ALTERNATIF MODEL PEMAMPATAN MATRIKS JARANG DENGAN MENGGUNAKAN ALGORITMA GENETIK
|
|
- Liani Atmadja
- 7 tahun lalu
- Tontonan:
Transkripsi
1 ALTERNATIF MODEL PEMAMPATAN MATRIKS JARANG DENGAN MENGGUNAKAN ALGORITMA GENETIK Nico Saputro dan Ruth Beatrix Yordan Jurusan Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Katolik Parahyangan, Bandung INDONESIA nico@home.unpar.ac.id Intisari Makalah ini menyodorkan alternatif lain pemampatan matriks jarang dengan memakai algoritma genetik. Pada penelitian yang telah dilakukan oleh Aritonang [1], elemen nol pada kolom pertama dianggap sebagai elemen dummy dan turut disimpan pada hasil pemampatan. Pada makalah ini elemen dummy tersebut tidak digunakan sehingga diperoleh hasil pemampatan yang lebih kecil Kata kunci : Matriks Jarang, algoritma genetik, elemen dummy Abstract This paper discusses an alternative of sparse matrix compression using genetic algorithm. In the last research, we assumed the zero elements at the first column as a dummy element and included in the compressed result.in this paper, we do not use the dummy element to make the compressed result smaller. Key words : sparse matrix, dummy element, genetic algorithm Diterima : 17 Juni 2005 Disetujui untuk dipublikasikan : 25 Juli Pendahuluan Pada penelitan sebelumnya [1] telah dapat dibuktikan bahwa matriks jarang dapat dimampatkan dengan menggunakan algoritma genetik. Pada penelitian tersebut, elemen nol pada kolom pertama dianggap sebagai bukan bernilai nol dan disebut sebagai elemen dummy. Elemen dummy tersebut selanjutnya disimpan pada hasil pemampatan. Tujuan penggunaan elemen dummy tersebut adalah untuk mempermudah proses dekompresi. Adanya elemen dummy membuat pemampatan menjadi kurang optimal karena elemen nol yang seharusnya tidak perlu disimpan, terpaksa disimpan agar proses dekompresi dapat dilakukan. Makalah ini memberikan alternatif pemampatan matriks jarang dengan algoritma genetik tanpa menggunakan elemen dummy dan proses dekompresi tetap dapat dilakukan. 99
2 Pemampatan Matriks Jarang Pemampatan matriks jarang adalah proses mengubah representasi dari matriks (array 2 dimensi) menjadi array 1 dimensi dengan menyimpan hanya elemen-elemen tidak nol. Misalkan diketahui suatu matriks jarang seperti pada Gambar Gambar 1 : Contoh matriks jarang 10 x 10 Gambar 1 memperlihatkan matriks jarang 10 x 10 dengan 19 buah elemen tidak nol. Untuk memampatkan matriks jarang tersebut ke dalam array 1 dimensi cukup disimpan 19 buah elemen tidak nol tersebut ke dalam array 1 dimensi sehingga diperoleh panjang array 1 dimensi adalah 19. Akan tetapi hasil kompresi tersebut tidak dapat digunakan untuk memperoleh kembali matriks jarang (tidak dapat di-dekompresi). Agar hasil kompresi dapat di-dekompresi, penelitian sebelumnya memakai 2 buah array 1 dimensi yang disebut array hasil dan array posisi. Array hasil dipakai untuk menyimpan elemen-elemen baris dari matriks jarang. Array posisi dipakai untuk mencatat nomor baris matriks jarang asal dari elemen tidak nol yang disimpan di array hasil [1]. Gambar 2 menunjukkan contoh dari isi array hasil dan array posisi ketika baris ke-4 dari matriks jarang di Gambar 1 yang pertama ditempatkan di array hasil. Gambar 2 : kondisi awal array kondisi setelah penempatan baris 4. Saat dilakukan dekompresi, suatu elemen di array hasil dianggap sebagai elemen pertama dari suatu baris di matriks jarang ketika angka yang berada di kolom array posisi yang bersesuaian merupakan angka pertama yang ditemukan. Jadi saat dilakukan dekompresi, angka 9 di kolom pertama array hasil merupakan elemen pertama dari matriks jarang di baris ke-4 karena pada kolom yang bersesuaian (kolom 1) di array posisi berisi angka 4 (lihat Gambar 2). Muncul masalah ketika di suatu baris elemen pertamanya nol. Misalkan baris 2 dari matriks jarang di Gambar 1 disimpan seperti terlihat pada Gambar 3a. Gambar 3 : elemen pertama nol elemen pertama nol sebagai dummy Saat dilakukan dekompresi, angka 5 di kolom kedua array hasil akan dianggap sebagai elemen pertama dari matriks jarang di baris 2. Oleh karena itu, elemen nol di kolom pertama dianggap sebagai elemen dummy. Gambar 3b. Memperlihatkan isi array hasil dan array posisi ketika dipakai elemen dummy. 100
