BAB 2 LANDASAN TEORI. 2.1 Clustering
|
|
- Veronika Lesmana
- 7 tahun lalu
- Tontonan:
Transkripsi
1 BAB 2 LANDASAN TEORI Dalam bab ini akan dibahas mengenai teori-teori penting yang dapat menunjang dan menjadi acuan dalam pembuatan proyek akhir. Bagian tersebut meliputi metode yang digunakan dalam melakukan pengelompokkan data yang berbasis Genetic K- Means dan metode pengambilan keputusan yaitu AHP(Analytic Hierarchy Process) Bagian-bagian tersebut akan diuraikan seperti di bawah ini: 2.1 Clustering Clustering adalah proses membuat pengelompokan sehingga semua anggota dari setiap partisi mempunyai persamaan berdasarkan matrik tertentu. Sebuah klaster adalah sekumpulan obyek yang digabung bersama karena persamaan atau kedekatannya. Clustering berdasarkan persamaanya merupakan sebuah teknik yang sangat berguna Karena akan mentranslasi ukuran persamaan yang intuitif menjadi ukuran yang kuantitatif. Ada banyak pendekatan untuk membuat cluster, diantaranya adalah membuat aturan yang mendikte keanggotaan dalam group yang sama berdasarkan tingkat persamaan diantara anggota-anggotanya. Pendekatan lainnya adalah dengan membuat sekumpulan fungsi yang mengukur beberapa properti dari pengelompokan tersebut sebagai fungsi dari beberapa parameter dari sebuah clustering Analisis Clustering Analisis Clustering adalah proses pengelompokan obyek ke dalam subsets yang mempunyai arti dalam konteks masalah tertentu. Obyek dengan demikian diorganisir ke dalam suatu penyajian efisien dan bermanfaat. Tidak sama dengan klasifikasi, clustering tidak bersandar pada kelas sudah ada. Clustering dikenal sebagai suatu metode pelajaran pembelajaran unsupervised karena tidak ada informasi disajikan
2 19 tentang jawaban yang benar untuk obyek yang manapun. Ini dapat menemukan hubungan yang sebelumnya tidak diketahui didalam suatu dataset yang kompleks. Analisis cluster adalah suatu teknik analisa multivariate untuk mencari dan mengorganisir informasi tentang variabel sehingga secara relatif dapat dikelompokkan dalam kelompok yang homogen atau cluster dapat dibentuk. Cluster dibentuk dengan metode kedekatan yang secara internal harus homogen (anggota adalah serupa untuk satu sama lain) dan sangat secara eksternal tak sejenis (anggotanya tidak seperti anggota dari cluster yang lain). Analisis cluster dapat menerima suatu data masukan yang beragam. Ini biasanya disebut pengukuran kesamaan, dapat juga disebut kedekatannya, dan kemiripannya. Beberapa ahli merekomendasikan penggunaan standardisasi data, cluster dapat dihitung dalam skala yang berbeda dan standardisasi akan memberi pengukuran dengan menggunakan unit yang berbeda. Seperti teknik yang lain, analisis cluster menghadapi permasalahan dalam beberapa banyak faktor, atau dimensi, atau berapa banyak cluster yang akan dihasilkan. Untuk itu akan dipilih suatu tempat dimana struktur cluster yang stabil untuk jarak yang jauh. Beberapa kemungkinan lain akan mencari pengelompokan grup dengan struktur cocok atau yang diharapkan Fungsi Jarak Pengukuran proximity yang paling umum digunakan, sedikitnya untuk rasio skala adalah matrik Minkowski, yang mana adalah suatu generalisasi jarak antara titik di dalam Euclidean Space. Fungsi Euclidean Distance : Jarak Euclidean dapat dianggap sebagai jarak yang paling pendek antar dua poin-poin, dan pada dasarnya sama halnya dengan persamaan Pythagoras ketika
3 20 digunakan di dalam 2 dimensi. Secara matematis dapat dituliskan di dalam persamaan berikut : d(i,j)= x x 2 + x x i1 j1 i2 j2... ip jp x x 2 Ketika menggunakan fungsi jarak Euclidean untuk membandingkan jarak, tidak diperlukan untuk mengkalkulasi akar dua sebab jarak selalu merupakan angkaangka positif. Untuk dua jarak, d 1 dan d 2, jika : d 1 > d 2 d 1 > d 2. Jika sebagian dari suatu atribut obyek diukur dengan skala berbeda, maka ketika menggunakan fungsi jarak Euclidean, atribut dengan skala yang lebih besar boleh meliputi atribut yang terukur pada skala yang lebih kecil. Untuk mencegah masalah ini, nilai-nilai atribut dinormalisasi untuk terletak diantara 0 dan 1. Fungsi jarak lain mungkin lebih sesuai untuk beberapa data. Lebih jelasnya berikut di bawah ini ditampilkan gambar representasi dari jarak terdekat dari 2 titik. Jarak Phytagoras (jarak terdekat dari 2 titik) Gambar 2.1 Fungsi Euclidean Suatu komponen penting pada algoritma cluster adalah mengukur jarak antara poin-poin data. Jika komponen dari data adalah semua termasuk dalam unit yang
4 21 sama, mungkin jarak Euclidean yang sederhana cukup sukses mengelompokkan data serupa. Bagaimanapun, bahkan dalam hal ini jarak Euclidean kadang-kadang dapat salah. Di samping kedua-duanya pengukuran diambil di dalam unit yang sama, suatu keputusan harus dibuat berkaitan dengan skala. Skala yang berbeda dapat menyebabkan perbedaan clustering Algoritma K-Means Algoritma K-Means adalah metode clustering berbasis jarak yang membagi data ke dalam sejumlah cluster dan algoritma ini hanya bekerja pada atribut numerik. Pada dasarnya penggunaan algoritma dalam melakukan proses clustering tergantung dari data yang ada dan konklusi yang ingin dicapai. Untuk itu digunakan Algoritma K-Means yang di dalamnya memuat aturan sebagai berikut : Jumlah cluster perlu diinputkan. Hanya memiliki atribut bertipe numerik. Jumlah atribut sedikit (<100) Algoritma K-Means merupakan metode nonheirarchial yang pada awalnya mengambil sebagian dari banyaknya komponen dari populasi untuk dijadikan pusat cluster awal. Pada step ini pusat cluster dipilih secara acak dari sekumpulan populasi data. Berikutnya Kmeans menguji masing-masing komponen di dalam populasi data dan menandai komponen tersebut ke salah satu pusat cluster yang telah didefinisikan tergantung dari jarak minimum antar komponen dengan tiap-tiap pusat cluster. Posisi pusat cluster akan dihitung kembali sampai semua komponen data digolongkan ke dalam tiap-tiap pusat cluster dan terakhir akan terbentuk posisi pusat cluster baru. Algoritma K-Means pada dasarnya melakukan 2 proses yakni proses pendeteksian lokasi pusat tiap cluster dan proses pencarian anggota dari tiap-tiap cluster. Penggunaan metode yang berbeda untuk menentukan persamaan cluster mempunyai pengaruh yang berbeda pula pada teknik clustering. Suatu jalan/cara
