OPTIMASI PENJADWALAN MATA KULIAH DI JURUSAN TEKNIK INFORMATIKA PENS DENGAN MENGGUNAKAN ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO)
|
|
- Suryadi Oesman
- 7 tahun lalu
- Tontonan:
Transkripsi
1 OPTIMASI PENJADWALAN MATA KULIAH DI JURUSAN TEKNIK INFORMATIKA PENS DENGAN MENGGUNAKAN ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO) Dan Aran, Arna Fahrza,S.Kom,M.Kom, Ira Prasetyanngrum,S.S,M.T 3 Mahasswa Jurusan Ten Informata, Dosen Pembmbng, Dosen Pembmbng 3 Polten Eletrona Neger Surabaya Insttut Tenolog Sepuluh Nopember Kampus PENS-ITS Keputh Suollo Surabaya 6 Telp (+6) , 59464, Fax. (+6) Emal : aran_ss@yahoo.com ABSTRAK D perguruan tngg, program penjadwalan merupaan salah satu hal pentng dalam proses belajar mengajar, arena semua egatan dosen dan mahasswa bergantung pada jadwal yang ada, sehngga harus dsusun dengan benar dan dperba pada awal tahun aadem, sehngga nantnya tda mengganggu atftas belajar mengajar antar dosen dan mahasswa. Untu menyelesaan masalah tersebut dalam tugas ahr n dgunaan algortma Partcle Swarm Optmzed (PSO) utnu melauan optmas pada jadwal ulah. Karena algortma PSO meml tool-tool yang cuup handal dengan penggunaan yang cuup mudah. Tugas Ahr n n bertujuan untu membuat suatu sstem omputas untu menggantan penjadwalan secara manual, dan hasl ahrnya dharapan dapat mengatur jam mengajar dosen dan juga jadwal perulahan mahasswa, sehngga menghndar adanya bentroan jadwal Kata unc : Partcle Swarm Optmzaton, PSO, penjadwalan. PENDAHULUAN. Latar Belaang D perguruan tngg, program penjadwalan merupaan salah satu hal pentng dalam proses belajar mengajar, arena semua egatan dosen dan mahasswa bergantung pada jadwal yang ada, sehngga harus dsusun dengan benar dan dperba pada awal tahun aadem, sehngga nantnya tda mengganggu atftas belajar mengajar antar dosen dan mahasswa. Selama n penjadwalan mata ulah d Polten Eletrona Neger Surabaya (PENS) mash dlauan secara manual, sedangan untu membag dosen sesua dengan bdang mata ulahnya dan watu tertentu dperluan pengaturan yang cuup rumt. Oleh arena tu dalam tugas ahr n dbuat suatu sstem omputas yang dapat menggantan cara manual tersebut dan dapat menghaslan hasl yang lebh bagus dan watu yang lebh sngat, hanya dengan memberan parameter nput yang dbutuhan, dapat menghaslan output penjadwalan mata ulah yang dngnan. Untu menyelesaan masalah tersebut dgunaan algortma Partcle Swarm Optmzed (PSO) arena algortma PSO meml tool-tool yang cuup handal dengan penggunaan yang cuup mudah. Tugas ahr n nantnya dharapan dapat mengatur jam mengajar dosen dan juga jadwal perulahan mahasswa, sehngga menghndar adanya bentroan jadwal.. PERUMUSAN MASALAH Berdasaran uraan datas, maa permasalahan yang tmbul dalam pengerjaan tugas ahr n adalah bagamana membuat jadwal mata ulah dan pembagan dosen pada tap-tap elas d PENS, sehngga ddapatan ombnas mata ulah yang lebh ba guna menghaslan jadwal mata ulah yang optmal. Jadwal mata ulah dataan optmal apabla tda ddapatan ress ddalamnya dan tda melanggar onstran yang dtentuan..3 BATASAN MASALAH Adapun batasan masalah dalam tugas ahr n adalah :. Mata ulah yang aan djadwalan dalam tugas ahr n hanya pada jurusan Ten Informata PENS.
2 . Atrbut yang dgunaan dalam pembuatan jadwal mata ulah n melput dosen, mahasswa, dan mata ulah. Algortma yang dgunaan untu menyelesaan permasalahan tugas ahr penjadwalan n adalah Partcle Swarm Optmzaton.4 TUJUAN DAN SASARAN Tujuan dar tugas ahr yang dusulan n adalah:. Menghaslan suatu aplas yang berfungs untu menyusun jadwal mata ulah d jurusan Ten Informata PENS.. Mengembangan proses omputas dengan Partcle Swarm Optmzton untu menyelesaan permasalahan penjadwalan mata ulah d jurusan Ten Informata PENS. 3. Mempermudah dan mempercepat proses pembuatan jadwal ulah d jurusan Ten Informata PENS dengan hasl yang optmal.. DASAR TEORI. PARTICLE SWARM OPTIMIZTION (PSO) PSO merupaan algortma berbass populas yang mengesplotas ndvdu dalam populas menuju daerah penyelesaan dalam daerah pencaran. Dalam PSO populas dsebut dengan swarm, dan ndvdu dsebut dengan partcle. Tap partel berpndah dengan ecepatan yang dadaptas dar daerah pencaran dan menympannya sebaga poss terba yang pernah dcapa. Algortma dasar PSO terdr dar tga tahap, yatu pembangtan poss serta ecepatan partel, update velocty (update ecepatan), update poston (update poss). Partel berubah possnya dar suatu perpndahan (teras) e poss lannya berdasaran pada update velocty. Pertama poss x, dan ecepatan v dar umpulan partel dbangtan secara random menggunaan batas atas ( x max ) dan batas bawah ( x mn ) dar desgn varable, sepert yang dtunjuan pada persamaan (.) dan (.). x mn ( max xmn v xmn + rand ( xmax xmn = x + rand x ) (.) = ) (.) Poss dan ecepatan drepresentasan dalam bentu vetor dmana n dmens vetor merepresentasan jumlah dar desan varabel partel, dengan superscrpt dan subscrpt menotasan partel e pada watu e. Dengan proses nsalsas n maa umpulan partel dapat terdstrbus secara random pada desgn space. Vetor sepert dtunjuan d bawah n : n ( x ) T, x, K x n ( v, v, K v ) T x =, v =, Langah edua adalah update velocty (ecepatan) untu semua partel pada watu +menggunaan fungs objetf atau nla ftness poss partel saat n pada desgn space saat watu e. Dar nla ftness dapat dtentuan partel mana yang meml nla global terba (global best) pada swarm saat n, p, dan juga dapat dtentuan poss terba dar tap partel pada semua watu yang searang dan sebelumnya, p. Perumusan update velocty menggunaan dua nformas tersebut untu semua partel pada umpulan dengan pengaruh perpndahan yang searang, v v, untu memberan arah pencaran, +, untu generas selnjutnya. Perumusan update velocty mencaup beberapa parameter random, rnd, untu mendapatan caupan yang ba pada desgn space, tga parameter yang mempengaruh arah pencaran, yatu nerta factor (w), self confdence (c), swarm confdence (c) aan dgabungan dalam satu penyajan, sepert yang dtunjuan persamaan berut : v g g ( p x ) + c * rnd ( p x ) + = w * v + c* rnd * * (.3) dengan range w =.4.4, c =.5. dan c =..5 langah terahr dar setap teras adalah update poss tap partel dengan vetor velocty, sepert yang dtunjuan pada persamaan berut n : = (.4) x + x + v + Proses update poss dan ecepatan secara jelas dgambaran pada Gambar. Tga tahapan datas aan dulang sampa rtera eonvergenan terpenuh, rtera eonvergenan sangat pentng dalam menghndar penambahan fungs evaluas setelah solus optmum ddapatan, namun rtera eonvergenan tda selalu mutla dperluan, penetapan jumlah teras masmal juga dapat dgunaan sebaga stoppng condton dar algortma.
