MENGUKUR KINERJA ALGORITMA GENETIK PADA PEMAMPATAN MATRIKS JARANG
|
|
- Sudirman Susman
- 7 tahun lalu
- Tontonan:
Transkripsi
1 MENGUKUR KINERJA ALGORITMA GENETIK PADA PEMAMPATAN MATRIKS JARANG Nico Saputro dan Joice Aritonang nico@home.unpar.ac.id, jo_aritonang@yahoo.com A matrix that has lots of zero elements is called a sparse matrix. A sparse matrix can be compressed by saving non-zero elements. There are many algorithms to compress a sparse matrix, one of them is genetic algorithm. Genetic algorithm is a searching algorithm by an evolutionary process resulting in a best solution. A sparse matrix is modeled into genetic components. These components will be used by genetic operators to compress a sparse matrix. Then, will be searched the influence of genetic parameter in compressing a sparse matrix. Finally, compression result from genetic algorithm will be compared with exhaustive search algorithm. Keywords : sparse matrix, genetic algorithm, genetic operators, exhaustive search algorithm Matriks jarang adalah matriks yang memiliki banyak elemen nol. Pemampatan matriks jarang dapat dilakukan dengan menyimpan elemen tidak nol. Pemampatan dapat dilakukan dengan beberapa cara, salah satunya adalah algoritma genetik. Algoritma genetik merupakan algoritma pencarian yang bekerja berdasarkan mekanisme seleksi alam untuk menemukan individu berkualitas tinggi. Matriks jarang dimodelkan ke dalam komponen genetik. Operasi genetik dilakukan terhadap komponenkomponen tersebut untuk mendapatkan hasil pemampatan. Setelah itu, akan diteliti mengenai pengaruh paramater-parameter genetik terhadap pemampatan matriks jarang. Pada akhirnya, algoritma genetik akan dibandingkan dengan algoritma exhaustive search untuk mengetahui pemampatan matriks jarang dengan algoritma genetik sudah maksimal atau belum Kata kunci : matriks jarang, algoritma genetik, operator-operator genetik, algoritma exhaustive search 1. Pendahuluan Algoritma exhaustive search dapat melakukan pemampatan terhadap matriks jarang secara optimal karena algoritma ini mencoba semua kemungkinan pemampatan secara sistematis. Untuk ukuran matriks jarang yang relatif kecil (9x9), penggunaan algoritma ini masih efisien tetapi untuk ukuran matriks jarang yang besar (15x15), maka akan ada 1,307,674,368,000 kemungkinan. Waktu komputasi yang dibutuhkan untuk menemukan solusi tersebut cukup lama. Perlu dicari alternatif lain yaitu menggunakan algoritma genetik. Ingin dilihat apakah algoritma genetik dapat menemukan pemampatan matriks jarang yang optimal dengan waktu komputasi yang lebih cepat dibandingkan algoritma exhaustive search. 2. Matriks Jarang Matriks merupakan array 2 dimensi. Berdasarkan konvensi, indeks pertama adalah
2 baris, index kedua adalah kolom.[1] Definisi matriks jarang adalah matriks yang hanya mempunyai beberapa elemen tidak nol. Suatu matriks n x m dengan sejumlah k elemen tidak nol dikatakan sebagai matriks jarang bila k jauh lebih kecil dibandingkan n x m [6]. Array dengan banyaknya elemen tidak nol sekitar 10% dari ukuran array disebut array jarang [2]. Array jarang ini banyak dijumpai dalam persoalan komputasi sehari-hari seperti desain struktur, dan mencari solusi dari persamaan diferensial [2]. Contoh matriks jarang : Algoritma Exhaustive search Algoritma exhaustive search di kenal juga sebagai brute force. Brute force lebih mengandalkan kepada kemampuan komputasi dari perangkat keras dengan mencoba seluruh kemungkinan sampai ditemukannya solusi. Meskipun dirasakan kurang elegan, tetapi masih tetap dipakai di bidang software engineering sampai sekarang. Brute force selalu dapat menghasilkan solusi optimal, walaupun waktu yang diperlukan mungkin lama. Brute force berguna untuk menguji keakuratan algoritma yang lebih cepat. [7] Pemodelan ke dalam Algoritma Genetik 4.1 Representasi Kromosom Kromosom direpresentasikan dengan cara permutation encoding. Pada permutation encoding, setiap kromosom direpresentasikan dengan string angka yang merepresentasikan posisi secara terurut. Baris akan menjadi gen pada kromosom. Kromosom dibentuk dengan melakukan permutasi terhadap urutan penempatan semua baris yang ada. Gen mempunyai lokus dan allele. Nilai gen (allele) merepresentasikan nomor baris dan lokus merepresentasikan urutan penempatan. Gen yang muncul terlebih dahulu akan memiliki prioritas lebih tinggi untuk diproses terlebih dahulu. Tabel 1 merupakan sebuah contoh matriks jarang berukuran 10 x 10 untuk memperjelas pemodelan di atas. Tabel 1 Contoh Matriks Jarang 10 x Warna abu-abu pada Tabel 1 di kolom ke-1 merupakan dummy, yaitu elemen yang bersifat unik. Dummy ini berfungsi sebagai penanda kolom ke-1 untuk baris tertentu. Tabel 1 dapat direpresentasikan sebagai berikut : Karena ada 10 baris maka dalam 1 kromosom ada 10 gen, seperti Gambar 1.
