BAB 2 LANDASAN TEORI
|
|
- Vera Muljana
- 7 tahun lalu
- Tontonan:
Transkripsi
1 BAB 2 LANDASAN TEORI 2.1 Artificial Intelligence Definisi dan Penjelasan Singkat AI (Artificial Intelligence) didefinisikan sebagai kecerdasan yang ditunjukkan oleh suatu entitas buatan. Sistem seperti ini umumnya dianggap komputer. Kecerdasan diciptakan dan dimasukkan ke dalam suatu mesin (komputer) agar dapat melakukan pekerjaan seperti yang dapat dilakukan manusia. Beberapa macam bidang yang menggunakan kecerdasan buatan antara lain sistem pakar, permainan komputer (games), logika fuzzy, jaringan syaraf tiruan dan robotika. AI membentuk cabang yang sangat penting pada ilmu komputer, berhubungan dengan perilaku, pembelajaran dan adaptasi yang cerdas dalam sebuah mesin. Penelitian dalam AI menyangkut pembuatan mesin untuk mengotomatisasikan tugas-tugas yang membutuhkan perilaku cerdas. Termasuk contohnya adalah pengendalian, perencanaan dan penjadwalan, kemampuan untuk menjawab diagnosa dan pertanyaan pelanggan, serta pengenalan tulisan tangan, suara dan wajah. Sistem AI sekarang ini sering digunakan dalam bidang ekonomi, obat-obatan, teknik dan militer, seperti yang telah dibangun dalam beberapa aplikasi perangkat lunak komputer rumah dan video game. 6
2 7 2.2 Algoritma Genetika Definisi dan pengertian dasar Algoritma Kata algoritma berasal dari nama seorang ahli matematika dari Uzbekistan Al Khawārizmi,sebagaimana tercantum pada terjemahan karyanya dalam bahasa latin dari abad ke-12 "Algorithmi de numero Indorum". Pada awalnya kata algoritma adalah istilah yang menunjuk kepada aturan-aturan aritmetis untuk menyelesaikan persoalan dengan menggunakan bilangan numerik Arab. Pada abad ke-18, istilah ini berkembang menjadi algoritma, yang mencakup semua prosedur atau urutan langkah yang jelas dan diperlukan untuk menyelesaikan suatu permasalahan Teori Genetika Teori tentang genetika sudah berkembang sejak lama. Teori yang menyatakan bahwa makhluk hidup menurunkan sifat dari induknya telah dikembangkan sejak zaman pra-sejarah. Dimana teori tersebut digunakan dalam proses penyatuan jenis tumbuhan maupun hewan untuk didapatkan sifat yang sesuai dengan keinginan. Walaupun begitu, ilmu genetika modern yang menelusuri proses penurunan sifat itu dimulai sejak pertengahan abad ke-19 yang dilakukan oleh Gregor Mendel. Walaupun dia tidak tahu basis utama dari kesamaan sifat yang diturunkan itu, Mendel mengobservasi bahwa makhluk hidup menurunkan sifat melalui sebuah unit penurunan yang bukan lain adalah gen. Sejak ditemukan penurunan sifat melalui gen inilah proses perkembangan teori
3 8 genetika ini berkembang dengan pesat. Mendel menyatakan gen terbagi dalam berbagai bagian dalam sel makhluk hidup yang adalah DNA, sebuah molekul yang dibangun dari himpunan 4 nucleotide yang berbeda. 4 nucleotide ini terhimpun secara selang seling dimana akan terbentuk himpunan DNA yang berbeda beda. Himpunan yang berbeda inilah yang akhirnya akan menghasilkan sifat yang berbeda - beda pula. Himpunan nucleotide tersebut akan di terjemahkan oleh sel membentuk asam amino yang nantinya akan menghasilkan protein, hubungan antara himpunan nucleotide tersebut dengan asam amino itulah yang disebut kode genetik. Untuk itu sampai saat ini banyak peneliti yang terus bereksperimen dengan mengganti ganti himpunan susunan dari DNA agar dapat menghasilkan bentuk sifat yang diinginkan dari makhluk hidup Sejarah Algoritma Genetika Teori Darwin yang sempat membuat orang orang berfikir bahwa manusia berasal dari kera, bahkan lebih rendah telah membuat membutakan kita sekitar abad 19 hingga beberapa tahun belakangan ini. Pada abad ke 19 banyak ilmuwan yang mencoba untuk membuktikan dan mensimulasikannya. Neo darwinisme yang menyebutkan bahwa sejarah kehidupan mahkluk hidup adalah melalui suatu mekanisme proses statistika yang terjadi antara populasi dan spesies, yang dikenal dengan proses manipulasi genetika. Proses ini masing-masing adalah reproduksi, mutasi, kompetisi dan pemilihan.
