Peramalan Kebutuhan Beban Sistem Tenaga Listrik Menggunakan Algoritma Genetika
|
|
- Sudirman Kusumo
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Peramalan Kebutuhan Beban Sistem Tenaga Listrik Menggunakan Algoritma Genetika M. Syafrizal, Luh Kesuma Wardhani, M. Irsyad Jurusan Teknik Informatika - Universitas Islam Negeri Sultan Syarif Kasim Riau safrizal.ilal@gmail.com, kesumaw@yahoo.com, irsyadtech@gmail.com Abstraksi Meningkatnya jumlah kebutuhan energi listrik menjadi sebuah masalah baru, karena jumlah energi listrik yang tersedia saat ini tidak dapat mengimbangi besarnya kebutuhan masyarakat akan energi listrik tersebut. Agar tercapai keseimbangan antara pemenuhan kebutuhan pada saat ini dengan pertumbuhan dan penyediaan energi listrik, maka perlu dilakukan penghematan baik dari sisi penyedia layanan (PT. PLN) maupun dari sisi pengguna listrik. Penghematan energi listrik juga menjadi sebuah permasalahan pada PT. PLN (Persero) Wilayah Riau dan Kepulauan Riau Cabang Dumai UP. Bengkalis. Penjadwalan pembangkit listrik masih dilakukan secara manual, yaitu berdasarkan kebutuhan listrik yang tercatat pada mesin pengukur. Tujuan pembangkitan dan penyaluran energi yang seharusnya dilakukan secara ekonomis, rasional, efisien dan efektif menjadi tidak terpenuhi. Permasalahan tersebut dapat diminimalisir dengan melakukan peramalan jumlah kebutuhan energi listrik yang akan disalurkan. Dengan adanya peramalan kebutuhan beban, dapat ditentukan mesin pembangkit listrik yang akan digunakan. Dengan demikian energi listrik tidak terbuang percuma. Pada penelitian ini, dilakukan peramalan jumlah kebutuhan energi listrik menggunakan algoritma genetika. Pemilihan algoritma genetika didasarkan pada kemudahan implementasi dan kemampuannya untuk menemukan solusi yang bagus (bisa diterima) secara cepat. Hasil peramalan tersebut akan digunakan untuk memberikan rekomendasi alternatif pembangkit yang layak untuk dioperasikan pada waktu-waktu tertentu. Pengujian dilakukan untuk melihat persentase tingkat keberhasilan algoritma genetika dalam melakukan peramalan. Pada tahap pengujian, dilakukan peramalan pemakaian beban pada tanggal dan waktu tertentu, menggunakan data 5 minggu sebelumnya. Dari beberapa kali uji coba, didapatkan tingkat keberhasilan peramalan yang dinilai cukup baik, yaitu sebesar ±90%. Nilai prediksi yang diperoleh selanjutnya digunakan untuk memberikan rekomendasi alternatif mesin pembangkit listrik yang layak untuk dioperasikan. Kata Kunci : peramalan, energi listrik, algoritma genetika 1. PENDAHULUAN Listrik merupakan bentuk energi yang paling cocok dan nyaman bagi manusia modern. Makin bertambahnya konsumsi listrik perkapita di seluruh dunia menunjukkan kenaikan standar kehidupan manusia. Dengan pertumbuhan permintaan tenaga listrik, maka harus direncanakan pembangunan pusat-pusat listrik baru atau menciptakan bentuk energi-energi baru untuk mendukung kapasitas pusat listrik yang tidak cukup mendukung. Pembangunan tenaga listrik memerlukan dana yang besar dan waktu yang lama, selain itu juga dipengaruhi pertimbangan-pertimbangan politis, ketersediaan bahan bakar dan sumber daya manusianya. Untuk dapat dicapai tujuan yang seimbang antara pemenuhan kebutuhan pada saat sekarang maupun pertumbuhan permintaan tenaga listrik dan penyediaannya dilakukan penghematan baik dari sisi penyedia layanan (PT. PLN) maupun dari sisi pengguna listrik. permasalahan-permasalahan yang dialami oleh PT. PLN diantaranya adalah tidak adanya pengaturan dalam penjadwalan pengoperasian pembangkit listrik karena adanya deviasi antara besarnya permintaan beban dengan daya yang dibangkitkan yang disebabkan oleh terjadinya kerusakan pada pembangkit. Tujuan pembangkitan dan penyaluran energi yang seharusnya dilakukan secara ekonomis, rasional, efisien dan efektif menjadi tidak terpenuhi. Untuk mengatasi permasalahan tersebut, perlu dilakukan suatu prediksi operasi yang berfungsi untuk memberikan gambaran kondisi operasi kepada operator sebagai hasil prediksi yang optimal, dan dari hasil prediksi akan dilakukan penjadwalan yang tepat untuk pengoperasian pembangkit. Jika dalam operasi terjadi ketidakcocokan antara prediksi dengan kondisi nyata terutama pada kejadian yang tidak terduga, maka hal inilah yang disebut kesenjangan antara perencanaan operasi dan operasi waktu nyata. Dalam memprediksi perencanaan operasi agar penghematan dan pengaturan penyediaan tenaga listrik dapat lebih optimal 1
