data percobaan simulasi adalah untuk sumberdaya dan aktifitas berukuran NxN, N= {,,,, } Data N akan disimpan dalam file input. Untuk setiap nilai N akan dilakukan percobaan : o Jumlah kromosom dalam satu generasi adalah / {,,0,,1} o Banyaknya generasi adalah G yaitu 0 o Persentasi crossover adalah C,C = {,0.2,0.3,...} o Persentasi mutasi adalah M, M = {,0.2,0.3,...,} Pertama - tama dilakukan perhitungan untuk A/=, /=, C=, dicari M terbaik yang menghasilkan solusi optimum dan didapat M =. Kemudian dicari C terbaik dan didapat C = 0,7 dengan total biaya sebesar Dilakukan hal yang sama untuk kombinasi lainnya dan hasil terbaiknya ditabulasikan pada Tabel 1. Dari Tabel 1 terlihat bahwa untuk N yang sama maka total biaya relatif sama meskipun besarnya jumlah kromosom dalam satu generasi berbeda dan parameter genetiknya juga berbeda. Ini berarti bahwa sistem telah bekerja sebagaimana mestinya. 4.2 Percobaan Kedua Percobaan kedua ini dilakukan dengan tujuan untuk membandingkan hasil yang diperoleh dari perhitungan algoritma genetika dengan hasil yang diperoleh dari perhitungan manual dengan menggunakan metode Hongaria. Hasil perhitungan simulasi diharapkan akan memberikan solusi yang sama dengan atau mendekati hasil perhitungan metode Hongaria. Sistem diuji dengan menggunakan 10 Penyelesaian Masalah Penugasan...(S. Lukas, P.Yugopuspito, H.Asali) 91
6 sumberdaya dan fungsi biayanya disimpan dalam suatu file input. Parameter jumlah kromosom dalam satu generasi adalah 0 dan banyaknya generasi juga 0. Sedangkan parameter crossover dan mutasi dibuat variabel mulai dari 0,1 s/d 0,9 N I Total Biaya Tabel 1. Hasil Percobaan Keseluruhan C M / 07 N I Total Biaya C M Tabel 2 memperlihatkan fungsi biaya pada masing-masing hubungan sumberdaya dengan aktifitasnya. Terlihat bahwa sumberdaya 3 jika mengerjakan aktifitas 5 memerlukan biaya 69 sedangkan sumberdaya 5 mengerjakan aktifitas 3 adalah 93. Tabel 3 memperlihatkan hasil percobaan yang dilakukan Tabel 2. Fungsi Biaya untuk Percobaan Kedua Jika perhitungan dilakukan secara manual dengan mengikuti metode Hongaria akan memberikan total biaya minimum, dengan kromosom solusi Hasil perhitungan memperlihatkan hasil yang sama apabila dilakukan dengan algoritma genetika. Hal ini memperlihatkan bahwa sistem telah bekerja dengan sempurna. 92 Jurnal llmiah llmu Komputer, Vol. 3 No. 2 Mei 5: 87-95
7 5. PEMBAHASAN Secara matematis dapat dihitung akan ada atau 10! kemungkinan kombinasi yang dapat dibentuk dari 10 sumberdaya. Pada awalnya, sistem hanya membangkitkan secara acak kemungkinan jawab pada generasi awal sesuai dengan banyaknya kromosom dalam satu generasi. Sistem melakukan perubahan kromosom setelah melakukan crossover dan mutasi sebanyak 0 kali sesuai dengan banyaknya generasi. Sehingga apabila setiap kromosom dalam satu generasi unik dan generasi berikutnya juga unik tidak hanya terhadap generasinya tetapi secara keseluruhan maka dapat dipastikan bahwa hanya terbangkitkan sebanyak kombinasi kromosom. Hal ini tidaklah mungkin karena nilai C tidak 1 yang berarti ada kromosom yang tinggal tetap pada generasi berikutnya. Jadi jumlah seluruh kromosom yang dibangkitkan pastilah kurang dari kromosom akan tetapi jawab optimum sudah dapat dihasilkan. Hal ini memperlihatkan bahwa algoritma genetik dapat dipakai untuk pemecahan masalah penugasan dengan baik. Tabel 3. Hasil Percobaan kedua c M 0 1 Kromosom Solusi Total Biaya C M Kromosom Solusi Total Biaya Gambar 2 memperlihatkan pengaruh parameter crossover pada algoritma genetik. Terlihat dengan parameter mutasi yang relatif kecil 10% yang berarti hanya 10% dari kromosom yang akan terjadi mutasi maka dibutuhkan parameter crossover yang relatif besar untuk mencapai titik optimumnya. Gambar 3 memperlihatkan pengaruh parameter mutasi pada algoritma genetika. Terlihat dengan parameter crossover yang relatif besar 90% ( yang berarti akan terjadi penyilangan 90% dari kromosom ) maka perubahan parameter kurang berkorelasi langsung untuk pencapai titik optimum. Akan tetapi terlihat bahwa total biaya bergerak fluktuatif. Penyelesaian Masalah Penugasan...(S. Lukas, P.Yugopuspito, H.Asali) 93
