BAB II TINJAUAN PUSTAKA
|
|
- Glenna Tan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 BAB II TINJAUAN PUSTAKA 2.1. Algoritma Genetika Algoritma genetika sebagai cabang dari algoritma evolusi merupakan metode yang digunakan untuk memecahkan suatu pencarian nilai dalam permasalahan-permasalahan optimasi non-linier (Gen & Cheng, 2000). Algoritma genetika direpresentasikan oleh urutan langkah-langkah prosedur kromosom buatan yang bergerak dari satu populasi ke populasi baru menggunakan seleksi alami dan teknik yang diambil dari genetika yang dikenal sebagai crossover dan mutasi. Setiap kromosom terdiri dari sejumlah gen, dan setiap gen diwakili oleh 0 atau 1 (Negnevitsky, 2005). Algoritma genetika berbeda dengan metode konvergensi umum yang bersifat deterministik (Gen & Cheng, 1997). Algoritma genetika memakai mekanisme seleksi alam dan ilmu genetika sehingga istilah-istilah pada algoritma genetik tidak jauh berbeda dengan istilah-istilah pada seleksi alam dan ilmu genetik. Sebuah solusi yang dibangkitkan dalam algoritma genetika disebut sebagai kromosom, sedangkan kumpulan kromosom-kromosom tersebut disebut sebagai populasi. Sebuah kromosom dibentuk dari komponen-komponen penyusun yang disebut sebagai gen dan nilainya dapat berupa bilangan numerik, biner, simbol ataupun karakter tergantung dari permasalahan yang ingin diselesaikan. Kromosom-kromosom tersebut akan berevolusi secara berkelanjutan yang disebut dengan generasi. Dalam tiap generasi kromosom-kromosom tersebut dievaluasi tingkat keberhasilan nilai solusinya terhadap masalah yang ingin diselesaikan (fungsi_objektif) menggunakan ukuran yang disebut dengan fitness. Secara umum tahapan proses dari algoritma genetika diperlihatkan pada Gambar 2.1. Seperti terlihat pada gambar kromosom merupakan representasi dari solusi. Operator genetika yang terdiri dari crossover dan mutasi dapat dilakukan bersamaan atau hanya salah satu saja yang selanjutnya operator evolusi dilakukan melalui proses seleksi kromosom dari parent (generasi induk) dan dari offspring (generasi turunan) untuk membentuk generasi baru (new population) yang diharapkan
2 6 akan lebih baik dalam memperkirakan solusi yang optimum, Kemudian akan dilanjutkan dengan proses iterasi sesuai dengan jumlah generasi yang ditetapkan. Crossover SOLUSI encoding Chromosomes (parent) New Population Selection Random All offspring Top renk Etc. Mutation Evaluation Decoding SOLUSI Fitness Computation Gambar 2.1 Ilustrasi tahapan proses dari algoritma genetika (Gen & Cheng, 1997) 2.2. Struktur Umum Algoritma Genetika Algoritma genetika memberikan pilihan untuk menentukan nilai parameter dengan menduplikasi cara reproduksi genetika, pembentukan kromosom baru, proses migrasi gen, serta seleksi alami seperti yang terjadi pada organisme hidup. Secara umum Algoritma Genetika dapat diilustrasikan melalui diagram pada Gambar 2.2.
3 7 Inisialisasi Populasi Awal Hitung Nilai Fitness Seleksi Persilangan (Crossover) Tidak Mutasi Populasi Baru Generasi Maksimum? Ya Berhenti Gambar 2.2 Diagram Struktur Umum Algoritma Genetika Inisialisasi populasi awal dilakukan untuk menghasilkan solusi awal dari suatu permasalahan algoritma genetika. Inisialisasi ini dilakukan secara random sesuai dengan jumlah kromosom per populasi yang diinginkan. Selanjutnya dilakukan perhitungan nilai fitness dan selanjutkan dilakukan seleksi dengan menggunakan metode roulette wheel, tournament atau ranking. Kemudian dilakukan persilangan (crossover) dan mutasi. Setelah melalui beberapa generasi maka algoritma ini akan berhenti sebanyak generasi yang diinginkan (Michalewich, 1998). Berikut ini adalah karakteristik-karakteristik yang perlu diketahui sehingga dapat dibedakan dari prosedur pencarian atau optimasi yang lain, yaitu (Goldberg, 1989) : 1. Algoritma Genetika bekerja dengan pengkodean dari himpunan solusi permasalahan. 2. Algoritma Genetika melakukan pencarian pada sebuah populasi dari sejumlah individu-individu yang merupakan solusi permasalahan bukan hanya dari satu individu.
