Algoritma Genetik Dengan Sub Populasi Terurut untuk Desain Penjadwalan Multiprosesor
|
|
- Hadi Susman
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Algoritma Genetik Dengan Sub Populasi Terurut untuk Desain Penjadwalan Multiprosesor Marisa Widyastuti, Kuspriyanto Sekolah Teknik Elektro dan Informatika, Institut Teknologi Bandung Abstraksi Algoritma genetik dengan sub populasi terurut (Ordered-deme Genetic Algorithm OGA) adalah algoritma genetik yang berbasis pada algoritma genetik ganda (multiple-deme GA), dimana sebuah populasi global dibagi menjadi beberapa sub-populasi (deme) yang dapat berkembang sendiri-sendiri. OGA mengurutkan sub-populasi dari yang tertinggi sampai terendah serta memigrasikan individu terbaik dan terburuk sekaligus pada saat bersamaan, sehingga meningkatkan kemampuan pencarian menurut kenyataan bahwa pencarian optimum global terjadi secara independen pada setiap sub-populasi untuk daerah solusi yang berbeda. Dengan memperkenalkan metoda operasi mutasi adaptif, kestabilan solusi yang diperoleh pada subpopulasi tinggi dengan kemampuan pencarian sedang pada sub-populasi rendah dapat ditingkatkan pada waktu yang bersamaan. Makalah ini membahas hasil eksperimen pada suatu algoritma penjadwalan berbasis genetik yang dapat meningkatkan kemampuan pencarian untuk menemukan jadwal terbaik secara efisien, sehingga dapat memaksimalkan unjuk kerja suatu sistem mikroprosesor. Kata Kunci: algoritma genetik, sub populasi terurut, sistem multiprosesor, penjadwalan tugas, pemrosesan paralel. 1. PENDAHULUAN Pada sistem-sistem pemrosesan paralel, seperti sistem multiprosesor, pertimbangan paling mendasar adalah bagaimana memaksimalkan unjuk kerja sistem dengan penjadwalan tugas. Strategi penjadwalan yang baik dapat meningkatkan penggunaan sumber daya dan keluaran sistem secara signifikan. Bila terdapat sekumpulan tugas yang dijalankan secara serial dan paralel, maka tugas-tugas ini harus dijadwalkan secara optimal pada setiap prosesor sehingga waktu eksekusi total tersingkat dapat diperoleh. Masalah penjadwalan yang merupakan salah satu masalah yang menantang dalam komputasi paralel ini diketahui bersifat NP-complete, yaitu semakin banyak tugas yang harus dijadwalkan maka semakin rumit untuk memperoleh jadwal optimal. mendekati optimal dari semua kemungkinan jadwal yang ada[1]. Menurut penelitian-penelitian yang sudah pernah dilakukan sebelumnya dalam bidang penjadwalan multiprosesor, algoritma genetik terbukti sangat efektif dan dalam banyak kasus biayanya relatif lebih rendah[1,2,5]. Algoritma genetik banyak diaplikasikan dalam kehidupan sehari-hari dimana tugas dengan durasi yang berbeda-beda dijadwalkan pada sekelompok prosesor. Dalam makalah ini dibahas hasil eksperimen pada suatu algoritma penjadwalan berbasis genetik yang dapat meningkatkan kemampuan pencarian untuk menemukan jadwal terbaik secara efisien, sehingga dapat memaksimalkan unjuk kerja suatu sistem multiprosesor. Algoritma heuristik yang digunakan untuk masalah penjadwalan pada umumnya hanya mencari sebagian saja dari daerah pencarian sehingga tidak memberikan kecepatan yang lebih baik. Karena itu teknik pencarian meta-heuristik seperti algoritma genetik, tabu, dan pencarian koloni semut, banyak digunakan untuk masalah penjadwalan tugas karena diperlukan pencarian yang cepat untuk mendapatkan jadwal yang 2. MASALAH PENJADWALAN MIKROPROSESOR Masalah penjadwalan mengasumsikan sejumlah sumber daya untuk melayani sejumlah penguna. Tujuannya adalah mencari aturan untuk mengatur akses sumber daya dan penggunaannya oleh pengguna
2 yang berbeda untuk mengoptimasi sesuai ukuran unjuk kerja yang diinginkan. Panjang jadwal (schedule length) dan waktu rata-rata (mean-time) yang digunakan oleh sistem adalah contoh dari pengukuran unjuk kerja. Unjuk kerja dan efisiensi adalah dua karakteristik yang harus digunakan untuk mengevaluasi sebuah penjadwalan. Tingkah laku program paralel sering direpresentasikan oleh directed acyclic graph (DAG), yang disebut task graph. Sebuah task graph direpresentasikan sebagai TG = (T,E), dimana T adalah sejumlah tugas dan E:TxT adalah sejumlah edge. Directed edge antara tugas T i dan T j terjadi jika terdapat dependensi pada tugas-tugas tersebut, yang berarti tugas T j tidak dapat dieksekusi sebelum tugas T i selesai dieksekusi. Task graph seringkali diekspresikan sebagai graph dengan bobot (weighted graph). Bobot dari sebuah node W n (T i ), adalah waktu eksekusi yang diperkirakan untuk tugas T i, dimana bobot dari suatu edge, W e (T i,t j ), merepresentasikan biaya komunikasi antara tugas dimana T i dan T j dijadwalkan untuk prosesorprosesor yang berbeda. Sebuah jadwal S didefinisikan sebagai sejumlah tuple terbatas (T i,p,t) yang mengindikasikan tugas T i diberikan pada prosesor p untuk dieksekusi pada waktu t. anggap S p (T i ) mewakili prosesor yang terjadwal dan S t (T i ) memwakili waktu T i yang terjadwal. Skema klasifikasi, pada level yang lebih tinggi, membedakan penjadwalan lokal dengan penjadwalan global. Penjadwalan lokal mengatur eksekusi proses pada satu prosesor. Penjadwalan global berkaitan dengan mesin paralel dan terdistribusi dan menentukan prosesor mana yang akan menyelesaikan suatu pekerjaan Level selanjutnya pada hirarki membedakan antara penjadwalan dinamis dengan penjadwalan statis. Pada penjadwalan