5 22 standard untuk menghitung persamaan antar tiap cluster dengan populasi data adalah menggambarkan suatu fungsi yang mengukur jarak antar tiap cluster dengan populasi data. Definisi fungsi jarak akan mengukur jarak sekelompok populasi data. Dalam proyek akhir ini ukuran jarak adalah jarak Euclidean untuk menandai adanya persamaan antar tiap cluster dengan jarak minimum dan mempunyai persamaan atau kemiripan yang lebih tinggi. Euclidean Matrix antara titik a=(a 1,a 2,a 3,a 4,...,a n ) dan titik b=(b 1,b 2,b 3,b 4,...,b n ) adalah : d( a, b) = n i= 1 ( b i a i ) 2 Proses awal dalam algoritma K-Means adalah populasi data kriteria pemasok PT. TMMIN yang merupakan data yang diproses dan input parameter k, jumlah dari cluster harus ada di dalam algoritma nanti. Algoritma K-Means 1. Tentukan Jumlah K cluster. 2. Inisialisasi k pusat cluster sebagai seed points, Pusat ini dapat diperoleh secara acak. 3. Untuk setiap data kriteria pemasok PT. TMMIN, cari data yang lebih dekat dengan pusat cluster dan tandai titik data tersebut di pusat cluster yang terdekat dan posisi pusat cluster dihitung kembali dengan rata-rata anggota dari setiap cluster. 4. Cek semua data sekali lagi dan taruh setiap data yang terdekat dengan pusat cluster (pusat cluster tidak dihitung lagi). Jika anggota dari tiap pusat cluster tidak berubah,berhenti dan jika masih berubah kembali ke Step ke-2).
6 23 Dari algoritma diatas dapat diambil dua operasi yang penting sepanjang dilakukan proses clustering dengan algoritma K-Means yakni menghitung jarak antar obyek data dengan pusat cluster dan menghitung rata-rata dari pusat cluster tersebut. Selama ada proses iterasi untuk menentukan pusat cluster baru dengan menghitung jarak dari setiap obyek data, disini dapat diketahui bahwa jika ada dua obyek yang memiliki tingkat kedekatan / kemiripan yang sama dengan melihat ukuran jarak sama, maka bisa dimungkinkan dua obyek tersebut dikelompokkan bersama-sama ke dalam pusat cluster. Ketika menghitung rata-rata pada setiap cluster, semua obyek di dalam cluster dijumlahkan dan dibagi dengan total jumlah obyek yang terkait di masingmasing pusat cluster. Karena di dalam algoritma ini dibutuhkan penyelesaian dengan meminimalisasi jumlah atau rata-rata jarak yang besar, varian, maka selama proses clustering penting untuk mengkalkulasi ulang total jarak dari matrik data tersebut. Dengan kata lain jika terdapat matrik data yang jaraknya jauh dari pusat cluster, maka matrik tersebut mempunyai pengaruh yang besar daripada matrik data lain yang dekat dengan pusat cluster. Untuk memindahkan matrik yang jauh dari pusat cluster ini perlu untuk dilakukan standardisasi nilai-nilai setiap matrik yang jauh dari pusat cluster. Jadi algoritma K-Means untuk menentukan pusat cluster yang optimal dengan meminimalisasi total jarak antara populasi data dengan pusat cluster berdasarkan iterasi yang akan menyeleksi total jarak yang terkecil.
7 24 Hasil dari proses clustering yang menggunakan Metode K-Means Clustering dapat digambarkan seperti di bawah ini: Gambar 2.2 Contoh K-Means Clustering 2.2 Algoritma Genetika Pengenalan Algoritma Genetika Algoritma genetika dikembangkan oleh John Holland (1975). Algoritma genetika adalah algoritma yang mengemulasikan proses biologi dari rekombinasi genetika, mutasi, seleksi natural untuk membangkitkan solusi suatu permasalahan. Algoritma genetika digunakan untuk permasalahan pencarian dengan melakukan minimisasi biaya dan probabilitas yang tinggi untuk mendapatkan solusi global optimal. Algoritma ini bekerja dengan sebuah populasi yang terdiri dari individu-individu, yang masing-masing individu mempresentasikan sebuah solusi yang mungkin bagi persoalan yang ada. Dalam kaitan ini, individu dilambangkan dengan sebuah nilai kebugaran(fitness) yang akan digunakan untuk mencari solusi terbaik dari persoalan yang ada. Pertahanan yang tinggi dari individu memeberikan kesempatan untuk melakukan reproduksi melalui perkawinan silang dengan individu yang lain dalam populasi
8 25 tersebut. Individu yang baru yang dihasilkan dalam hal ini dinamakan keturunan(offspring), yang membawa beberapa sifat dari induknya. Sedangkan individu dalam populasi yang tidak terseleksi dalam reproduksi akan mati dengan sendirinya. Dengan jalan ini, beberapa generasi dengan karakteristik yang bagus akan bermunculan dalam populasi tersebut, untuk kemudian dicampur dan ditukar dengan karakter lain. Dengan mengawinkan semakin banyak individu, maka akan semakin banyak kemungkinan terbaik yang dapat diperoleh. Dengan teori genetika seperti di atas, sebelum GA dapat dijalankan, maka sebuah kode yang sesuai (representative) untuk persoalan harus dirancang. Untuk ini maka titik solusi dalam ruang permasalahan dikodekan dalam bentuk kromosom/string yang terdiri atas komponen gentik terkecil yaitu gen. Pemakaian bilangan seperti integer, floating