BAB 4 HASIL DAN PEMBAHASAN
|
|
- Adi Lesmono
- 7 tahun lalu
- Tontonan:
Transkripsi
1 BAB 4 HASIL DAN PEMBAHASAN 4.1 Pengumpulan Data Data Kriteria Lingkungan Pemasok PT. TMMIN Kriteria-kriteria lingkungan yang ditetapkan oleh SHE(Safety, Health and Environment) Division sebagai penilaian ke- hijau -an pemasok PT. TMMIN dapat dijelaskan sebagai berikut : 1. ISO Certification : merupakan kriteria berdasarkan sertifikasi ISO yang telah diterima oleh pemasok PT. TMMIN 2. Environment Complaints : merupakan kriteria yang didasarkan pada komplain yang berkaitan dengan lingkungan selama 1 tahun terakhir baik di sekitar lingkungan daerah pemasok 3. Comply Regulation : merupakan kriteria lingkungan yang didasarkan pada peraturan pemerintah yang telah dijalankan pemasok untuk menjaga keseimbangan lingkungan sekitar 4. Environment Risk Action : merupakan kriteria yang didasarkan pada penanggulangan resiko jika terjadi bahaya terhadap lingkungan yang dikarenakan aktifitas industri pemasok 5. Waste Reduction : merupakan kriteria yang didasarkan pada bagaimana pemasok dapat mengurangi limbah hingga menghilangkannya sama sekali (Zero Waste) 6. Energy Saving (Water, Fuel, Electricity) : merupakan kriteria lingkungan yang didasarkan pada pemakaian air, bahan bakar dan listrik dalam melakukan aktifitas produksi oleh pemasok
2 47 Dari keenam kriteria di atas dilakukan penilaian menggunakan kuesioner dengan acuan penilaian sebagai berikut : 1. Kriteria ISO Certification memiliki kemungkinan nilai 1-3 dengan keterangan 1 = belum ada, 2 = sedang berjalan dan 3 = sudah ada 2. Kriteria Environment Complaints memiliki kemungkinan nilai 1-5 dengan keterangan 1 = sangat banyak, 2 = banyak, 3 = cukup, 4 = sedikit dan 5 = tidak ada 3. Kriteria Comply Regulation memiliki kemungkinan nilai 1-5 dengan keterangan 1 = sangat buruk, 2 = buruk, 3 = cukup, 4 = bagus dan 5 = sempurna 4. Kriteria Environment Risk memiliki kemungkinan nilai 1-5 dengan keterangan 1 = sangat buruk, 2 = buruk, 3 = cukup, 4 = bagus dan 5 = sempurna 5. Kriteria Waste Reduction memiliki kemungkinan nilai 1-5 dengan keterangan 1 = sangat buruk, 2 = buruk, 3 = cukup, 4 = bagus dan 5 = sempurna 6. Kriteria Energy Saving (Water, Fuel, Electricity) memiliki kemungkinan nilai 1-5 dengan keterangan 1 = sangat buruk, 2 = buruk, 3 = cukup, 4 = bagus dan 5 = sempurna Karena dalam pelaksanaannya kuesioner kepada pemasok PT. TMMIN tidak memungkinkan untuk dilakukan, maka penulis hanya menggunakan kriteria-kriteria lingkungan yang diusulkan pihak SHE(Safety, Health and Environment) dan melakukan penilaian kuesioner dengan membangkitkan bilangan acak yang berdistribusi uniform. Hasil pembangkitan bilangan acak untuk penilaian masingmasing pemasok PT. TMMIN dapat dilihat pada lampiran tabel 4.1 Kuesioner Kriteria Lingkungan Data kriteria lingkungan pemasok tersebut selanjutnya akan dilakukan pengelompokkan untuk menentukan warna pemasok menjadi hitam, merah, kuning dan hijau menggunakan metode pengelompokkan yang diusulkan yaitu Genetic K- means
3 Data Kriteria Procurement Pemasok PT. TMMIN Kriteria-kriteria procurement yang ditetapkan Purchasing Division sebagai penilaian rekomendasi pemasok yang akan dipilih PT. TMMIN dapat dijelaskan sebagai berikut : 1. Harga : merupakan kriteria procurement yang berkaitan dengan harga produk yang ditawarkan oleh calon pemasok kepada PT. TMMIN 2. Kualitas : merupakan kriteria procurement yang didasarkan pada kualitas produk yang ditawarkan oleh calon pemasok kepada PT. TMMIN 3. Waktu Pengiriman : merupakan kriteria procurement yang didasarkan pada waktu pengiriman produk yang ditawarkan dari tempat calon pemasok ke PT. TMMIN 4. Hijau : merupakan kriteria procurement yang ditambahkan untuk dapat mengimplementasikan green procurement untuk dapat menghasilkan green product oleh PT. TMMIN yang dimulai dari produk para pemasok. Kriteria ini adalah hasil pengelompokkan data kriteria lingkungan menggunakan Genetic K-Means Dari keempat kriteria di atas dilakukan penilian menggunakan kuesioner yang nilainya juga dibangkitkan menggunakan bilangan acak berdistribusi uniform dengan kemungkinan nilai antara Khusus untuk kriteria keempat, penilaian dilakukan dengan cara mengkonversi hasil pengelompokkan dengan acuan sebagai berikut : 1. kelompok pertama : pemasok hitam penilaian dikonversikan menjadi 2 2. kelompok kedua : pemasok kuning penilaian dikonversikan menjadi 6 3. kelompok ketiga : pemasok hijau penilaian dikonversikan menjadi 8 4. kelompok keempat : pemasok merah penilaian dikonversikan menjadi 4 Nilai konversi adalah penetapan nilai yang telah ditentukan oleh pihak SHE(Safety, Health and Environment) Division. Sedangkan penentuan warna pemasok didasarkan pada hasil pengelompokkan dan melakukan pembobotan langsung pada hasil centroid
4 49 maksimal yang dihasilkan. Hasil pembangkitan bilangan acak untuk penilaian masing-masing pemasok PT. TMMIN dapat dilihat pada lampiran tabel 4.2 Kuesioner Kriteria Procurement Dari data kriteria procurement tersebut langkah selanjutnya adalah melakukan pembobotan tiap-tiap pemasok menggunakan metode AHP(Analityc Hierarchy Process) untuk mendapatkan rekomendasi pemasok hijau yang diharapkan 4.2 Pengolahan Data Pengelompokkan Data menggunakan Algoritma Genetic K-Means Pengelompokkan data pemasok berdasarkan kriteria-kriteria lingkungan untuk menentukan warna pemasok menggunakan algoritma Genetic K-Means yang telah dibuatkan programnya dapat diilustrasikan sebagai berikut : Gambar 4.1 Parameter Pengelompokkan Data Dalam penelitian sebelumnya penulis telah melakukan eksperimen bahwa untuk mendapatkan hasil pengelompokkan data yang optimal yaitu menggunakan parameter genetika untuk probabilitas crossover disekitaran dan probabilitas mutasi
