Pemodelan Matematis untuk Perspektif Perilaku Agen Cerdas Pembeli dengan Pendekatan (MOEA) NSGA II
|
|
- Herman Sukarno Tedja
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Pemodelan Matematis untuk Perspektif Perilaku Agen Cerdas dengan Pendekatan (MOEA) NSGA II Dwi Rolliawati Dosen Sistem Komputer, Universitas Narotama Abstrak Agen ad alah suatu entitas perangkat lunak komputer yang memungkinkan user (pengguna) untuk mendelegasikan tugas kepadanya secara mandiri (autonomously). Agen memiliki kemampuan cerdas untuk berkolaborasi dengan user, melakukan fungsi monitoring dan learning untuk memenuhi kebutuhan user. Dalam melakukan fungsi monitoring dan learning, maka seorang agen harus dibekali kecerdasan buatan. Dalam penelitian ini, diusulkan desain perilaku agen pembeli dengan pendekatan optimasi multi objektif menggunakan algoritma MOEA (Multi Objective Evolutionary Optimization). Konsep multi kriteria pada agen dalam makalah ini didasarkan teori Constraint Satisfaction Problem (CSP). Hasil dari penelitian ini, agen pembeli memiliki multi kriteria untuk memutuskan membeli, negosiasi atau tidak membeli. Kata Kunci: agen, autonomously, monitoring, learning, pembeli, multi objektif, multi kriteria, optimasi, MOEA, CSP. 1. Pendahuluan Agen adalah suatu entitas perangkat lunak komputer yang memungkinkan user (pengguna) untuk mendelegasikan tugas kepadanya secara mandiri (autonomously). Agen memiliki kemampuan cerdas untuk berkolaborasi dengan user, melakukan fungsi monitoring dan learning untuk memenuhi kebutuhan user. Dalam melakukan fungsi monitoring dan learning, seorang agen harus dibekali kecerdasan buatan. Dalam dunia nyata, pembeli memiliki kecerdasan dalam memilih barang yang akan dibeli, memilih penjual yang menurutnya nyaman dan menguntungkan. Seorang pembeli akan mempertimbangkan banyak hal (multi criteria) ketika akan memutuskan membeli sesuatu. Variabel pertimbangan yang paling umum dari sisi pembeli adalah harga minimal dengan kualitas yang baik. 2 kriteria ini sangat bertentangan, inilah yang dinamakan kasus multi objektif. Penelitian tentang agent pembeli telah banyak dilakukan [1,2,3,4]. Dalam penelitian sebelumnya [1] dibuat agen pembeli berbasis hierarchical finite state machine (HFSM) untuk mensimulasikan keputusan SCM Procurement. Akan tetapi persoalan multiobjektif dalam penelitian tersebut masih belum dikembangkan dan system yang digunakan banyak kelemahannya. Rumusan dalam bentuk model matematis dari strategi agent pembeli dan penjual supaya saling menguntungkan [2]. Masih berkorelasi tentang agen pembeli, [3] mengembangkan agen pembeli berbasis logika Fuzzy untuk proses negosiasi otomatis dalam ecommerce. Sedangkan peneliti yang lain [4] telah mengembangkan pendekatan optimasi multi objektif pada agen pembeli dan penjual menggunakan teknik priority based matchmacing algoritma genetika. Merujuk dari berbagai penelitian tersebut, diusulkan autonomous agen pembeli studi kasus agen pembelian laptop dengan pendekatan Multi Objective Evolutionary Optimization (MOEA) menggunakan Non Dominant Sort Genetic Algorithm II atau lebih dikenal dengan nama MOEA NSGA-II. Adapun konstrain dari multi kriteria variabel didasarkan pada teori Constraint Satisfaction Problem (CSP). Penelitian ini bertujuan untuk mensimulasikan perilaku pembeli mandiri (autonomous) yang dapat diaplikasikan dalam membantu pengambilan keputusan seorang purchasing/agen pembelian laptop dalam bentuk game. Akan tetapi simulasi game dalam penelitian belum terimplementasikan. Hasil akhir dari penelitian ini untuk sementara adalah varian nilai fungsi fitness yang merupakan output dari agen pembeli ini. Sehingga pembeli akan memutuskan pada state membeli, bernegosiasi atau tidak membeli. State perilaku agen ditunjukkan melalui model Finite State Machine (FSM). Formula dan simulasi dalam penelitian ini bisa digunakan sebagai sarana edutainment untuk mata pelajaran ekonomi. 2. Metode yang diterapkan Untuk membuat autonomous agen pembeli dari parameter multi objektif yang saling bertentangan maka dibuat suatu pengendali optimisasi multi objektif Non Dominant Sort Genetic Algorithm II (NSGA-II). Gambaran sistem pada penelitian ini,terlihat pada gambar 1. Dimulai dari inisial variabel criteria pembeli, kemudian diolah menggunakan algoritma NSGA-II, sehingga menghasilkan nilai fitness yang dapat menentukan keputusan bagi pembeli tersebut. Kriteria pembeli pada penelitian ini didasarkan dari hasil survey pembeli laptop masyarakat umum. Sedangkan alur sistem dari algoritma NSGA 2 dapat dilihat pada gambar 2.