4 8 3. Algoritma Genetika merupakan informasi dari fungsi objektif sebagai cara untuk mengevaluasi individu yang mempunyai solusi terbaik, bukan turunan dari satu fungsi saja. 4. Algoritma Genetika menggunakan aturan-aturan transisi peluang, bukan dari aturan-aturan deterministik Membangkitkan Populasi Awal dan Kromosom Membangkitkan populasi awal merupakan suatu proses pembangkitan sejumlah individu atau kromosom secara acak. Ukuran populasi tergantung pada masalah yang akan diselesaikan dan jenis operator genetika yang akan digunakan. Setelah ukuran populasi ditentukan, dilakukan pembangkitan populasi awal. Apabila ukuran populasi yang dipilih terlalu kecil, maka tingkat eksplorasi atas ruang pencarian global akan terbatas, walaupun arah menuju konvergensi lebih cepat. Apabila ukuran populasi terlalu besar, maka waktu akan banyak terbuang karena berkaitan dengan besarnya jumlah data yang dibutuhkan dan waktu ke arah konvergensi akan lebih lama (Goldberg, 1989). Teknik dalam pembangkitan populasi awal ini ada beberapa cara, diantaranya adalah sebagai berikut: 1. Random Generator Inti dari cara ini adalah melibatkan pembangkitkan bilangan random untuk nilai setiap gen sesuai dengan representasi kromosom yang digunakan. 2. Pendekatan Tertentu Cara ini adalah dengan memasukkan nilai tertentu kedalam gen dari populasi yang dibentuk. 3. Permutasi Gen Salah satu cara permutasi gen dalam pembangkitan populasi awal adalah penggunaan permutasi Josephus dalam permasalahan kombinatorial seperti TSP Evaluasi Fitness Suatu individu dievaluasi berdasarkan suatu fungsi tertentu sebagai ukuran performansinya. Didalam evolusi alam, individu yang bernilai fitness tinggi yang akan bertahan hidup. Sedangkan individu yang bernilai fitness rendah akan dihentikan.
5 Operator Genetik Algoritma genetika merupakan teknik atau metode pencarian untuk permasalahan heuristic dan acak sehingga pemilihan operator yang digunakan sangat dipengaruhi oleh keberhasilan algoritma genetika dalam menemukan solusi optimal permasalahan yang diselesaikan. Adapun operator-operator yang digunakan adalah sebagai berikut: Seleksi Dalam proses reproduksi setiap individu, populasi pada suatu generasi diseleksi berdasarkan nilai fitnessnya untuk bereproduksi guna menghasilkan keturunan. Probabilitas terpilihnya suatu individu untuk bereproduksi adalah sebesar nilai fitness individu tersebut dibagi dengan jumlah nilai fitness seluruh individu dalam populasi (Davis, 1991) Crossover Crossover (persilangan) merupakan suatu proses pemilihan lokasi string secara acak dan menukar karakter-karakter stringnya (Goldberg, 1989). Fungsi crossover menghasilkan kromosom anak yang baru dari kombinasi beberapa gen dari dua kromosom induk yang dipindah silangkan. Probabilitas crossover (Pc) ditentukan dan digunakan untuk mengontrol jumlah frekuensi crossover Mutasi Mutasi digunakan sebagai cara untuk mengembalikan materi genetik yang hilang. Melalui mutasi, dapat menciptakan individu baru dengan melakukan modifikasi terhadap satu atau lebih nilai gen pada individu yang sama. Mutasi mencegah banyak hilangnya materi genetika setelah reproduksi dan pindah silang. Mutasi berperan untuk menggantikan nilai gen yang hilang dari suatu populasi akibat seleksi yang memungkinkan munculnya kembali gen yang tidak dimunculkan pada saat proses inisialisasi populasi Parameter Parameter dalam Algoritma Genetika Parameter-parameter genetika berperan dalam pengendalian operator-operator genetika yang digunakan dalam optimasi algoritma genetika menggunakan algoritma genetika. (Davis, 1991) Parameter genetika yang sering digunakan meliputi ukuran populasi (N), probabilitas pindah silang (Pc), dan probabilitas mutasi (Pm). Pemilihan ukuran populasi yang digunakan tergantung pada masalah yang akan diselesaikan. Untuk