3 Alternatif model pemampatan yang dibahas pada makalah ini tetap memakai 2 buah array 1 dimensi yaitu array hasil dan array posisi. Array hasil tetap dipakai untuk menyimpan elemen-elemen baris tidak nol dari matriks jarang, sedangkan array posisi selain menyimpan nomor baris juga nomor kolom. Nomor kolom akan disimpan di array posisi ketika baris tersebut elemen pertamanya nol dan nomor kolom tersebut menunjukkan posisi pertama elemen tidak nol di baris tersebut. Gambar 4 : Pemampatan tanpa elemen dummy Gambar 4 memperlihatkan isi array hasil dan array posisi saat menyimpan baris ke- 2 dari matriks jarang di Gambar 1. Tanda digunakan untuk memisahkan antara nomor baris dan nomor kolom. Isi array posisi kolom pertama adalah 2 2, yang berarti baris ke 2 kolom ke 2. Gambar 5 menunjukkan perbandingan isi array hasil dan array posisi untuk pemampatan dengan elemen dummy dan tanpa elemen dummy. Matriks jarang yang akan dimampatkan seperti pada Gambar 1 dan urutan baris yang ditempatkan di array hasil secara berturutan adalah baris ke 5, 2, 3, 1, 4, 7, 9, 8, 6, dan terakhir baris ke-10. Pada kasus ini, panjang array hasil pemampatan dengan menggunakan elemen dummy adalah 26, sedangkan panjang array hasil pemampatan tanpa elemen dummy adalah array hasil array posisi
4 array hasil array posisi Gambar 5 : Perbandingan pemampatan dengan elemen dummy dan tanpa elemen dummy dengan elemen dummy tanpa Elemen dummy 3. Pemodelan ke Dalam Algoritma Genetik Gambar 5b menunjukkan salah satu contoh penempatan baris-baris matriks jarang ke dalam array hasil. Urutan penempatan yang berbeda dapat menghasilkan panjang array hasil yang berbeda pula. Algoritma genetik dipergunakan untuk mencari urutan penempatan yang terbaik sehingga dihasilkan panjang array hasil yang seminimal mungkin. 3.1 Representasi Kromosom Representasi ke bentuk kromosom untuk pemampatan tanpa elemen dummy tidak ada bedanya dengan pemampatan dengan elemen dummy. Posisi gen dalam kromosom atau disebut juga locus mewakili urutan penempatan baris. Locus paling kiri mewakili urutan penempatan baris yang pertama dan locus paling kanan mewakili urutan penempatan baris yang terakhir. Nilai gen atau disebut juga allele merepresentasikan nomor baris. Sebagai contoh, urutan penempatan pada Gambar 5, dapat dinyatakan dalam bentuk kromosom seperti pada Gambar 6. Lokus Allele Gambar 6 : Contoh representasi kromosom dari Gambar Fungsi Fitness Untuk mengukur fungsi objektif dari tiap kromosom dalam populasi digunakan fungsi fitness. Fungsi fitness dihitung dengan rumus : banyaknya elemen tidak nol panjang array 1 dimensi (1) Nilai fitness terletak antara 0 dan 1, kromosom yang semakin baik, memiliki nilai fitness yang semakin besar. Kromosom terbaik memiliki nilai fitness = 1 [1] atau dengan kata lain panjang array hasil sama dengan banyaknya elemen tidak nol. 3.3 Operator Genetik Sebagian besar operator genetik yang dipakai sama seperti penelitian sebelumnya, yang berbeda hanya metode reproduksi dan crossover yang dipergunakan. 102
5 Metode reproduksi yang digunakan adalah gabungan metode elitism dan rank selection. Elitism dipakai untuk menjaga agar kromosom terbaik dari suatu generasi akan tetap bertahan di generasi selanjutnya. Rank Selection dipakai untuk memilih kromosom yang akan diproses lebih lanjut oleh operator pindah silang dan mutasi. Metode pindah silang yang digunakan adalah Precedence Preservative Crossover (PPX). Pada PPX, kromosom baru disusun secara acak dari allele kromosom-kromosom induk. Angka acak 1 atau 2 dipakai untuk memilih induk kromosom. Jika didapat angka 1 maka diturunkan allele paling kiri dari induk kromosom pertama, jika didapat angka 2 maka diturunkan allele paling kiri dari induk kromosom kedua. Selanjutnya allele yang terpilih tadi dihapus dari kedua induk kromosom. Proses dilakukan sampai gen-gen di kedua induk habis [2]. Sebagai contoh, Gambar 7a memperlihatkan 2 induk kromosom yang akan di crossover dan misalkan telah diperoleh 10 buah angka secara acak {1,2,2,1,2,2,1,2,1,2}. Hasil pindah silang memakai metode PPX dapat dilihat pada Gambar 7b. Induk A Induk B Anak C Gambar 7 : kromosom induk A & induk B, dan kromosom hasil mutasi Terlihat pada kromosom anak, gen pertama diturunkan dari induk A, gen kedua dan ketiga diturunkan dari induk B, gen keempat dari induk A, dst. Metode mutasi yang digunakan adalah remove and insert [1]. Pada metode ini pemindahan dan penyisipan gen dilakukan secara acak. Sebuah posisi gen dipilih secara acak kemudian gen di posisi tersebut dihapus. Sebuah posisi gen baru dipilih lagi secara acak kemudian gen yang dihapus tersebut disisipkan di posisi tersebut. Gambar 8 memperlihatkan proses mutasi dimana gen di posisi ke-5 dihapus kemudian disisipkan diposisi ke-7. Anak C Posisi Gen 5 7 Hasil Anak C Gambar 8 : Contoh Mutasi 3.4 Parameter Genetik Parameter Genetik berguna dalam pengendalian operator-operator genetik. Parameter yang digunakan adalah ukuran populasi, jumlah generasi, probabilitas Crossover (Pc), dan probabilitas Mutasi (Pm). Tidak ada aturan pasti tentang berapa nilai setiap parameter ini [3]. 4. Hasil Eksperimen Ada 2 eksperimen yang dilakukan. Eksperimen pertama untuk melihat apakah pemampatan matriks jarang tanpa elemen dummy dapat menghasilkan panjang array hasil sama dengan banyaknya elemen tidak nol. Jadi dapat diperoleh kromosom dengan nilai fitness = 1. Eksperimen kedua untuk membandingkan hasil pemampatan keseluruhan (ukuran array hasil dan ukuran array posisi) hasil pemampatan memakai algoritma genetik tanpa elemen dummy dan dengan elemen dummy. 4.1 Eksperimen I Pada eksperimen ini digunakan matriks jarang berukuran 1000 x 1000, dengan banyaknya elemen tidak nol yang bervariasi antara 0.05% s/d 0.75% dari ukuran matriks jarang. Elemen-elemen tidak nol tersebut disebarkan secara acak pada matriks jarang. Untuk banyaknya elemen tidak nol tertentu, dilakukan percobaan sebanyak 20 kali kemudian dihitung berapa kali percobaan yang 103
6 104 dapat menghasilkan nilai fitness 1 dan rata-rata generasi untuk mendapatkan nilai fitness 1 tersebut. Parameter genetik yang dipakai pada eksperimen ditetapkan sebagai berikut : ukuran populasi 10, jumlah generasi = 100, Probabilitas crossover (Pc) = 0.8, Probabilitas mutasi (Pm) = Selain itu, ditetapkan juga bahwa banyaknya elitism = 1. Tabel 1 merangkum hasil eksperimen I. Banyak elemen tidak nol diperoleh kromosom bernilai fitness = 1 Banyaknya generasi Min Maks Rata- Rata nilai fitness (dari 20 percobaan) Jumlah percobaan Min Maks Rata- Rata na na na Tabel 1 : Hasil eksperimen I Rata-rata fitness Banyaknya elemen tidak nol dengan nilai fitness=1. Gambar 9 grafik rata-rata fitness untuk beragam variasi banyaknya elemen tidak nol juga menunjukkan hal tersebut. Semakin banyak elemen tidak nol, semakin kecil rata-rata nilai fitness terbaik yang diperoleh. Dengan kata lain, semakin banyak elemen tidak nol, semakin panjang array hasilnya. Gambar 9 : Grafik rata-rata fitness (dari 20 percobaan). Terlihat pada tabel 1, pada jumlah elemen tidak nol = 500, dari 20 kali percobaan, 15 kali percobaan berhasil memperoleh nilai fitness 1 (75% keberhasilan). Akan tetapi seiring dengan semakin banyaknya elemen tidak nol, tingkat keberhasilan mendapatkan kromosom bernilai fitness = 1 semakin kecil. Bahkan pada saat banyaknya elemen tidak nol = 7500 (0.75% dari ukuran matriks jarang), tidak berhasil ditemukan kromosom 4.2 Hasil Eksperimen II Kegunaan pemampatan tabel jarang adalah untuk memperkecil ukuran file tempat menyimpan matriks jarang. Pada eksperimen ini dibandingkan hasil pemampatan dari algoritma genetik dengan elemen dummy dan tanpa elemen dummy. Pada kedua metode pemampatan (dummy dan tanpa dummy) ini, file hasil pemampatan tersebut menyimpan informasi berupa ukuran matriks jarang, array hasil, dan array posisi. 104