dinamis, keputusan diambil selama pengeksekusian program. Penjadwalan secara dinamis menyeimbangkan beban kerja setiap terjadi ketidakseimbangan. Pada kasus ini, proses dari penyeimbangan beban dapat dilakukan oleh sebuah prosesor (non-distributed), atau dapat juga didistribusikan secara fisik diantara prosesor-prosesor yang lain (distributed). Pada penjadwalan dinamis global terdistribusi, dibedakan antara penjadwalan kooperatif dan nokooperatif. Penjadwalan kooperatif dimana sebuah prosesor menyeimbangkan beban secara kooperatif dengan prosesor lain. Sedang pada penjadwalan nonkooperatif, sebuah prosesor menyeimbangkan beban hanya berdasarkan informasi lokal yang dimilikinya. Setiap prosesor tidak tergantung pada apa yang dilakukan prosesor lain. Kerugian yang paling utama dari algoritma penyeimbangan beban secara dinamis dan terdistribusi adalah biaya runtime untuk pendistribusian beban informasi, membuat keputusan penempatan dan menstransfer sebuah pekerjaan ke suatu target host secara terus-menerus selama eksekusi program. Pada penjadwalan statis, keputusan diambil pada saat kompilasi, sebelum eksekusi program dilakukan. Sumber daya yang dibutuhkan oleh proses dan informasi mengenai keadaan sistem telah diketahui. Suatu tugas optimal dapat dibuat menurut kriteria tertentu. Ini merupakan permasalahan NP-complete. Solusi sub-optimal dapat dibagi menjadi dua kategori. Algoritma untuk kategori pertama (approximate) dari kelas suboptimal terdiri dari pencarian pada subbagian dari daerah penyelesaian, dan berhenti ketika sebuah solusi yang baik telah ditemukan. Kategori kedua ditentukan dengan menggunakan metoda heuristik, yang mengasumsikan pengetahuan apriori mengenai proses, komunikasi dan karakteristik sistem. 3. PENJADWALAN DENGAN ALGORITMA GENETIK Untuk memecahkan penjadwalan multiprosesor dengan algoritma genetik, sebuah jadwal harus dienkodekan dalam bentuk susunan bilangan (string). Pada arikel ini, jadwal dienkodekan dalam susunan bilangan integer, T 0, T 1,..., T n dimana n adalah jumlah tugas dan T k mewakili prosesor yang dijadwalkan untuk tugas k. Gambar 3. mengilustrasikan representasi susunan bilangan dari jadwal yang tampak pada gambar 2 Karena skema pengenkodean hanya mengenai pemberian node pada prosesor, uruturutan dari tugas harus ditentukan dalam prosesor. Gambar 1. Contoh task graph
3 Gambar 2. Jadwal optimal untuk tiga prosesor Gambar 3. Jadwal yang dienkodekan dalam bentuk string Task graph dapat direpresentasikan dalam bentuk tabel seperti bentuk tabel 1. Tabel 1. Representasi task graph dalam bentuk tabel Kemudian konsep prioritas dinyatakan dalam istilah height. Konsep ini diambil dari teori graph dan secara rekursif didefinisikan pada Definisi 1. Nilai height dari suatu tugas ditentukan dari nilai maksimum tugas sesudahnya. Dengan menggunakan notasi height, kita dapat mengindetifikasi tugas-tugas mana yang harus didahulukan dan mengukur seberapa jauh suatu node terletak dari root node. Pada definisi, PRED(T i ) adalah sejumlah tugas-tugas sebelum tugas T i. Karena pengurutan nilai height (height-ordering) dari tugastugas tergantung dari hubungan dari setiap tugas, banyak algoritma penjadwalan heuristik yang menggunakan nilai height untuk mengevaluasi urutan penjadwalan tugas yang valid. Seperti penggunaan metode list-scheduling yang mengurutkan tugas menurut prioritasnya dan mendahulukan tugas dengan prioritas lebih tinggi[5]. Definisi 1 Selama penjadwalan, waktu eksekusi sebuah jadwal (make span) harus dihitung dan setiap nilai kecocokan individu harus dievaluasi. Jadwal yang baik adalah jadwal yang memiliki waktu eksekusi yang singkat. Hasil perhitungan makespan ini dapat digunakan untuk menghitung nilai kecocokan dengan menggunakan fungsi kecocokan. Fungsi kecocokan (fitness function) berguna untuk membedakan kualitas satu jadwal dengan jadwal lainnya. Jadwal yang memiliki fungsi kecocokan tinggi memiliki kualitas yang lebih baik daripada jadwal dengan fungsi kecocokan yang lebih rendah. Fungsi kecocokan yang digunakan adalah Persamaan (1). Fungsi kecocokan didefinisikan waktu eksekusi jadwal yang dihitung nilai relatifnya sehingga algoritma genetik meminimumkan waktu eksekusi dan memaksimumkan fungsi kecocokan. Nilai kecocokan relatif memiliki rentang nilai antara 0 dan 1; suatu jadwal akan semakin baik jika nilai kecocokannya semakin mendekati 1. fit( S) = MAX MAX S t T p P Ti i T S p ( T ) i = p (1) Nilai kecocokan dapat ditentukan dengan memberikan tugas pada prosesor menurut jadwal S, yang dienkodekan pada setiap individu. Algoritma 1 menunjukkan prosedur untuk mencari waktu pembuatan jadwal. Selama penjadwalan, tugas secara berurutan dijadwalkan menurut nilai height-nya. Untuk menentukan waktu jadwal yang paling awal dari setiap tugas, algoritma mengevaluasi t 1 dan t 2 sebagai berikut: t 1 adalah waktu mulai minimum yang mungkin dari T i yang ditentukan dari waktu penyelesaian maksimum dari semua tugas sebelum tugas T i. Ketika menentukan T 1, waktu komunikasi antar prosesor harus diperhitungkan ketika S p (T i ) S p (T i ). T 2 adalah waktu yang tersedia dari prosesor yang dijadwalkan untuk tugas T i, misalnya waktu penyelesaian maksimum dari suatu tugas yang telah diberikan sebelumnya pada prosesor. Akhirnya, waktu pembuatan suatu jadwal dapat ditentukan sebagai maksimum dari t 1 dan t 2 dari semua tugas-tugas yang ada. Algoritma 1: Menghitung makespan m = makespan (task graph TG, jadwal S) for all tasks T i do determine H (T i ) for all tasks T i, in the increasing order of height for all tasks T j PRED (T i ) if (S p (T i ) S p (T j ))
