BAB 2 LANDASAN TEORI

Ukuran: px
Mulai penontonan dengan halaman:

Download "BAB 2 LANDASAN TEORI"

Transkripsi

1 8 BAB 2 LANDASAN TEORI Pada bab ini akan dibahas beberapa konsep dasar dan beberapa definisi yang akan digunakan sebagai landasan berpikir dalam melakukan penelitian ini sehingga mempermudah penulis untuk menyampaikan pembahasan yang akan dijelaskan pada bab selanjutnya. Konsep dasar ini berkaitan dengan permasalahan yang akan dibahas dalam penelitian ini, yaitu traveling salesman problem, graph, metode simulasi, algoritma Metropolis, simulasi annealing dan hubungan antara traveling salesman problem dengan simulasi annealing yang nantinya akan digunakan dalam bab pembahasan. 2.1 Traveling salesman problem Traveling salesman problem memiliki sejarah panjang. Dicetuskan pertama kali oleh Euler pada awal tahun 1759, walaupun dengan nama yang berbeda, yang tertarik untuk menyelesaikan permasalahan knight s tour. Solusi yang tepat akhirnya diperoleh ketika pion kuda melewati tiap-tiap rute yang memungkinkan dari 64 kotak pada papan catur tepat satu kali dalam perjalanannya. Yang artinya setelah pion kuda tersebut melewati seluruh kemungkinan rute akhirnya dia menemukan solusi yang tepat. Kemudian sekitar tahun 1800 diperkenalkan kembali oleh matematikawan Irlandia bernama William Rowan Hamilton dan matematikawan Inggris bernama Thomas Penyngton yang berupa suatu permainan bernama Icosian Hamilton yang mengharuskan pemain untuk menyelesaikan perjalanan dari 20 titik dengan

2 9 menggunakan hanya jalur-jalur tertentu. Oleh karena itu traveling salesman problem sangat erat hubungannya dengan cycle hamilton di mana dideskripsikan sebagai lintasan seorang salesman yang harus mengunjungi sebanyak n kota. Misalkan adalah jarak perjalanan dari kota i ke kota j dan salesman ingin melakukan perjalanan dengan biaya total yang minimum, yang mana biaya total adalah jumlah masing-masing biaya tiap edge atau jalur perjalanannya (Vasudev, 2006, hal : 88). Sehingga traveling salesman problem didefinisikan sebagai suatu permasalahan optimasi yang bertujuan untuk mendapatkan rute terpendek (minimum) dari beberapa tempat atau kota yang harus dilalui seorang salesman tepat satu kali ia hingga kembali ke tempat awal keberangkatannya. Jadi, secara sederhana traveling salesman problem merupakan permasalahan seorang salesman yang harus melakukan kunjungan tepat satu kali pada semua kota dalam sebuah lintasan sebelum dia kembali ke titik awal keberangkatannya. Definisi Andaikan dinotasikan sebagai kota-kota yang telah dikunjungi, khususnya jika, maka kota adalah kota ke i yang telah dikunjungi selama perjalanan dan merupakan matriks jarak yang mana anggota-anggota dinotasikan sebagai jarak antara kota i dan kota j. Permasalahannya adalah menemukan rute terpendek untuk melewati seluruh kota tepat satu kali. Sehingga secara matematis traveling salesman problem didefinisikan sebagai : Minimum dengan kendala

3 10 Model dari permasalahan traveling salesman problem dapat digambarkan sebagai graph lengkap dengan n verteks. Bentuk traveling salesman problem dengan graph didefinisikan sebagai berikut., di mana adalah lengkap yang sering dinotasikan dengan. adalah fungsi dari verteks, dan G memiliki rute perjalanan dengan biaya sebanyak k. Definisi Suatu graph dikatakan lengkap apabila graph sederhana dengan n verteks dan setiap verteks pada G terhubung dengan verteks lainnya tepat satu edge.. Dengan catatan bahwa memiliki tepat edge dan lintasan (Vasudev, 2006, hal : 20). Contoh. 2.1 : Berikut diberikan gambaran traveling salesman problem dengan menggunakan graph lengkap dari lintasan hamilton. Andaikan adalah suatu graph lengkap dengan dan maka bentuk graph tersebut adalah : Gambar 2.1 Graph lengkap dengan 6 verteks dan 15 edge

4 11 Namun, traveling salesman problem juga dapat dideskripsikan kedalam bentuk graph tidak lengkap seperti contoh berikut. Contoh 2.2 : Diberikan suatu dengan 5 verteks dan 8 edge Gambar 2.2 Graph tidak lengkap dengan 5 verteks dan 8 edge Tiap verteks pada suatu graph merupakan representasi dari kota-kota yang harus dikunjungi oleh seorang salesman, sedangkan edge yang menghubungkan antar verteks merupakan representasi dari nilai jarak antar kedua kota. Dalam graph, traveling salesman problem direpresentasikan sebagai graph berbobot. Definisi Andaikan adalah suatu graph dan adalah suatu fungsi berbobot maka bersama dengan fungsi disebut graph berbobot. Definisi Andaikan dengan adalah suatu graph berbobot dan terhubung dengan T adalah spanning tree pada maka adalah jumlah bobot tiap edge pada T.

5 12 Ada dua metode yang sering digunakan dalam menyelesaikan traveling salesman problem, yaitu : a. Metode Optimal Metode ini menghasilkan nilai yang optimal dengan menemukan secara pasti nilai minimum dari traveling salesman problem. Biasanya metode optimal ini digunakan untuk menyelesaikan permasalahan yang ruang lingkupnya masih kecil. Namun, dibutuhkan waktu yang cukup lama jika lingkup permasalahan sudah memasuki skala besar yaitu jumlah kota yang harus dilalui sangat banyak. Metode optimal itu meliputi complete enumeration, branch and bound, cutting plane dan dynamic programming. Contoh. 2.2 : Diberikan suatu graph dari perjalanan seorang salesman. ` Gambar 2.3 Graph lengkap dengan 5 verteks. Andaikan seorang salesman ingin mengunjungi 5 kota, misalkan kota A, B, C, D dan E. Tabel 2.1 Jarak antar Kota Kota A B C D E A B C D E

6 13 Dengan menggunakan enumerasi lengkap tentukan rute yang harus ia lewati berdasarkan graph tersebut diatas dengan asumsi bahwa seluruh edge memiliki hambatan yang sama dan memulai perjalanan dari titik mana saja sehingga ia mampu menyelesaikan seluruh perjalanan dengan bobot tempuh yang minimum! Penyelesaian : Permasalahan diatas akan diselesaikan dengan metode enumerasi lengkap yang akan menjabarkan seluruh kemungkinan yang terdapat dalam graph, setelah itu akan dibandingkan lintasan mana yang paling minimum. Untuk menyelesaikan permasalahan ini, kita misalkan dia memulai keberangkatan dari titik A. Secara manual dapat diselesaikan dengan memeriksa semua jalur yang memungkinkan untuk ia melewati empat kota lainnya dan akhirnya kembali ke kota awal yaitu A. Sesuai dengan definisi sebelumnya bahwa permasalahan tersebut memiliki sebanyak lintasan yang termasuk dalam ruang solusi. Ini berarti ada 24 lintasan yang dianggap sebagai rute alternatif. Namun, oleh karena terdapat rute yang dilalui memiliki bobot yang sama ketika rute tersebut dilewati secara berlawanan arah, maka ada lintasan sehingga ada 12 lintasan yang menjadi kemungkinan solusi permasalahan tersebut. Bobot total dihitung dengan cara menjumlahkan bobot tiap edge pada masing-masing lintasan. Dari tabel jarak tersebut diperoleh bobot dari masing-masing edge adalah sebagai berikut.

7 14 Berikut ini adalah tabel rute-rute dari lintasan hamilton yang mungkin dari graph lengkap diatas dan total bobot yang akan ditempuh untuk masing-masing lintasan. Tabel 2.2 Lintasan dari sirkuit hamilton. Rute alternatif Bobot total Bobot minimum 890 Dari perhitungan diatas diperoleh rute yang harus dilalui olehnya agar bobot tempuh minimum adalah dengan total bobot yaitu 890. Cara ini memang sangat ampuh karena didapat hasil yang benar-benar optimal yaitu diperolehnya rute dengan bobot tempuh yang paling minimum. Namun, hal itu hanya berlaku jika jumlah kota masih sedikit. Ketika permasalahan diperbesar maka akan menjadi sangat merepotkan dan menghabiskan waktu yang sangat banyak jika kendala yang berupa jumlah kota yang harus dikunjungi itu sangat banyak.