2 Multi Kriteria : Harga Prosesor Memori Harddisk Bobot MOEA NSGA 2 Nilai fitness Keputusan Agen pembeli Ekpektasi Kemampuan Minimal Kemampuan Maksimal Penawaran Penjual Preference AGEN PEMBELI Penilaian Harga Penilaian Kualitas Gen= gen+1 Yes Gambar 1. Desain sistem secara keseluruhan Start Initialise Populasi gen Pop Classified Crossover Mutation Apakah Pop Terklasifikasi STOP NO Gambar 2. Alur Algoritma NSGA 2 Proses seleksi memilih individu yang baik (fit) pada algoritma NSGA II menggunakan teknik non dominant sort dan crowding distance. Kedua teknik tersebut ditunjukkan pada tabel 1 dan Perspektif Perilaku konsumen sebagai perilaku pembeli akhir baik individu maupun rumah tangga yang membeli produk untuk konsumsi personal. Dari definisi tersebut ditarik kesimpulan yaitu : 1) Perilaku konsumen menyoroti perilaku individu dan rumah tangga 2) Perilaku konsumen menyangkut suatu proses keputusan sebelum membeli serta tindakan memperoleh, memakai, mengkonsumsi dan menghabiskan produk. Dari teori tersebut, agen pembeli pada penelitian ini memiliki variabel harga, /kapasitas barang (prosesor, memori, harddisk), yang dipengaruhi oleh faktor ketertarikan pembeli (buyer preference). Variabel ketertarikan pembeli berhubungan dengan factor psikologi dari agen. Seorang agen pembeli tidak selamanya menginginkan mempunyai barang yang murah dengan kapasitas sempurna. Aksi autonomous agen dalam penelitian ini digambarkan sebagai berikut: No Fitness Mengidentifikasi Individu yang dominan Gambar 3. Diagram blok autonomous agen pembeli 2.2 Constraint Satisfaction Problem Dalam menyelesaikan suatu kasus diberikan nilai konstrain dibagi menjadi 2 yaitu konstrain tegas (hard constraint) dan lunak (soft constraint). Konstrain tegas adalah fungsi yang harus sama persis (equal to). Sedangkan konstrain lunak adalah fungsi yang fleksibel, memiliki range tertentu dalam menyelesaikan permasalahan, dan konstrain inilah yang digunakan untuk penyelesaian penelitian ini. Dalam perspektif agen pembeli notebook konstrain lunak ini dikategorikan 1. lebih banyak adalah lebih baik, meliputi parameter prosesor, memori, harddisk. Dalam penelitian ini dinamakan fungsi maksimal kapasitas 2. lebih sedikit adalah lebih baik, yaitu harga. Dalam penelitian ini dinamakan fungsi minimal harga. 2.3 Model Matematis Fungsi Fitness Visi umum dari penelitian ini adalah penyelesaian kasus multi objektif yang saling bertentangan. Berdasarkan teori ekonomi, dalam kasus pembelian, seorang pembeli memutuskan membeli dengan mempertimbangkan: P = x 1. harga + x 2. Kualitas + x 3. Kultur + x 4. Learning.+ x n.y n Dimana x i-n adalah variabel preference dari pembeli itu sendiri dengan, sedangkan y adalah variabel pertimbangan pembeli. Sehingga dari perumusan tersebut, ditentukan : 1. Fungsi maksimal (f 1), yaitu fungsi kapasitas. Fungsi ini dipengaruhi oleh penilaian pembeli b igf, bobot ketertarikan agen terhadap masing-masing kapasitas laptop yang ditawarkan (Prosesor, memory dan harddisk). Selain memiliki bobot tersebut yang berbentuk matrik 3 x N, fungsi ini juga memiliki bobot kumulatif. Bobot ini adalah sebagai variabel pembanding terhadap fungsi harga. Adapun b igf dipengaruhi oleh nilai penawaran
3 penjual ( ), kemampuan minimal pembeli ( ), nilai ekpektasi pembeli (. Dengan i sebagai pembeli, f sebagai fungsi konstrain lunak, k jumlah variabel kapasitas (Prosesor, hardisk, memory) dan g adalah produk yang ditawarkan. Sehingga dapat dituliskan : dimana: dengan 2. Fungsi minimal (f 2) yaitu fungsi harga Fungsi ini dipengaruhi oleh penilaian pembeli b igf, bobot ketertarikan agen terhadap harga yang ditawarkan dan fungsi kapasitas f 1. Tidak selamanya agen pembeli menginginkan produk dengan harga yang murah, akan tetapi bergantung pada bobot ketertarikan agen terhadap sesuatu yang ditawarkan. Hampir sama dengan fungsi yang pertama, dalam menentukan b igf fungsi ini dipengaruhi oleh nilai penawaran penjual ( ), kemampuan maksimum pembeli ( ekpektasi pembeli ( ), nilai. Dengan i adalah pembeli, f sebagai fungsi konstrain lunak dan g adalah produk yang ditawarkan. Sehingga dapat dituliskan : Dimana : ) Perhitungan nilai fitness dari beberapa fungsi diatas akan menentukan keputusan state autonomous agen pembeli. Dimana: b igf : fungsi penilaian pembeli a gf : penawaran penjual e if : nilai ekspektasi pembeli e ifmin : kemampuan minimum pembeli e ifmax : kemampuan maksimal pembeli : fungsi intermediate agen : fungsi objektif agen : bobot ketertarikan terhadap kapasitas : bobot kumulatif kapasitas : bobot kumulatif harga 2.4 Finite State Machine Agen Cerdas Finite State Machine (FSM) atau disebut juga finite state automata merupakan suatu model abstraksi matematis yang biasanya digunakan untuk merepresentasikan logika digital atau pemrograman computer. Metode ini seakan menjadi standard dan telah digunakan secara luas dibidang game. Hal ini karena kesederhanaan dan kemudahan FSM diimplementasikan pada game. FSM pada dasarnya adalah pemodelan dari perilaku sebuah sistem/objek dengan beberapa kondisi yang terdefinisikan. Di mana objek tersebut dapat bertransisi ke state tertentu setiap waktu dengan batasan angka dari kondisi atau objek yang ditentukan. FSM terdiri dari dua elemen utama yaitu state (keadaan) dan transition (transisi). State merupakan keadaan objek saat ini, sedangkan transition merupakan hal yang dilakukan agar bisa berpindah dari satu state ke state yang lain. Dalam penelitian ini FSM digunakan untuk memodelkan perilaku autonomous agen pembeli yang terdiri dari beberapa state seperti terlihat pada gambar dibawah ini. Idle Cari penjual baru Memilih penjual Action Beli Tidak terpenuhi Bertanya Harga+ Kembali Cocok Konfirmasi perubahan harga Bertanya ke penjual untuk potongan Konfirmasi potongan harga harga Bertanya ke penjual untuk mengubah Tidak ada potongan Tidak diubah Maka dapat juga dituliskan : ) Gambar 4. FSM Perilaku Agen 3. Pembahasan Hasil Pada penelitian ini proses optimisasi multi objektif berbasis NSGA-II digunakan sejumlah 404 sampel data. Berikut potongan tabel data terlihat pada gambar 3.