8 Perbandingan Hasil Algoritma Genetika dengan Metoda Hongaria untuk persentasi Mutasi 10% zed Q5 Persentasi Crossover oh Metoda Algoritma Genetika Metoda Hongarian Gambar 2. Pengaruh Parameter Crossover Pada Algoritma Genetika Perbandingan Hasil algoritma Genetika dengan etoda Hongarian Untuk Persentasi Crossover 90% - > Metoda Algoritma Genetika Metoda Hongarian 6. KESIMPULAN Gambar 3. Pengaruh Parameter Mutasi pada Algoritma Genetika Dari hasil penelitian ini dapat disimpulkan : 1. Masalah penugasan dapat dipecahkan oleh algoritma genetika dengan baik. 2. Untuk memperoleh suatu hasil yang optimum dari masalah penugasan dengan ukuran N yang besar, diperlukan jumlah kromosom per generasi yang besar, dan juga diperlukan jumlah generasi yang lebih banyak. 3. Hasil perhitungan dengan algoritma genetika dapat memberikan hasil perhitungan yang optimal. Akan tetapi untuk nilai N yang besar, solusi yang diperoleh adalah solusi yang diharapkan mendekati solusi sebenamya. 4. Nilai persentase crossover yang besar akan memberikan kemungkinan jawab yang lebih bervariasi untuk mencapai hasil optimal. Sedangkan nilai persentase mutasi memberikan hasil solusi pemecahan masalah yang lebih tak terduga. 94 Jurnal llmiah llmu Komputer, Vol. 3 No. 2 Mei 5: 87-95
9 DAFTAR PUSTAKA [Zuk 4] Zukhri, Zainudin. Penyelesaian Masalah Penugasan dengan Algoritma Genetika. SNATI. Yogyakarta, 19 Juni 4. Internet: [1] Obitko, Marek Genetic Algorithms, ga/main.html. 20 September 4. [2] Wikipedia. Genetic Algorithm. algorithm. 21 September 4. [3] Wikipedia. Assignment Problem. problem 21 September 4. [4] Kendall, Graham.(4). Artificial Intelligence Methods Genetic Algorithms. g5baim/004qa/powerpoint/ ga.ppt 14 September 4. Penyelesaian Masalah Penugasan...(S. Lukas, P.Yugopuspito, H.Asali) 95
Seminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004
Seminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004 Penyelesaian Masalah Penugasan dengan Algoritma Genetika Zainudin Zukhri Jurusan Teknik Informatika, Fakultas Teknologi Industri,
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 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 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 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 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 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 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 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 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 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 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 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 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 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 terperinciPEMAMPATAN MATRIKS JARANG DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL
Jurnal Matematika UNAND Vol. 3 No. 1 Hal. 98 106 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMAMPATAN MATRIKS JARANG DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL YOSI PUTRI, NARWEN
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 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 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 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 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 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 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 terperinciOptimasi Multi Travelling Salesman Problem (M-TSP) Menggunakan Algoritma Genetika
Optimasi Multi Travelling Salesman Problem (M-TSP) Menggunakan Algoritma Genetika Wayan Firdaus Mahmudy (wayanfm@ub.ac.id) Program Studi Ilmu Komputer, Universitas Brawijaya, Malang, Indonesia Abstrak.
