Penerapan Algoritma Genetika untuk Penjadwalan Asisten Praktikum
|
|
- Hendra Sudirman
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Penerapan Algoritma Genetika untuk Penjadwalan Asisten Praktikum Okky Cintia Devi 1, Wayan Fidaus Mahmudy 2, Budi Darma Setiawan 3 Teknik Informatika, Program Teknologi Informasi dan Ilmu Komputer, Universitas Brawijaya 1 okkycintiaa@gmail.com, 2 wayanfm@ub.ac.id, 3 s.budidarma@ub.ac.id ABSTRAK Penjadwalan adalah salah satu hal yang penting bagi suatu perguruaan tinggi. Salah satu contohnya adalah penjadwalan mengajar asisten praktikum. Pelaksanaan praktikum dimulai dengan penentuan jadwal praktikum untuk masing-masing kelas mahasiswa yang telah terdaftar sebagai praktikan pada laboratorium. Penentuan jadwal mengajar asisten praktikum secara manual terkadang masih sering terjadi kendala antara lain bentrok jadwal kuliah dan jadwal mengajar asisten praktikum. Proses penentuan jadwal mengajar asisten praktikum membutuhkan waktu yang lama jika dilakukan secara manual. Algoritma Genetika mampu menghitung optimasi penjadwalan asisten. Pada penelitian ini terdapat 52 kromosom sebagai kelas dengan panjang sesuai jumlah asisten. Dari data tersebut akan dibentuk sebuah populasi dengan jumlah yang bervariasi. Ukuran populasi yang optimal dari hasil uji coba adalah 50 populasi. Dengan generasi optimal sebanyak 30 generasi. Nilai crossover rate dan mutation rate didapat dari nilai fitness terbaik yaitu 964 dengan crossover rate 0.5 dan mutation rate 0.5. Hasil akhir adalah kromosom terbaik yang merupakan keberhasilan pejadwalan dengan waktu optimal dan jumlah pinalti terendah. Kata Kunci : Algoritma genetika, penjadwalan asisten ABSTRACT Scheduling is important task for universities. One example is scheduling assistant practicum. Practical implementation begins with the determination of practice schedules for each class of students who have been registered as a practitioner in the laboratory. Determination teaching schedule lab assistant manually sometimes still common constraints such as crash lecture schedules with schedule teaching lab assistant. Process manually of determining teaching schedule lab assistant takes a long time. Genetic Algorithm is able to calculate the optimization scheduling assistant. In this paper, there are 52 chromosomes as long class with the appropriate amount of assistants. From these data will be formed a population with amount variation. Optimal population size of the test results is 50 population. With optimal generation as much as 30 generations. Value crossover rate and mutation rate obtained from the best fitness value is 964 with crossover rate and mutation rate The result is the best chromosome as scheduling with optimal timing and amount of the lowest penalty. Keyword : Genetic algorithms, scheduling assistan 1. PENDAHULUAN 1.1 Latar Belakang Penjadwalan adalah salah satu hal yang penting bagi suatu perguruaan tinggi. Salah satu contohnya adalah penjadwalan mengajar asisten praktikum. Pelaksanaan praktikum dimulai dengan penentuan jadwal praktikum untuk masing-masing kelas mahasiswa yang telah terdaftar sebagai praktikan pada laboratorium. Salah satu metode yang bisa digunakan untuk menyelesaikan masalah penjadwalana adalah algoritma genetika. Algoritma genetika menggunakan teknik dan proses yang terinspirasi dari evolusi biologi untuk memecahkan masalah optimasi yang kompleks, terdapat beberarapa seleksi diantaranya natural selection, crossover and mutation diterapkan untuk mendapatkan nilai baru dan menemukan solusi yang optimal (Peteghem,2010). Algoritma genetika biasa digunakan untuk menyelesaikan berbagai permasalahan kompleks pada bidang fisika, biologi, ekonomi, sosiologi (Mahmudy,2013). Beberapa versi algoritma genetika telah di implementasikan untuk optimasi penjadwalan salah satunya Exam Timetabling Problem Using Genetic Algorithm yang dilakukan oleh Jha (2010) yang mampu memberikan hasil mendekati optimum untuk kasus dengan data 54 pengajar, 36 mata kuliah, 12 ruang, dan 20 periode untuk ujian semester. Selain itu terdapat penelitian sebelumnya mengenai penerapan algortima genetika untuk permasalahan Penjadwalan Auditor Pada Audit Internal Mutu Universitas Brawijaya yang dilakukan Amelia (2013). 1
2 Metode lainnya yang telah diimplementasikan untuk optimasi penjadwalan selain menggunakan algoritma genetika yaitu menggunakan penerapan algoritma fuzzy multiattribute decision making pada penjadwalan ujian skripsi yang dilakukan Nataliani., dkk (2012). Karena algoritma genetika telah berhasil diterapkan pada berbagai masalah kompleks, pada skripsi ini algoritma genetika digunakan untuk penentuan jadwal mengajar asisten praktikum. Penelitian kali ini mencoba mengimplementasikan algoritma genetika pada permasalahan penentuan jadwal mengajar asisten praktikum. Penelitian ini diharapkan akan menghasilkan solusi yang lebih baik. Untuk membedakan dengan banyak penelitian sebelumnya, pada skripsi ini akan difokuskan pada strategi pemberian penalti. Strategi pemberian penalti diterapkan pada solusi yang tidak bisa menghasilkan jadwal yang feasible. Nilai fitness akan dikurangi dengan konstanta tertentu. Harapannya solusi ini akan tereliminasi sepanjang interasi algoritma genetika. Strategi pengunaan penalti akan menghemat waktu komputasi dibandingkan dengan strategi perbaikan kromosom (repair) yang diterapkan pada kromosom yang menghasilkan jadwal infeasible (Mahmudy dkk, 2014). 1.2 Rumusan Masalah Berdasarkan uraian latar belakang tersebut, maka rumusan masalah adalah sebagai berikut: 1. Bagaimana mengimplementasikan Algoritma Genetika untuk menyelesaikan masalah penentuan jadwal mengajar asisten praktikum? 2. Bagaimana bentuk kromosom dan fungsi fitness yang dapat digunakan untuk menyelesaikan masalah optimasi penjadwalan asisten praktikum? 3. Bagaimana menentukan parameter Algoritma Genetika yang tepat? 