2 dilakukan dengan menggunakan algoritma genetika. Algoritma genetika adalah suatu algoritma pencarian yang meniru mekanisme dari teknik generasi alam. Algoritma genetika ini banyak dipakai pada aplikasi bisnis, teknik maupun pada bidang keilmuan untuk mendapatkan solusi yang tepat dan merupakan model komputasi yang sangat menjanjikan pada masalah praktis yang berfokus pada pencarian parameter-parameter optimal (Suyanto, 2005). Pada penelitian ini akan dirancang sebuah aplikasi dalam memprediksi besarnya pemakaian beban listrik menggunakan metode algoritma genetika dan memberikan alternatif pembangkit yang layak untuk dioperasikan pada waktu-waktu tertentu sesuai dengan hasil prediksi yang didapat. 2. PEMBAHASAN Untuk memprediksi pemakaian beban membutuhkan model matematis yang disebut dengan Data Berkala (time series). Data pemakaian beban disusun berdasarkan urutan waktu dalam satu periode untuk mengukur dan menerangkan berbagai perubahan atau perkembangan data. Perubahan yang terjadi dalam sederetan waktu tertentu dapat membentuk trend, sehingga pola gerakan data atau nilai-nilai variabel dapat diketahui dan diikuti. Penentuan trend menggunakan metode setengah rata-rata yaitu dengan mencari rata-rata data yang ada. Analisis Algoritma Genetika Dalam Peramalan Metode dalam algoritma genetika yang akan dipakai untuk penyelesaian persoalan adalah sebagai berikut: 1. Skema Pengkodean Skema pengkodean gen pada kromosom menggunakan real number encoding. Pengkodean ini mempresentasikan kromosom dalam bentuk urutan angka yang menggambarkan urutan suatu kejadian sehingga penerapannya akan lebih mudah. 2. Membangkitkan Populasi Awal Menentukan nilai gen dalam tiap kromosom dengan membangkitkan bilangan acak (random). 3. Fungsi Evaluasi Proses ini menghitung nilai fitness dari setiap kromosom dalam populasi dan mengevaluasi sampai terpenuhi kriteria berhenti. Bila kriteria berhenti belum tercapai maka akan dibentuk lagi generasi berikutnya. 4. Seleksi Proses ini dilakukan dengan menggunakan metode roulette wheel selection. Metode ini dipilih karena dapat memberikan kesempatan reproduksi yang lebih besar bagi anggota populasi yang memiliki nilai fitness terbaik untuk melakukan reproduksi, karena dilakukan dengan cara memetakan individu-individu dalam segmen garis secara berurutan sedemikian hingga setiap segmen individu memiliki ukuran yang sama dengan ukuran nilai fitness. Sebuah bilangan acak dibangkitkan dan individu yang menjadi segmen dalam kawasan bilangan acak tersebut akan terpilih. Proses ini diulang hingga diperoleh sejumlah individu yang diharapkan. 5. Membentuk Generasi Baru Generasi baru terbentuk dengan dua operator yaitu operator pindah silang (crossover) dan mutasi. Proses ini dilakukan berulang-ulang sehingga didapatkan jumlah kromosom yang cukup untuk membentuk generasi baru dimana generasi baru ini merupakan representasi dari solusi baru. Spesifikasi untuk operator algoritma genetika adalah sebagai berikut: a. Pindah Silang (Crossover) Proses ini dilakukan dengan menggunakan onepoint crossover. Metode ini dipilih karena sebagian kromosom dari induk pertama disalin dan pada saat berhenti, kromosom tersebut diambil dalam induk kedua. Proses one-point crossover adalah proses yang paling sederhana, karena pemilihan titik perpotongan dilakukan sekali terhadap induk pertama, gen selanjutnya yang dipilih dari induk kedua adalah yang belum pernah terkunjungi dan kromosom yang dihasilkan cenderung menuruni sifat dari induknya. b. Mutasi Proses ini dilakukan dengan menggunakan suatu kriteria yaitu dengan cara memilih satu gen yang akan diubah berdasarkan probabilitas mutasinya. Dengan menggunakan teknik ini, diharapkan kromosom yang dihasilkan tidak kehilangan kemiripan dengan induknya. Analisis Proses Langkah-langkah yang dilakukan dalam proses penyelesaian masalah adalah sebagai berikut: 1. Hitung rata-rata dari data pemakaian beban listrik (rata). 2. Ambil bilangan acak untuk gen A dan gen B sebanyak populasi yang diinginkan. 3. Hitung nilai fitness dari masing-masing kromosom yang dibangkitkan dengan menggunakan persamaan: Kromosom(n) = a + 3b 4. Lakukan penyeleksian terhadap nilai kromosom. Karena yang diinginkan adalah kromosom yang mempunyai nilai yang lebih kecil mempunyai probabilitas untuk terpilih kembali lebih besar maka digunakan inverse(q) dengan menggunakan persamaan: Inverse(Q)= 1 / Kromosom(n) Untuk mencari probabilitas (P) digunakan persamaan: Probabilitas(P) = Q(n) / Jumlah total Q(n) Untuk mencari probabilitas kumulatif (C) digunakan persamaan: Kumulatif(C) = C(n-1) + P(n) Proses roulette wheel selection dilakukan dengan membangkitkan bilangan acak (R) antara 0 sampai 1. Jika R(n) < C(n) maka kromosom ke-n adalah induk, selain itu pilih kromosom ke-n sebagai induk jika C(n-1) < R(n) < C(n). Hasilnya akan terbentuk kromosom baru. 2