4 Keterangan gambar: Penawaran penjual (Prosesor,Memory, Hardisk) Penawaran penjual (harga) kemampuan minimal (P, M, H) ekspektasi pembeli (P, M, H) Ekspektasi harga pembeli Harga Maksimal Bobot pembeli terhadap P, M, H,Bobot pembeli terhadap 2 fungsi minimal dan maksimal Gambar 5. Data sampel Dari data sampel yang ada diperoleh hasil observasi dari algoritma MOEA NSGA-II berupa grafik pada gambar 5. Sumbu x menunjukkan fungsi f x1 yaitu fungsi kapasitas, sumbu y menunjukkan fungsi f x2 yaitu fungsi harga. Grafik gambar 5 menunjukkan adanya hubungan berbanding terbalik diantara 2 fungsi tersebut Berdasarkan dari tabel hasil dapat dianalisa bahwa : agen pembeli ke i=1 ( lihat tabel 3) mempunyai data ketertarikan sebesar w 1 = 0,4 dan w 2 = 0,6 untuk harga. Setelah melalui proses MOEA NSGA II, ternyata penilaian agen terhadap yang diberikan penjual (f x1 ) hanya 0,2 sedangkan penilaian harga sebesar (f x2 ) 0,45 maka agen akan memutuskan untuk bernegosiasi, karena nilai f x3 = 0,47. Dalam permasalahan ini agen memiliki ketertarikan terhadap harga sangat tinggi, tetapi agen menilai bobot harga yang ditawarkan penjual hanya 0,45 sehingga agen akan melakukan negosiasi untuk memperoleh hasil yang diinginkan. 4. Kesimpulan Dengan menggunakan MOEA NSGA II, dapat diperoleh solusi yang optimal untuk permasalahan multi objektif pada autonomous agen pembeli laptop. Sekalipun memerlukan waktu yang agak lama dalam proses eksekusi pencarian non dominat sort nya. Perilaku autonomous agen pembeli akan lebih baik lagi jika ditambahkan lebih banyak parameter seperti: waktu pengiriman, lama garansi, dan servis. Semakin banyak knowledge yang diberikan pada automonomus agen pembeli maka akan semakin akurat dalam proses pengambilan keputusan. Kedepan, penelitian ini akan dikembangkan dengan penambahan autonomous agen penjual dan diimplementasikan dalam bentuk game. Gambar 5. Hasil observasi dari algoritma NSGA-II Tabel 3: Tabel Hasil Observasi p w1 w2 f x1 f x Pustaka [1] Prajitno Imam, Simulasi Pengambilan Keputusan Multi Objektif SCM Procurement menggunakan Hierarki State Machine,, Seminar Nasional MMT - ITS, 2009 [2] Claudia V.Goldman, Sarit Kraus, Onn Shehory, Agent Strategies : for sellers to satify purchase-orders, for buyer to select sellers, NSF under grant No.IIS980657, IBM. [3] R. Manjavacas, J.J Castro Schez, A Fuzzy Buyer Agent for An Automatic Negotiation Framework On E- Commerce, EUSFLAT FLA, 2005.
5 [4] Xiaohui Li, Tomohiro Murata,Priority based Matchmaching Method of Buyer and Supplier in B2B e-marketplace Using Multi-objektif Optimization, Proceedings of International MultiConference of Engineers and Computer Scientists (IMECS) Vol.1, 2009 [5] Deswindi Leli, Kecepatan Tingkat Penerimaan dan Perilaku Konsumen terhadap produk lama yang Mengalami Perubahan dan Produk Inovasi Baru dalam Upaya Memasuki dan Merebut Pasar, Business & Management Journal Bunda Mulia Vol.3, 2007 [6] Jong-Jin Jung, Geun-Sik Jo, Brokerage between buyer and seller agents using Constraint Satisfaction Problem models, ELSIVIER. Decision Support Systems [7] Aravind Seshadri, Multi-Objective Optimization Using Evolutionary Algorithms (MOEA). [8] Abdullah Konak, David W. Coit, Alice E. Smith. Multi-objective optimization using genetic algorithms: A tutorial, [9] Srivanandam SN, Deepa SN. Introduction to Genetic Algorithms. ISBN , Springer Berlin Heidelberg New York [10] Frederick C. Hennie, Finite-State Models for Logical Machines, Wiley, New York.