4. Bagaimana mengukur kualitas solusi yang dihasilkan oleh Algoritma Genetika? 5. Bagaimana menentukan strategi penalti yang efisien untuk proses penjadwalan algoritma genetika? 1.3 Batasan Masalah Berdasarkan latar belakang dan rumusan masalah yang telah dijabarkan, penelitian ini mempunyai batasan-batasan masalah sebagai berikut: 1. Obyek data yang digunakan untuk penelitian ini diperoleh dari jadwal praktikum Laboraturium Komputer Dasar. 2. Parameter-parameter genetic Algorithm yang digunakan adalah jumlah individu, crossover rate,probabilitas mutation. 3. Parameter parameter dalam penjadwalan yang digunakan adalah jumlah hari dan jam aktif Universitas, jumlah asisten dan jadwal kosong asisten. 1.4 Tujuan Berdasarkan latar belakang dan rumusan masalah yang telah dijabarkan, penelitian ini mempunyai tujuan sebagai berikut: 1. Menerapkan Algoritma Genetika dalam menyelesaikan permasalahan penentuan jadwal mengajar asisten praktikum. 2. Mengukur optimasi solusi yang dihasilkan dari Algoritma Genetika untuk menyelesaikan permasalahan penentuan jadwal mengajar asisten praktikum. 3. Mengetahui bentuk kromosom dan fitness yang dapat digunakan untuk menyelesaikan masalah optimasi penjadwalan asisten praktikum. 1.5 Manfaat Berdasarkan latar belakang, rumusan masalah dan tujuan yang telah dijabarkan, penelitian ini mempunyai manfaat sebagai berikut: 1. Meningkatkan efektifitas dan efisiensi dalam penyusunan jadwal mengajar asisten praktikum. 2. Memberikan kontribusi pertimbangan bagi pengelolaan sistem penentuan jadwal mengajar asisten praktikum pada suatu institusi perguruan tinggi. 2. TINJAUAN PUSTAKA 2.1 Penjadwalan Asisten Permasalahan penjadwalan sering terjadi pada kehidupan sehari-hari (kumar,2014). Penjadwalan praktikum diartikan suatu proses dalam pengalokasian ruang, pelaksanaan praktikum dan waktu asisten praktikum mengajar kepada praktikan. Laboratorium merupakan salah satu tempat untuk menerapkan ilmu mahasiswa. Salah satunya adalah laboraturium komputer dasar program teknologi informasi dan ilmu komputer. Metode manual memakan waktu lama dalam proses penetapan jadwalnya. Selain itu jumlah praktikan yang tidak seimbang dengan jumlah asisten juga mempengaruhi proses penetapan jadwal praktikum. Asisten merekap jadwal kosong dari data mata kuliah semester, kemudian membuat timeslot jadwal jaga dari asisten itu sendiri. Terdapat batasan penjadwalan hard constraints. Hard constraints dari penjadwalan mengajar asisten praktikum jadwal yang dihasilkan harus sesuai dengan waktu kesediaan asisten praktikum. 2.2 Algoritma Genetika Algoritma genetika adalah algoritma yang teknik dan proses yang terinspirasi dari evolusi biologi untuk memecahkan masalah optimasi yang 2
3 kompleks, terdapat beberarapa seleksi diantaranya natural selection (seleksi alamiah), crossover and mutation diterapkan untuk mendapatkan nilai baru dan menemukan solusi yang optimal (Peteghem,2010). Algoritma genetika biasa digunakan untuk menyelesaikan berbagai permasalahan kompleks pada bidang fisika, biologi, ekonomi, sosiologi (Mahmudy,2013). Algoritma genetika tidak selalu mencapai hasil yang terbaik, tetapi sering memecahkan masalah dengan cukup baik atau mendekati yang terbaik. 2.3 Inisialisasi Proses ini merupakan proses yang digunakan untuk membangkitkan individu secara random, pada tahap ini akan ditentukan ukuran populasi. Setelah ukuran populasi ditentukan kemudian dilakukan inisialisasi. Kromosom dapat direpresentasikan dalam bentuk bit, bilangan real, permutasi, atau representasi lainnya yang dapat diimplementasikan untuk operator genetika. Pada penelitian ini kromosom menggunakan reresentasi integer. Representasi integer merupakan representasi yang bernilai bilangan bulat. Gen ke Gambar 1 Representasi Kromosom Pada Gambar 1 diatas adalah gambaran dari Individu, di misalkan panjang kromosom adalah 10. Sebuah angka integer boleh muncul sebanyak dua kali, karena satu kelas bisa diajar oleh 2 asisten praktikum maka jumlah asisten praktikum yang dibutuhkan adalah sebanyak 2 kali jumlah kelas. 2.4 Reproduksi Reproduksi di gunakan untuk menghasilkan keturunan dari tiap individu-individu pada populasi tertentu. Individu-individu ini (beserta offspring) berevolusi dan individu-individu yang lebih baik (mampu beradaptasi dengan lingkungannya) mempunyai peluang lebih besar untuk melewati seleksi alam (natural selection) dan bertahan hidup. Individu yang lebih baik juga cenderung (tidak selalu tapi mempunyai kemungkinan lebih besar) menghasilkan keturunan yang lebih baik sehingga dari generasi ke generasi akan terbentuk populasi yang lebih baik. Reproduksi menggunakan operator yang dipakai dalam algoritma genetika yaitu crossover dan mutation Crossover Pada proses crossover digunakan kromosom parent sebagai data inputan yang diambil secara random dan data inputan crossover rate (Cr). Sistem akan melakukan perulangan untuk menghasilkan keturunan sejumlah crossover rate dikalikan dengan jumlah populasi awal (popsize). Pada parent yang terpilih untuk proses crossover akan dipilih cut point secara random pada masingmasing tahapnya. Petakan urutan kromosom dengan mengurutkan pada posisi kanan cut point. Tukar posisi gen sesuai dengan urutan asal. Setelah proses selesai maka akan tampil individu dari persilangan dua kromosom yang dipilih secara random. induk ke 1 Gen ke Induk ke 2 Gen ke Gambar 2 Ilustrasi Individu Yang Akan Dilakukan Crossover Pada Gambar 2 ilustrasi individu yang akan dilakukan crossover yang misalkan yang terpilih adalah p1 dan p5,individu terpilih didapatkan secara acak selanjutnya dari masing-masing individu akan dilakukan crosover pada titik ke 4. Anak ke Gen ke Gambar 3 hasil crossover Gambar 3 diatas adalah hasil crossover antara induk 1 dan induk 2 menghasilkan satu anak Mutasi Proses mutasi menggunakan metode reciprocal exchange mutation dilakukan dengan memilih dua posisi dari kromosom yang nilainya akan ditukan. Pada proses mutasi digunakan 1 kromosom parent sebagai inputannya yang diambil secara random dan inputan mutation rate. Sistem melakukan perulangan untuk menghasilkan offspring dari hasil mutasi sejumlah mutation rate dikalikan dengan jumlah populasi awal (popsize). Pada parent yang terpilih untuk proses mutasi akan dipilih secara random titik mutasi. Mempetakan urutan kromosom dengan mengurutkan pada posisi kanan cut point. Selanjutnya, menukar posisi gen sesuai dengan urutan asal. Setelah proses selesai maka akan tampil individu dari hasil mutasi kromosom yang dipilih secara random. Kromosom sebelum mutasi : Gen ke Kromosom setelah mutasi : Gen ke 3