3 5. Proses crossover dilakukan dengan cara membangkitkan bilangan acak (R) sebanyak jumlah populasi. Kromosom yang dipilih sebagai induk adalah jika: R(n) < Probabilitas crossover (Pc) Kromosom yang terpilih dipersilangkan dengan menukar gen pada induk pertama dengan gen pada induk kedua, dan seterusnya. Posisi gen yang akan dipertukarkan ditentukan dengan mengambil bilangan acak. Gen yang terpilih dipersilangkan dan akhirnya kromosom baru terbentuk. Proses Elitism dilakukan dengan cara memilih gen terbaik sebagai calon solusi setelah hasil seleksi. Untuk memilih gen yang terbaik, perlu dilakukan penilaian terhadap error yang dihasilkan dengan persamaan: Error = Y aktual Y prediksi /Y aktual 6. Proses mutasi dilakukan dengan cara menghitung panjang total gen dengan persamaan: Panjang gen = 2 * jumlah populasi Jumlah mutasi diperoleh dengan menggunakan persamaan: Jumlah Mutasi = Pm * panjang gen Posisi gen yang akan dimutasikan dipilih secara acak sebanyak jumlah mutasi. Gen-gen yang terpilih akan digantikan dengan gen baru yang diambil secara acak. 7. Jika kondisi berhenti telah tercapai, hitung kembali kromosomnya untuk mendapatkan nilai fitness yang terkecil. Gen A dan gen B pada kromosom tersebut menjadi solusi yang paling optimum 8. Gen A dan gen B dihitung untuk mendapatkan nilai prediksi dengan menggunakan persamaan: Prediksi = gen A + 6 * gen B Pengujian Sistem Pengujian sistem terbagi dalam dua kategori diantaranya adalah pengujian sistem dan pengujian performansi prediksi menggunakan algoritma genetika untuk menganalisis alternatif pembangkit listrik yang akan dioperasikan. Pengujian performansi dilakukan dengan menggunakan data aktual dari pemakaian beban listrik pada PT. PLN (Persero) Wilayah Riau-Kepri Cabang Dumai UP. Bengkalis. Yang akan diprediksi adalah pemakaian beban listrik pada tanggal 7 Oktober. Pengujian dilakukan sebanyak 5 kali pengujian dengan data yang sama. Performansi diperoleh dengan menghitung rata-rata performansi yang diberikan pada setiap kali pengujian. Data-data yang dibutuhkan pada pengujian performansi diantaranya: 1. Data pemakaian beban listrik selama lima minggu sebelumnya yaitu: Waktu Operasi 02/ Tanggal 16/ 23/ 30/ 07/10/ 1: : : : : : : : : : : : : : : : : : : : : : : :00: Parameter algoritma genetika dipilih secara acak, diantaranya: a. Jumlah Generasi = 25 b. Ukuran Populasi = 16 c. Probabilitas crossover (Pc) = 0,61 d. Probabilitas Mutasi (Pm) = 0,41 e. Performansi = 0,58 Hasil Pengujian Dari pengujian sistem yang telah dilakukan, rata-rata performansi prediksi yang dihasilkan adalah sebesar 96,77296 %, dan memberikan alternatif pembangkit yang akan dioperasikan sesuai dengan kombinasi dari unit pembangkit yang dihasilkan. Waktu Operasi Hasil Prediksi Performansi 07/10/ 07/10/ % 01: ,8 96,84 02: ,6 95,42 03: ,6 95,438 3
4 04: ,8 96,816 05: ,342 06: ,4 93,75 07: ,6 97,925 08: ,614 09: ,6 99,104 10: ,576 11: ,4 96,992 12: ,566 13: ,998 14: ,4 96,22 15: ,6 98,77 16: ,2 99,206 17: ,56 18: ,4 99,08 19: ,07 21: ,38 22: ,2 98,62 23: ,6 98,12 24: ,8 96,256 Perbandingan antara nilai prediksi dengan nilai aktual pada tanggal 7 Oktober dapat dilihat pada grafik berikut ini: Prediksi Gambar Grafik perbandingan antara nilai aktual dengan hasil prediksi 3. PENUTUP populasi, probabilitas crossover, probabilitas mutasi, dan performansi. Informasi yang diberikan oleh sistem adalah berupa prediksi pemakaian beban pada waktu tertentu, jumlah daya yang harus disalurkan dan alternatif pembangkit yang layak dioperasikan. Agar hasil prediksi lebih akurat, perlu adanya penambahan faktor-faktor eksternal yang ikut berperan dalam memprediksi pemakaian beban listrik misalnya parameter bulanan yang terdiri dari: faktor cuaca, faktor suhu, faktor kebiasaan konsumen. Adanya perbandingan metode dalam memprediksi pemakaian beban listrik untuk mendapatkan hasil prediksi yang lebih baik. Dengan adanya sistem prediksi pemakaian beban listrik ini dapat memberikan rekomendasi kepada PLN dalam mengelola dan mengatur pengoperasian pembangkit sehingga kebutuhan konsumen terhadap listrik terlayani dengan baik. 4. Daftar Pustaka [1]. A. El-Sharkawi, Mohamed, Role Of Computational Intelligence In Targeted Forecasting. [2]. Basuki, Ahmad, Trip & Trik Algoritma Genetika, [3]. Dahal, Keshav, Soft computing techniques for optimisation and scheduling. sahvchiangmai-schedulingoptimisation.pdf [4]. Hilal, Hamzah, Metode Programming Linier Untuk Menyelesaikan Problem Pembangkitan Ekonomis Pada Sistem Tenaga Listrik. [5]. Hutauruk, Transmisi Daya Listrik, Jakarta: Erlangga, [6]. Javadi, Shahram, Software Development for Optimum Allocation of Power System Elements Based on Genetic Algorithm pdf [7]. Suyanto, Algoritma Genetika dalam Matlab, Yogyakarta: Andi Yogyakarta, Algoritma genetika dapat digunakan untuk memprediksi pemakaian beban listrik. Performansi yang diberikan oleh algoritma genetika dalam memprediksi pemakaian beban listrik pada PT. PLN (Persero) adalah sekitar ± 96,77296 %. Parameter-parameter yang diperlukan oleh sistem adalah: jumlah pembangkit, daya masing-masing pembangkit, rugi daya, data pemakaian beban selama lima minggu sebelumnya, jumlah generasi, ukuran 4