8 15 b. Metode Aproksimasi Metode aproksimasi atau sering disebut juga dengan metode heuristik menghasilkan penyelesaian yang hanya mendekati nilai yang optimal. Metode aproksimasi ini meliputi tabu search, local search, algoritma acak, simulasi annealing, algoritma greedy, ant colony dan neural network. Contoh. 2.3 : Diberikan suatu graph dengan bobot yang sama dari contoh sebelumnya (Gambar 2.3). Dengan menggunakan algoritma greedy tentukan rute yang harus ia lewati berdasarkan graph tersebut (dengan asumsi yang sama seperti pada contoh kasus sebelumnya) sehingga ia mampu menyelesaikan seluruh perjalanan dengan bobot tempuh yang minimum! Penyelesaian : Diketahui suatu dengan dan yaitu : dengan bobot masing-masing edge Sebelumnya akan dijelaskan mengenai algoritma greedy. Secara sederhana algoritma greedy merupakan algoritma untuk mencari solusi optimal dengan cara memulai lintasan dengan titik-titik yang memiliki edge yang paling minimum. Dan untuk menentukan titik yang akan dipilih selanjutnya adalah dengan memilih titik yang belum dilewati dan memiliki jarak yang paling minimum pula. Andaikan adalah graph berbobot dan n adalah jumlah verteks dengan adalah edge dari verteks ke verteks maka adalah bobot dari edge tersebut.

9 16 Sehingga permasalahan menjadi Langkah-langkah penyelesaian dengan algoritma greedy : Langkah 1. Pilih titik awal Pilih titik awal keberangkatan yang memiliki bobot paling minimum. Bobot antar edge setelah diurutkan dari yang paling kecil hingga yang ke besar adalah Berarti kita bisa memulai perjalanan dari titik A, B, atau D. Misalkan kita mulai dari titik B. Langkah 2. Misalkan maka pilih begitu seterusnya hingga seluruh kota terlewati. Titik selanjutnya dipilih dengan cara memilih kota yang belum pernah dilewati dengan bobot yang paling minimum. Berikut akan ditunjukkan juga ilustrasi berupa graph dengan lintasan yang terpilih dari permasalahan sehingga mempermudah untuk melihat tiap iterasi dari pemilihan tiap urutan verteks yang akan ditetapkan menjadi rute atau lintasan yang paling minimum. Iterasi Pertama Oleh karena, maka titik selanjutnya adalah sehingga

10 17 Pilih Ada dua titik yang bernilai minimum yaitu BA dan BD, maka pilih salah satu titik. Misalkan A menjadi titik yang terpilih untuk dipakai berikutnya maka ulangi langkah sama seperti langkah sebelumnya. Gambar berikut menunjukkan titik yang terpilih dengan garis yang dipertebal adalah rute yang dilalui. ` Gambar 2.4 Graph dengan edge yang terpilih setelah iterasi pertama Iterasi Kedua Oleh karena Pilih, maka titik selanjutnya adalah sehingga Karena titik AE bernilai minimum, maka titik E terpilih menjadi titik solusi untuk mendapatkan titik berikutnya. ` Gambar 2.5 Graph dengan edge yang terpilih setelah iterasi kedua

11 18 Iterasi Ketiga Oleh karena Pilih, maka titik selanjutnya adalah sehingga Karena titik ED bernilai minimum, maka titik D terpilih menjadi titik solusi untuk mendapatkan titik berikutnya. ` Gambar 2.6 Graph dengan edge yang terpilih setelah iterasi ketiga Iterasi Keempat Oleh karena, maka titik selanjutnya adalah sehingga. Dan karena hanya tinggal titik C yang belum dilalui maka titik C menjadi titik yang terpilih untuk kemudian kembali ke titik B (titik awal keberangkatan). Gambar 2.7 Graph dengan edge yang terpilih setelah iterasi keempat

12 19 Maka iterasi dihentikan karena telah melewati seluruh titik dengan urutan bentuk lintasan sebagai berikut. dengan total bobot dan ` Gambar 2.8 Solusi optimal Terdapat perbedaan hasil yang cukup besar antara penyelesaian dengan metode enumerasi lengkap dan algoritma greedy meskipun permasalahannya sama dan masih dalam lingkup yang kecil yakni jumlah verteks dan edge yang tidak terlalu banyak. Hal itu dapat dilihat dari hasil yang diperoleh dengan cara enumerasi lengkap yaitu sebesar 890 sedangkan dengan menggunakan algoritma greedy diperoleh bobot sebesar Algoritma Metropolis Pada tahun 1953 Metropolis, Rosenbluth dan Teller memperkenalkan suatu metode dan algoritma yang sederhana untuk menyimulasikan perubahan benda dari yang bertemperatur sangat tinggi ke dalam thermal equilibrium dengan menampilkan langkah per langkah dari simulasi tersebut pada temperatur T (Aarts et al, 1989, hal : 14). Mereka menyatakan permasalahan dengan menyimulasikan reaksi partikel dari suatu sistem fisis berdasarkan mekanika statistika. Mekanika statistika adalah aplikasi dari teori probabilitas yang menerapkan fungsi matematika untuk menangani permasalahan dalam jumlah populasi yang besar kedalam bentuk matematika. Metode dasar dari permasalahan ini dinyatakan sebagai probabilitas menemukan sistem fisis

13 20 didalam state dengan energi E yang sesuai dengan fungsi Gibs-Boltzmann yaitu dimana adalah temperatur dan adalah konstanta Boltzmann. Untuk setiap temperatur fungsi tersebut menurun secara monoton pada energi E, sehingga state yang berada pada sistem fisis tampak lebih seperti menurunkan energi state dari tingginya energi state sebelumnya. Efek dari temperatur adalah ketika nilai kecil probabilitas untuk energi state yang rendah adalah lebih besar daripada energi state yang tinggi. Dengan kata lain, jika nilai temperatur besar, maka perbedaan antara dua probabilitas itu sangat kecil dan sistem menjadi lebih sama persis dalam kondisi state apapun. Definisi Diberikan state awal i dengan energi, maka state selanjutnya j dihasilkan dengan mengaplikasikan suatu mekanisme acak yang mana mengubah state awal menjadi state selanjutnya dengan tindakan yang kecil, sebagai contoh adalah pertukaran partikel-partikelnya. Energi dari state selanjutnya adalah. Jika perubahan energi yaitu, lebih kecil dari 0, maka state j diterima sebagai state yang akan dipakai selanjutnya. Dan jika perubahan energi tersebut lebih besar atau sama dengani 0 maka state j diterima sebagai state berikutnya jika memenuhi syarat probabilitas berikut. di mana T dinotasikan sebagai temperatur pada ruang panas dan adalah konstanta Boltzmann. Aturan penerimaan diatas disebut dengan kriteria Metropolis dan algoritmanya disebut dengan algoritma Metropolis. Berikut adalah algoritma Metropolis untuk permasalahan minimasi. Mulai Ambil S sebagai solusi current. Ambil sebagai solusi terpilih dengan distribusi seragam secara acak dari tetangga S Jika maka perbaharui

14 21 yang lain akhiri. dengan probabilitas perbaharui selain itu tinggalkan S yang tidak berubah Kriteria Metropolis diaplikasikan ke simulasi annealing untuk membangkitkan atau mendapatkan suatu barisan solusi dari permasalahan optimasi kombinatorial. Dengan menerapkan algoritma Metropolis ke simulasi annealing maka pada simulasi annealing akan terlihat sebagai suatu iterasi untuk mengevaluasi seluruh perubahan fungsi objektif dan nilai penurunan suhu. 2.3 Simulasi Annealing Sebelum membahas tentang simulasi annealing, akan dijelaskan terlebih dahulu konsep dasar mengenai teori simulasi. Pengertian umum simulasi adalah suatu metodologi untuk melaksanakan percobaan dengan menggunakan model atau algoritma dari suatu sistem nyata. Konsep dasarnya adalah menggunakan beberapa perangkat untuk meniru sistem nyata guna mempelajari dan memahami sifat-sifat, perangai atau tingkah laku dan karakteristik operasinya. Simulasi juga merupakan alat percobaan untuk mengetahui data sampel serta taksiran statistik dari suatu model atau algoritma. Oleh karena itu, simulasi sangat berkaitan dengan percobaan untuk menaksir karakteristik dari sistem nyata tersebut dengan tujuan untuk merancang, menyusun dan mengembangkan sistem atau mengubahnya. Simulasi yang baik membutuhkan perencanaan dan organisir yang bagus, namun bentuk simulasi tersebut tidak selalu tetap dan selamanya akan terus berubahubah sesuai dengan permasalahan dan kendala yang muncul. Pada umumnya terdapat lima langkah utama yang diperlukan dalam menggunakan simulasi sebagai metode penyelesaian suatu permasalahan, yaitu :

15 22 1. Tentukan sistem atau persoalan yang ingin disimulasikan. 2. Kembangkan model atau algoritma simulasi yang ingin digunakan. 3. Menguji model atau algoritma tersebut dan bandingkan karakteristiknya dengan karakteristik sistem nyata yang diadopsi, kemudian berlakukan model simulasinya. 4. Rancang percobaan-percobaan simulasi. 5. Jalankan simulasi dan analisis outputnya. Pada awal tahun 1980 Kirkpatrick, Gellat dan Vecchi (1982; 1983) dan secara terpisah Cerny (1985) memperkenalkan konsep simulasi annealing untuk menyelesaikan permasalahan optimasi kombinatorial. Definisi Permasalahan optimasi kombinatorial adalah permasalahan minimum dan maksimum yang dirincikan dengan himpunan beserta beberapa kendala didalamnya. Penyelesaian suatu permasalahan optimasi kombinatorial bertujuan untuk menemukan solusi terbaik atau solusi optimal serta dapat dihitung yang nilainya terbatas ataupun tidak dari solusi-solusi alternatif yang ada. Definisi Suatu contoh permasalahan optimasi kombinatorial dapat diformulasikan sebagai pasangan, di mana ruang solusi S sebagai himpunan terbatas dari seluruh kemungkinan solusi dan fungsi biaya f merupakan pemetaan yang didefinisikan sebagai berikut. Dalam kasus minimum, permasalahannya adalah menemukan solusi harus memenuhi untuk semua yang Sedangkan dalam kasus maksimum, harus memenuhi kondisi