4 Gambar 4 Ilustrasi mutasi Pada Gambar 4 diatas merupakan ilustrasi mutasi, nilai yang ditukar nilai dari gen ke 3 dan gen ke Evaluasi Melakukan evaluasi pada data kromosom terhadap nilai fitness yang digunakan. Nilai fitness merupakan suatu ukuran baik tidaknya suatu solusi yang dinyatakan sebagai satu individu, atau dengan kata lain nilai fitness menyatakan nilai dari fungsi tujuan. Algoritma genetika mempunyai tujuan untuk memaksimalkan nilai fitness atau mencari nilai fitness maksimal. Langkah awal tahap evaluasi ini menghitung nilai fitness, fungsi fitness ditunjukan pada persamaan 2.1 ( )...(2.1) Keterangan : f = Nilai fitness C = Nilai konstata yang ditetapkan Pinalti = Pelanggaran yang ditetapkan berupa bentrok kuliah 2.6 Seleksi Pada tahap seleksi ini memilih individuindividu yang akan dipilih untuk proses persilangan dan mutasi. Proses seleksi ini bertujuan memperoleh calon induk yang baik. Induk yang baik akan menghasilkan keturunan yang baik. Nilai fitness inilah yang nantinya akan digunakan sebagai populasi awal pada generasi berikutnya. Langkah awal pada proses seleksi ini adalah mencari fitness. Setiap individu yang telah dihitung nilai fitnessnya, nilai fitness yang akan di gunakan untuk tahap seleksi beikutnya Binary Tournament Seleksi binary tournament didapatkan dari mengambil secara acak sejumlah individu dari offspring. Satu individu akan bersaing dengan individu lain untu menentukan niai fitness tertinggi yang akan menjadi pemenang, dan individu sebagai pemenand akan terpiluh dalam populasi generasi berikutnya. Seleksi binary tournament memberikan kesempatan pada semua individu terpilih untuk mempertahankan keragamannya (Razali,2011). Proses penjadwalan Asisten dengan algoritma genetika ditunjukan pada Gambar 4. Mulai Input jumlah_populasi, cr, mr, seleksi, jumlah_generasi Pengkodean Kromosom Inisialisasi populasi awal For i=1 ke jumlah_generasi Crossover Mutasi Seleksi i++ Individu terbaik Selesai Gambar 6 Diagram Alir Algoritma genetika 4. Implementasi Implementasi antar muka pada penjadwalan asisten dengan algoritma genetika terdiri dari 6 halaman yang terdiri dari halaman awal, halaman input data kelas, halaman input data asisten, halaman kesediaan Asisten, halaman proses algoritma genetika dan halaman hasil penjadwalan. Gambar 6 Implementasi User Interface Pada Halaman Awal Gambar 6 diatas merupakan implementasi user interface pada halaman awal Pada halaman awal berfungsi untuk pengenalan aplikasi penjadwalan asisten. Di sebelah kiri terdapat menu untuk menuju ke halaman lainya. 3. Perancangan 3.1 Data penelitian Data yang digunakan untuk penelitian ini di dapatkan dari laboraturium komputer dasar Program Teknologi Informasi dan Ilmu Komputer Universitas Brawijaya. Data tersebut antara lain data asisten dan data kelas, sedangkan data kesediaan asisten di dapatkan dari data dummy. 4
5 Gambar 7 Halaman data asisten Halaman kedua yaitu halaman data asisten yang berfungsi untuk menampilkan seluruh daftar asisten yang ada. Gambar 9 Halaman kesediaan asisten Halaman keempat yaitu halaman kesediaan asisten. Halaman ini berfungsi untuk menampilkan kesediaan mengajar dari tiap asisten. Gambar 8 Halaman jadwal praktikum Halaman ketiga yaitu halaman data jadwal praktikum yang berisikan jadwal praktikum yang yang telah ditentukan oleh akademik. Gambar 11 User Interface Halaman Algoritma Genetika Halaman kelima yaitu halaman proses genetika. Halaman ini berfungsi untuk melakukan proses penjadwalan Pada Gambar 12 merupakan implementasi user interface pada halaman penjadwalan, halaman ini berfungsi untuk menampilkan hasil dari penjadwalan asisten yang di dapatkan dari kromosom terbaik. 5
6 Rata-rata Fitnes Rata-Rata Fitnes Gambar 12 User Interface Halaman Hasil Penjadwalan 5. Pengujian dan Analisa 5.1 Hasil pengujian populasi Ukuran populasi yang akan diujikan adalah Cr dan Mr yang digunakan masing-masing adalah 0,5, generasi yang digunakan adalah 10. Hasil pengujian dapat dilihat pada Gambar Ukuran Populasi Gambar 13 Hasil uji coba pengujian ukuran populasi Pada Gambar 13, rata-rata fitness yang dihasilkan dari ukuran populasi 10 hingga ukuran populasi 60 mengalami kenaikan. Kemudian pada ukuran populasi 80 rata-rata fitnessnya mengalami penurunan. Pada umumnya, dengan penambahan ukuran populasi akan meningkatkan nilai fitness karena akan menghasilkan keragaman individu yang lebih banyak, sehingga akan lebih membuka peluang untuk menghasilkan individu yang memiliki nilai fitness yang besar (Pratiwi,dkk, 2014). namun dengan ukuran populasi yang besar tersebut akan waktu untuk komputasi atau menemukan solusi akan lebih lama. Sebaliknya, jika ukuran populasi kecil, maka semakin rendah peluang untuk menemukan individu dengan nilai fitness yang besar, tetapi waktu untuk menemukan solusi akan lebih cepat. Pada pengujian ini, didapatkan parameter ukuran populasi (popsize) yang optimal adalah Hasil pengujian Generasi Banyak generasi yang digunakan adalah kelipatan 10. Banyak populasi yang digunakan yaitu 50 populasi. Sedangkan kombinasi Cr dan Mr yang digunakan adalah 0,5 : 0,5. Pengujian dilakukan masing-masing 10 kali. Dari 10 percobaan tersebut akan dirata-rata untuk mengetahui