4 9 Cikal bakal penggunaan GA (Algoritma Genetika) untuk pencarian dalam sistem buatan diprakarsai oleh beberapa ahli biologi yang menggunakan komputer digital untuk mengerjakan simulasi dari sistem genetika. Diantara para ahli tersebut adalah: 1. Baricelli, N.A pada tahun 1957 melakukan penelitian tentang proses evolusi simbiogenetik yang direalisasikan dengan sistem artificial. numeriknya 2. Baricelli, N.A pada tahun 1962 mengajukan teori evolusi dan analisis 3. Fraser, A.S pada tahun 1960 menyimulasikan sistem genetika dengan komputer, yang meliputi aspek-aspek S-linkage,dominasi dan epistasis. Meskipun penelitian penelitian tersebut bertujuan untuk meneliti gejala alam namun yang mereka kerjakan secar kebetulan memiliki pemikiran paralel yang memunculkan ide tentang Algoritma Genetika. Fraser mensimulasikan evolusi dari 15 bit Biner sebagai string generasi dan menghitung presentase dari individu-individu yang terpilih oleh fenotip dengan generasigenerasi yang berurutan. Pada saat itu Fraser tidak menyebutkan dalam laporannya bahwa algoritma pencarian dalam gejala alam akan berguna dalam sistem buatan, namun ternyata hasil dari penemuannya ternyata menyerupai optimasi fungsi. Hal itulah yang memberikan inspirasi bagi John Holand dan murid-muridnya untuk mengaplikasikan proses genetika ini pada sistem buatan. Holand menancapkan pondasi dalam karya tulisnya pada teori sistem adaptif yaitu:
5 10 1. Concern efficient adaptive systems (1962) 2. Information prosessing and prosesing systems (1962) 3. Outline for a logical theory of adaptive systems (1962) Tahun Holand mengajar tentang theory of adaptive system dan sering memberikan seminar-seminar tentang ini. Dalam masa itu penyempurnaan GA makin jelas. Selanjutnya dibuatlah rumus standart untuk GA ini Operasi Dalam Algoritma Genetika Dalam Algoritma Genetika ada 3 operasi penting yang digunakan. Operasi itu akan terus diulang sampai batas waktu yang ditentukan atau sampai menemukan nilai fitness yang sama dalam suatu populasi. Operasi penting itu adalah : 1. Selection (Seleksi) Seleksi adalah tahap dari Algoritma Genetika ketika memilih gen-gen dari populasi yang ada dan kemudian akan dilanjutkan ke tahap selanjutnya yaitu perkembangbiakan (Crossover dan Mutation). Ada beberapa algoritma khusus untuk menjalankan tahap seleksi ini. Contohnya adalah cara roulette-wheel yang langkah-langkahnya adalah sebagai berikut : 1. Fungsi fitness ditentukan pada tiap-tiap individu. Kemudian dinormalisasi. Maksud dari normalisasi ini adalah dengan membagi nilai fitness tiap individu dengan
6 11 jumlah total dari total fitness yang ada, sehingga jumlah total dari semua fitness pada populasi adalah Populasi diurutkan menurun berdasarkan nilai fitness 3. Kemudian nilai fitness yang sudah ada diakumulasikan berdasarkan gen yang sudah diurutkan. Sehingga nilai fitness suatu individu adalah jumlah dari nilai fitness individu itu dan nilai fitness individu sebelumnya. 4. Random nilai R dari 0 sampai dengan 1 5. Individu yang dipilih adalah individu yang mempunyai nilai akumulasi fitness di atas R. Ada pula beberapa algoritma yang digunakan selain roulette-wheel tersebut. Yang digunakan oleh kebanyakan orang adalah dengan menentukan sendiri batas dari fitness yang diinginkan. Kalau kurang atau melewati batas yang ditentukan maka individu terebut akan dibuang atau diseleksi. Kalau sesuai dengan batas yang ditentukan maka individu tersebut akan dipilih dan kemudian akan dilanjutkan ke proses selanjutnya. 2. Crossover Crossover kalau diterjemahkan secara harafiah ke dalam Bahasa Indonesia adalah Perkawinan Silang. Memang benar yang dilakukan pada tahap ini adalah dengan mengawinkan atau mengkombinasikan 2 individu agar diperoleh individu yang baru. Yang dapat dimisalkan dengan menyilangkan 2 parents (orang tua) dan juga akan menghasilkan 2 children (anak).
7 12 Ada beberapa jenis crossover : 1. One Point Crossover Yaitu menyilangkan 2 individu dengan 1 batas yang tertentu pada kedua parents. Contoh : Gambar 2.1 One Point Crossover. 2. Two-point crossover Yaitu menyilangkan 2 individu dengan 2 batas yang tertentu pada kedua parents. Contoh : Gambar 2.2 Two Point Crossover. 3. Cut and Splice Crossover
8 13 Yaitu menyilangkan 2 individu dengan 1 atau lebih batas yang tidak ditentukan pada kedua parents. Contoh : Gambar 2.3 Cut and Splice Crossover. 3. Mutation (mutasi) Mutasi adalah dengan memutasi atau mengganti salah satu gen dengan gen lain pada suatu individu tertentu. Bukan semua individu pada populasi melaikan hanya satu individu yang mengalami mutasi tersebut. Hal ini dilakukan agar diharapkan menemukan individu yang mempunyai nilai fitness yang diinginkan Konsep algoritma genetika Algoritma Genetika khususnya diterapkan sebagai simulasi komputer dimana sebuah populasi representasi abstrak (kromosom) dari solusi-solusi calon (individual) pada sebuah masalah optimisasi akan berkembang menjadi solusi-solusi yang lebih baik. Secara tradisional, solusi-solusi dilambangkan dalam biner sebagai string '0' dan '1', walaupun dimungkinkan juga penggunaan penyandian (encoding) yang berbeda. Evolusi dimulai dari