7 Parameter genetik yang digunakan pada eksperimen II ditetapkan sebagai berikut : ukuran populasi = 100, jumlah generasi = 100, probabilitas crossover = 0.8, dan probabilitas mutasi = Sedangkan jumlah elitism yang dipakai adalah 5. Untuk setiap ukuran matriks jarang dan banyaknya elemen tidak nol tertentu, percobaan dilakukan sebanyak 10 kali. Tabel 2 memperlihatkan perbandingan ukuran file penyimpanan matriks jarang tanpa pemampatan, pemampatan dengan elemen dummy dan tanpa menggunakan elemen dummy. Ukuran Matriks Jarang 10 x x 500 Banyak Elemen tidak nol Ukuran file asli Ukuran File hasil kompresi Panjang Array Hasil Dengan dummy Tanpa dummy Dengan dummy tanpa dummy Min Max Avg Min Max Avg Min Max Avg Min Max Avg x Mb Mb Tabel 2 : Perbandingan ukuran file hasil pemampatan Dari tabel 2 dapat dilihat bahwa pemampatan matriks jarang tanpa elemen dummy dapat menghasilkan pemampatan yang lebih baik daripada menggunakan elemen dummy. Hal ini dapat dilihat baik dari ukuran file hasil kompresi maupun panjang array hasil. 5. Kesimpulan Hasil eksperimen menunjukkan bahwa alternatif model pemampatan matriks jarang dengan algoritma genetik tanpa elemen dummy dapat menghasilkan panjang array hasil pemampatan sama dengan banyaknya elemen tidak nol. Ukuran file hasil pemampatan dengan metode tanpa elemen dummy juga lebih kecil dibandingkan dengan menggunakan elemen dummy. 6. Daftar Pustaka [1] Aritonang, J., Saputro, N., Mengukur Kinerja Algoritma Genetik Pada Pemampatan Matriks Jarang, Integral, Vol. 10, No. 1, 46-52, [2] Saputro, N., Yento, Pemakaian Algoritma Genetik untuk Penjadwalan Job Shop Dinamis Non Deterministik, Jurnal Teknik Industri, Vol 6, No. 1, 61-70, 2004 [3] Koza, J., Genetic Algorithm, Oktober
MENGUKUR KINERJA ALGORITMA GENETIK PADA PEMAMPATAN MATRIKS JARANG
MENGUKUR KINERJA ALGORITMA GENETIK PADA PEMAMPATAN MATRIKS JARANG Nico Saputro dan Joice Aritonang Email : nico@home.unpar.ac.id, jo_aritonang@yahoo.com A matrix that has lots of zero elements is called
Lebih terperinciPERBANDINGAN KINERJA ALGORITMA GENETIK DAN ALGORITMA BRANCH AND BOUND PADA TRAVELLING SALESMAN PROBLEM
PERBANDINGAN KINERJA ALGORITMA GENETIK DAN ALGORITMA BRANCH AND BOUND PADA TRAVELLING SALESMAN PROBLEM Nico Saputro dan Suryandi Wijaya Jurusan Ilmu Komputer Universitas Katolik Parahyangan nico@home.unpar.ac.id
Lebih terperinciPENEMPATAN MAHASISWA PESERTA MATA KULIAH UMUM DENGAN ALGORITMA GENETIK DI UNIVERSITAS KATOLIK PARAHYANGAN
PENEMPATAN MAHASISWA PESERTA MATA KULIAH UMUM DENGAN ALGORITMA GENETIK DI UNIVERSITAS KATOLIK PARAHYANGAN Nico Saputro dan Guntur Setia Negara Jurusan Ilmu Komputer Universitas Katolik Parahyangan nico@home.unpar.ac.id
Lebih terperinciPEMAKAIAN ALGORITMA GENETIK UNTUK PENJADWALAN JOB SHOP DINAMIS NON DETERMINISTIK
PEMAKAIAN ALGORITMA GENETIK UNTUK PENJADWALAN JOB SHOP DINAMIS (Nico Saputro, et al.) PEMAKAIAN ALGORITMA GENETIK UNTUK PENJADWALAN JOB SHOP DINAMIS NON DETERMINISTIK Nico Saputro, Yento Jurusan Ilmu Komputer
Lebih terperinciPEMAMPATAN MATRIKS JARANG DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL
Jurnal Matematika UNAND Vol. 3 No. 1 Hal. 98 106 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMAMPATAN MATRIKS JARANG DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL YOSI PUTRI, NARWEN
Lebih terperinciBab II. Tinjauan Pustaka
7 Bab II Tinjauan Pustaka 2.1 Penelitian Terdahulu Penelitian mengenai Visualisasi Rute Terpendek Jalur Angkutan Kota Dengan Algoritma Genetika membahas tentang perancangan dan pembuatan aplikasi yang
Lebih terperinciALGORITMA GENETIK SEBAGAI FUNGSI PRUNING ALGORITMA MINIMAX PADA PERMAINAN TRIPLE TRIAD CARD.
ALGORITMA GENETIK SEBAGAI FUNGSI PRUNING ALGORITMA MINIMAX PADA PERMAINAN TRIPLE TRIAD CARD. Nico Saputro [1] dan Erico Darmawan Handoyo [2] Jurusan Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciCRYPTANALYSIS HOMOPHONIC SUBSTITUTION CIPHER DENGAN ALGORITMA GENETIK
CRYPTANALYSIS HOMOPHONIC SUBSTITUTION CIPHER DENGAN ALGORITMA GENETIK Ronald Wisnu H Nico Saputro 1) Jurusan Ilmu Komputer, Universitas Katolik Parahyangan, Bandung nico@home.unpar.ac.id 1) ABSTRACT This
Lebih terperinciPengukuran Kualitas Jadwal Awal Pada Penjadwalan Job Shop Dinamis Non Deterministik Berbasis Algoritma Genetik
Yogyakarta, 27 April 2006 Pengukuran Kualitas Jadwal Awal Pada Penjadwalan Job Shop Dinamis Non Deterministik Berbasis Algoritma Genetik Jurusan Ilmu Komputer, FMIPAUniversitas Katolik Parahyangan J1.