5 5
BAB 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 terperinciERWIEN TJIPTA WIJAYA, ST.,M.KOM
ERWIEN TJIPTA WIJAYA, ST.,M.KOM DEFINISI ALGEN adalah algoritma yang memanfaatkan proses seleksi alamiah yang dikenal dengan evolusi Dalam evolusi, individu terus menerus mengalami perubahan gen untuk
Lebih terperinciBAB III. Metode Penelitian
BAB III Metode Penelitian 3.1 Diagram Alir Penelitian Secara umum diagram alir algoritma genetika dalam penelitian ini terlihat pada Gambar 3.1. pada Algoritma genetik memberikan suatu pilihan bagi penentuan
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN APLIKASI
27 BAB 3 ANALISIS DAN PERANCANGAN APLIKASI 3.1 Analisis Pada subbab ini akan diuraikan tentang analisis kebutuhan untuk menyelesaikan masalah jalur terpendek yang dirancang dengan menggunakan algoritma
Lebih 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 terperinciRancang Bangun Aplikasi Prediksi Jumlah Penumpang Kereta Api Menggunakan Algoritma Genetika
1 Rancang Bangun Aplikasi Prediksi Jumlah Penumpang Kereta Api Menggunakan Algoritma Genetika Annisti Nurul Fajriyah Politeknik Elektronika Negeri Surabaya Institut Teknologi Sepuluh Nopember (ITS) Surabaya
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 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 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 terperinciPenjadwalan Job Shop pada Empat Mesin Identik dengan Menggunakan Metode Shortest Processing Time dan Genetic Algorithm
Jurnal Telematika, vol.9 no.1, Institut Teknologi Harapan Bangsa, Bandung ISSN: 1858-251 Penjadwalan Job Shop pada Empat Mesin Identik dengan Menggunakan Metode Shortest Processing Time dan Genetic Algorithm
Lebih terperinciRANCANG BANGUN SISTEM PENENTUAN KOMPOSISI BAHAN PANGAN HARIAN MENGGUNAKAN ALGORITMA GENETIKA
ABSTRAKSI RANCANG BANGUN SISTEM PENENTUAN KOMPOSISI BAHAN PANGAN HARIAN MENGGUNAKAN ALGORITMA GENETIKA Tedy Rismawan, Sri Kusumadewi Jurusan Teknik Informatika, Fakultas Teknologi Industri Universitas
Lebih 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 terperinciALGORITMA GENETIKA Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning
ALGORITMA GENETIKA Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning Achmad Basuki Politeknik Elektronika Negeri Surabaya PENS-ITS Surabaya 2003 Algoritma Genetika Algoritma
Lebih 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 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 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 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 terperinciAPLIKASI ALGORITMA GENETIKA DALAM MENENTUKAN SPESIFIKASI PC BERDASARKAN KEMAMPUAN FINANSIAL KONSUMEN
APLIKASI ALGORITMA GENETIKA DALAM MENENTUKAN SPESIFIKASI PC BERDASARKAN KEMAMPUAN FINANSIAL KONSUMEN Eva Haryanty, S.Kom. ABSTRAK Komputer adalah salah satu peralatan yang pada saat ini banyak pula digunakan
Lebih terperinciPenyelesaian Puzzle Sudoku menggunakan Algoritma Genetik
Penyelesaian Puzzle Sudoku menggunakan Algoritma Genetik Afriyudi 1,Anggoro Suryo Pramudyo 2, M.Akbar 3 1,2 Program Studi Sistem Informasi Fakultas Ilmu Komputer. Universitas Bina Darma Palembang. email
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Algoritma Genetika Algoritma genetika merupakan algoritma pencarian heuristik ysng didasarkan atas mekanisme seleksi alami dan genetika alami (Suyanto, 2014). Adapun konsep dasar
Lebih terperinciBAB III PEMBAHASAN. Berikut akan diberikan pembahasan mengenai penyelesaikan CVRP dengan
BAB III PEMBAHASAN Berikut akan diberikan pembahasan mengenai penyelesaikan CVRP dengan Algoritma Genetika dan Metode Nearest Neighbour pada pendistribusian roti di CV. Jogja Transport. 3.1 Model Matetematika
Lebih terperinciPENJADWALAN MESIN BERTIPE JOB SHOP UNTUK MEMINIMALKAN MAKESPAN DENGAN METODE ALGORITMA GENETIKA (STUDI KASUS PT X)
PENJADWALAN MESIN BERTIPE JOB SHOP UNTUK MEMINIMALKAN MAKESPAN DENGAN METODE ALGORITMA GENETIKA (STUDI KASUS PT X) Ria Krisnanti 1, Andi Sudiarso 2 1 Jurusan Teknik Mesin dan Industri, Fakultas Teknik,
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 III PEMBAHASAN. harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017.