3 Lokus Allele Gambar 1 Contoh representasi kromosom untuk kasus pada tabel 1 Nilai-nilai gen pada kromosom menunjukkan operasi yang spesifik. Pada representasi di atas, lokus 1 berarti urutan penempatan ke-1, lokus 2 berarti urutan penempatan ke-2. Sehingga, baris ke-9 memiliki urutan penempatan ke-1, baris ke- 8 memiliki urutan penempatan ke-2, dst. Allele 9 berarti baris ke-9. Isi dari baris ke-9 ditempatkan di array satu dimensi, array posisi menyimpan posisi baris dari elemen tidak nol. Dapat dilihat pada Gambar 2(a) dan 2(b). Array 1 Dimensi Array Posisi Array 1 Dimensi Array Posisi (a) (b) Gambar 2. (a) Kondisi awal array (b) kondisi array setelah penempatan baris 9 Allele 8 berarti baris ke-8. Isi dari baris ke-8 ditempatkan di array satu dimensi dengan aturan bahwa bila di suatu kolom di array 1 dimensi sudah ditempati oleh elemen tidak nol dari penempatan sebelumnya, kolom tersebut tidak dapat ditempati lagi oleh elemen tidak nol dari penempatan berikutnya. Untuk menempatkan baris 8, karena kolom 1 dan kolom 4 dari array 1 dimensi sudah ditempati oleh elemen 8 dan 83 dari penempatan sebelumnya, elemen 7 tidak dapat ditempatkan di kolom 1 tetapi di kolom 2 (lihat Gambar 3) Array 1 Dimensi Array Posisi mbar 3 array setelah penempatan baris ke-8 Bila proses penempatan baris berdasarkan nilai gen tersebut dilanjutkan sampai selesai, akan diperoleh array satu dimensi dan array posisi seperti pada Gambar 4. Ga Array 1 Dimensi Array Posisi Gambar 4 Proses pengurutan gen untuk kasus pada tabel 1 [3]
4 4.2 Fungsi Fitness Fungsi fitness akan dihitung dengan rumus : banyaknya elementidak nol panjangarray1 dimensi Nilai fitness terletak antara 0 dan 1. Di mana kromosom yang semakin baik, memiliki nilai fitness yang semakin besar. Kromosom terbaik memiliki nilai fitness = Operator Genetik Reproduksi Metode pemilihan yang digunakan adalah elitism method dan roulette wheel selection. Elitism method menduplikasi terlebih dahulu kromosom-kromosom terbaik dari populasi tersebut ke generasi berikutnya [4]. Untuk mencukupi ukuran populasi pada generasi yang baru, dibentuk individu-individu baru sebanyak ukuran populasi dikurangi jumlah individu hasil elitism, yang diturunkan dari generasi sebelumnya. Individu-individu baru diperoleh dari hasil pindah silang dan setelah itu, pada individu-individu hasil pindah silang akan dilakukan mutasi. Roulette wheel berfungsi untuk memilih individu yang akan dilakukan pindah silang dan mutasi Pindah Silang Metode pindah silang yang digunakan adalah Mixed-type Partial Matching Crossover (MPMX). Induk A Induk B Gambar 5 Contoh kromosom induk A dan induk B Metode MPMX bekerja sebagai berikut [5] : 1. Langkah-langkah untuk mendapatkan daerah matching : a. Ambil N1 (nilai acak antara 1 dan jumlah karakter yang sama pada kedua string, berarti nilai acak antara 1 dan 10), misalnya = 4 b. {1, 5, 6, 7} merupakan keempat nilai karakter yang diambil secara acak dari {string1} {string2} c. Daerah matching pertama menjadi M1 = d. Daerah matching kedua adalah M2 = Rotasi dari M1 menghasilkan M1 = Berdasarkan pemetaan yang dilakukan di antara daerah matching yang telah diputar dan daerah matching yang kedua (misalnya pada string1 : allele 5 menjadi 1, allele 6 menjadi 5, dst. Demikian juga untuk string2 : allele 1 menjadi 5, allele 5 menjadi 6, dst) akan diperoleh 2 string baru, dapat dilihat pada Gambar 6. Induk A Induk B Gambar 6 Kromosom hasil pindah silang MPMX Mutasi Metode mutasi yang digunakan adalah remove and insert. Pada metode remove and insert, pemindahan dan penyisipan gen dilakukan secara acak. Sebuah posisi gen pada kromosom