generasi yang optimal dari masing-masing generasi Ukuran Generasi Gambar 14 Hasil uji coba pengujian ukuran Generasi Pada Gambar 14 rata-rata fitness yang dihasilkan dari ukuran generasi 10 hingga ukuran populasi 30 mengalami kenaikan. Kemudian pada ukuran generasi 40 rata-rata fitnessnya mengalami penurunan. Semakin banyak jumlah generasi berpengaruh terhadap meningkatnya kemampuan algoritma genetika dalam mencari solusi terbaik. Pada penelitian ini tingginya jumlah generasi belum tentu menghasilkan nilai yang optimal. Selain itu hal tersebut akan membutuhkan waktu lama untuk prosesnya. Pada generasi 30 merupakan titik optimum karena tidak terjadi lagi kenaikan rata-rata fitness yang signifikan setelah generasi diatas 30. Pada pengujian ini, didapatkan parameter ukuran populasi (popsize) yang optimal adalah 30. Sehingga pada pengujian berikutnya akan menggunakan ukuran populasi sebesar Hasil pengujian Kombinasi Crossover rate dan Mutation Rate Banyak populasi dan generasi yang digunakan adalah populasi dan generasi terbaik pada uji coba populasi dan generasi yaitu populasi 50 generasi 30. Sedangkan kombinasi yang digunakan yaitu nilai 0 hingga 1 yaitu Nilai dari kombinasi cr dan mr yang digunakan pada pengujian ini yaitu 0:1, 0.1:0.9, 0.2:0.8, 0.3:0.7, 0.4:0.6, 0,5:0.5, 0.6:0.4, 0.7:0.3, 0.8:0.2, 0.9:0.1 dan 1:0. Perbandingan kombinasi Cr dan Mr tersebut akan menghasilkan jumlah anak yang sama dari masing-masing parameter, sehingga proses perbandingan dari masing-masing parameter seimbang. Kombinasi Cr dan Mr yang kecil akan menghasilkan peluang individu yang baik lebih kecil dari pada kombinasi Cr dan Mr yang memiliki kombinasi nilai yang besar, hal ini menyebabkan rata-rata nilai fitness yang di hasilkan dari kombinasi Cr dan Mr yang kecil lebih rendah dari pada nilai rata-rata fitness kombinasi nilai Cr dan Mr yang tinggi (Mahmudy, 2013) 6
7 Rata-Rata Fitness Kombinasi Cr:Mr Gambar 15 Hasil Uji Coba Pengujian Kombinasi Cr dan Mr Pada grafik Gambar 6.3 dapat dilihat ratarata fitness terbaik dan optimal pada uji coba ini adalah 961 yaitu pada kombinasi crossover rate 0,5 dan mutation rate 0,5. Kombinasi terburuk yaitu pada kombinasi crossover rate 1 dan mutation rate 0 dengan rata-rata fitness 919. Maka dapat disimpulkan komnbinasi Cr : Mr terbaik adalah 0,5:0,5. Apabila menggunakan nilai Cr yang rendah dan nilai Mr rendah maka algoritma genetika akan bekerja seperti random search dan tidak mampu untuk mengeksplorasi daerah pencarian secara efektif. Pada kondisi sebaliknya, apabila nilai Cr tinggi dan Mr rendah maka algoritma genetika tidak akan mampu memperlebar area pencarian (Mahmudy,2013). 6 PENUTUP 6.1 Kesimpulan Berdasarkan hasil implementasi dan pengujian dalam menerapkan algoritma genetika untuk penjadwalan mengajar asisten laboratorium, maka dapat diambil beberapa kesimpulan sebagai berikut : 1. Bentuk representasi kromosom yang digunakan memiliki panjang kromosom pada interval [1 52] yang didapatkan secara random. Dari adanya panjang kromosom yang berbeda-beda, offspring yang dihasilkan akan lebih bervariasi sehingga dapat mempengaruhi hasil fitness. Penggunaan metode one-cut point dalam proses crossover, metode reciprocal exchange mutation dalam proses mutasi dan metode binary tournament dalam proses seleksinya memberikan hasil yang hampir mendekati maksimal. 2. Untuk menentukan parameter algoritma genetika yang digunakan pada penjadwalan mengajar asisten laboratorium maka dilakukan pengujian parameter yang terdiri dari ukuran populasi (popsize), crossover rate (cr), mutation rate (mr) dan jumlah generasi. Hasil dari pengujian merupakan parameter dengan nilai rata-rata fitness tertinggi dari percobaan yang dilakukan sebanyak 10 kali. Hasilnya didapatkan ukuran populasi 50, crossover rate 0.5, mutation rate 0.5 dan jumlah generasi 30 yang memiliki nilai rata-rata fitness tertinggi. 3. Kualitas solusi yang dihasilkan diukur menggunakan fungsi fitness. Semakin besar nilai fitness dari solusi, maka semakin baik solusi yang dihasilkan. Semakin kecil nilai fitness yang dihasilkan, maka semakin buruk solusi yang didapatkan. 4. Penggunaan algoritma genetika dengan strategi perbaikan (repair) membutuhkan waktu running yang lama (Mahmudy dkk,2014), sehingga pada penelitian ini tidak dilakukan strategi perbaikan (repair) untuk perbaikan kromosom, dengan algoritma genetika tanpa strategi repair dapat menghasilkan kromosom terbaik yang merupakan keberhasilan pejadwalan dengan waktu optimal dan jumlah pinalti terendah. 6.2 Saran Aplikasi ini dapat dikembangkan untuk menyelesaikan masalah penjadwalan asisten dengan menggunakan metode crossover dan mutasi yang berbeda, data yang digunakan dapat diperbanyak dan proses uji coba yang dilakukan agar lebih bervariasi supaya mendapatkan hasil yang lebih baik. Mengaplikasikan algoritma genetika dengan menggunakan bahasa pemrograman lain yang mampu melakukan proses komputasi lebih cepat, serta Dapat mengaplikasikan metode crossover, mutasi atau seleksi lain. Daftar Pustaka Amelia Implementasi Hybrid Algoritma Genetika Untuk Penjadwalan Auditor Pada Audit Internal Mutu Universitas Brawijaya.Skripsi, Program Teknologi Informasi dan Ilmu Komputer, Universitas Brawijaya. Kumar, Sujit Jha Exam Timetabling Problem Using Genetic Algorithm. IJRET: International Journal of Research in Engineering and Technology eissn: Mahmudy, WF Algoritma Evolusi. Program Teknologi Informasi dan Ilmu Komputer, Universitas Brawijaya, Malang. Mahmudy, WF, Marian, RM & Luong, LHS 2014, 'Hybrid genetic algorithms for part type selection and machine loading problems with alternative production plans in flexible manufacturing system', ECTI Transactions on Computer and Information Technology (ECTI CIT), vol. 8, no. 1, pp Nataliani, Yesicca,dkk., Penerapan Algoritma Fuzzy Multi-Attribute Decision Making pada Penjadwalan Ujian Skripsi. Fakultas Teknologi Informasi. Universitas Kristen Satya Wacana 7