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 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 terperinciGenetic Algorithme. Perbedaan GA
Genetic Algorithme Algoritma ini bekerja dengan sebuah populasi yang terdiri atas individu-individu (kromosom). Individu dilambangkan dengan sebuah nilai kebugaran (fitness) yang akan digunakan untuk mencari
Lebih terperinciBAB II 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 terperinciAnalisis Operator Crossover pada Permasalahan Permainan Puzzle
Analisis Operator Crossover pada Permasalahan Permainan Puzzle Kun Siwi Trilestari [1], Ade Andri Hendriadi [2] Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Singaperbanga Karawang
Lebih terperinci2 TINJAUAN PUSTAKA. 2.1 Peringkasan Teks
4 2 TINJAUAN PUSTAKA 2.1 Peringkasan Teks Peringkasan teks adalah proses pemampatan teks sumber ke dalam versi lebih pendek namun tetap mempertahankan informasi yang terkandung didalamnya (Barzilay & Elhadad
Lebih terperinciBAB 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 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 terperinciPENGENALAN ANGKA DENGAN MENGGUNAKAN ALGORITMA GENETIK. Fakultas Teknik dan Ilmu Komputer, Jurusan Teknik Informatika Universitas Komputer Indonesia
PENGENALAN ANGKA DENGAN MENGGUNAKAN ALGORITMA GENETIK Frengki Agus f124nk_85@yahoo.com Pembimbing I : Linda Salma, S.Si., M.T. Pembimbing II : Khusnul Novianingsih,M.Si Fakultas Teknik dan Ilmu Komputer,
Lebih terperinciPeramalan Kebutuhan Beban Sistem Tenaga Listrik Menggunakan Algoritma Genetika
Peramalan Kebutuhan Beban Sistem Tenaga Listrik Menggunakan Algoritma Genetika M. Syafrizal, Luh Kesuma Wardhani, M. Irsyad Jurusan Teknik Informatika - Universitas Islam Negeri Sultan Syarif Kasim Riau
Lebih terperinciPENGGUNAAN ALGORITMA GENETIKA PADA PENJADWALAN PRODUKSI DI PT DNP INDONESIA PULO GADUNG
PENGGUNAAN ALGORITMA GENETIKA PADA PENJADWALAN PRODUKSI DI PT DNP INDONESIA PULO GADUNG Suriadi AS, Ulil Hamida, N. Anna Irvani STMI Jakarta, Kementerian Perindustrian RI ABSTRAK Permasalahan yang terjadi
Lebih terperinciR.Fitri 1, S.Novani 1, M.Siallagan 1
Abstract Penjadwalan Perkuliahan Dengan Pengujian Tabel Waktu (Time-Table) Menggunakan Algoritma Genetika Studi Kasus Sistem Perkuliahan Jurusan Teknik Infomatika Universitas Komputer Indonesia R.Fitri
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 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 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 terperinciPENERAPAN ALGORITMA GENETIK PADA PERMAINAN CATUR JAWA
PENERAPAN ALGORITMA GENETIK PADA PERMAINAN CATUR JAWA Nico Saputro dan Erdo Dirgagautama Jurusan Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Katolik Parahyangan, Bandung Email
Lebih terperinciBAB III ANALISA MASALAH DAN RANCANGAN PROGRAM
BAB III ANALISA MASALAH DAN RANCANGAN PROGRAM III.1. Analisa Masalah Perkembangan game dari skala kecil maupun besar sangat bervariasi yang dapat dimainkan oleh siapa saja tanpa memandang umur, dari anak
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 terperinciBAB I PENDAHULUAN. hampir di seluruh dunia, termasuk Indonesia. Alat transportasi ini memiliki
BAB I PENDAHULUAN 1.1 Latar Belakang Kereta api merupakan alat transportasi darat utama yang digunakan hampir di seluruh dunia, termasuk Indonesia. Alat transportasi ini memiliki multi keunggulan komparatif,
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 terperinciPENJADWALAN UJIAN AKHIR SEMESTER DENGAN ALGORITMA GENETIKA (STUDI KASUS JURUSAN TEKNIK INFORMATIKA UNESA)
Penjadwalan Ujian Akhir Semester dengan Algoritma Genetika PENJADWALAN UJIAN AKHIR SEMESTER DENGAN ALGORITMA GENETIKA (STUDI KASUS JURUSAN TEKNIK INFORMATIKA UNESA) Anita Qoiriah Jurusan Teknik Informatika,
Lebih terperinciPenerapan Algoritma Genetika dalam Job Shop Scheduling Problem
Penerapan Algoritma Genetika dalam Job Shop Scheduling Problem Haris Sriwindono Program Studi Ilmu Komputer Universitas Sanata Dharma Paingan, Maguwoharjo, Depok Sleman Yogyakarta, Telp. 0274-883037 haris@staff.usd.ac.id
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. 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 terperinciPENERAPAN ALGORITMA GENETIKA UNTUK TRAVELING SALESMAN PROBLEM DENGAN MENGGUNAKAN METODE ORDER CROSSOVER DAN INSERTION MUTATION
PENERAPAN ALGORITMA GENETIKA UNTUK TRAVELING SALESMAN PROBLEM DENGAN MENGGUNAKAN METODE ORDER CROSSOVER DAN INSERTION MUTATION Samuel Lukas 1, Toni Anwar 1, Willi Yuliani 2 1) Dosen Teknik Informatika,
Lebih terperinciBAB II LANDASAN TEORI