5 akan dipilih secara acak kemudian sebuah posisi baru dipilih lagi secara acak. Gen antara kedua posisi tersebut akan dipindahkan dan disisipkan secara acak. Pada Gambar 7 diperlihatkan contoh bagaimana mutasi dilakukan pada kromosom hasil pindah silang dengan metode MPMX. Anak C Posisi Gen 3 8 Hasil Anak C Gambar 7 Contoh mutasi Penempatan gen hanya melihat tempat yang kosong pada gen sebelumnya, bukan 2 atau 3 gen sebelumnya. Sebagai contoh, gen 4 (baris 4) ditempatkan dengan cara mencari tempat kosong setelah penempatan gen 8, tidak melihat tempat kosong pada gen 9. Array satu dimensi merupakan hasil pemampatan matriks jarang. Array posisi berfungsi untuk menyimpan posisi gen (baris) pada matriks jarang, sehingga matriks yang dimampatkan dapat dikembalikan ke bentuk matriks jarang. 4.4 Parameter Genetik Parameter Genetik berguna dalam pengendalian operator-operator genetik. Parameter yang digunakan adalah : ukuran populasi, jumlah generasi, Probabilitas Crossover (P c ), dan Probabilitas Mutasi (P m ). Tidak ada aturan pasti tentang berapa nilai setiap parameter ini [4]. 5. Pengujian 5.1 Pengujian Parameter Genetik Pengujian ini bertujuan untuk mengetahui pengaruh parameter-parameter genetik dalam menghasilkan pemampatan yang maksimal. Pengujian terhadap hasil pemampatan yang dihasilkan dilakukan dengan melihat nilai fitness yang dihasilkan dengan melakukan beberapa perubahan nilai parameter genetik. Pengujian ini dilakukan terhadap sebuah populasi awal yang sama agar hasil perbandingan yang didapat merupakan sebuah hasil yang obyektif. Spesifikasi parameter genetik yang digunakan : Banyak Populasi : 10, Banyak Elitism : 5, Nilai Pc = 0.8, Nilai Pm = 0.09 Populasi Awal yang digunakan : Pengujian Maksimal Generasi Pengujian terhadap maksimal generasi yang nilainya diubah agar dapat dilihat pengaruh maksimal generasi terhadap pemampatan matriks jarang, nilai generasi yang digunakan adalah 1, 10, 50, 75, dan 100. Dari 25 kali percobaan untuk masing-masing nilai generasi, diperoleh nilai fitness rata-rata:
6 Nilai Fitness Rata-rata Nilai Fitness Rata-rata 0,9 0,85 0,8 0,75 0, Percobaan ke- Nilai Maksimal Generasi Gambar 8 Grafik pengujian terhadap maksimal generasi Pada Gambar 8, nilai rata-rata fitness pada generasi ke-1 adalah , dengan standar deviasi = , pada generasi ke-10 adalah dengan standar deviasi = , pada generasi ke-50 adalah dengan standar deviasi = , pada generasi ke-75 adalah dengan standar deviasi = , pada generasi ke-100 adalah dengan standar deviasi = , hal ini menunjukkan bahwa semakin besar maksimal generasi yang digunakan maka semakin besar kemungkinan ditemukan pemampatan matriks jarang yang terbaik Pengujian Jumlah Elitism Pengujian terhadap jumlah elitism yang nilainya diubah, diuji pada maksimal generasi = 100, agar dapat dilihat pengaruh jumlah elitism terhadap pemampatan matriks jarang. Nilai elitism yang digunakan adalah 1, 3, dan 5. Nilai Pc = 0.8 dan nilai Pm = Dari 25 kali percobaan untuk masing-masing nilai elitism, diperoleh nilai fitness rata-rata : , , , , , , , , Generasi ke- Nilai Elitism Gambar 9 Grafik pengujian terhadap jumlah elitism Dari Gambar 9, dapat dilihat bahwa nilai elitism yang kecil dapat mencapai nilai fitness yang maksimal, sedangkan untuk nilai elitism yang besar nilai fitness yang dicapai tidak maksimal. Untuk nilai elitism = 5, nilai fitness maksimal mendekati angka dengan standar deviasi = , untuk nilai elitism = 3, nilai fitness maksimal mendekati angka dengan standar deviasi = , dan untuk elitism = 1, nilai fitness maksimal mendekati angka dengan standar deviasi = Hal ini dikarenakan, dengan menggunakan nilai elitism yang kecil, kemungkinan mendapat nilai fitness dari kromosom baru lebih besar. Misalnya, banyaknya populasi = 10, untuk nilai elitism = 1, proses pindah silang akan menghasilkan 9 kromosom baru, sedangkan untuk nilai elitism = 5, proses pindah silang hanya menghasilkan 5 individu baru Pengujian Parameter Pindah Silang Pengujian terhadap parameter pindah silang (Pc) yang nilainya diubah, diuji pada maksimal