8 Pratiwi, MI, Mahmudy, WF & Dewi, C 2014, 'Implementasi algoritma genetika pada optimasi biaya pemenuhan kebutuhan gizi', DORO: Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya, vol. 4, no. 6. Siswono,dkk Analisa Kombinasi Algoritma Genetika Dengan Algoritma Palgunadi Untuk Penjadwalan Mata Kuliah Di Universitas Sebelas Maret. Jurusan Informatika. Universitas Sebelas Maret. Razali, N. M., & Geraghty, j.(2011). Genetic Algorithm Performance with Different Selection Strategies in Solving TSP. 8
OPTIMASI JADWAL MENGAJAR ASISTEN LABORATORIUM MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI JADWAL MENGAJAR ASISTEN LABORATORIUM MENGGUNAKAN ALGORITMA GENETIKA Indana Zulfa 1, Wayan Firdaus Mahmudy 2, Budi Darma Setiawan 3 Teknik Informatika, Program Teknologi Informasi dan Ilmu Komputer,
Lebih terperinciOptimasi Penjadwalan Mata Pelajaran Menggunakan Algoritma Genetika (Studi Kasus : SMPN 1 Gondang Mojokerto)
Optimasi Penjadwalan Mata Pelajaran Menggunakan Algoritma Genetika (Studi Kasus : SMPN 1 Gondang Mojokerto) Dianita Dwi Permata Sari 1, Wayan Firdaus Mahmudy 2, Dian Eka Ratnawati 3 Teknik Informatika,
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 terperinciPENJADWALAN KAPAL PENYEBERANGAN MENGGUNAKAN ALGORITMA GENETIKA
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol. 3, No. 1, Maret 2016, hlm. 48-55 PENJADWALAN KAPAL PENYEBERANGAN MENGGUNAKAN ALGORITMA GENETIKA Ria Febriyana 1, Wayan Firdaus Mahmudy 2 Program
Lebih terperinciOPTIMASI PERSEDIAAN BAJU MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI PERSEDIAAN BAJU MENGGUNAKAN ALGORITMA GENETIKA andra Aditya 1), Wayan Firdaus Mahmudy 2) 1) Program Studi Teknik Informatika, Fakultas Ilmu Komputer Malang Jl. Veteran, Malang 65145, Indonesia
Lebih terperinciPenentuan Portofolio Saham Optimal Menggunakan Algoritma Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 1, Januari 2017, hlm. 63-68 http://j-ptiik.ub.ac.id Penentuan Portofolio Saham Optimal Menggunakan Algoritma Genetika
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK PENENTUAN BATASAN FUNGSI KENGGOTAAN FUZZY TSUKAMOTO PADA KASUS PERAMALAN PERMINTAAN BARANG
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol. 3, No. 3, September 2016, hlm. 169-173 PENERAPAN ALGORITMA GENETIKA UNTUK PENENTUAN BATASAN FUNGSI KENGGOTAAN FUZZY TSUKAMOTO PADA KASUS PERAMALAN
Lebih terperinciJurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: -X Vol., No., Maret 0, hlm. - http://j-ptiik.ub.ac.id Optimasi Penjadwalan Asisten Praktikum pada Laboratorium Pembelajaran Menggunakan
Lebih terperinciPenjadwalan Dinas Pegawai Menggunakan Algoritma Genetika Pada PT Kereta Api Indonesia (KAI) Daerah Operasi 7 Stasiun Besar Kediri
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 11, November 2018, hlm. 4371-4376 http://j-ptiik.ub.ac.id Penjadwalan Dinas Pegawai Menggunakan Algoritma Genetika
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK PERMASALAHAN OPTIMASI DISTRIBUSI BARANG DUA TAHAP
PENERAPAN ALGORITMA GENETIKA UNTUK PERMASALAHAN OPTIMASI DISTRIBUSI BARANG DUA TAHAP Riska Sulistiyorini ), Wayan Firdaus Mahmudy ), Program Studi Teknik Informatika Program Teknologi Informasi dan Ilmu
Lebih terperinciOptimasi Penjadwalan Mata Pelajaran Pada Kurikulum 2013 Dengan Algoritme Genetika (Studi Kasus: SMA Negeri 3 Surakarta)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 12, Desember 2017, hlm. 1535-1542 http://j-ptiik.ub.ac.id Optimasi Penjadwalan Mata Pelajaran Pada Kurikulum 2013
Lebih terperinciOptimasi Penjadwalan Mata Pelajaran Menggunakan Algoritme Genetika (Studi Kasus: SMK Negeri 2 Kediri)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 10, Oktober 2017, hlm. 1066-1072 http://j-ptiik.ub.ac.id Optimasi Penjadwalan Mata Pelajaran Menggunakan Algoritme
Lebih terperinciOPTIMASI PENJADWALAN PERAWAT MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI PENJADWALAN PERAWAT MENGGUNAKAN ALGORITMA GENETIKA Rifqy Rosyidah Ilmi 1, Wayan Firdaus Mahmudy 2, Dian Eka Ratnawati 2 1 Mahasiswa, 2 Dosen Pembimbing Informatika, Fakultas Ilmu Komputer, Universitas
Lebih terperinciOptimasi Penjadwalan Moving Class Menggunakan Algoritma Genetika (Studi Kasus: SMA Negeri 1 Turatea)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 4, Juli 2018, hlm. 1768-1777 http://j-ptiik.ub.ac.id Optimasi Penjadwalan Moving Class Menggunakan Algoritma Genetika
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 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 terperinciOptimasi distribusi barang dengan algoritma genetika
Optimasi distribusi barang dengan algoritma genetika Yasmin Ghassani Panharesi 1, Wayan Firdaus Mahmudy 2 Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email : yasminghassani@gmail.com 1,
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 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 terperinciANALISIS PENGATURAN INDIVIDU CROSSOVER DAN MUTASI ALGORITMA GENETIKA STUDI KASUS TRAVELLING SALESMAN PROBLEM
ANALISIS PENGATURAN INDIVIDU CROSSOVER DAN MUTASI ALGORITMA GENETIKA STUDI KASUS TRAVELLING SALESMAN PROBLEM Sean Coonery Sumarta* 1 1 Program Studi Teknik Informatika, Universitas Atma Jaya Makassar,
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 terperinciImplementasi Algoritma Genetika Untuk Penjadwalan Customer Service (Studi Kasus: Biro Perjalanan Kangoroo)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol., No. 6, Juni 207, hlm. 456-465 http://j-ptiik.ub.ac.id Implementasi Algoritma Genetika Untuk Penjadwalan Customer Service
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 terperinciPEMBOBOTAN PENILAIAN UJIAN PILIHAN GANDA MENGGUNAKAN ALGORITMA GENETIKA
PEMBOBOTAN PENILAIAN UJIAN PILIHAN GANDA MENGGUNAKAN ALGORITMA GENETIKA Ida Wahyuni 1, Wayan Firdaus Mahmudy 2 1,2 Program Studi Magister Ilmu Komputer, Fakultas Ilmu Komputer, Universitas Brawijaya Jl.