9 14 sebuah populasi individual acak yang lengkap dan terjadi dalam generasi-generasi. Dalam tiap generasi, kemampuan keseluruhan populasi dievaluasi, kemudian multiple individuals dipilih dari populasi sekarang (current) tersebut secara stochastic (berdasarkan kemampuan mereka), lalu dimodifikasi (melalui mutasi atau rekombinasi) menjadi bentuk populasi baru yaitu populasi sekarang (current) pada iterasi berikutnya dari algoritma. Dalam teori genetika sebuah individu akan mengalami perkembang biakan, dimana pada saat perkembangbiakan tersebut terdapat penurunan sifat kepada keturunannya (offspring). Keturunan ini dapat memiliki sifat gabungan dari kedua parent. Pada saat penurunan sifat maka akan terdapat individu baru yang akan di seleksi alam. Bila turunan tersebut mampu baik maka akan mampu bertahan, sebaliknya pula bila tidak maka akan musnah. Pada akhirnya kita akan mendapat keturunan yang terbaik. Pada akhirnya individu yang terbaik tersebut adalah solusi optimal bagi permasalahan kita Mekanisme Algoritma Genetika Mekanisme yang ada dalam Algoritma Genetika adalah sangat sederhana, yaitu hanya melibatkan penyalinan string dan pertukaran bagian string. Siklus perkembangbiakan GA diawali dengan pembuatan himpunan solusi secara acak yang dinamakan populasi. Dimana didalamnya terdapat individu-individu yang dinamakan kromosom. Kromosom ini secara lambat laun mengalami iterasi Perkembangbiakan dalam sebuah generasi. Selama dalam sebuah generasi kromosom-
10 15 kromosom ini di evaluasi dengan menggunakan rumus yang telah ditentukan dengan rumus fitness. Untuk menciptakan generasi berikutnya dengan kromosom yang baru (offspring) dapat dilakukan dengan menggabungkan dua potongan kromosom yang telah didapatkan dengan operator crossover atau mutasi. Sebuah generasi baru sebelum dievaluasi lagi, maka dia melalui proses seleksi berdasarkan fungsi fitnessnya. Dari kreasi ini kromosomkromosom yang paling fit mempunyai kemungkinan besar untuk diseleksi. Setelah beberapa generasi maka algoritma ini akan mengalami konvergen pada kromosom terbaik yang merupakan nilai optimum dari permasalahan yang diselesaikan Proses Algoritma Genetika Siklus Algoritma Genetika bisa Disingkat sebagai berikut : Populasi Awal Seleksi Individu Populasi Baru Reproduksi : Crossover dan Mutasi Gambar 2.4 Siklus Algoritma Genetika.
11 16 Langkah pertama dalam pemecahan masalah dengan GA adalah pengkodean terhadap masalah yang akan kita pecahkan. Pada algoritma ini dalam mengasumsikan sebuah solusi untuk sebuah persoalan dimungkinkan dengan diwakili oleh satu set parameter. Parameter ini dinamakan gen. Berisi nilai-nilai yang bersatu membentuk string (Kromosom). Selanjutnya kromosom yang berkumpul membentuk populasi. Dari sebuah populasi inilah GA memulai untuk pencarian. Dalam GA fungsi Fitness harus dirancang sesuai dengan masing-masing masalah yang akan diselesaikan. Misalnya saja untuk masalah mencari rute terpendek dari suatu perjalanan, maka fungsi Fitnessnya adalah jarak tempuh. Sedangkan untuk optimasi penjadwalan kuliah fungsi Fitnessnya melibatkan faktor-faktor seperti adanya dua kuliah atau lebih yang akan diajarkan dalam satu kelas, kepadatan dosen mengajar setiap hari, penempatan kuliah dan praktikum tidak semestinya. Sebagai contoh untuk pengkodean jika kita mempunyai masalah yaitu mencari maximum sebuah fungsi dari 3 variabel(x,y,z) dan akan menampikan masing-masing variabel dengan 6 bit. Dari contoh ini kita melakukan pengkodean dengan membentuk kromosom yang terdiri dari 3 gen yang masing-masing gen terdiri dari 6 bit sehingga sebuah kromosom terdiri dari 18 bit. Suatu hal yang sangat mendasar dari GA adalah bahwa algoritma ini bekerja pada daerah pengkodean dan daerah solusi. Operasi genetika (Crossover dan Mutasi) bekerja
12 17 pada daerah pengkodean, sedang proses evaluasi dan proses seleksi bekerja pada daerah solusi. Dalam reperesentasi nonbiner, ada dua hal yang perlu diperhatikan untuk pengkodean baik dalam fenotip ataupun genetik, yaitu: 1. Feasibilitas dan legalitas dari sebuah kromosom 2. Pemetaan Feasibilitas adalah apakah solusi/kromosom berada pada daerah yang feasible dari domain permasalahan InFeasibilitas kromosom menghilangkan kealamian batasan-batasan dalam permasalah optimasi. Legalitas adalah apakah suatu solusi/kromosom dapat menyelesaikan masalah. Untuk beberapa permasalahan kasus metode pinalti telah diajukan untuk mengatasi kasus kromosom yang tidak dimungkinkan. Dalam permasalan kasus optimasi nilai optimum secara typikal akan berada di wilayah antara daerah yang mungkin ataupun yang tidak mungkin. Penerapan metode pinalti akan mengeksploitasi pencarian GA pada nilai optimum di dua daerah tersebut. Kromosom-kromosom yang tidak legal menghilangkan kealamian dari teknik encoding. Untuk beberapa permasalah kombinasional, beberapa cara digunakan untuk menghindari keturunan yang tidak legal karena tidak dapat mewakili suatu solusi, dalam arti kromosom tersebut tidak dapat di evaluasi. Salah satu cara, misalnya PMX (Partially Matched Crossover) operator. Metode ini digunakan untuk mencegah dihasilkannya kromosom yang tidak mungkin dan tidak ilegal.