point dan abjad sebagai nilai gen(allele) memungkinkan penerapan operator genetika yaitu reproduksi(reproduction), pindah silang(crossover), dan mutasi(mutation) untuk menciptakan himpunan titik-titik solusi. Untuk memeriksa hasil optimisasi, dibutuhkan fungsi fitness, sebagai ukuran dari proses optimisasi(dalam istilah di teknik optimisasi ini lebih dikenal sebagai fungsi tujuan (objective function) atau fungsi biaya(cost function)). Selama berjalan, induk harus digunakan untuk reproduksi, pindah silang dan mutasi untuk menciptakan keturunan. Jika GA dirancang secara baik, populasi akan mengalami konvergensi dan akan didapatkan sebuah solusi yang optimum(lebih dikenal acceptable optimum ) Langkah - langkah dasar dari algoritma genetika dapat dilihat sebagai berikut : 1. [Start] Membangkitkan populasi random dari n kromosom. 2. [fitness] Evaluasi fitness f(x) dari setiap kromosom x pada populasi. 3. [New population] Membuat populasi baru dengan mengulangi langkahlangkah berikut sampai populasi baru dihasilkan 1. [Selection] Memilih dua kromosom parent dari suatu populasi berdasarkan nilai fitness (semakin baik fitness, semakin besar kemungkinan dipilih)
9 26 2. [Crossover] Dengan probabilitas crossover melakukan crossover dengan parent yang membentuk offspring (children) baru. Apabila tidak ada crossover yang dibentuk, offspring merupakan copy dari parent. 3. [Mutasi] Dengan probabilitas mutasi melakukan mutasi offspring baru pada setiap posisi dalam kromosom 4. [Accepting] Menempatkan pada offspring baru dalam populasi baru. 4. [Replace] Menggunakan populasi generasi baru untuk menjalankan algoritma selanjutnya 5. [Test] Apabila kondisi akhir terpenuhi, stop, dan menghasilkan solusi terbaik pada populasi sekarang 6. [Loop] ke langkah Struktur Umum Algoritma Genetika Dalam Algoritma Genetika, terdapat beberapa urutan proses yang perlu dilakukan seperti yang dapat dilihat pada gambar 2.1 dibawah ini : Definisi Individu Populasi Awal Nilai Fitness Proses Seleksi Proses Crossover Proses Mutasi Gambar 2.3 Struktur Umum Algoritma Genetika
10 27 Untuk menyelesaikan suatu permasalahan dengan algoritma genetika, beberapa macam encoding perlu diketahui untuk menentukan operator crossover atau mutasi apa yang digunakan, dimana encoding tersebut juga tergantung pada permasalahan yang diangkat. Beberapa macam encoding yang telah sukses digunakan menurut Marek Obitko akan dijelaskan dibawah ini : 1. Binary encoding Encoding jenis ini yang sering digunakan. Kromosom dari binary encoding ini berupa kumpulan dari niali biner 0 dan 1. Chromosome A Chromosome B BinaBinary encoding ini memungkinkan untuk didapatkan kromosom dengan nilai allele yang kecil, tetapi kekurangannya tidak dapat digunakan untuk beberapa permasalahan dan terkadang diperlukan adanya koreksi setelah crossover dan mutasi. Salah satu permasalahan yang menggunakan binary encoding adalah menghitung nilai maksimal dari fungsi. 2. Permutation encoding Kromosom dari permutation encoding ini berupa kumpulan dari nilai integer yang mewakili suatu posisi dari suatu urutan. Biasanya digunakan pada permasalahan TSP (Travelling Salesman Problem) Chromosome A Chromosome B Value encoding Kromosom dari value encoding ini berua kumpulan dari suatu nilai, yang bisa berupa macam-macam nilai sesuai dengan permasalahan yang dihadapi,
11 28 seperti bilangan real, char atau objek yang lain. Encoding ini pilihan yang bagus untuk beberapa parmasalahan khusus, biasanya diperlukan metode khusus untuk memproses crossover dan mutasinya sesuai dengan permasalahan yang dihadapi. Chromosome A Chromosome B ABDJEIFJDHDIERJFDLDFLFEGT Chromosome C (back), (back), (right), (forward), (left) 4. Tree encoding Tree encoding ini biasanya digunakan pada genetic programming. Kromosom yang digunakan berupa sebuah tree dari beberapa obyek, seperti fungsi atau command pada genetic programming. Chromosome A Chromosome B + X / Do untill 5 Step wall y ( + x ( / 5 y ) ) ( do_untill step wall )
12 29 Penjelasan lebih lanjut dari struktur umum algoritma genetika tersebut seperti dibawah ini : 1. Pendefinisian Individu Proses pertama yang harus dilakukan dalam algoritma genetika adalah mendefinisikan individu yang menyatakan salah satu solusi yang mingkin dari permasalahan yang diangkat. Pendefinisian individu atau yang biasa disebut juga merepresentasikan kromosom yang diproses nanti, dilakukan dengan mendefinisikan jumlah dan tipe dari gen yang digunakan dan tentunya dapat mewakili solusi permasalahan yang diangkat. Algoritma genetika dimulai dengan himpunan solusi (yang direpresentasikan dengan kromosom) yang disebut populasi. Solusi dari satu populasi diambil dan digunakan untuk membentuk populasi yang baru dengan harapan bahwa populasi yang baru akan lebih baik daripada populasi sebelumnya. Solusi yang diseleksi untuk membentuk solusi baru (offspring) dipilih berdasarkan fitness, semakin besar fitness, semakin besar kesempatan untuk reproduksi. Hal ini diulang sampai kondisi terpenuhi (populasi menghasilkan solusi terbaik). Salah satu parameter dalam algoritma genetika adalah jumlah populasi yang menunjukkan beberapa kromosom dalam populasi (dalam satu generasi). Jika terlalu sedikit kromosom, algoritma genetika mempunyai sedikit kemungkinan membentuk crossover. Sebaliknya, jika terdapat telalu banyak kromosom, algoritma genetika akan berjalan lambat. Riset menunjukkan bahwa setelah batas tertentu (tergantung pada pengkodean dan permasalahan) menambah jumlah populasi tidak akan berguna, karena tidak memecahkan permasalahan secara cepat.