3 Gambar. update poss dan ecepatan PSO Pseudo Code Algortma PSO for setap partel Insalsas partel menggunaan persamaan (.) dan (.) end repeat for setap partel Htung nla ftness f nla ftness baru lebh ba darpada nla ftness lama Update nla ftness dar partel tersebut end end Plh partel dengan nla ftness terba dantara semua partel tetangganya dan smpan nla ftness terba tersebut for setap partel Htung velocty partel menggunaan persamaan (.3) Update poss partel menggunaan persamaan (.4) end untl (KrteraBerhent == true). PENJADWALAN Penjadwalan merupaan proses untu menyusun suatu jadwal atau urutan proses yang dperluan dalam sebuah persoalan. Persoalan penjadwalan basanya berhubungan dengan penjadwalan elas dalam seolah atau perulahan dan juga dalam lngup yang tda jauh berbeda sepert penjadwalan mata ulah, penjadwalan ujan, atau bsa juga penjadwalan aryawan, ba dalam suatu perusahaan ataupun dalam rumah sat. Dalam penjadwalan ulah, aan dbahas tentang pembagan jadwal untu tap mahasswa pada ulah tertentu sealgus dosen pengajarnya, dalam penjadwalan pelajaran seolah aan dbahas tentang pembagan jadwal pelajaran untu tap-tap elas yang ada beserta guru pengajar pelajaran tersebut, dalam penjadwalan ujan aan dbahas pengaturan dosen yang menjaga ujan dan mahasswa atau murd yang menempat ruang ujan yang ada, sedangan pada penjadwalan aryawan, dlauan pengaturan aryawan yang aan beerja pada watu tertentu d bagan tertentu. Proses tersebut tentu saja dbuat berdasaran permasalahan yang ada. Beberapa proses umum ynag perlu dlauan untu menyelesaan suatu proses penjadwalan menurut Research Group Computer Scence (BGU) adalah:. Mendefnsan atau membuat model dar permasalahan. Model yang dbuat mencaup proses apa saja yang aan derjaan dalam persoalan penjadwalan yang ada. Atau lebh jelasnya jadwal apa saja yang aan dbuat.. Mendesgn metode penyelesaan untu permasalahan penjadwalan tersebut. Dar model yang telah ada, dtentuan metode yang aan dgunaan untu menyelesaan permasalahan penjadwalan tersebut. 3. Mencar bermacam-macam contoh permasalahan penjadwalan yang telah dbuat. Dalam proses n dlauan pencaran penyelesaan penjadwalan yang pernah dgunaan agar dapat dpaa sebaga referens dalam proses yang sedang dlauan. Sedangan pembahasan penjadwalan menurut Tomas Muller dan Roman Barta sebaga berut :. Atvtas yang dlauan Masudnya adalah bahwa penentuan dar permasalahan penjadwalan yang dbahas. Msalnya penjadwalan mata ulah d perguruan tngg.. Sumber-sumber yang dpaa Sumber-sumber yang dpaa berart hal-hal yang dapat dgunaan untu menyelesaan permasalahan penjadwalan (atftas) yang telah dtentuan atau bsa juga dataan sebaga data yang dgunaan. Msalnya pada penjadwalan mata ulah dperluan data mata ulah, dosen, elas dan sumber lan yang dperluan. 3. Syarat-syarat yang dperluan Syarat dsn adalah hal-hal yang perlu dperhatan eta menyusun suatu penjadwalan. Msalnya saja dalam penjadwalan mata ulah terdapat syarat bahwa seorang dosen tda boleh mengajar dua elas yang berbeda dalam watu / jam ulah yang sama. 4. Hubungan Tmbal Bal Yang dmasud hubungan tmbal bal dsn adalah bagamana jadwal yang telah dbuat tersebut dapat sesua dengan yang dngnan oleh user..3 SEKILAS TENTANG JAVA Java.lang dan java.utl merupaan dua pacage yang terdapat d dalam java. Pacage java.lang memuat sejumlah class pentng, termasu class-class wrapper dan pacage n bsa langsung 3
4 dmport secara otomats tanpa mendelarasannya. Sedangan yang tda alah pentngnya adalah pacage java.utl. Pacage n juga memuat ArrayLst.3. ArrayLst Kelas ArrayLst merupaan mplementas dar nterface Lst. Kelas n menduung array yang dnams dan dapat dgunaan sesua dengan ebutuhan. Dalam java, standar panjang sebuah array tetap. Setelah array dcptaan, merea tda bsa bertambah atau berurang, yang berart Anda harus mengetahu terlebh dahulu berapa banya elemen-elemen array aan Anda dbuat. Namun, adang-adang Anda mungn tda tahu seberapa besar array yang Anda butuhan. Untu mengatas stuas n, dcptaan ArrayLst. dmana pada ArrayLst tersebut terdapat obje yang dnams dan dapat menambah atau mengurang uuran elemenelemen d dalamnya sesua dengan ebutuhan yang dperluan. Obje ArrayLst selalu meml uuran tertentu, dan tda boleh mengambl poss d luar uuran ArrayLst. Dalam hal n, ArrayLst mrp sepert array basa. Aan tetap, uuran ArrayLst bsa bertambah apan saja ja dperluan. 3. PERANCANGAN SISTEM 3. PERANCANGAN SISTEM INPUT DATA PERKULIAHAN DATABASE PARTICLE SWARM OPTIMIZATION PENJADWALAN MATA KULIAH Gambar 3. Konfguras Sstem Sstem penjadwalan n nantnya hanya dapat dgunaan oleh petugas BAAK, yang bertugas dalam penyusunan sebuah jadwal mata ulah d PENS hususnya jurusan Ten Informata, jadwal dbuat dengan etentuan :. Tda ada bentro mahasswa, yatu setap mahasswa hanya dapat mengut satu mata ulah dalam har dan jam yang sama.. Tda ada bentro dosen, yatu setap dosen hanya bsa mengajar d satu elas pada har dan jam yang sama. 3. Setap dosen hanya bsa mengajar pada suatu elas sebanya satu al pada har yang sama. 4. Tda boleh ada bentro penggunaan lab. 3.. Database 3... Entty Relatonshp Dagram(ERD) Entty Relatonshp dagram dar system penjadawalan yang derjaan meml 3 enttas dan dgambaran pada gambar 3. : Gambar 3. ER Dagram Dar ER Dagram yang telah dgambaran datas, ddapatan 4 tabel, yatu 5 tabel murn dan satu table yang menghubungan antara table dosen, mataulah dan mahasswa Perancangan Tabel Untu rncan s dar table- table yang aan dgunaan adalah sebaga berut :. Tabel Mataulah Tabel 3. Tabel Mataulah Nama Feld Tpe Data Id Prmary Key Nama_Matul Text(5). Tabel Mahasswa Tabel 3. Tabel Mahasswa Nama Feld Tpe Data Nama_elas Text() Jumlah 3. Tabel Ruang Tabel 3.3 Tabel Ruang Nama Feld Tpe Data Kode_Ruang Text(5) Nama_Ruang Text(5) 4. Tabel Dosen Tabel 3.4 Tabel Dosen Nama Feld Tpe Data Id_Dosen Nama_Dosen Text(5) 4
5 5. Tabel Beban Tabel 3.5 Tabel Beban Nama Feld Tpe Data Id_Beban Id_Dosen Id_matul Berut n adalah menu utama yang dgunaan untu memprosen penjadwalan, hngga menghaslan suatu jadwal yang optmal dan menamplannya dalam table. 6. Tabel Jadwal Tabel 3.6 Tabel Jadwal_Kulah Nama Feld Tpe Data Id_jadwal Mata_ulah Mahassawa Jam SKS Kones Database Dalam tugas ahr n database yang dgunaan adalah MySql, untu melauan ones e java 3 langah dalam menyettng datasource yatu mendaftaran fle JAR yang bers JDBC drver dengan contaner. Membuat connecton pool e database Mendaftaran sebuah datasource yang dgunaan untu connecton pool. Sedangan langah-langah untu menambahan source codenya adalah sebaga berut :. Load Drver JDBC.. Defnsan URL Database. 3. Membuat dan Melauan Kones. 4. Menutup Kones. 3.. Graphc User Interface (GUI) Sstem Aplas Penjadwalan Mataulah n hanya terdr dar satu form utama untu menjalanan seluruh proses penjadwalan dan menamplannya dalam bentu table-tabel yang bers mata ulah dan dosen pengajar yang dsajan perelas Form Utama Form utama merupaan nt dar aplas n, Pada form utama n terdapat 3 button utama. Button utama pada form utama n merupaan button yang menjalan system aplas n :. Button Intalze. Button Iterate 3. Button Do t All Gambar 3.4 FormUtama Keterangan :. Button Do t All, untu menjalanan eseluruhan proses penjadwalan. Ftness yang dhaslan. 3. Total teras dar eseluhan proses 4. Button Intalze, untu membangtan partel awal. Dgunaan ja user ngn menjalanan aplas per step teras 5. Button Iterate, yang aan muncul setelah button Intalze dtean, dgunaan untu menjalanan aplas per step teras 6. Kelas-elas yang djadwalan 7. Tabel yang bers hasl penjadwalan Mataulah 8. Convert jadwal e fle pdf 9. Menu onfguras, untu melauan onfguras parameter. Message Dalog untu onfguras parameter berut aan muncul setelah menu onfguras dplh 3..3 Algortma Partcle Swarm Optmzaton(PSO) Pada PSO aan dgunaan algortma dasar sederhana dar PSO dengan varabel bernla nteger dan fator nersa w stats, tahapan-tahapan secara jelas sepert dgambaran pada dagram alr dbawah n : Selan button utama juga terdapat satu menu utama, yatu menu onfguras, untu merubah nla parameter sesua nputan user. 5