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 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 terperinciIMPLEMENTASI ALGORITMA GENETIKA PADA OPTIMASI BIAYA PEMENUHAN KEBUTUHAN GIZI
IMPLEMENTASI ALGORITMA GENETIKA PADA OPTIMASI BIAYA PEMENUHAN KEBUTUHAN GIZI Monica Intan Pratiwi 1, Wayan Fidaus Mahmudy, Candra Dewi Teknik Informatika, Program Teknologi Informasi dan Ilmu Komputer,
Lebih terperinciOptimasi Penataan Barang pada Proses Distribusi Menggunakan Algoritme Evolution Strategies
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 5, Mei 2018, hlm. 1874-1882 http://j-ptiik.ub.ac.id Optimasi Penataan Barang pada Proses Distribusi Menggunakan Algoritme
Lebih terperinciOptimasi Pembagian Barang Alat Tulis Kantor Menggunakan Algoritme Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: -X Vol., No., Maret, hlm. - http://j-ptiik.ub.ac.id Optimasi Pembagian Barang Alat Tulis Kantor Menggunakan Algoritme Genetika Ardiansyah
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 terperinciAlgoritma Evolusi Real-Coded GA (RCGA)
Algoritma Evolusi Real-Coded GA (RCGA) Imam Cholissodin imam.cholissodin@gmail.com Pokok Bahasan 1. Siklus RCGA 2. Alternatif Operator Reproduksi pada Pengkodean Real 3. Alternatif Operator Seleksi 4.
Lebih terperinciAlgoritma Evolusi Dasar-Dasar Algoritma Genetika
Algoritma Evolusi Dasar-Dasar Algoritma Genetika Imam Cholissodin imam.cholissodin@gmail.com Pokok Bahasan 1. Pengantar 2. Struktur Algoritma Genetika 3. Studi Kasus: Maksimasi Fungsi Sederhana 4. Studi
Lebih terperinciPenerapan Algoritme Genetika Untuk Penjadwalan Latihan Reguler Pemain Brass Marching Band (Studi Kasus: Ekalavya Suara Brawijaya)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 9, September 2018, hlm. 2950-2956 http://j-ptiik.ub.ac.id Penerapan Algoritme Genetika Untuk Penjadwalan Latihan
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 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 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 terperinciPenyelesaian Penjadwalan Flexible Job Shop Problem dengan menggunakan Real Coded Genetic Algorithm
Penyelesaian Penjadwalan Flexible Job Shop Problem dengan menggunakan Real Coded Genetic Algorithm M. C. C. Utomo 1, Wayan Firdaus Mahmudy 2, Marji Program Teknologi Informasi dan Ilmu Komputer, Universitas
Lebih terperinciOptimasi Multiple Travelling Salesman Problem Pada Pendistribusian Air Minum Menggunakan Algoritme Genetika (Studi Kasus: UD.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 9, Juni 2017, hlm. 849-858 http://j-ptiik.ub.ac.id Optimasi Multiple Travelling Salesman Problem Pada Pendistribusian
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 terperinciPENYELESAIAN VEHICLE ROUTING PROBLEM WITH TIME WINDOWS (VRPTW) MENGGUNAKAN ALGORITMA GENETIKA HYBRID
JOURNAL OF ENVIRONMENTAL ENGINEERING & SUSTAINABLE TECHNOLOGY P-ISSN : 2356-3109 PENYELESAIAN VEHICLE ROUTING PROBLEM WITH TIME WINDOWS (VRPTW) MENGGUNAKAN ALGORITMA GENETIKA HYBRID Diah Anggraeni Pitaloka
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 terperinciPEMODELAN REGRESI NON LINEAR MENGGUNAKAN ALGORITMA GENETIKA UNTUK PREDIKSI KEBUTUHAN AIR PDAM KOTA MALANG
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol. 3, No. 1, Maret 2016, hlm. 59-65 PEMODELAN REGRESI NON LINEAR MENGGUNAKAN ALGORITMA GENETIKA UNTUK PREDIKSI KEBUTUHAN AIR PDAM KOTA MALANG Vitara
Lebih terperinciPenerapan algoritma evolution strategies untuk optimasi distribusi barang dua tahap
Penerapan algoritma evolution strategies untuk optimasi distribusi barang dua tahap Candra Bella Vista 1, Wayan Firdaus Mahmudy 2 Program Studi Informatika / Ilmu Komputer Fakultas Ilmu Komputer Universitas
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 terperinciOptimasi Persediaan Barang Dalam Produksi Jilbab Menggunakan Algoritma Genetika
Optimasi Persediaan Barang Dalam Produksi Jilbab Menggunakan Algoritma Genetika Maretta Dwi Tika Ramuna 1), Wayan Firdaus Mahmudy 2) Program Studi Informatika / Ilmu Komputer Program Teknologi Informasi
Lebih terperinciPencarian Rute Terpendek untuk Pengoptimalan Ditribusi Sales Rokok Gudang Garam di kecamatan Wuluhan Kabupaten Jember Menggunakan Algoritma Genetika
Pencarian Rute Terpendek untuk Pengoptimalan Ditribusi Sales Rokok Gudang Garam di kecamatan Wuluhan Kabupaten Jember Menggunakan Algoritma Genetika Priza Pandunata, Rachmad Agung Bagaskoro, Agung Ilham
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 terperinciPERANCANGAN APLIKASI SISTEM PENJADWALAN LABORATORIUM FISIKA DASAR DI UNIVERSITAS GUNADARMA
PERANCANGAN APLIKASI SISTEM PENJADWALAN LABORATORIUM FISIKA DASAR DI UNIVERSITAS GUNADARMA Sabila Nadhirah 1 Febriani 2 1,2Teknik Informatika, Universitas Gundarma 1,2{sabila, febriani }@staff.gunadarma.ac.id
Lebih terperinciOptimasi Penjadwalan Damping Mahasiswa Difabel Menggunakan Algoritma Genetika (Studi Kasus PSLD Universitas Brawijaya)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 9, Juni 2017, hlm. 774-782 http://j-ptiik.ub.ac.id Optimasi Penjadwalan Damping Mahasiswa Difabel Menggunakan Algoritma