6 10 masalah yang lebih kompleks biasanya diperlukan ukuran populasi yang lebih besar guna mencegah konvergensi prematur yang menghasilkan lokal optima. Pada tiap generasi, sebanyak Pc * N individu dalam populasi mengalami pindah silang. Makin besar nilai Pc yang diberikan maka makin cepat struktur individu baru yang diperkenalkan ke dalam populasi. Jika nilai Pc yang diberikan terlalu besar, individu yang merupakan kandidat solusi terbaik dapat hilang lebih cepat dibanding seleksi untuk peningkatan kerja. Sebaliknya nilai Pc yang rendah dapat mengakibatkan stagnasi karena rendahnya angka eksplorasi. Probabilitas mutasi adalah probabilitas dimana setiap posisi bit pada tiap string dalam populasi baru mengalami perubahan secara acak setelah proses seleksi. Dalam satu generasi dengan L panjang struktur, kemungkinan terjadi mutasi sebanyak Pm*N*L 2.6. Variasi Genetika Variasi genetika dalam suatu populasi merupakan gambaran dari adanya perbedaan respon antar individu terhadap lingkungan dimana sebagai bahan dasar dari perubahan adaptif. Suatu populasi terdiri dari sejumlah individu. Variasi genetika merupakan variasi pada alel dan gen yang terjadi didalam satu populasi maupun diantara populasi yang berbeda. Variasi genetika sangat penting karena menyediakan bahan genetik untuk seleksi alam. Variasi genetika yang dibawa oleh mutasi yang merupakan perubahan permanen dalam struktur kimia gen. Poliploidi adalah contoh dari kromosom mutasi. Poliploidi adalah suatu kondisi dimana organisme memiliki tiga atau lebih set variasi genetika. Mutasi ini dimulai oleh orang tua, sebagai pasangan induk keturunannya sekarang memiliki kesempatan untuk mewarisi sifat yang sama dengan induknya (Hartl & Jones, 1998). Variasi berasal dari mutasi bahan genetika, migrasi antar populasi (aliran gen), dan perubahan susunan gen melalui reproduksi seksual. Variasi juga dibentuk dari persilangan gen antara spesies yang berbeda. Contohnya melalui perpindahan gen horizontal bakteria dan hibridisasi pada tanaman.walaupun terdapat variasi yang terjadi secara terus menerus melalui proses-proses ini, kebanyakan genom spesies identik terhadap seluruh individu spesies tersebut. Perubahan kecil pada genotipe dapat mengakibatkan perubahan yang signifikan pada fenotipenya.
7 11 Variasi genetika antar individu dalam suatu populasi dapat diidentifikasi pada berbagai tingkatan. Hal ini dimungkinkan untuk mengidentifikasi variasi genetik dari pengamatan variasi fenotipik baik sifat kuantitatif (sifat yang berubah secara terus menerus dan disandikan oleh banyak gen, misalnya panjang kaki pada anjing) atau sifat diskrit (sifat yang masuk dalam kategori diskrit dan dikodekan oleh satu atau beberapa gen (misalnya warna putih, merah muda dan merah kelopak pada bunga tertentu) (Barnes & Breen, 2010) Hukum Ketetapan Hardy-Weinberg Pada tahun 1908, seorang ahli matematika berkebangsaan Inggris Godfrey Harold Hardy ( ) dan seorang dokter berkebangsaan Jerman Wilhelm Weinberg ( ) secara terpisah menguraikan kondisi penting tentang keseimbangan genetik. Mereka menemukan dasar-dasar frekuensi gen dalam suatu populasi yang terpisah dan menemukan suatu hubungan matematika dari frekuensi gen dalam populasi, yang kemudian dikenal dengan hukum Hardy-Weinberg (prinsip kesetimbangan). Pernyataan itu menegaskan bahwa frekuensi gen suatu populasi (gene pool) selalu konstan dari generasi ke generasi dengan kondisi tertentu. Hukum ini digunakan sebagai parameter untuk mengetahui apakah dalam suatu populasi sedang berlangsung evolusi ataukah tidak (Vogel & Motulsky, 1997). Dalam perkawinan secara acak pada suatu organisme membentuk pasangan kawin secara independen dari genotype, setiap jenis pasangan kawin terbentuk sesering dengan diharapkannya pertemuan suatu kesempatan. Kawin