5 50 disekitaran Maka dalam penelitian kali ini dipilihlah nilai 0.8 untuk probabilitas crossover dan 0.1 untuk probabilitas mutasi. Kemudian dilakuakan proses pengelompokkan yang memerlukan waktu detik, sehingga terlihat proses pengelompokkan yang dapat digambarkan seperti di bawah Gambar 4.2 Proses Tiap Iterasi 1
6 51 Gambar 4.3 Proses Tiap Iterasi 2 Gambar 4.4 Proses Tiap Iterasi 3
7 52 Gambar 4.5 Proses Tiap Iterasi 4 Gambar 4.6 Proses Tiap Iterasi 5
8 53 Gambar 4.7 Hasil Akhir Pengelompokkan Terlihat bahwa hasil akhir pengelompokkan menggunakan algoritma Genetic K- Means menggunakan 6(enam) kriteria lingkungan menjadi 4(empat) kelompok memiliki total jarak dalam kelompok sebesar Hasil pengelompokkan tiaptiap pemasok PT. TMMIN terhadap kriteria lingkungan dapat disajikan pada lembar lampiran tabel 4.3 Hasil Pengelompokkan menggunakan Genetic K-Means Penentuan Warna Pemasok dan Konversi Nilai Setelah didapatkan nilai kelompok masing-masing pemasok. Maka langkah selanjutnya adalah menentukan warna pemasok dengan menggunakan pembobotan langsung dari optimum centroid dari tiap-tiap kelompok. Optimum Centroid dari tiap-tiap kelompok yang dihasilkan dapat disajikan sebagai berikut :
9 54 Kelompok *K1 *K2 *K3 *K4 *K5 *K *K = Kriteria Tabel 4.1 Optimum Centroid Tiap-tiap Kelompok Pembobotan langsung untuk penentuan warna pemasok dilakukan dengan menjumlahkan semua kriteria yang dimiliki tiap-tiap kelompok. Perhitungan pembobotan langsung dapat disajikan sebagai berikut : a. Kelompok 1 : = b. Kelompok 2 : = c. Kelompok 3 : = d. Kelompok 4 : = Dari perhitungan tersebut diketahui bahwa kelompok 1 adalah pemasok hitam, kelompok 2 adalah pemasok kuning, kelompok 3 adalah pemasok hijau dan kelompok 4 adalah pemasok merah. Setelah melakukan penentuan warna pemasok, maka langkah selanjutnya adalah melakukan konversi warna pemasok menjadi nilai numerik untuk selanjutnya digunakan dalam pengambilan keputusan menggunakan metode AHP(Analityc Hierarchy Process). Konversi nilai yang digunakan adalah penetapan dari pihak SHE(Safety, Health and Environment) Division PT. TMMIN yang dapat disajikan sebagai berikut : Kelompok Warna Nilai Konversi 1 hitam 2 2 kuning 6 3 hijau 8 4 merah 4 Tabel 4.2 Konversi Warna Pemasok
10 Penentuan Bobot KPI Tiap-tiap Kriteria Procurement Kriteria-kriteria procurement yang telah ditetapkan Purchasing Division PT. TMMIN dengan ditambahkan 1(satu) kriteria lingkungan hasil pengelompokkan selanjutnya akan dilakukan proses penentuan rekomendasi pemasok menggunakan metode AHP(Analytic Hierarchy Process). Dimana untuk dapat menggunakan metode tersebut maka tiap-tiap kriteria akan dilakukan pembobotan KPI(Key Performance Indicator). Menentukan nilai prioritas KPI dilakukan dengan analisis perbandingan berpasangan dengan masing-masing kriteria. Selanjutnya adalah membuat tabel perbandingan prioritas setiap KPI dengan membandingkan masing-masing KPI. Dalam penelitian ini ada 4(empat) kriteria yang akan dibuatkan tabel KPI untuk dapat membantu memperoleh nilai prioritas tiap-tiap kriteria. Karena ada 4(empat) kriteria maka tabel matrik yang akan dibuat adalah 4x4 yang dapat disajikan sebagai berikut : Kriteria Kualitas Harga Pengiriman Hijau Kualitas 1 1/3 1 1/5 Harga 3 1 1/4 1/3 Pengiriman /8 Hijau Tabel 4.3 Prioritas Perbandingan Tiap KPI Pengisian nilai-nilai prioritas dilakukan oleh pihak Purchasing Division sesuai dengan penilain subyektif terhadap kriteria procurement untuk mewujudkan green procurement. Cara pengisian nilai-nilai di atas adalah mengikuti kaidah matematika yang menyebutkan jika A:B = X maka B:A = 1/X sehingga jika pengisian di atas dijabarkan akan memiliki perhitungan sebagai berikut : 1. KPI Kualitas : KPI Kualitas = 1 2. KPI Harga : KPI Kualitas = 3 3. KPI Harga : KPI Harga = 1 4. KPI Pengiriman : KPI Kualitas : 1 5. KPI Pengiriman : KPI Harga = 4
11 56 6. KPI Pengiriman : KPI Pengiriman = 1 7. KPI Hijau : KPI Kualitas = 5 8. KPI Hijau : KPI Harga = 3 9. KPI Hijau : KPI Pengiriman = KPI Hijau : KPI Hijau = KPI Kualitas : KPI Harga = 1/3 12. KPI Kualitas : KPI Pengiriman = KPI Kualitas : KPI Hijau = 1/5 14. KPI Harga : KPI Pengiriman = ¼ 15. KPI Harga : KPI Hijau = 1/3 16. KPI Pengiriman : KPI Hijau = 1/8 Nilai prioritas yang diisikan ke dalam tabel prioritas KPI oleh Purchasing Division didasarkan pada tabel tingkat prioritas yang dapat disajikan sebagai berikut : Nilai Tingkat Prioritas 1 KPI A sama penting dibanding dengan KPI B 3 KPI A sedikit lebih penting dibanding dengan KPI B 5 KPI A lebih penting dibanding dengan KPI B 7 KPI A sangat penting dibanding dengan KPI B 9 KPI A jauh sangat penting dibanding dengan KPI B 2,4,6,8 *) nilai tengah-tengah Tabel 4.4 Tingkat Prioritas Selanjutnya adalah menentukan bobot pada tiap KPI, nilai bobot ini berkisar antara 0-1 dan total bobot untuk setiap kolom adalah 1. Cara menghitung bobot tersebut yaitu dengan membagi angka setiap kotak matrik dengan penjumlahan angka dalam kolom yang sama. Tabel hasil perhitungan bobot dapat disajikan sebagai berikut : KPI Kualitas KPI Harga KPI Pengiriman KPI Hijau KPI Kualitas KPI Harga KPI Pengiriman KPI Hijau Tabel 4.5 Bobot Prioritas Tiap KPI