13 30 GA Target y(k+1) Input Xi(k) Gambar 2.4 Model algoritma genetika untuk persamaan linier 2. Membangkitkan Populasi Awal Proses ini dilakukan dengan membangkitkan populasi secara acak, dimana populasi tersebut berisi beberapa kromosom yang telah didefinisikan sebelumnya.dalam proses ini perlu diperhatikan syarat-syarat yang harus dipenuhi untuk menunjukkan suatu solusi dari permasalahan dan jumlah kromosom yang digunakan dalam satu populasi. Jika jumlah kromosom yang digunakan terlalu sedikit, maka individu yang dapat digunakan untuk proses crossover dan mutasi akan sangat terbatas, sehingga menyia-nyiakan proses yang ada. Tetapi jika jumlah kromosom yang digunakan terlalu banyak, akan memperlambat proses algoritma genetika yang dilakukan. Jumlah kromosom yang dianjurkan lebih besar dari jumlah gen yang ada dalam satu kromosom, tetapi juga harus disesuaikan dengan permasalahan, apabila jumlah gennya terlalu banyak, tidak juga dianjurkan seperti itu. 3. Menghitung Nilai Fitness Fungsi fitness merupakan ukuran untuk kondisi dari kromosom yang mengekspresikan probabilitas suatu kromosom akan tetap hidup dalam generasinya. Kromosom dipilih untuk dikawinkan dengan probabilitas fitness.
14 31 Semakin besar probabilitasnya, solusi yang lebih baik akan mempunyai kesempatan untuk menghasilkan generasi selanjutnya. Dalam proses ini setiap kromosom dalam populasi yang telah dibangkitkan diatas dihitung nilai fitnessnya. Perhitungan nilai fitness ini tergantung pada permaslahan yang diangkat. Semakin tinggi nilai fitnessnya berarti semakin baik juga individu atau solusi yang didapatkan. Nilai fitness ini yang biasanya dijadikan ukuran untuk melihat seberapa baiknya suatu individu atau kromosom yang dibangkitkan atau bias disebut sebagai acuan untuk mendapatkan individu terbaik. Nilai fitness bisa terdiri dari beberapa constraint atau nilai sesuai dengan parameter syarat yang digunakan dalam permasalahan, sehingga fungsi fitnessnya bisa bertambah atau berkurang sesuai dengan yang diinginkan asalkan tetap dalam jalur permasalahan yang diangkat 4. Proses Seleksi Seleksi adalah model natural untuk mempertahankan individu. Kromosom dipilih dari populasi yang menjadi parent untuk crossover. Seleksi merupakan pengendali tekanan pada algoritma genetika. Apabila terlalu banyak tekanan, maka pencarian genetik akan berakhir prematur, sebaliknya bila terlalu sedikit tekanan maka proses evolusi akan berjalan lebih lambat dari yang diharapkan. Operasi seleksi dilakukan dengan memperhatikan fitness dari tiap individu, manakah yang dapat dipergunakan untuk generasi selanjutnya. Seleksi ini digunakan untuk mendapatkan calon induk yang baik, semakin tinggi niali finessnya makasemakin besar juga kesempatan individu itu untuk terpilih. Terdapat beberapa cara seleksi untuk mendapatkan induk yang baik, diantaranya adalah roulette wheel, rank, steady state dan beberapa metode yang lain lagi. Proses seleksi yang sering digunakan adalah roulette wheel. Beberapa penjelasan tentang ketiga metode seleksi diatas seperti dibawah ini :
15 32 Roulette Wheel Parent dipilih berdasarkan nilai fitness. Semakin baik suatu kromosom, lebih banyak kesempatan untuk dipilih. Seleksi ini akan mengelola elemen acak tetapi fix sehingga individu yang lebih fit mempunyai kesempatan lebih besar untuk dipilih. Dibuat daerah yang dihubungkan dengan setiap fitness individu. Jumlah fitness dari semua individu dihitung dan fitness dari setiap individu dinormalisasi ke persentasi dari jumlah keseluruhan. Semua individu diletakkan dalam area roulette wheel dan diputar beberapa kali untuk memilih anggota dari wheel. Ilustrasinya dapat digambarkan di bawah ini: Gambar 2.5 Ilustrasi Seleksi Roulette Wheel Proses yang akan dilakukan nantinya adalah membangkitkan bilangan acak sebanyak jumlah fitness yang ada, individu yang nilai fitnessnya terpilih akan dijadikan sebagai induk. Sehingga semakin besar tempat pada roulette wheel atau nilai fitnessnya, semakin besar kemungkinan untuk dipilih. Rank Pertama kali populasi di-rangking dan setiap kromosom menerima fitness dari proses rangking. Kromosom terjelek mempunyai fitness 1, terjelek kedua mempunyai fitness 2 dan terbaik mempunyai fitness N (jumlah kromosom dalam populasi). Setelah itu semua kromosom mempunyai kesempatan untuk dipilih. Tetapi metode ini menghasilkan konvergensi yang lambat, karena kromosom terbaik
16 33 tidak berbeda terlalu banyak dengan kromosom lainnya. Perbandingannya dapat diperjelas dengan gambar dibawah ini : Gambar 2.6 Prosentasi sebelum proses Rank Gambar 2.7 Prosentasi setelah proses Rank Steady State Metode ini tidak banyak digunakan dalam proses seleksi karena dilakukan dengan mempertahankan individu terbaik. Pada setiap generasi, akan dipilih beberapa kromosom dengan nilai fitnessnya yang terbaik sebagai induk, sedangkan kromosom-kromosom yang memiliki nilai fitness terburuk akan digantikan dengan offspring yang baru. Sehingga pada generasi selanjutnya akan terdapat beberapa populasi yang bertahan. Probabilitas mutasi menunjukkan seberapa sering bagian kromosom dimutasikan. Jika tidak terjadi mutasi, offspring diambil setelah crossover (atau copy) tanpa perubahan. Jika terjadi mutasi, sebagian kromosom diubah. Jika probabilitas mutasi 100%, keseluruhan kromosom diubah. Jika probabilitasnya 0% tidak terjadi perubahan kromosom. Mutasi dilakukan untuk mencegah algoritma genetika berada pada local optimum, tetapi mutasi
17 34 tidak terlalu sering karena algoritma genetika akan berubah ke pencarian random. 5. Proses Crossover Crossover adalah salah satu operator penting dalam algoritma genetika, metode dan tipe crossover yang dilakukan tergantungdari encoding dan permasalahan yang diangkat. Banyak cara yang bias digunakan untuk melakukan crossover, menurut Marek Obitko berdasarkan pada encodingnya dijelaskan seperti berikut: Binary Encoding Crossover Satu Titik Memilih satu titik tertentu, selanjutnya nilai biner sampai titik crossovernya dari induk pertama digunakan dan sisanya dilanjutkan dengan nilai biner dari induk kedua = Crossover Dua Titik Memilih dua titik tertentu, lalu biner sampai titik crossover peratam pada induk pertama digunakan, dilanjutkan dengan nilai biner dari titik pertama sampai titik kedua dari induk kedua, kemudian sisanya melanjutkan nilai biner dari titik kedua pada induk pertama lagi = Crossover Uniform Niali biner yang digunakan dipilih secara random dari kedua induk = Crossover Aritmatik Suatu operasi aritmetika digunakan untuk menghasilkan offspring yang baru.