acak sangat jauh dari sistem perkawinan yang paling umum untuk sebagian besar spesies hewan dan manusia, kecuali untuk tanaman yang secara teratur ber-reproduksi melalui self-fertilisation. Hukum Hardy-Weinberg menyatakan bahwa di bawah suatu kondisi yang stabil, baik frekuensi gen maupun perbandingan genotip akan tetap (konstan) dari generasi ke generasi pada populasi yang berbiak secara seksual. Syarat berlakunya asas Hardy-Weinberg: 1. Setiap gen mempunyai viabilitas dan fertilitas yang sama 2. Persilangan terjadi secara acak 3. Tidak terjadi mutasi gen. 4. Tidak terjadi migrasi 5. Jumlah individu dari suatu populasi selalu besar
8 12 Jika lima syarat yang diajukan dalam kesetimbangan Hardy Weinberg tadi tidak terpenuhi, maka akan terjadi evolusi pada populasi tersebut, yang akan menyebabkan perubahan perbandingan alel dalam populasi yang dibentuk. Definisi evolusi sekarang dapat dikatakan sebagai perubahan dari generasi ke generasi dalam hal frekuensi alel atau genotipe populasi. Dalam perubahan dalam kumpulan gen ini (yang merupakan skala terkecil), spesifik dikenal sebagai mikroevolusi. Hukum Hardy-Weinberg ini berfungsi sebagai parameter evolusi dalam suatu populasi. Bila frekuensi gen dalam suatu populasi selalu konstan dari generasi ke generasi, maka populasi tersebut tidak mengalami evolusi. Bila salah satu saja syarat tidak dipenuhi maka frekuensi gen berubah, artinya populasi tersebut telah dan sedang mengalami evolusi. Hukum Hardy-Weinberg menyatakan populasi mendelian yang berukuran besar sangat memungkinkan terjadinya kawin acak di antara individu-individu anggotanya. Artinya, tiap individu memiliki peluang yang sama untuk bertemu dengan individu lain, baik dengan genotipe yang sama maupun berbeda dengannya. Dengan adanya sistem kawin acak ini, frekuensi alel akan senantiasa konstan dari generasi ke generasi. Dengan kawin acak, hubungan antara frekuensi alel dan frekuensi genotipe menjadi sederhana karena perkawinan acak individu setara dengan sekumpulan gamet acak. Untuk membentuk genotipe zigot, pasangan gamet ditarik dari wadah secara acak. Untuk lebih spesifik, mempertimbangkan alel M dan N pada golongan darah MN, yang frekuensi alel adalah p dan q, dengan mengingat bahwa p + q = 1. Frekuensi genotipe dengan kawin acak dapat disimpulkan dari gambar 2.3 berikut (Hartl & Jones, et al. 1998): Gambar 2.3 Diagram Frekuensi genotype untuk kawin acak. Genotipe yang dapat dibentuk dengan dua alel akan ditampilkan di sebelah kanan, dan dengan perkawinan acak, frekuensi masing-masing genotipe dihitung dengan mengalikan frekuensi alel dari gamet yang sesuai. Namun, MN genotipe dapat dibentuk
9 13 dalam dua cara-alel M bisa datang dari ayah (bagian atas diagram) atau dari ibu (bagian bawah diagram). Dalam setiap kasus, frekuensi genotipe MN adalah pq; mengingat kedua kemungkinan, kita menemukan bahwa frekuensi MN adalah pq + pq = 2pq. Di samping kawin acak, ada persyaratan lain yang harus dipenuhi bagi berlakunya hukum Hardy-Weinberg, yaitu tidak terjadi migrasi, mutasi, dan seleksi. Dengan perkatan lain, terjadinya peristiwa-peristiwa ini serta sistem kawin yang tidak acak akan mengakibatkan perubahan frekuensi alel (Vogel & Motulsky, 1997) Traveling Salesman Problem (TSP) Traveling Salesman Problem dikemukakan pada tahun 1800-an oleh seorang matematikawan asal Irlandia, William Rowan Hamilton, dan matematikawan asal inggris, Thomas Panyngton. Permasalahan TSP termasuk kedalam kelas NP-hard yang menggunakan pendekantan heuristik ini merupakan permasalahan dimana seorang pedagang harus mengunjungi semua kota dimana setiap kota hanya dikunjungi sekali dan dia harus mulai dan kembali ke kota asal. Tujuan yang ingin dicapai pada permasalahan TSP adalah mencari rute terpendek bagi seorang pedagang (Biggs, et al. 1976) 