12 57 Bobot prioritas tiap KPI di atas didapatkan dari perhitungan matematika yaitu dengan cara membagi nilai setiap kotak dengan penjumlahan nilai dalam kolom yang sama. Perhitungan tiap-tiap kotak matrik dapat disajikan sebagai berikut : 1. (KPI Kualitas, KPI Kualitas) : 1/( ) = (KPI Harga, KPI Kualitas) : 3/( ) = (KPI Pengiriman, KPI Kualitas) : 1/( ) = (KPI Hijau, KPI Kualitas) : 5/( ) = (KPI Kualitas, KPI Harga) : 1/3 / (1/ ) = (KPI Harga, KPI Harga) : 1/(1/ ) = (KPI Pengiriman, KPI Harga) : 4/(1/ ) = (KPI Hijau, KPI Harga) : 3/(1/ ) = (KPI Kualitas, KPI Pengiriman) : 1/(1+1/4+1+8) = (KPI Harga, KPI Pengiriman) : ¼ /(1+1/4+1+8) = (KPI Pengiriman, KPI Pengiriman) : 1/(1+1/4+1+8) = (KPI Hijau, KPI Pengiriman) : 8/(1+1/4+1+8) = (KPI Kualitas, KPI Hijau) : 1/5 / (1/5+1/3+1/8+1) = (KPI Harga, KPI Hijau) : 1/3 / (1/5+1/3+1/8+1) = (KPI Pengiriman, KPI Hijau) : 1/8 / (1/5+1/3+1/8+1) = (KPI Hijau, KPI Hijau) : 1/(1/5+1/3+1/8+1) = Dengan menggunakan hasil perhitungan bobot prioritas tiap KPI maka selanjutnya dapat dilakukan perhitungan bobot masing-masing KPI yaitu dengan cara melakukan penjumlahan setiap nilai bobot prioritas pada setiap baris Tabel 4.5 Bobot Prioritas Tiap KPI dibagi dengan jumlah KPI sehingga diperoleh bobot masing-masing KPI adalah : a. KPI Kualitas : / 4 = 0.09 (9 %) b. KPI Harga : / 4 = (16.1 %) c. KPI Pengiriman : / 4 = (18.8 %) d. KPI Hijau : / 4 = (56.1 %)
13 58 Sehingga jumlah total bobot semua KPI = 1 (100 %) sesuai dengan kaidah pembobotan dimana jumlah total bobot harus bernilai 100 % Penilaian Tiap-tiap Pemasok menggunakan Bobot KPI Langkah selanjutnya untuk mendapatkan penilaian terhadap masing-masing pemasok untuk dijadikan rekomendasi pemasok hijau adalah dengan mengalikan tiaptiap bobot KPI dengan tiap-tiap nilai kriteria untuk masing-masing pemasok. Dimana pemasok yang memiliki nilai total tertinggi berarti pemasok tersebut memiliki kemungkinan besar untuk dipilih sebagai pemasok PT. TMMIN karena pemasok tersebut dianggap cukup memenuhi kriteria green procurement yang diharapkan. Contoh perhitungan total nilai tiap-tiap kriteria dari 16 pemasok terhadap bobot KPI dapat dijelaskan sebagai berikut : 1. 3MI = (2 x 0.09) + (8 x 0.161) + (7 x 0.188) + (2 x 0.561) = ABA = (9 x 0.09) + (2 x 0.161) + (4 x 0.188) + (2 x 0.561) = ACAP = (7 x 0.09) + (6 x 0.161) + (3 x 0.188) + (6 x 0.561) = ACH = (2 x 0.09) + (1 x 0.161) + (4 x 0.188) + (4 x 0.561) = ACI = (2 x 0.09) + (2 x 0.161) + (6 x 0.188) + (4 x 0.561) = ADL = (8 x 0.09) + (4 x 0.161) + (5 x 0.188) + (4 x 0.561) = ADM = (2 x 0.09) + (5 x 0.161) + (6 x 0.188) + (6 x 0.561) = ADS = (6 x 0.09) + (3 x 0.161) + (2 x 0.188) + (4 x 0.561) = ADV = (10 x 0.09) + (2 x 0.161) + (7 x 0.188) + (6 x 0.561) = AGP = (1 x 0.09) + (8 x 0.161) + (5 x 0.188) + (6 x 0.561) = AHI = (8 x 0.09) + (9 x 0.161) + (2 x 0.188) + (4 x 0.561) = AII = (5 x 0.09) + (8 x 0.161) + (6 x 0.188) + (8 x 0.561) = AIS = (5 x 0.09) + (5 x 0.161) + (8 x 0.188) + (4 x 0.561) = AKU = (2 x 0.09) + (4 x 0.161) + (8 x 0.188) + (4 x 0.561) = ALC = (6 x 0.09) + (5 x 0.161) + (3 x 0.188) + (4 x 0.561) = AMA = (6 x 0.09) + (7 x 0.161) + (4 x 0.188) + (6 x 0.561) = 5.78
14 59 Dari hasil perhitungan total nilai kriteria masing-masing pemasok terhadap bobot KPI didapatkan urutan pemasok dengan nilai tertinggi hingga terendah yang dapat dilihat pada lampiran tabel 4.9 Penilain Pemasok menggunakan Bobot KPI Terlihat bahwa pemasok dengan nilai total tertinggi adalah SIW dengan total nilai 7.74 dan pemasok dengan nilai total terendah adalah IGP dengan nilai total Dapat dilihat juga bahwa penentuan rekomendasi pemasok hijau dengan menggunakan metode pengambilan keputusan AHP sangat subyektif sesuai dengan tujuan perusahaan dalam menentukan pemasok pilihan 4.3 Analisis Data Dari proses pengelompokkan 178 pemasok PT. TMMIN terhadap kriteria-kriteria lingkungan yang dihasilkan sebanyak 33 pemasok yang dikategorikan hijau yang artinya memenuhi kriteria hijau yang telah ditetapkan perusahaan. Selisih jumlah anggota pemasok terhadap warna pemasok dapat dikategorikan merata yaitu antara 8 sampai dengan 23 anggota. Artinya hasil pengelompokkan menggunakan algoritma yang diusulkan yaitu genetic K-Means memberikan hasil yang cukup optimal dalam mengelompokkan data. Hasil pengelompokkan yang dikonversikan dengan nilai yang ditetapkan pengambil keputusan cukup mempengaruhi dalam pencarian rekomendasi pemasok menggunakan metode AHP. Sebab berbeda nilai konversi yang diberikan akan memberikan hasil yang cukup signifikan pada hasil AHP. Metode pengambilan keputusan yang diusulkan yaitu AHP cukup memberikan hasil rekomendasi pemasok terhadap kriteria-kriteria green procurement yang sesuai dengan tujuan procurement pada perusahaan. Dimana penilaian skala prioritas benarbenar dijadikan penentuan bobot tiap-tiap kriteria sehingga hasil rekomendasi tidak keluar dari tujuan awal yaitu memberikan penilain tiap-tiap pemasok yang nantinya akan dipilih.