Pemodelan Matematis untuk PePespektif Perilaku Agen Cerdas Pembeli dengan Pendekatan (MOEA) NSGA II Dwi Rolliawati
ISSN 1858-4667 JURNAL LINK Vol 16/No. 1/Februari 2012 Pemodelan Matematis untuk PePespektif Perilaku Agen Cerdas Pembeli dengan Pendekatan (MOEA) NSGA II Dwi Rolliawati Dosen Sistem Komputer, Universitas
Lebih terperinciAutonomous Agen Pembeli dengan Pendekatan Multi Objective Evolutionary Optimization (MOEA) NSGA II
Autonomous Agen dengan Pendekatan Multi Objective Evolutionary Optimization (MOEA) NSGA II Dwi Rolliawati 1) Supeno Mardi 2) Moch.Hariadi 3) I Ketut Eddy Purnama 4) Teknik Elektro ITS, Surabaya, Indonesia,
Lebih terperinciFungsi pembeli. Dengan Maka dirumuskan: fx1: fungsi pembeli. Q Quantity/jumlah Trading
Fungsi pembeli Dengan Maka dirumuskan: fx1: fungsi pembeli Q Quantity/jumlah Trading Fungsi penjual fx2: fungsi penjual Sji: Scoring Function JU = (1 fx1) JU merupakan pengukuran nilai manfaat/keuntungan
Lebih terperinciAGEN CERDAS AUTONOMOUS BERBASIS FINITE STATE MACHINE (FSM) UNTUK SELEKSI SUPPLIER DALAM PROSES SUPPLY CHAIN MANAJEMEN
AGEN CERDAS AUTONOMOUS BERBASIS FINITE STATE MACHINE (FSM) UNTUK SELEKSI SUPPLIER DALAM PROSES SUPPLY CHAIN MANAJEMEN Oleh : Bimbi Sushadiyati 2208205710 Latar Belakang Di dalam perancangan system supply
Lebih terperinciDESAIN SIMULASI PENGAMBILAN KEPUTUSAN MULTIOBJECTIVE MENGGUNAKAN AGEN CERDAS
DESAIN SIMULASI PENGAMBILAN KEPUTUSAN MULTIOBJECTIVE MENGGUNAKAN AGEN CERDAS Mohamad Iman Prajitno 1, Bambang Wahyu W 2, Muh. Chosyi'in 3, Supeno Mardi S 4, Moch. Hariadi 5 Pasca Sarjana Jurusan Teknik
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 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 terperinciPENERAPAN ALGORITMA GENETIKA UNTUK MENYELESAIKAN PERMASALAHAN PENJADWALAN DOSEN DENGAN FUZZY
PENERAPAN ALGORITMA GENETIKA UNTUK MENYELESAIKAN PERMASALAHAN PENJADWALAN DOSEN DENGAN FUZZY Arief Kelik Nugroho Fakultas Teknik, Universitas PGR Yogyakarta e-mail : ariefkeliknugroho@gmail.com Abstrak
Lebih 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 terperinciKeywords Algoritma, Genetika, Penjadwalan I. PENDAHULUAN
Optimasi Penjadwalan Mata Kuliah Dengan Algoritma Genetika Andysah Putera Utama Siahaan Universitas Pembangunan Pancabudi Jl. Gatot Subroto Km. 4,5, Medan, Sumatra Utara, Indonesia andiesiahaan@gmail.com
Lebih terperinciBAB 1. PENDAHULUAN. 1.1 Latar Belakang
BAB 1. PENDAHULUAN 1.1 Latar Belakang Sejalan dengan tuntutan persaingan bisnis, banyak perusahaan menyadari bahwa keunggulan teknologi dan produk yang dihasilkan semata tidak lagi dapat diandalkan menjadi
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 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 terperinciSISTEM PENDUKUNG KEPUTUSAN CERDAS UNTUK OPTIMISASI PERMASALAHAN MULTI OBYEKTIF PADA SERIOUS GAME: ECONOMIC AND EMISSION DISPATCH
SISTEM PENDUKUNG KEPUTUSAN CERDAS UNTUK OPTIMISASI PERMASALAHAN MULTI OBYEKTIF PADA SERIOUS GAME: ECONOMIC AND EMISSION DISPATCH I.G.P. Asto Buditjahjanto NRP : 2207 301 702 Latar Belakang Perkembangan
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 terperinciPENCOCOKAN KATA SECARA ACAK DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL
Jurnal Matematika UNAND Vol. 2 No. 2 Hal. 1 9 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENCOCOKAN KATA SECARA ACAK DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL MULIA AFRIANI KARTIKA
Lebih terperinciBAB 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 terperinciABSTRAK. Kata kunci: Optimasi Penjadwalan, Algoritma Genetik
ABSTRAK Fakultas Informasi Teknologi Universitas Kristen Maranatha saat ini masih melakukan penjadwalan penggunaan ruangan laboratorium secara manual. Penjadwalan penggunaan ruangan laboratorium memiliki
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 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 terperinciIMPLEMENTASI ALGORITMA GENETIKA PADA KNAPSACK PROBLEM UNTUK OPTIMASI PEMILIHAN BUAH KEMASAN KOTAK
IMPLEMENTASI ALGORITMA GENETIKA PADA KNAPSACK PROBLEM UNTUK OPTIMASI PEMILIHAN BUAH KEMASAN KOTAK Komang Setemen Jurusan Manajemen Informatika, Fakultas Teknik Kejuruan, Universitas Pendidikan Ganesha
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 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 terperinciOptimasi Teknik Klasifikasi Modified k Nearest Neighbor Menggunakan Algoritma Genetika
Optimasi Teknik Klasifikasi Modified k Nearest Neighbor Menggunakan Algoritma Genetika Siti Mutrofin 1, Arrie Kurniawardhani 2, Abidatul Izzah 3, Mukhamad Masrur 4 Universitas Pesantren Tinggi Darul Ulum
Lebih terperinciMEMBANGUN TOOLBOX ALGORITMA EVOLUSI FUZZY UNTUK MATLAB
MEMBANGUN TOOLBOX ALGORITMA EVOLUSI FUZZY UNTUK MATLAB Syafiul Muzid 1, Sri Kusumadewi 2 1 Sekolah Pascasarjana Magister Ilmu Komputer, Universitas Gadjah Mada, Yogyakarta e-mail: aakzid@yahoo.com 2 Jurusan
Lebih terperinciPEMANFAATAN ALGORITMA FUZZY EVOLUSI UNTUK PENYELESAIAN KASUS TRAVELLING SALESMAN PROBLEM
PEMANFAATAN ALGORITMA FUZZY EVOLUSI UNTUK PENYELESAIAN KASUS TRAVELLING SALESMAN PROBLEM Syafiul Muzid Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia, Yogyakarta E-mail:
Lebih terperinciTAKARIR. algorithm algoritma/ kumpulan perintah untuk menyelesaikan suatu masalah. kesalahan program
TAKARIR advanced tingkat lanjut algorithm algoritma/ kumpulan perintah untuk menyelesaikan suatu masalah alleles nilai suatu gen. bug kesalahan program chromosome kromosom crossover penyilangan kromosom
Lebih terperinciBAB 1 PENDAHULUAN. 1 Randy L Haupt & Sue Ellen Haupt, Practical Genetic Algorithms second edition, Wiley Interscience,2004.