4 t j = S t (T j ) + W n (T j ) +W e (i,j) else t j = S t (T j ) + W n (T j ) end if t 1 = MAX (t j ) for all tasks (T j ) scheduled at S p (T i ) t 2 = MAX { S t (T j ) + W n (T j ) } S t (T j ) = MAX (t 1,t 2 ) m = MAX (S t (T i ) + W n (T j ) ) Individu terbaik D4 D3 D2 D1 Individu terburuk 4. ORDERED-DEME GENETIC ALGORITHM Tidak seperti pendekatan algoritma genetik subpopuasi ganda yang sebelumnya, Ordered-Deme Genetic Algorithm (OGA) memiliki skema migrasi baru yang terlihat pada gambar 4. Jika skema yang terdahulu hanya memigrasikan individu terbaik pada suatu saat, OGA memigrasikan individu terbaik ke sub-populasi yang lebih tinggi dan individu terburuk ke sub-populasi yang lebih rendah. Skema pengurutan dari OGA memperkenalkan hal-hal berikut. Sementara algoritma genetik sub-populasi ganda tradisional memberikan kesempatan yang sama untuk setiap subpopulasi untuk mencari solusi, OGA tidak. OGA memberikan kesempatan yang lebih tinggi kepada sub-populasi yang lebih tinggi sehingga individuindividu terbaik pada suatu saat akan selalu dapat ditemukan pada sub populasi tertinggi. Karena itu individu-individu yang baik akan berkonsentrasi pada sub-populasi tertinggi dan bersaing dengan individuindividu baik lainnya untuk menghasilkan keturunan yang lebih baik. Sebaliknya, individu-individu yang buruk masih mempunyai kemungkinan untuk mengeksplorasi daerah eksplorasi yang lain dengan berkompetisi dengan individu-individu lain yang relatif inferior. Oleh karena itu, skema pengurutan membantu meningkatkan kemampuan pencarian algoritma genetik karena pada kenyataannya pencarian solusi optimal terjadi pada setiap sub-populasi secara independen pada cakupan nilai kecocokan (fitness range) yang berbeda-beda. D4 D1 D3 D2 Individu terbaik Gambar 4. Algoritma sub-populasi ganda tradisional Gambar 5. Ordered Genetic Algorithm (OGA) Skema pengurutan ini juga membantu memperlambat terjadinya konvergensi prematur. Pada algoritma genetik sub-populasi ganda tradisional, migrasi individu terbaik yang dilakukan berulang-ulang menghasilkan penyebaran cepat dari bibit yang baik dari seluruh sub-populasi. Karena itu ketika sebuah individu yang mempunyai nilai kecocokan tinggi di reproduksi pada suatu sub-populasi, ia dapat ditemukan di setiap sub-populasi selama beberapa generasi. Skema ini membuat populasi global cepat terkonvergensi pada solusi terbaik pada suatu saat tertentu, menghasilkan konvergensi prematur. Pada OGA, konvergensi yang cepat ini dapat diperlambat sebagai berikut: karena ada pengurutan sub-populasi, individu yang telah dimigrasi dari sub-populasi atas dapat dimigrasi setelah menjadi individu terburuk pada sub-populasi tersebut. Demikian juga, individu dengan nilai tinggi dari sub-populasi tinggi dapat dimigrasi ke sub-populasi yang lebih rendah setelah sub-populasi tersebut penuh dengan individu-individu yang sama. Karena itu, konvergensi prematur dapat diperlambat dengan kurang dari m kali, dimana m adalah jumlah sub-populasi. Selain itu dengan menggunakan metoda pengurutan sub-populasi, hal yang paling penting dari OGA adalah memberikan laju mutasi yang lebih tinggi pada sub-populasi rendah dan memperlambat laju mutasi pada sub-populasi yang lebih tinggi. Dengan memberikan rate mutasi yang lebih rendah pada subpopulasi tinggi akan mempertinggi kestabilan dari individu-individu yang terkonsentrasi pada subpopulasi tinggi. Metoda mutasi adaptif juga membuat individu-individu buruk pada sub-populasi rendah untuk mencari daerah yang lebih luas dengan memberikan laju mutasi yang lebih tinggi. Definisi tersebut dapat dilihat pada algoritma 2. Algoritma 2 : the ordered genetic algorithm (OGA) g := 0 //g adalah generasi Buat sub-populasi D 1 (g),d 2 (g),...,d m (g), secara acak Evaluasi D 1 (g), D 2 (g),,d m (g) Urutkan D 1 (g), D 2 (g),,d m (g) dengan urutan dari besar ke kecil while(g < g max )
5 g := g + 1; for all sub-populasi D i //kembangkan setiap sub-populasi Pilih D i (g) dari D i (g-1) //Roulette wheel Lakukan crossover pada D i (g) dengan probabilitas P c Lakukan mutasi pada D i (g)dengan probabilitas P m (D i ) Evaluasi D i (g) //Migrasi dilakukan mulai dari D m //sampai D 2 for all (Dimulai dari D m sampai D 2 ) Urutkan D i (g) Tukar r individu pada urutan teratas di D i (g) dengan individu pada urutan terbawah dari D i-1 (g) end while Pada akhirnya, OGA mengurutkan populasi dari besar ke kecil menurut nilai kecocokan dan diletakkan pada array sub-popolasi D 1, D 2,...,D m. Pada setiap evaluasi, setiap sub-populasi berevolusi secara independen. Selama langkah migrasi, OGA menukar r individu terbaik dari setiap populasi D i dengan r yang terburuk dari sub-populasi tetangga diatasnya. OGA mengurutkan setiap sub-populasi sebelum melakukan migrasi, yang terjadi secara berurutan dari D m ke D 2. Sehingga hal ini memungkinkan individu-individu yang dimigrasikan dari sub-populasi dibawahnya untuk dimigrasikan ke sub-populasi diatasnya. Dengan bantuan skema pengurutan, dimungkinkan individu dengan nilai tinggi yang berada di subpopulasi rendah langsung bermigrasi