13 18 ini terjadi: Pemetaan dari kromosom-kromosom ke solusi memungkinkan satu dari tiga kasus 1. Pemetaan dari 1 ke n 2. Pemetaan dari 1 ke 1 3. Pemetaan dari n ke 1 Pemetaan 1 ke 1 merupakan pemetaan terbaik, karena dari pemetaan ini satu kromosom dapat dipasangkan dengan satu solusi. Pada pemetaan n ke 1, sejumlah n kromosom mewakili satu solusi yang sama, sedangkan pemetaan 1 ke n adalah pemetaan yang tidak diinginkan karena merelasikan satu kromosom dengan banyak solusi, yang menjelaskan banyak solusi sehingga menjadi tidak jelas solusi mana yang sebenarnya yang ditujukan. 2.3 VRP(Vehicle Routing Problem) VRP merupakan program non-linear yang mencari sebuah solusi pemecahan masalah. Program ini pertama kali ditemukan oleh Dantzig and Ramser pada tahun VRP terdiri dari penentuan rute kendaraan yang melayani beberapa pelanggan. Setiap kendaraan memiliki kapasitas angkut, dan setiap pelanggan memiliki demand. Tiap pelanggan dikunjungi tepat satu kali dan total demand tiap rute tidak boleh melebihi kapasitas angkut kendaraan. Dalam VRP sendiri dikenal pula istilah depot, dimana tiap kendaraan harus berangkat dan kembali ke depot itu. Hal tersebutlah yang menyebabkan VRP sering disebut sebagai permasalahan n-tsp.
14 19 Faktor yang sering muncul pada VRP adalah masalah kapasitas yang dikenal dengan nama Capacitated Vehicle Routing Problem (CVRP) dan juga masalah batasan waktu yang dikenal sebagai Vehicle Routing Problem with Time Windows (VRPTW). Kedua permasalahan ini dapat digabungkan dengan prioritas utama yaitu semua permintaan terpenuhi batas waktunya. Ada pun beberapa macam tipe Vehicle Routing Problem (VRP) berdasarkan faktor faktor yang ditemui: Capacitated VRP (VRP) Faktor : setiap kendaraan mempunyai kapasitas yang terbatas. VRP With Time Windows (VRPTW) Faktor : pelanggan harus dilayani dengan waktu tertentu Multiple Depot VRP (MDVRP) Faktor : distributor memiliki banyak depot VRP With Pick-Up and Delivering (VRPPD) Faktor : pelanggan diperbolehkan mengembalikan barang ke depot asal dan menerima barang dari pelanggan Split Delivery VRP (SDVRP) Faktor : pelanggan dilayani dengan kendaraan berbeda
15 20 Stochastic VRP (SVRP) Faktor : munculnya random values (seperti jumlah pelanggan, jumlah permintaan, waktu perjalanan atau waktu pelayanan) Periodic VRP Faktor : pengantaran hanya dilakukan di hari tertentu VRPTW Menurut Kallehauge dkk. (2001), vehicle routing problem dengan time windows (VRPTW) adalah perluasan dari VRP. Jika pada VRP ditambahkan time window pada masing masing konsumen, maka permasalahan tersebut menjadi VRPTW. Untuk VRPTW, selain adanya kendala kapasitas kendaraan, terdapat tambahan kendala yang mengharuskan kendaraan untuk melayani tiap konsumen pada time frame tertentu. Kendaraan boleh datang sebelum time window open, tetapi konsumen tersebut tidak dapat dilayani sampai time window open. Kendaraan tidak diperbolehkan untuk datang setelah time window closed. Tangiah (1995) mendefinisikan VRPTW sebagai permasalahan untuk menjadwalkan sekumpulan kendaraan, dengan kapasitas dan travel time terbatas, dari central depot kesekumpulan konsumen yang tersebar secara geografis, dengan demand diketahui, dalam time windows tertentu. Time windows adalah two sided, yang berarti bahwa tiap konsumen harus dilayani saat atau setelah earliest time, dan sebelum latest time dari konsumen tersebut. Jika kendaraan datang ke konsumen sebelum earliest time dari
16 21 konsumen tersebut, maka akan menghasilkan idle atau waktu tunggu. Kendaraan yang datang ke konsumen setelah latest time adalah tardy. Terdapat pula waktu service yang diperlukan untuk melayani tiap konsumen. Biaya rute dari suatu kendaraan adalah total dari waktu travel (proposional dengan jarak), waktu tunggu, dan waktu service, yang diperlukan untuk mengunjungi sekumpulan konsumen. Homberger dkk. (1999) mendefinisikan permasalahan VRPTW sebagai berikut: n konsumen akan dilayani dari sebuah depot, dengan sejumlah kendaraan yang memiliki kapasitas, Q, yang sama. Untuk tiap konsumen i, i=1, 2,..., n, terdapat demand qi, waktu service si, dan service time window zi=[ei, fi]. Lower bound ei merupakan waktu paling awal untuk melakukan service, dan upper bound fi, waktu paling lambat untuk melakukan service. Demand qi dari konsumen i harus dipenuhi dengan sekali service saja, dalam batas time window zi. Sebagai tambahan, e0 merupakan waktu paling awal untuk kendaraan berangkat dari depot i, i=0, dan f0 merupakan waktu paling lambat untuk kendaraan kembali ke depot. Data mengenai lokasi dari depot, dan konsumen, jarak terpendek dij, serta waktu travel d ij antara dua lokasi, diketahui. Tujuannya untuk menentukan jadwal rute yang feasible, yaitu pertama untuk meminimalkan jumlah kendaraan, dan kedua untuk meminimalkan total jarak travel. Konsumen tidak dapat dilayani diluar time window mereka masing masing. Tetapi kendaraan diperbolehkan untuk datang sebelum lower bound dari time window. Apabila hal ini terjadi, maka kendaraan harus menunggu sampai batas waktu paling awal service tersebut dapat dilakukan.
