IMPLEMENTASI TRAVELLING SALESMAN PROBLEM (TSP) MENGGUNAKAN ALGORITMA GENETIK PADA GAME KALPATARU
|
|
- Liani Lanny Tanuwidjaja
- 7 tahun lalu
- Tontonan:
Transkripsi
1 IMPLEMENTASI TRAVELLING SALESMAN PROBLEM (TSP) MENGGUNAKAN ALGORITMA GENETIK PADA GAME KALPATARU Tenia Wahyuningrum *1, Aciek Ida Wuryandari #2, Agung Harsoyo #3 * AKATEL Sandhy Putra Purwokerto, Jl. DI Panjaitan 128 Purwokerto # Sekolah Teknik Elektro dan Informatika, Institut Teknologi Bandung Jalan Ganesa No. 10, Bandung 40132, Indonesia 1 tenia@akatelsp.ac.id, 2 aciek@lskk.ee.itb.ac.id, 3 aharsoyo@lskk.ee.itb.ac.id ABSTRAK Makalah ini membahas tentang analisa pencarian solusi TSP pada penentuan rute pengumpulan sampah pada aplikasi permainan komputer yang disebut Kalpataru. Game Kalpataru adalah sebuah game pendidikan pengelolaan dan pemanfaatan sampah bagi komunitas CikapundungNet di Kota Bandung. Persoalan TSP merupakan persoalan optimasi untuk mencari perjalanan terpendek untuk mengambil sampah ke beberapa sumber sampah dan kembali ke Tempat Pembuangan Sementara (TPS) sebagai titik awal keberangkatan. Salah satu algoritma yang muncul untuk menyelesaikan persoalan ini ialah Algoritma Genetika. Dalam makalah ini akan dibahas proses seleksi, crossover dan mutasi dalam menghasilkan rute terbaik. Produk diimplementasikan menggunakan bahasa pemrograman Java. Hasil pengujian rute terbaik yang dilakukan dengan perhitungan manual dan melalui game menunjukkan bahwa algoritma telah berjalan sesuai dengan desain yang diharapkan. Kata kunci : Travelling Salesman Problem, Algoritma Genetika, proses seleksi, crossover, mutasi 1. PENDAHULUAN Game Kalpataru merupakan game yang dibuat untuk memberikan edukasi dan meningkatkan kesadaran masyarakat akan kebersihan lingkungan dan pengelolaan sampah, yang dilakukan melalui sebuah aplikasi simulasi berbentuk permainan maupun game. Game yang dinamakan Kelola sampah Tambah Rupiah (Kalpataru) merupakan game simulasi yang menggambarkan proses pengelolaan sampah, mulai dari pengumpulan sampah, sampai dengan daur ulang sampah. Penyusunan makalah ini bertujuan untuk menentukan rute terbaik pengumpulan dari sumber sampah ke Tempat Pembuangan Sementara (TPS). Dalam penerapan TSP, diperlukan solusi optimal, efektif dan juga efisien untuk mencapai hasil yang diinginkan. Masalah optimasi dalam makalah ini adalah masalah optimasi dalam pengumpulan sampah, dimana akan dicari rute terbaik dalam mengumpulkan sampah dari bakbak sampah warga ke Tempat Pembuangan Sementara (TPS). Beberapa metoda telah dikembangkan untuk memecahkan persoalan ini namun belum ditemukan algoritma penyelesaian yang optimal. Salah satu algoritma yang muncul untuk menyelesaikan persoalan ini ialah Algoritma Genetika. Algoritma genetika (genetik) merupakan teknik pencarian optimasi yang terinspirasi dari genetika dan seleksi alam (teori evolusi Darwin). Algoritma ini digunakan untuk mendapatkan solusi yang tepat untuk masalah optimasi dari satu variabel atau multi variabel (Gen dan Cheng, 1997). 2. TINJAUAN PUSTAKA Travelling Salesman Problem (TSP) atau Persoalan Perjalanan Pedagang diilhami oleh masalah seorang pedagang yang akan mengunjungi sejumlah kota dengan jarak tertentu menentukan sirkuit terpendek yang harus dilalui oleh seorang pedagang bila pedagang itu berangkat dari sebuah kota asal dan menyinggahi setiap kota tepat satu kali dan kembali lagi ke kota asal keberangkatan. Terapan TSP yang muncul dalam kehidupan sehari-hari antara lain pengumpulan sampah dari beberapa sumber sampah yang terdapat dalam
2 satu lingkup RW ke TPS. Standar TSP dapat dinyatakan secara matematis sebagai berikut. Metoda yang telah diketahui untuk memecahkan TSP secara optimal, adalah dengan menyebutkan satu persatu setiap kemungkinan tur dan pencarian tur dengan biaya terkecil. Setiap tur yang mungkin adalah permutasi 123 n dengan n merupakan jumlah kota, sehingga jumlah tur adalah n!. Ketika didapatkan nilai tur besar, maka tidak mungkin untuk menemukan biaya untuk setiap tur dengan polynomial waktu. Terdapat banyak motoda yang berbeda untuk optimasi yang digunakan untuk mencoba memecahkan TSP. Homaifar menyatakan satu pendekatan dengan menggunakan optimal solusi pada berbagai aplikasi TSP membutuhkan enumerasi dan evaluasi yang mendalam. Prosedur terdiri dari membangkitkan semua kemungkinan tur dan mengevaluasi jarak tur yang cocok. Tur dengan jarak terpendekmerupakan pilihan yang terbaik dengan jaminan optimal. 