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Seseorang salesman tentu akan sangat kesulitan jika harus mengunjungi semua kota sendirian, oleh karena itu dibutuhkan beberapa orang salesman untuk membagi
Lebih terperinciMega Orina Fitri Dosen Jurusan Ilmu Perpustakaan UIN Imam Bonjol Padang ABSTRAK
OPTIMASI PENGANGKUTAN PETI KEMAS DALAM PENYELESAIAN KNAPSACK BERDASARKAN PERBANDINGAN ALGORITMA GENETIKA DAN ALGORITMA GREEDY Mega Orina Fitri Dosen Jurusan Ilmu Perpustakaan UIN Imam Bonjol Padang Email
Lebih terperinciPENJADWALAN OPERASIONAL PEMBANGKIT BERBASIS ALGORITMA GENETIK PADA SISTEM PEMBANGKIT SUMATERA BAGIAN TENGAH
Penjadwalan Operasional Pembangkit Berbasis Algoritma Genetik (Dwi Ana dkk) PENJADWALAN OPERASIONAL PEMBANGKIT BERBASIS ALGORITMA GENETIK PADA SISTEM PEMBANGKIT SUMATERA BAGIAN TENGAH Rahmanul Ikhsan 1,
Lebih terperinciPERANCANGAN KONFIGURASI JARINGAN DISTRIBUSI PRODUK BISKUIT MENGGUNAKAN METODE ALGORITMA GENETIKA (Studi Kasus: PT. EP)
PERANCANGAN KONFIGURASI JARINGAN DISTRIBUSI PRODUK BISKUIT MENGGUNAKAN METODE ALGORITMA GENETIKA (Studi Kasus: PT. EP) Rezki Susan Ardyati dan Dida D. Damayanti Program Studi Teknik Industri Institut Teknologi
Lebih terperinciRancang Bangun Robot PANTILT: Pendeteksian Posisi Kepala Manusia Menggunakan Algoritma Genetika
Rancang Bangun Robot PANTILT: Pendeteksian Posisi Kepala Manusia Menggunakan Algoritma Genetika Ferman Hakiki 1, Indra Adji Sulistijono 2 1 Jurusan Teknik Elektornika, Politeknik Elekronika Negeri Surabaya
Lebih terperinciREKOMENDASI PEMILIHAN LAPTOP MENGGUNAKAN SISTEM INFERENSI FUZZY TSUKAMOTO
REKOMENDASI PEMILIHAN LAPTOP MENGGUNAKAN SISTEM INFERENSI FUZZY TSUKAMOTO Endra Pratama, Titin Sri Martini, Mania Roshwita Program Studi Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas
Lebih terperinciBAB 1 PENDAHULUAN. Minat investasi semakin hari semakin meningkat. Hal in disebabkan oleh
BAB 1 PENDAHULUAN 1.1 Latar Belakang Minat investasi semakin hari semakin meningkat. Hal in disebabkan oleh kesadaran akan investasi yang semakin timbul di masyarakat awam, dan juga teknologi komputer
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 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 terperinciOptimasi Persediaan Multi-item Fuzzy EOQ Di PT UWBM dengan Algoritma Genetika
Optimasi Persediaan Multi-item Fuzzy EOQ Di PT UWBM dengan Algoritma Genetika Disusun Oleh : Ainy Mahmudah 1307 100 002 Pembimbing I Pembimbing II : Dr. Irhamah, S.Si., M.Si : Dra. Sri Mumpuni R, M.Si
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI
111 BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Implementasi Aplikasi otomatisasi penjadwalan yang dibuat merupakan aplikasi desktop. Dalam pengoperasiannya, dibutuhkan perangkat keras dan piranti lunak dengan
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 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 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 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 terperinciPenerapan Algoritma Genetika Multi-objective NSGA-II Pada Optimasi Portofolio Saham
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.2 Agustus 2015 Page 6841 Penerapan Algoritma Genetika Multi-objective NSGA-II Pada Optimasi Portofolio Saham Sherly Isnaeni 1, Deni Saepudin 2,
Lebih terperinciBlending Agregat Menggunakan Algoritma Genetika
JURNAL TEKNIK ITS Vol. 1, No. 1, (Sept. 212) ISSN: 231-9271 D-113 Blending Menggunakan Algoritma Genetika Yeni Rochsianawati, PujoAji dan Januarti Jaya Ekaputri Jurusan Teknik Sipil, Fakultas Teknik Sipil
Lebih terperinciPEMAMPATAN MATRIKS JARANG DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL
Jurnal Matematika UNAND Vol. 3 No. 1 Hal. 98 106 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMAMPATAN MATRIKS JARANG DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL YOSI PUTRI, NARWEN
Lebih terperinciSIMULASI A TRIA MESI DALAM PE GOLAHA PERTA IA DE GA METODE JOB SHOP SCHEDULLI G PROBLEM
Prosiding Seminar Nasional SPMIPA 2006 SIMULASI A TRIA MESI DALAM PE GOLAHA PERTA IA DE GA METODE JOB SHOP SCHEDULLI G PROBLEM Satriyo Adhy, Edy Suharto Program Studi Ilmu Komputer Jurusan Matematika Fakultas
Lebih terperinciPengembangan Algoritma Mow dan Generalisasi Bahasa Automata untuk Proses Pembuatan Minuman Serta Pengembalian Uang pada Desain Mesin Kopi Otomatis
Pengembangan Algoritma Mow dan Generalisasi Bahasa Automata untuk Proses Pembuatan Minuman Serta Pengembalian Uang pada Desain Mesin Kopi Otomatis 1 Wamiliana, 2 Ossy Dwi Endah W dan 3 Marisa Ayu Rahmadhani
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 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 terperinciPrediksi Indeks Saham Syariah Indonesia Menggunakan Model Hidden Markov
JURNAL SAINS DAN SENI POMITS Vol. 6, No.2, (2017) 2337-3520 (2301-928X Print) A 39 Prediksi Indeks Saham Syariah Indonesia Menggunakan Model Hidden Markov Risa Septi Pratiwi Daryono Budi Utomo Jurusan
Lebih terperinciOPTIMASI GENETIC ALGORITHM DENGAN SIMULATED ANNEALING UNTUK MULTIPLE DEPOT CAPACITATED VEHICLE ROUTING PROBLEM
OPTIMASI GENETIC ALGORITHM DENGAN SIMULATED ANNEALING UNTUK MULTIPLE DEPOT CAPACITATED VEHICLE ROUTING PROBLEM Aditya Permana 1, Mahmud Dwi Sulistiyo 2, Gia Septiana Wulandari 3 1,2,3 Prodi S1 Teknik Informatika,
Lebih terperinciVukovich dinamis yang digabungkan dengan model PRoFIGA didalamnya.