BAB IX ALGORITMA GENETIK. -pemrosesan citra dan optimasi kombinationarial
BAB IX ALGORITMA GENETIK 69.1 Pendahuluan Genetic Algorithm di usulkan pertama kali oleh John Holland dan temantemannya di universitas Michigan untuk aplikasi seluler otomata. Teknik ini menjadi populer
Lebih terperinciBAB 2 DASAR TEORI. 2.1 Teka-Teki Silang
BAB 2 DASAR TEORI 2.1 Teka-Teki Silang Teka-teki silang atau disingkat TTS adalah suatu permainan yang mengharuskan penggunanya untuk mengisi ruang-ruang kosong dengan huruf-huruf yang membentuk sebuah
Lebih terperinciBAB 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 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 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 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Travelling Salesman Problem (TSP) Travelling Salesmen Problem (TSP) termasuk ke dalam kelas NP hard yang pada umumnya menggunakan pendekatan heuristik untuk mencari solusinya.
Lebih terperinciBAB II LANDASAN TEORI. Suatu graph merupakan suatu pasangan { E(G), V(G) } dimana :
BAB II LANDASAN TEORI 2.1 Defenisi Graph Suatu graph merupakan suatu pasangan { E(G), V(G) } dimana : V(G) adalah sebuah himpunan terhingga yang tidak kosong ( non empty finite set) yang elemennya disebut
Lebih terperinciOPTIMASI PENJADWALAN KEGIATAN BELAJAR MENGAJAR DENGAN ALGORITMA GENETIK
OPTIMASI PENJADWALAN KEGIATAN BELAJAR MENGAJAR DENGAN ALGORITMA GENETIK Usulan Skripsi S-1 Jurusan Matematika Diajukan oleh 1. Novandry Widyastuti M0105013 2. Astika Ratnawati M0105025 3. Rahma Nur Cahyani
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Travelling Salesman Problem (TSP) Persoalan TSP merupakan salah satu persoalan optimasi kombinatorial (kombinasi permasalahan). Banyak permasalahan yang dapat direpresentasikan
Lebih terperinciBAB I PENDAHULUAN. Pemerintah Pusat hingga Pemerintah Daerah, salah satu program dari
BAB I PENDAHULUAN A. Latar Belakang Masalah Peningkatan kesejahteraan dalam memenuhi kebutuhan pangan masyarakat berpendapatan rendah merupakan program nasional dari Pemerintah Pusat hingga Pemerintah
Lebih terperinciBAB I PENDAHULUAN. telah diadopsi untuk mengurangi getaran pada gedung-gedung tinggi dan struktur
BAB I PENDAHULUAN 1.1 Latar Belakang Tuned mass damper (TMD) telah banyak digunakan untuk mengendalikan getaran dalam sistem teknik mesin. Dalam beberapa tahun terakhir teori TMD telah diadopsi untuk mengurangi
Lebih terperinciOPTIMASI DISTRIBUSI ROTI PADA BERBAGAI TOKO DI KOTA XYZ DENGAN MENGGUNAKAN ALGORITMA GENETIKA. Kelompok A Kelas C
PROYEK AKHIR MATA KULIAH ALGORITMA EVOLUSI SEMESTER GANJIL 2013-2014 OPTIMASI DISTRIBUSI ROTI PADA BERBAGAI TOKO DI KOTA XYZ DENGAN MENGGUNAKAN ALGORITMA GENETIKA Disusun oleh: Kelompok A Kelas C 1. Isyar
Lebih terperinciLingkup Metode Optimasi
Algoritma Genetika Lingkup Metode Optimasi Analitik Linier Non Linier Single Variabel Multi Variabel Dgn Kendala Tanpa Kendala Numerik Fibonacci Evolusi Complex Combinasi Intelijen/ Evolusi Fuzzy Logic
Lebih terperinciAplikasi Algoritma Genetika Untuk Menyelesaikan Travelling Salesman Problem (TSP)
JTRISTE, Vol.1, No.2, Oktober 2014, pp. 50~57 ISSN: 2355-3677 Aplikasi Algoritma Genetika Untuk Menyelesaikan Travelling Salesman Problem (TSP) STMIK Handayani Makassar najirah_stmikh@yahoo.com Abstrak
Lebih terperinciBAB II KAJIAN PUSTAKA
BAB II KAJIAN PUSTAKA Pengertian-pengertian dasar yang digunakan sebagai landasan pembahasan pada Bab II yaitu masalah ditribusi, graf, Travelling Salesman Problem (TSP), Vehicle Routing Problem (VRP),
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 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 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 terperinciBAB II KAJIAN TEORI. berbeda di, melambangkan rusuk di G dan jika adalah. a. dan berikatan (adjacent) di. b. rusuk hadir (joining) simpul dan di
1. Teori graf BAB II KAJIAN TEORI 1. Definisi Graf G membentuk suatu graf jika terdapat pasangan himpunan ) )), dimana ) (simpul pada graf G) tidak kosong dan ) (rusuk pada graf G). Jika dan adalah sepasang
Lebih terperinciBAB II KAJIAN TEORI. digunakan dalam penelitian yaitu teori graf, vehicle routing problem (VRP),
BAB II KAJIAN TEORI Secara umum, pada bab ini membahas mengenai kajian teori yang digunakan dalam penelitian yaitu teori graf, vehicle routing problem (VRP), capacitated vehicle routing problem with time
Lebih terperinciBAB I PENDAHULUAN. berpengaruh terhadap keberhasilan penjualan produk. Salah satu faktor kepuasan
BAB I PENDAHULUAN A. Latar Belakang Masalah Distribusi adalah kegiatan yang selalu menjadi bagian dalam menjalankan sebuah usaha. Distribusi merupakan suatu proses pengiriman barang dari suatu depot ke
Lebih terperinciBAB III MODEL DAN TEKNIK PEMECAHAN