Lebih terperinciPenerapan Algoritma Genetika Untuk Vehicle Routing Problem with Time Window (VRPTW) Pada Kasus Optimasi Distribusi Beras Bersubsidi
Penerapan Algoritma Genetika Untuk Vehicle Routing Problem with Time Window (VRPTW) Pada Kasus Optimasi Distribusi Beras Bersubsidi Farah Bahtera Putri 1, Wayan Fidaus Mahmudy, Dian Eka Ratnawati Teknik
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 terperinciPenerapan Genetic Algorithm Untuk Optimasi Peningkatan Laba Persediaan Produksi Pakaian
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 6, Juni 218, hlm. 2168-2172 http://j-ptiik.ub.ac.id Penerapan Genetic Algorithm Untuk Optimasi Peningkatan Laba Persediaan
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 terperinciPenyelesaian Penjadwalan Flexible Job Shop Problem Menggunakan Real Coded Genetic Algorithm
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 1, Januari 2017, hlm 57-62 http://j-ptiik.ub.ac.id Penyelesaian Penjadwalan Flexible Job Shop Problem Menggunakan
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 terperinci2 TINJAUAN PUSTAKA. 2.1 Peringkasan Teks
4 2 TINJAUAN PUSTAKA 2.1 Peringkasan Teks Peringkasan teks adalah proses pemampatan teks sumber ke dalam versi lebih pendek namun tetap mempertahankan informasi yang terkandung didalamnya (Barzilay & Elhadad
Lebih 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 terperinciPenerapan Algoritma Genetika Traveling Salesman Problem with Time Window: Studi Kasus Rute Antar Jemput Laundry
Suprayogi, Penerapan Algoritma Genetika Traveling Salesman Problem with Time Window: Studi Kasus Rute Antar Jemput Laundry 121 Penerapan Algoritma Genetika Traveling Salesman Problem with Time Window:
Lebih terperinciOPTIMASI VEHICLE ROUTING PROBLEM WITH TIME WINDOWS PADA DISTRIBUSI KATERING MENGGUNAKAN ALGORITMA GENETIKA
Seminar Nasional Sistem Informasi Indonesia, 2-3 November 2015 OPTIMASI VEHICLE ROUTING PROBLEM WITH TIME WINDOWS PADA DISTRIBUSI KATERING MENGGUNAKAN ALGORITMA GENETIKA Dwi Cahya Astriya Nugraha 1), Wayan
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 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 terperinciOPTIMASI TRAVELLING SALESMAN PROBLEM WITH TIME WINDOWS (TSP-TW) PADA PENJADWALAN PAKET RUTE WISATA DI PULAU BALI MENGGUNAKAN ALGORITMA GENETIKA
Seminar Nasional Sistem Informasi Indonesia, 2-3 November 2015 OPTIMASI TRAVELLING SALESMAN PROBLEM WITH TIME WINDOWS (TSP-TW) PADA PENJADWALAN PAKET RUTE WISATA DI PULAU BALI MENGGUNAKAN ALGORITMA GENETIKA
Lebih terperinciArif Munandar 1, Achmad Lukman 2 1 Teknik Informatika STMIK El Rahma Yogyakarta, Teknik Informatika STMIK El Rahma Yogyakarta
PENJADWALAN MATAKULIAH DENGAN ALGORITMA GENETIKA MENGGUNAKAN FRAMEWORK CODEIGNITER (STUDI KAUS PROGRAM STUDI S PENDIDIKAN AGAMA ISLAM UNIVERSITAS ALMA ATA YOGYAKARTA) Arif Munandar, Achmad Lukman 2 Teknik
Lebih terperinciIMPLEMENTASI ALGORITMA GENETIKA PADA PENJADWALAN PERKULIAHAN
IMPLEMENTASI ALGORITMA GENETIKA PADA PENJADWALAN PERKULIAHAN Uning Lestari 2, Naniek Widyastuti 3, Desti Arghina Listyaningrum 1 1,2,3 Teknik Informatika, Fakultas Teknologi Industri, IST AKPRIND Yogyakarta
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 terperinciSISTEM PENJADWALAN PERKULIAHAN MENGGUNAKAN ALGORITMA GENETIKA (STUDI KASUS PADA JURUSAN TEKNOLOGI INFORMASI FAKULTAS TEKNIK UNIVERSITAS TADULAKO)
JIMT Vol. 14 No. 2 Desember 2017 (Hal 242-255) ISSN : 2450 766X SISTEM PENJADWALAN PERKULIAHAN MENGGUNAKAN ALGORITMA GENETIKA (STUDI KASUS PADA JURUSAN TEKNOLOGI INFORMASI FAKULTAS TEKNIK UNIVERSITAS TADULAKO)
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 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 terperinciTAKARIR. algorithm algoritma/ kumpulan perintah untuk menyelesaikan suatu masalah. kesalahan program
TAKARIR advanced tingkat lanjut algorithm algoritma/ kumpulan perintah untuk menyelesaikan suatu masalah alleles nilai suatu gen. bug kesalahan program chromosome kromosom crossover penyilangan kromosom
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK MENENTUKAN BIAYA MINIMAL DISTRIBUSI BARANG TIGA TAHAP PT. SEMEN TONASA
PENERAPAN ALGORITMA GENETIKA UNTUK MENENTUKAN BIAYA MINIMAL DISTRIBUSI BARANG TIGA TAHAP PT. SEMEN TONASA Andi Baharuddin 1, Aidawayati Rangkuti 2, Armin Lawi 3 Program Studi Matematika, Jurusan Matematika,
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 terperinciDenny Hermawanto
Algoritma Genetika dan Contoh Aplikasinya Denny Hermawanto d_3_nny@yahoo.com http://dennyhermawanto.webhop.org Lisensi Dokumen: Seluruh dokumen di IlmuKomputer.Com dapat digunakan, dimodifikasi dan disebarkan
Lebih terperinciIMPLEMENTASI ALGORITMA GENETIKA DALAM PENJADWALAN PERKULIAHAN DAN PRAKTIKUM (STUDI KASUS : FASILKOM-TI DAN FMIPA USU) SKRIPSI
IMPLEMENTASI ALGORITMA GENETIKA DALAM PENJADWALAN PERKULIAHAN DAN PRAKTIKUM (STUDI KASUS : FASILKOM-TI DAN FMIPA USU) SKRIPSI YAKHDI PERARI PINEM 131421088 PROGRAM STUDI EKSTENSI S1 ILMU KOMPUTER FAKULTAS