BAB III METODOLOGI. benar atau salah. Metode penelitian adalah teknik-teknik spesifik dalam
BAB III METODOLOGI Metodologi merupakan kumpulan prosedur atau metode yang digunakan untuk melakukan suatu penelitian. Menurut Mulyana (2001, p114), Metodologi diukur berdasarkan kemanfaatannya dan tidak
Lebih terperinciBAB 2 LANDASAN TEORI. 2.1 Clustering
BAB 2 LANDASAN TEORI Dalam bab ini akan dibahas mengenai teori-teori penting yang dapat menunjang dan menjadi acuan dalam pembuatan proyek akhir. Bagian tersebut meliputi metode yang digunakan dalam melakukan
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
1 BAB I PENDAHULUAN 1.1. Latar Belakang Clustering adalah proses di dalam mencari dan mengelompokkan data yang memiliki kemiripan karakteristik (similarity) antara satu data dengan data yang lain. Clustering
Lebih 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 terperinciDAFTAR ISI... HALAMAN JUDUL... HALAMAN PENGESAHAN... HALAMAN PERNYATAAN... HALAMAN PERSEMBAHAN... PRAKATA... DAFTAR LAMBANG... DAFTAR GAMBAR...
DAFTAR ISI Halaman HALAMAN JUDUL... HALAMAN PENGESAHAN... HALAMAN PERNYATAAN... HALAMAN PERSEMBAHAN... PRAKATA... DAFTAR ISI... DAFTAR LAMBANG... DAFTAR GAMBAR... DAFTAR TABEL... INTISARI... ABSTRACT...
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 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 V ANALISA HASIL. dikumpulkan dan diolah pada bab sebelumnya. Analisa hasil dalam penelitian ini
BAB V ANALISA HASIL Pada bab ini diuraikan tentang analisa hasil dari penelitian yang telah dikumpulkan dan diolah pada bab sebelumnya. Analisa hasil dalam penelitian ini diuraikan sebagai berikut. 5.1
Lebih terperinciMeilinda Ayundyahrini Pembimbing: Ir. Rusdhianto Effendie A. K, MT Nurlita Gamayanti, ST., MT
Meilinda Ayundyahrini Pembimbing: Ir. Rusdhianto Effendie A. K, MT Nurlita Gamayanti, ST., MT Teknik Sistem Pengaturan JURUSAN TEKNIK ELEKTRO Fakultas Teknologi Industri Institut Teknologi Sepuluh Nopember
Lebih terperinciPertemuan 9 (AHP) - Mochammad Eko S, S.T
1 Analitycal Hierarchy Process (AHP) Adalah metode untuk memecahkan suatu situasi yang komplek tidak terstruktur kedalam beberapa komponen dalam susunan yang hirarki, dengan memberi nilai subjektif tentang
Lebih terperinciERWIEN TJIPTA WIJAYA, ST.,M.KOM
ERWIEN TJIPTA WIJAYA, ST.,M.KOM DEFINISI ALGEN adalah algoritma yang memanfaatkan proses seleksi alamiah yang dikenal dengan evolusi Dalam evolusi, individu terus menerus mengalami perubahan gen untuk
Lebih terperinciAPLIKASI UNTUK PREDIKSI JUMLAH MAHASISWA PENGAMBIL MATAKULIAH DENGAN MENGGUNAKAN ALGORITMA GENETIKA, STUDI KASUS DI JURUSAN TEKNIK INFORMATIKA ITS
APLIKASI UNTUK PREDIKSI JUMLAH MAHASISWA PENGAMBIL MATAKULIAH DENGAN MENGGUNAKAN ALGORITMA GENETIKA, STUDI KASUS DI JURUSAN TEKNIK INFORMATIKA ITS Hafid Hazaki 1, Joko Lianto Buliali 2, Anny Yuniarti 2
Lebih terperinciUKDW BAB 1 PENDAHULUAN
BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Pemilihan lembaga bimbingan belajar yang tepat bagi kebanyakan orang tua merupakan sebuah keputusan yang sulit. Beberapa lembaga mengklaim lebih baik daripada
Lebih terperinciABSTRAK. iii. Universitas Kristen Maranatha
ABSTRAK PT Dirgantara Indonesia (PT DI) merupakan salah satu perusahaan yang bergerak dalam industri pembuatan pesawat dan helikopter, serta untuk industri pesawat dunia. Pada saat ini, PT DI sedang melakukan
Lebih terperinciBAB III ANALISA MASALAH DAN RANCANGAN PROGRAM
BAB III ANALISA MASALAH DAN RANCANGAN PROGRAM III.1. Analisa Masalah Perkembangan game dari skala kecil maupun besar sangat bervariasi yang dapat dimainkan oleh siapa saja tanpa memandang umur, dari anak
Lebih terperinciAnalytic Hierarchy Process (AHP) dan Perhitungan Contoh Kasus AHP
Analytic Hierarchy Process (AHP) dan Perhitungan Contoh Kasus AHP Analytic Hierarchy Process atau AHP dikembangkan oleh Prof. Thomas L. Saaty sebagai algoritma pengambilan keputusan untuk permasalahan
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 terperinciIII. METODE PENELITIAN
III. METODE PENELITIAN 3.1. Kerangka Pemikiran Penelitian ini dilakukan di Dapur Geulis yang merupakan salah satu restoran di Kota Bogor. Penelitian ini dimulai dengan melakukan identifikasi bauran pemasaran
Lebih terperinciBAB 1 PENDAHULUAN 1.1. Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Manajemen rantai pasok adalah metode, alat, atau pendekatan pengelolaan yang terintegrasi dari rantai pasok (Pujawan, 2005). Rantai Pasok adalah suatu kegiatan menghubungkan