BAB III PEMBAHASAN Data yang digunakan dalam bab ini diasumsikan sebagai data perkiraan harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017. Dengan demikian dapat disusun model Fuzzy
Lebih terperinciPENERAPAN ALGORITMA GENETIKA PADA PERENCANAAN LINTASAN KENDARAAN Achmad Hidayatno Darjat Hendry H L T
PENERAPAN ALGORITMA GENETIKA PADA PERENCANAAN LINTASAN KENDARAAN Achmad Hidayatno Darjat Hendry H L T Abstrak : Algoritma genetika adalah algoritma pencarian heuristik yang didasarkan atas mekanisme evolusi
Lebih terperinciPENYELESAIAN KNAPSACK PROBLEM MENGGUNAKAN ALGORITMA GENETIKA
PENYELESAIAN KNAPSACK PROBLEM MENGGUNAKAN ALGORITMA GENETIKA Kartina Diah KW1), Mardhiah Fadhli2), Charly Sutanto3) 1,2) Jurusan Teknik Komputer Politeknik Caltex Riau Pekanbaru Jl. Umban Sari No.1 Rumbai-Pekanbaru-Riau
Lebih terperinciALGORITMA GENETIKA. Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning
ALGORITMA GENETIKA Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning Disusun oleh: Achmad Basuki Politeknik Elektronika Negeri Surabaya, PENS ITS Surabaya 2003 Algoritma
Lebih terperinciT I N J A U A N P U S T A K A Algoritma Genetika [5]
Algoritma Genetika [5] Fitness adalah nilai yang menyatakan baik-tidaknya suatu jalur penyelesaian dalam permasalahan TSP,sehingga dijadikan nilai acuan dalam mencari jalur penyelesaian optimal dalam algoritma
Lebih terperinciMENGUKUR KINERJA ALGORITMA GENETIK PADA PEMAMPATAN MATRIKS JARANG
MENGUKUR KINERJA ALGORITMA GENETIK PADA PEMAMPATAN MATRIKS JARANG Nico Saputro dan Joice Aritonang Email : nico@home.unpar.ac.id, jo_aritonang@yahoo.com A matrix that has lots of zero elements is called
Lebih 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 terperinciBAB I PENDAHULUAN. berjalan sesuai dengan yang telah di rencanakan. penjadwalan ini merupakan proses yang menyulitkan karena proses ini
BAB I PENDAHULUAN 1.1 Latar Belakang Penjadwalan merupakan kegiatan yang harus dimiliki oleh seseorang untuk membantu aktivitas dalam kehidupan sehari-hari. Terlebih sebuah instansi atau lembaga yang memiliki
Lebih terperinciMetode Taguchi dan Optimasi Multi Respons
Metode Taguchi dan Optimasi Multi Respons Dr. Ir. Eko Pujiyanto, S.Si.,M.T. Materi Taguchi Multi Response Metode PCR-TOPSIS Metode Algoritma-Genetika Taguchi Multi Respon Dalam dunia nyata produk memiliki
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 terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) 45 Edisi... Volume..., Bulan 20.. ISSN :
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) 45 IMPLEMENTASI ALGORITMA GENETIKA UNTUK PENJADWALAN MATA PELAJARAN DI SMAN 1 CIWIDEY Rismayanti 1, Tati Harihayati 2 Teknik Informatika Universitas Komputer
Lebih terperinciBAB III ALGORITMA MEMETIKA DALAM MEMPREDIKSI KURS VALUTA ASING. Untuk memberikan penjelasan mengenai prediksi valuta asing
BAB III ALGORITMA MEMETIKA DALAM MEMPREDIKSI KURS VALUTA ASING Untuk memberikan penjelasan mengenai prediksi valuta asing menggunakan algoritma memetika, akan diberikan contoh sebagai berikut. Contoh Misalkan
Lebih terperinciKeywords Algoritma, Genetika, Penjadwalan I. PENDAHULUAN
Optimasi Penjadwalan Mata Kuliah Dengan Algoritma Genetika Andysah Putera Utama Siahaan Universitas Pembangunan Pancabudi Jl. Gatot Subroto Km. 4,5, Medan, Sumatra Utara, Indonesia andiesiahaan@gmail.com
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pada awal diciptakan, komputer hanya difungsikan sebagai alat hitung saja. Namun seiring dengan perkembangan zaman, maka peran komputer semakin mendominasi kehidupan.
Lebih 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 terperinciAlgoritma Genetika dan Penerapannya dalam Mencari Akar Persamaan Polinomial
Algoritma Genetika dan Penerapannya dalam Mencari Akar Persamaan Polinomial Muhammad Abdy* 1, Maya Sari Wahyuni* 2, Nur Ilmi* 3 1,2,3 Jurusan Matematika, Universitas Negeri Makassar e-mail: * 1 m.abdy@unm.ac.id,
Lebih terperinciPERANCANGAN TATA LETAK FASILITAS BAGIAN PRODUKSI MENGGUNAKAN METODE ALGORITMA GENETIK DI PT. PUTRA SEJAHTERA MANDIRI
PERANCANGAN TATA LETAK FASILITAS BAGIAN PRODUKSI MENGGUNAKAN METODE ALGORITMA GENETIK DI PT. PUTRA SEJAHTERA MANDIRI TUGAS SARJANA Diajukan Untuk Memenuhi Sebagian Dari Syarat-Syarat Memperoleh Gelar Sarjana
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 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 terperinciBAB II KAJIAN TEORI. memindahkan barang dari pihak supplier kepada pihak pelanggan dalam suatu supply
BAB II KAJIAN TEORI Berikut diberikan beberapa teori pendukung untuk pembahasan selanjutnya. 2.1. Distribusi Menurut Chopra dan Meindl (2010:86), distribusi adalah suatu kegiatan untuk memindahkan barang
Lebih terperinciBAB III PEMBAHASAN. menggunakan model Fuzzy Mean Absolute Deviation (FMAD) dan penyelesaian