BAB I PENDAHULUAN 1.1. Latar Belakang Fuzzy Evolutionary Algorithm (FEA) merupakan salah satu model hybrid yang menggabungkan dua buah model soft computing yaitu algoritma genetika dan logika fuzzy. FEA
Lebih terperinciSIMULASI OPTIMASI PENEMPATAN KAPASITOR MENGGUNAKAN LOGIKA FUZZY DAN ALGORITMA GENETIKA PADA SISTEM TEGANGAN MENENGAH REGION JAWA BARAT
SIMULASI OPTIMASI PENEMPATAN KAPASITOR MENGGUNAKAN LOGIKA FUZZY DAN ALGORITMA GENETIKA PADA SISTEM TEGANGAN MENENGAH REGION JAWA BARAT Gahara Nur Eka Putra NRP : 1022045 E-mail : bb.201smg@gmail.com ABSTRAK
Lebih terperinciPEMILIHAN KONTRAKTOR PERBAIKAN ROTOR DI PEMBANGKIT LISTRIK PT XYZ DENGAN MENGGUNAKAN METODE ANALYTICAL HIERARCHY PROCESS DAN GOAL PROGRAMMING
PEMILIHAN KONTRAKTOR PERBAIKAN ROTOR DI PEMBANGKIT LISTRIK PT XYZ DENGAN MENGGUNAKAN METODE ANALYTICAL HIERARCHY PROCESS DAN GOAL PROGRAMMING Akhmad Rusli 1, *), dan Udisubakti Ciptomulyono 2) 1, 2) Program
Lebih terperinciSeminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004
Seminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004 Penyelesaian Masalah Penugasan dengan Algoritma Genetika Zainudin Zukhri Jurusan Teknik Informatika, Fakultas Teknologi Industri,
Lebih terperinciPemaksimalan Papan Sirkuit Di Pandang Sebagai Masalah Planarisasi Graf 2-Layer Menggunakan Algoritma Genetika
Vol. 14, No. 1, 19-27, Juli 2017 Pemaksimalan Papan Sirkuit Di Pandang Sebagai Masalah Planarisasi Graf 2-Layer Menggunakan Algoritma Genetika Jusmawati Massalesse dan Muh. Ali Imran Abstrak Tulisan ini
Lebih terperinciPerancangan Dan Pembuatan Aplikasi Rekomendasi Jadwal Perkuliahan Pada Institut Informatika Indonesia Memanfaatkan Algoritma Genetika
Perancangan Dan Pembuatan Aplikasi Rekomendasi Jadwal Perkuliahan Pada Institut Informatika Indonesia Memanfaatkan Algoritma Genetika Hermawan Andika, S.Kom., M.Kom. Jurusan Teknik Informatika Institut
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 terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Penjadwalan adalah proses, cara, pembuatan menjadwalkan atau memasukkan dalam jadwal. Persoalan penjadwalan berkaitan dengan pengalokasian sumber daya ke dalam tugas-tugas
Lebih terperinciOptimasi Cluster Pada Fuzzy C-Means Menggunakan Algoritma Genetika Untuk Menentukan Nilai Akhir
IJCCS, Vol.6, No.1, January 2012, pp. 101~110 ISSN: 1978-1520 101 Optimasi Cluster Pada Fuzzy C-Means Menggunakan Algoritma Genetika Untuk Menentukan Nilai Akhir Putri Elfa Mas`udia* 1, Retantyo Wardoyo
Lebih terperinci1. Pendahuluan 1.1. Latar Belakang
1. Pendahuluan 1.1. Latar Belakang Perkembangan teknologi informasi yang begitu pesat sekarang ini memberikan dampak yang besar terhadap kinerja manusia khususnya dalam bekerja. Segala sesuatu yang dahulu
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 terperinciKecerdasan Buatan B Artificial Inttelligent CEH3I3 PRODI SISTEM KOMPUTER UNIVERSITAS TELKOM BANDUNG 2017
Kecerdasan Buatan B Artificial Inttelligent CEH3I3 PRODI SISTEM KOMPUTER UNIVERSITAS TELKOM BANDUNG 2017 PENDAHULUAN (Pengenalan Silabus dan Kontrak Belajar) Pengenalan Matakuliah Matakuliah Bobot : Kecerdasan
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang MIN Sumberbanjar merupakan salah satu institusi pendidikan di bawah naungan Kementerian Agama Republik Indonesia. Mengikuti tujuan lembaga pendidikan dalam mencerdaskan
Lebih terperinciOPTIMASI MULTI-OBJECTIVE UNTUK DISTRIBUSI BEBAN KERJA PEGAWAI MENGGUNAKAN NSGA-II AHMAD KHAIDIR TELEMATIKA CIO - TEKNIK ELEKTRO - ITS
OPTIMASI MULTI-OBJECTIVE UNTUK DISTRIBUSI BEBAN KERJA PEGAWAI MENGGUNAKAN NSGA-II AHMAD KHAIDIR 2210206725 TELEMATIKA CIO - TEKNIK ELEKTRO - ITS LATAR BELAKANG Perbaikan kinerja aparatur pemerintah Optimasi
Lebih terperinciIII. METODOLOGI PENELITIAN
A. KERANGKA PEMIKIRAN III. METODOLOGI PENELITIAN Produksi bunga krisan yang mengalami peningkatan dari tahun ke tahun memberikan kontribusi yang positif kepada petani dalam peningkatan kesejahteraan mereka.