2.1 Algoritma Genetik pada TSP Algoritma genetik terinspirasi oleh teori Darwin tentang evolusi. Solusi untuk masalah yang dipecahkan dengan algoritma genetika adalah berevolusi. Algoritma dimulai dengan set solusi (diwakili oleh kromosom ) yang disebut populasi. Solusi dari satu populasi yang diambil dan digunakan untuk membentuk populasi baru. Hal ini didorong oleh harapan, bahwa penduduk baru akan lebih baik dari yang lama. Solusi yang dipilih untuk membentuk solusi baru (anak) yang dipilih sesuai dengan kelayakan yang lebih cocok dan lebih banyak kesempatan untuk bereproduksi. Hal ini diulangi sampai beberapa kondisi mendapatkan hasil yang memuaskan (misalnya jumlah populasi atau peningkatan solusi yang terbaik). 2.2 Operator pada Algoritma Genetik (AG) Setelah populasi awal secara acak dihasilkan, algoritma berkembang melalui tiga operator yaitu seleksi yang setara dengan survival of the fittest, crossover yang merupakan perkawinan antara individu, dan mutasi yang memperkenalkan modifikasi acak. Operator Seleksi Operator seleksi memberikan pilihan kepada individu yang lebih baik, yang memungkinkan untuk meneruskan gen kepada generasi berikutnya. Kebaikan dari masing-masing individu tergantung pada nilai fitness. Nilai fitness dapat ditentukan oleh fungsi obyektif atau oleh penilaian subyektif. Operator Crossover Faktor utama yang membedakan AG dari teknik optimasi lain adalah operator crossover. Dua individu dipilih dari hasil populasi menggunakan operator seleksi. Crossover memilih gen dari kromosom induk dan menciptakan sebuah keturunan baru. Cara melakukannya adalah dengan memilih secara acak beberapa titik crossover, kemudiannilai dari kedua string dipertukarkan. Dua keturunan baru yang diciptakan dari perkawinan ini dimasukkan ke dalam generasi berikutnya dari populasi. Dengan mengkombinasikan bagian dari individu yang baik, proses ini cenderung untuk menciptakan individu-individu lebih baik. Operator Mutasi Setelah crossover dilakukan, berlangsung proses mutasi. Tujuannya untuk melestarikan keragaman dalam populasi dan menghambat konvergensi prematur. Mutasi menginduksi perjalanan acak melalui ruang pencarian. Mutasi dan seleksi (tanpa crossover) membuat sebuah paralel, noise tolerant, dan algoritma hill climbing. 3. IMPLEMENTASI Teknik best route digunakan untuk menentukan rute terpendek yang harus ditempuh oleh obyek (gerobak) dari TPS dan mengumpulkan sampah dari semua bak sampah selanjutnya kembali ke TPS. Setiap node dinyatakan sebagai simpul graf, sedangkan sisi menyatakan jalan yang menghubungkan antar dua buah node. Bobot pada sisi menyatakan jarak antar dua buah node. Persoalan Perjalanan Pedagang tidak lain adalah menentukan lintasan yang melalui setiap node di dalam graf tepat satu kali, dan kembali ke simpul awal membentuk lintasan tertutup (disebut sirkuit Hamilton). Persoalan TSP pada game ini diselesaikan dengan menggunakan algoritma genetik. Dalam
3 algoritma genetik, pembentukan generasi baru (anak) dilakukan dengan tiga operasi, yaitu seleksi, crossover dan mutasi, kemudian melakukan evaluasi terhadap setiap populasi dengan menghitung nilai fitness setiap kromosom hingga kriteria berhenti dipenuhi. Bila kriteria berhenti belum terpenuhi, maka akan dibentuk lagi generasi baru dengan mengulangi langkah seleksi, crossover dan mutasi. Beberapa kriteria berhenti yang sering digunakan antara lain berhenti pada generasi tertentu, berhenti setelah dalam beberapa generasi berturut-turut didapatkan nilai fitness tertinggi/terendah, berhenti bila dalam n generasi berikutnya tidak diperoleh nilai fitness yang lebih tinggi/rendah. Pseudocode dari algoritma genetik untuk penentuan rute terbaik. mengambil jalur terbaik yang sudah dipilih dari Algoritma A* dan jarak dari masing masing jalur membangkitkan populasi awal secara random membentuk generasi baru (anak) dengan menggunakan tiga operasi seleksi, crossover dan mutasi secara berulang-ulang mengevaluasi setiap populasi dengan menghitung nilai fitness setiap individu hingga kriteria berhenti dipenuhi. kriteria berhenti yaitu berhenti pada generasi tertentu Best route atau rute terbaik dalam persoalan Travelling Salesman Problem adalah rute yang terpendek untuk meminimalkan biaya (cost). Penentuan rute terbaik ditulis dalam classfindbestroute() menggunakan bahasa pemrograman Java. Inisialisasi public static final int DEFAULT_POPULATION_SIZE = 10; public static final int DEFAULT_CROSSOVER_PROBABILITY= 90; public static final int DEFAULT_MUTATION_PROBABILITY = 10; public static final int DEFAULT_EPOCH= 10; Class findbestroute public