7 Fungsi Fitness Rata-rata Nilai Fitness Rata-rata generasi = 100, agar dapat dilihat pengaruh parameter pindah silang terhadap pemampatan matriks jarang. Nilai parameter pindah silang yang digunakan adalah 0.1, 0.4, dan 0.7. Banyaknya elitism = 5, Pm = Dari 25 kali percobaan untuk masing-masing nilai parameter pindah silang, diperoleh nilai fitness rata-rata : 0, , , , , , , Generasi ke- Nilai Pc Gambar 10 Grafik pengujian terhadap nilai Pc mutasi terhadap pemampatan matriks jarang. Nilai parameter mutasi yang digunakan adalah 0.1, 0.4, dan 0.7. Banyaknya elitism = 5, Pc = 0.8. Dari 25 kali percobaan untuk masingmasing nilai parameter mutasi, diperoleh nilai fitness rata-rata : 0, , , , , , , , Generasi ke- Nilai Pm Gambar 11 Grafik pengujian terhadap nilai Pm Dari Gambar 10, dapat dilihat bahwa Pc yang relatif besar akan menghasilkan nilai fitness yang mendekati maksimal. Pada generasi ke- 100, untuk Pc = 0.1 nilai fitness mendekati angka dengan standar deviasi = , untuk Pc = 0.4 nilai fitness mendekati angka dengan standar deviasi = , dan untuk Pc = 0.7 nilai fitness mendekati angka dengan standar deviasi = Dengan menggunakan nilai Pc yang besar, maka kemungkinan kromosom mengalami proses pindah silang semakin besar dan menghasilkan kromosom baru yang memiliki nilai fitness yang lebih baik Pengujian Parameter Mutasi Pengujian terhadap parameter mutasi (Pm) yang nilainya diubah, diuji pada maksimal generasi = 100, agar dapat dilihat pengaruh parameter Dari Gambar 11, dapat dilihat bahwa Pm yang relatif besar akan menghasilkan nilai fitness yang mendekati maksimal. Pada generasi ke- 100, untuk Pm = 0.1 nilai fitness mendekati angka dengan standar deviasi = , untuk Pm = 0.4 nilai fitness mendekati angka dengan standar deviasi = , dan untuk Pm = 0.7 nilai fitness mendekati angka dengan standar deviasi = Dengan menggunakan nilai Pm yang besar, maka kemungkinan kromosom mengalami proses mutasi semakin besar dan menghasilkan kromosom baru yang memiliki nilai fitness yang lebih baik. 5.2 Perbandingan dengan Algoritma Brute Force Brute force melakukan pencarian dengan dibatasi satu juta kombinasi urutan baris secara
8 acak. Jadi, hasil pemampatan menggunakan algoritma brute force belum tentu paling optimal. Hasil pemampatan menggunakan algoritma genetik dan algoritma brute force, untuk ukuran matriks jarang dan njuml_elm yang sama, dapat dilihat pada tabel 2. Banyaknya percobaan yang dilakukan menggunakan algoritma genetik adalah 10 kali percobaan, dari percobaan tersebut dipilih hasil yang terbaik yaitu persentase yang terbesar dan waktu komputasi yang tercepat. Tabel 2 Hasil Perbandingan Algoritma Brute Force dan Algoritma Genetik nbaris nkolom njuml_elm Brute Force Algoritma Genetik Persentase Waktu Persentase Waktu Banyaknya (menit) (menit) percobaan % % % % % % % % % % % % % % % % Dapat dilihat bahwa persentase pemampatan menggunakan algoritma genetik mendekati persentase pemampatan menggunakan algoritma brute force. Dapat dikatakan bahwa, hasil pemampatan menggunakan algoritma genetik tidak semaksimal hasil pemampatan menggunakan algoritma brute force, tetapi hasil pemampatan menggunakan algoritma genetik cukup baik. Kelebihan dari algoritma genetik adalah memiliki waktu komputasi yang lebih cepat dibandingkan dengan algoritma brute force. kromosom dibentuk secara acak, sedangkan pada algoritma brute force dibentuk semua kemungkinan untuk mengetahui hasil pemampatan yang maksimal. Tetapi waktu komputasi algoritma genetik lebih cepat dibandingkan dengan algoritma brute force. 