ke sub-populasi tertinggi. Fungsi crossover adalah untuk membuat keturunan (offsprings) baru dengan melakukan kombinasi atau mengatur kembali bagian-bagian dari individu orang tuanya. Frekuensi dilakukannya crossover dikontrol oleh sebuah parameter yang disebut probabilitas crossover, p c. Crossover menentukan posisi crossover secara acak dari 1 sampai n, dan menukar sebagian dari susunan bilangan (substring) posisi tersebut dari satu orangtua ke orangtua lainnya. Prosedur crossover dilustrasikan pada gambar 6. ketika posisi crossover i 2 telah dipilih, OGA membuat keturunan baru dengan menukar dua substring yang terdiri dari i 3, i 4 dan i 5. Proses mutasi pada algoritma genetik dapat dianggap sebagai pengubahan nilai pada string secara acak yang dilakukan sekali-sekali. Untuk penjadwalan multiprosesor, mutasi didefinisikan sebagai penempatan acak dari prosesor yang telah dijadwalkan untuk dipilih secara acak kepada prosesor lain yang telah dipilih secara acak, seperti pada gambar 5. Frekuensi mutasi dapat diatur dengan menggunakan probabilitas mutasi, p m. Jadi probabilitas mutasi dipilih dengan probabilitas yang rendah dibandingkan probabilitas crossover, dan harus ditentukan melalui percobaan. Pada gambar 7 dapat dilihat contoh proses mutasi. Ketika tugas 2 dipilih untuk dimutasi, prosesor yang dijadwalkan untuk task tersebut diubah secara acak dari prosesor 1 menjadi prosesor 2. P0 Posisi Mutasi P (a) Sebelum mutasi Gambar 7. Proses mutasi 5. HASIL EKSPERIMEN (b) Setelah mutasi Untuk melihat kinerja dari OGA, pengujian dilakukan dengan menjalankan algoritma dengan variasi parameter algoritma genetik dan dilakukan dengan tiga metoda pencarian yang berbeda. Tiga metoda pencarian yang digunakan dalam pengujian adalah algoritma genetik dengan sub populasi terurut (OGA), algoritma genetik sederhana (SGA)[3] dan metoda pencarian acak. SGA digunakan sebagai pembanding algoritma genetik sejenis, sedang metoda acak sebagai pembanding tambahan. Ketiga metoda pencarian menggunakan data populasi awal yang sama. SGA menggunakan parameter algoritma genetik yang sama dengan OGA. Adapun task graph yang digunakan dapat dilihat pada gambar 8. Posisi crossover P P P P P P (a) Parents (b) Crossover (c) Offsprings Gambar 6 Proses crossover Gambar 8. Task Graph yang digunakan dalam percobaan Tabel 2. Representasi task graph dalam, bentuk tabel
6 berikut Selanjutnya adalah metoda random, yang dilakukan dengan membuat suatu populasi secara acak, kemudian diambil individu yang nilai kecocokannya paling tinggi. Kemudian pada generasi berikutnya dibuat lagi suatu populasi secara acak, diambil individu dengan individu dengan nilai kecocokan tertinggi dan seterusnya. Task graph yang umum digunakan untuk kasus penjadwalan multiprosesor memang umumnya memiliki tingkat kompleksitas tinggi, dengan tingkat kepadatan (density) yang lebih tinggi dan jumlah tugas yang lebih banyak. Task graph dalam percobaan ini dipilih sedemikian rupa sehingga cukup menggambarkan pemetaan tugas pada prosesor dan menjelaskan kinerja algoritma genetik dengan baik, tanpa menjadi terlalu rumit. Tahap-tahap pengujian yang dilakukan pada algoritma penjadwalan ini adalah : 1. Pengujian dilakukan pada beberapa set data. 2. Setiap set data memiliki variasi parameter yang berbeda-beda, yang kira-kira dapat mewakili sejumlah kasus yang sering terjadi, sehingga dapat dengan jelas menggambarkan tingkah laku metoda pencarian yang diamati. 3. Untuk setiap set data, dicatat individu dengan nilai kecocokan maksimum yang diperoleh oleh setiap algoritma individu pada setiap generasi kemudian dibuat grafik perbandingan dari ketiga metoda pencarian. Percobaan I Dibawah ini adalah parameter algoritma yang digunakan oleh OGA. Ordered-Deme Genetic Algorithm Program Jumlah sub populasi : 3 Generasi maksimum : 7 Probabilitas crossover : Probabilitas mutasi : Jumlah individu yang bermigrasi : 2 Pada OGA populasi dibagi menjadi tiga sub-populasi yang memiliki nilai probabilitas mutasi berbeda-beda (adaptif). Berikut adalah parameter-parameter yang digunakan untuk SGA. Simple Genetic Algorithm Program Generasi maksimum : 7 Probabalitas crossover : Probabilitas mutasi : Pada SGA populasi tidak dibagi-bagi dan tidak juga ada skema pengurutan Random Search for Multiprocessor scheduling Generasi maksimum : 6 Nilai Kecocokan Tertinggi Generasi OGA SGA Random Gambar 9. Grafik perbandingan OGA, SGA dan random Pada grafik di atas terlihat bahwa OGA memberikan hasil yang terbaik. Pada generasi kedua OGA telah berhasil menemukan jadwal yang jauh lebih baik dari yang dihasilkan algoritma lain. Sehingga generasi terakhir OGA memberikan kurva yang stabil. Hasil yang diperoleh SGA pada percobaan ini kurang baik walaupun tampak meningkat sampai generasi keempat, pada generasi ketujuh hasilnya menurun. Pemilihan parameter sangat berpengaruh pada hasil keluaran SGA yang hanya mengandalkan mekanisme crossover dan mutasi. Berbeda dengan OGA yang mempunyai mekanisme lain seperti pengurutan sub populasi dan migrasi, sehingga hasil yang diperoleh jauh lebih konvergen. Kurva random terlihat turunnaik, dan tidak memberikan alternatif yang diharapkan. Percobaan II Ordered-Deme Genetic Algorithm Program Jumlah individu : 18 Jumlah sub populasi : 3 Generasi maksimum : 10 Probabilitas crossover : Probabilitas mutasi : Jumlah individu yang bermigrasi : 2 Simple Genetic Algorithm Program Jumlah individu : 18 Generation maksimum : 10 Probabalitas crossover : Probabilitas mutasi :
