II. TINJAUAN PUSTAKA
|
|
- Ari Salim
- 7 tahun lalu
- Tontonan:
Transkripsi
1 II. TIJAUA PUSTAKA Portofolio Saham Portofolio berarti sekumulan investasi, untuk kasus saham, berarti sekumulan investasi dalam bentuk saham. Proses embentukan orfolio saham terdiri dari mengidentifikasi saham mana yang akan diilih dan menentukan beraa roorsi/alokasi dana yang akan ditanamkan ada masing-masing saham tersebut. Proses alokasi ini diangga sebagai komonen terenting dalam melakukan investasi karena melibatkan berbagai kemungkinan alokasi yang daat diilih. Semakin banyak saham yang diilih semakin banyak ula kemungkinan alokasi yang daat diilihnya Strategi embentukan ortofolio saham ada dua macam, yaitu strategi asif dan strategi aktif (Husnan 1998). Strategi asif meruakan tindakan investor yang cenderung asif dalam berinvestasi dan hanya mendasarkan ergerakan sahamnya ada ergerakan indeks asar. Tujuan dari strategi asif ini adalah memeroleh keuntungan ortofolio sebesar keuntungan indeks asar dengan menekankan seminimal mungkin resiko dan biaya investasi yang harus dikeluarkan. Investor yang mengggunakan strategi asif ini biasanya memegang sahamnya dalam jangka waktu yang relatif lama. Mereka melakukan embobotan untuk masing-masing sahamnya mengikuti bobot saham tersebut terhada indeks. Indikator yang digunakan adalah indeks asar, yaitu IHSG dan LQ45. Strategi asif ini banyak dilakukan oleh manajer-manajer investasi, termasuk di Indonesia. Strategi aktif meruakan tindakan investor secara aktif dalam menyusun ortofolio dan merevisi berdasarkan referensinya. Tujuan strategi aktif ini mendaatkan keuntungan ortofolionya melebihi keuntungan ortofolio strategi asif. Penyusunan ortofolio berdasarkan hubungan tingkat keuntungan dan risiko yang terbaik dibandingkan dengan alternatif lainnya. Setia eriode, bobot alokasi ortofolionya dilakukan revisi suaya selalu dalam keadaan otimal. Model Markowitz Teori ortofolio modern digagas oleh Harry Markowitz, disebut juga model mean-variance, memertimbangkan keuntungan rata-rata dan resiko
2 5 berdasarkan adanya hubungan antara saham-saham (variance) yang membentuk ortofolio (Markowitz, 195) Setia ortofolio saham terdiri dari komosisi saham-saham embentuknya. Bobot bobot alokasi dari masing-masing saham adalah ersentase alokasi investasi saham dari total investasinya. Sehingga total dari bobot alokasi saham dari suatu ortofolio adalah satu. Aabila w i adalah bobot alokasi saham ke-i, maka setia otfolio memunyai batasan rumus sebagai berikut : n i= 1 w = 1 (1) i w i 0 Tingkat keuntungan yang diharakan dari suatu ortofolio adalah meruakan rata-rata tertimbang dari tingkat keuntungan yang diharakan masingmasing saham yang membentuk ortofolio tersebut. Tingkat keuntungan yang diharakan dari suatu ortofolio (E(R )) daat dinyatakan dengan rumus : E( R ) = w E( R ) () i= 1 i i Dimana E(R i ) adalah tingkat keuntungan yang diharakan dari Saham ke-i. Sedangkan erhitungan resiko/variance ( σ ) dari suatu ortofolio harus memerhitungkan unsur korelasi antar masing-masing saham yang membentuk ortofolio tersebut. Rumus umumnya adalah sebagai berikut : σ = w w σ i= 1 i= j i j ij (3) Dimana σ ij adalah covariance antara saham i dengan saham j. Aabila i=j maka σ ii = σ i adalah variance dari saham i.
3 6 Portofolio yang Efisien Kita daat menyusun ortofolio dengan berbagai kombinasi dari kumulan saham ilihan. Setia kombinasi bobot alokasi ortofolio akan menghasilkan E(R ) dan σ yang berbeda. Gambar 1 Hubungan E(R) dan resiko (σ ) ortofolio (Taufik & Rostianingsih, 005) Gambar 1 memerlihatkan hubungan antara E(R ) dan σ dari berbagai kombinasi bobot alokasi ortofolio dari suatu kumulan saham ilihan. Dari gambar tersebut, investor daat menentukan ortofolio yang memiliki nilai E(R ) yang maksimum ada suatu σ tertentu atau σ yang minimum ada E(R ) tertentu. Titik A adalah global minimum variance ortofolio karena tidak ada σ yang lebih kecil. Investor akan selalu memilih ortofolio ada segmen AB dibanding AC karena akan memberikan E(R ) yang terbesar ada σ yang sama atau σ yang terkecil ada tingkat E(R ) yang sama. Segmen AB tersebut disebut dengan kumulan ortofolio yang efisien atau lebih dikenal efficient frontier.