Gen[] findbestroute(){ System.out.println("Masuk GA find BestROute"); Membangkitkan populasi awal secara random mother = populate(populationsize); child = new Individu[mother.length]; Membentuk generasi baru (anak) dengan menggunakan tiga operasi seleksi, crossover dan mutasi secara berulang-ulang for (Individu individu : mothersystem.out.println("individu :"+individu);} Proses seleksi for (int jkl = 0; jkl < epoch; jkl++) {mother = competition(mother,3); System.out.println("generasi "+jkl+" : seleksi"); for (Individu individu : mother) { System.out.println(individu);} Proses crossover child = crossover(mother, crossoverprobability); System.out.println("generasi "+jkl+" : Crossover"); for (int i = 0; i < child.length; i++) { System.out.println(child[i].toString())} for (int j = a; j <= b; j++) { result[i].setgen(j, source[i].getgen((a + b) - j));}}} return result; } Proses mutasi System.out.println("generasi "+jkl+"" : Mutasi); child = mutation(child, mutationprobability); for (int i = 0; i < child.length; i++) {System.out.println(child[i].toString()) ;} mother = child;} Mengevaluasi setiap populasi dengan menghitung nilai fitness setiap individu hingga kriteria berhenti dipenuhi yaitu berhenti pada generasi ke 199 (nilai epoch). Individu bestindividu = mother[0]; for(int i=1;i<mother.length;i++){
4 if(mother[i].getfitness() > bestindividu.getfitness()) bestindividu = mother[i];} return bestindividu.getgens();} 4. PENGUJIAN l. node (0,1)=[a, b, c, d, e, f, g, h, i, 1], dengan biaya 615 Langkah-langkah GA dalam penyelesaian TSP dengan perhitungan manual 1. Populasi dibangkitkan secara random dengan population size 10 yangmenunjukkan terdapat 10 buah populasi dalam satu generasi. 2. Inisialisasi Inisialisasi dilakukan dengan membentuk generasi baru (anak), misalkan didapatkan 10 individu sebagai berikut. Gambar 1:Play area4node Gambar 1menunjukkan desain play area dimana terdapat node dan field tempat bak-bak sampah warga. Dalam desain, terdapat 3 bak sampah yang diidentifikasikan dengan nomor 1 sampai 3. Node 0 merupakan Tempat Pembuangan Sementara (TPS). Banyaknya kemungkinan jalur adalah n! /(n-r)! = 4! /(4-2)! = 12. Hasil dari pencarian jalur terpendek menggunakan teknik A* pathfinding yaitu 12 buah jalur terpendek. a. node(3,2)=[o, n, m, l, k, j, 2], dengan biaya 316 b. node(2,3)=[j, k, l, m, n, o, 3], dengan biaya 316 c. node(3,1)=[u, t, f, g, h, i, 1], dengan biaya 373 d. node (1,3)=[i, h, g, f, t, u, 3], dengan biaya 373 e. node (1,2)=[i, h, 2], dengan biaya 139 f. node (2,1)=[h, i, 1], dengan biaya 139 g. node (3,0)=[u, t, f, e, d, c, b, a, 0], dengan biaya 488 h. node (0,3)=[a, b, c, d, e, f, t, u, 3], dengan biaya 488 i. node (2,0)=[h, g, f, e, d, c, b, a, 0], dengan biaya 564 j. node (0,2)=[a, b, c, d, e, f, g, h, 2], dengan biaya 564 k. node (1,0)=[i, h, g, f, e, d, c, b, a, 0], dengan biaya 615 Individu [1] : Individu [2] : Individu [3] : Individu [4] : Individu [5] : Individu [6] : Individu [7] : Individu [8] : Individu [9] : Individu [10]: Evaluasi individu Evaluasi individu dilakukan dengan menghitung nilai fitness dari individu yang telah dibangkitkan. Perhitungan nilai fitness dari individu [1] yaitu diperoleh dengan cara menjumlahkan biaya dari node 0 node 2, node 2 node 3, node 3 node 1, dan node 1 node 0. Fitness[i] = biaya (nodeawal nodeakhir)... (1) Fitness[1,6,8,10] = biaya node0 2, node 2 3, node 3 1, node 1 0 = = 1868 Fitness 2 = biaya ((node0 1), node(1 3), node(3 2), node(2 0)) = = 1868 Fitness 3,5 = biaya ((node0 3), node(3 2), node(2 1), node(1 0)) = = 1558
5 Fitness 4, 7,9 = biaya ((node0 1), node(1 2), node(2 3), node(3 0)) = = Melakukan perulangan sebanyak epoch (di setting sebanyak 200, dan masing-masing operasi sebanyak 10), dan operasi seleksi menggunakan sistem kompetisi. Oleh karena pada persoalan TSP yang diinginkan yaitu individu dengan fitness yang lebih kecil akan mempunyai probabilitas untuk terpilih kembali lebih besar maka digunakan inverse. Q i = 1... (2) fitness Q 1, 2, 6, 8, 10 = = 5,353 Q 3, 4, 5, 7, 9 = = 6,418 Total = 58,855 Untuk mencari probabilitas, digunakan rumus sebagai berikut. P i = Q i... (3) total P 1, 2, 6, 8, 10 = 5,353 58,855 = 0,090 P 3, 4, 5, 7, 9 = 6,418 58,855 = 0,109 Dari nilai P i di atas dapat terlihat bahwa inividu ke 3, 4, 5, 7 dan 9 mempunyai fitness paling kecil mempunyai probabilitas untuk terpilih pada generasi selanjutnya lebih besar dari individu lainnya. yang ditentukan sebesar 90. Dengan operasi crossover, didapatkan individu baru sebagai berikut. Individu [1] : Individu [2] : Individu [3] : Individu [4] : Individu [5] : Individu [6] : Individu [7] : Individu [8] : Individu [9] : Individu [10] : Melakukan operasi mutasi, jumlah individu yang mengalami mutasi dalam satu populasi ditentukan oleh parameter mutation rate (ρm) yang ditentukan sebesar 10. Proses mutasi dilakukan dengan cara menukar gen yang dipilih secara acak dengan gen sesudahnya. Jika gen tersebut berada di akhir individu, maka ditukar dengan gen yang pertama. Dengan operasi mutasi, didapatkan individu baru sebagai berikut. Individu [1] : Individu [2] : Individu [3] : Individu [4] : Individu [5] : Individu [6] : Individu [7] : Individu [8] : Individu [9] : Individu [10] : Mengevaluasi setiap populasi dengan menghitung nilai fitness setiap individu hingga kriteria berhenti dipenuhi, yaitu pada generasi ke 199. Dari hasil perhitungan didapatkan gen terbaik adalah dengan nilai fitness terkecil, yaitu 1558 dan probabilitas sebesar 6, Rute terbaik diambil dari gen terbaik, gerobak sampah berjalan dari node 0 (TPS), kemudian node3, node 2, node1, dan kembali lagi ke node 0. Gambar 2 menunjukkan rute terbaik (digambarkan dengan garis kuning) yang akan dilalui oleh obyek. 5. Melakukan operasi crossover, satu bagian individu ditukarkan dengan tetap menjaga urutan node yang bukan bagian dari individu tersebut. Individu yang dijadikan induk dipilih secara acak dan jumlah individu yang di tukarkan dipengaruhi oleh parameter crossover probability (ρc)
6 2. Klik sampah pada sumber sampah ke bak sampah, kemudian jalankan gerobak dengan menekan icon gerobak. 3. Hasil menunjukkan gerobak berjalan mulai dari TPS, ke bak sampah no. 3, kemudian bak sampah no. 2, lalu bak sampah no. 1 dan kembali lagi ke TPS. Gambar 2: Hasil penentuan rute terbaik Tabel1: Pengujian dengan perhitungan manual Node Node Jalur Jarak awal Tujuan 0 3 a, b, c, d, e, f, t, u, o, n, m, l, k, j, h, i, i, h, g, f, e, d c, b, a, Total jarak ( ) 1558 Langkah-langkah GA dalam penyelesaian TSP dengan menjalankan game Kalpataru 1. Mengatur 3 buah bak sampah sedemikian hingga letaknya sama dengan pengujian secara manual dengan cara menekan tombol beli-beli, kemudian pilih bak sampah. 2. Klik sampah pada sumber sampah ke bak sampah, kemudian jalankan gerobak dengan menekan icon gerobak. 3. Hasil menunjukkan gerobak berjalan mulai dari TPS, ke bak sampah no. 3, kemudian bak sampah no. 2, lalu bak sampah no. 1 dan kembali lagi ke TPS. Langkah-langkah GA dalam penyelesaian TSP dengan menjalankan gamekalpataru 1. Mengatur 3 buah bak sampah sedemikian hingga letaknya sama dengan pengujian secara manual dengan cara menekan tombol beli-beli, kemudian pilih bak sampah. Gambar 3: Hasil pengujian dengan menjalankan game Kalpataru 5. PENUTUP Penentuan rute terbaik pengumpulan sampah dari TPS ke bak sampah dan kembali ke TPS merupakan persoalan Travelling Salesman Problem dan diselesaikan menggunakan algoritma genetik. Hasil pengujian rute terbaik dengan perhitungan manual dan melalui game didapatkan rute yang sama. Hal ini berarti game telah berjalan sesuai dengan desain yang diharapkan. DAFTAR PUSTAKA Bryant, K. (2000), Genetic Algorithms and the Travelling Salesman Problem, Department of Mathematics, HarveyMudd College. Homaifar, A., Guan, S. And Liepins, Gunar E. (1992), Schema analysis of the travelling salesman problem using genetic algorithms, Complex Systems, 6(2): Melanie, M. (2005), An introduction to Genetic Algorithms, nal/vol1/hmw/article1.html#selection, 11 Juni 2010, WIB. Obitko, M. (1998), Introduction to Genetic Algorithm,Department of Computer Engineering, Faculty of Electrical engineering, Czech Technical
PENERAPAN ALGORITMA GENETIKA PADA PERSOALAN PEDAGANG KELILING (TSP)
Abstrak PENERAPAN ALGORITMA GENETIKA PADA PERSOALAN PEDAGANG KELILING (TSP) Aulia Fitrah 1, Achmad Zaky 2, Fitrasani 3 Program Studi Informatika, Sekolah Teknik Elektro dan Informatika, Institut Teknologi
Lebih terperinciAplikasi Algoritma Genetika Untuk Menyelesaikan Travelling Salesman Problem (TSP)
JTRISTE, Vol.1, No.2, Oktober 2014, pp. 50~57 ISSN: 2355-3677 Aplikasi Algoritma Genetika Untuk Menyelesaikan Travelling Salesman Problem (TSP) STMIK Handayani Makassar najirah_stmikh@yahoo.com Abstrak
Lebih terperinciOptimasi Multi Travelling Salesman Problem (M-TSP) Menggunakan Algoritma Genetika
Optimasi Multi Travelling Salesman Problem (M-TSP) Menggunakan Algoritma Genetika Wayan Firdaus Mahmudy (wayanfm@ub.ac.id) Program Studi Ilmu Komputer, Universitas Brawijaya, Malang, Indonesia Abstrak.