6 =+ Tda Gambar 3.5 Dagram alr PSO 3. PERANCANGAN DAN IMPLEMENTASI PROGRAM 3.. Pembangtan poss dan velocty awal partel Insalsas algortma Insalsas semua partel c, c, dan w Evaluas fungs ftness untu semua partel Update nla terba partel dan umpulan Update nla Update nla Start Set = x dan ecepatan v p, dan v untu semua partel x untu semua nla Evaluas fungs objetf ftness untu semua partel Memenuh stopng condton? Stop g p Dalam penjadwalan ulah n poss dan velocty dmsalan sebaga slot. Poss dan velocty awal dtentuan secara random dengan batasan nla mnmum slot dan maxmum slot (-4). Nla poss dan velocty awal partel dnsalsas sama, sehngga hanya melauan satu al random untu mendapatan nla velocty dan poss partel. Pada penjadwalan n poss partel dwal oleh slot-slot,satu set jadwal yang terdr dar beberapa elas merupaan satu partel. Setap elas meml 5 slot dalam satu mnggu perulahan, dmana setap harnya terdapat 3 slot yang dapat dgunaan dan setap slot mewal 3 jam ulah. gambaran dar slot yang aan dgunaan untu tap partel dtunjuan pada table berut : Ya Kelas D3 TI A Senn Selasa Rabu Kams Jumat Kelas 4 D3 TI B Senn Selasa Rabu Kams Jumat Pembangtan poss dan velocty awal partel dlauan secara random dengan menggunaan persamaan (.) dan (.), dmana X mn (batas terecl) adalah dan X max (batas tertngg) adalah 4, emudan mata ulah dan dosen dletaan pada poss slot yang ddapatan secara random. 3.. Menentuan nla ftness masng-masng partel Dalam penjadwalan n nla ftness n menentuan banyanya pelanggaran onstran yang harus doptmas. Konstran-onstran yang dgunaan untu pengoptmasan aplas penjadwalan n antara lan : - Tda boleh ada bentro mahasswa, yatu setap mahasswa hanya dperbolehan mengut satu Mataulah pada har dan jam yang sama. - Tda boleh ada bentro dosen, yatu setap dosen hanya dperbolehan mengajar satu perulah pada har dan jam yang sama. - Tda boleh ada dosen yang sama dan mengajar mata ulah yang sama dalam satu elas dalam sehar. - Tda boleh ada bentro penggunaan lab. Ja pada masng- masng partel terjad pelanggaran terhap onstran-onstran datas, maa nla ftness masng-masng partel aan dncrement sebanya satu untu tap pelanggaran. Sehngga partel terba adalah partel dengan nla ftness terecl Menentuan Local Best dan Global Best Local Best( p ) Menentuan partel yang terba dalam satu teras, yatu partel dengan nla ftness palng ecl dar partel-partel lan dalam satu teras. Partel terba tersebut emudan dsmpan sebaga local best partcle. 6
7 Pseudo Code mencar local best For j = To sze If partcleftness(j) < f(p(j)) Then For = To vetor p(j, ) = partclevetor(j, ) Next fp(j)) = partcleftness(j) End If Next j g Global Best( p ) Menentuan partel terba dar semua partcle best/ local best. Nla global best pada teras pertama adalah sama dengan nla local best pada teras pertama, emudan untu teras selanjutnya dlauan update. Dan dsmpan sebaga global best partcle. Pseudo code mencar global best F(pg) = partcleftness(sze) For mem = To sze If (partcleftness(mem) < f(pg)) Then For = To vetor pg() = partclevetor(mem, ) Next f(pg) = partcleftness(mem) End If Next mem Next Next j 4. UJI COBA DAN ANALISA 4. UJI COBA 4.. Hasl Runnng Aplas Untu menjalanan aplas penjadwalan n user harus menean button Do t All untu menjalanan eseluruhan dar proses penjadwalan, mula dar pembangtan partel jadwal awal hngga dhaslan jadwal yang optmal, setelah tu aplas aan menamplan hasl penjadwalan tersebut, ftness dan jumlah teras dar proses penjadwalan Proses Update Velocty dan Poss v Proses update velocty baru( + ) n menggunaan parameter nla velocty yang lama( v ), nla vector/poss yang lama( x ), C(learnng rates local partel), C(learnng rates global partel), local best( p ), global best( p ) dan random blangan aca dalam nterval [,] dan untu mendapatan nla velocty yang baru dgunaan persamaan (.3). Pseudo code untu update velocty For j = To sze For = To vector Partclevelocty(j, ) = (partclevelocty(j, ) +(c * rnd * (p(j, ) partclevector(j, ))) + (c * rnd * (pg() partclevector(j, )))) Next Next j Sedangan untu proses update poss dgunaan persamaan (.4). Cara update poss yatu dengan cara menuar poss lama dengan poss dbalaangnya sebanya hasl update. Pseudo code untu update vector/poss For j = To sze For = To vector partclevector(j, ) = partclevector(j, ) +(partclevelocty(j, ) g Gambar 4. Hasl Runnng Aplas Penjadwalan 4.. Hasl Percobaan - Uj coba dengan parameter Parameter yang dgunaan pada uj coba n dtunjuan pada tabel berut : Tabel 4. Parameter W C C Iteras Masmum Uj coba yang aan dlauan pada pengujan aplas penjadwalan n aan dlauan pada macam data nputan, yatu - Dengan menggunaan jumlah partel sebanya 5 - Dengan menggunaan jumlah partel sebanya Setelah dlauan beberapa al percobaan pada 3 macam data nputan yang dsebutan datas maa dhaslan data-data pada tabel- tabel beut n : Untu percobaan dengan menggunaan 5 partel dan dlauan al percobaan ddapatan data sebaga berut: 7
8 Tabel 4. Hasl Uj Coba parameter menggunaan 5 Partel Uj Coba Iteras Ftness Ke Untu percobaan dengan menggunaan partel dan dlauan al percobaan ddapatan data sebaga berut: Tabel 4.3 Hasl Uj Coba parameter dengan menggunaan Partel Uj Coba Iteras Ftness Ke Total Iteras Graf Perbandngan Iteras Uj Coba 5 Partel Partel Gambar 4. Graf Perbandngan Iteras dengan Parameter Hasl dar percobaan dengan menggunaan parameter ddapatan jadwal dengan teras ratarata hampr sama dengan menggunaan 5 partel dan partel. Ftness Graf Perbandngan Ftness Uj Coba 5 Partel Partel Gambar 4.3 Graf Perbandngan Ftness dengan Parameter Hasl dar percobaan dengan menggunaan parameter ddapatan jadwal dengan nla ftness rata-rata yang ecl dhaslan oleh uj coba dengan menggunaan partel. - Uj coba dengan parameter Parameter yang dgunaan dalam uj coba n dtunjuan pada tabel berut : Tabel 4.4 Parameter W C C Iteras Masmum Uj coba yang aan dlauan pada pengujan aplas penjadwalan n aan dlauan pada macam data nputan, yatu - Dengan menggunaan jumlah partel sebanya 5 - Dengan menggunaan jumlah partel sebanya Setelah dlauan beberapa al percobaan pada macam data nputan yang dsebutan datas maa dhaslan data-data pada tabel- tabel beut n : Untu percobaan dengan menggunaan 5 partel dan dlauan al percobaan ddapatan data sebaga berut: Tabel 4.5 Hasl Uj Coba parameter dengan menggunaan 5 Partel Uj Coba Iteras Ftness Ke