2.9.Penelitian Terkait Penelitian Terdahulu Omara & Arafa (2010) membahas mengenai pengembangan algoritma genetika standard (SGA) dengan memodifikasi fungsi fitness dalam permasalahan penjadwalan tugas. Dimana mereka mengembangkan dua teknik untuk mengoptimalkan fungsi fitness yaitu fungsi fitness untuk meminimalkan total waktu eksekusi dan untuk menentukan kepuasan keseimbangan beban. Kedua teknik tersebut diimplementasikan kedalam algoritma gentika dengan nama Critical Path Genetic Algorithms (CPGA) dan Task Duplication Genetic Algorithms (TDGA); (Chaari, et al. 2011) membahas mengenai penerapan algoritma genetika untuk permasalahan penjadwalan hybrid flow shop yang kokoh. Mereka mempertimbangkan masalah penjadwalan yang tidak pasti dan mengembangkan algoritma genetika dimana fungsi evaluasi bi-objektif yang kokoh didefinisikan untuk memperoleh hasil yang baik, solusi efektif yang sedikit sensitif untuk ketidakpastian data. Untuk hasil dari uji coba tersebut menunjukkan hasil yang baik untuk efektivitas dan ketahanan dalam berbagai tingkat ketidakpastian.
10 14 Ahmed (2010) mengembangkan algoritma genetika untuk permasalahan Traveling Salesman Problem (TSP) menggunakan operator crossover baru yaitu Sequential Constructive Crossover (SCX) yang menghasilkan solusi berkualitas tinggi. Dimana operator SCX membangun keturunan dari sepasang induk menggunakan tepi yang lebih baik atas dasar nilai-nilai yang mungkin ada dalam struktur induk yang menjaga urutan node dalam kromosom induk. Al-Dulaimi & Ali (2008) algoritma genetika digunakan untuk menyelesaikan permasalahan TSP. dimana TSP merupakan permasalahan NP-Complete yang dikodekan dalam bentuk genetik. Algoritma Genetika digunakan untuk menentukan rute optimal dengan menghitung matriks jarak Euclidean antar kota-kota yang akan dikunjungi dan urutan kota yang dipilih secara acak sebagai populasi awal. Generasi baru dibuat secara berulang-ulang sampai rute optimal dicapai. Abdoun, et al. (2012) dalam penelitian mereka membahas bagaimana memilih parameter yang tepat untuk mendapatkan hasil yang optimal. Disini mereka melakukan analisis perbandingan antara operator mutasi, yang dikelilingi oleh penelitian dilatasi yang membenarkan relevansi operator genetic yang dipilih untuk menyelesaikan permasalahan Traveling Salesman Problem Perbedaan Dengan Penelitian Lain Pada penelitian ini penulis akan mengkaji apakah variasi genetika menggunakan hukum ketetapan Hardy-Weinberg dapat diterapkan kedalam permasalahan komputasi dan membandingkanya dengan algoritma genetika yang sudah ada. Untuk melihat perbandingan dengan penelitian yang lain dapat dilihat pada tabel 2.2.
11 15 Tabel 2.1 Perbandingan dengan Penelitian Lain No. Nama Peneliti Judul Penelitian Persamaan Perbedaan 1 Nowostawski & Poli Parallel Genetic Algorithm (1999) Taxonomy 2 Omara & Arafa (2010) Genetic Algorithms for Task Schedulling Problem 3 Ahmed (2010) Genetic Algorithm for the Traveling Salesman Problem using Sequential Constructive Crossover Operator 4 Chaari, et al (2011) A Genetic Algorithm For Robust Hybrid Flow Shop Scheduling Sama-sama melakukan Digunakan untuk modifikasi terhadap algoritma genetika permasalahan heterogen dan sistem terdistribusi Memodifikasi algoritma Diimplementasikan kedalam genetika untuk menyelesaikan algoritma genetika dengan permasalahan tertentu nama Critical Path Genetic Algorithms (CPGA) dan Task Duplication Genetic Algorithms (TDGA) untuk permasalahan task scheduling. Sama-sama menerapkan Pembahasan mengenai algoritma genetika untuk penggunaan metode sequential menyelesaikan permasalahan constructive crossover pada TSP tahapan persilangannya. Sama-sama menggunakan Digunakan untuk algoritma genetika dalam permasalahan penjadwalan menyelesaikan permasalahan. hybrid flow shop yang kokoh.