Lebih terperinciBab II Konsep Algoritma Genetik
Bab II Konsep Algoritma Genetik II. Algoritma Genetik Metoda algoritma genetik adalah salah satu teknik optimasi global yang diinspirasikan oleh proses seleksi alam untuk menghasilkan individu atau solusi
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
digilib.uns.ac.id BAB I PENDAHULUAN 1.1 Latar Belakang Jadwal merupakan daftar atau tabel kegiatan atau rencana kegiatan dengan pembagian waktu pelaksanaan yang terperinci. Universitas menggunakan tabel
Lebih terperinciPenerapan Algoritma Genetika untuk Optimasi Vehicle Routing Problem with Time Window (VRPTW) Studi Kasus Air Minum Kemasan
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 2, Februari 2017, hlm. 100-107 http://j-ptiik.ub.ac.id Penerapan Algoritma Genetika untuk Optimasi Vehicle Routing
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Penjadwalan Penjadwalan kegiatan belajar mengajar pada suatu lembaga pendidikan biasanya merupakan salah satu pekerjaan yang tidak mudah dan menyita waktu. Pada lembaga pendidikan
Lebih 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 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 terperinciOptimasi Fungsi Keanggotaan Fuzzy Menggunakan Algoritma Genetika Dalam Penentuan Kebutuhan Gizi Bayi MPASI
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 7, Juli 218, hlm. 276-2712 http://j-ptiik.ub.ac.id Optimasi Fungsi Keanggotaan Fuzzy Menggunakan Algoritma Genetika
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 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 terperinciGenetic Algorithme. Perbedaan GA
Genetic Algorithme Algoritma ini bekerja dengan sebuah populasi yang terdiri atas individu-individu (kromosom). Individu dilambangkan dengan sebuah nilai kebugaran (fitness) yang akan digunakan untuk mencari
Lebih terperinciOptimasi Komposisi Pakan Sapi Perah Menggunakan Algoritma Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 1, Januari 2017, hlm. 69-74 http://j-ptiik.ub.ac.id Optimasi Komposisi Pakan Sapi Perah Menggunakan Algoritma Genetika
Lebih terperinciPerancangan Dan Pembuatan Aplikasi Rekomendasi Jadwal Perkuliahan Pada Institut Informatika Indonesia Memanfaatkan Algoritma Genetika
Perancangan Dan Pembuatan Aplikasi Rekomendasi Jadwal Perkuliahan Pada Institut Informatika Indonesia Memanfaatkan Algoritma Genetika Hermawan Andika, S.Kom., M.Kom. Jurusan Teknik Informatika Institut
Lebih terperinciERWIEN TJIPTA WIJAYA, ST.,M.KOM
ERWIEN TJIPTA WIJAYA, ST.,M.KOM DEFINISI ALGEN adalah algoritma yang memanfaatkan proses seleksi alamiah yang dikenal dengan evolusi Dalam evolusi, individu terus menerus mengalami perubahan gen untuk
Lebih 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 terperinciOPTIMASI VEHICLE ROUTING PROBLEM WITH TIME WINDOW (VRPTW) MENGGUNAKAN ALGORITMA GENETIKA PADA DISTRIBUSI BARANG
OPTIMASI VEHICLE ROUTING PROBLEM WITH TIME WINDOW (VRPTW) MENGGUNAKAN ALGORITMA GENETIKA PADA DISTRIBUSI BARANG Meitasari Winardi Saputri 1, Wayan Fidaus Mahmudy, Dian Eka Ratnawati Teknik Informatika,
Lebih terperinciPENJADWALAN UJIAN AKHIR SEMESTER DENGAN ALGORITMA GENETIKA (STUDI KASUS JURUSAN TEKNIK INFORMATIKA UNESA)
Penjadwalan Ujian Akhir Semester dengan Algoritma Genetika PENJADWALAN UJIAN AKHIR SEMESTER DENGAN ALGORITMA GENETIKA (STUDI KASUS JURUSAN TEKNIK INFORMATIKA UNESA) Anita Qoiriah Jurusan Teknik Informatika,
Lebih 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 terperinciIMPLEMENTASI ALGORITMA GENETIKA UNTUK OPTIMASI PENGGUNAAN LAHAN PERTANIAN
IMPLEMENTASI ALGORITMA GENETIKA UNTUK OPTIMASI PENGGUNAAN LAHAN PERTANIAN Harim Adi Saputro 1, Wayan Firdaus Mahmudy 2, Candra Dewi 3 Teknik Informatika, Program Teknologi Informasi dan Ilmu Komputer,
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 terperinciAsri Maspupah Jurusan Informatika, Fakultas MIPA Universitas Jenderal Achmad Yani Jl. Terusan Sudirman, Cimahi
Perbandingan Jumlah Pinalti Alokasi Task pada Penjadwalan Kerja dengan Perhitungan Manual dan Algoritma Genetika Asri Maspupah Jurusan Informatika, Fakultas MIPA Universitas Jenderal Achmad Yani Jl. Terusan
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 terperinciPrediksi Jumlah Pengangguran Terbuka di Indonesia menggunakan Metode Genetic-Based Backpropagation
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 4, April 2017, hlm. 341-351 http://j-ptiik.ub.ac.id Prediksi Jumlah Pengangguran Terbuka di Indonesia menggunakan
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 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 terperinci1. Pendahuluan 1.1. Latar Belakang
1. Pendahuluan 1.1. Latar Belakang Perkembangan teknologi informasi yang begitu pesat sekarang ini memberikan dampak yang besar terhadap kinerja manusia khususnya dalam bekerja. Segala sesuatu yang dahulu
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 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 terperinci