2. Semakin besar maksimal generasi, Pc, dan Pm akan semakin besar pula peluang ditemukannya pemampatan yang lebih baik. 3. Semakin kecil banyaknya elitism, akan semakin besar pula peluang ditemukannya pemampatan yang lebih baik. 6. Kesimpulan 1. Matriks jarang dapat dimampatkan menggunakan algoritma genetik, tetapi tidak semaksimal algoritma brute force. Hal ini disebabkan, dalam algoritma genetik 7. Daftar Pustaka 1. Black, Paul E., gov/dads/html/matrix.html, 2. Wilson, R. (1988) "An introduction to dynamic data structures", McGraw-Hill,
9 London 1988, in aaaacn.htm. 3. Driesen, K., Compressing Sparse Table using a Genetic Algorithm, Proceedings of the GRONICS 94 Student Conference, Groningen, the Netherlands, February Koza, J., Genetic Algorithm, April Saputro, N., Aplikasi Algoritma Genetik pada Pattern Matching 2 Pola Biner, Jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Bandung, Black, Paul E., gov/dads/html/sparsematrix.html 7. ute_force.html
ALTERNATIF MODEL PEMAMPATAN MATRIKS JARANG DENGAN MENGGUNAKAN ALGORITMA GENETIK
ALTERNATIF MODEL PEMAMPATAN MATRIKS JARANG DENGAN MENGGUNAKAN ALGORITMA GENETIK Nico Saputro dan Ruth Beatrix Yordan Jurusan Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Katolik
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 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 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 terperinciPEMAKAIAN ALGORITMA GENETIK UNTUK PENJADWALAN JOB SHOP DINAMIS NON DETERMINISTIK
PEMAKAIAN ALGORITMA GENETIK UNTUK PENJADWALAN JOB SHOP DINAMIS (Nico Saputro, et al.) PEMAKAIAN ALGORITMA GENETIK UNTUK PENJADWALAN JOB SHOP DINAMIS NON DETERMINISTIK Nico Saputro, Yento Jurusan Ilmu Komputer
Lebih 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 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 terperinciPENEMPATAN MAHASISWA PESERTA MATA KULIAH UMUM DENGAN ALGORITMA GENETIK DI UNIVERSITAS KATOLIK PARAHYANGAN
PENEMPATAN MAHASISWA PESERTA MATA KULIAH UMUM DENGAN ALGORITMA GENETIK DI UNIVERSITAS KATOLIK PARAHYANGAN Nico Saputro dan Guntur Setia Negara Jurusan Ilmu Komputer Universitas Katolik Parahyangan nico@home.unpar.ac.id
Lebih 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 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 terperinciLingkup Metode Optimasi
Algoritma Genetika Lingkup Metode Optimasi Analitik Linier Non Linier Single Variabel Multi Variabel Dgn Kendala Tanpa Kendala Numerik Fibonacci Evolusi Complex Combinasi Intelijen/ Evolusi Fuzzy Logic
Lebih terperinciPENGENALAN ANGKA DENGAN MENGGUNAKAN ALGORITMA GENETIK. Fakultas Teknik dan Ilmu Komputer, Jurusan Teknik Informatika Universitas Komputer Indonesia
PENGENALAN ANGKA DENGAN MENGGUNAKAN ALGORITMA GENETIK Frengki Agus f124nk_85@yahoo.com Pembimbing I : Linda Salma, S.Si., M.T. Pembimbing II : Khusnul Novianingsih,M.Si Fakultas Teknik dan Ilmu Komputer,
Lebih terperinciPeramalan Kebutuhan Beban Sistem Tenaga Listrik Menggunakan Algoritma Genetika
Peramalan Kebutuhan Beban Sistem Tenaga Listrik Menggunakan Algoritma Genetika M. Syafrizal, Luh Kesuma Wardhani, M. Irsyad Jurusan Teknik Informatika - Universitas Islam Negeri Sultan Syarif Kasim Riau
Lebih 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 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 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 GENETIKA PADA PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM
PENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM (CVRP) UNTUK DISTRIBUSI SURAT KABAR KEDAULATAN RAKYAT DI KABUPATEN SLEMAN SKRIPSI Diajukan Kepada Fakultas Matematika
Lebih 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 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 terperinciOPTIMASI PENJADWALAN KEGIATAN BELAJAR MENGAJAR DENGAN ALGORITMA GENETIK
OPTIMASI PENJADWALAN KEGIATAN BELAJAR MENGAJAR DENGAN ALGORITMA GENETIK Usulan Skripsi S-1 Jurusan Matematika Diajukan oleh 1. Novandry Widyastuti M0105013 2. Astika Ratnawati M0105025 3. Rahma Nur Cahyani
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Penjadwalan Perkuliahan Penjadwalan memiliki pengertian durasi dari waktu kerja yang dibutuhkan untuk melakukan serangkaian untuk melakukan aktivitas kerja[10]. Penjadwalan juga
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN APLIKASI
27 BAB 3 ANALISIS DAN PERANCANGAN APLIKASI 3.1 Analisis Pada subbab ini akan diuraikan tentang analisis kebutuhan untuk menyelesaikan masalah jalur terpendek yang dirancang dengan menggunakan algoritma
Lebih terperinciBAB 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 II Konsep Algoritma Genetik
Bab II Konsep Algoritma Genetik II. Algoritma Genetik Metoda algoritma genetik adalah salah satu teknik optimasi global yang diinspirasikan oleh proses seleksi alam untuk menghasilkan individu atau solusi
Lebih terperinciBab II. Tinjauan Pustaka
7 Bab II Tinjauan Pustaka 2.1 Penelitian Terdahulu Penelitian mengenai Visualisasi Rute Terpendek Jalur Angkutan Kota Dengan Algoritma Genetika membahas tentang perancangan dan pembuatan aplikasi yang
Lebih 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 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 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 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 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 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 terperinciTEKNIK PENJADWALAN KULIAH MENGGUNAKAN METODE ALGORITMA GENETIKA. Oleh Dian Sari Reski 1, Asrul Sani 2, Norma Muhtar 3 ABSTRACT
TEKNIK PENJADWALAN KULIAH MENGGUNAKAN METODE ALGORITMA GENETIKA Oleh Dian Sari Reski, Asrul Sani 2, Norma Muhtar 3 ABSTRACT Scheduling problem is one type of allocating resources problem that exist to
Lebih terperinciBAB 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 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 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 terperinciImplementasi Algoritma Genetika Untuk Pencarian Rute Berdasarkan Waktu Tercepat Objek Wisata Di Kabupaten Ngawi. Makalah
Implementasi Algoritma Genetika Untuk Pencarian Rute Berdasarkan Waktu Tercepat Objek Wisata Di Kabupaten Ngawi Makalah Disusun sebagai salah satu syarat menyelesaikan Program Studi Strata I pada Jurusan
Lebih terperinciBAB 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 terperinciCRYPTANALYSIS HOMOPHONIC SUBSTITUTION CIPHER DENGAN ALGORITMA GENETIK
CRYPTANALYSIS HOMOPHONIC SUBSTITUTION CIPHER DENGAN ALGORITMA GENETIK Ronald Wisnu H Nico Saputro 1) Jurusan Ilmu Komputer, Universitas Katolik Parahyangan, Bandung nico@home.unpar.ac.id 1) ABSTRACT This
Lebih 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 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 terperinciPERFORMANCE ALGORITMA GENETIKA (GA) PADA PENJADWALAN MATA PELAJARAN
PERFORMANCE ALGORITMA GENETIKA (GA) PADA PENJADWALAN MATA PELAJARAN Eva Desiana, M.Kom Pascasarjana Teknik Informatika Universitas Sumatera Utara, SMP Negeri 5 Pematangsianta Jl. Universitas Medan, Jl.