16 23 untuk semua yang mana adalah global optimal solusi, baik itu minimum maupun maksimum, = merupakan nilai optimal dan adalah himpunan dari seluruh solusi optimal. Penyelesaian suatu permasalahan optimasi dengan menggunakan simulasi annealing terinspirasi dari proses fisika yakni pendinginan bahan logam yang disebut dengan annealing. Dalam proses pendinginan suatu benda, annealing diketahui sebagai proses penurunan suhu secara bertahap untuk mendapatkan tingkat energi yang rendah pada benda (dalam hal ini adalah logam) pada suhu ruang tertentu. Proses tersebut terdiri atas dua langkah (Kirkpatrick et al, 1982; 1983) sebagai berikut. 1. Menaikkan temperature ruang panas hingga mencapai nilai maksimum pada tiap-tiap lelehan benda tersebut. 2. Menurunkan temperatur secara perlahan hingga partikel-partikel benda tersebut menyusun diri mereka sendiri dalam bentuk yang stabil hingga akhirnya menjadi benda padat, yang dalam bentuk cair partikel-partikel benda tersebut mampu menyusun diri mereka sendiri secara acak. Berikut adalah tabel dari analogi antara annealing dalam permasalahan proses pendinginan logam dan annealing dalam permasalahan optimasi. Tabel 2.3 Analogi proses annealing Proses Annealing pada Logam Permasalahan Optimasi State Solusi layak Energi Fungsi evaluasi Keadaan stabil Solusi optimal Rapid quenching Local search Suhu Parameter kontrol T Pendinginan bertahap Simulasi annealing

17 24 Dari tabel diatas diperoleh gambaran analogi antara permasalahan optimasi kombinatorial dan simulasi annealing yaitu sebagai berikut : 1. Solusi-solusi dari permasalahan optimasi kombinatorial (dalam hal ini adalah traveling salesman problem) ekuivalen terhadap state dari sistem annealing. 2. Total biaya atau bobot dari solusi-solusi tersebut ekuivalen terhadap energi state. Simulasi annealing pada traveling salesman problem memiliki beberapa pertanyaan dasar yang harus diselesaikan dalam bentuk algoritma yaitu : 1. Apa solusinya? 2. Apa titik tetangga dari solusinya? 3. Berapa total biaya dari solusi tersebut? 4. Bagaimana cara menentukan solusi awalnya? Berdasarkan analogi antara annealing dalam permasalahan proses pendinginan logam dan annealing dalam permasalahan optimasi ada beberapa pertanyaan tambahan untuk menentukan algoritma yang cocok dalam permasalahan yaitu sebagai berikut. 1. Bagaimana menentukan temperatur awal T? 2. Bagaimana menentukan rasio penurunan pendinginan pada cooling scheduling? 3. Bagaimana menentukan keadaan akhirnya? 4. Bagaimana menentukan kriteria penghentian iterasinya? Dari beberapa pertanyaan tersebut, aplikasi dari analogi algoritma simulasi annealing harus memenuhi tiga rincian berikut. 1. Representasi dari permasalahan Representasi dari permasalahan mengandung representasi ruang solusi dan fungsi nilai. Fungsi nilai harus ditetapkan sebagai nilai efektif dari solusi yang berkaitan dengan objektif optimasi.

18 25 2. Mekanisme transisi Membangkitkan trail untuk mengubah solusi awal menjadi solusi berikutnya memiliki tiga langkah. Pertama, solusi awal yang baru dibangkitkan dari salah satu solusi current dengan menerapkan mekanisme pembangkitan. Kedua, perubahan nilai diantara dua solusi dihitung dan yang ketiga, tentukan keputusan diterima atau tidaknya solusi yang baru dan mengganti solusi current dengan solusi terbaru jika solusi yang baru tersebut diterima. Evaluasi trail merupakan bagian yang menghabiskan waktu yang cukup banyak dalam algoritma simulasi annealing dan harus dilakukan dengan waktu yang seefisien mungkin. Mekanisme pembangkitan biasanya memilih solusi baru yang terkandung dalam salah satu solusi current dengan penyusunan ulang sederhana. Keputusan untuk menerima solusi baru tersebut berdasarkan atas kriteria penerimaan yaitu kriteria Metropolis berikut. di mana c adalah parameter kontrol yaitu dengan adalah konstanta Boltzmann dan adalah temperatur serta adalah perubahan biaya antara solusi baru dan solusi current dalam kasus permasalahan minimasi. Dalam mekanisme transisi terdapat proses modifikasi, langkah acak atau perubahan apa yang harus dilakukan terhadap elemen-elemen konfigurasi untuk menghasilkan konfigurasi berikutnya serta fungsi evaluasi atau fungsi objektif yang dapat menyatakan baik-buruknya suatu solusi terhadap permasalahan. 3. Jadwal pendinginan atau cooling schedule. Simulasi annealing bekerja dengan menjalankan algoritma Metropolis yang secara perlahan menurunkan nilai hingga akhir proses penurunan. yang diperbaharui tersebut disebut sebagai jadwal pendinginan atau cooling

19 26 schedule. Secara resmi, cooling schedule adalah suatu fungsi dari yang merupakan bilangan real positif dalam iterasi dari algoritma Metropolis dan digunakan temperatur sebagai definisi dari probabilitas. Dari rincian diatas diperoleh hal-hal penting yang harus diperhatikan dalam pelaksanaan proses simulasi annealing yaitu sebagai berikut. 1. Inisialisasi solusi awal yang dipilih secara acak. Memilih solusi awal secara acak sebagai posisi awal iterasi dalam proses simulasi. 2. Temperatur awal Temperatur awal harus memiliki nilai yang cukup besar agar mampu terhindar dari bad local optima. Biasanya nilai temperatur awal ini ditetapkan sebesar dua kali panjang suatu jalur yang telah dipilih secara acak. 3. Mekanisme pertukaran. Tentukan operator yang dibutuhkan untuk menentukan pertukaran solusi yang dianggap sebagai iterasi. 4. Fungsi objektif permasalahan Mengevaluasi setiap fungsi energi yang berubah karena proses iterasi dari mekanisme pertukaran. 5. Cooling schedule Fungsi cooling schedule yang umum digunakan adalah di mana adalah rasio pendinginan untuk menurunkan temperatur dengan. Hasil yang bagus akan diperoleh jika berada pada range (Chibante, 2010).

20 27 6. Kriteria penghentian proses simulasi. Ada beberapa metode yang biasa digunakan untuk mengontrol penghentian algoritma (Chibante, 2010), yaitu dilihat dari : a. Maksimum jumlah iterasi b. Nilai minimum temperatur c. Nilai minimum fungsi objektif d. Nilai minimum dari tingkat penerimaan. Sebagian besar penerapan simulasi annealing mengikuti algoritma dari barisan sederhana berikut (Michalewicz et al, 2000, hal : 122). Langkah 1 : pilih secara acak. Langkah 2 : Ambil titik dari tetangga pada jika lebih baik daripada maka pilih selain itu pilih dengan probabilitas ulangi langkah ini hingga kali. Langkah 3 : tetapkan jika maka ulangi langkah 2 selain itu pergi ke langkah 1 dimana adalah temperatur awal, adalah jumlah iterasi, adalah rasio pendinginan dan adalah temperatur setelah membeku. Walaupun algoritma simulasi annealing secara konsep terlihat sederhana yaitu membangkitkan parameter optimal seperti temperatur awal, annealing schedule, parameter fungsi penerimaan dan hal lainnya yang diperlukan bukan berarti ia mudah dilaksanakan secara langsung. Pengaturan parameter untuk simulasi annealing adalah tidak bebas dan cara terbaik untuk mencapainya adalah dengan melalui trial dan

21 28 error. Selain itu banyak penelitian telah menunjukkan bahwa menentukan algoritma simulasi annealing sangat sensitif terhadap parameter dan pelaksanaannya sangat tergantung pada penyusunan parameternya (Chibante et al, 2010, hal : 218). 2010). Berikut ini adalah flowchart dari algoritma simulasi annealing (Chibante, Parameter Awal N Penelusuran dihentikan? Y Evaluasi Solusi Bangkitkan Solusi Baru Output Diterima? N Y Update state terbaru Turunkan Temperatur Stop Ubah Temperatur N Y Gambar 2.9 Flowchart untuk Algoritma Simulasi Annealing