9 Untu percobaan dengan menggunaan partel dan dlauan al percobaan ddapatan data sebaga berut: Tabel 4.6 Hasl UjParameter Coba dengan menggunaan Partel Uj Coba Iteras Ftness Ke Total Iteras Graf Perbandngan Iteras Uj Coba 5 Partel Partel Gambar 4.4 Graf Perbandngan Itetas dengan Parameter Hasl dar percobaan dengan menggunaan parameter ddapatan jadwal dengan teras ratarata yang yang hampr sama dengan menggunaan 5 partel dan partel. Ftness Graf Perbandngan Ftness Uj Coba 5 Partel Partel Gambar 4.5 Graf Perbandngan Ftness dengan Parameter Hasl dar percobaan dengan menggunaan parameter ddapatan jadwal dengan nla ftness rata-rata yang ecl dhaslan oleh uj coba dengan menggunaan partel. Graf Perbandngan dengan nla W yang berbeda - Dengan menggunaan 5 partel Total Iteras Graf Perbandngan Iteras Uj Coba W=.5 W=.9 Gambar 4.6 Graf Perbandngan Iteras 5 Partel Hasl uj coba dengan parameter w =.5 menghaslan teras rata-rata yang hampr sama dengan menggunaan w =.9 pada uj coba dengan 5 partel. Ftness Graf Perbandngan Ftness Uj Coba W=.5 W=.9 Gambar 4.7 Graf Perbandngan Ftness 5 Partel Hasl uj coba dengan parameter w =.5 menghaslan ftness rata-rata lebh ecl darpada dengan menggunaan w =.9 pada uj coba dengan 5 partel. - Dengan menggunaan partel Total Iteras Graf Perbandngan Iteras Uj Coba Gambar 4.8 Graf Perbandngan Iteras Partel W=.5 W=.9 Hasl uj coba dengan parameter w =.5 menghaslan teras rata-rata yang hampr sama dengan menggunaan w =.9 pada uj coba dengan partel. 9
10 Ftness Graf Perbandngan Ftness Uj Coba Gambar 4.9 Graf Perbandngan Ftness Partel W=.5 W=.9 Hasl uj coba dengan parameter w =.5 menghaslan teras rata-rata lebh ecl darpada dengan menggunaan w =.9 pada uj coba dengan partel. 4. ANALISA HASIL PERCOBAAN Dar uj coba yang telah dlauan datas dapat dlauan analsa terhadap parameter-parameter yang dgunaan. Analsa yang ddapat sebaga berut : - Jumlah partel yang dbangtan mempengaruh optmas jadwal yang dhaslan, seman banya partel yang terlbat maa dapat menghaslan jadwal yang rata-rata haslnya optmal, hasl n dmungnan arena banyanya partel yang terlbat dalam proses penjadwalan dapat memberan banya plhan partel yang meml nla ftness yang ba, yang emudan aan dambl partel dengan nla ftness tarba. - Sedangan pada uj coba dengan nla nerta factor (w)=.5 dapat menghaslan rata-rata jadwal yang lebh optmal dbandng dengan uj coba dengan menggunaan w=.9, dengan nla c dan c yang sama pada edua percobaan tersebut. - Parameter yang dgunaan tda mempengaruh total teras, namun berpengaruh pada nla ftness yang dhaslan. 5. KESIMPILAN DAN SARAN 5. KESIMPULAN Setelah dlauan uj coba dan analsa terhadap tugas ahr n, maa ta dapatan :. Algortma Partcle Swarm Optmzaton (PSO) dapat dgunaan untu mengoptmas permasalahan penjadwalan Mataulah d jurusan Ten Informata PENS.. Hasl ahr dar penjadwalan mataulah dengan PSO yang palng optmal yatu dengan menggunaa parameter C=.5, C=.5, W=.5 dan jumlah partel sebanya. 3. Beberapa percobaan dapat menghaslan nla ftness mnmum yang dharapan, yan pada teras yang cuup besar, namum pada beberapa percobaan tda dapat menghaslan nla ftness pada teras masmal yang dtentuan darenaan mash ada pelanggaran onstran yang belum dapat doptmas. 4. Penjadwalan pada 4 elas pada tugas ahr n dapat menghaslan jadwal yang optmal tanpa pelanggaran onstran, yatu sudah tda ada jadwal mengajar dosen yang bentro, sudah tda ada mahasswa yang ulah lebh dar satu mata ulah pada har dan jam yang sama, sudah tda ada dosen yg mengajar mata ulah yang sama pada satu har, dan sudah tda ada mata ulah yang djadwalan menempat ruang elas atau lab yang sama pada har dan jam yang sama. 5. SARAN Dengan melhat hasl yang ddapatan dar uj coba maa dsaranan :. PSO drasa cuup efsen untu dgunaan dalam masalah penjadwalan, namun parameter yang dgunaan dapat dubah-ubah untu mendapatan jadwala yang lebh optmal. Peneltan mengena performans algortma mash sangat dbutuhan lebh lanjut pada bdang aplas lannya, sehngga mampu memberan ontrbus padsa perembangan algortma tersebut. 3. Konstran dapat dtambah dan dsesuaan dengan ebutuhan dan persyaratan pembuatan jadwal yang berlau. 6. DAFTAR PUSTAKA. Faradsa. Rosyah, Perbandngan Hasl Optmas Partcle Swarm Optmzaton (PSO) dan Genetc Algorthm (GA) pada Fungs Rosenbroc (Banana Functon), Tugas Ahr ITS, Surabaya, 7.. Suyanto, Algottma Optmas Determnst atau Probablt, Graha Ilmu, Yogyaarta, Chu. Shu-Chuan, Chen. Y-Tn and Ho. Jun-Hue, Tmetable Schedulng Usng Partcle Swarm Optmzaton, Cheng-Shu Unversty, Kaohsung County 833, Tawan, 6
11 5. Agustna. Ira La, Penjadwalan Pelajaran SMU Neger Mojoagung dengan Algortma, Tugas Ahr ITS, Surabaya, S.G. Ponnambalam, N. Jawahar, S. Chandrasearan, Dscrete Partcle Swarm Optmzaton Algorthm for Flowshop Schedulng, Monash Unversty, Thagarajar College of Engneerng, S R M V Polytechnc College, Malaysa, Inda
APLIKASI PENJADWALAN MATA KULIAH MENGGUNAKAN ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO)
APLIKASI PENJADWALAN MATA KULIAH MENGGUNAKAN ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO) Irfrans Kusmarna, Luh Kesuma Wardhan 2, Muhammad Safrzal 3,3 Jurusan Teknk Informatka, Fakultas Sans dan Teknolog,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB PENDAHULUAN. Latar Belaang Masalah Analss regres merupaan lmu peramalan dalam statst. Analss regres dapat dataan sebaga usaha mempreds atau meramalan perubahan. Regres mengemuaan tentang engntahuan
Lebih terperinciAnalisa dan Penerapan Metode Particle Swarm Optimization Pada Optimasi Penjadwalan Kuliah
Jurnal Teknk Informatka, Vol 1 September 2012 Analsa dan Penerapan Metode Partcle Swarm Optmzaton Pada Optmas Penjadwalan Kulah Rasha Ashla Rachman 1), Dadang Syarf 2), Rka Perdana Sar 3) 1) Program Stud
Lebih terperinciBAB II TEORI DASAR. Analisis Kelompok
BAB II TORI DASAR II.. Analss Kelompo Istlah analss elompo pertama al dperenalan oleh Tryon (939). Ia memperenalan beberapa metode untu mengelompoan obye yang meml esamaan araterst (statsoft, 004). Kesamaan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.. Populas dan Sampel Populas adalah eseluruhan unt atau ndvdu dalam ruang lngup yang ngn dtelt. Banyanya pengamatan atau anggota suatu populas dsebut uuran populas, sedangan suatu nla
Lebih terperinciBAB 2 LANDASAN TEORI. Untuk mengetahui pola perubahan nilai suatu variabel yang disebabkan oleh
BAB LANDASAN TEORI. Analss Regres Untu mengetahu pla perubahan nla suatu varabel yang dsebaban leh varabel lan dperluan alat analss yang memungnan ta unut membuat perraan nla varabel tersebut pada nla
Lebih terperinciProbabilitas dan Statistika Distribusi Peluang Diskrit 1. Adam Hendra Brata
Probabltas dan Statsta Dsrt Adam Hendra Brata Unform Bernoull Multnomal Setap perstwa aan mempunya peluangnya masng-masng, dan peluang terjadnya perstwa tu aan mempunya penyebaran yang mengut suatu pola
Lebih terperinciPENGEMBANGAN METODE ALGORITMA GENETIKA DAN DARWINIAN PARTICLE SWARM OPTIMIZATION UNTUK FUNGSI MULTIMODAL
Arad Retno TH, Pengembangan Metode Algortma Gen, Hal 93-0 PENGEMBANGAN METODE ALGORITMA GENETIKA DAN DARWINIAN PARTICLE SWARM OPTIMIZATION UNTUK FUNGSI MULTIMODAL Arad Retno Tr Hayat Abstrak Metode optmas
Lebih terperinciCreated by Simpo PDF Creator Pro (unregistered version)
Created by Smpo PDF Creator Pro (unregstered verson) http://www.smpopd.com Statst Bsns : BAB IV. UKURA PEMUSATA DATA. Pendahuluan Untu mendapatan gambaran yang lebh jelas tentang seumpulan data mengena
Lebih terperinciBAB 2 LANDASAN TEORI
10 BAB 2 LANDASAN TEORI 2.1 Pengertan Pengendalan Kualtas Statst Pengendalan Kualtas statst merupaan suatu metode pengumpulan dan analss data ualtas, serta penentuan dan nterpretas penguuran-penguuran