18 = (AND) Permutation encoding Memilih satu titik tertentu, nilai permutasi sampai titik crossover pada titik pertama digunakan, lalu sisanya dilakukan scan terlebih dahulu, jika nilai permutasi pada induk kedua belum ada pada offspring, nilai tersebut ditambahkan. ( ) + ( ) = ( ) Value encoding Semua metode crossover pada binary crossover bias digunakan. Tree encoding Memilih satu titik tertentu dari tiap induk, dan menggabungkan tree dibawah titik pada induk pertama dan tree dibawah titik pada induk kedua. Gambar 2.8 Tree Encoding Untuk menentukan kromosom yang mana sajakah yang nantinya akan melewati proses crossover, diperlukan suatu probabilitas crossover. Nilai dari probabilitas ini biasanya direpresentasikan dalam persen, untuk tiap individu yang memiliki probabilitas crossover lebih kecil dari probabilitas yang telah ditentukan maka akan dilakukan crossover. Sehingga sebelumnya dibangkitkan bilangan acak dari sebagai nilai probabilitas crossover dari setiap individu dalam populasi. Nilai probabilitas ini menunjukkan seberapa sering suatu individu menjalani proses crossover, jika tidak ada
19 36 crossover maka offspring yang dihasilkan sama dengan induk yang dipilih, jika terdapat crossover maka seluruh offspring dihasilkan dari gabungan kedua kromosom induk. Proses crossover dilakukan dengan harapan agar kromosom yang baru akan menghasilkan gen-gen yang bagus dari induknya, sehingga dapat dihasilkan kromosom yang kebih baik. Probabilitas crossover yang tinggi dapat memperluas ruang solusi dan mengurangi kemungkinan terjadinya lokal optimum, tetapi apabila terlalu besar dapat mengakibatkan banyaknya waktu komputasi yang terbuang sia-sia tanpa mendapatkan ruang solusi yang sesuai. Parameter probabilitas crossover menunjukkan seberapa sering crossover dilakukan. Apabila tidak terjadi crossover, offspring merupakan copy dari parent. Apabila terjadi crossover, offspring dibentuk dari bagian dari kromosom parent. Jika probabilitas crossover 100%, berarti semua offspring dibentuk dari crossover. Apabila 0%, keseluruhan generasi baru merupakan copy kromosom dari populasi sebelumnya. Crossover dibentuk dengan harapan kromosom baru akan membentuk bagian terbaik dari kromosom sebelumnya dan mungkin kromosom baru lebih baik daripada sebelumnya. Akan tetapi juga baik untuk meninggalkan beberapa populasi yang tetap bertahan pada generasi berikutnya. 6. Proses Mutasi Mutasi digunakan untuk mencegah semua solusi terjebak pada local optimum dari masalah yang dipecahkan. Mutasi mengubah offspring baru secara random. Mutasi terjadi dengan probabilitas yang kecil, lebih banyak dilakukan penghapusan, akan tetapi beberapa akan menguntungkan dan dapat memperbaiki gen. Pengontrolan mutasi dilakukan dengan probabilitas Mutasi Pm. Jika tidak ada mutasi, hanya populasi inisialisasi yang dicari. Apabila Pm terlalu besar, dilakukan pencarian random.
20 37 Keturunan yang dihasilkan harus disisipkan kembali ke dalam populasi. Strategi yang digunakan untuk kandidat individu adalah dengan cara mengganti individu terjelek dalam populasi, mengganti individu yang dipilih secara random atau memilih kelompok kromosom secara acak dan mengganti yang terjelek dalam kelompok tersebut.. Berdasarkan encodingnya, menurut Marek Obitki, terdapat beberapa macam, diantaranya sebagai berikut: Binary encoding Melakukan inversi pada bit yang terpilih, 0 menjadi 1 dan sebaliknya, 1 menjadi => Permutation encoding Memilih dua nilai dari gen dan menukarkannya. ( ) => ( ) Value encoding Menentukan sebuah nilai kecil yang akan ditambahkan atau dikurangkan pada salah satu gen dalam kromosom. ( ) => ( ) Tree encoding Node yang terpilih akan diubah. 7. Proses Elitism Ketika populasi baru tercipta melalui crossover dan mutasi, ada kesempatan, bahwa kromosom terbaik dari suatu generasi akan hilang di
21 38 generasi berikutnya. Untuk itu diperlukan suatu metode untuk mempertahan kan kromosom terbaik. Metode tersebut disebut Elitism. Elitism meng-copy sebuah ( atau beberapa ) kromosom terbaik ke populasi baru. Sisanya dilakukan dengan cara yang lama. Elitism dapat meningkatkan performansi dari algoritma genetika dengan cepat, karena dapat mencegah hilangnya penemuan solusi terbaik. 2.2 AHP(Analytic Hierarchy Process) Ciri khas suatu Sistem Pendukung Keputusan adalah digunakannya model yang salah satu fungsinya untuk penyederhanaan masalah. AHP yang dikembangkan oleh Thomas L. Saaty merupakan model hirarki fungsional dengan masukan utamanya adalah persepsi manuasia. Dengan adanya metode hirarki yang diusulkan dapat maka masalah kompleks atau tidak terstruktur dapat dipecah dalam sub-sub masalah yang kemudian disusun menjadi suatu bentuk hirarki. AHP mempunyai kemampuan untuk memecahkan masalah multikriteria yang berdasarkan pada perbandingan preferensi dari setiap elemen dalam hirarki. Kriteria seleksi yang dimaksud dalam penelitian ini adalah jenis tes yang digunakan oleh perusahaan dalam melakukan pemilihan pemasok dengan tambahan kriteria hijau. Langkah-langkah metode AHP adalah : 1. Mendefinisikan masalah dan menentukan solusi yang diinginkan 2. Membuat struktur hirarki yang diawali dengan tujuan umum, dilanjutkan dengan subtujuan, kriteria dan kemungkinan alternatif pada tingkatan kriteria paling bawah 3. Membuat matrik perbandingan berpasangan yang menggambarkan kontribusi relatif atau pengaruh setiap elemen terhadap masing-masing tujuan kriteria yang setingkat diatasnya. Perbandingan berdasarkan judgment dari pengambil keputusan dengan menilai tingkat kepentingan suatu elemen kriteria