22 Simulasi Annealing dan Traveling salesman problem. Traveling salesman problem dikenal sebagai suatu permasalahan optimasi yang bersifat klasik dan non-deterministic polynomial-time complete yang berarti tidak ada penyelesaian yang paling optimal selain harus mencoba seluruh kemungkinan penyelesaian yang ada. Permasalahan ini melibatkan seorang salesman yang harus melakukan kunjungan sekali pada semua kota dalam sebuah lintasan sebelum dia kembali ke titik awal keberangkatannya. Berawal dari sinilah dikembangkan metode-metode pemecahan permasalahan traveling salesman yang diharapkan dapat memberikan pemecahan yang optimal, salah satunya adalah metode simulasi annealing. Simulasi annealing adalah suatu metode derivative free optimization yang digunakan pada permasalahan optimasi dalam bentuk kontinu maupun diskrit (kombinatorial). Keunggulan dari metode simulasi annealing adalah kemampuan untuk menghindari bad local optima berdasarkan aturan penerimaan terhadap calon solusi berikutnya. Annealing adalah proses metalurgi yaitu memanaskan suatu benda padat (biasanya logam) hingga cair kemudian mendinginkannya secara perlahan hingga ia kembali padat. Atom-atom penyusun benda tersebut memiliki energi dengan temperatur yang sangat tinggi. Hal ini mengakibatkan atom-atom benda tersebut memiliki kebebasan untuk menyusun diri mereka sendiri. Pada saat temperatur berkurang maka energi atom-atom tersebut juga menurun hingga akhirnya kondisi energi minimum tercapai. Dalam permasalahan optimasi, simulasi annealing dianalogikan sebagai proses annealing tersebut. Dalam mengadopsi simulasi annealing pada traveling salesman problem, Kirkpatrick (1982; 1983) dan Cerny (1985) menyarankan untuk menggunakan aturan perpindahan 2-opt ketika memilih titik yang bertetanggaan dengannya. Cerny (1985) juga menjelaskan langkah sederhana dalam perubahan posisi antar kota tetapi bagian dalam diantara kota tersebut tidak berubah. Namun dalam bukti nyatanya pendekatan ini tidak efektif.

23 30 Kirkpatrick, dkk (1982; 1983) menggunakan suatu algoritma untuk menyelesaikan permasalahan dalam skala besar (sekitar 6000 kota) tetapi mereka tidak menyediakan informasi yang lengkap tentang kualitas dari solusi yang ditemukan, sehingga nilai dan simulasi annealing pada traveling salesman problem tidak pernah jelas secara numerik.

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang 1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Salah satu permasalahan optimasi kombinatorial yang terkenal dan sering dibahas adalah traveling salesman problem. Sejak diperkenalkan oleh William Rowan Hamilton

Lebih terperinci

APLIKASI SIMULATED ANNEALING UNTUK MENYELESAIKAN TRAVELLING SALESMAN PROBLEM

APLIKASI SIMULATED ANNEALING UNTUK MENYELESAIKAN TRAVELLING SALESMAN PROBLEM Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 03, No. 1 (2015), hal 25 32. APLIKASI SIMULATED ANNEALING UNTUK MENYELESAIKAN TRAVELLING SALESMAN PROBLEM Edi Samana, Bayu Prihandono, Evi Noviani

Lebih terperinci

BAB I PENDAHULUAN 1.1. Latar Belakang

BAB I PENDAHULUAN 1.1. Latar Belakang 1 BAB I PENDAHULUAN 1.1. Latar Belakang Perkembangan dunia usaha mengalami persaingan yang begitu ketat dan peningkatan permintaan pelayanan lebih dari pelanggan. Dalam memenangkan persaingan tersebut

Lebih terperinci

STUDI PERBANDINGAN ALGORITMA CHEAPEST INSERTION HEURISTIC DAN ANT COLONY SYSTEM DALAM PEMECAHAN TRAVELLING SALESMAN PROBLEM

STUDI PERBANDINGAN ALGORITMA CHEAPEST INSERTION HEURISTIC DAN ANT COLONY SYSTEM DALAM PEMECAHAN TRAVELLING SALESMAN PROBLEM Seminar Nasional Aplikasi Teknologi Informasi (SNATI ) ISSN: `1907-5022 Yogyakarta, 19 Juni STUDI PERBANDINGAN ALGORITMA CHEAPEST INSERTION HEURISTIC DAN ANT COLONY SYSTEM DALAM PEMECAHAN TRAVELLING SALESMAN

Lebih terperinci

Penyelesaian Traveling Salesman Problem dengan Algoritma Heuristik

Penyelesaian Traveling Salesman Problem dengan Algoritma Heuristik Penyelesaian Traveling Salesman Problem dengan Algoritma Heuristik Filman Ferdian - 13507091 Program Studi Teknik Informatika, Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jalan Ganesha

Lebih terperinci

METODE PROGRAM DINAMIS PADA PENYELESAIAN TRAVELING SALESMAN PROBLEM

METODE PROGRAM DINAMIS PADA PENYELESAIAN TRAVELING SALESMAN PROBLEM Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 04, No. 3 (2015), hal 329 336. METODE PROGRAM DINAMIS PADA PENYELESAIAN TRAVELING SALESMAN PROBLEM Hermianus Yunus, Helmi, Shantika Martha INTISARI

Lebih terperinci

PENYELESAIAN TRAVELLING SALESMAN PROBLEM DENGAN METODE TABU SEARCH

PENYELESAIAN TRAVELLING SALESMAN PROBLEM DENGAN METODE TABU SEARCH Buletin Ilmiah Mat. Stat. Dan Terapannya (Bimaster) Volume 04, No. 1 (2015), hal 17 24. PENYELESAIAN TRAVELLING SALESMAN PROBLEM DENGAN METODE TABU SEARCH Fatmawati, Bayu Prihandono, Evi Noviani INTISARI

Lebih terperinci

PENYELESAIAN TRAVELLING SALESMAN PROBLEM MENGGUNAKAN METODE SIMPLE HILL CLIMBING

PENYELESAIAN TRAVELLING SALESMAN PROBLEM MENGGUNAKAN METODE SIMPLE HILL CLIMBING Buletin Ilmiah Math. Stat. dan Terapannya (Bimaster) Volume 0, No. (2015), hal 17 180. PENYELESAIAN TRAVELLING SALESMAN PROBLEM MENGGUNAKAN METODE SIMPLE HILL CLIMBING Kristina Karunianti Nana, Bayu Prihandono,

Lebih terperinci

APLIKASI TRAVELLING SALESMAN PROBLEM DENGAN METODE ARTIFICIAL BEE COLONY

APLIKASI TRAVELLING SALESMAN PROBLEM DENGAN METODE ARTIFICIAL BEE COLONY APLIKASI TRAVELLING SALESMAN PROBLEM DENGAN METODE ARTIFICIAL BEE COLONY Andri 1, Suyandi 2, WinWin 3 STMIK Mikroskil Jl. Thamrin No. 122, 124, 140 Medan 20212 andri@mikroskil.ac.id 1, suyandiz@gmail.com

Lebih terperinci

Penentuan Rute Belanja dengan TSP dan Algoritma Greedy

Penentuan Rute Belanja dengan TSP dan Algoritma Greedy Penentuan Rute Belanja dengan TSP dan Algoritma Greedy Megariza 13507076 1 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jl. Ganesha 10 Bandung 40132,

Lebih terperinci

BAB II KAJIAN TEORI 2.1 Kajian Penelitian Sebelumnya

BAB II KAJIAN TEORI 2.1 Kajian Penelitian Sebelumnya 5 BAB II KAJIAN TEORI 2.1 Kajian Penelitian Sebelumnya Traveling salesman problem (TSP) merupakan salah satu permasalahan yang telah sering diangkat dalam berbagai studi kasus dengan penerapan berbagai

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang 9 BAB 1 PENDAHULUAN 1.1 Latar Belakang Travelling Salesman Problem (TSP) merupakan salah satu permasalahan yang penting dalam dunia matematika dan informatika. TSP dapat diilustrasikan sebagai perjalanan

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 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 terperinci

ANALISIS ALGORITMA ANT SYSTEM (AS) PADA KASUS TRAVELLING SALESMAN PROBLEM (TSP)

ANALISIS ALGORITMA ANT SYSTEM (AS) PADA KASUS TRAVELLING SALESMAN PROBLEM (TSP) Buletin Ilmiah Math. Stat. dan Terapannya (Bimaster) Volume 04, No. 3 (2015), hal 201 210. ANALISIS ALGORITMA ANT SYSTEM (AS) PADA KASUS TRAVELLING SALESMAN PROBLEM (TSP) Cindy Cipta Sari, Bayu Prihandono,

Lebih terperinci

Penyelesaian Traveling Salesperson Problem dengan Menggunakan Algoritma Semut

Penyelesaian Traveling Salesperson Problem dengan Menggunakan Algoritma Semut Penyelesaian Traveling Salesperson Problem dengan Menggunakan Algoritma Semut Irfan Afif (13507099) Program Studi Teknik Informatika, Sekolah Teknik Elektro dan Informatika, Institut Teknologi Bandung,