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 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 terperinciOPTIMASI POLA PENYUSUNAN BARANG DALAM RUANG TIGA DIMENSI MENGGUNAKAN METODE GENETIC ALGORITHMS
OPTIMASI POLA PENYUSUNAN BARANG DALAM RUANG TIGA DIMENSI MENGGUNAKAN METODE GENETIC ALGORITHMS Kartika Gunadi, Irwan Kristanto Julistiono Fakultas Teknologi Industri, Jurusan Teknik Informatika, Universitas
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 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 I PENDAHULUAN. telah diadopsi untuk mengurangi getaran pada gedung-gedung tinggi dan struktur
BAB I PENDAHULUAN 1.1 Latar Belakang Tuned mass damper (TMD) telah banyak digunakan untuk mengendalikan getaran dalam sistem teknik mesin. Dalam beberapa tahun terakhir teori TMD telah diadopsi untuk mengurangi
Lebih terperinciOptimasi Pemilihan Pekerja Bangunan Proyek Pada PT. Citra Anggun Pratama Menggunakan Algoritma Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 2, Februari 2017, hlm. 80-84 http://j-ptiik.ub.ac.id Optimasi Pemilihan Pekerja Bangunan Proyek Pada PT. Citra Anggun
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 terperinciBAB 1 PENDAHULUAN. disebut Univesitas Timetabling Problems (UTP). Permasalahan ini dilihat dari sisi
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Penjadwalan perkuliahan merupakan suatu masalah yang sangat kompleks yang sering disebut Univesitas Timetabling Problems (UTP). Permasalahan ini dilihat dari sisi
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 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 terperinciBAB II LANDASAN TEORI. Evolutionary Algorithm merupakan terminologi umum yang menjadi payung
BAB II LANDASAN TEORI 2.1 Algoritma Genetika Evolutionary Algorithm merupakan terminologi umum yang menjadi payung bagi empat istilah : algoritma genetika (genetic algorithm), pemrograman genetika (genetic
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 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 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 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 terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Konsep Umum Optimasi Optimasi merupakan suatu cara untuk menghasilkan suatu bentuk struktur yang aman dalam segi perencanaan dan menghasilkan struktur yang
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
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 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 terperinciPENERAPAN EVOLUTIONARY ALGORITHM PADA PENJADWALAN PRODUKSI (Studi Kasus di PT Brother Silver Product Indonesia)
PENERAPAN EVOLUTIONARY ALGORITHM PADA PENJADWALAN PRODUKSI (Studi Kasus di PT Brother Silver Product Indonesia) I Gede Agus Widyadana Dosen Fakultas Teknologi Industri, Jurusan Teknik Industri Universitas
Lebih terperinciALGORITMA GENETIKA DENGAN PENDEKATAN MODEL PULAU PADA PERMASALAHAN TRAVELLING SALESMAN
ALGORITMA GENETIKA DENGAN PENDEKATAN MODEL PULAU PADA PERMASALAHAN TRAVELLING SALESMAN Hardy STMIK Mikroskil Jl. Thamrin No. 112, 124, 140 Medan 20212 hardy@mikroskil.ac.id Abstrak Algoritma genetika telah
Lebih terperinciImplementasi Sistem Penjadwalan Akademik Fakultas Teknik Universitas Tanjungpura Menggunakan Metode Algoritma Genetika
Jurnal Sistem dan Teknologi Informasi (JUSTIN) Vol. 1, No. 2, (2017) 28 Implementasi Sistem Penjadwalan Akademik Fakultas Teknik Universitas Tanjungpura Menggunakan Metode Algoritma Genetika Andreas Christian
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 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 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 terperinciOptimasi 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 terperinciMENGUKUR KINERJA ALGORITMA GENETIK PADA PEMAMPATAN MATRIKS JARANG
MENGUKUR KINERJA ALGORITMA GENETIK PADA PEMAMPATAN MATRIKS JARANG Nico Saputro dan Joice Aritonang Email : nico@home.unpar.ac.id, jo_aritonang@yahoo.com A matrix that has lots of zero elements is called
Lebih terperinciProsiding Matematika ISSN:
Prosiding Matematika ISSN: 2460-6464 Representasi Matriks untuk Proses Crossover Pada Algoritma Genetika untuk Optimasi Travelling Salesman Problem Matrix Representation for The Crossover on Genetic Algorithm