Lebih terperinciPendekatan Algoritma Genetika pada Peminimalan Fungsi Ackley menggunakan Representasi Biner
Vol. 7, 2, 108-117, Januari 2011 Pendekatan Algoritma Genetika pada Peminimalan Fungsi Ackley menggunakan Representasi Biner Jusmawati Massalesse Abstrak Tulisan ini dimaksudkan untuk memperlihatkan proses
Lebih 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 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 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 terperinciOPTIMASI POLA PENYUSUNAN BARANG DALAM RUANG TIGA DIMENSI MENGGUNAKAN METODE GENETIC ALGORITHMS
OPTIMASI POLA PENYUSUNAN BARANG DALAM RUANG TIGA DIMENSI MENGGUNAKAN METODE GENETIC ALGORITHMS Kartika Gunadi, Irwan Kristanto Julistiono Fakultas Teknologi Industri, Jurusan Teknik Informatika, Universitas
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 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 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 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 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 terperinciSeminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004
Seminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004 Penyelesaian Masalah Penugasan dengan Algoritma Genetika Zainudin Zukhri Jurusan Teknik Informatika, Fakultas Teknologi Industri,
Lebih terperinciArif Munandar 1, Achmad Lukman 2 1 Teknik Informatika STMIK El Rahma Yogyakarta, Teknik Informatika STMIK El Rahma Yogyakarta
PENJADWALAN MATAKULIAH DENGAN ALGORITMA GENETIKA MENGGUNAKAN FRAMEWORK CODEIGNITER (STUDI KAUS PROGRAM STUDI S PENDIDIKAN AGAMA ISLAM UNIVERSITAS ALMA ATA YOGYAKARTA) Arif Munandar, Achmad Lukman 2 Teknik
Lebih terperinciMEMBANGUN TOOLBOX ALGORITMA EVOLUSI FUZZY UNTUK MATLAB
MEMBANGUN TOOLBOX ALGORITMA EVOLUSI FUZZY UNTUK MATLAB Syafiul Muzid 1, Sri Kusumadewi 2 1 Sekolah Pascasarjana Magister Ilmu Komputer, Universitas Gadjah Mada, Yogyakarta e-mail: aakzid@yahoo.com 2 Jurusan
Lebih terperinciOPTIMASI JADWAL MENGAJAR ASISTEN LABORATORIUM MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI JADWAL MENGAJAR ASISTEN LABORATORIUM MENGGUNAKAN ALGORITMA GENETIKA Indana Zulfa 1, Wayan Firdaus Mahmudy 2, Budi Darma Setiawan 3 Teknik Informatika, Program Teknologi Informasi dan Ilmu Komputer,
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 PENJADWALAN MATA KULIAH
APLIKASI ALGORITMA GENETIKA UNTUK PENJADWALAN MATA KULIAH (Studi Kasus: Jurusan Pendidikan Matematika FMIPA Universitas Negeri Yogyakarta) SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan
Lebih 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 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 terperinciPENERAPAN ALGORITMA GENETIK PADA PERMAINAN CATUR JAWA
PENERAPAN ALGORITMA GENETIK PADA PERMAINAN CATUR JAWA Nico Saputro dan Erdo Dirgagautama Jurusan Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Katolik Parahyangan, Bandung Email
Lebih terperinciOptimasi Metode Fuzzy Dengan Algoritma Genetika Pada Kontrol Motor Induksi
Optimasi Metode Fuzzy Dengan Algoritma Genetika Pada Kontrol Motor Induksi Rahman Aulia Universitas Sumatera Utara Pasca sarjana Fakultas Ilmu Komputer Medan, Indonesia Rahmanaulia50@gmail.com Abstract
Lebih terperinciAnalisis Komparasi Genetic Algorithm dan Firefly Algorithm pada Permasalahan Bin Packing Problem
Analisis Komparasi Genetic Algorithm dan Firefly Algorithm pada Permasalahan Bin Packing Problem Adidtya Perdana Sekolah Tinggi Teknik Harapan Medan Jl. H.M. Jhoni No. 70 C Medan adid.dana@gmail.com Abstrak
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 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 terperinciOPTIMASI PENDUGAAN PARAMETER DALAM ANALISIS STRESS DAN STRAIN TERHADAP MATERIAL MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI PENDUGAAN PARAMETER DALAM ANALISIS STRESS DAN STRAIN TERHADAP MATERIAL MENGGUNAKAN ALGORITMA GENETIKA Mike Susmikanti Pusat Pengembangan Informatika Nuklir, Badan Tenaga Nuklir Nasional Kawasan
Lebih terperinciPENCOCOKAN KATA SECARA ACAK DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL
Jurnal Matematika UNAND Vol. 2 No. 2 Hal. 1 9 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENCOCOKAN KATA SECARA ACAK DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL MULIA AFRIANI KARTIKA
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 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 terperinciPENERAPAN 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 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 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 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 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 terperinciAPLIKASI ALGORITMA GENETIKA UNTUK MENGOPTIMALKAN POLA RADIASI SUSUNAN ANTENA
APLIKASI ALGORITMA GENETIKA UNTUK MENGOPTIMALKAN POLA RADIASI SUSUNAN ANTENA Eston Damanus Lingga/0222180 Jurusan Teknik Elektro, Fakultas Teknik, Jl.Prof.Drg.Suria Sumantri 65, Bandung 40164, Indonesia
Lebih terperinciZbigniew M., Genetic Alg. + Data Structures = Evolution Program, Springler-verlag.
Zbigniew M., Genetic Alg. + Data Structures = Evolution Program, Springler-verlag. 12/11/2009 1 Ditemukan oleh Holland pada tahun 1975. Didasari oleh fenomena evolusi darwin. 4 kondisi yg mempengaruhi
Lebih terperinciBAB II LANDASAN TEORI
27 BAB II LANDASAN TEORI 2.1. Penelitian Terkait Penelitian terkait yang menggunakan algoritma genetika untuk menemukan solusi dalam menyelesaikan permasalahan penjadwalan kuliah telah banyak dilakukan.