22 39 dibandingkan elemen kriteria lainnya. Yang dikenal dengan penentuan nilai prioritas KPI(Key Performance Indicator) Biasanya orang lebih mudah mengatakan bahwa KPI A lebih penting daripada KPI B, KPI B kurang penting dibanding dengan KPI C dsb, namun mengalami kesulitan menyebutkan seberapa penting KPI A dibandingkan KPI B atau seberapa kurang pentingnya KPI B dibandingkan dengan KPI C. Untuk itu kita perlu membuat tabel konversi dari pernyatan prioritas ke dalam angkaangka. Contoh tabel skala nilai prioritas KPI seperti pada tabel dibawah: Nilai Tingkat prioritas 1 KPI A sama penting dibanding dengan KPI B 3 KPI A sedikit lebih penting dibanding dengan KPI B 5 KPI A lebih penting dibanding dengan KPI B 7 KPI A sangat penting dibanding dengan KPI B 9 KPI A jauh sangat penting dibanding dengan KPI B 2,4,6,8 *) nilai tengah-tengah *) Pengertian nilai tengah-tengah adalah Jika KPI A sedikit lebih penting dari KPI B maka kita seharusnya memberikan nilai 3, namun jika nilai 3 tersebut dianggap masih terlalu besar dan nilai 1 masih terlalu kecil maka nilai 2 yang harus kita berikan untuk prioritas antara KPI A dengan KPI B. *) Tabel diatas tidak disebutkan konversi nilai KPI A kurang penting dari KPI B karena pernyataan KPI A kurang penting dari KPI B sama dengan pernyataan nilai KPI B lebih penting dari KPI A 4. Melakukan perbandingan berpasangan sehingga diperoleh judgment seluruhnya sebanyak n x [(n-1)/2] buah dengan n adalah banyaknya elemen kriteria yang dibandingkan 5. Melakukan penghitungan bobot KPI(Key Performance Indicator) untuk setiap elemen kriteria sehingga didapatkan bobot KPI masing-masing kriteria, yang nantinya dijadikan sebagai bobot perhitungan data untuk pengambilan keputusan
23 40 Proses yang paling menentukan dalam menentukan bobot KPI dengan menggunakan AHP adalah menentukan besarnya prioritas antar KPI. Karena itu seringkali terjadi pembahasan yang alot antar anggota tim implementasi sistem pengelolaan kinerja mengenai masalah tersebut. Hal ini dikarenakan tiap-tiap anggota tim memiliki persepsi tersendiri mengenai prioritas masing-masing KPI.
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 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 terperinciGenetic Algorithme. Perbedaan GA
Genetic Algorithme Algoritma ini bekerja dengan sebuah populasi yang terdiri atas individu-individu (kromosom). Individu dilambangkan dengan sebuah nilai kebugaran (fitness) yang akan digunakan untuk mencari
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan membahas landasan atas teori-teori yang bersifat ilmiah untuk mendukung penulisan tugas akhir ini. Teori-teori yang dibahas mengenai pengertian penjadwalan, algoritma
Lebih 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 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 terperinciLingkup Metode Optimasi
Algoritma Genetika Lingkup Metode Optimasi Analitik Linier Non Linier Single Variabel Multi Variabel Dgn Kendala Tanpa Kendala Numerik Fibonacci Evolusi Complex Combinasi Intelijen/ Evolusi Fuzzy Logic
Lebih terperinciALGORITMA GENETIKA Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning
ALGORITMA GENETIKA Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning Achmad Basuki Politeknik Elektronika Negeri Surabaya PENS-ITS Surabaya 2003 Algoritma Genetika Algoritma
Lebih terperinciDETEKSI MAHASISWA BERPRESTASI DAN BERMASALAH DENGAN METODE K- MEANS KLASTERING YANG DIOPTIMASI DENGAN ALGORITMA GENETIKA
DETEKSI MAHASISWA BERPRESTASI DAN BERMASALAH DENGAN METODE K- MEANS KLASTERING YANG DIOPTIMASI DENGAN ALGORITMA GENETIKA Akmal Hidayat 1) & Entin Martiana 2) 1) Teknik Elektro Politeknik Bengkalis Jl.
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 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 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 terperinciAplikasi Algoritma Genetika Untuk Menyelesaikan Travelling Salesman Problem (TSP)
JTRISTE, Vol.1, No.2, Oktober 2014, pp. 50~57 ISSN: 2355-3677 Aplikasi Algoritma Genetika Untuk Menyelesaikan Travelling Salesman Problem (TSP) STMIK Handayani Makassar najirah_stmikh@yahoo.com Abstrak
Lebih terperinciBAB 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 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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan membahas landasan atas teori-teori yang bersifat ilmiah untuk mendukung penulisan skripsi ini. Teori-teori yang dibahas mengenai optimisasi, pengertian penjadwalan,
Lebih terperinciALGORITMA GENETIKA. Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning
ALGORITMA GENETIKA Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning Disusun oleh: Achmad Basuki Politeknik Elektronika Negeri Surabaya, PENS ITS Surabaya 2003 Algoritma
Lebih terperinciPengantar Kecerdasan Buatan (AK045218) Algoritma Genetika
Algoritma Genetika Pendahuluan Struktur Umum Komponen Utama Seleksi Rekombinasi Mutasi Algoritma Genetika Sederhana Referensi Sri Kusumadewi bab 9 Luger & Subblefield bab 12.8 Algoritma Genetika 1/35 Pendahuluan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Algoritma Genetika Algoritma Genetika merupakan suatu algoritma yang terinspirasi dari teori evolusi Darwin yang menyatakan bahwa kelangsungan hidup suatu makhluk dipengaruhi
Lebih terperinciBAB 2 LANDASAN TEORI
18 BAB 2 LANDASAN TEORI 2.1 Pengertian Optimasi Optimasi adalah salah satu ilmu dalam matematika yang fokus untuk mendapatkan nilai minimum atau maksimum secara sistematis dari suatu fungsi, peluang maupun
Lebih terperinciBAB II KAJIAN PUSTAKA. 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 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 terperinciPENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN TRAVELLING SALESMAN PROBLEM (TSP)
PENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN TRAVELLING SALESMAN PROBLEM (TSP) Mohamad Subchan STMIK Muhammadiyah Banten e-mail: moh.subhan@gmail.com ABSTRAK: Permasalahan pencarian rute terpendek dapat
Lebih terperinciBAB III. Metode Penelitian
BAB III Metode Penelitian 3.1 Diagram Alir Penelitian Secara umum diagram alir algoritma genetika dalam penelitian ini terlihat pada Gambar 3.1. pada Algoritma genetik memberikan suatu pilihan bagi penentuan
Lebih terperinciBAB 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 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 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 II LANDASAN TEORI
27 BAB II LANDASAN TEORI 2.1. Penelitian Terkait Penelitian terkait yang menggunakan algoritma genetika untuk menemukan solusi dalam menyelesaikan permasalahan penjadwalan kuliah telah banyak dilakukan.