Lebih terperinci

UJI KINERJA DAN SIMULASI PENENTUAN JARAK TERPENDEK DENGAN SIMULATED ANNEALING PADA SUHU TETAP DAN SUHU BERUBAH

UJI KINERJA DAN SIMULASI PENENTUAN JARAK TERPENDEK DENGAN SIMULATED ANNEALING PADA SUHU TETAP DAN SUHU BERUBAH UJI KINERJA DAN SIMULASI PENENTUAN JARAK TERPENDEK DENGAN SIMULATED ANNEALING PADA SUHU TETAP DAN SUHU BERUBAH Dian Savitri, S.Si, M.Si Jurusan Teknik Sipil Fakultas Teknik Unesa dee_11januari@yahoo.com

Lebih terperinci

BAB 1 PENDAHULUAN. dapat menyelesaikan masalah maka perlu dirumuskan terlebih dahulu langkahlangkah

BAB 1 PENDAHULUAN. dapat menyelesaikan masalah maka perlu dirumuskan terlebih dahulu langkahlangkah BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Komputer merupakan salah satu alat bantu untuk menyelesaikan masalah. Untuk dapat menyelesaikan masalah maka perlu dirumuskan terlebih dahulu langkahlangkah

Lebih terperinci

LANDASAN TEORI. Bab Konsep Dasar Graf. Definisi Graf

LANDASAN TEORI. Bab Konsep Dasar Graf. Definisi Graf Bab 2 LANDASAN TEORI 2.1. Konsep Dasar Graf Definisi Graf Suatu graf G terdiri atas himpunan yang tidak kosong dari elemen elemen yang disebut titik atau simpul (vertex), dan suatu daftar pasangan vertex

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Latar Belakang Traveling Salesperson Problem selanjutnya dalam tulisan ini disingkat menjadi TSP, digambarkan sebagai seorang penjual yang harus melewati sejumlah kota selama perjalanannya,

Lebih terperinci

Bab 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

Bab 1 PENDAHULUAN. 1.1 Latar Belakang Masalah Bab 1 PENDAHULUAN 1.1 Latar Belakang Masalah Teori graf merupakan pokok bahasan yang memiliki banyak terapan sampai saat ini. Graf di gunakan untuk merepresentasikan objek objek diskrit dan hubungan antara

Lebih terperinci

Matematika dan Statistika

Matematika dan Statistika ISSN 1411-6669 MAJALAH ILMIAH Matematika dan Statistika DITERBITKAN OLEH: JURUSAN MATEMATIKA FMIPA UNIVERSITAS JEMBER Majalah Ilmiah Matematika dan Statistika APLIKASI ALGORITMA SEMUT DAN ALGORITMA CHEAPEST

Lebih terperinci

OPTIMASI RUTE ARMADA KEBERSIHAN KOTA GORONTALO MENGGUNAKAN ANT COLONY OPTIMIZATION. Zulfikar Hasan, Novianita Achmad, Nurwan

OPTIMASI RUTE ARMADA KEBERSIHAN KOTA GORONTALO MENGGUNAKAN ANT COLONY OPTIMIZATION. Zulfikar Hasan, Novianita Achmad, Nurwan OPTIMASI RUTE ARMADA KEBERSIHAN KOTA GORONTALO MENGGUNAKAN ANT COLONY OPTIMIZATION Zulfikar Hasan, Novianita Achmad, Nurwan ABSTRAK Secara umum, penentuan rute terpendek dapat dibagi menjadi dua metode,

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Latar Belakang Persoalan lintasan terpanjang (longest path) merupakan persoalan dalam mencari lintasan sederhana terpanjang maksimum dalam suatu graph yang diberikan. Lintasan terpanjang

Lebih terperinci

BAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan

BAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan BAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan Kereta api merupakan salah satu angkutan darat yang banyak diminati masyarakat, hal ini dikarenakan biaya yang relatif murah dan waktu tempuh yang

Lebih terperinci

JURNAL IT STMIK HANDAYANI

JURNAL IT STMIK HANDAYANI Nurilmiyanti Wardhani Teknik Informatika, STMIK Handayani Makassar ilmyangel@yahoo.com Abstrak Algoritma semut atau Ant Colony Optimization merupakan sebuah algoritma yang berasal dari alam. Algoritma

Lebih terperinci

Pemanfaatan Algoritma Semut untuk Penyelesaian Masalah Pewarnaan Graf

Pemanfaatan Algoritma Semut untuk Penyelesaian Masalah Pewarnaan Graf Pemanfaatan Algoritma Semut untuk Penyelesaian Masalah Pewarnaan Graf Anugrah Adeputra - 13505093 Program Studi Informatika, Sekolah Teknik Elektro & Informatika ITB Jl. Ganesha No.10 If15093@students.if.itb.ac.id

Lebih terperinci

BAB 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 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 terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Graf Definisi 2.1.1 Sebuah graf didefinisikan sebagai pasangan terurut himpunan dimana: 1. adalah sebuah himpunan tidak kosong yang berhingga yang anggotaanggotanya

Lebih terperinci

BAB I PENDAHULUAN 1.1 LATAR BELAKANG

BAB I PENDAHULUAN 1.1 LATAR BELAKANG BAB I PENDAHULUAN 1.1 LATAR BELAKANG Travelling Salesman Problem (TSP) merupakan permasalahan pedagang keliling dalam mencari lintasan terpendek dari semua kota yang dikunjunginya. Dengan syarat kota tersebut

Lebih terperinci

BAB III IMPLEMENTASIALGORITMA GENETIK DAN ACS PADA PERMASALAHAN TRAVELLING SALESMAN PROBLEM

BAB III IMPLEMENTASIALGORITMA GENETIK DAN ACS PADA PERMASALAHAN TRAVELLING SALESMAN PROBLEM BAB III IMPLEMENTASIALGORITMA GENETIK DAN ACS PADA PERMASALAHAN TRAVELLING SALESMAN PROBLEM 3.1 TRAVELLING SALESMAN PROBLEM Sebelum membahas pencarian solusi Travelling Salesman Problem menggunakan algoritma

Lebih terperinci

Penerapan Algoritma Branch and Bound pada Perancangan Jalur Bandros

Penerapan Algoritma Branch and Bound pada Perancangan Jalur Bandros Penerapan Algoritma Branch and Bound pada Perancangan Jalur Bandros Irene Edria Devina / 13515038 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jl.Ganesha

Lebih terperinci

BAB III ALGORITMA ANT DISPERSION ROUTING (ADR)

BAB III ALGORITMA ANT DISPERSION ROUTING (ADR) BAB III ALGORITMA ANT DISPERSION ROUTING (ADR) Pada permasalahan pencarian rute optimal dalam rangka penyebaran rute lalu lintas untuk mencapai keseimbangan jaringan lalu lintas sebagai upaya untuk mengurangi

Lebih terperinci

Course Note Graph Hamilton

Course Note Graph Hamilton Course Note Graph Hamilton Pada catatan sebelumnya telah dijelaskan tentang definisi graph Hamilton. Suatu graph terhubung adalah graph Hamilton jika graph tersebut memuat sikel yang mencakup semua titik

Lebih terperinci

Optimasi Multi Travelling Salesman Problem (M-TSP) Menggunakan Algoritma Genetika

Optimasi 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 terperinci

LESSON 6 : INFORMED SEARCH Part II

LESSON 6 : INFORMED SEARCH Part II LESSON 6 : INFORMED SEARCH Part II 3.3 Itterative deepening A* search 3.3.1 Algoritma IDA* Itterative deepening search atau IDA* serupa dengan iterative deepening depth first, namun dengan modifikasi sebagai

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Pendahuluan

BAB 1 PENDAHULUAN. 1.1 Pendahuluan BAB 1 PENDAHULUAN 1.1 Pendahuluan Dewasa ini fungsi komputer semakin dibutuhkan, baik bagi perusahaan besar maupun kecil. Adapun fungsi dari komputer itu sendiri adalah mengolah data-data yang ada menjadi

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB 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 terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Teori Graf Teori graf merupakan pokok bahasan yang sudah tua usianya namun memiliki banyak terapan sampai saat ini. Graf digunakan untuk merepresentasikan objek-objek diskrit dan hubungan

Lebih terperinci

IMPLEMENTASI PERBANDINGAN ALGORITMA ANT COLONY SYSTEM DENGAN ALGORITMA SUBSET DYNAMIC PROGRAMMING PADA KASUS TRAVELLING SALESMAN PROBLEM

IMPLEMENTASI PERBANDINGAN ALGORITMA ANT COLONY SYSTEM DENGAN ALGORITMA SUBSET DYNAMIC PROGRAMMING PADA KASUS TRAVELLING SALESMAN PROBLEM IMPLEMENTASI PERBANDINGAN ALGORITMA ANT COLONY SYSTEM DENGAN ALGORITMA SUBSET DYNAMIC PROGRAMMING PADA KASUS TRAVELLING SALESMAN PROBLEM Tommi Poltak Mario Program Studi Teknik Informatika, STTI RESPATI