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Traveling Salesman Problem (TSP) adalah permasalahan dimana seorang salesman harus mengunjungi semua kota yang ada dan kota tersebut hanya boleh dikunjungi tepat satu
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK MEMAKSIMALKAN LABA PRODUKSI JILBAB
Journal of Environmental Engineering & Sustainable Technology Vol. 02 No. 01, July 2015, Pages 06-11 JEEST http://jeest.ub.ac.id PENERAPAN ALGORITMA GENETIKA UNTUK MEMAKSIMALKAN LABA PRODUKSI JILBAB Samaher
Lebih terperinciAnalisis Aplikasi Algoritma Genetika Untuk Pencarian Nilai Fungsi Maksimum Djunaedi Kosasih 1) Rinaldo 2)
Analisis Aplikasi Algoritma Genetika Untuk Pencarian Nilai Fungsi Maksimum Djunaedi Kosasih 1) Rinaldo 2) Abstrak Algoritma genetika yang pertama kali diperkenalkan secara terpisah oleh Holland dan De
Lebih terperinciSatrio Agung Wicaksono 1, R. Arief Setiyawan 1, Budi Darma Setiyawan 1, Ari Hernawan 1, Rizal Setya Perdana 1
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol. 1, No. 2, Oktober 214 hlm. 78-82 PENJADWALAN PERKULIAHAN DENGAN PENDEKATAN EVOLUTIONARY ALGORITHM (STUDI KASUS: SISTEM INFORMASI AKADEMIK (SIAKAD)
Lebih terperinciMODEL PENYELESAIAN JOB SHOP SCHEDULING PROBLEM MENGGUNAKAN METODE LOCAL SEARCH ALGORITHM DENGAN CROSS OVER
MODEL PENYELESAIAN JOB SHOP SCHEDULING PROBLEM MENGGUNAKAN METODE LOCAL SEARCH ALGORITHM DENGAN CROSS OVER Amiluddin Zahri Dosen Universtas Bina Darma Jalan Ahmad Yani No.3 Palembang Sur-el: amiluddin@binadarma.ac.id
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 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 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 terperinciPerbandingan Algoritma Exhaustive, Algoritma Genetika Dan Algoritma Jaringan Syaraf Tiruan Hopfield Untuk Pencarian Rute Terpendek
Perbandingan Algoritma Exhaustive, Algoritma Genetika Dan Algoritma Jaringan Syaraf Tiruan Hopfield Untuk Pencarian Rute Terpendek Rudy Adipranata 1, Felicia Soedjianto 2, Wahyudi Tjondro Teknik Informatika,
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 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 terperinciSTUDI PERBANDINGAN ANTARA ALGORITMA BIVARIATE MARGINAL DISTRIBUTION DENGAN ALGORITMA GENETIKA
STUDI PERBANDINN ANTARA ALGORITMA BIVARIATE MARGINAL DISTRIBUTION DENN ALGORITMA GENETIKA Chastine Fatichah, Imam Artha Kusuma, Yudhi Purwananto Jurusan Teknik Informatika, Fakultas Teknologi Informasi
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 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 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 terperinciPERBANDINGAN ALGORITMA EXHAUSTIVE, ALGORITMA GENETIKA DAN ALGORITMA JARINGAN SYARAF TIRUAN HOPFIELD UNTUK PENCARIAN RUTE TERPENDEK
PERBANDINGAN ALGORITMA EXHAUSTIVE, ALGORITMA GENETIKA DAN ALGORITMA JARINGAN SYARAF TIRUAN HOPFIELD UNTUK PENCARIAN RUTE TERPENDEK Rudy Adipranata 1) Felicia Soedjianto 2) Wahyudi Tjondro Teknik Informatika,
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 terperinciPENYELESAIAN MINIMUM SPANNING TREE (MST) PADA GRAF LENGKAP DENGAN ALGORITMA GENETIKA MENGGUNAKAN TEKNIK PRUFER SEQUENCES
J~ICON, Vol. 2 No. 2, Oktober 2014, pp. 84 ~ 91 84 PENYELESAIAN MINIMUM SPANNING TREE (MST) PADA GRAF LENGKAP DENGAN ALGORITMA GENETIKA MENGGUNAKAN TEKNIK PRUFER SEQUENCES Emsi M. Y. Monifani 1, Adriana
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 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 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 terperinciOptimalisasi Pengantaran Barang dalam Perdagangan Online Menggunakan Algoritma Genetika
Optimalisasi Pengantaran Barang dalam Perdagangan Online Menggunakan Algoritma Genetika Rozak Arief Pratama 1, Esmeralda C. Djamal, Agus Komarudin Jurusan Informatika, Fakultas MIPA Universitas Jenderal
Lebih terperinciIMPLEMENTASI ALGORITMA FUZZY EVOLUSI PADA PENJADWALAN PERKULIAHAN
IMPLEMENTASI ALGORITMA FUZZY EVOLUSI PADA PENJADWALAN PERKULIAHAN Herny Wulandari Pangestu. Kartika Yulianti, Rini Marwati Departemen Pendidikan Matematika FPMIPA UPI *Surel: hernyw@ymail.com ABSTRAK.