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Dalam pembuatan tugas akhr n, penulsan mendapat referens dar pustaka serta lteratur lan yang berhubungan dengan pokok masalah yang penuls ajukan. Langkah-langkah yang akan
Lebih terperinciKLASTERISASI SINYAL SUARA MENGGUNAKAN METODE PARTICLE SWARM OPTIMIZATION PADA PENGEMBANGAN SISTEM PENGENALAN INDIVIDU BERBASIS SUARA UCAPAN
KLASTERISASI SINYAL SUARA MENGGUNAKAN METODE PARTICLE SWARM OPTIMIZATION PADA PENGEMBANGAN SISTEM PENGENALAN INDIVIDU BERBASIS SUARA UCAPAN Abstra Nama: Moh. Bagus Had S (Nrp 1205 100 037) Dosen Pembmbng:
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini mengenal dua macam variabel yaitu : 2. Variabel terikat (Y) yaitu : Hasil belajar Sejarah
BAB III METODOLOGI PENELITIAN 3.1 Varans Peneltan 3.1.1 Varabel Peneltan Peneltan n mengenal dua macam varabel yatu : 1. Varabel bebas (X) yatu : Berpr formal. Varabel terat (Y) yatu : Hasl belajar Sejarah
Lebih terperinciUSULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG
Usulan Penerapan Teor Marov Dalam Pengamblan Keputusan Perawatan Tahunan Pada Pt. Pupu Kujang USULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG Nof Ern,
Lebih terperinciBAB II DIMENSI PARTISI
BAB II DIMENSI PARTISI. Defns dasar dan eteratannya dengan metrc dmenson Dalam pembahasan dmens parts, graf yang dbahas adalah graf terhubung sederhana dan tda meml arah. Sebelum mendefnsan graf yang dgunaan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belaang Analss dsrmnan merupaan ten menganalss data, dmana varabel dependen merupaan data ategor ( nomnal dan ordnal ) sedangan varabel ndependen berupa data nterval atau raso.msalnya
Lebih terperinciBAB V MODEL SEDERHANA DISTRIBUSI TEMPERATUR DAN SIMULASINYA
BAB V MOEL SEERHANA ISTRIBUSI TEMPERATUR AN SIMULASINYA Model matemata yang terdapat pada bab sebelumnya merupaan model umum untu njes uap pada reservor dengan bottom water. Model tersebut merupaan model
Lebih terperinciBab III. Plant Nonlinear Dengan Fase Nonminimum
Bab III Plant Nonlnear Dengan Fase Nonmnmum Pada bagan n dbahas mengena penurunan learnng controller untu sstem nonlnear dengan derajat relatf yang detahu Dalam hal n hanya dperhatan pada sstem-sstem nonlnear
Lebih terperinciFUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK)
Semnar Nasonal Aplas Tenolog Informas 00 (SNATI 00) ISSN: 0-0 Yogyaarta, Jun 00 FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK) Sr Kusumadew Jurusan Ten Informata,
Lebih terperinciEKSPEKTASI SATU PEUBAH ACAK
EKSPEKTASI SATU PEUBAH ACAK Dalam hal n aan dbahas beberapa macam uuran yang dhtung berdasaran espetas dar satu peubah aca, ba dsrt maupun ontnu, yatu nla espetas, rataan, varans, momen, fungs pembangt
Lebih terperinciIV. PERANCANGAN DAN IMPLEMENTASI SISTEM
IV. PERANCANGAN DAN IMPLEMENTASI SISTEM Perancangan Sstem Sstem yang akan dkembangkan adalah berupa sstem yang dapat membantu keputusan pemodal untuk menentukan portofolo saham yang dperdagangkan d Bursa
Lebih terperinciANALISIS DATA WORLD DEVELOPMENT INDICATORS MENGGUNAKAN CLUSTER DATA MINING
Semnar Nasonal Tenolog Informas dan Multmeda 207 STMIK AMIKOM Yogyaarta, 4 Februar 207 ANALIS DATA WORLD DEVELOPMENT INDICATORS MENGGUNAKAN CLUSTER DATA MINING Sgt Kamseno ), Bara Satya 2) ), 2) Ten Informata
Lebih terperinciBenyamin Kusumoputro Ph.D Computational Intelligence, Faculty of Computer Science University of Indonesia METODE PEMBELAJARAN
METODE PEMBELAJARAN Sebelum suatu Jarngan Neural Buatan (JNB) dgunaan untu menglasfasan pola, terlebh dahulu dlauan proses pembelaaran untu menentuan strutur arngan, terutama dalam penentuan nla bobot.
Lebih terperinciImplementasi Algoritma Radix Sort dalam Berbagai Kasus Bilangan Dibandingkan Algoritma Pengurutan yang lain
Abstra Implementas Algortma Radx Sort dalam Berbaga Kasus Blangan Dbandngan Algortma Pengurutan yang lan Dean Fathony Alfatwa, Ere Rahman Syah P 2, Fahrs Mumtaza Ahsan 3 Departemen Ten Informata, Insttut
Lebih terperinciIMPLEMENTASI MODEL OPTIMASI LINIER INTEGER DENGAN BANYAK TUJUAN UNTUK PENGALOKASIAN PEKERJAAN
SISFO-Jurnal Sstem Informas IMPLEMENTASI MODEL OPTIMASI LINIER INTEGER DENGAN BANYAK TUJUAN UNTUK PENGALOKASIAN PEKERJAAN Fazal Mahananto 1), Mahendrawath ER 2), Rully Soelaman 3) Jurusan Sstem Informas,
Lebih terperinciPerbandingan Masalah Optimasi TSP dengan Menggunakan Algoritma Ant Colony dan Jaringan Hopfield
Perbandngan Masalah Optmas TSP dengan Menggunaan Algortma Ant Colony dan Jarngan Hopfeld 1 Yulan, Moh.Isa Irawan, dan 3 Mardljah 1,, 3 Jurusan Matemata, Insttut Tenolog Sepuluh Noember Kampus ITS, Surabaya
Lebih terperinciMETODE OPTIMASI SELEKSI FITUR DENGAN ALGORITMA FAST BRANCH AND BOUND
METODE OPTIMASI SELEKSI FITUR DENGAN ALGORITMA FAST BRANCH AND BOUND Rully Soelaman, Suc Hatnng Rn dan Dana Purwtasar Faultas Tenolog Informas, Insttut Tenolog Sepuluh Nopember (ITS), Surabaya, 60, Indonesa
Lebih terperinciBAB IV PEMBAHASAN MODEL
BAB IV PEMBAHASAN MODEL Pada bab IV n akan dlakukan pembuatan model dengan melakukan analss perhtungan untuk permasalahan proses pengadaan model persedaan mult tem dengan baya produks cekung dan jont setup
Lebih terperinciBAB 10. Menginterpretasikan Populasi Variabel Kanonik. Variabel kanonik secara umumnya artifisal. Jika variabel awal X (1) dan X (2)
BB 0 Mengnterpretasan Populas arabel Kanon arabel anon secara umumnya artfsal. Ja varabel awal X ( dan X ( dgunaan oefsen anon a dan b mempunya unt propors dar hmpunan X ( dan X (. Ja varabel awal yang
Lebih terperinciIII FUZZY GOAL LINEAR PROGRAMMING
7 Ilustras entu hmpunan fuzzy dan fungs eanggotaannya dapat dlhat pada Contoh 3. Contoh 3 Msalan seseorang dataan sudah dewasa ja erumur 7 tahun atau leh, maa dalam loga tegas, seseorang yang erumur urang
Lebih terperinciKOMBINASI INERTIA WEIGHT DAN CONSTRICTION FACTOR PADA PARTICLE SWARM OPTIMIZATION SEBAGAI SOLUSI PEMBANGKITAN EKONOMIS PADA SISTEM TENAGA IEEE 26 BUS
ISSN 1412 3762 http://jurnal.up.edu/electrans ELECTRANS, VOL.12, NO.2, SEPTEMBER 2013, 151-160 KOMBINASI INERTIA WEIGHT DAN CONSTRICTION FACTOR PADA PARTICLE SWARM OPTIMIZATION SEBAGAI SOLUSI PEMBANGKITAN
Lebih terperinciPENGUJIAN PROPORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN PENDEKATAN DISTRIBUSI BINOMIAL TERHADAP DISTRIBUSI NORMAL STANDARD
ORBITH Vl. 7 N. 3 Nvember 11: 366-37 ENGUJIAN ROORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN ENDEKATAN DISTRIBUSI BINOMIAL TERHADA DISTRIBUSI NORMAL STANDARD Oleh: Endang Tryan Staf engajar
Lebih terperinciKarakterisasi Matrik Leslie Ordo Tiga
Jurnal Graden Vol No Januar 006 : 34-38 Karatersas Matr Lesle Ordo Tga Mudn Smanhuru, Hartanto Jurusan Matemata, Faultas Matemata dan Ilmu Pengetahuan Alam, Unverstas Bengulu, Indonesa Dterma Desember
Lebih terperinciSTATISTIKA. Bab. Di unduh dari : Bukupaket.com. Mean Median Modus Simpangan baku Varian Histogram Quartil Desil Persentil
Bab 7 STATISTIKA A. KOMPETENSI DASAR DAN PENGALAMAN BELAJAR Kompetens Dasar Setelah mengut pembelajaran n sswa mampu:. Menghayat dan mengamalan ajaran agama yang danutnnya. 2. Meml motvas nternal, emampuan
Lebih terperinciPEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE
PEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE Dew Arfanty Azm, Dra.Madu Ratna,M.S. dan 3 Prof. Dr.