Lebih terperinciAlgoritma Evolusi Real-Coded GA (RCGA)
Algoritma Evolusi Real-Coded GA (RCGA) Imam Cholissodin imam.cholissodin@gmail.com Pokok Bahasan 1. Siklus RCGA 2. Alternatif Operator Reproduksi pada Pengkodean Real 3. Alternatif Operator Seleksi 4.
Lebih 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 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. 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 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 terperinciKNAPSACK PROBLEM DENGAN ALGORITMA GENETIKA
LAPORAN TUGAS BESAR ARTIFICIAL INTELLEGENCE KNAPSACK PROBLEM DENGAN ALGORITMA GENETIKA Disusun Oleh : Bayu Kusumo Hapsoro (113050220) Barkah Nur Anita (113050228) Radityo Basith (113050252) Ilmi Hayyu
Lebih terperinciBAB II 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 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 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 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 II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Penjadwalan Penjadwalan adalah penempatan sumber daya (resource) dalam satu waktu. Penjadwalan mata kuliah merupakan persoalan penjadwalan yang umum dan sulit dimana tujuannya
Lebih terperinciBAB 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 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 terperinciOptimasi Multi Travelling Salesman Problem (M-TSP) Menggunakan Algoritma Genetika
Optimasi Multi Travelling Salesman Problem (M-TSP) Menggunakan Algoritma Genetika Wayan Firdaus Mahmudy (wayanfm@ub.ac.id) Program Studi Ilmu Komputer, Universitas Brawijaya, Malang, Indonesia Abstrak.
Lebih terperinciBAB II 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 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 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 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 terperinciBAB II KAJIAN TEORI. memindahkan barang dari pihak supplier kepada pihak pelanggan dalam suatu supply
BAB II KAJIAN TEORI Berikut diberikan beberapa teori pendukung untuk pembahasan selanjutnya. 2.1. Distribusi Menurut Chopra dan Meindl (2010:86), distribusi adalah suatu kegiatan untuk memindahkan barang
Lebih 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 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 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 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 II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Travelling Salesman Problem (TSP) Persoalan TSP merupakan salah satu persoalan optimasi kombinatorial (kombinasi permasalahan). Banyak permasalahan yang dapat direpresentasikan
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
1 BAB I PENDAHULUAN 1.1. Latar Belakang Clustering adalah proses di dalam mencari dan mengelompokkan data yang memiliki kemiripan karakteristik (similarity) antara satu data dengan data yang lain. Clustering
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
BAB 4 HASIL DAN PEMBAHASAN 4.1 Pengumpulan Data 4.1.1 Data Kriteria Lingkungan Pemasok PT. TMMIN Kriteria-kriteria lingkungan yang ditetapkan oleh SHE(Safety, Health and Environment) Division sebagai penilaian
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
5 BAB 2 TINJAUAN PUSTAKA 2.1. Algoritma Genetika Pada tahun 1975, John Holland, di dalam bukunya yang berjudul Adaption in Natural and Artificial Systems, mengemukakan komputasi berbasis evolusi. Tujuannya
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 terperinciBAB II KAJIAN TEORI. genetika, dan algoritma memetika yang akan digunakan sebagai landasan dalam
BAB II KAJIAN TEORI Pada bab II ini dijelaskan mengenai beberapa teori tentang penjadwalan, penjadwalan kuliah, metode penyelesaian penyusunan jadwal kuliah, algoritma genetika, dan algoritma memetika
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
20 BAB 2 TINJAUAN PUSTAKA 2.1. Pengantar Algoritma genetika merupakan algoritma yang lahir dari sebuah inspirasi teori evolusi Darwin yang mengatakan anggota dari spesies yang lemah lambat laun akan mengalami
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 terperinciAlgoritma Genetika dan Penerapannya dalam Mencari Akar Persamaan Polinomial
Algoritma Genetika dan Penerapannya dalam Mencari Akar Persamaan Polinomial Muhammad Abdy* 1, Maya Sari Wahyuni* 2, Nur Ilmi* 3 1,2,3 Jurusan Matematika, Universitas Negeri Makassar e-mail: * 1 m.abdy@unm.ac.id,
Lebih terperinciDAFTAR ISI. Tim Redaksi... i Kata Pengantar... ii Daftar Isi... iii
DAFTAR ISI Tim Redaksi... i Kata Pengantar... ii Daftar Isi... iii Faiz Rafdh Ch SISTEM INFORMASI ZAKAT BERBASIS WEB MENGGUNAKAN PHP DAN MYSQL PADA RUMAH ZAKATINDONESIA 1-7 Abdul Jamil Syamsul Bachtiar
Lebih terperinciBAB 2 LANDASAN TEORI
36 BAB 2 LANDASAN TEORI 2.1 Pengurutan Pekerjaan (Job Sequencing) 2.1.1 Deskripsi Umum Dalam industri manufaktur, tujuan penjadwalan ialah untuk meminimasikan waktu dan biaya produksi, dengan cara mengatur
Lebih 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 terperinciBAB II LANDASAN TEORI. digunakan sebagai pedoman perawatan adalah sebuah panduan sebagaimana
BAB II LANDASAN TEORI 2. Konsep Perawatan Pesawat Fokker F27 Buku Pedoman Perawatan yang diberikan oleh pabrik yang akan digunakan sebagai pedoman perawatan adalah sebuah panduan sebagaimana layaknya sebuah
Lebih terperinciPERANCANGAN ALGORITMA GENETIKA DALAM PENYUSUNAN TEKA-TEKI SILANG
PERANCANGAN ALGORITMA GENETIKA DALAM PENYUSUNAN TEKA-TEKI SILANG Afen Prana Utama 1, Edison Sinaga 1 D-3 Manajemen Informatika - STMIK Mikroskil Medan afen@mikroskil.ac.id Abstrak Teka-teki silang merupakan
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 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 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 terperinciPENERAPAN ALGORITMA GENETIK UNTUK OPTIMASI POLA PENYUSUNAN BARANG DALAM RUANG TIGA DIMENSI ABSTRAK
PENERAPAN ALGORITMA GENETIK UNTUK OPTIMASI POLA PENYUSUNAN BARANG DALAM RUANG TIGA DIMENSI Eddy Triswanto Setyoadi, ST., M.Kom. ABSTRAK Melakukan optimasi dalam pola penyusunan barang di dalam ruang tiga
Lebih terperinciBAB II TINJAUAN PUSTAKA. Khowarizmi. Algoritma didasarkan pada prinsiup-prinsip Matematika, yang
BAB II TINJAUAN PUSTAKA A. ALGORITMA Algoritma adalah metode langkah demi langkah pemecahan dari suatu masalah. Kata algoritma berasal dari matematikawan Arab ke sembilan, Al- Khowarizmi. Algoritma didasarkan
Lebih terperinciBAB 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 terperinciSerealia, umbi, dan hasil olahannya Kacang-kacangan, bijibijian,
4 generasi, kromosom akan melalui proses evaluasi dengan menggunakan alat ukur yang disebut dengan fungsi fitness. Nilai fitness dari suatu kromosom akan menunjukkan kualitas kromosom dalam populasi tersebut.