7 Random Search for Multiprocessor scheduling Jumlah individu : 18 Generation maksimum : 10 Nilai Kecocokan Tertinggi Generasi OGA SGA Random Gambar 10. Grafik perbandingan OGA, SGA dan random Pada percobaan ini OGA sangat baik, stabil dan dapat mencapai nilai yang jauh lebih tinggi dari yang lain. SGA tampak tidak konvergen dan hal ini tentu dipengaruhi parameter algoritma genetik yang digunakan. Kurva random memberikan hasil yang makin buruk diakhir generasi. Percobaan III Ordered-Deme Genetic Algorithm Program Jumlah sub populasi : 3 Generasi maksimum : 10 Probabilitas crossover : Probabilitas mutasi : Jumlah individu yang bermigrasi : 2 Simple Genetic Algorithm Program Generation maksimum : 10 Probabalitas crossover : Probabilitas mutasi : Random Search for Multiprocessor scheduling Generation maksimum : 10 stabil dari awal, dengan nilai yang mendekati angka 1. SGA tampak stabil dan pada generasi ke-10 mulai mendapatkan hasil yang lebih baik, tapi tetap belum sebaik OGA. Kurva random sempat naik dan lebih baik nilainya dari kurva SGA, tapi turun dan kemudian naik lagi lalu menurun pada akhir generasi. 5. ANALISIS Hasil yang diberikan oleh OGA lebih baik dari kedua metoda pencarian lain. Kurva OGA stabil dan mempunyai bentuk hampir sama pada setiap percobaan. SGA tidak sestabil OGA, karena variasi parameter algoritma genetik yang digunakan SGA sangat mempengaruhi kestabilan SGA. Pada umumnya hasil terbaik yang diharapkan diperoleh pada generasi ke-1 sampai ke-3. Hal ini sangat dipengaruhi oleh kombinasi parameter-parameter algoritma genetik yang digunakan serta populasi awal yang diperoleh pada setiap percobaan. Dari hasil penelitian, harga probabilitas crossover yang lebih besar dari 0.4 akan membuat terlalu banyak variasi individu sehingga individu-individu yang baik hilang sehingga butuh lebih banyak generasi untuk memperoleh hasil yang diinginkan. Tetapi nilai crossover yang lebih kecil dari 0,1 akan mengakibatkan kurangnya variasi sehingga memperlambat kekonvergenan hasil yang diperoleh. Demikian pula untuk nilai probabilitasi mutasi lebih besar dari 0.05 atau lebih kecil dari memberikan hasil yang kurang baik. Pemilihan nilai probabilitas crossover dan mutasi harus dilakukan dengan sangat teliti karena dapat memberikan perbedaan hasil yang signifikan. Karena ini harus dilakukan percobaan yang sangat banyak dan bervariasi untuk memperoleh kombinasi nilai probabilitas crossover dan mutasi yang terbaik. Pada pengaplikasian nilai probabilitas mutasi adaptif, perlu juga diperhatikan perbedaan skala nilai tersebut pada sub populasi tertinggi dengan sub populasi-sub populasi berikutnya, karena hal ini juga sangat mempengaruhi kestabilan sistem serta waktu yang diperlukan untuk mendapatkan hasil yang diinginkan. Nilai Kecocokan Tertinggi Generasi OGA SGA Random Gambar 11. Grafik perbandingan OGA, SGA dan random Pada percobaan ini OGA memperoleh hasil yang 6. KESIMPULAN Dari hasil percobaan, dapat disimpulkan: 1. Eksperimen ini berhasil membuktikan bahwa algoritma genetik dengan sub populasi terurut berhasil menemukan jadwal yang umumnya lebih baik secara efisien, sehingga dapat memaksimalkan unjuk kerja suatu sistem multiprosesor. 2. Algoritma genetik dengan sub populasi ganda terurut dan proses migrasi memberikan hasil lebih
8 konvergen, sehingga dapat diperoleh jadwaljadwal terbaik dalam waktu relatif singkat. 3. Pemberian nilai probabilitas mutasi adaptif terhadap urutan sub populasi ternyata memberikan hasil yang baik karena sub populasi terendah dengan nilai probabilitas mutasi tertinggi memiliki kesempatan lebih tinggi dibanding sub populasi yang lain untuk menemukan individuindividu baru dengan kualitas yang lebih baik. Populasi terendah ini akan berkembang menjadi populasi yang lebih baik dan akan membantu sub populasi untuk menjadi lebih baik dengan memigrasikan individu-individu terbaiknya ke sub populasi yang lebih baik. 4. Hal-hal yang mempercepat terjadinya konvergensi selain distribusi frekuensi huruf adalah parameter algoritma yang digunakan, jumlah kromosom, serta keberuntungan mendapatkan nilai kecocokan yang tinggi saat pembangkitan acak pertama kali dalam populasi. DAFTAR REFERENSI [1] Andrew J. Page, Thomas J. Naughton, Dynamic Task Scheduling using Genetic Algorithm for Heterogeneous Distributed Computing. [2] Annie S. Wu, Han Yu, Shiyuan Jin, Kuo-Chi Lin, Guy Schiavone, An Incremental Genetic Algorithm Approach to Multiprocessor Scheduling, Proceeding of the IEEE Transactions on Parallel and Distributed Systems, Vol. 15, No. 9, September [3] Bong-Joon Jung, Kwan-Il Park, Kyu Ho Park, And Ordered-Deme Genetic Algorithm Scheduling, Proceeding of the IEIDE Transactions on Information System, Vol E83-0 No. 6 pp 1207, June [4] Goldberg, D.E., Genetic Algorithm in Search, Optimization and Machine Learning, Addison- Wesley Publishing Company, [5] William A. Greene, Dynamic Load-Balancing via a Genetic Algorithm.
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 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 terperinciABSTRAK. Job shop scheduling problem merupakan salah satu masalah. penjadwalan yang memiliki kendala urutan pemrosesan tugas.