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 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 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 terperinciKata kunci : Manajemen risiko lingkungan, Pengelolaan lumpur B3, fuzzy AHP
PENILAIAN RISIKO LINGKUNGAN DENGAN FUZZY ANALYTICAL HIERARCHY PROCESS (FAHP) PADA MANAJEMEN RISIKO LINGKUNGAN LUMPUR BERBAHAN BERBAHAYA DAN BERACUN (B3) DARI INSTALASI PENGOLAHAN AIR LIMBAH (IPAL) (STUDI
Lebih terperinciREKOMENDASI PEMBELIAN PERSONAL KOMPUTER DENGAN METODE RANKED CLUSTERING
REKOMENDASI PEMBELIAN PERSONAL KOMPUTER DENGAN METODE RANKED CLUSTERING Fadly Shabir 1 dan Abdul Rachman M 2 1 kyofadly@gmail.com, 2 emanrstc@yahoo.co.id 1 Stimik Handayani, 2 Universitas Muslim Indonesia
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN Penelitian ini bertujuan untuk menentukan prioritas pemasok terbaik untuk produkproduk yang paling laris dijual di Toko Besi Nusantara Semarang. Prioritas pemasok terbaik ditentukan
Lebih terperinciANALISIS KOMPARASI SIMPLE ADDITIVE WEIGHTING DAN WEIGHTED PRODUCT DALAM PENENTUAN PENERIMA BEASISWA
ANALISIS KOMPARASI SIMPLE ADDITIVE WEIGHTING DAN WEIGHTED PRODUCT DALAM PENENTUAN PENERIMA BEASISWA Siti Nurhayati Magister Teknik Informatika STMIK AMIKOM Yogyakarta Jl Ring road Utara, Condongcatur,
Lebih terperinci2 TINJAUAN PUSTAKA. 2.1 Peringkasan Teks
4 2 TINJAUAN PUSTAKA 2.1 Peringkasan Teks Peringkasan teks adalah proses pemampatan teks sumber ke dalam versi lebih pendek namun tetap mempertahankan informasi yang terkandung didalamnya (Barzilay & Elhadad
Lebih terperinciBAB III METODE PENELITIAN. Lokasi penelitian ini adalah Pamella Swalayan 1. Jl. Kusumanegara
30 BAB III METODE PENELITIAN 3.1 Lokasi Penelitian Lokasi penelitian ini adalah Pamella Swalayan 1. Jl. Kusumanegara 135-141 Yogyakarta. 3.2 Penentuan Kriteria Identifikasi kriteria menurut Verma dan Pullman
Lebih terperinciPERANCANGAN TATA LETAK FASILITAS BAGIAN PRODUKSI MENGGUNAKAN METODE ALGORITMA GENETIK DI PT. PUTRA SEJAHTERA MANDIRI
PERANCANGAN TATA LETAK FASILITAS BAGIAN PRODUKSI MENGGUNAKAN METODE ALGORITMA GENETIK DI PT. PUTRA SEJAHTERA MANDIRI TUGAS SARJANA Diajukan Untuk Memenuhi Sebagian Dari Syarat-Syarat Memperoleh Gelar Sarjana
Lebih terperinci1. 10 orang finalis suatu lomba kecantikan akan dipilih secara acak 3 yang terbaik. Banyak cara pemilihan tersebut ada cara.
1. 10 orang finalis suatu lomba kecantikan akan dipilih secara acak 3 yang terbaik. Banyak cara pemilihan tersebut ada cara. A. 70 B. 80 C. 120 D. 360 E. 720 Karena tidak ada aturan atau pengurutan, maka
Lebih terperinciPengantar Kecerdasan Buatan (AK045218) Algoritma Genetika
Algoritma Genetika Pendahuluan Struktur Umum Komponen Utama Seleksi Rekombinasi Mutasi Algoritma Genetika Sederhana Referensi Sri Kusumadewi bab 9 Luger & Subblefield bab 12.8 Algoritma Genetika 1/35 Pendahuluan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dibahas teori mengenai Sistem Pendukung Keputusan, penelitan lain yang berhubungan dengan sistem pendukung keputusan, Simple Additve Weighting (SAW), dan Weighted
Lebih terperinciOPTIMASI PENJADWALAN CERDAS MENGGUNAKAN ALGORITMA MEMETIKA
OPTIMASI PENJADWALAN CERDAS MENGGUNAKAN ALGORITMA MEMETIKA Muhammad Arief Nugroho 1, Galih Hermawan, S.Kom., M.T. 2 1, 2 Universitas Komputer Indonesia Jl. Dipatiukur No. 112-116, Bandung 40132 E-mail
Lebih terperinciBAB V HASIL PENELITIAN DAN PEMBAHASAN
49 BAB V HASIL PENELITIAN DAN PEMBAHASAN 5.1 Hasil Penelitian 5.1.1 Menentukan Kriteria Pemilihan Supplier Untuk menentukan kriteria pemilihan supplier, sebelumnya peneliti sudah melakukan verifikasi awal
Lebih terperinciALGORITMA GENETIK SEBAGAI FUNGSI PRUNING ALGORITMA MINIMAX PADA PERMAINAN TRIPLE TRIAD CARD.
ALGORITMA GENETIK SEBAGAI FUNGSI PRUNING ALGORITMA MINIMAX PADA PERMAINAN TRIPLE TRIAD CARD. Nico Saputro [1] dan Erico Darmawan Handoyo [2] Jurusan Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciDAFTAR ISI. I. PENDAHULUAN 1.1. Latar Belakang Perumusan Masalah Tujuan Penelitian Manfaat Penelitian Ruang Lingkup...
DAFTAR ISI DAFTAR TABEL... DAFTAR GAMBAR... DAFTAR LAMPIRAN... I. PENDAHULUAN 1.1. Latar Belakang... 1.2. Perumusan Masalah... 1.3. Tujuan Penelitian... 1.4. Manfaat Penelitian... 1.5. Ruang Lingkup...
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 terperinciKata Kunci : Fuzzy MADM, SAW, kriteria, beasiswa.