Lebih terperinciBAB 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 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 terperinciBAB I PENDAHULUAN. wisata budaya, wisata belanja, hingga wisata Alam. Untuk menarik minat
BAB I PENDAHULUAN A. Latar Belakang Masalah Objek pariwisata di Yogyakarta sudah semakin beragam mulai dari wisata budaya, wisata belanja, hingga wisata Alam. Untuk menarik minat wisatawan dapat dibuat
Lebih terperinciBAB 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 terperinciPENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN TRAVELLING SALESMAN PROBLEM (TSP)
PENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN TRAVELLING SALESMAN PROBLEM (TSP) Mohamad Subchan STMIK Muhammadiyah Banten e-mail: moh.subhan@gmail.com ABSTRAK: Permasalahan pencarian rute terpendek dapat
Lebih 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 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 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 terperinciT I N J A U A N P U S T A K A Algoritma Genetika [5]
Algoritma Genetika [5] Fitness adalah nilai yang menyatakan baik-tidaknya suatu jalur penyelesaian dalam permasalahan TSP,sehingga dijadikan nilai acuan dalam mencari jalur penyelesaian optimal dalam algoritma
Lebih 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 terperinciALGORITMA GENETIKA DENGAN PENDEKATAN MODEL PULAU PADA PERMASALAHAN TRAVELLING SALESMAN
ALGORITMA GENETIKA DENGAN PENDEKATAN MODEL PULAU PADA PERMASALAHAN TRAVELLING SALESMAN Hardy STMIK Mikroskil Jl. Thamrin No. 112, 124, 140 Medan 20212 hardy@mikroskil.ac.id Abstrak Algoritma genetika telah
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 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 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 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 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 1 PENDAHULUAN. 1 Randy L Haupt & Sue Ellen Haupt, Practical Genetic Algorithms second edition, Wiley Interscience,2004.
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Seseorang salesman tentu akan sangat kesulitan jika harus mengunjungi semua kota sendirian, oleh karena itu dibutuhkan beberapa orang salesman untuk membagi
Lebih terperinciPencarian Rute Terpendek untuk Pengoptimalan Ditribusi Sales Rokok Gudang Garam di kecamatan Wuluhan Kabupaten Jember Menggunakan Algoritma Genetika
Pencarian Rute Terpendek untuk Pengoptimalan Ditribusi Sales Rokok Gudang Garam di kecamatan Wuluhan Kabupaten Jember Menggunakan Algoritma Genetika Priza Pandunata, Rachmad Agung Bagaskoro, Agung Ilham
Lebih terperinciPRESENTASI TUGAS AKHIR
PRESENTASI TUGAS AKHIR Travelling Salesman Problem menggunakan Algoritma Genetika Via GPS berbasis Android (kata kunci : android,gps,google Maps, Algoritma Genetika, TSP) Penyusun Tugas Akhir : Azmi Baharudin
Lebih terperinciDAFTAR ISI. Tim Redaksi... i Kata Pengantar... ii Daftar Isi... iii
DAFTAR ISI Tim Redaksi... i Kata Pengantar... ii Daftar Isi... iii Faiz Rafdh Ch SISTEM INFORMASI ZAKAT BERBASIS WEB MENGGUNAKAN PHP DAN MYSQL PADA RUMAH ZAKATINDONESIA 1-7 Abdul Jamil Syamsul Bachtiar
Lebih terperinciABSTRAK. Universitas Kristen Maranatha
ABSTRAK Dalam beberapa tahun terakhir ini, peranan algoritma genetika terutama untuk masalah optimisasi, berkembang dengan pesat. Masalah optimisasi ini beraneka ragam tergantung dari bidangnya. Dalam
Lebih terperinciPenentuan Optimalisasi TSP (Travelling Salesman Problem) Distribusi Barang Menggunakan Algoritma Genetika Di Buka Mata Adv
Penentuan Optimalisasi TSP (Travelling Salesman Problem) Distribusi Barang Menggunakan Algoritma Genetika Di Buka Mata Adv Teguh Nurhadi Suharsono 1, Muhamad Reza Saddat 2 1 Program Studi Teknik Informatika
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Pada saat sekarang ini, setiap perusahaan yang ingin tetap bertahan dalam persaingan dengan perusahaan lainnya, harus bisa membuat semua lini proses bisnis perusahaan tersebut
Lebih terperinciDenny Hermawanto
Algoritma Genetika dan Contoh Aplikasinya Denny Hermawanto d_3_nny@yahoo.com http://dennyhermawanto.webhop.org Lisensi Dokumen: Seluruh dokumen di IlmuKomputer.Com dapat digunakan, dimodifikasi dan disebarkan
Lebih terperinciIMPLEMENTASI ALGORITMA GENETIKA DALAM OPTIMASI JALUR PENDISTRIBUSIAN KERAMIK PADA PT. CHANG JUI FANG
IMPLEMENTASI ALGORITMA GENETIKA DALAM OPTIMASI JALUR PENDISTRIBUSIAN KERAMIK PADA PT. CHANG JUI FANG Adnan Buyung Nasution 1 1,2 Sistem Infomasi, Tehnik dan Ilmu Komputer, Universitas Potensi Utama 3 Universitas
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 terperinciPENYELESAIAN KNAPSACK PROBLEM MENGGUNAKAN ALGORITMA GENETIKA