Lebih terperinciOptimasi Cluster Pada Fuzzy C-Means Menggunakan Algoritma Genetika Untuk Menentukan Nilai Akhir
IJCCS, Vol.6, No.1, January 2012, pp. 101~110 ISSN: 1978-1520 101 Optimasi Cluster Pada Fuzzy C-Means Menggunakan Algoritma Genetika Untuk Menentukan Nilai Akhir Putri Elfa Mas`udia* 1, Retantyo Wardoyo
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 III METODE PENELITIAN. Penelitian dilakukan dilingkungan Jurusan Ilmu Komputer Fakultas Matematika
BAB III METODE PENELITIAN 3.1. Waktu dan Tempat Penelitian Penelitian dilakukan dilingkungan Jurusan Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Lampung. Waktu penelitian dilaksanakan
Lebih terperinciBAB 2 LANDASAN TEORI
5 BAB 2 LANDASAN TEORI Pada bab ini akan dibicarakan beberapa model penyelesaian problema Knapsack dengan memakai beberapa metode yang telah ada yang akan digunakan pada bab pembahasan. 2. Problema Knapsack
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 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 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 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 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. digunakan sebagai alat pembayaran yang sah di negara lain. Di dalam
BAB II LANDASAN TEORI 2.1 Valuta Asing Valuta asing dapat diartikan sebagai mata uang yang dikeluarkan dan digunakan sebagai alat pembayaran yang sah di negara lain. Di dalam hukum ekonomi bila terdapat
Lebih terperinciTeam project 2017 Dony Pratidana S. Hum Bima Agus Setyawan S. IIP
Hak cipta dan penggunaan kembali: Lisensi ini mengizinkan setiap orang untuk menggubah, memperbaiki, dan membuat ciptaan turunan bukan untuk kepentingan komersial, selama anda mencantumkan nama penulis
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 terperinciRancang Bangun Robot PANTILT: Pendeteksian Posisi Kepala Manusia Menggunakan Algoritma Genetika
Rancang Bangun Robot PANTILT: Pendeteksian Posisi Kepala Manusia Menggunakan Algoritma Genetika Ferman Hakiki 1, Indra Adji Sulistijono 2 1 Jurusan Teknik Elektornika, Politeknik Elekronika Negeri Surabaya
Lebih terperinciOPTIMASI PENATAAN SILINDER DALAM KONTAINER DENGAN ALGORITMA GENETIKA
OPTIMASI PENATAAN SILINDER DALAM KONTAINER DENGAN ALGORITMA GENETIKA Novita Wulan Sari 1, Yuliana Setyowati 2, S.Kom, M.Kom, Ira Prasetyaningrum 2, S. Si, M.T 1 Mahasiswa, 2 Dosen Pembimbing Politeknik
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 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 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 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 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 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 terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pada awal diciptakan, komputer hanya difungsikan sebagai alat hitung saja. Namun seiring dengan perkembangan zaman, maka peran komputer semakin mendominasi kehidupan.
Lebih terperinciBAB I PENDAHULUAN. kehidupan sehari-hari dan juga merupakan disiplin ilmu yang berdiri sendiri serta
BAB I PENDAHULUAN A. Latar Belakang Matematika adalah cabang ilmu pengetahuan yang dapat digunakan dalam kehidupan sehari-hari dan juga merupakan disiplin ilmu yang berdiri sendiri serta tidak merupakan
Lebih terperinciOPTIMASI QUERY DATABASE MENGGUNAKAN ALGORITMA GENETIK
Seminar Nasional Aplikasi Teknologi Informasi 2008 (SNATI 2008) ISSN 1907-5022 OPTIMASI QUERY DATABASE MENGGUNAKAN ALGORITMA GENETIK Manahan Siallagan, Mira Kania Sabariah, Malanita Sontya Jurusan Teknik
Lebih terperinciBAB II LANDASAN TEORI. Suatu graph merupakan suatu pasangan { E(G), V(G) } dimana :
BAB II LANDASAN TEORI 2.1 Defenisi Graph Suatu graph merupakan suatu pasangan { E(G), V(G) } dimana : V(G) adalah sebuah himpunan terhingga yang tidak kosong ( non empty finite set) yang elemennya disebut
Lebih terperinciBAB I PENDAHULUAN. telah diadopsi untuk mengurangi getaran pada gedung-gedung tinggi dan struktur
BAB I PENDAHULUAN 1.1 Latar Belakang Tuned mass damper (TMD) telah banyak digunakan untuk mengendalikan getaran dalam sistem teknik mesin. Dalam beberapa tahun terakhir teori TMD telah diadopsi untuk mengurangi
Lebih 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 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 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 terperinci