Lebih terperinciBAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO. solusi dari suatu masalah diberikan berdasarkan proses rendomisasi (acak).
BAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO 3. Smulas Monte Carlo Smulas Monte Carlo merupaan bentu smulas probablst dmana solus dar suatu masalah dberan berdasaran proses rendomsas (aca).
Lebih terperinciPENGURUTAN DATA. A. Tujuan
PENGURUTAN DATA A. Tuuan Pembahasan dalam bab n adalah mengena pengurutan data pada sekumpulan data. Terdapat beberapa metode untuk melakukan pengurutan data yang secara detl akan dbahas ddalam bab n.
Lebih terperinciINVERS DRAZIN DARI SUATU MATRIKS DENGAN MENGGUNAKAN BENTUK KANONIK JORDAN
Buletn Ilmah ath. Stat. dan erapannya (Bmaster) Volume 5, No. 3 (6), hal 8. INVERS DRAZIN DARI SUAU ARIKS DENGAN ENGGUNAKAN BENUK KANNIK JRDAN Eo Sulstyono, Shanta artha, Ea Wulan Ramadhan INISARI Suatu
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar belakang
BAB 1 PENDAHULUAN 1.1 Latar belakang Dalam memlh sesuatu, mula yang memlh yang sederhana sampa ke hal yang sangat rumt yang dbutuhkan bukanlah berpkr yang rumt, tetap bagaman berpkr secara sederhana. AHP
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tnjauan Pustaka 2.1.1 Tmetable Tmetable merupakan alokas subjek yang memlk kendala untuk dtempatkan pada ruang waktu (Gan dkk, 2004). Permasalahan Tmetable cukup luas. Masalah
Lebih terperinciBAB IX. STATISTIKA. CONTOH : HASIL ULANGAN MATEMATIKA 5 SISWA SBB: PENGERTIAN STATISTIKA DAN STATISTIK:
BAB IX. STATISTIKA. CONTOH : HASIL ULANGAN MATEMATIKA 5 SISWA SBB: PENGERTIAN STATISTIKA DAN STATISTIK: BAB IX. STATISTIKA Contoh : hasl ulangan Matematka 5 sswa sbb: 6 8 7 6 9 Pengertan Statstka dan
Lebih terperinciBAB 4 METODOLOGI PENELITIAN DAN ANALISIS
28 BAB 4 METODOLOGI PENELITIAN DAN ANALISIS 4.1 Kerangka Pemkran dan Hpotess Dalam proses peneltan n, akan duj beberapa varabel software yang telah dsebutkan pada bab sebelumnya. Sesua dengan tahapan-tahapan
Lebih terperinciBAB III ANALISIS DISKRIMINAN. Analisis diskriminan (discriminant analysis) merupakan salah satu metode
BAB III ANALISIS DISKRIMINAN 3. Analss Dsrmnan Analss dsrmnan (dscrmnant analyss) merupaan salah satu metode yan dunaan dalam analss multvarat. Dalam analss dsrmnan terdapat dua jens varabel yan terlbat
Lebih terperinciOptimisasi Operasi Sistem Tenaga Listrik dengan Konstrain Kapabilitas Operasi Generator dan Kestabilan Steady State Global
Optmsas Operas Sstem Tenaga Lstr dengan Konstran Kapabltas Operas Generator dan Kestablan Steady State Global Johny Custer,, Indar Chaerah Gunadn, Ontoseno Penangsang 3, Ad Soeprjanto 4,,3,4 Jurusan Ten
Lebih terperinciANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS
ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS Ihwannul Khols, ST. MT. Unverstas 7 Agustus 945 Jaarta hols27@gmal.com Abstra Pengenalan pola data
Lebih terperinciMETODE KLASTERISASI DATA BERBASIS ARTIFICIAL BEE COLONY DAN K-HARMONIC MEANS
TESIS METODE KLASTERISASI DATA BERBASIS ARTIFICIAL BEE COLONY DAN K-HARMONIC MEANS Oleh : I Made Wdartha NRP. 5109201009 Dosen Pembmbng : Dr. Agus Zanal Arfn, S.Kom, M.Kom Anny Yunart, S.Kom, M.Comp.Sc
Lebih terperinciSUMBER BELAJAR PENUNJANG PLPG 2016 MATA PELAJARAN/PAKET KEAHLIAN GURU KELAS SD
SUMBER BELAJAR PENUNJANG PLPG 0 MATA PELAJARAN/PAKET KEAHLIAN GURU KELAS SD BAB V STATISTIKA Dra.Hj.Rosdah Salam, M.Pd. Dra. Nurfazah, M.Hum. Drs. Latr S, S.Pd., M.Pd. Prof.Dr.H. Pattabundu, M.Ed. Wdya
Lebih terperinciProsedur Komputasi untuk Membentuk Selang Kepercayaan Simultan Proporsi Multinomial
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Prosedur Komputas untu Membentu Selang Kepercayaan Smultan Propors Multnomal S - 11 Bertho Tantular Departemen Statsta FMIPA UNPAD bertho@unpad.ac.d
Lebih terperinciBAB 2 LANDASAN TEORI. Universitas Sumatera Utara
BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang
Lebih terperinciAnalisis Perbandingan Economic Dispatch Pembangkit Menggunakan Metode Lagrange dan CFPSO
91 Analss Perbandngan Economc Dspatch Pembangt Menggunaan Metode Lagrange dan CFPSO Kharudn Syah, Harry Soeotjo Dachlan, Rn Nur Hasanah, dan Mahfudz Shdq Abstra -Pada pengoperasan pembangt tenaga lstr,
Lebih terperinciVI. KETIDAKPASTIAN. Contoh : Asih mengalami gejala ada bintik-bintik di wajahnya. Dokter menduga bahwa Asih terkena cacar
VI. KETIDAKPASTIAN 12 Dalam enyataan sehar-har banya masalah dduna n tda dapat dmodelan secara lengap dan onssten. Suatu penalaran dmana adanya penambahan fata baru mengabatan etdaonsstenan, dengan cr-cr
Lebih terperinciBAB IV HASIL ANALISIS
BAB IV HASIL ANALISIS. Standarda Varabel Dalam anal yang dtamplan pada daftar tabel, dar e-39 wadu yang meml fator-fator melput luaan DAS, apata awal wadu, 3 volume tahunan rerata pengendapan edmen, dan
Lebih terperinciRoy Madi Mahasiswa Teknik Informatika, FT UMRAH
OPTIMASI WAKTU KEBERANGKATAN FERRY TANJUNGPINANG BATAM DENGAN METODE PARTICLE SWARM OPTIMIZATION (Stud Kasus : Pelabuhan Sr Bntan Pura, Kota Tanjungpnang) Roy Mad Mahasswa Teknk Informatka, FT UMRAH (roymad0@gmal.com)
Lebih terperinciImplementasi Jaringan Saraf Tiruan Backpropagation Pada Aplikasi Pengenalan Wajah Dengan Jarak Yang Berbeda Menggunakan MATLAB 7.0
Implementas Jarngan Saraf Truan Bacpropagaton Pada Aplas Pengenalan Waah Dengan Jara Yang Berbeda Menggunaan MATLAB 7.0 Syafe Nur Luthfe Jurusan Ten Informata, Unverstas Gunadarma Jl. Margonda Raya 100,
Lebih terperinciPengolahan lanjut data gravitasi
Modul 6 Pengolahan lanjut data gravtas 1. Transformas/proyes e bdang datar (metode Damney atau Euvalen Tt Massa). Pemsahan Anomal Loal/Resdual dan Anomal Regonal a. Kontnuas b. Movng average c. Polynomal
Lebih terperinciFUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (Studi kasus: klasifikasi kualitas produk)
Semnar Nasonal plas enolog Informas (SNI ) Yogyaarta, Jun FUZZY BCKPROPGION UNUK KLSIFIKSI POL (Stud asus: lasfas ualtas produ) Sr Kusumadew Jurusan en Informata, Faultas enolog Industr Unverstas Islam
Lebih terperinciTinjauan Algoritma Genetika Pada Permasalahan Himpunan Hitting Minimal
157 Vol. 13, No. 2, 157-161, Januar 2017 Tnjauan Algortma Genetka Pada Permasalahan Hmpunan Httng Mnmal Jusmawat Massalesse, Bud Nurwahyu Abstrak Beberapa persoalan menark dapat dformulaskan sebaga permasalahan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1. Kamus Buku acuan yang memuat kata dan ungkapan, basanya dsusun menurut abjad berkut keterangan tentang makna, pemakaan, atau terjemahannya, kamus juga dsebut buku yang memuat