SISTEM PENDUKUNG KEPUTUSAN UNTUK MENENTUKAN PENERIMA BEASISWA MENGGUNAKAN SIMPLE ADDITIVE WEIGHTING (SAW) (STUDI KASUS : SISWA SMK MUHAMMADIYAH PRINGSEWU) Andra Setiawan Jurusan Sistem Informasi STMIK
Lebih terperinciBAB III METODOLOGI PENELITIAAN
35 BAB III METODOLOGI PENELITIAAN 3.1 Metodologi Penelitian Metodologi penelitian bertujuan untuk memberikan kerangka penelitian yang sistematis sehingga dapat memberikan kesesuaian antara tujuan penelitian
Lebih terperinciIMPLEMENTASI SISTEM REKOMENDASIAN PENERIMAAN BEASISWA DENGAN MENGGUNAKAN FMADM
IMPLEMENTASI SISTEM REKOMENDASIAN PENERIMAAN BEASISWA DENGAN MENGGUNAKAN FMADM Anis Yusrotun Nadhiroh Jurusan Teknik Informatika - STT Nurul Jadid Paiton ayusrotun@gmail.com ABSTRAK Sesuai dengan peraturan
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 terperinciContoh Dokumen Penilaian Kinerja Karyawan L.39
Contoh Dokumen Penilaian Kinerja Karyawan L.39 L.40 L.41 Lampiran 12 Contoh Dokumen Evaluasi Pemasok L.42 Lampiran 13 Wawancara dengan Pihak Manajemen Terkait P: Untuk tujuan strategis kapabilitas SI pada
Lebih terperinciBAB III METODOLOGI PENELITIAN
1 BAB III METODOLOGI PENELITIAN Penelitian ilmiah memerlukan suatu kerangka penelitian sebelum pelaksanaannya. Kerangka penelitian tersebut harus disusun secara sistematis dan terarah, berdasarkan permasalahan
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 terperinciBAB 3 Teori Probabilitas
BAB 3 Teori Probabilitas A. HIMPUNAN a. Penulisan Hipunan Cara Pendaftaran Cara Pencirian 1) A = {a,i,u,e,o} 1) A = {X: x huruf vokal } 2) B = {1,2,3,4,5} menghasilkan data diskrit 2) B = {X: 1 x 2} menghasilkan
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN KELULUSAN UJIAN SARINGAN MASUK JALUR PMDK BERDASARKAN NILAI RATA-RATA MATEMATIKA DAN BAHASA INGGRIS
SISTEM PENDUKUNG KEPUTUSAN KELULUSAN UJIAN SARINGAN MASUK JALUR PMDK BERDASARKAN NILAI RATA-RATA MATEMATIKA DAN BAHASA INGGRIS Fitrah Rumaisa, S.T., Tanti Nurafianti Universitas Widyatama, Jl. Cikutra
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 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 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 I PENDAHULUAN 1.1 Latar Belakang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Pembentukan kelas belajar merupakan kegiatan rutin yang dilakukan oleh setiap sekolah pada setiap tahun ajaran baru. Pembentukan kelas biasanya dilakukan dengan membagi
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN SELEKSI PENERIMAAN KARYAWAN BARU
SISTEM PENDUKUNG KEPUTUSAN SELEKSI PENERIMAAN KARYAWAN BARU SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom.) Pada Program Studi Teknik Informatika OLEH :
Lebih terperinciBAB III PEMBAHASAN. Berikut akan diberikan pembahasan mengenai penyelesaikan CVRP dengan
BAB III PEMBAHASAN Berikut akan diberikan pembahasan mengenai penyelesaikan CVRP dengan Algoritma Genetika dan Metode Nearest Neighbour pada pendistribusian roti di CV. Jogja Transport. 3.1 Model Matetematika
Lebih terperinciPemanfaatan Metode K-Means Clustering dalam Penentuan Penjurusan Siswa SMA
Pemanfaatan Metode K-Means Clustering dalam Penentuan Penjurusan Siswa SMA Chandra Purnamaningsih Informatika, Fakultas MIPA, Universitas Sebelas Maret Surakarta Jl. Ir. Sutami No 36 A Surakarta cpurnamaningsih@gmail.com
Lebih terperinciPEMAMPATAN MATRIKS JARANG DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL
Jurnal Matematika UNAND Vol. 3 No. 1 Hal. 98 106 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMAMPATAN MATRIKS JARANG DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL YOSI PUTRI, NARWEN
Lebih terperinciBAB 2 LANDASAN TEORI
20 BAB 2 LANDASAN TEORI Mengambil sebuah keputusan tidak pernah lepas dari kehidupan setiap orang, setiap detik dari hidupnya hampir selalu membuat keputusan dari keputusan yang sederhana hingga keputusan
Lebih terperinciSistem Pendukung Keputusan Memilih Perguruan Tinggi Swasta di Palembang Sebagai Pilihan Tempat Kuliah
Sistem Pendukung Keputusan Memilih Perguruan Tinggi Swasta di Palembang Sebagai Pilihan Tempat Kuliah A Yani Ranius Fakultas Ilmu Komputer Universitas Bina Darma Palembang ay_ranius@yahoo.com Abstrak Sistem
Lebih terperinciBAB IV HASIL DAN BAHASAN
BAB IV HASIL DAN BAHASAN 4.1 Pengumpulan Data 4.1.1 Data Kriteria Evaluasi dan Pemilihan Supplier Dari hasil wawancara dengan pihak perusahaan dan studi pustaka, ditetapkan beberapa kriteria yang akan
Lebih terperinciLingkup Metode Optimasi
Algoritma Genetika Lingkup Metode Optimasi Analitik Linier Non Linier Single Variabel Multi Variabel Dgn Kendala Tanpa Kendala Numerik Fibonacci Evolusi Complex Combinasi Intelijen/ Evolusi Fuzzy Logic
Lebih terperinciBAB II TINJAUAN PUSTAKA. Metode AHP dikembangkan oleh Thomas L. Saaty, seorang ahli
BAB II TINJAUAN PUSTAKA 1.1. Metode Analytical Hierarchy Process 2.2.1 Definisi Analytical Hierarchy Process (AHP) Metode AHP dikembangkan oleh Thomas L. Saaty, seorang ahli matematika. Metode ini adalah
Lebih terperinciPENGUKURAN KINERJA DENGAN MENGGUNAKAN METODE PERFORMANCE PRISM DAN OBJECTIVE MATRIX (OMAX) PADA PT. SINAR GALUH PRATAMA CHANDRA GUNAWAN D