PENYELESAIAN KNAPSACK PROBLEM MENGGUNAKAN ALGORITMA GENETIKA Kartina Diah KW1), Mardhiah Fadhli2), Charly Sutanto3) 1,2) Jurusan Teknik Komputer Politeknik Caltex Riau Pekanbaru Jl. Umban Sari No.1 Rumbai-Pekanbaru-Riau
Lebih terperinciJl. Ahmad Yani, Pontianak Telp./Fax.: (0561)
APLIKASI PENCARIAN RUTE TERPENDEK MENGGUNAKANALGORITMA GENETIKA (Studi Kasus: Pencarian Rute Terpendek untuk Pemadam Kebakaran di Wilayah Kota Pontianak) [1] Putri Yuli Utami, [2] Cucu Suhery, [3] Ilhamsyah
Lebih terperinciPencarian Solusi TSP (Travelling Salesman Problem) Menggunakan Algoritma Genetik
Pencarian Solusi TSP (Travelling Salesman Problem) Menggunakan Algoritma Genetik Teddy Rachmayadi Teknik Informatika Institut Teknologi Bandung Ganeca 10 Bandung if16079@students.if.itb.ac.id ABSTRAK Algoritma
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 terperinciANALISA 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 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 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 terperinciGENETIKA UNTUK MENENTUKAN RUTE LOPER KORAN DI AGEN SURAT KABAR
MULTI TRAVELING SALESMAN PROBLEM (MTSP) DENGAN ALGORITMA Abstrak GENETIKA UNTUK MENENTUKAN RUTE LOPER KORAN DI AGEN SURAT KABAR Oleh : Fitriana Yuli Saptaningtyas,M.Si. Jurusan Pendidikan Matematika FMIPA
Lebih terperinciALGORITMA GENETIKA Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning
ALGORITMA GENETIKA Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning Achmad Basuki Politeknik Elektronika Negeri Surabaya PENS-ITS Surabaya 2003 Algoritma Genetika Algoritma
Lebih 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 terperinciOptimalisasi Pengantaran Barang dalam Perdagangan Online Menggunakan Algoritma Genetika
Optimalisasi Pengantaran Barang dalam Perdagangan Online Menggunakan Algoritma Genetika Rozak Arief Pratama 1, Esmeralda C. Djamal, Agus Komarudin Jurusan Informatika, Fakultas MIPA Universitas Jenderal
Lebih 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 terperinciKNAPSACK PROBLEM DENGAN ALGORITMA GENETIKA
LAPORAN TUGAS BESAR ARTIFICIAL INTELLEGENCE KNAPSACK PROBLEM DENGAN ALGORITMA GENETIKA Disusun Oleh : Bayu Kusumo Hapsoro (113050220) Barkah Nur Anita (113050228) Radityo Basith (113050252) Ilmi Hayyu
Lebih 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 terperinciSeminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004
Seminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004 Perbandingan Metode-Metode dalam Algoritma Genetika untuk Travelling Salesman Problem Irving Vitra P. Jurusan Teknik Informatika,
Lebih terperinciPENGGUNAAN 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 terperinciPERANCANGAN APLIKASI PENJADWALAN TRAVELING SALESMAN PROBLEM DENGAN ALGORITMA GENETIKA
PERANCANGAN APLIKASI PENJADWALAN TRAVELING SALESMAN PROBLEM DENGAN ALGORITMA GENETIKA Hendy Tannady; Andrew Verrayo Limas Industrial Engineering Department, Faculty of Engineering, Binus University Jl.
Lebih terperinciPENERAPAN 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 terperinciBAB III PERANCANGAN. Gambar 3.1 di bawah ini mengilustrasikan jalur pada TSP kurva terbuka jika jumlah node ada 10:
BAB III PERANCANGAN Pada bagian perancangan ini akan dipaparkan mengenai bagaimana mencari solusi pada persoalan pencarian rute terpendek dari n buah node dengan menggunakan algoritma genetika (AG). Dari
Lebih 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 terperinciOPTIMASI PENJADWALAN CERDAS MENGGUNAKAN ALGORITMA MEMETIKA
OPTIMASI PENJADWALAN CERDAS MENGGUNAKAN ALGORITMA MEMETIKA Muhammad Arief Nugroho 1, Galih Hermawan, S.Kom., M.T. 2 1, 2 Universitas Komputer Indonesia Jl. Dipatiukur No. 112-116, Bandung 40132 E-mail
Lebih terperinciOptimasi Penjadwalan 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 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 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 terperinciBAB 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 terperinciBAB I PENDAHULUAN. Universitas Sumatera Utara
BAB I PENDAHULUAN 1.1 Latar Belakang Setelah berkembangnya AI (Artifical Intelligence), banyak sekali ditemukan sejumlah algoritma yang terinspirasi dari alam. Banyak persoalan yang dapat diselesaikan
Lebih terperinciPENERAPAN ALGORITMA GENETIKA PADA PERENCANAAN LINTASAN KENDARAAN Achmad Hidayatno Darjat Hendry H L T
PENERAPAN ALGORITMA GENETIKA PADA PERENCANAAN LINTASAN KENDARAAN Achmad Hidayatno Darjat Hendry H L T Abstrak : Algoritma genetika adalah algoritma pencarian heuristik yang didasarkan atas mekanisme evolusi
Lebih terperinciSTUDI KOMPARATIF ALGORITMA ANT DAN ALGORITMA GENETIK PADA TRAVELLING SALESMAN PROBLEM