BAB III MODEL DAN TEKNIK PEMECAHAN III.1. Diskripsi Sistem Sistem pendistribusian produk dalam penelitian ini adalah berkaitan dengan permasalahan vehicle routing problem (VRP). Berikut ini adalah gambar
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 I PENDAHULUAN. lebih efektif dan efisien karena akan melewati rute yang minimal jaraknya,
BAB I PENDAHULUAN A. Latar Belakang Distribusi merupakan proses penyaluran produk dari produsen sampai ke tangan masyarakat atau konsumen. Kemudahan konsumen dalam mendapatkan produk yang diinginkan menjadi
Lebih terperinciBAB I LATAR BELAKANG
BAB I LATAR BELAKANG 1.1 Latar Belakang Masalah Masalah transportasi merupakan aspek penting dalam kehidupan seharihari. Transportasi juga merupakan komponen yang sangat penting dalam manajemen logistik
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 terperinciBAB II KAJIAN PUSTAKA. digunakan dalam penelitian ini yaitu graf, vehicle routing problem (VRP),
BAB II KAJIAN PUSTAKA Secara umum, pada bab ini akan dibahas mengenai kajian teori yang digunakan dalam penelitian ini yaitu graf, vehicle routing problem (VRP), capacitated vehicle routing problem with
Lebih terperinciBAB I PENDAHULUAN an berkembang algoritma genetika (genetic algorithm) ketika I. Rochenberg dalam bukunya yang berjudul Evolution Strategies
BAB I PENDAHULUAN A. Latar Belakang Perkembangan teori graf sangat pesat dari tahun ke tahun, pada tahun 1960-an berkembang algoritma genetika (genetic algorithm) ketika I. Rochenberg dalam bukunya yang
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 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 terperinciOptimasi Multi Travelling Salesman Problem (M-TSP) Menggunakan Algoritma Genetika
Optimasi Multi Travelling Salesman Problem (M-TSP) Menggunakan Algoritma Genetika Wayan Firdaus Mahmudy (wayanfm@ub.ac.id) Program Studi Ilmu Komputer, Universitas Brawijaya, Malang, Indonesia Abstrak.
Lebih terperinciBAB 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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Teori graf 2.1.1 Defenisi graf Graf G adalah pasangan {,} dengan adalah himpunan terhingga yang tidak kosong dari objek-objek yang disebut titik (vertex) dan adalah himpunan pasangan
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 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 terperinciStudi Tentang Kombinatorial dan Peluang Diskrit Serta Beberapa Aplikasinya
Studi Tentang Kombinatorial dan Peluang Diskrit Serta Beberapa Aplikasinya Hanif Eridaputra (13510091) Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung,
Lebih terperinciBAB I PENDAHULUAN. Universitas Sumatera Utara
BAB I PENDAHULUAN 1.1 Latar Belakang Setelah berkembangnya AI (Artifical Intelligence), banyak sekali ditemukan sejumlah algoritma yang terinspirasi dari alam. Banyak persoalan yang dapat diselesaikan
Lebih terperinciBAB I PENDAHULUAN. wisata budaya, wisata belanja, hingga wisata Alam. Untuk menarik minat
BAB I PENDAHULUAN A. Latar Belakang Masalah Objek pariwisata di Yogyakarta sudah semakin beragam mulai dari wisata budaya, wisata belanja, hingga wisata Alam. Untuk menarik minat wisatawan dapat dibuat
Lebih 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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Penjadwalan Kampanye Penjadwalan memiliki pengertian durasi dari waktu kerja yang dibutuhkan untuk melakukan serangkaian aktivitas kerja (Jiupe, 2008). Penjadwalan juga merupakan
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 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 Adaptive Genetic Algorithm dengan Fuzzy Logic Controller pada Capacitated Vehicle Routing Problem
Penerapan Adaptive Genetic Algorithm dengan Fuzzy Logic Controller pada Capacitated Vehicle Routing Problem Tri Kusnandi Fazarudin 1, Rasyid Kurniawan 2, Mahmud Dwi Sulistiyo 3 1,2 Prodi S1 Teknik Informatika,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Traveling Salesman Problem (TSP) adalah permasalahan dimana seorang salesman harus mengunjungi semua kota yang ada dan kota tersebut hanya boleh dikunjungi tepat satu
Lebih terperinciPengantar Kecerdasan Buatan (AK045218) Algoritma Genetika
Algoritma Genetika Pendahuluan Struktur Umum Komponen Utama Seleksi Rekombinasi Mutasi Algoritma Genetika Sederhana Referensi Sri Kusumadewi bab 9 Luger & Subblefield bab 12.8 Algoritma Genetika 1/35 Pendahuluan
Lebih terperinciBAB 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 II LANDASAN TEORI. Tahun 2001 pemilik CV. Tunas Jaya membuka usaha di bidang penjualan dan
BAB II LANDASAN TEORI 2.1 Sejarah Perusahaan Tahun 2001 pemilik CV. Tunas Jaya membuka usaha di bidang penjualan dan pengadaan suku cadang computer. Dalam bidang tersebut diharuskan berbadan hukum PD,