PENGUKURAN KINERJA DENGAN MENGGUNAKAN METODE PERFORMANCE PRISM DAN OBJECTIVE MATRIX (OMAX) PADA PT. SINAR GALUH PRATAMA TUGAS SARJANA Diajukan untuk Memenuhi Sebagian dari Syarat-syarat Memperoleh Gelar
Lebih terperinciBAB II KAJIAN TEORI 2.1 Kajian Penelitian Sebelumnya
5 BAB II KAJIAN TEORI 2.1 Kajian Penelitian Sebelumnya Traveling salesman problem (TSP) merupakan salah satu permasalahan yang telah sering diangkat dalam berbagai studi kasus dengan penerapan berbagai
Lebih terperinciBab II Analytic Hierarchy Process
Bab II Analytic Hierarchy Process 2.1. Pengertian Analytic Hierarchy Process (AHP) Metode AHP merupakan salah satu metode pengambilan keputusan yang menggunakan faktor-faktor logika, intuisi, pengalaman,
Lebih terperinciIMPLEMENTASI FUZZY C-MEANS UNTUK CLUSTERING PENDUDUK MISKIN (STUDI KASUS : KECAMATAN BANTUL) Abstrak
IMPLEMENTASI FUZZY CMEANS UNTUK CLUSTERING PENDUDUK MISKIN (STUDI KASUS KECAMATAN BANTUL) Femi Dwi Astuti Jurusan Teknik Informatika STMIK AKAKOM Yogyakarta femi@akakomacid Abstrak Kemiskinan merupakan
Lebih terperinciPemanfaatan Algoritma FCM Dalam Pengelompokan Kinerja Akademik Mahasiswa
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Pemanfaatan Algoritma FCM Dalam Pengelompokan Kinerja Akademik Mahasiswa Aidina Ristyawan 1), Kusrini 2), Andi Sunyoto
Lebih terperinciANALISA DAN APLIKASI METODE ZERO ONE DAN ANALITYCAL HIERARCHY PROCESS (AHP) DALAM PERANCANGAN BECAK
ANALISA DAN APLIKASI METODE ZERO ONE DAN ANALITYCAL HIERARCHY PROCESS (AHP) DALAM PERANCANGAN BECAK Yanti Pasmawati 1, Ch. Desi Kusmindari 2 Dosen Universitas Bina Darma Jalan Ahmad Yani No.12 Palembang
Lebih terperincilingkup perkantoran pemerintah Kota Depok. Adapun kegiatan tersebut dilakukan 1 hari dalam seminggu yaitu pada hari Selasa. Seluruh pegawai negeri sip
PERANCANGAN PROSES PRODUKSI BUBUR KENTANG SIAP SAJI DENGAN MEMPERHATIKAN KEINGINAN KONSUMEN Grace Elizabeth Grace Elizabeth (grace_miong@yahoo.com) Jurusan Teknik Industri, Fakultas Teknologi Industri,
Lebih terperinciBAB V SIMPULAN, KETERBATASAN, DAN IMPLIKASI. IV di atas, maka didapatkan beberapa kesimpulan, yaitu:
BAB V SIMPULAN, KETERBATASAN, DAN IMPLIKASI 5.1 SIMPULAN Berdasarkan pada hasil analisa dan pembahasan yang dilakukan pada bab IV di atas, maka didapatkan beberapa kesimpulan, yaitu: 1. Hasil analisa menunjukkan
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 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 terperinciUnit 5 PELUANG. Clara Ika Sari Budhayanti. Pendahuluan
Unit 5 PELUANG lara Ika Sari Budhayanti Pendahuluan P ada unit lima ini kita akan membahas peluang. Peluang merupakan salah satu cabang matematika yang mempelajari cara menghitung tingkat keyakinan seseorang
Lebih terperinciDAFTAR ISI. ABSTRAK... iii. ABSTRACT... iv. KATA PENGANTAR... v. DAFTAR ISI... ix. DAFTAR TABEL...xii. DAFTAR GAMBAR... xv. DAFTAR LAMPIRAN...
DAFTAR ISI HALAMAN PERSETUJUAN PEMBIMBING HALAMAN PERNYATAAN SARJANA ABSTRAK... iii ABSTRACT... iv KATA PENGANTAR... v DAFTAR ISI... ix DAFTAR TABEL...xii DAFTAR GAMBAR... xv DAFTAR LAMPIRAN... xvi BAB
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Travelling Salesman Problem (TSP) Travelling Salesmen Problem (TSP) termasuk ke dalam kelas NP hard yang pada umumnya menggunakan pendekatan heuristik untuk mencari solusinya.
Lebih 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 terperinciOPTIMISASI PENEMPATAN TURBIN ANGIN DI AREA LAHAN ANGIN
OPTIMISASI PENEMPATAN TURBIN ANGIN DI AREA LAHAN ANGIN MENGGUNAKAN ALGORITMA GENETIKA Azimatul Khulaifah 2209 105 040 Bidang Studi Sistem Tenaga Jurusan Teknik Elektro FTI ITS Dosen Pembimbing : Dosen
Lebih terperinciPENILAIAN KINERJA KLASTER INDUSTRI PADA SENTRA MEBEL DI DESA TAHUNAN JEPARA. Jl. Prof. H. Soedarto, SH. Semarang *
PENILAIAN KINERJA KLASTER INDUSTRI PADA SENTRA MEBEL DI DESA TAHUNAN JEPARA Naniek Utami Handayani 1*, Ahmad Ihsani 2, Hery Suliantoro 3 1,2,3 Program Studi Teknik Industri, Fakultas Teknik,Universitas
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN 3.1 Flow Chart Metodologi Penelitian Sumber: Data Hasil Pribadi Gambar 3.1 Flowchart MetodePenelitian 40 41 1 Penerjemahan Visi dan Misi ke dalam empat perspektif Analisis SWOT
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 terperinciBAB II TINJAUAN PUSTAKA... 8
8 DAFTAR ISI Halaman HALAMAN SAMPUL... i HALAMAN JUDUL... ii HALAMAN PENGESAHAN... iii HALAMAN PERNYATAAN... iv HALAMAN PERSEMBAHAN... v KATA PENGANTAR... vi DAFTAR ISI... viii DAFTAR GAMBAR... xi DAFTAR
Lebih terperinciANALISIS DAN PERANCANGAN KINERJA SISTEM INFORMASI DENGAN METODE BALANCED SCORECARD DAN ANALYTICAL HIERARCHY PROCESS
ANALISIS DAN PERANCANGAN KINERJA SISTEM INFORMASI DENGAN METODE BALANCED SCORECARD DAN ANALYTICAL HIERARCHY PROCESS Lestari Retnawati 1) dan Erma Suryani 2) 1) Program Studi Magister Manajemen Teknologi,
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 terperinciAlgoritma Evolusi Dasar-Dasar Algoritma Genetika