Lebih terperinci

BAB 2 LANDASAN TEORI. Definisi Graf G didefinisikan sebagai pasangan himpunan (V, E), yang dalam hal ini:

BAB 2 LANDASAN TEORI. Definisi Graf G didefinisikan sebagai pasangan himpunan (V, E), yang dalam hal ini: 10 BAB 2 LANDASAN TEORI 2.1.Konsep Dasar Graf Definisi 2.1.1 Graf G didefinisikan sebagai pasangan himpunan (V, E), yang dalam hal ini: V = himpunan tidak kosong dari simpul-simpul (vertices atau node)

Lebih terperinci

APLIKASI SIMULATED ANNEALING UNTUK PENENTUAN TATA LETAK MESIN

APLIKASI SIMULATED ANNEALING UNTUK PENENTUAN TATA LETAK MESIN APLIKASI SIMULATED ANNEALING UNTUK PENENTUAN TATA LETAK MESIN Sri Kusumadewi, Hari Purnomo Teknik Informatika, Teknik Industri Universitas Islam Indonesia Jl. Kaliurang Km 14,5 Yogyakarta cicie@fti.uii.ac.id,

Lebih terperinci

BAB 1 PENDAHULUAN Latar Belakang

BAB 1 PENDAHULUAN Latar Belakang 1 BAB 1 PENDAHULUAN 1.1. Latar Belakang Persoalan rute terpendek merupakan suatu jaringan pengarahan rute perjalanan di mana seseorang pengarah jalan ingin menentukan rute terpendek antara dua kota berdasarkan

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang

BAB 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 terperinci

BAB 1 PENDAHULUAN. 1.1 Pendahuluan

BAB 1 PENDAHULUAN. 1.1 Pendahuluan BAB 1 PENDAHULUAN 1.1 Pendahuluan Seiring dengan berkembangnya ilmu pengetahuan, penyelesaian suatu masalah dapat ditangani oleh suatu algoritma. Jenis masalah dapat berkisar dari masalah yang mudah sampai

Lebih terperinci

Pemanfaatan Algoritma Hybrid Ant Colony Optimization dalam Menyelesaikan Permasalahan Capacitated Minimum Spanning Tree. Tamam Asrori ( )

Pemanfaatan Algoritma Hybrid Ant Colony Optimization dalam Menyelesaikan Permasalahan Capacitated Minimum Spanning Tree. Tamam Asrori ( ) Pemanfaatan Algoritma Hybrid Ant Colony Optimization dalam Menyelesaikan Permasalahan Capacitated Minimum Spanning Tree Tamam Asrori (5104 100 146) Pendahuluan Latar Belakang Tujuan Dan Manfaat Rumusan

Lebih terperinci

ALGORITMA SEMUT PADA PENJADWALAN PRODUKSI JOBSHOP

ALGORITMA SEMUT PADA PENJADWALAN PRODUKSI JOBSHOP Media Informatika, Vol. 2, No. 2, Desember 2004, 75-81 ISSN: 0854-4743 ALGORITMA SEMUT PADA PENJADWALAN PRODUKSI JOBSHOP Zainudin Zukhri, Shidiq Alhakim Jurusan Teknik Informatika, Fakultas Teknologi Industri,Universitas

Lebih terperinci

ANALISIS PENGALOKASIAN KANAL PADA KOMUNIKASI SELULER DENGAN ALGORITMA SIMULATED ANNEALING

ANALISIS PENGALOKASIAN KANAL PADA KOMUNIKASI SELULER DENGAN ALGORITMA SIMULATED ANNEALING ANALISIS PENGALOKASIAN KANAL PADA KOMUNIKASI SELULER DENGAN ALGORITMA SIMULATED ANNEALING Elisabeth Bestiana Siregar Dosen Pembimbing : Rahmad Fauzi,ST. MT Konsentrasi Teknik Telekomunikasi, Departemen

Lebih terperinci

PENERAPAN 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 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 terperinci

Aplikasi Algoritma Genetika Untuk Menyelesaikan Travelling Salesman Problem (TSP)

Aplikasi 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 terperinci

PENYELESAIAN TRAVELLING SALESMAN PROBLEM DENGAN ALGORITMA SIMPLE HILL CLIMBING

PENYELESAIAN TRAVELLING SALESMAN PROBLEM DENGAN ALGORITMA SIMPLE HILL CLIMBING PENYELESAIAN TRAVELLING SALESMAN PROBLEM DENGAN ALGORITMA SIMPLE HILL CLIMBING Dinda Novitasari 1, Arista Welasari 2, W. Lisa Yunita 3, Nur Alfiyah 4, dan Chasandra P. 5 Program Studi Informatika, PTIIK,

Lebih terperinci

DAFTAR ISI... HALAMAN JUDUL... HALAMAN PERSETUJUAN... LEMBAR PERNYATAAN... HALAMAN PERSEMBAHAN... HALAMAN MOTTO... KATA PENGANTAR... DAFTAR TABEL...

DAFTAR ISI... HALAMAN JUDUL... HALAMAN PERSETUJUAN... LEMBAR PERNYATAAN... HALAMAN PERSEMBAHAN... HALAMAN MOTTO... KATA PENGANTAR... DAFTAR TABEL... DAFTAR ISI Halaman HALAMAN JUDUL... HALAMAN PERSETUJUAN... LEMBAR PERNYATAAN... HALAMAN PERSEMBAHAN... HALAMAN MOTTO... KATA PENGANTAR... DAFTAR ISI... DAFTAR TABEL... DAFTAR GAMBAR... INTISARI... ABSTRACT...

Lebih terperinci

BAB 1 PENDAHULUAN. Persoalan lintasan terpanjang (longest path) merupakan persoalan dalam mencari

BAB 1 PENDAHULUAN. Persoalan lintasan terpanjang (longest path) merupakan persoalan dalam mencari BAB 1 PENDAHULUAN 1.1 Latar Belakang Persoalan lintasan terpanjang (longest path) merupakan persoalan dalam mencari lintasan sederhana terpanjang maksimum dalam suatu graph yang diberikan. Lintasan terpanjang

Lebih terperinci

SISTEM ALOKASI PENYIMPANAN BARANG PADA GUDANG

SISTEM ALOKASI PENYIMPANAN BARANG PADA GUDANG SISTEM ALOKASI PENYIMPANAN BARANG PADA GUDANG Achmad Hambali Jurusan Teknik Informatika PENS-ITS Kampus PENS-ITS Keputih Sukolilo Surabaya 60 Telp (+6)3-59780, 596, Fax. (+6)3-596 Email : lo7thdrag@ymail.co.id

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Simulasi Sistem didefinisikan sebagai sekumpulan entitas baik manusia ataupun mesin yang yang saling berinteraksi untuk mencapai tujuan tertentu. Dalam prakteknya,

Lebih terperinci

BAB 2 LANDASAN TEORI. 2.1 Algoritma Genetika

BAB 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 terperinci

TARGET BERORIENTASI METODE CABANG DAN BATAS UNTUK OPTIMISASI GLOBAL

TARGET BERORIENTASI METODE CABANG DAN BATAS UNTUK OPTIMISASI GLOBAL TARGET BERORIENTASI METODE CABANG DAN BATAS UNTUK OPTIMISASI GLOBAL Mochamad Suyudi 1, Sisilia Sylviani 2 1,2 Departmen Matematika FMIPA Universitas Padjadjaran moch.suyudi@gmail.com Abstrak: Fokus utama

Lebih terperinci

IMPLEMENTASI GRAF DENGAN MENGGUNAKAN STRATEGI GREEDY

IMPLEMENTASI GRAF DENGAN MENGGUNAKAN STRATEGI GREEDY IMPLEMENTASI GRAF DENGAN MENGGUNAKAN STRATEGI GREEDY Erdiansyah Fajar Nugraha (13508055) Sekolah Teknik Elektro dan Informatika, Institut Teknologi Bandung Jalan Ganesha 10,Bandung e-mail: if18055@students.if.itb.ac.id

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 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 terperinci

SIMULASI PERGERAKAN OBYEK DALAM GRAF UNTUK OPTIMASI DISTRIBUSI BARANG ANTAR KOTA

SIMULASI PERGERAKAN OBYEK DALAM GRAF UNTUK OPTIMASI DISTRIBUSI BARANG ANTAR KOTA SIMULASI PERGERAKAN OBYEK DALAM GRAF UNTUK OPTIMASI DISTRIBUSI BARANG ANTAR KOTA Wiwin Suwarningsih Pusat Penelitian Informatika LIPI, Komplek LIPI Gd.20 Lt.3 Jl. Cisitu 21/154-d Sangkuriang Bandung wiwin.suwarningsih@lipi.go.id

Lebih terperinci

IMPLEMENTASI GRAF DENGAN MENGGUNAKAN STRATEGI GREEDY

IMPLEMENTASI GRAF DENGAN MENGGUNAKAN STRATEGI GREEDY IMPLEMENTASI GRAF DENGAN MENGGUNAKAN STRATEGI GREEDY Arief Latu Suseno NIM : 13505019 Program Studi Teknik Informatika, Institut Teknologi Bandung Jl. Ganesha 10, Bandung E-mail : Abstrak Graf merupakan