12 16 5 Al-Dulaimi & Ali (2008) Enhanced Traveling Salesman Problem Solving by Genetic Algorithm Technique (TSPGA) 6 Abdoun, et al (2012) Analyzing the Performance of Mutation Operators to Solve the Traveling Salesman Problem 7 Beasley & Chu (1996) A Genetic Algorithm for The Set Covering Problem 8 Lin, et al (2009) Genetic Algorithm for Shortest Driving Time in Intelligent Transportation System Sama-sama menerapkan algoritma genetika untuk menyelesaikan permasalahan TSP Sama-sama menerapkan algoritma genetika untuk menyelesaikan permasalahan TSP Sama-sama menggunakan algoritma genetika dalam menyelesaikan permasalahan. Sama-sama menggunakan algoritma genetika untuk menentukan rute terpendek. Algoritma Genetika digunakan untuk menentukan rute optimal dengan menghitung matriks jarak Euclidean antar kota-kota yang akan dikunjungi dan urutan kota yang dipilih secara acak sebagai populasi awal. Penyelesaian permasalahan TSP menggunakan analisis terhadap operator mutasi untuk melihat performansinya. Permasalahan yang digunakan dalam penelitian ini adalah permasalahan set covering. Menitikberatkan pada pengaruh jumlah gen dan kromosom didalam mendapatkan solusi optimal.
13 17 9 Lukas, et al (2005) Penerapan Algoritma Genetika Untuk Traveling Salesman Problem Dengan Menggunakan Metode Order Crossover dan Insertion Mutation 10 Deep & Hadush (2012) Variant of Partially Mapped Crossover for the Traveling Salesman Problems. Sama-sama menggunakan algoritma genetika untuk menyelesaikan permasalahan TSP Sama-sama menggunakan algoritma genetika untuk menyelesaikan permasalahan TSP Penelitian membahas mengenai analisis penggunaan metode order crossover dan dikombinasikan dengan insertion mutation untuk melihat performansi dari algoritma genetika untuk permasalahan TSP. Penelitian ini membahas mengenai pengembangan metode partialy mapped crossover dengan menentukan letak kromosom dalam posisi acak dan tidak membahas hubungan antar jumlah gen yang mengalami persilangan.
14 Kontribusi Penelitian Berdasarkan penelitian yang dilakukan, diharapkan diperoleh kesimpulan terhadap pemanfaatan hukum ketetapan Hardy-Weinberg terhadap algoritma genetika dengan mempertimbangkan keterkaitan parameter mutasi dan seleksi dengan performansi optimal yang dihasilkan pada permasalahan TSP. Dan penelitian ini selanjutnya dapat dikembangkan untuk permasalahan-permasalahan lainnya.
BAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Travelling Salesman Problem (TSP) Travelling Salesmen Problem (TSP) termasuk ke dalam kelas NP hard yang pada umumnya menggunakan pendekatan heuristik untuk mencari solusinya.
Lebih terperinciBAB 2 LANDASAN TEORI. 2.1 Algoritma Genetika
6 BAB 2 LANDASAN TEORI 2.1 Algoritma Genetika Algoritma genetika merupakan metode pencarian yang disesuaikan dengan proses genetika dari organisme-organisme biologi yang berdasarkan pada teori evolusi
Lebih terperinciBAB 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 terperinciANALISIS REDUKSI NP-HARD BIN PACKING PROBLEM DALAM ALGORITMA GENETIKA PADA HUKUM KETETAPAN HARDY-WEINBERG TESIS TERRY NOVIAR PANGGABEAN
ANALISIS REDUKSI NP-HARD BIN PACKING PROBLEM DALAM ALGORITMA GENETIKA PADA HUKUM KETETAPAN HARDY-WEINBERG TESIS TERRY NOVIAR PANGGABEAN 147038026 PROGRAM STUDI S2 TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER
Lebih terperinciLingkup Metode Optimasi
Algoritma Genetika Lingkup Metode Optimasi Analitik Linier Non Linier Single Variabel Multi Variabel Dgn Kendala Tanpa Kendala Numerik Fibonacci Evolusi Complex Combinasi Intelijen/ Evolusi Fuzzy Logic
Lebih terperinciBAB 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 II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tinjauan Pustaka (Samuel, Toni & Willi 2005) dalam penelitian yang berjudul Penerapan Algoritma Genetika untuk Traveling Salesman Problem Dengan Menggunakan Metode Order Crossover
Lebih terperinciBAB 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 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Penjadwalan Perkuliahan Penjadwalan memiliki pengertian durasi dari waktu kerja yang dibutuhkan untuk melakukan serangkaian untuk melakukan aktivitas kerja[10]. Penjadwalan juga
Lebih terperinciAlgoritma Evolusi Dasar-Dasar Algoritma Genetika
Algoritma Evolusi Dasar-Dasar Algoritma Genetika Imam Cholissodin imam.cholissodin@gmail.com Pokok Bahasan 1. Pengantar 2. Struktur Algoritma Genetika 3. Studi Kasus: Maksimasi Fungsi Sederhana 4. Studi