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK MENYELESAIKAN PERMASALAHAN PENJADWALAN DOSEN DENGAN FUZZY
PENERAPAN ALGORITMA GENETIKA UNTUK MENYELESAIKAN PERMASALAHAN PENJADWALAN DOSEN DENGAN FUZZY Arief Kelik Nugroho Fakultas Teknik, Universitas PGR Yogyakarta e-mail : ariefkeliknugroho@gmail.com Abstrak
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 terperinciPENERAPAN ALGORITMA GENETIKA UNTUK MENENTUKAN JALUR TERPENDEK (SHORTEST PATH) SKRIPSI RION SIBORO
PENERAPAN ALGORITMA GENETIKA UNTUK MENENTUKAN JALUR TERPENDEK (SHORTEST PATH) SKRIPSI RION SIBORO 060803025 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA
Lebih terperinciPENERAPAN METODE ALGORITMA GENETIKA UNTUK PERMASALAHAN PENJADWALAN PERAWAT (Nurse Schedulling Problem)
INFO TEKNIK Volume 16 No. 1 Juli 2015 (61-74) PENERAPAN METODE ALGORITMA GENETIKA UNTUK PERMASALAHAN PENJADWALAN PERAWAT (Nurse Schedulling Problem) Nadiya Hijriana Program Studi Teknik Informatika Universitas
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 terperinciSWARM GENETIC ALGORITHM, SUATU HIBRIDA DARI ALGORITMA GENETIKA DAN PARTICLE SWARM OPTIMIZATION. Taufan Mahardhika 1
SWARM GENETIC ALGORITHM, SUATU HIBRIDA DARI ALGORITMA GENETIKA DAN PARTICLE SWARM OPTIMIZATION Taufan Mahardhika 1 1 Prodi S1 Kimia, Sekolah Tinggi Analis Bakti Asih 1 taufansensei@yahoo.com Abstrak Swarm
Lebih terperinciBAB 2 LANDASAN TEORI
36 BAB 2 LANDASAN TEORI 2.1 Pengurutan Pekerjaan (Job Sequencing) 2.1.1 Deskripsi Umum Dalam industri manufaktur, tujuan penjadwalan ialah untuk meminimasikan waktu dan biaya produksi, dengan cara mengatur
Lebih terperinciBAB II LANDASAN TEORI
17 BAB II LANDASAN TEORI 2.1 Algoritma Dalam matematika dan komputasi, algoritma merupakan kumpulan perintah untuk menyelesaikan suatu masalah. Perintah-perintah ini dapat diterjemahkan secara bertahap
Lebih terperinciABSTRAK. Job shop scheduling problem merupakan salah satu masalah. penjadwalan yang memiliki kendala urutan pemrosesan tugas.