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 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 TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Fuzzy Local Binary Pattern (FLBP) Fuzzifikasi pada pendekatan LBP meliputi transformasi variabel input menjadi variabel fuzzy, berdasarkan pada sekumpulan fuzzy rule. Dalam
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 terperinciPERANCANGAN TATA LETAK FASILITAS BAGIAN PRODUKSI MENGGUNAKAN METODE ALGORITMA GENETIK DI PT. PUTRA SEJAHTERA MANDIRI
PERANCANGAN TATA LETAK FASILITAS BAGIAN PRODUKSI MENGGUNAKAN METODE ALGORITMA GENETIK DI PT. PUTRA SEJAHTERA MANDIRI TUGAS SARJANA Diajukan Untuk Memenuhi Sebagian Dari Syarat-Syarat Memperoleh Gelar Sarjana
Lebih terperinciAPLIKASI ALGORITMA GENETIKA DALAM MENENTUKAN SPESIFIKASI PC BERDASARKAN KEMAMPUAN FINANSIAL KONSUMEN
APLIKASI ALGORITMA GENETIKA DALAM MENENTUKAN SPESIFIKASI PC BERDASARKAN KEMAMPUAN FINANSIAL KONSUMEN Eva Haryanty, S.Kom. ABSTRAK Komputer adalah salah satu peralatan yang pada saat ini banyak pula digunakan
Lebih 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 terperinci8. Evaluasi Solusi dan Kriteria Berhenti Perumusan Masalah METODE PENELITIAN Studi Pustaka Pembentukan Data
Gambar 4 Proses Swap Mutation. 8. Evaluasi Solusi dan Kriteria Berhenti Proses evaluasi solusi ini akan mengevaluasi setiap populasi dengan menghitung nilai fitness setiap kromosom sampai terpenuhi kriteria
Lebih terperinciERWIEN TJIPTA WIJAYA, ST.,M.KOM
ERWIEN TJIPTA WIJAYA, ST.,M.KOM DEFINISI ALGEN adalah algoritma yang memanfaatkan proses seleksi alamiah yang dikenal dengan evolusi Dalam evolusi, individu terus menerus mengalami perubahan gen untuk
Lebih terperinciBab II Konsep Algoritma Genetik
Bab II Konsep Algoritma Genetik II. Algoritma Genetik Metoda algoritma genetik adalah salah satu teknik optimasi global yang diinspirasikan oleh proses seleksi alam untuk menghasilkan individu atau solusi
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Konsep Umum Optimasi Optimasi merupakan suatu cara untuk menghasilkan suatu bentuk struktur yang aman dalam segi perencanaan dan menghasilkan struktur yang
Lebih terperinciPenjadwalan Job Shop pada Empat Mesin Identik dengan Menggunakan Metode Shortest Processing Time dan Genetic Algorithm
Jurnal Telematika, vol.9 no.1, Institut Teknologi Harapan Bangsa, Bandung ISSN: 1858-251 Penjadwalan Job Shop pada Empat Mesin Identik dengan Menggunakan Metode Shortest Processing Time dan Genetic Algorithm
Lebih terperinciPERANCANGAN ALGORITMA GENETIKA UNTUK MENENTUKAN JALUR TERPENDEK. Kata kunci: Algoritma Genetika, Shortest Path Problem, Jalur Terpendek
PERANCANGAN ALGORITMA GENETIKA UNTUK MENENTUKAN JALUR TERPENDEK Fajar Saptono 1, Taufiq Hidayat 2 Laboratorium Pemrograman dan Informatika Teori Jurusan Teknik Informatika, Fakultas Teknologi Industri,
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 terperinciBAB II LANDASAN TEORI. berawal dari suatu ide untuk menyimpan segitiga Sierpinski menggunakan
BAB II LANDASAN TEORI Metode kompresi citra fraktal merupakan metode kompresi citra yang berawal dari suatu ide untuk menyimpan segitiga Sierpinski menggunakan Iterated Function System (IFS). Segitiga
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 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 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 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 terperinciProsiding Matematika ISSN:
Prosiding Matematika ISSN: 2460-6464 Representasi Matriks untuk Proses Crossover Pada Algoritma Genetika untuk Optimasi Travelling Salesman Problem Matrix Representation for The Crossover on Genetic Algorithm
Lebih terperinciPencarian Rute Optimum Menggunakan Algoritma Genetika
Jurnal Teknik Elektro Vol. 2, No. 2, September 2002: 78-83 Pencarian Rute Optimum Menggunakan Algoritma Genetika Anies Hannawati, Thiang, Eleazar Fakultas Teknologi Industri, Jurusan Teknik Elektro, Universitas
Lebih terperinciPengantar Kecerdasan Buatan (AK045218) Algoritma Genetika
Algoritma Genetika Pendahuluan Struktur Umum Komponen Utama Seleksi Rekombinasi Mutasi Algoritma Genetika Sederhana Referensi Sri Kusumadewi bab 9 Luger & Subblefield bab 12.8 Algoritma Genetika 1/35 Pendahuluan
Lebih terperinciOptimasi Multi Travelling Salesman Problem (M-TSP) Menggunakan Algoritma Genetika
Optimasi Multi Travelling Salesman Problem (M-TSP) Menggunakan Algoritma Genetika Wayan Firdaus Mahmudy (wayanfm@ub.ac.id) Program Studi Ilmu Komputer, Universitas Brawijaya, Malang, Indonesia Abstrak.