Lebih 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 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 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 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 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 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 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 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 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 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 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 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 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 terperinciPENENTUAN JARAK TERPENDEK PADA JALUR DISTRIBUSI BARANG DI PULAU JAWA DENGAN MENGGUNAKAN ALGORITMA GENETIKA. Abstraksi
PENENTUAN JARAK TERPENDEK PADA JALUR DISTRIBUSI BARANG DI PULAU JAWA DENGAN MENGGUNAKAN ALGORITMA GENETIKA I Dewa Made Adi Baskara Joni 1, Vivine Nurcahyawati 2 1 STMIK STIKOM Indonesia, 2 STMIK STIKOM
Lebih terperinciBAB II 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 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 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 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 TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Pendahuluan Pada bab ini akan dibahas tentang travelling salesman problem (TSP), metodemetode yang digunakan dalam penyelesaian TSP. Khusus penggunaan metode algoritma genetika
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 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
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 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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Traveling Salesman Problem (TSP) adalah permasalahan dimana seorang salesman harus mengunjungi semua kota yang ada dan kota tersebut hanya boleh dikunjungi tepat satu
Lebih 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 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 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 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
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 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 terperinciPENGGUNAAN ALGORITMA GENETIKA UNTUK MENENTUKAN LINTASAN TERPENDEK STUDI KASUS : LINTASAN BRT (BUS RAPID TRANSIT) MAKASSAR
PENGGUNAAN ALGORITMA GENETIKA UNTUK MENENTUKAN LINTASAN TERPENDEK STUDI KASUS : LINTASAN BRT (BUS RAPID TRANSIT) MAKASSAR Karels, Rheeza Effrains 1), Jusmawati 2), Nurdin 3) karelsrheezaeffrains@gmail.com
Lebih 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 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 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 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 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 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 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 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 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 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 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 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 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 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 terperinciANALISIS PERFORMANCE ATAS METODE ARITHMETIC CROSSOVER DALAM ALGORITMA GENETIKA
JURNAL TEKNOLOGI INFORMASI DAN KOMUNIKASI Vol. 4 No. 2, Desember 2015 : 76-87 ANALISIS PERFORMANCE ATAS METODE ARITHMETIC CROSSOVER DALAM ALGORITMA GENETIKA PERFORMANCE ANALYSIS OF THE METHOD ARITHMETIC
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 terperinciAPLIKASI UNTUK PREDIKSI JUMLAH MAHASISWA PENGAMBIL MATAKULIAH DENGAN MENGGUNAKAN ALGORITMA GENETIKA, STUDI KASUS DI JURUSAN TEKNIK INFORMATIKA ITS
APLIKASI UNTUK PREDIKSI JUMLAH MAHASISWA PENGAMBIL MATAKULIAH DENGAN MENGGUNAKAN ALGORITMA GENETIKA, STUDI KASUS DI JURUSAN TEKNIK INFORMATIKA ITS Hafid Hazaki 1, Joko Lianto Buliali 2, Anny Yuniarti 2
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 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 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 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 terperinciGENETIKA UNTUK MENENTUKAN RUTE LOPER KORAN DI AGEN SURAT KABAR
MULTI TRAVELING SALESMAN PROBLEM (MTSP) DENGAN ALGORITMA Abstrak GENETIKA UNTUK MENENTUKAN RUTE LOPER KORAN DI AGEN SURAT KABAR Oleh : Fitriana Yuli Saptaningtyas,M.Si. Jurusan Pendidikan Matematika FMIPA
Lebih terperinciANALISIS PENGATURAN INDIVIDU CROSSOVER DAN MUTASI ALGORITMA GENETIKA STUDI KASUS TRAVELLING SALESMAN PROBLEM