BAB III PEMBAHASAN Dalam bab ini akan dibahas mengenai pembentukan portofolio optimum menggunakan model Fuzzy Mean Absolute Deviation (FMAD) dan penyelesaian model Fuzzy Mean Absolute Deviation (FMAD)
Lebih terperinciBAB III PERANCANGAN. Gambar 3.1 di bawah ini mengilustrasikan jalur pada TSP kurva terbuka jika jumlah node ada 10:
BAB III PERANCANGAN Pada bagian perancangan ini akan dipaparkan mengenai bagaimana mencari solusi pada persoalan pencarian rute terpendek dari n buah node dengan menggunakan algoritma genetika (AG). Dari
Lebih 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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan membahas landasan atas teori-teori yang bersifat ilmiah untuk mendukung penulisan tugas akhir ini. Teori-teori yang dibahas mengenai pengertian penjadwalan, algoritma
Lebih 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 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 terperinciPENERAPAN ALGORITMA GENETIKA PADA PERSOALAN PEDAGANG KELILING (TSP)
Abstrak PENERAPAN ALGORITMA GENETIKA PADA PERSOALAN PEDAGANG KELILING (TSP) Aulia Fitrah 1, Achmad Zaky 2, Fitrasani 3 Program Studi Informatika, Sekolah Teknik Elektro dan Informatika, Institut Teknologi
Lebih terperinciBAB 2 LANDASAN TEORI. 2.1 Algoritma
13 BAB 2 LANDASAN TEORI 2.1 Algoritma Dalam matematika dan komputasi, algoritma merupakan kumpulan perintah untuk menyelesaikan suatu masalah. Perintah-perintah ini dapat diterjemahkan secara bertahap
Lebih terperinciPELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE SELEKSI TURNAMEN UNTUK DATA TIME SERIES
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 65-72 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Konsep Umum Optimasi Optimasi merupakan suatu cara untuk menghasilkan suatu bentuk struktur yang aman dalam segi perencanaan dan menghasilkan struktur yang
Lebih terperinciPERBANDINGAN KINERJA ALGORITMA GENETIK DAN ALGORITMA BRANCH AND BOUND PADA TRAVELLING SALESMAN PROBLEM
PERBANDINGAN KINERJA ALGORITMA GENETIK DAN ALGORITMA BRANCH AND BOUND PADA TRAVELLING SALESMAN PROBLEM Nico Saputro dan Suryandi Wijaya Jurusan Ilmu Komputer Universitas Katolik Parahyangan nico@home.unpar.ac.id
Lebih terperinciSistem Penjadwalan Outsourcing Menggunakan Algoritma Genetika (Studi Kasus : PT. Syarikatama)
Sistem Penjadwalan Outsourcing Menggunakan Algoritma Genetika (Studi Kasus : PT. Syarikatama) Ari Janata 1, Elin Haerani 2 1,2 Teknik Informatika, UIN Sultan Syarif Kasim Riau Jl. H.R. Soebrantas no. 155
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Konsep Dasar Sistem dan Informasi 2.1.1 Sistem Menurut Sutabri (2004), bahwa sistem adalah sekelompok unsur yang erat hubungannya satu dengan yang lainnya berfungsi untuk mencapai
Lebih terperinciPENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM
PENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM (CVRP) UNTUK DISTRIBUSI SURAT KABAR KEDAULATAN RAKYAT DI KABUPATEN SLEMAN SKRIPSI Diajukan Kepada Fakultas Matematika
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 terperinciPERAMALAN HARGA EMAS MENGGUNAKAN ALGORTIMA MEMETIKA DENGAN PENCARIAN LOCAL TABU SEARCH. Iqbal Dwihanandrio
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.2 Agustus 2015 Page 6447 PERAMALAN HARGA EMAS MENGGUNAKAN ALGORTIMA MEMETIKA DENGAN PENCARIAN LOCAL TABU SEARCH Iqbal Dwihanandrio S1 Teknik Informatika
Lebih terperinciAPLIKASI ALGORITMA GENETIKA UNTUK PENENTUAN KOMPOSISI BAHAN PANGAN HARIAN
APLIKASI ALGORITMA GENETIKA UNTUK PENENTUAN KOMPOSISI BAHAN PANGAN HARIAN Tedy Rismawan 1, Sri Kusumadewi 2 Jurusan Teknik Informatika, Fakultas Teknologi Industri Universitas Islam Indonesia e-mail: 1
Lebih terperinciBAB II LANDASAN TEORI
17 BAB II LANDASAN TEORI 2.1 Algoritma Dalam matematika dan komputasi, algoritma merupakan kumpulan perintah untuk menyelesaikan suatu masalah. Perintah-perintah ini dapat diterjemahkan secara bertahap
Lebih 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 II KAJIAN PUSTAKA. Pada bab kajian pustaka berikut ini akan dibahas beberapa materi yang meliputi
BAB II KAJIAN PUSTAKA Pada bab kajian pustaka berikut ini akan dibahas beberapa materi yang meliputi graf, permasalahan optimasi, model matematika dari objek wisata di Yogyakarta, dan algoritma genetika
Lebih terperinciPENENTUAN JARAK TERPENDEK PADA JALUR DISTRIBUSI BARANG DI PULAU JAWA DENGAN MENGGUNAKAN ALGORITMA GENETIKA. Abstraksi
PENENTUAN JARAK TERPENDEK PADA JALUR DISTRIBUSI BARANG DI PULAU JAWA DENGAN MENGGUNAKAN ALGORITMA GENETIKA I Dewa Made Adi Baskara Joni 1, Vivine Nurcahyawati 2 1 STMIK STIKOM Indonesia, 2 STMIK STIKOM
Lebih terperinciBAB I PENDAHULUAN. kehidupan sehari-hari dan juga merupakan disiplin ilmu yang berdiri sendiri serta
BAB I PENDAHULUAN A. Latar Belakang Matematika adalah cabang ilmu pengetahuan yang dapat digunakan dalam kehidupan sehari-hari dan juga merupakan disiplin ilmu yang berdiri sendiri serta tidak merupakan