ABSTRAK Job shop scheduling problem merupakan salah satu masalah penjadwalan yang memiliki kendala urutan pemrosesan tugas. Pada skripsi ini, metode yang akan digunakan untuk menyelesaikan job shop scheduling
Lebih terperinciKeywords Algoritma, Genetika, Penjadwalan I. PENDAHULUAN
Optimasi Penjadwalan Mata Kuliah Dengan Algoritma Genetika Andysah Putera Utama Siahaan Universitas Pembangunan Pancabudi Jl. Gatot Subroto Km. 4,5, Medan, Sumatra Utara, Indonesia andiesiahaan@gmail.com
Lebih terperinciAplikasi Algoritma Genetika 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 terperinciISSN VOL. 12, NO. 2, OKTOBER 2011
ANALISIS OPTIMASI PENJADWALAN JAGA DOKTER RESIDEN PENYAKIT DALAM PADA RUMAH SAKIT PENDIDIKAN Erlanie Sufarnap 1, Sudarto 2 STMIK Mikroskil Jl. Thamrin No. 112, 124, 140 Medan 20212 airlanee@yahoo.com 1,
Lebih 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 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 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 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 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 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 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 terperinciPENGGUNAAN ALGORITMA GENETIKA PADA PENJADWALAN PRODUKSI DI PT DNP INDONESIA PULO GADUNG
PENGGUNAAN ALGORITMA GENETIKA PADA PENJADWALAN PRODUKSI DI PT DNP INDONESIA PULO GADUNG Suriadi AS, Ulil Hamida, N. Anna Irvani STMI Jakarta, Kementerian Perindustrian RI ABSTRAK Permasalahan yang terjadi
Lebih 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 terperinciSWARM GENETIC ALGORITHM, SUATU HIBRIDA DARI ALGORITMA GENETIKA DAN PARTICLE SWARM OPTIMIZATION. Taufan Mahardhika 1
SWARM GENETIC ALGORITHM, SUATU HIBRIDA DARI ALGORITMA GENETIKA DAN PARTICLE SWARM OPTIMIZATION Taufan Mahardhika 1 1 Prodi S1 Kimia, Sekolah Tinggi Analis Bakti Asih 1 taufansensei@yahoo.com Abstrak Swarm
Lebih terperinciAPLIKASI ALGORITMA GENETIK UNTUK OPTIMASI PENJADWALAN KEGIATAN BELAJAR MENGAJAR
APLIKASI ALGORITMA GENETIK UNTUK OPTIMASI PENJADWALAN KEGIATAN BELAJAR MENGAJAR Ivan Nugraha - 13506073 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung
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 terperinciMODEL PENYELESAIAN JOB SHOP SCHEDULING PROBLEM MENGGUNAKAN METODE LOCAL SEARCH ALGORITHM DENGAN CROSS OVER
MODEL PENYELESAIAN JOB SHOP SCHEDULING PROBLEM MENGGUNAKAN METODE LOCAL SEARCH ALGORITHM DENGAN CROSS OVER Amiluddin Zahri Dosen Universtas Bina Darma Jalan Ahmad Yani No.3 Palembang Sur-el: amiluddin@binadarma.ac.id
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 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 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 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 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
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 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 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 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 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 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 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 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 Fungsi Tanpa Kendala Menggunakan Algoritma Genetika Dengan Kromosom Biner dan Perbaikan Kromosom Hill-Climbing
Optimasi Fungsi Tanpa Kendala Menggunakan Algoritma Genetika Dengan Kromosom Biner dan Perbaikan Kromosom Hill-Climbing Wayan Firdaus Mahmudy, (wayanfm@ub.ac.id) Program Studi Ilmu Komputer, Universitas
Lebih terperinciBAB IV ANALISIS MASALAH
BAB IV ANALISIS MASALAH 4.1 Tampilan Program Persoalan TSP yang dibahas pada tugas akhir ini memiliki kompleksitas atau ruang solusi yang jauh lebih besar dari TSP biasa yakni TSP asimetris dan simetris.
Lebih terperinciPENERAPAN ALGORITMA GENETIKA 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 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 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 terperinciPENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN TRAVELLING SALESMAN PROBLEM (TSP)
PENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN TRAVELLING SALESMAN PROBLEM (TSP) Mohamad Subchan STMIK Muhammadiyah Banten e-mail: moh.subhan@gmail.com ABSTRAK: Permasalahan pencarian rute terpendek dapat
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Penjadwalan 2.1.1 Pengertian Penjadwalan Penjadwalan dalam proses produksi merupakan sesuatu yang cukup penting, dalam proses penjadwalan dapat menentukan waktu yang dibutuhkan
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 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 EVOLUTIONARY ALGORITHM PADA PENJADWALAN PRODUKSI (Studi Kasus di PT Brother Silver Product Indonesia)
PENERAPAN EVOLUTIONARY ALGORITHM PADA PENJADWALAN PRODUKSI (Studi Kasus di PT Brother Silver Product Indonesia) I Gede Agus Widyadana Dosen Fakultas Teknologi Industri, Jurusan Teknik Industri Universitas
Lebih terperinciPenerapan Adaptive Genetic Algorithm dengan Fuzzy Logic Controller pada Capacitated Vehicle Routing Problem
Penerapan Adaptive Genetic Algorithm dengan Fuzzy Logic Controller pada Capacitated Vehicle Routing Problem Tri Kusnandi Fazarudin 1, Rasyid Kurniawan 2, Mahmud Dwi Sulistiyo 3 1,2 Prodi S1 Teknik Informatika,
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 terperinciPERBANDINGAN ALGORITMA EXHAUSTIVE, ALGORITMA GENETIKA DAN ALGORITMA JARINGAN SYARAF TIRUAN HOPFIELD UNTUK PENCARIAN RUTE TERPENDEK
PERBANDINGAN ALGORITMA EXHAUSTIVE, ALGORITMA GENETIKA DAN ALGORITMA JARINGAN SYARAF TIRUAN HOPFIELD UNTUK PENCARIAN RUTE TERPENDEK Rudy Adipranata 1) Felicia Soedjianto 2) Wahyudi Tjondro Teknik Informatika,
Lebih terperinciKNAPSACK PROBLEM DENGAN ALGORITMA GENETIKA
LAPORAN TUGAS BESAR ARTIFICIAL INTELLEGENCE KNAPSACK PROBLEM DENGAN ALGORITMA GENETIKA Disusun Oleh : Bayu Kusumo Hapsoro (113050220) Barkah Nur Anita (113050228) Radityo Basith (113050252) Ilmi Hayyu