Lebih terperinciStrategi Menyerang Jarak Dekat Menggunakan Klasifikasi Bayesian Pada NPC (Non Player Character)
Strategi Menyerang Jarak Dekat Menggunakan Klasifikasi Bayesian Pada NPC (Non Player Character) Siti Asmiatun 1, Latius Hermawan 2, Tri Daryatni 3 Fakultas Ilmu Komputer, Universitas Dian Nuswantoro, Semarang
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Listrik dewasa ini menjadi salah satu kebutuhan yang sangat penting bagi kehidupan manusia. Teknologi dan ilmu pengetahuan yang tidak pernah henti perkembangannya mendorong
Lebih terperinciRENCANA PEMBELAJARAN SEMESTER (RPS)
RENCANA PEMBELAJARAN SEMESTER (RPS) CIG4C3 EVOLUTIONARY COMPUTATION Disusun oleh: Untari Novia Wisesty Syahrul Mubarok PROGRAM STUDI S1 TEKNIK INFORMATIKA FAKULTAS INFORMATIKA TELKOM UNIVERSITY LEMBAR
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 terperinciAlgoritma Genetik: Alternatif Metode Penentuan Strata Optimum dalam Perancangan Survei
125 Algoritma Genetik: Alternatif Metode Penentuan Strata Optimum dalam Perancangan Survei 1 Yusma Yanti, 2 Septian Rahardiantoro 1 Program Studi Ilmu Komputer, Universitas Pakuan 2 Departemen Statistika,
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 terperinciPENERAPAN ALGORITMA GENETIKA UNTUK PERMASALAHAN OPTIMASI DISTRIBUSI BARANG DUA TAHAP
PENERAPAN ALGORITMA GENETIKA UNTUK PERMASALAHAN OPTIMASI DISTRIBUSI BARANG DUA TAHAP Riska Sulistiyorini ), Wayan Firdaus Mahmudy ), Program Studi Teknik Informatika Program Teknologi Informasi dan Ilmu
Lebih terperinciLEMBAR PENGESAHAN PERNYATAAN BEBAS PLAGIARISME KATA PENGANTAR UCAPAN TERIMA KASIH ABSTRAK DAFTAR ISI DAFTAR TABEL DAFTAR GAMBAR BAB I PENDAHULUAN
DAFTAR ISI LEMBAR PENGESAHAN PERNYATAAN BEBAS PLAGIARISME KATA PENGANTAR... i UCAPAN TERIMA KASIH... ii ABSTRAK... iii DAFTAR ISI... v DAFTAR TABEL... vii DAFTAR GAMBAR... viii BAB I PENDAHULUAN... 1 A.
Lebih terperinciOPTIMASI PENCAPAIAN TARGET PADA SIMULASI PERENCANAAN JALUR ROBOT BERGERAK DI LINGKUNGAN DINAMIS
OPTIMASI PENCAPAIAN TARGET PADA SIMULASI PERENCANAAN JALUR ROBOT BERGERAK DI LINGKUNGAN DINAMIS Yisti Vita Via Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember
Lebih terperinciArtificial Intelligence. uthie 1
Artificial Intelligence uthie 1 Cabang-cabang AI 1. Logical AI Logika (matematis) yang merepresentasikan sekumpulan fakta dan tujuan ---> RUANG KEADAAN: Graph Tree uthie 2 Cabang-cabang AI 2. Search Pencarian
Lebih terperinciBAB IV PERANCANGAN MODEL INTERAKSI
BAB IV PERANCANGAN MODEL INTERAKSI Bab ini membahas perancangan model interaksi yaitu Task Design dengan dibuat diagram task sebagai hasil dari task analysis dan dilakukan pemetaan task antara B3TS dengan
Lebih terperinciPeningkatan Rasio Konsistensi pada Metode AHP Menggunakan Relasi Preferensi Fuzzy
Prosiding Seminar Nasional Sains dan Pendidikan Sains (2016) 6:35 42; ISSN: 2087-0922 Tersedia online di : http://fsm.uksw.edu/ojs Peningkatan Rasio Konsistensi pada Metode AHP Menggunakan Relasi Preferensi
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 terperinciPrediksi Indeks Saham Syariah Indonesia Menggunakan Model Hidden Markov
A39 Prediksi Indeks Saham Syariah Indonesia Menggunakan Model Hidden Markov Risa Septi Pratiwi dan Daryono Budi Utomo Departemen Matematika, Fakultas Matematka dan Ilmu Pengetahuan Alam, Institut Teknologi
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pertumbuhan ekonomi dan perkembangan teknologi suatu daerah mengakibatkan kebutuhan tenaga listrik akan semakin meningkat, baik yang berhubungan dengan bidang industri,
Lebih terperinciBAB I PENDAHULUAN. yang dikemukakan oleh George Dantzig pada tahun Linear Programming (LP) adalah perencanaan aktivitas-aktivitas untuk
BAB I PENDAHULUAN 1.1 Latar Belakang Program Linear adalah suatu alat yang digunakan untuk menyelesaikan masalah optimasi suatu model linear dengan keterbatasan-keterbatasan sumber daya yang tersedia.