Lebih terperinciPENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN TRAVELLING SALESMAN PROBLEM (TSP)
PENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN TRAVELLING SALESMAN PROBLEM (TSP) Mohamad Subchan STMIK Muhammadiyah Banten e-mail: moh.subhan@gmail.com ABSTRAK: Permasalahan pencarian rute terpendek dapat
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Penjadwalan Penjadwalan adalah penempatan sumber daya (resource) dalam satu waktu. Penjadwalan mata kuliah merupakan persoalan penjadwalan yang umum dan sulit dimana tujuannya
Lebih terperinciBAB I PENDAHULUAN. Dinas lingkungan Hidup (DLH) Kota Yogyakarta adalah dinas
BAB I PENDAHULUAN A. Latar Belakang Dinas lingkungan Hidup (DLH) Kota Yogyakarta adalah dinas pemerintahan yang bergerak di bidang lingkungan hidup daerah yang meliputi kegiatan dalam melakukan pengawasan,
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 I PENDAHULUAN 1.1. Latar Belakang
12 BAB I PENDAHULUAN 1.1. Latar Belakang Distribusi suatu produk mempunyai peran yang penting dalam suatu mata rantai produksi. Hal yang paling relevan dalam pendistribusian suatu produk adalah transportasi
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 terperinciPANDUAN APLIKASI TSP-VRP
PANDUAN APLIKASI TSP-VRP oleh Dra. Sapti Wahyuningsih, M.Si Darmawan Satyananda, S.T, M.T JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN IPA UNIVERSITAS NEGERI MALANG 2016 0 Pengantar Aplikasi ini dikembangkan
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 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 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 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 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 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 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 terperinciAlgoritma Genetika dan Penerapannya dalam Mencari Akar Persamaan Polinomial
Algoritma Genetika dan Penerapannya dalam Mencari Akar Persamaan Polinomial Muhammad Abdy* 1, Maya Sari Wahyuni* 2, Nur Ilmi* 3 1,2,3 Jurusan Matematika, Universitas Negeri Makassar e-mail: * 1 m.abdy@unm.ac.id,
Lebih terperinciBAB II TINJAUAN PUSTAKA. Khowarizmi. Algoritma didasarkan pada prinsiup-prinsip Matematika, yang
BAB II TINJAUAN PUSTAKA A. ALGORITMA Algoritma adalah metode langkah demi langkah pemecahan dari suatu masalah. Kata algoritma berasal dari matematikawan Arab ke sembilan, Al- Khowarizmi. Algoritma didasarkan
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 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 terperinciUSULAN PERBAIKAN RUTE PENDISTRIBUSIAN ICE TUBE MENGGUNAKAN METODE NEAREST NEIGHBOUR DAN GENETIC ALGORITHM *
Reka Integra ISSN: 2338-508 Jurusan Teknik Industri Itenas No.04 Vol.03 Jurnal Online Institut Teknologi Nasional Oktober 205 USULAN PERBAIKAN RUTE PENDISTRIBUSIAN ICE TUBE MENGGUNAKAN METODE NEAREST NEIGHBOUR
Lebih terperinciDAFTAR ISI. Tim Redaksi... i Kata Pengantar... ii Daftar Isi... iii
DAFTAR ISI Tim Redaksi... i Kata Pengantar... ii Daftar Isi... iii Faiz Rafdh Ch SISTEM INFORMASI ZAKAT BERBASIS WEB MENGGUNAKAN PHP DAN MYSQL PADA RUMAH ZAKATINDONESIA 1-7 Abdul Jamil Syamsul Bachtiar
Lebih terperinciBAB II KAJIAN TEORI. digunakan dalam penelitian ini yaitu masalah optimasi, graf, Vehicle Routing
BAB II KAJIAN TEORI Secara umum, pada bab ini akan dibahas mengenai kajian teori yang digunakan dalam penelitian ini yaitu masalah optimasi, graf, Vehicle Routing Problem (VRP), Capacitated Vehicle Routing
Lebih terperinciPENERAPAN ALGORITMA GENETIK UNTUK PENYELESAIAN MASALAH VEHICLE ROUTING DI PT.MIF
92 Tanujaya : PENERAPAN ALGORITMA GENETIK UNTUK PENYELESAIAN MASALAH VEHICLE... PENERAPAN ALGORITMA GENETIK UNTUK PENYELESAIAN MASALAH VEHICLE ROUTING DI PT.MIF William Tanujaya 1), Dian Retno Sari Dewi
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 terperinciOPTIMALISASI SOLUSI TERBAIK DENGAN PENERAPAN NON-DOMINATED SORTING II ALGORITHM
OPTIMALISASI SOLUSI TERBAIK DENGAN PENERAPAN NON-DOMINATED SORTING II ALGORITHM Poetri Lestari Lokapitasari Belluano poe3.setiawan@gmail.com Universitas Muslim Indonesia Abstrak Non Dominated Sorting pada
Lebih 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 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 terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Pada saat sekarang ini, setiap perusahaan yang ingin tetap bertahan dalam persaingan dengan perusahaan lainnya, harus bisa membuat semua lini proses bisnis perusahaan tersebut
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 terperinciABSTRAK. Job shop scheduling problem merupakan salah satu masalah. penjadwalan yang memiliki kendala urutan pemrosesan tugas.