Lebih 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 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 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 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 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 terperinciUSULAN PENERAPAN PENJADWALAN DENGAN MENGGUNAKAN METODE ALGORITMA GENETIKA DI PD BLESSING
USULAN PENERAPAN PENJADWALAN DENGAN MENGGUNAKAN METODE ALGORITMA GENETIKA DI PD BLESSING Santoso 1*, Eldad Dufan Sopater Subito 2 1,2 Jurusan Teknik Industri, Fakultas Teknik, Universitas Kristen Maranatha
Lebih terperinciPenerapan Algoritma Program Dinamis dalam Penjadwalan Pengerjaan Sekumpulan Tugas Pelajar
Penerapan Algoritma Program Dinamis dalam Penjadwalan Pengerjaan Sekumpulan Tugas Pelajar Harry Alvin Waidan Kefas - 13514036 Program Sarjana Teknik Informatika Sekolah Teknik Elektro dan Informatika Bandung,
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 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 terperinciAsri Maspupah Jurusan Informatika, Fakultas MIPA Universitas Jenderal Achmad Yani Jl. Terusan Sudirman, Cimahi
Perbandingan Jumlah Pinalti Alokasi Task pada Penjadwalan Kerja dengan Perhitungan Manual dan Algoritma Genetika Asri Maspupah Jurusan Informatika, Fakultas MIPA Universitas Jenderal Achmad Yani Jl. Terusan
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 terperinciPenerapan Algoritma Genetika pada Permainan Rubik s Cube
Penerapan Algoritma Genetika pada Permainan Rubik s Cube Abigael Angela Pardede 1, Shanny Avelina Halim 2, Denny Nugrahadi 3 Laboratorium Ilmu dan Rekayasa Komputasi Departemen Teknik Informatika, Institut
Lebih terperinciPENERAPAN ALGORITMA GENETIKA DALAM PENYELESAIAN TRAVELLING SALESMAN PROBLEM WITH PRECEDENCE CONSTRAINTS (TSPPC)
PENERAPAN ALGORITMA GENETIKA DALAM PENYELESAIAN TRAVELLING SALESMAN PROBLEM WITH PRECEDENCE CONSTRAINTS (TSPPC) Yayun Hardianti 1, Purwanto 2 Universitas Negeri Malang E-mail: yayunimoet@gmail.com ABSTRAK:
Lebih terperinciBAB III. 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 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 terperinciA. ADHA. Program Studi Teknik Sipil, Fakultas Teknik,Universitas Islam Riau, Pekanbaru, Indonesia Corresponding author:
Institut Teknologi Padang, 27 Juli 217 ISBN: 978-62-757-6-7 http://eproceeding.itp.ac.id/index.php/spi217 Optimasi Bentuk Struktur dan Penampang pada Struktur Rangka Baja Terhadap Kendala Kehandalan Material
Lebih terperinciBAB II LANDASAN TEORI
27 BAB II LANDASAN TEORI 2.1. Penelitian Terkait Penelitian terkait yang menggunakan algoritma genetika untuk menemukan solusi dalam menyelesaikan permasalahan penjadwalan kuliah telah banyak dilakukan.
Lebih terperinciAlgoritma Evolusi Real-Coded GA (RCGA)
Algoritma Evolusi Real-Coded GA (RCGA) Imam Cholissodin imam.cholissodin@gmail.com Pokok Bahasan 1. Siklus RCGA 2. Alternatif Operator Reproduksi pada Pengkodean Real 3. Alternatif Operator Seleksi 4.
Lebih terperinciCrossover Probability = 0.5 Mutation Probability = 0.1 Stall Generation = 5
oleh pengguna sistem adalah node awal dan node tujuan pengguna. Lingkungan Pengembangan Sistem Implementasi Algoritme Genetika dalam bentuk web client menggunakan bahasa pemrograman PHP dan DBMS MySQL.
Lebih 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 TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Algoritma Genetika Algoritma genetika sebagai cabang dari algoritma evolusi merupakan metode yang digunakan untuk memecahkan suatu pencarian nilai dalam permasalahan-permasalahan
Lebih 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 terperinciPeramalan Kebutuhan Beban Sistem Tenaga Listrik Menggunakan Algoritma Genetika
Peramalan Kebutuhan Beban Sistem Tenaga Listrik Menggunakan Algoritma Genetika M. Syafrizal, Luh Kesuma Wardhani, M. Irsyad Jurusan Teknik Informatika - Universitas Islam Negeri Sultan Syarif Kasim Riau
Lebih terperinciBAB 2 LANDASAN TEORI. 2.1 Algoritma Genetika
6 BAB 2 LANDASAN TEORI 2.1 Algoritma Genetika Algoritma genetika merupakan metode pencarian yang disesuaikan dengan proses genetika dari organisme-organisme biologi yang berdasarkan pada teori evolusi
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Penjadwalan Penjadwalan adalah penempatan sumber daya (resource) dalam satu waktu. Penjadwalan mata kuliah merupakan persoalan penjadwalan yang umum dan sulit dimana tujuannya
Lebih terperinciBab 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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada Bab II dijelaskan landasan teori yang digunakan untuk mendukung tugas akhir ini. Subbab 2.1 membahas teori SP secara umum, kemudian Subbab 2.2 lebih khusus membahas PFSP. Pada
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 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 terperinciALGORITMA SEMUT PADA PENJADWALAN PRODUKSI JOBSHOP
Media Informatika, Vol. 2, No. 2, Desember 2004, 75-81 ISSN: 0854-4743 ALGORITMA SEMUT PADA PENJADWALAN PRODUKSI JOBSHOP Zainudin Zukhri, Shidiq Alhakim Jurusan Teknik Informatika, Fakultas Teknologi Industri,Universitas
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 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 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 2 LANDASAN TEORI
5 BAB 2 LANDASAN TEORI Pada bab ini akan dibicarakan beberapa model penyelesaian problema Knapsack dengan memakai beberapa metode yang telah ada yang akan digunakan pada bab pembahasan. 2. Problema Knapsack
Lebih terperinciAlgoritma Evolusi Evolution Strategies (ES)
Algoritma Evolusi Evolution Strategies (ES) Imam Cholissodin imam.cholissodin@gmail.com Pokok Bahasan 1. Struktur Dasar Evolution Strategies (ES) 2. Siklus ES (µ, λ) 3. Siklus ES (µ/r + λ) 4. Studi Kasus
Lebih terperinciDETEKSI MAHASISWA BERPRESTASI DAN BERMASALAH DENGAN METODE K- MEANS KLASTERING YANG DIOPTIMASI DENGAN ALGORITMA GENETIKA
DETEKSI MAHASISWA BERPRESTASI DAN BERMASALAH DENGAN METODE K- MEANS KLASTERING YANG DIOPTIMASI DENGAN ALGORITMA GENETIKA Akmal Hidayat 1) & Entin Martiana 2) 1) Teknik Elektro Politeknik Bengkalis Jl.