Lebih terperinciPENENTUAN DALAM PEMILIHAN JASA PENGIRIMAN BARANG TRANSAKSI E-COMMERCE ONLINE
PENENTUAN DALAM PEMILIHAN JASA PENGIRIMAN BARANG TRANSAKSI E-COMMERCE ONLINE Nunu Kustian Program Studi Teknik Informatika, Fakultas Teknik, Matematika dan IPA Email: kustiannunu@gmail.com ABSTRAK Kebutuhan
Lebih terperinciImplementasi Teori Graf Dalam Masalah Fingerprint Recognition (Pengenalan Sidik Jari)
Implementasi Teori Graf Dalam Masalah Fingerprint Recognition (Pengenalan Sidik Jari) Amalfi Yusri Darusman Jurusan Teknik Informatika Institut Teknologi Bandung, jalan Ganesha 10 Bandung, email : if17023@students.if.itb.a.c.id
Lebih terperinciOPTIMALISASI LAHAN TANAH UNTUK AREA RUMAH DAN JALAN MENGGUNAKAN ALGORITMA GENETIKA
Optimalisasi Lahan Tanah untuk Area Rumah dan Jalan... (Fadhil dkk.) OPTIMALISASI LAHAN TANAH UNTUK AREA RUMAH DAN JALAN MENGGUNAKAN ALGORITMA GENETIKA Luthfi Ahmad Fadhil *, Esmeralda C Djamal, Ridwan
Lebih terperinciOPTIMASI TEKNIK KLASIFIKASI MODIFIED K NEAREST NEIGHBOR MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI TEKNIK KLASIFIKASI MODIFIED K NEAREST NEIGHBOR MENGGUNAKAN ALGORITMA GENETIKA Optimization Techniques Modi ed k Nearest Neighbor Classi cation Using Genetic Algorithm Siti Mutro n 1, Abidatul
Lebih terperinciAplikasi Algoritma Genetika Untuk Merancang Fungsi Keanggotaan Pada Kendali Logika Fuzzy
Aplikasi Algoritma Genetika Untuk Merancang Fungsi Keanggotaan Pada Kendali Logika Fuzzy Hendry Setiawan, Thiang, Hany Ferdinando Jurusan Teknik Elektro, Universitas Kristen Petra Siwalankerto 121-131,
Lebih terperinciUKDW BAB 1 PENDAHULUAN
BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Toko Rudi Music merupakan salah satu toko alat musik di kota Magelang yang menjual berbagai macam alat musik. Toko ini tidak buka cabang dan merupakan toko
Lebih terperinciBAB I PENDAHULUAN. Universitas Sumatera Utara
BAB I PENDAHULUAN 1.1 Latar Belakang Setelah berkembangnya AI (Artifical Intelligence), banyak sekali ditemukan sejumlah algoritma yang terinspirasi dari alam. Banyak persoalan yang dapat diselesaikan
Lebih terperinciISSN IMPLEMENTASI ALGORITMA GENETIKA DALAM PENGEMBANGAN SISTEM APLIKASI PENJADWALAN KULIAH
ISSN 1829-5282 56 IMPLEMENTASI ALGORITMA GENETIKA DALAM PENGEMBANGAN SISTEM APLIKASI PENJADWALAN KULIAH Oleh : Komang Setemen Jurusan Manajemen Informatika Fakultas Teknik dan Kejuruan Universitas Pedidikan
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 terperinciSimulasi Coverage Pada Wireless Sensor Network dengan Menggunakan Algoritma Genetika Pareto
Simulasi Coverage Pada Wireless Sensor Network dengan Menggunakan Algoritma Genetika Pareto Umi Fitria P, Tri Budi Santoso, Prima Kristalina Jurusan Telekomunikasi, Politeknik Elektronika Negeri Surabaya
Lebih terperinciAPLIKASI ALGORITMA GENETIKA DALAM MENENTUKAN SPESIFIKASI PC BERDASARKAN KEMAMPUAN FINANSIAL KONSUMEN
APLIKASI ALGORITMA GENETIKA DALAM MENENTUKAN SPESIFIKASI PC BERDASARKAN KEMAMPUAN FINANSIAL KONSUMEN Eva Haryanty, S.Kom. ABSTRAK Komputer adalah salah satu peralatan yang pada saat ini banyak pula digunakan
Lebih terperinciBAB I PENDAHULUAN. Seiring perkembangan zaman laptop merupakan sebuah kebutuhan yang
BAB I PENDAHULUAN 1.1 Latar Belakang Seiring perkembangan zaman laptop merupakan sebuah kebutuhan yang mendasar bagi masyarakat. Toko-toko yang menjual laptop sekarang menjual laptop hanya menggunakan
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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Permasalahan
BAB I PENDAHULUAN 1.1 Latar Belakang Permasalahan Masalah penjadwalan secara umum adalah aktivitas penugasan yang berhubungan dengan sejumlah constraint, sejumlah kejadian yang dapat terjadi pada suatu
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 terperinciPenjadwalan Mata Kuliah Menggunakan Algoritma Genetika di Jurusan Sistem Informasi ITS
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) A-127 Mata Kuliah Menggunakan Algoritma Genetika di Jurusan Sistem Informasi ITS Wiga Ayu Puspaningrum, Arif Djunaidy, dan Retno
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 MENENTUKAN JALUR TERPENDEK (SHORTEST PATH) SKRIPSI RION SIBORO
PENERAPAN ALGORITMA GENETIKA UNTUK MENENTUKAN JALUR TERPENDEK (SHORTEST PATH) SKRIPSI RION SIBORO 060803025 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA
Lebih terperinci