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi
Daftar Is Daftar Is... Kata pengantar... BAB I...1 PENDAHULUAN...1 1.1 Latar Belakang...1 1.2 Rumusan Masalah...2 1.3 Tujuan...2 BAB II...3 TINJAUAN TEORITIS...3 2.1 Landasan Teor...4 BAB III...5 PEMBAHASAN...5
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan penelitian pengembangan (Research and
III. METODE PENELITIAN A. Desan Peneltan Peneltan n merupakan peneltan pengembangan (Research and Development). Peneltan pengembangan yang dlakukan adalah untuk mengembangkan penuntun praktkum menjad LKS
Lebih terperinciPENYELESAIAN PERMASALAHAN OPTIMASI CONSTRAINED NONLINEAR DENGAN PARTICLE SWARM OPTIMIZATION
PENYELESAIAN PERMASALAHAN OPTIMASI CONSTRAINED NONLINEAR DENGAN PARTICLE SWARM OPTIMIZATION Yudh Purwananto Rully Soelaman dan Bambang Santoso. Fakultas Teknolog Informas Insttut Teknolog Sepuluh Nopember
Lebih terperinciIMPLEMENTASI BACKPROPAGATION NEURAL NETWORK DALAM PRAKIRAAN CUACA DI DAERAH BALI SELATAN
E-Jurnal Matemata Vol. 5 (4), November 2016, pp. 126-132 ISSN: 2303-1751 IMPLEMENTASI BACKPROPAGATION NEURAL NETWORK DALAM PRAKIRAAN CUACA DI DAERAH BALI SELATAN I Made Dw Udayana Putra 1, G. K. Gandhad
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN ORI. Aljabar Matrs.. Defns Matrs Matrs adalah suatu umpulan anga-anga yang juga serng dsebut elemen-elemen yang dsusun secara teratur menurut bars dan olom sehngga berbentu perseg panjang,
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMA Negeri I Tibawa pada semester genap
5 BAB III METODOLOGI PENELITIAN 3. Lokas Dan Waktu Peneltan Peneltan n dlaksanakan d SMA Neger I Tbawa pada semester genap tahun ajaran 0/03. Peneltan n berlangsung selama ± bulan (Me,Jun) mula dar tahap
Lebih terperinciBAB 4 METODOLOGI PENELITIAN. data, dan teknik analisis data. Kerangka pemikiran hipotesis membahas hipotesis
BAB 4 METODOLOGI PENELITIAN Pada bab n akan durakan kerangka pemkran hpotess, teknk pengumpulan data, dan teknk analss data. Kerangka pemkran hpotess membahas hpotess pengujan pada peneltan, teknk pengumpulan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Fuzzy Set Pada tahun 1965, Zadeh memodfkas teor hmpunan dmana setap anggotanya memlk derajat keanggotaan yang bernla kontnu antara 0 sampa 1. Hmpunan n dsebut dengan hmpunaan
Lebih terperinciBAB III METODE PENELITIAN. sebuah fenomena atau suatu kejadian yang diteliti. Ciri-ciri metode deskriptif menurut Surakhmad W (1998:140) adalah
BAB III METODE PENELITIAN 3.1 Metode Peneltan Metode yang dgunakan dalam peneltan n adalah metode deskrptf. Peneltan deskrptf merupakan peneltan yang dlakukan untuk menggambarkan sebuah fenomena atau suatu
Lebih terperinciUJI NORMALITAS X 2. Z p i O i E i (p i x N) Interval SD
UJI F DAN UJI T Uj F dkenal dengan Uj serentak atau uj Model/Uj Anova, yatu uj untuk melhat bagamanakah pengaruh semua varabel bebasnya secara bersama-sama terhadap varabel terkatnya. Atau untuk menguj
Lebih terperinciBAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE
BAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE 6B.1 Pelathan ADALINE Model ADALINE (Adaptve Lnear Neuron) dtemukan oleh Wdrow & Hoff (1960) Arstekturnya mrp dengan perseptron Perbedaan
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 13 Bandar Lampung. Populasi dalam
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Neger 3 Bandar Lampung. Populas dalam peneltan n yatu seluruh sswa kelas VIII SMP Neger 3 Bandar Lampung Tahun Pelajaran 0/03 yang
Lebih terperinciPENJADWALAN PEKERJAAN DENGAN MENGGUNAKAN DISPATCHING RULES DI PT. TIGA SERANGKAI PUSTAKA MANDIRI
PENJADWALAN PEKERJAAN DENGAN MENGGUNAKAN DISPATCHING RULES DI PT. TIGA SERANGKAI PUSTAKA MANDIRI Yunarstanto 1 Irwan Iftad 1 Iwan Ngabd Raharjo 2 Abstract: Producton flow n PT. Tga Seranga Pustaa Mandr
Lebih terperinciOleh : Wahyu Safi i Dosen Pembimbing : Drs. Soehardjoepri, M.Si
Analsa Penerapan Metode Robust Locally Weght Regresson Smoothng Scatterplots Pada Oblgas ( Analyss of Applcaton Robust Locally Weght Regresson Smoothng Scatterplots s Method n Oblgaton ) Oleh : Wahyu Saf
Lebih terperinciBAB 2 TINJAUAN TEORITIS. 2.1 Konsep Dasar Infeksi, Saluran Pernafasan, Infeksi Akut, dan Infeksi Saluran Pernafasan Akut (ISPA)
BAB TINJAUAN TEORITIS. Knsep Dasar Infes, Saluran Pernafasan, Infes Aut, dan Infes Saluran Pernafasan Aut (ISPA.. Infes Infes adalah masunya uman atau mrrgansme e dalam tubuh manusan dan berembang ba sehngga
Lebih terperinciBAB IV PEMBAHASAN HASIL PENELITIAN
BAB IV PEMBAHASAN HASIL PENELITIAN A. Hasl Peneltan Pada peneltan yang telah dlakukan penelt selama 3 mnggu, maka hasl belajar matematka pada mater pokok pecahan d kelas V MI I anatussbyan Mangkang Kulon
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilakukan di MTs Negeri 2 Bandar Lampung dengan populasi siswa
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlakukan d MTs Neger Bandar Lampung dengan populas sswa kelas VII yang terdr dar 0 kelas yatu kelas unggulan, unggulan, dan kelas A sampa dengan
Lebih terperinciAnalisis Variasi Parameter Backpropagation Artificial Neural Network dan Principal Component Analysis Terhadap Sistem Pengenalan Wajah
ELECTRANS, Jurnal Ten Eletro, Komputer dan Informata http://eournal.up.edu/ndex.php/electrans Analss aras Parameter Bacpropagaton Artfcal Neural Networ dan Prncpal Component Analyss Terhadap Sstem Pengenalan
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB LANDASAN TEORI.1 Analsa Regres Analsa regres dnterpretaskan sebaga suatu analsa yang berkatan dengan stud ketergantungan (hubungan kausal) dar suatu varabel tak bebas (dependent varable) atu dsebut
Lebih terperinciBab 1 PENDAHULUAN Latar Belakang
11 Bab 1 PENDAHULUAN 1.1. Latar Belakang Perbankan adalah ndustr yang syarat dengan rsko. Mula dar pengumpulan dana sebaga sumber labltas, hngga penyaluran dana pada aktva produktf. Berbaga kegatan jasa
Lebih terperinciBAB VB PERSEPTRON & CONTOH
BAB VB PERSEPTRON & CONTOH Model JST perseptron dtemukan oleh Rosenblatt (1962) dan Mnsky Papert (1969). Model n merupakan model yang memlk aplkas dan pelathan yang lebh bak pada era tersebut. 5B.1 Arstektur
Lebih terperinciBAB I PENDAHULUAN. suatu komputer digital [12]. Citra digital tersusun atas sejumlah elemen.