Lebih terperinciABSTRAK. Universitas Kristen Maranatha
ABSTRAK Perusahaan X merupakan salah satu perusahaan manufaktur yang memproduksi berbagai macam produk berbahan baku besi dan stainless steel. Produk yang dihasilkan seperti cabinet, trolley, pagar, tangki
Lebih 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 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 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
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 terperinciPENERAPAN ALGORITMA GENETIK UNTUK OPTIMASI DENGAN MENGUNAKAN PENYELEKStAN RODA ROULETTE
PENERAPAN ALGORTMA GENETK UNTUK OPTMAS DENGAN MENGUNAKAN PENYELEKStAN RODA ROULETTE Samuel Lukas, M.Tech." Abstract The purpose of this paper is to introducing genetic algorithm. This algorithm is one
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 terperinciBAB III KONSEP DAN PERANCANGAN APLIKASI
BAB III KONSEP DAN PERANCANGAN APLIKASI 3.1 Konsep Pada bab ini penulis akan membahas konsep mengenai perangkat lunak yang digunakan serta akan dibahas mengenai tujuan, kegunaan dan untuk siapa aplikasi
Lebih terperinciSistem Penjadwalan Outsourcing Menggunakan Algoritma Genetika (Studi Kasus : PT. Syarikatama)
Sistem Penjadwalan Outsourcing Menggunakan Algoritma Genetika (Studi Kasus : PT. Syarikatama) Ari Janata 1, Elin Haerani 2 1,2 Teknik Informatika, UIN Sultan Syarif Kasim Riau Jl. H.R. Soebrantas no. 155
Lebih terperinciOPTIMASI PENEMPATAN KAPASITOR PADA SALURAN DISTRIBUSI 20 kv DENGAN MENGGUNAKAN METODE KOMBINASI FUZZY DAN ALGORITMA GENETIKA
OPTIMASI PENEMPATAN KAPASITOR PADA SALURAN DISTRIBUSI 20 kv DENGAN MENGGUNAKAN METODE KOMBINASI FUZZY DAN ALGORITMA GENETIKA I Made Wartana, Mimien Mustikawati Program Studi Teknik Elektro, Fakultas Teknologi
Lebih terperinciBAB II LANDASAN TEORI. Evolutionary Algorithm merupakan terminologi umum yang menjadi payung
BAB II LANDASAN TEORI 2.1 Algoritma Genetika Evolutionary Algorithm merupakan terminologi umum yang menjadi payung bagi empat istilah : algoritma genetika (genetic algorithm), pemrograman genetika (genetic
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 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 terperinciAPLIKASI ALGORITMA GENETIKA UNTUK PENJADWALAN MATA KULIAH
APLIKASI ALGORITMA GENETIKA UNTUK PENJADWALAN MATA KULIAH (Studi Kasus: Jurusan Pendidikan Matematika FMIPA Universitas Negeri Yogyakarta) SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciAPLIKASI ALGORITMA GENETIKA UNTUK PENENTUAN TATA LETAK MESIN
APLIKASI ALGORITMA GENETIKA UNTUK PENENTUAN TATA LETAK MESIN Hari Purnomo, Sri Kusumadewi Teknik Industri, Teknik Informatika Universitas Islam Indonesia Jl. Kaliurang Km 4,5 Yogyakarta ha_purnomo@fti.uii.ac.id,
Lebih terperinciBAB III Analisis. Gambar III.1 Rancangan Pemrosesan
BAB III Analisis Bab ini memuat analisis yang dilakukan dalam penulisan Tugas Akhir, berupa analisis terhadap rancangan pemrosesan, yang dibagi menjadi bagian Preprosesor, Algoritma Genetika, dan bagian
Lebih terperinci4 HASIL DAN PEMBAHASAN
24 4 HASIL DAN PEMBAHASAN 4.1 Data Korpus Data korpus berisi berita-berita nasional berbahasa Indonesia dari tanggal 11 Maret 2002 sampai 11 April 2002. Berita tersebut berasal dari berita online harian
Lebih terperinciPENGENALAN ALGORITMA GENETIK
PENGENALAN ALGORITMA GENETIK Aries Syamsuddin ariesmipa@psyon.org Lisensi Dokumen: Seluruh dokumen di IlmuKomputer.Com dapat digunakan, dimodifikasi dan disebarkan secara bebas untuk tujuan bukan komersial
Lebih terperinciPENYELESAIAN MINIMUM SPANNING TREE (MST) PADA GRAF LENGKAP DENGAN ALGORITMA GENETIKA MENGGUNAKAN TEKNIK PRUFER SEQUENCES
J~ICON, Vol. 2 No. 2, Oktober 2014, pp. 84 ~ 91 84 PENYELESAIAN MINIMUM SPANNING TREE (MST) PADA GRAF LENGKAP DENGAN ALGORITMA GENETIKA MENGGUNAKAN TEKNIK PRUFER SEQUENCES Emsi M. Y. Monifani 1, Adriana
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 terperinciPenyelesaian Puzzle Sudoku menggunakan Algoritma Genetik
Penyelesaian Puzzle Sudoku menggunakan Algoritma Genetik Afriyudi 1,Anggoro Suryo Pramudyo 2, M.Akbar 3 1,2 Program Studi Sistem Informasi Fakultas Ilmu Komputer. Universitas Bina Darma Palembang. email
Lebih terperinciZbigniew M., Genetic Alg. + Data Structures = Evolution Program, Springler-verlag.