Lebih terperinciBAB 2 LANDASAN TEORI
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 terperinciM. Ainul Yaqin 1,Totok Lisbiantoro 2, Jurusan Teknik Informatika, Fakultas Sains dan Teknologi Universitas Islam Negeri Maulana Malik Ibrahim Malang
OPTIMASI PENJADWALAN PERKULIAHAN JURUSAN TEKNIK INFORMATIKA UNIVERSITAS ISLAM NEGERI MAULANA MALIK IBRAHIM MALANG MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE SELEKSI RANK M. Ainul Yaqin 1,Totok Lisbiantoro
Lebih terperinciPengantar Kecerdasan Buatan (AK045218) Algoritma Genetika
Algoritma Genetika Pendahuluan Struktur Umum Komponen Utama Seleksi Rekombinasi Mutasi Algoritma Genetika Sederhana Referensi Sri Kusumadewi bab 9 Luger & Subblefield bab 12.8 Algoritma Genetika 1/35 Pendahuluan
Lebih 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 terperinciALGORITMA GENETIKA PADA PEMROGRAMAN LINEAR DAN NONLINEAR
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 5, No. 03(2016), hal 265 274. ALGORITMA GENETIKA PADA PEMROGRAMAN LINEAR DAN NONLINEAR Abdul Azis, Bayu Prihandono, Ilhamsyah INTISARI Optimasi
Lebih terperinciTugas Mata Kuliah E-Bisnis REVIEW TESIS
Tugas Mata Kuliah E-Bisnis REVIEW TESIS Desain Algoritma Genetika Untuk Optimasi Penjadwalan Produksi Meuble Kayu Studi Kasus Pada PT. Sinar Bakti Utama (oleh Fransiska Sidharta dibawah bimbingan Prof.Kudang
Lebih terperinciBAB II LANDASAN TEORI. digunakan sebagai alat pembayaran yang sah di negara lain. Di dalam
BAB II LANDASAN TEORI 2.1 Valuta Asing Valuta asing dapat diartikan sebagai mata uang yang dikeluarkan dan digunakan sebagai alat pembayaran yang sah di negara lain. Di dalam hukum ekonomi bila terdapat
Lebih terperinciPENGGUNAAN ALGORITMA GENETIKA PADA PENJADWALAN PRODUKSI DI PT DNP INDONESIA PULO GADUNG
PENGGUNAAN ALGORITMA GENETIKA PADA PENJADWALAN PRODUKSI DI PT DNP INDONESIA PULO GADUNG Suriadi AS, Ulil Hamida, N. Anna Irvani STMI Jakarta, Kementerian Perindustrian RI ABSTRAK Permasalahan yang terjadi
Lebih terperinciBAB III PEMBAHASAN. diperoleh menggunakan algoritma genetika dengan variasi seleksi. A. Model Matematika CVRPTW pada Pendistribusian Raskin di Kota
BAB III PEMBAHASAN Pada bab ini akan dibahas mengenai model matematika pada pendistribusian raskin di Kota Yogyakarta, penyelesaian model matematika tersebut menggunakan algoritma genetika serta perbandingan
Lebih terperinciZbigniew M., Genetic Alg. + Data Structures = Evolution Program, Springler-verlag.
Zbigniew M., Genetic Alg. + Data Structures = Evolution Program, Springler-verlag. 12/11/2009 1 Ditemukan oleh Holland pada tahun 1975. Didasari oleh fenomena evolusi darwin. 4 kondisi yg mempengaruhi
Lebih terperinciALTERNATIF MODEL PEMAMPATAN MATRIKS JARANG DENGAN MENGGUNAKAN ALGORITMA GENETIK
ALTERNATIF MODEL PEMAMPATAN MATRIKS JARANG DENGAN MENGGUNAKAN ALGORITMA GENETIK Nico Saputro dan Ruth Beatrix Yordan Jurusan Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Katolik
Lebih terperinciOPTIMASI QUERY DATABASE MENGGUNAKAN ALGORITMA GENETIK
Seminar Nasional Aplikasi Teknologi Informasi 2008 (SNATI 2008) ISSN 1907-5022 OPTIMASI QUERY DATABASE MENGGUNAKAN ALGORITMA GENETIK Manahan Siallagan, Mira Kania Sabariah, Malanita Sontya Jurusan Teknik
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 terperinciMEMBANGUN TOOLBOX ALGORITMA EVOLUSI FUZZY UNTUK MATLAB
MEMBANGUN TOOLBOX ALGORITMA EVOLUSI FUZZY UNTUK MATLAB Syafiul Muzid 1, Sri Kusumadewi 2 1 Sekolah Pascasarjana Magister Ilmu Komputer, Universitas Gadjah Mada, Yogyakarta e-mail: aakzid@yahoo.com 2 Jurusan
Lebih terperinciABSTRAK. Universitas Kristen Maranatha
ABSTRAK Perusahaan X merupakan salah satu perusahaan manufaktur yang memproduksi berbagai macam produk berbahan baku besi dan stainless steel. Produk yang dihasilkan seperti cabinet, trolley, pagar, tangki
Lebih terperinciPENGEMBANGAN APLIKASI PENJADWALAN KULIAH SEMESTER I MENGGUNAKAN ALGORITMA GENETIKA
PENGEMBANGAN APLIKASI PENJADWALAN KULIAH SEMESTER I MENGGUNAKAN ALGORITMA GENETIKA Bagus Priambodo Program Studi Sistem Informasi Fakultas Ilmu Komputer Universitas Mercu Buana e- mail : bagus.priambodo@mercubuana.ac.id
Lebih terperinciPENENTUAN MATCHING MAKSIMUM PADA GRAPH BIPARTISI BERBOBOT DENGAN MENGGUNAKAN ALGORITMA GENETIKA
PENENTUAN MATCHING MAKSIMUM PADA GRAPH BIPARTISI BERBOBOT DENGAN MENGGUNAKAN ALGORITMA GENETIKA,, Universitas Negeri Malang E-mail: love_nisza@yahoo.co.id ABSTRAK: Matching berguna untuk menyelesaikan
Lebih terperinciPERFORMANCE ALGORITMA GENETIKA (GA) PADA PENJADWALAN MATA PELAJARAN
PERFORMANCE ALGORITMA GENETIKA (GA) PADA PENJADWALAN MATA PELAJARAN Eva Desiana, M.Kom Pascasarjana Teknik Informatika Universitas Sumatera Utara, SMP Negeri 5 Pematangsianta Jl. Universitas Medan, Jl.