Lebih terperinci

II TINJAUAN PUSTAKA 2.1 Graf Definisi 1 (Graf, Graf Berarah dan Graf Takberarah) 2.2 Linear Programming

II TINJAUAN PUSTAKA 2.1 Graf Definisi 1 (Graf, Graf Berarah dan Graf Takberarah) 2.2 Linear Programming 4 II TINJAUAN PUSTAKA Untuk memahami permasalahan yang berhubungan dengan penentuan rute optimal kendaraan dalam mendistribusikan barang serta menentukan solusinya maka diperlukan beberapa konsep teori

Lebih terperinci

Implementasi Algoritma Greedy pada Permainan Ludo

Implementasi Algoritma Greedy pada Permainan Ludo Implementasi Algoritma Greedy pada Permainan Ludo Sylvia Juliana, 13515070 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jl, Ganesha 10 Bandung 40132,

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 TEORI GRAF 2.1.1 Definisi Definisi 2.1 (Munir, 2009, p356) Secara matematis, graf G didefinisikan sebagai pasangan himpunan (V,E), ditulis dengan notasi G = (V,E), yang dalam hal

Lebih terperinci

Pencarian Jalur Terpendek dengan Algoritma Dijkstra

Pencarian Jalur Terpendek dengan Algoritma Dijkstra Volume 2 Nomor 2, Oktober 207 e-issn : 24-20 p-issn : 24-044X Pencarian Jalur Terpendek dengan Algoritma Dijkstra Muhammad Khoiruddin Harahap Politeknik Ganesha Medan Jl.Veteran No. 4 Manunggal choir.harahap@yahoo.com

Lebih terperinci

Analisis Beberapa Algoritma dalam Menyelesaikan Pencarian Jalan Terpendek

Analisis Beberapa Algoritma dalam Menyelesaikan Pencarian Jalan Terpendek Analisis Beberapa Algoritma dalam Menyelesaikan Pencarian Jalan Terpendek Hugo Toni Seputro Program Studi Teknik Informatika, Sekolah Teknik Elektro dan Informatika Jl. Ganesha 10 Bandung Jawa Barat Indonesia

Lebih terperinci

PENERAPAN ALGORITMA GENETIKA DALAM PENYELESAIAN TRAVELLING SALESMAN PROBLEM WITH PRECEDENCE CONSTRAINTS (TSPPC)

PENERAPAN ALGORITMA GENETIKA DALAM PENYELESAIAN TRAVELLING SALESMAN PROBLEM WITH PRECEDENCE CONSTRAINTS (TSPPC) PENERAPAN ALGORITMA GENETIKA DALAM PENYELESAIAN TRAVELLING SALESMAN PROBLEM WITH PRECEDENCE CONSTRAINTS (TSPPC) Yayun Hardianti 1, Purwanto 2 Universitas Negeri Malang E-mail: yayunimoet@gmail.com ABSTRAK:

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Sistem Informasi Geografis (SIG) Sistem Informasi Geografis atau Geographic Information System (GIS) merupakan suatu sistem informasi yang berbasis komputer, dirancang untuk bekerja

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA II.1 BAB II TINJAUAN PUSTAKA 2.1 Travelling Salesman Problem (TSP) Permasalahan tentang Traveling Salesman Problem dikemukakan pada tahun 1800 oleh matematikawan Irlandia William Rowan Hamilton dan matematikawan

Lebih terperinci

3. Graph Euler dan Graph Hamilton

3. Graph Euler dan Graph Hamilton 3. Graph Euler dan Graph Hamilton Oleh : Ade Nurhopipah Pokok Bahasan : 1. Masalah Exploring dan Travelling 2. Graph Euler 3. Graph Hamilton Sumber : Aldous, Joan M.,Wilson, Robin J. 2004. Graph and Applications.

Lebih terperinci

BAB 3 ANALISIS DAN PERANCANGAN APLIKASI

BAB 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 terperinci

ALGORITMA GREEDY : MINIMUM SPANNING TREE. Perbandingan Kruskal dan Prim

ALGORITMA GREEDY : MINIMUM SPANNING TREE. Perbandingan Kruskal dan Prim ALGORITMA GREEDY : MINIMUM SPANNING TREE Perbandingan Kruskal dan Prim AGENDA Pendahuluan Dasar Teori Contoh Penerapan Algoritma Analisis perbandingan algoritma Prim dan Kruskal Kesimpulan PENDAHULUAN

Lebih terperinci

IMPLEMENTASI ALOKASI JADWAL MATA PELAJARAN SMU MENGGUNAKAN ALGORITMA KOLONI SEMUT (AKS)

IMPLEMENTASI ALOKASI JADWAL MATA PELAJARAN SMU MENGGUNAKAN ALGORITMA KOLONI SEMUT (AKS) IMPLEMENTASI ALOKASI JADWAL MATA PELAJARAN SMU MENGGUNAKAN ALGORITMA KOLONI SEMUT (AKS) Devie Rosa Anamisa, S.Kom, M.Kom Jurusan D3 Teknik Multimedia Dan Jaringan-Fakultas Teknik Universitas Trunojoyo

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI Sebelum memulai pembahasan lebih lanjut, pertama-tama haruslah dijelaskan apa yang dimaksud dengan traveling salesman problem atau dalam bahasa Indonesia disebut sebagai persoalan

Lebih terperinci

IMPLEMENTASI ALGORITMA GREEDY PADA LAYANAN TAKSI WISATA BERBASIS WEB

IMPLEMENTASI ALGORITMA GREEDY PADA LAYANAN TAKSI WISATA BERBASIS WEB IMPLEMENTASI ALGORITMA GREEDY PADA LAYANAN TAKSI WISATA BERBASIS WEB Adi Cahyo Purnomo 1, Mike Yuliana, ST. MT. 1, Ira Prasetyaningrum, S.Si. MT. 1 Politeknik Elektronika Negeri Surabaya Institut Teknologi

Lebih terperinci

PENDAHULUAN BAB Latar Belakang Masalah

PENDAHULUAN BAB Latar Belakang Masalah BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Perjalanan dari tempat satu ke tempat yang lain merupakan kegiatan yang sehari hari kita lakukan. Perjalanan ini memiliki rute tertentu dengan jarak tertentu

Lebih terperinci

BAB 2 LANDASAN TEORI

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 terperinci

OPTIMASI DISTRIBUSI BARANG BERDASARKAN RUTE DAN DAYA TAMPUNG MENGGUNAKAN METODE SIMULATED ANNEALING

OPTIMASI DISTRIBUSI BARANG BERDASARKAN RUTE DAN DAYA TAMPUNG MENGGUNAKAN METODE SIMULATED ANNEALING OPTIMASI DISTRIBUSI BARANG BERDASARKAN RUTE DAN DAYA TAMPUNG MENGGUNAKAN METODE SIMULATED ANNEALING Susilo Dwi Juniarto, Entin Martiana K., S.Kom., M.Kom., Arna Fariza, S.Kom., M.Kom., Ira Prasetyaningrum

Lebih terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang Masalah

BAB I PENDAHULUAN 1.1 Latar Belakang Masalah 1 BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dalam pemasaran atau pengantaran produk ke beberapa customer, terdapat banyak alternatif jalan yang bisa ditempuh sales untuk sampai ke semua customer tersebut.

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI Adapun landasan teori yang dibutuhkan dalam pembahasan tugas akhir ini di antaranya adalah definisi graf, lintasan terpendek, lintasan terpendek fuzzy, metode rangking fuzzy, algoritma

Lebih terperinci

PERBANDINGAN KOMPLEKSITAS PENERAPAN ALGORITMA GREEDY UNTUK BEBERAPA MASALAH

PERBANDINGAN KOMPLEKSITAS PENERAPAN ALGORITMA GREEDY UNTUK BEBERAPA MASALAH PERBANDINGAN KOMPLEKSITAS PENERAPAN ALGORITMA GREEDY UNTUK BEBERAPA MASALAH Abstrak Wiradeva Arif Kristawarman NIM : 13505053 Program Studi Teknik Informatika, Institut Teknologi Bandung Jl. Ganesha 10,

Lebih terperinci

BAB II LANDASAN TEORI. 2.1 Penjadwalan Definisi Penjadwalan Kegiatan Belajar Mengajar

BAB II LANDASAN TEORI. 2.1 Penjadwalan Definisi Penjadwalan Kegiatan Belajar Mengajar BAB II LANDASAN TEORI 2.1 Penjadwalan 2.1.1 Definisi Penjadwalan Kegiatan Belajar Mengajar Penjadwalan terkait pada aktivitas dalam hal untuk membuat sebuah jadwal. Sebuah jadwal adalah sebuah tabel dari