Jurnal Computech & Bisnis, Vol. 3, No. 1, Juni 2009, 30-36 ISSN Studi 1978-9629 Komparatif Algoritma Ant...(Bambang Siswoyo & Andrianto) STUDI KOMPARATIF ALGORITMA ANT DAN ALGORITMA GENETIK PADA TRAVELLING
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 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 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 terperinciPENENTUAN JARAK TERPENDEK PADA JALUR DISTRIBUSI BARANG DI PULAU JAWA DENGAN MENGGUNAKAN ALGORITMA GENETIKA. Abstraksi
PENENTUAN JARAK TERPENDEK PADA JALUR DISTRIBUSI BARANG DI PULAU JAWA DENGAN MENGGUNAKAN ALGORITMA GENETIKA I Dewa Made Adi Baskara Joni 1, Vivine Nurcahyawati 2 1 STMIK STIKOM Indonesia, 2 STMIK STIKOM
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Algoritma Genetika Algoritma Genetika merupakan suatu algoritma yang terinspirasi dari teori evolusi Darwin yang menyatakan bahwa kelangsungan hidup suatu makhluk dipengaruhi
Lebih terperinciANALISIS PENGATURAN INDIVIDU CROSSOVER DAN MUTASI ALGORITMA GENETIKA STUDI KASUS TRAVELLING SALESMAN PROBLEM
ANALISIS PENGATURAN INDIVIDU CROSSOVER DAN MUTASI ALGORITMA GENETIKA STUDI KASUS TRAVELLING SALESMAN PROBLEM Sean Coonery Sumarta* 1 1 Program Studi Teknik Informatika, Universitas Atma Jaya Makassar,
Lebih terperinciBAB IV ANALISIS MASALAH
BAB IV ANALISIS MASALAH 4.1 Tampilan Program Persoalan TSP yang dibahas pada tugas akhir ini memiliki kompleksitas atau ruang solusi yang jauh lebih besar dari TSP biasa yakni TSP asimetris dan simetris.
Lebih terperinciPenerapan Algoritma Genetika pada Permainan Rubik s Cube
Penerapan Algoritma Genetika pada Permainan Rubik s Cube Abigael Angela Pardede 1, Shanny Avelina Halim 2, Denny Nugrahadi 3 Laboratorium Ilmu dan Rekayasa Komputasi Departemen Teknik Informatika, Institut
Lebih terperinciGenerator Jadwal Perkuliahan Menggunakan Algoritma Genetika
Generator Jadwal Perkuliahan Menggunakan Algoritma Genetika Zainal Akbar 1), Muh. Fajri Raharjo 2), Eddy Tungadi 3) CAIR, Politeknik Negeri Ujung Pandang Jl. Perintis Kemerdekaan km. 10, Tamalanrea Makassar,
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 terperinciAPLIKASI 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 terperinciA. ADHA. Program Studi Teknik Sipil, Fakultas Teknik,Universitas Islam Riau, Pekanbaru, Indonesia Corresponding author:
Institut Teknologi Padang, 27 Juli 217 ISBN: 978-62-757-6-7 http://eproceeding.itp.ac.id/index.php/spi217 Optimasi Bentuk Struktur dan Penampang pada Struktur Rangka Baja Terhadap Kendala Kehandalan Material
Lebih terperinciPRESENTASI TUGAS AKHIR KI091391
PRESENTASI TUGAS AKHIR KI091391 PENDEKATAN CROSSOVER TERBARU UNTUK MENYELESAIKAN MULTIPLE TRAVELLING SALESMEN PROBLEM MENGGUNAKAN ALGORITMA GENETIKA (Kata kunci: multiple salemen problem, algoritma genetika,
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 terperinciBAB III MODEL DAN TEKNIK PEMECAHAN
BAB III MODEL DAN TEKNIK PEMECAHAN III.1. Diskripsi Sistem Sistem pendistribusian produk dalam penelitian ini adalah berkaitan dengan permasalahan vehicle routing problem (VRP). Berikut ini adalah gambar
Lebih terperinciIMPLEMENTASI ALGORITMA GENETIKA UNTUK MENYELESAIKAN TRAVELLING SALESMAN PROBLEM
Info Artikel UJM 2 (2) (2013) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm IMPLEMENTASI ALGORITMA GENETIKA UNTUK MENYELESAIKAN TRAVELLING SALESMAN PROBLEM Firar Anitya Sari,
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 terperinciPenjadwalan kegiatan merupakan pekerjaan yang tidak mudah, karena dalam. penyusunannya memerlukan perencanaan yang matang agar kegiatan tersebut
BAB I PENDAHULUAN A. Latar Belakang Penjadwalan kegiatan merupakan pekerjaan yang tidak mudah, karena dalam penyusunannya memerlukan perencanaan yang matang agar kegiatan tersebut terlaksana dengan optimal.
Lebih terperinciPenyelesaian 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 terperinciAPLIKASI ALGORITMA GENETIKA DALAM PENENTUAN DOSEN PEMBIMBING SEMINAR HASIL PENELITIAN DAN DOSEN PENGUJI SKRIPSI
Prosiding Seminar Nasional Matematika dan Terapannya 2016 p-issn : 2550-0384; e-issn : 2550-0392 APLIKASI ALGORITMA GENETIKA DALAM PENENTUAN DOSEN PEMBIMBING SEMINAR HASIL PENELITIAN DAN DOSEN PENGUJI
Lebih terperinciPENYELESAIAN 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 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 terperinciCrossover Probability = 0.5 Mutation Probability = 0.1 Stall Generation = 5
oleh pengguna sistem adalah node awal dan node tujuan pengguna. Lingkungan Pengembangan Sistem Implementasi Algoritme Genetika dalam bentuk web client menggunakan bahasa pemrograman PHP dan DBMS MySQL.