Lebih terperinciBAB II 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 terperinciOPTIMASI JADWAL OPERASI DAN PEMELIHARAAN PEMBANGKIT TENAGA LISTRIK MENGGUNAKAN METODE ALGORITMA GENETIKA
OPTIMASI JADWAL OPERASI DAN PEMELIHARAAN PEMBANGKIT TENAGA LISTRIK MENGGUNAKAN METODE ALGORITMA GENETIKA Achmad Solichan 1* dan Moh Toni Prasetyo 1 1 Program Studi Teknik Elektro, Fakultas Teknik, Uniersitas
Lebih terperinciOPTIMASI PENEMPATAN KAPASITOR PADA SALURAN DISTRIBUSI 20 kv DENGAN MENGGUNAKAN METODE KOMBINASI FUZZY DAN ALGORITMA GENETIKA
OPTIMASI PENEMPATAN KAPASITOR PADA SALURAN DISTRIBUSI 20 kv DENGAN MENGGUNAKAN METODE KOMBINASI FUZZY DAN ALGORITMA GENETIKA I Made Wartana, Mimien Mustikawati Program Studi Teknik Elektro, Fakultas Teknologi
Lebih terperinciOPTIMASI HASIL PREDIKSI KETERSEDIAAN ENERGI SUMBER DAYA MINERAL MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI HASIL PREDIKSI KETERSEDIAAN ENERGI SUMBER DAYA MINERAL MENGGUNAKAN ALGORITMA GENETIKA Eka Handayani 1, Jondri,Drs.,M.T. 2, Siti Sa adah,s.t.,m.t. 3 1,2,3 ProdiS1 Teknik Informatika, Fakultas Teknik,
Lebih terperinciHASIL DAN PEMBAHASAN. Gambar 7 Diagram alur proses mutasi.
5 Mulai HASIL DAN PEMBAHASAN Kromosom P = rand [0,1] Ya P < Pm R = random Gen(r) dimutasi Selesai Tidak Gambar 7 Diagram alur proses mutasi. Hasil populasi baru yang terbentuk akan dievaluasi kembali dan
Lebih terperinciPENCOCOKAN KATA SECARA ACAK DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL
Jurnal Matematika UNAND Vol. 2 No. 2 Hal. 1 9 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENCOCOKAN KATA SECARA ACAK DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL MULIA AFRIANI KARTIKA
Lebih terperinciBAB 2 LANDASAN TEORI
18 BAB 2 LANDASAN TEORI 2.1 Pengertian Optimasi Optimasi adalah salah satu ilmu dalam matematika yang fokus untuk mendapatkan nilai minimum atau maksimum secara sistematis dari suatu fungsi, peluang maupun
Lebih terperinciOPTIMASI PENDUGAAN PARAMETER DALAM ANALISIS STRESS DAN STRAIN TERHADAP MATERIAL MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI PENDUGAAN PARAMETER DALAM ANALISIS STRESS DAN STRAIN TERHADAP MATERIAL MENGGUNAKAN ALGORITMA GENETIKA Mike Susmikanti Pusat Pengembangan Informatika Nuklir, Badan Tenaga Nuklir Nasional Kawasan
Lebih terperinciPemaksimalan Papan Sirkuit Di Pandang Sebagai Masalah Planarisasi Graf 2-Layer Menggunakan Algoritma Genetika
Vol. 14, No. 1, 19-27, Juli 2017 Pemaksimalan Papan Sirkuit Di Pandang Sebagai Masalah Planarisasi Graf 2-Layer Menggunakan Algoritma Genetika Jusmawati Massalesse dan Muh. Ali Imran Abstrak Tulisan ini
Lebih terperinciPENERAPAN ALGORITMA GENETIK UNTUK OPTIMASI TRANSFER DAYA PADA SISTEM SENSOR GAS. Muthmainnah
TESIS PENEAPAN ALGOITMA GENETIK UNTUK OPTIMASI TANSFE DAYA PADA SISTEM SENSO GAS Muthmainnah 1108201008 DOSEN PEMBIMBING Dr. Melania Suweni Muntini, MT PENDAHULUAN Sensor gas yang sering ditemui dipasaran
Lebih terperinciAPLIKASI UNTUK PREDIKSI JUMLAH MAHASISWA PENGAMBIL MATAKULIAH DENGAN MENGGUNAKAN ALGORITMA GENETIKA, STUDI KASUS DI JURUSAN TEKNIK INFORMATIKA ITS
APLIKASI UNTUK PREDIKSI JUMLAH MAHASISWA PENGAMBIL MATAKULIAH DENGAN MENGGUNAKAN ALGORITMA GENETIKA, STUDI KASUS DI JURUSAN TEKNIK INFORMATIKA ITS Hafid Hazaki 1, Joko Lianto Buliali 2, Anny Yuniarti 2
Lebih 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 terperinciImplementasi Algoritma Genetika Untuk Pencarian Rute Berdasarkan Waktu Tercepat Objek Wisata Di Kabupaten Ngawi. Makalah
Implementasi Algoritma Genetika Untuk Pencarian Rute Berdasarkan Waktu Tercepat Objek Wisata Di Kabupaten Ngawi Makalah Disusun sebagai salah satu syarat menyelesaikan Program Studi Strata I pada Jurusan
Lebih terperinciPENERAPAN ALGORITMA GENETIK UNTUK OPTIMASI POLA PENYUSUNAN BARANG DALAM RUANG TIGA DIMENSI ABSTRAK
PENERAPAN ALGORITMA GENETIK UNTUK OPTIMASI POLA PENYUSUNAN BARANG DALAM RUANG TIGA DIMENSI Eddy Triswanto Setyoadi, ST., M.Kom. ABSTRAK Melakukan optimasi dalam pola penyusunan barang di dalam ruang tiga
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
1 BAB I PENDAHULUAN 1.1. Latar Belakang Clustering adalah proses di dalam mencari dan mengelompokkan data yang memiliki kemiripan karakteristik (similarity) antara satu data dengan data yang lain. Clustering
Lebih terperinciJl. Ahmad Yani, Pontianak Telp./Fax.: (0561)
APLIKASI PENCARIAN RUTE TERPENDEK MENGGUNAKANALGORITMA GENETIKA (Studi Kasus: Pencarian Rute Terpendek untuk Pemadam Kebakaran di Wilayah Kota Pontianak) [1] Putri Yuli Utami, [2] Cucu Suhery, [3] Ilhamsyah
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Penjadwalan Penjadwalan adalah penempatan sumber daya (resource) dalam satu waktu. Penjadwalan mata kuliah merupakan persoalan penjadwalan yang umum dan sulit dimana tujuannya
Lebih terperinci