Lebih terperinci

PERANCANGAN DAN SIMULASI PENCARIAN JALUR TERAMAN PADA PERUTEAN KENDARAN

PERANCANGAN DAN SIMULASI PENCARIAN JALUR TERAMAN PADA PERUTEAN KENDARAN PERANCANGAN DAN SIMULASI PENCARIAN JALUR TERAMAN PADA PERUTEAN KENDARAN SUHARDIMAN USMAN NRP : 1204 100 027 Dosen Pembimbing : Subchan, Ph.D 1 PENDAHULUAN Latar Belakang Penentuan rute kendaraan merupakan

Lebih terperinci

BAB I PENDAHULUAN. adalah dengan menyatakan objek dinyatakan dengan sebuah titik (vertex),

BAB I PENDAHULUAN. adalah dengan menyatakan objek dinyatakan dengan sebuah titik (vertex), BAB I PENDAHULUAN 1. 1 Latar Belakang Masalah Teori graf merupakan salah satu bidang matematika, yang diperkenalkan pertama kali oleh ahli matematika asal Swiss, Leonardo Euler pada tahun 1736. Teori graf

Lebih terperinci

PENYELESAIAN TRAVELLING SALESMAN PROBLEM DENGAN ALGORITMA BRANCH AND BOUND

PENYELESAIAN TRAVELLING SALESMAN PROBLEM DENGAN ALGORITMA BRANCH AND BOUND PENYEESAIAN TRAVEING SAESMAN PROBEM DENGAN AGORITMA BRANCH AND BOND Yogo Dwi Prasetyo Pendidikan Matematika, niversitas Asahan e-mail: abdullah.prasetyo@gmail.com Abstract The shortest route search by

Lebih terperinci

TUGAS AKHIR PERENCANAAN SISTEM DITRIBUSI HASIL PRODUKSI BUKU PADA PT. BINA PUTRA MANDIRI

TUGAS AKHIR PERENCANAAN SISTEM DITRIBUSI HASIL PRODUKSI BUKU PADA PT. BINA PUTRA MANDIRI TUGAS AKHIR PERENCANAAN SISTEM DITRIBUSI HASIL PRODUKSI BUKU PADA PT. BINA PUTRA MANDIRI Diajukan Sebagai Syarat Memperoleh Gelar Sarjana Teknik Jurusan Teknik Industri Fakultas Teknik Universitas Muhammadiyah

Lebih terperinci

Oleh : CAHYA GUNAWAN JURUSAN SISTEM INFORMASI FAKULTAS TEKNIK DAN ILMU KOMPUTER UNIVERSITAS KOMPUTER INDONESIA BANDUNG 2012

Oleh : CAHYA GUNAWAN JURUSAN SISTEM INFORMASI FAKULTAS TEKNIK DAN ILMU KOMPUTER UNIVERSITAS KOMPUTER INDONESIA BANDUNG 2012 Oleh : CAHYA GUNAWAN 1.05.08.215 JURUSAN SISTEM INFORMASI FAKULTAS TEKNIK DAN ILMU KOMPUTER UNIVERSITAS KOMPUTER INDONESIA BANDUNG 2012 PENDAHULUAN Dalam kehidupan sehari-hari sering dilakukan perjalanan

Lebih terperinci

BAB II TINJAUAN PUSTAKA. Job shop scheduling problem (JSSP) adalah permasalahan optimasi

BAB II TINJAUAN PUSTAKA. Job shop scheduling problem (JSSP) adalah permasalahan optimasi BAB II TINJAUAN PUSTAKA 2.1 Job Shop Scheduling Problem (JSSP) Job shop scheduling problem (JSSP) adalah permasalahan optimasi kombinatorial. Misalkan terdapat n buah job atau pekerjaan, yaitu J 1, J 2,,

Lebih terperinci

PEMANFAATAN METODE MONTE CARLO DALAM PENCARIAN PATH TERPENDEK PADA GRAF

PEMANFAATAN METODE MONTE CARLO DALAM PENCARIAN PATH TERPENDEK PADA GRAF PEMANFAATAN METODE MONTE CARLO DALAM PENCARIAN PATH TERPENDEK PADA GRAF Said Iskandar Al Idrus Jurusan Matematika FMIPA Universitas Negeri Medan said.iskandar.alidrus@gmail.com Abstrak Pada saat ini ada

Lebih terperinci

BAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI

BAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI BAB TINJAUAN PUSTAKA DAN DASAR TEORI.1. Penelitian Terdahulu Archetti et al. (009) menggunakan sebuah metode eksak yaitu branch-and-price scheme dan dua metode metaheuristics yaitu algoritma Variable Neighborhood

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Teori Graph 2.1.1 Definisi Graph Menurut Dasgupta dkk (2008), graph merupakan himpunan tak kosong titik-titik yang disebut vertex (juga disebut dengan node) dan himpunan garis-garis

Lebih terperinci

ANALISIS ALGORITMA SEMUT UNTUK PEMECAHAN MASALAH PENUGASAN

ANALISIS ALGORITMA SEMUT UNTUK PEMECAHAN MASALAH PENUGASAN ANALISIS ALGORITMA SEMUT UNTUK PEMECAHAN MASALAH PENUGASAN Zainudin Zukhri Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia Kampus Terpadu UII Jl Kaliurang Km 14.5 Yogyakarta

Lebih terperinci

PENGGUNAAN ALGORITMA GENETIKA UNTUK MENENTUKAN LINTASAN TERPENDEK STUDI KASUS : LINTASAN BRT (BUS RAPID TRANSIT) MAKASSAR

PENGGUNAAN ALGORITMA GENETIKA UNTUK MENENTUKAN LINTASAN TERPENDEK STUDI KASUS : LINTASAN BRT (BUS RAPID TRANSIT) MAKASSAR PENGGUNAAN ALGORITMA GENETIKA UNTUK MENENTUKAN LINTASAN TERPENDEK STUDI KASUS : LINTASAN BRT (BUS RAPID TRANSIT) MAKASSAR Karels, Rheeza Effrains 1), Jusmawati 2), Nurdin 3) karelsrheezaeffrains@gmail.com

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI.1 Ant Colony System dan Asal Usulnya Pada subbab ini akan diuraikan mengenai asal usul Ant Colony System (ACS), yaitu membahas tentang semut dan tingkah lakunya yang merupakan sumber

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI 15 BAB II LANDASAN TEORI 2.1 Konsep Dasar Graf Definisi 2.1.1 Graf Sebuah graf G adalah pasangan (V,E) dengan V adalah himpunan yang tak kosong yang anggotanya disebut vertex, dan E adalah himpunan yang

Lebih terperinci

ANALISA ALGORITMA GENETIKA DALAM TRAVELLING SALESMAN PROBLEM SIMETRI. Lindawati Syam M.P.Siallagan 1 S.Novani 2

ANALISA ALGORITMA GENETIKA DALAM TRAVELLING SALESMAN PROBLEM SIMETRI. Lindawati Syam M.P.Siallagan 1 S.Novani 2 ANALISA ALGORITMA GENETIKA DALAM TRAVELLING SALESMAN PROBLEM SIMETRI Lindawati Syam M.P.Siallagan 1 S.Novani 2 Jurusan Teknik Informatika, FT, Jl. Dipati Ukur Bandung ABSTRAK Masalah Travelling Salesman

Lebih terperinci

Penerapan Algoritma Branch and Bound dalam Pemacahan Travelling Salesman Problem (TSP) dalam Graf Lengkap

Penerapan Algoritma Branch and Bound dalam Pemacahan Travelling Salesman Problem (TSP) dalam Graf Lengkap Penerapan Algoritma Branch and Bound dalam Pemacahan Travelling Salesman Problem (TSP) dalam Graf Lengkap Irfan Ariq Teknik Informatika Institut Teknologi Bandung Bandung, Indonesia 13515112@std.stei.itb.ac.id

Lebih terperinci

merupakan himpunan sisi-sisi tidak berarah pada. (Yaoyuenyong et al. 2002)

merupakan himpunan sisi-sisi tidak berarah pada. (Yaoyuenyong et al. 2002) dari elemen graf yang disebut verteks (node, point), sedangkan, atau biasa disebut (), adalah himpunan pasangan tak terurut yang menghubungkan dua elemen subset dari yang disebut sisi (edge, line). Setiap

Lebih terperinci

PENDISTRIBUSIAN BARANG FARMASI MENGGUNAKAN ALGORITMA DIJKSTRA (STUDI KASUS : PT. AIR MAS CHEMICAL)

PENDISTRIBUSIAN BARANG FARMASI MENGGUNAKAN ALGORITMA DIJKSTRA (STUDI KASUS : PT. AIR MAS CHEMICAL) PENDISTRIBUSIAN BARANG FARMASI MENGGUNAKAN ALGORITMA DIJKSTRA (STUDI KASUS : PT. AIR MAS CHEMICAL) Sulindawaty 1, Trinanda Syahputra 2 1 Program Studi Teknik Informatika, STMIK Pelita Nusantara Medan AMIK

Lebih terperinci

Lingkup Metode Optimasi

Lingkup 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 terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA 2.1 Graf (Graph) Graf G didefinisikan sebagai pasangan himpunan (V, E) yang dinotasikan dalam bentuk G = {V(G), E(G)}, dimana V(G) adalah himpunan vertex (simpul) yang tidak kosong

Lebih terperinci