Algoritma Evolusi Dasar-Dasar Algoritma Genetika Imam Cholissodin imam.cholissodin@gmail.com Pokok Bahasan 1. Pengantar 2. Struktur Algoritma Genetika 3. Studi Kasus: Maksimasi Fungsi Sederhana 4. Studi
Lebih terperinciBAB III PENJADWALAN KULIAH DI DEPARTEMEN MATEMATIKA DENGAN ALGORITMA MEMETIKA. Penjadwalan kuliah di departemen Matematika UI melibatkan
BAB III PENJADWALAN KULIAH DI DEPARTEMEN MATEMATIKA DENGAN ALGORITMA MEMETIKA Penjadwalan kuliah di departemen Matematika UI melibatkan beberapa komponen yakni ruang kuliah, dosen serta mahasiswa. Seorang
Lebih terperinciDECISION SUPPORT SYSTEM FOR DETERMINING SCHOLARSHIP RECIPIENTS USING TOPSIS FMADM METHOD
ZERO JURNAL SAINS MATEMATIKA DAN TERAPAN Volume 1 No. 1 2017 Page : 11-21 P-ISSN: 2580-569X E-ISSN: 2580-5754 DECISION SUPPORT SYSTEM FOR DETERMINING SCHOLARSHIP RECIPIENTS USING TOPSIS FMADM METHOD Ismail
Lebih terperinciB. Aturan Permutasi ATURAN PENCACAHAN 7/8/2015. B. Aturan Permutasi
Jurnal Materi W22b B. Aturan Permutasi Daftar Hadir Materi B SoalLKS SoalLatihan ATURAN PENCACAHAN Kelas XI, Semester 4 B. Aturan Permutasi Notasi faktorial : n! = n (n - 1) (n - 2) (n - 3) 3. 2. 1 dimana
Lebih terperinci6. PELUANG A. Kaidah Pencacahan 1. Aturan perkalian
6. PELUANG A. Kaidah Pencacahan. Aturan perkalian Apabila suatu peristiwa dapat terjadi dengan n tahap yang berurutan, dimana tahap pertama terdapat a cara yang berbeda dan seterusnya sampai dengan tahap
Lebih terperinciBAB II LANDASAN TEORI. digunakan sebagai alat pembayaran yang sah di negara lain. Di dalam
BAB II LANDASAN TEORI 2.1 Valuta Asing Valuta asing dapat diartikan sebagai mata uang yang dikeluarkan dan digunakan sebagai alat pembayaran yang sah di negara lain. Di dalam hukum ekonomi bila terdapat
Lebih terperinciALTERNATIF MODEL PEMAMPATAN MATRIKS JARANG DENGAN MENGGUNAKAN ALGORITMA GENETIK
ALTERNATIF MODEL PEMAMPATAN MATRIKS JARANG DENGAN MENGGUNAKAN ALGORITMA GENETIK Nico Saputro dan Ruth Beatrix Yordan Jurusan Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Katolik
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini menggunakan metode Fuzzy AHP. Adapun tahapan penelitian adalah sebagai berikut
BAB III METODE PENELITIAN 3.1 Diagram Alir Metode Penelitian Penelitian ini menggunakan metode Fuzzy AHP. Adapun tahapan penelitian adalah sebagai berikut Gambar 3.1 Diagram Alir Metode Penelitian 15 16
Lebih terperinciBAB II KAJIAN TEORI. yang diapit oleh dua kurung siku sehingga berbentuk empat persegi panjang atau
BAB II KAJIAN TEORI Pada bab ini akan diberikan kajian teori mengenai matriks dan operasi matriks, program linear, penyelesaian program linear dengan metode simpleks, masalah transportasi, hubungan masalah
Lebih terperinciBAB 2 LANDASAN TEORI
18 BAB 2 LANDASAN TEORI 2.1 Pengertian Optimasi Optimasi adalah salah satu ilmu dalam matematika yang fokus untuk mendapatkan nilai minimum atau maksimum secara sistematis dari suatu fungsi, peluang maupun
Lebih terperinciGenerator Jadwal Perkuliahan Menggunakan Algoritma Genetika
Generator Jadwal Perkuliahan Menggunakan Algoritma Genetika Zainal Akbar 1), Muh. Fajri Raharjo 2), Eddy Tungadi 3) CAIR, Politeknik Negeri Ujung Pandang Jl. Perintis Kemerdekaan km. 10, Tamalanrea Makassar,
Lebih terperinciBAB I PENDAHULUAN. Bab I Pendahuluan. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pada masa sekarang, pemanfaatan teknologi informasi bukanlah hal yang biasa lagi. Bahkan semakin berkembang pesat dan akan terus menjadi sebuah kebutuhan yang real
Lebih terperinci4 HASIL DAN PEMBAHASAN
24 4 HASIL DAN PEMBAHASAN 4.1 Data Korpus Data korpus berisi berita-berita nasional berbahasa Indonesia dari tanggal 11 Maret 2002 sampai 11 April 2002. Berita tersebut berasal dari berita online harian
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 terperinciSIMULASI PENGENDALIAN KECEPATAN MOBIL OTOMATIS MENGGUNAKAN LOGIKA FUZZY DAN ALGORITMA GENETIKA
SIMULASI PENGENDALIAN KECEPATAN MOBIL OTOMATIS MENGGUNAKAN LOGIKA FUZZY DAN ALGORITMA GENETIKA Helmy Thendean, M.Kom 1) Albert, S.Kom 2) Dra.Chairisni Lubis, M.Kom 3) 1) Program Studi Teknik Informatika,Universitas
Lebih terperinciBAB III IMPLEMENTASIALGORITMA GENETIK DAN ACS PADA PERMASALAHAN TRAVELLING SALESMAN PROBLEM
BAB III IMPLEMENTASIALGORITMA GENETIK DAN ACS PADA PERMASALAHAN TRAVELLING SALESMAN PROBLEM 3.1 TRAVELLING SALESMAN PROBLEM Sebelum membahas pencarian solusi Travelling Salesman Problem menggunakan algoritma
Lebih terperinciPROBABILITAS BERSYARAT. Dr. Julan Hernadi
1 PROBABILITAS BERSYARAT Dr. Julan Hernadi 1 Pendahuluan Tujuan utama dari pemodelan probabilitas adalah untuk menentukan bagaimana kecenderungan suatu kejadian A muncul bila kita melakukan percobaan.
Lebih terperinciBAB 3 METODE PENELITIAN
56 BAB 3 METODE PENELITIAN 3.1 PENDAHULUAN Pada bab ini akan dipaparkan mengenai perancangan penelitian yang digunakan untuk mencapai tujuan dalam penulisan ini. Penelitian ini memiliki 2 (dua) tujuan,
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 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 terperinci