ABSTRAK Job shop scheduling problem merupakan salah satu masalah penjadwalan yang memiliki kendala urutan pemrosesan tugas. Pada skripsi ini, metode yang akan digunakan untuk menyelesaikan job shop scheduling
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 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 terperinciRANCANG BANGUN PERANGKAT LUNAK PENJADWALAN PERKULIAHAN MENGGUNAKAN METODE META- HEURISTIK (PENGGABUNGAN METODE ALGORITMA GENETIK DAN TABU SEARCH)
RANCANG BANGUN PERANGKAT LUNAK PENJADWALAN PERKULIAHAN MENGGUNAKAN METODE META- HEURISTIK (PENGGABUNGAN METODE ALGORITMA GENETIK DAN TABU SEARCH) TUGAS AKHIR Disusun Oleh : RIO PRAYOGA SUPRAYANA NPM. 06
Lebih terperinciOPTIMASI KENAIKAN DAN PEMBAGIAN KELAS MENGGUNAKAN ALGORITMA GENETIKA (STUDI KASUS PADA MADRASAH ALIYAH) ABSTRAK
OPTIMASI KENAIKAN DAN PEMBAGIAN KELAS MENGGUNAKAN ALGORITMA GENETIKA (STUDI KASUS PADA MADRASAH ALIYAH) Sunu Jatmika Magister Teknologi Informasi Sekolah Tinggi Teknik Surabaya sunu.srg@gmail.com ABSTRAK
Lebih terperinciPenjadwalan kegiatan merupakan pekerjaan yang tidak mudah, karena dalam. penyusunannya memerlukan perencanaan yang matang agar kegiatan tersebut
BAB I PENDAHULUAN A. Latar Belakang Penjadwalan kegiatan merupakan pekerjaan yang tidak mudah, karena dalam penyusunannya memerlukan perencanaan yang matang agar kegiatan tersebut terlaksana dengan optimal.
Lebih terperinciPENDAHULUAN. Latar Belakang. Tujuan Penelitian
PENDAHULUAN Latar Belakang Fungsi Cobb-Douglas dengan galat aditif merupakan salah satu fungsi produksi yang dapat digunakan untuk menganalisis hubungan antara hasil produksi dan faktor-faktor produksi.
Lebih terperinciISSN VOL. 12, NO. 2, OKTOBER 2011
ANALISIS OPTIMASI PENJADWALAN JAGA DOKTER RESIDEN PENYAKIT DALAM PADA RUMAH SAKIT PENDIDIKAN Erlanie Sufarnap 1, Sudarto 2 STMIK Mikroskil Jl. Thamrin No. 112, 124, 140 Medan 20212 airlanee@yahoo.com 1,
Lebih terperinciIMPLEMENTASI ALGORITMA GENETIKA UNTUK PENCARIAN RUTE OPTIMUM OBJEK WISATA DI KABUPATEN PEMALANG
IMPLEMENTASI ALGORITMA GENETIKA UNTUK PENCARIAN RUTE OPTIMUM OBJEK WISATA DI KABUPATEN PEMALANG SKRIPSI Oleh: Indra Surada J2A 605 060 PROGRAM STUDI MATEMATIKA JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN
Lebih terperinciBAB II LANDASAN TEORI
6 BAB II LANDASAN TEORI 2.1 Penjadwalan Menurut Dian (2011), penjadwalan merupakan proses untuk menyusun suatu jadwal atau urutan proses yang diperlukan dalam sebuah persoalan. Persoalan penjadwalan biasanya
Lebih terperinciBAB 2 LANDASAN TEORI. 2.1 Algoritma
13 BAB 2 LANDASAN TEORI 2.1 Algoritma Dalam matematika dan komputasi, algoritma merupakan kumpulan perintah untuk menyelesaikan suatu masalah. Perintah-perintah ini dapat diterjemahkan secara bertahap
Lebih terperinciBAB I PENDAHULUAN. wisata budaya, wisata belanja, hingga wisata Alam. Untuk menarik minat
BAB I PENDAHULUAN A. Latar Belakang Masalah Objek pariwisata di Yogyakarta sudah semakin beragam mulai dari wisata budaya, wisata belanja, hingga wisata Alam. Untuk menarik minat wisatawan dapat dibuat
Lebih terperinciGENETIKA UNTUK MENENTUKAN RUTE LOPER KORAN DI AGEN SURAT KABAR
MULTI TRAVELING SALESMAN PROBLEM (MTSP) DENGAN ALGORITMA Abstrak GENETIKA UNTUK MENENTUKAN RUTE LOPER KORAN DI AGEN SURAT KABAR Oleh : Fitriana Yuli Saptaningtyas,M.Si. Jurusan Pendidikan Matematika FMIPA
Lebih terperinciANALISIS ALGORITMA SEMUT UNTUK PEMECAHAN MASALAH PENUGASAN
ANALISIS ALGORITMA SEMUT UNTUK PEMECAHAN MASALAH PENUGASAN Zainudin Zukhri Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia Kampus Terpadu UII Jl Kaliurang Km 14.5 Yogyakarta
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 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 terperinci