Zbigniew M., Genetic Alg. + Data Structures = Evolution Program, Springler-verlag. 12/11/2009 1 Ditemukan oleh Holland pada tahun 1975. Didasari oleh fenomena evolusi darwin. 4 kondisi yg mempengaruhi
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Fuzzy Relation Dalam dunia ini, banyak hal bersifat tidak pasti dimana derajat kepastian (degree of preciseness) hal-hal tersebut secara intuisi berbeda-beda. Di sini, fuzzy set
Lebih terperinciTAKARIR. algorithm algoritma/ kumpulan perintah untuk menyelesaikan suatu masalah. kesalahan program
TAKARIR advanced tingkat lanjut algorithm algoritma/ kumpulan perintah untuk menyelesaikan suatu masalah alleles nilai suatu gen. bug kesalahan program chromosome kromosom crossover penyilangan kromosom
Lebih terperinciPerbandingan Algoritma Exhaustive, Algoritma Genetika Dan Algoritma Jaringan Syaraf Tiruan Hopfield Untuk Pencarian Rute Terpendek
Perbandingan Algoritma Exhaustive, Algoritma Genetika Dan Algoritma Jaringan Syaraf Tiruan Hopfield Untuk Pencarian Rute Terpendek Rudy Adipranata 1, Felicia Soedjianto 2, Wahyudi Tjondro Teknik Informatika,
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 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 terperinciOPTIMASI QUERY DATABASE MENGGUNAKAN ALGORITMA GENETIK
Seminar Nasional Aplikasi Teknologi Informasi 2008 (SNATI 2008) ISSN 1907-5022 OPTIMASI QUERY DATABASE MENGGUNAKAN ALGORITMA GENETIK Manahan Siallagan, Mira Kania Sabariah, Malanita Sontya Jurusan Teknik
Lebih terperinciIMPLEMENTASI ALGORITMA GENETIKA UNTUK PENCARIAN RUTE PALING OPTIMUM
IMPLEMENTASI ALGORITMA GENETIKA UNTUK PENCARIAN RUTE PALING OPTIMUM Anies Hannawati, Thiang, Eleazar Fakultas Teknologi Industri, Jurusan Teknik Elektro, Universitas Kristen Petra Jl. Siwalankerto 121-131,
Lebih terperinciOTOMASI PENJADWALAN KEGIATAN PRKULIAHAN DI PERGURUAN TINGGI MENGGUNAKAN METODE ALGORITMA GENETIKA ( STUDI KASUS STIKI )
OTOMASI PENJADWALAN KEGIATAN PRKULIAHAN DI PERGURUAN TINGGI MENGGUNAKAN METODE ALGORITMA GENETIKA ( STUDI KASUS STIKI ) Siska Diatinari Andarawarih 1) 1) Program Studi Teknik Informatika, Sekolah Tinggi
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. 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 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 terperinciPERFORMANCE ALGORITMA GENETIKA (GA) PADA PENJADWALAN MATA PELAJARAN
PERFORMANCE ALGORITMA GENETIKA (GA) PADA PENJADWALAN MATA PELAJARAN Eva Desiana, M.Kom Pascasarjana Teknik Informatika Universitas Sumatera Utara, SMP Negeri 5 Pematangsianta Jl. Universitas Medan, Jl.
Lebih 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 terperinciKeywords Algoritma, Genetika, Penjadwalan I. PENDAHULUAN
Optimasi Penjadwalan Mata Kuliah Dengan Algoritma Genetika Andysah Putera Utama Siahaan Universitas Pembangunan Pancabudi Jl. Gatot Subroto Km. 4,5, Medan, Sumatra Utara, Indonesia andiesiahaan@gmail.com
Lebih terperinciAPLIKASI ALGORITMA GENETIKA DALAM PENENTUAN DOSEN PEMBIMBING SEMINAR HASIL PENELITIAN DAN DOSEN PENGUJI SKRIPSI
Prosiding Seminar Nasional Matematika dan Terapannya 2016 p-issn : 2550-0384; e-issn : 2550-0392 APLIKASI ALGORITMA GENETIKA DALAM PENENTUAN DOSEN PEMBIMBING SEMINAR HASIL PENELITIAN DAN DOSEN PENGUJI
Lebih terperinci1 Array dan Tipe Data Bentukan
1 Array dan Tipe Data Bentukan Overview Dalam dunia nyata, struktur data yang dihadapi sangat beragam dan penggunaan variabel dengan tipe data dasar memiliki keterbatasan pada banyaknya nilai yang dapat
Lebih terperinciBAB III ALGORITMA MEMETIKA DALAM MEMPREDIKSI KURS VALUTA ASING. Untuk memberikan penjelasan mengenai prediksi valuta asing
BAB III ALGORITMA MEMETIKA DALAM MEMPREDIKSI KURS VALUTA ASING Untuk memberikan penjelasan mengenai prediksi valuta asing menggunakan algoritma memetika, akan diberikan contoh sebagai berikut. Contoh Misalkan
Lebih terperinciABSTRAK. Universitas Kristen Maranatha
ABSTRAK PT. Kerta Laksana merupakan perusahaan yang bergerak di bidang manufaktur mesin. Sistem produksi yang diterapkan perusahaan ialah job shop karena perusahaan ini memproduksi banyak variasi mesin
Lebih terperinciPERBANDINGAN ALGORITMA EXHAUSTIVE, ALGORITMA GENETIKA DAN ALGORITMA JARINGAN SYARAF TIRUAN HOPFIELD UNTUK PENCARIAN RUTE TERPENDEK
PERBANDINGAN ALGORITMA EXHAUSTIVE, ALGORITMA GENETIKA DAN ALGORITMA JARINGAN SYARAF TIRUAN HOPFIELD UNTUK PENCARIAN RUTE TERPENDEK Rudy Adipranata 1) Felicia Soedjianto 2) Wahyudi Tjondro Teknik Informatika,
Lebih terperinciBAB II KAJIAN TEORI. berkaitan dengan optimasi, pemrograman linear, pemrograman nonlinear, quadratic
BAB II KAJIAN TEORI Kajian teori pada bab ini membahas tentang pengertian dan penjelasan yang berkaitan dengan optimasi, pemrograman linear, pemrograman nonlinear, quadratic programming dan algoritma genetika.
Lebih terperinciPENGGUNAAN ALGORITMA GENETIK DENGAN PEMODELAN DUA TINGKAT DALAM PERMASALAHAN PENJADWALAN PERAWAT PADA UNIT GAWAT DARURAT RUMAH SAKIT UMUM XYZ SURABAYA
PENGGUNAAN ALGORITMA GENETIK DENGAN PEMODELAN DUA TINGKAT DALAM PERMASALAHAN PENJADWALAN PERAWAT PADA UNIT GAWAT DARURAT RUMAH SAKIT UMUM XYZ SURABAYA Mahendrawathi Er, Ph.D, Danu Pranantha, ST, M.Sc,
Lebih terperinci