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 terperinciPENERAPAN ALGORITMA GENETIKA UNTUK MENYELESAIKAN PERMASALAHAN PENJADWALAN DOSEN DENGAN FUZZY
PENERAPAN ALGORITMA GENETIKA UNTUK MENYELESAIKAN PERMASALAHAN PENJADWALAN DOSEN DENGAN FUZZY Arief Kelik Nugroho Fakultas Teknik, Universitas PGR Yogyakarta e-mail : ariefkeliknugroho@gmail.com Abstrak
Lebih terperinciPENYELESAIAN MASALAH PENUGASAN DENGAN ALGORITMA GENETIKA TEKNIK CYCLE CROSSOVER.
PENYELESAIAN MASALAH PENUGASAN DENGAN ALGORITMA GENETIKA TEKNIK CYCLE CROSSOVER. Ir. Samuel Lukas, M.Tech*, Dr(Eng). Pujianto Yugopuspito, M.Sc", dan Hadiyanto Asali*" Abstract Assignment problem is one
Lebih terperinciAnalisis Operator Crossover pada Permasalahan Permainan Puzzle
Analisis Operator Crossover pada Permasalahan Permainan Puzzle Kun Siwi Trilestari [1], Ade Andri Hendriadi [2] Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Singaperbanga Karawang
Lebih terperinciIMPLEMENTASI ALGORITMA GENETIK UNTUK MENYELESAIKAN MASALAH TRAVELING SALESMAN PROBLEM (STUDI KASUS: SATUAN KERJA PERANGKAT DAERAH KOTA MEDAN)
IMPLEMENTASI ALGORITMA GENETIK UNTUK MENYELESAIKAN MASALAH TRAVELING SALESMAN PROBLEM (STUDI KASUS: SATUAN KERJA PERANGKAT DAERAH KOTA MEDAN) DRAFT SKRIPSI RAJO PANANGIAN HARAHAP 111421045 PROGRAM STUDI
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 terperinciISSN VOL. 12, NO. 2, OKTOBER 2011
ANALISIS OPTIMASI PENJADWALAN JAGA DOKTER RESIDEN PENYAKIT DALAM PADA RUMAH SAKIT PENDIDIKAN Erlanie Sufarnap 1, Sudarto 2 STMIK Mikroskil Jl. Thamrin No. 112, 124, 140 Medan 20212 airlanee@yahoo.com 1,
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 terperinciPENENTUAN MATCHING MAKSIMUM PADA GRAPH BIPARTISI BERBOBOT DENGAN MENGGUNAKAN ALGORITMA GENETIKA
PENENTUAN MATCHING MAKSIMUM PADA GRAPH BIPARTISI BERBOBOT DENGAN MENGGUNAKAN ALGORITMA GENETIKA,, Universitas Negeri Malang E-mail: love_nisza@yahoo.co.id ABSTRAK: Matching berguna untuk menyelesaikan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Penjadwalan Penjadwalan kegiatan belajar mengajar pada suatu lembaga pendidikan biasanya merupakan salah satu pekerjaan yang tidak mudah dan menyita waktu. Pada lembaga pendidikan
Lebih terperinciSTUDI 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 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 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 terperinciOptimasi Pemilihan Pekerja Bangunan Proyek Pada PT. Citra Anggun Pratama Menggunakan Algoritma Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 2, Februari 2017, hlm. 80-84 http://j-ptiik.ub.ac.id Optimasi Pemilihan Pekerja Bangunan Proyek Pada PT. Citra Anggun
Lebih terperinciOPTIMALISASI SOLUSI TERBAIK DENGAN PENERAPAN NON-DOMINATED SORTING II ALGORITHM
OPTIMALISASI SOLUSI TERBAIK DENGAN PENERAPAN NON-DOMINATED SORTING II ALGORITHM Poetri Lestari Lokapitasari Belluano poe3.setiawan@gmail.com Universitas Muslim Indonesia Abstrak Non Dominated Sorting pada
Lebih 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 terperinciIMPLEMENTASI ALGORITMA GENETIKA PADA PENJADWALAN PERKULIAHAN
IMPLEMENTASI ALGORITMA GENETIKA PADA PENJADWALAN PERKULIAHAN Uning Lestari 2, Naniek Widyastuti 3, Desti Arghina Listyaningrum 1 1,2,3 Teknik Informatika, Fakultas Teknologi Industri, IST AKPRIND Yogyakarta
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Algoritma Genetika Algoritma genetika sebagai cabang dari algoritma evolusi merupakan metode yang digunakan untuk memecahkan suatu pencarian nilai dalam permasalahan-permasalahan
Lebih terperinciImplementasi Algoritma Genetika dalam Pembuatan Jadwal Kuliah
Implementasi Algoritma Genetika dalam Pembuatan Jadwal Kuliah Leonard Tambunan AMIK Mitra Gama Jl. Kayangan No. 99, Duri-Riau e-mail : leo.itcom@gmail.com Abstrak Pada saat ini proses penjadwalan kuliah
Lebih terperinciPENGEMBANGAN APLIKASI PENJADWALAN KULIAH SEMESTER I MENGGUNAKAN ALGORITMA GENETIKA
PENGEMBANGAN APLIKASI PENJADWALAN KULIAH SEMESTER I MENGGUNAKAN ALGORITMA GENETIKA Bagus Priambodo Program Studi Sistem Informasi Fakultas Ilmu Komputer Universitas Mercu Buana e- mail : bagus.priambodo@mercubuana.ac.id
Lebih terperinci