ABSTRAK Job shop scheduling problem merupakan salah satu masalah penjadwalan yang memiliki kendala urutan pemrosesan tugas. Pada skripsi ini, metode yang akan digunakan untuk menyelesaikan job shop scheduling
Lebih 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 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 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 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 terperinciIMPLEMENTASI ALGORITMA GENETIKA DENGAN VARIASI SELEKSI DALAM PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM WITH TIME WINDOWS
IMPLEMENTASI ALGORITMA GENETIKA DENGAN VARIASI SELEKSI DALAM PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM WITH TIME WINDOWS (CVRPTW) UNTUK OPTIMASI RUTE PENDISTRIBUSIAN RASKIN DI KOTA YOGYAKARTA TUGAS
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 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 II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Algoritma Genetika Algoritma Genetika merupakan suatu algoritma yang terinspirasi dari teori evolusi Darwin yang menyatakan bahwa kelangsungan hidup suatu makhluk dipengaruhi
Lebih terperinciBAB 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 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 terperinciBAB 1. PENDAHULUAN. Permasalahan pendistribusian barang oleh depot ke konsumen merupakan
BAB 1. PENDAHULUAN 1.1 Latar Belakang Permasalahan pendistribusian barang oleh depot ke konsumen merupakan komponen penting dalam sistem pelayanan depot suatu perusahaan, proses tersebut dapat terjadi
Lebih terperincicommit to user BAB II TINJAUAN PUSTAKA 2.1 Dasar Teori Vehicle Routing Problem (VRP)
BAB II TINJAUAN PUSTAKA 2.1 Dasar Teori 2.1.1 Vehicle Routing Problem (VRP) Di dalam VRP setiap rute kendaraan dimulai pada depot, melayani semua pelanggan pada rute tersebut, dan kembali ke depot. Rute
Lebih terperinciOptimasi Metode Fuzzy Dengan Algoritma Genetika Pada Kontrol Motor Induksi
Optimasi Metode Fuzzy Dengan Algoritma Genetika Pada Kontrol Motor Induksi Rahman Aulia Universitas Sumatera Utara Pasca sarjana Fakultas Ilmu Komputer Medan, Indonesia Rahmanaulia50@gmail.com Abstract
Lebih terperinciENKRIPSI-DEKRIPSI DENGAN ALGORITMA GENETIKA
ENKRIPSI-DEKRIPSI DENGAN ALGORITMA GENETIKA Studi Kasus : "Implementasi konsep Algoritma Genetik untuk meningkatkan aspek kerahasiaan data pada Algoritma Knapsack" 1. Pendahuluan Masalah keamanan dan kerahasiaan
Lebih terperinciTEKNIK PENJADWALAN KULIAH MENGGUNAKAN METODE ALGORITMA GENETIKA. Oleh Dian Sari Reski 1, Asrul Sani 2, Norma Muhtar 3 ABSTRACT
TEKNIK PENJADWALAN KULIAH MENGGUNAKAN METODE ALGORITMA GENETIKA Oleh Dian Sari Reski, Asrul Sani 2, Norma Muhtar 3 ABSTRACT Scheduling problem is one type of allocating resources problem that exist to
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Sistem distribusi/trasportasi adalah salah satu hal yang penting bagi perusahaan, karena berkaitan dengan pelayana kepada konsumen. Dalam sistem distribusi/trasportasi
Lebih terperinciBAB I PENDAHULUAN. evolusi komputasi adalah algoritma genetika. Pengimplementasian algoritma
BAB I PENDAHULUAN A. Latar Belakang Penggunaan algoritma-algortima yang meniru cara kerja makhluk hidup dalam menyelesaikan masalah-masalah optimasi telah diperkenalkan sejak tahun 1960-an, yang biasa
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 terperinciIMPLEMENTASI HYBRID ALGORITMA GENETIKA DENGAN TEKNIK KENDALI LOGIKA FUZZY UNTUK MENYELESAIKAN VEHICLE ROUTING PROBLEM SKRIPSI DICKY ANDRYAN
IMPLEMENTASI HYBRID ALGORITMA GENETIKA DENGAN TEKNIK KENDALI LOGIKA FUZZY UNTUK MENYELESAIKAN VEHICLE ROUTING PROBLEM SKRIPSI DICKY ANDRYAN ( 060803049 ) DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU
Lebih terperinciBAB 2 LANDASAN TEORI
36 BAB 2 LANDASAN TEORI 2.1 Pengurutan Pekerjaan (Job Sequencing) 2.1.1 Deskripsi Umum Dalam industri manufaktur, tujuan penjadwalan ialah untuk meminimasikan waktu dan biaya produksi, dengan cara mengatur
Lebih 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 terperinciGambar 1.1 Contoh Ilustrasi Kasus CVRP 13
BAB I PENDAHULUAN 1.1. Latar Belakang Vehicle Routing Problem (VRP) merupakan konsep umum yang digunakan untuk semua permasalahan yang melibatkan perancangan rute optimal untuk armada kendaraan yang melayani
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 terperinciBAB 1 PENDAHULUAN. 1 Randy L Haupt & Sue Ellen Haupt, Practical Genetic Algorithms second edition, Wiley Interscience,2004.
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Seseorang salesman tentu akan sangat kesulitan jika harus mengunjungi semua kota sendirian, oleh karena itu dibutuhkan beberapa orang salesman untuk membagi
Lebih terperinci