Lebih terperinciBAB II 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 terperinciKONSEP ALGORITMA GENETIK BINER UNTUK OPTIMASI PERENCANAAN JADWAL KEGIATAN PERKULIAHAN
Jurnal Teknik dan Ilmu Komputer KONSEP ALGORITMA GENETIK BINER UNTUK OPTIMASI PERENCANAAN JADWAL KEGIATAN PERKULIAHAN (Binary Genetic Algorithm Concept to Optimize Course Timetabling) Iwan Aang Soenandi
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 terperinciPenyelesaian Puzzle Sudoku menggunakan Algoritma Genetik
Penyelesaian Puzzle Sudoku menggunakan Algoritma Genetik Afriyudi 1,Anggoro Suryo Pramudyo 2, M.Akbar 3 1,2 Program Studi Sistem Informasi Fakultas Ilmu Komputer. Universitas Bina Darma Palembang. email
Lebih terperinciOptimasi Penjadwalan Ujian Menggunakan Algoritma Genetika
Optimasi Penjadwalan Ujian Menggunakan Algoritma Genetika Nia Kurnia Mawaddah Wayan Firdaus Mahmudy, (wayanfm@ub.ac.id) Jurusan Matematika, FMIPA Universitas Brawijaya, Malang 65145 Abstrak Penjadwalan
Lebih terperinciBAB II LANDASAN TEORI. 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 terperinciOPTIMASI PENEMPATAN KAPASITOR PADA SALURAN DISTRIBUSI 20 kv DENGAN MENGGUNAKAN METODE KOMBINASI FUZZY DAN ALGORITMA GENETIKA
OPTIMASI PENEMPATAN KAPASITOR PADA SALURAN DISTRIBUSI 20 kv DENGAN MENGGUNAKAN METODE KOMBINASI FUZZY DAN ALGORITMA GENETIKA I Made Wartana, Mimien Mustikawati Program Studi Teknik Elektro, Fakultas Teknologi
Lebih terperinciBAB III PENERAPAN ALGORITMA MEMETIKA DAN GRASP DALAM MENYELESAIKAN PFSP
BAB III PENERAPAN ALGORITMA MEMETIKA DAN GRASP DALAM MENYELESAIKAN PFSP Prosedur AM dan GRASP dalam menyelesaikan PFSP dapat digambarkan oleh flowchart berikut: NEH GRASP SOLUSI NEH SOLUSI ELIT MEMETIKA
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 terperinciAPLIKASI ALGORITMA GENETIKA UNTUK PENENTUAN TATA LETAK MESIN
APLIKASI ALGORITMA GENETIKA UNTUK PENENTUAN TATA LETAK MESIN Hari Purnomo, Sri Kusumadewi Teknik Industri, Teknik Informatika Universitas Islam Indonesia Jl. Kaliurang Km 4,5 Yogyakarta ha_purnomo@fti.uii.ac.id,
Lebih 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 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 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 I PENDAHULUAN. kehidupan sehari-hari dan juga merupakan disiplin ilmu yang berdiri sendiri serta
BAB I PENDAHULUAN A. Latar Belakang Matematika adalah cabang ilmu pengetahuan yang dapat digunakan dalam kehidupan sehari-hari dan juga merupakan disiplin ilmu yang berdiri sendiri serta tidak merupakan
Lebih terperinciBAB 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 terperinciPemaksimalan Papan Sirkuit Di Pandang Sebagai Masalah Planarisasi Graf 2-Layer Menggunakan Algoritma Genetika
Vol. 14, No. 1, 19-27, Juli 2017 Pemaksimalan Papan Sirkuit Di Pandang Sebagai Masalah Planarisasi Graf 2-Layer Menggunakan Algoritma Genetika Jusmawati Massalesse dan Muh. Ali Imran Abstrak Tulisan ini
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 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 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 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 terperinciPenerapan Algoritma Genetika dalam Job Shop Scheduling Problem
Penerapan Algoritma Genetika dalam Job Shop Scheduling Problem Haris Sriwindono Program Studi Ilmu Komputer Universitas Sanata Dharma Paingan, Maguwoharjo, Depok Sleman Yogyakarta, Telp. 0274-883037 haris@staff.usd.ac.id
Lebih terperinciBAB 2 LANDASAN TEORI
8 BAB 2 LANDASAN TEORI 2.1 Graph Rinaldi Munir (2003) menjelaskan bahwa graph merupakan kumpulan verteks yang dihubungkan satu sama lain melalui sisi/ busur (edges). Suatu graph G terdiri dari dua himpunan
Lebih terperinci