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Ctra dgtal merupakan ctra hasl dgtalsas yang dapat dolah pada suatu komputer dgtal [12]. Ctra dgtal tersusun atas sejumlah elemen. Elemen-elemen yang menyusun ctra
Lebih terperinciIV. UKURAN SIMPANGAN, DISPERSI & VARIASI
IV. UKURAN SIMPANGAN, DISPERSI & VARIASI Pendahuluan o Ukuran dspers atau ukuran varas, yang menggambarkan derajat bagamana berpencarnya data kuanttatf, dntaranya: rentang, rentang antar kuartl, smpangan
Lebih terperinciBAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pertumbuhan dan kestablan ekonom, adalah dua syarat pentng bag kemakmuran dan kesejahteraan suatu bangsa. Dengan pertumbuhan yang cukup, negara dapat melanjutkan pembangunan
Lebih terperinciOPTIMISASI PELETAKAN DAN SIZING DISTRIBUTED GENERATION (DG) MENGGUNAKAN TWO LAYER PARTICLE SWARM OPTIMIZATION (TLPSO)
OPTIMISASI PELETAKAN DAN SIZING DISTRIBUTED GENERATION (DG) MENGGUNAKAN TWO LAYER PARTICLE SWARM OPTIMIZATION (TLPSO) Efrta Arfah Z Jurusan Teknk Elektro, FTI-ITATS Surabaya Jl. Aref Rahman Hakm 100 Tlp
Lebih terperinciPENYELESAIAN MULTIKOLINEARITAS MELALUI METODE RIDGE REGRESSION. Oleh : SOEMARTINI
PENYELESAIAN MULTIKOLINEARITAS MELALUI METODE RIDGE REGRESSION Oleh : SOEMARTINI JURUSAN STATISTIKA FAKULTAS MATEMATIKA dan ILMU PENGETAHUAN ALAM UNIVERSITAS PADJADJARAN JATINANGOR 008 DAFTAR ISI Hal DAFTAR
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Al-Azhar 3 Bandar Lampung yang terletak di
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Al-Azhar 3 Bandar Lampung yang terletak d Jl. Gn. Tanggamus Raya Way Halm, kota Bandar Lampung. Populas dalam peneltan n adalah
Lebih terperinciBAB II TEORI ALIRAN DAYA
BAB II TEORI ALIRAN DAYA 2.1 UMUM Perhtungan alran daya merupakan suatu alat bantu yang sangat pentng untuk mengetahu konds operas sstem. Perhtungan alran daya pada tegangan, arus dan faktor daya d berbaga
Lebih terperinciBAB I PENDAHULUAN I-1
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kendaraan bermotor merupakan alat yang palng dbutuhkan sebaga meda transportas. Kendaraan dbag menjad dua macam, yatu kendaraan umum dan prbad. Kendaraan umum
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Penjadwalan Baker (1974) mendefnskan penjadwalan sebaga proses pengalokasan sumber-sumber dalam jangka waktu tertentu untuk melakukan sejumlah pekerjaan. Menurut Morton dan
Lebih terperinciRestorasi Citra Dengan Menggunakan Metode Iteratif Lanczos Hybrid Regularization
Restoras Ctra Dengan Menggunaan Metode Iteratf Lanczos Hybrd Regularzaton Yudh Purwananto, Rully Soelaman, Alfa Masjta Rahmat Jurusan Ten Informata, Faultas Tenolog Informas Insttut Tenolog Sepuluh Nopember
Lebih terperinciBAB IV PERHITUNGAN DAN ANALISIS
BAB IV PERHITUNGAN DAN ANALISIS 4.1 Survey Parameter Survey parameter n dlakukan dengan mengubah satu jens parameter dengan membuat parameter lannya tetap. Pengamatan terhadap berbaga nla untuk satu parameter
Lebih terperinciPemodelan Anomali Magnetik Berbentuk Prisma Menggunakan Algoritma Genetika Antonius a, Yudha Arman a *, Joko Sampurno a
Pemodelan Anomal Magnet Berbentu Prsma Menggunaan Algortma Geneta Antonus a, Yudha Arman a *, Joo Sampurno a a Jurusan Fsa, FMIPA Unverstas Tanjungpura, Jalan Pro. Dr. Hadar Nawaw, Pontana, Indonesa *Emal
Lebih terperinciPENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Studi Kasus pada Data Inflasi Indonesia)
PENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Stud Kasus pada Data Inflas Indonesa) Putr Noorwan Effendy, Amar Sumarsa, Embay Rohaet Program Stud Matematka Fakultas
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakang Dalam kehdupan sehar-har, serngkal dumpa hubungan antara suatu varabel dengan satu atau lebh varabel lan. D dalam bdang pertanan sebaga contoh, doss dan ens pupuk yang dberkan
Lebih terperinciBAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.
BAB LANDASAN TEORI Pada bab n akan durakan beberapa metode yang dgunakan dalam penyelesaan tugas akhr n. Selan tu penuls juga mengurakan tentang pengertan regres, analss regres berganda, membentuk persamaan
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini merupakan penelitian yang bertujuan untuk mendeskripsikan
BAB III METODE PENELITIAN A. Jens Peneltan Peneltan n merupakan peneltan yang bertujuan untuk mendeskrpskan langkah-langkah pengembangan perangkat pembelajaran matematka berbass teor varas berupa Rencana
Lebih terperinciUKURAN LOKASI, VARIASI & BENTUK KURVA
UKURAN LOKASI, VARIASI & BENTUK KURVA MARULAM MT SIMARMATA, MS STATISTIK TERAPAN FAK HUKUM USI @4 ARTI UKURAN LOKASI DAN VARIASI Suatu Kelompok DATA berupa kumpulan nla VARIABEL [ vaabel ] Ms banyaknya
Lebih terperinciPROSES UP-SCALING CITRA DIGITAL PADA DOMAIN FREKUENSI DENGAN MENGGUNAKANMETODE DISCRETE WAVELET TRANSFORM
Konferens Nasonal Sstem dan Informata 2009; Bal, November 14, 2009 PROSES UP-SCALING CITRA DIGITAL PADA DOMAIN FREKUENSI DENGAN MENGGUNAKANMETODE DISCRETE WAVELET TRANSFORM Tjoorda Agung Bud W., 1, Mela
Lebih terperinciIMAGE CLUSTER BERDASARKAN WARNA UNTUK IDENTIFIKASI KEMATANGAN BUAH TOMAT DENGAN METODE VALLEY TRACING
IMAGE CLUSTER BERDASARKAN WARNA UNTUK IDENTIFIKASI KEMATANGAN BUAH TOMAT DENGAN METODE VALLEY TRACING M. Helmy Noor 1, Moh. Harad 2 Program Pasasarjana, Jurusan Teknk Elektro, Program Stud Jarngan Cerdas
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 ENDAHULUAN 1.1 Latar Belakang Secara umum dapat dkatakan bahwa mengambl atau membuat keputusan berart memlh satu dantara sekan banyak alternatf. erumusan berbaga alternatf sesua dengan yang sedang
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI
65 BAB IMPLEMENTASI DAN EVALUASI. Penyaan Data Hasl Peneltan Data-ata hasl peneltan yang gunakan alam pengolahan ata aalah sebaga berkut: a. ata waktu kera karyawan b. ata umlah permntaan konsumen c. ata
Lebih terperinci