ANALISIS PENGATURAN INDIVIDU CROSSOVER DAN MUTASI ALGORITMA GENETIKA STUDI KASUS TRAVELLING SALESMAN PROBLEM Sean Coonery Sumarta* 1 1 Program Studi Teknik Informatika, Universitas Atma Jaya Makassar,
Lebih 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 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 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 terperinciGambar 1.1. Variasi pada jengger ayam
Uraian Materi Variasi Genetik Terdapat variasi di antara individu-individu di dalam suatu populasi. Hal tersebut menunjukkan adanya perubahan genetis. Mutasi dapat meningkatkan frekuensi alel pada individu
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 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 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 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 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 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 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 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 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 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 terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) 45 Edisi... Volume..., Bulan 20.. ISSN :
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) 45 IMPLEMENTASI ALGORITMA GENETIKA UNTUK PENJADWALAN MATA PELAJARAN DI SMAN 1 CIWIDEY Rismayanti 1, Tati Harihayati 2 Teknik Informatika Universitas Komputer
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 terperinciPencarian Solusi TSP (Travelling Salesman Problem) Menggunakan Algoritma Genetik
Pencarian Solusi TSP (Travelling Salesman Problem) Menggunakan Algoritma Genetik Teddy Rachmayadi Teknik Informatika Institut Teknologi Bandung Ganeca 10 Bandung if16079@students.if.itb.ac.id ABSTRAK Algoritma
Lebih 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 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 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 terperinciModul Matakuliah Algoritma Evolusi oleh
Modul Matakuliah Algoritma Evolusi oleh Wayan Firdaus Mahmudy Program Teknologi Informasi dan Ilmu Komputer (PTIIK) Universitas Brawijaya September 2013 Kata Pengantar Buku ini disusun untuk mengisi kelangkaan
Lebih terperinciImplementasi Algoritma Genetika dalam Pembuatan Jadwal Kuliah
Implementasi Algoritma Genetika dalam Pembuatan Jadwal Kuliah Leonard Tambunan AMIK Mitra Gama Jl. Kayangan No. 99, Duri-Riau e-mail : leo.itcom@gmail.com Abstrak Pada saat ini proses penjadwalan kuliah
Lebih 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 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 terperinciAnalisis Aplikasi Algoritma Genetika Untuk Pencarian Nilai Fungsi Maksimum Djunaedi Kosasih 1) Rinaldo 2)
Analisis Aplikasi Algoritma Genetika Untuk Pencarian Nilai Fungsi Maksimum Djunaedi Kosasih 1) Rinaldo 2) Abstrak Algoritma genetika yang pertama kali diperkenalkan secara terpisah oleh Holland dan De
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 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 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 III PEMBAHASAN. Berikut akan diberikan pembahasan mengenai penyelesaikan CVRP dengan
BAB III PEMBAHASAN Berikut akan diberikan pembahasan mengenai penyelesaikan CVRP dengan Algoritma Genetika dan Metode Nearest Neighbour pada pendistribusian roti di CV. Jogja Transport. 3.1 Model Matetematika
Lebih terperinciBAB 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 terperinciPRESENTASI TUGAS AKHIR
PRESENTASI TUGAS AKHIR Travelling Salesman Problem menggunakan Algoritma Genetika Via GPS berbasis Android (kata kunci : android,gps,google Maps, Algoritma Genetika, TSP) Penyusun Tugas Akhir : Azmi Baharudin
Lebih 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 terperinciOptimalisasi Pengantaran Barang dalam Perdagangan Online Menggunakan Algoritma Genetika
Optimalisasi Pengantaran Barang dalam Perdagangan Online Menggunakan Algoritma Genetika Rozak Arief Pratama 1, Esmeralda C. Djamal, Agus Komarudin Jurusan Informatika, Fakultas MIPA Universitas Jenderal
Lebih terperinciSeminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004
Seminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004 Perbandingan Metode-Metode dalam Algoritma Genetika untuk Travelling Salesman Problem Irving Vitra P. Jurusan Teknik Informatika,
Lebih terperinciALGORITMA GENETIKA PADA PEMROGRAMAN LINEAR DAN NONLINEAR
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 5, No. 03(2016), hal 265 274. ALGORITMA GENETIKA PADA PEMROGRAMAN LINEAR DAN NONLINEAR Abdul Azis, Bayu Prihandono, Ilhamsyah INTISARI Optimasi
Lebih terperinci