Lebih terperinciPenjadwalan Dinas Pegawai Menggunakan Algoritma Genetika Pada PT Kereta Api Indonesia (KAI) Daerah Operasi 7 Stasiun Besar Kediri
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 11, November 2018, hlm. 4371-4376 http://j-ptiik.ub.ac.id Penjadwalan Dinas Pegawai Menggunakan Algoritma Genetika
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 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 terperinciMENINGKATKAN KECEPATAN KOMPUTASI UNTUK PENGAMBILAN KEPUTUSAN (KLASIFIKASI) MELALUI REDUKSI DIGIT NUMERIK TAK SIGNIFIKAN
MENINGKATKAN KECEPATAN KOMPUTASI UNTUK PENGAMBILAN KEPUTUSAN (KLASIFIKASI) MELALUI REDUKSI DIGIT NUMERIK TAK SIGNIFIKAN Kuspriyanto, Samiran, Tri Aulat Junarwoto Sekolah Teknik Elektro dan Informatika
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 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 terperinciPENGENALAN ALGORITMA GENETIK
PENGENALAN ALGORITMA GENETIK Aries Syamsuddin ariesmipa@psyon.org Lisensi Dokumen: Seluruh dokumen di IlmuKomputer.Com dapat digunakan, dimodifikasi dan disebarkan secara bebas untuk tujuan bukan komersial
Lebih terperinciRANCANG BANGUN PERANGKAT LUNAK PENJADWALAN PERKULIAHAN MENGGUNAKAN METODE META- HEURISTIK (PENGGABUNGAN METODE ALGORITMA GENETIK DAN TABU SEARCH)
RANCANG BANGUN PERANGKAT LUNAK PENJADWALAN PERKULIAHAN MENGGUNAKAN METODE META- HEURISTIK (PENGGABUNGAN METODE ALGORITMA GENETIK DAN TABU SEARCH) TUGAS AKHIR Disusun Oleh : RIO PRAYOGA SUPRAYANA NPM. 06
Lebih terperinciALGORITMA GENETIKA PADA PEMROGRAMAN LINEAR DAN NONLINEAR
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 5, No. 03(2016), hal 265 274. ALGORITMA GENETIKA PADA PEMROGRAMAN LINEAR DAN NONLINEAR Abdul Azis, Bayu Prihandono, Ilhamsyah INTISARI Optimasi
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Penjadwalan dan Penjadwalan Flow shop Menurut Kumar (2011), jadwal merupakan rencana sistematis yang umumnya menceritakan hal-hal yang akan dikerjakan. Menurut Pinedo (2005),
Lebih terperinciPENJADWALAN MESIN BERTIPE JOB SHOP UNTUK MEMINIMALKAN MAKESPAN DENGAN METODE ALGORITMA GENETIKA (STUDI KASUS PT X)
PENJADWALAN MESIN BERTIPE JOB SHOP UNTUK MEMINIMALKAN MAKESPAN DENGAN METODE ALGORITMA GENETIKA (STUDI KASUS PT X) Ria Krisnanti 1, Andi Sudiarso 2 1 Jurusan Teknik Mesin dan Industri, Fakultas Teknik,
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 terperinciPENYELESAIAN KNAPSACK PROBLEM MENGGUNAKAN ALGORITMA GENETIKA
PENYELESAIAN KNAPSACK PROBLEM MENGGUNAKAN ALGORITMA GENETIKA Kartina Diah KW1), Mardhiah Fadhli2), Charly Sutanto3) 1,2) Jurusan Teknik Komputer Politeknik Caltex Riau Pekanbaru Jl. Umban Sari No.1 Rumbai-Pekanbaru-Riau
Lebih terperinciJl. Ahmad Yani, Pontianak Telp./Fax.: (0561)
APLIKASI PENCARIAN RUTE TERPENDEK MENGGUNAKANALGORITMA GENETIKA (Studi Kasus: Pencarian Rute Terpendek untuk Pemadam Kebakaran di Wilayah Kota Pontianak) [1] Putri Yuli Utami, [2] Cucu Suhery, [3] Ilhamsyah
Lebih terperinciBab IV Simulasi dan Pembahasan
Bab IV Simulasi dan Pembahasan IV.1 Gambaran Umum Simulasi Untuk menganalisis program pemodelan network flow analysis yang telah dirancang maka perlu dilakukan simulasi program tersebut. Dalam penelitian
Lebih terperinciDesign and Analysis of Algorithms CNH2G3- Week 8 Greedy Algorithm
Design and Analysis of Algorithms CNH2G3- Week 8 Greedy Algorithm Dr. Putu Harry Gunawan (PHN) Daftar Isi 1 Greedy Algorithm.................................. 1 2 Contoh-contoh Algoritma Greedy........................
Lebih terperinciPENYELESAIAN PENJADWALAN MATAKULIAH MENGGUNAKAN HIBRIDISASI ALGORITMA GENETIKA DAN ALGORITMA KOLONI SEMUT
PENYELESAIAN PENJADWALAN MATAKULIAH MENGGUNAKAN HIBRIDISASI ALGORITMA GENETIKA DAN ALGORITMA KOLONI SEMUT Devie Rosa Anamisa 1), Arif Djunaidy 2) 1) Jurusan Teknik Informatika, Fakultas Teknologi Informasi
Lebih terperinci