4 7 Indikator Kinerja Portofolio Untuk menentukan ortofolio yang aling otimal adalah ortofolio yang memiliki kinerja yang aling baik. Penilaian kinerja ortofolio saham daat dilakukan dengan memertimbangkan tingkat keuntungan saja atau resiko saja. Penilaian kinerja ortofolio dengan melibatkan tingkat keuntungan ortofolio dan resiko akan memberikan informasi yang lebih mendalam tentang sejauh mana tingkat keuntungan dikaitkan dengan resiko. Salah satu teknik yang digunakan untuk engukuran kinerja ortofolio adalah menggunakan indeks Share. Indeks Share memertimbangkan variabel E(R ) dan resiko. Rumus indeks Share adalah : S R R f = (4) σ Dimana : S = indeks Share, R = Return ortofolio, R f = Return aset bebas resiko dan σ = resiko ortofolio. Suatu ortofolio yang memiliki nilai indeks share aling tinggi adalah ortofolio yang aling otimal karena memiliki tingkat keuntungan dan resiko terbaik. Estimasi Parameter Model Markowitz Kinerja ortofolio yang dibentuk oleh model markowitz tergantung ada akurasi melakukan rediksi tingkat keuntungan dan resiko. Untuk memrediksi tingkat keuntungan dan resiko saham ortofolio adalah dengan data historis tingkat keuntungan saham-saham embentuk ortofolio. Prediksi tingkat keuntungan saham yang aling sederhana adalah dengan menghitung rata-rata tingkat keuntungan historisnya, yang umum dikenal dengan moving average. Moving average daat digunakan untuk melihat tren dari suatu siklus. Tren jangka anjang atau jangka endek dari suatu siklus tidak menentu, sehingga ukuran eriode waktu data historis yang digunakan ditentukan kasus demi kasus. Simle moving average adalah erhitungan umum yang sederhana, yaitu dengan merata-ratakan tana melakukan embobotan untuk masing-masing data.
5 8 Jika digunakan eriode data historis, maka rediksi tingkat keuntungan eriode berikutnya menggunakan simle moving average adalah : Rt i i= E( Rt ) = 1 (5) E(R t ) = tingkat keuntungan yang diharakan untuk eriode t R t-i = keuntungan ada eriode ke t i = jumlah eriode ilai Haraan Tingkat Keuntungan dan Risiko Investasi Keuntungan yang diterima dari investasi dalam saham didaatkan dari caital gain atau keuntungan erubahan harga saham dan enerimaan dividen ada eriode tertentu. Tingkat keuntungan yang diharakan (E(R)) ada masa datang didaatkan dari rata-rata keuntungan (R) yang diterima ada eriode yang lalu. Keadaan tersebut daat dituliskan : Ri i= E( R) = 1 (6) E(R) = Tingkat keuntungan yang diharakan R i = keuntungan ada eriode ke i = jumlah eriode Tingkat keuntungan dan variance selama 1 eriode ada Tabel 1 daat disimulkan bahwa ada masa yang akan datang tingkat keuntungan yang diharakan adalah sebesar amun tingkat keuntungan yang dieroleh investor ada masa yang akan datang daat menyimang dari tingkat keuntungan yang diharakan tersebut. Resiko hal tersebut yang harus dihadai oleh emodal. Analisis untuk mengetahui ukuran risiko daat digunakan enyebaran distribusi. Ukuran enyebaran ini dimaksudkan untuk mengetahui seberaa kemungkinan nilai yang akan kita eroleh menyimang dari nilai yang diharakan. Ukuran ini daat diergunakan sebagai ukuran risiko.
6 9 Tabel 1 Contoh tingkat keuntungan dan variance selama 1 eriode Periode Keuntungan E( R ) 0.06 Variance 0.13 Dalam statistik, ukuran ini disebut variance ( σ ) yang erhitungannya bisa dirumuskan sebagai berikut : [( Ri E( R)] σ = (7) i= 1 σ = variance E(R) = Tingkat keuntungan yang diharakan R i = keuntungan ada eriode ke i = jumlah eriode Dengan mengetahui haraan tingkat keuntungan dan risiko dari saham, emodal daat menentukan saham mana yang akan diilihnya. Pemodal biasanya akan berusaha memilih saham yang memunyai tingkat keuntungan yang lebih tinggi dan resiko yang lebih rendah. Dengan kata lain, dari data histori daat mencari saham yang memunyai E(R) yang lebih tinggi dan variance ( σ ) yang lebih rendah.
7 10 Algoritma Genetik Algoritma genetik adalah algoritma encarian heuristik yang didasarkan ada mekanisme seleksi alamiah dan genetika alamiah. Setia variabel ada suatu fungsi yang dicari, dikodekan kedalam kromosom. Masing-masing kromosom berisi sejumlah gen, yang mengkodekan informasi yang disiman di dalam kromosom. Setelah skema engkodean ditentukan, dilakukan inisialisasi untuk sebuah oulasi dengan kromosom. Gen-gen yang mengisi masing-masing kromosom dibangkitkan secara acak, biasanya menggunakan distribusi seragam. Masing-masing kromosom akan didekodekan menjadi individu dengan nilai fitness tertentu. Sebuah oulasi baru dihasilkan dengan menggunakan mekanisme seleksi alamiah, yaitu memilih individu-individu secara roorsional terhada nilai fitness-nya dan genetika alamiah, yakni indah silang dan mutasi. Untuk menjaga generasi terbaik dari roses indah silang dan mutasi, diilih generasi terbaik untuk dibawa ke generasi selanjutnya yang disebut roses elitisme. Proses ini diulang samai generasi yang diinginkan atau kondisi tertentu yang diinginkan untuk enyelesaian ermasalahan. Pada dasarnya algoritma genetik memiliki tujuh komonen, yaitu skema engkodean, nilai fitness, seleksi orang tua, indah silang, mutasi, elitisme dan enggantian oulasi (Gambar ). Inisialisasi oulasi Loo samai generasi atau kondisi tertentu Dekode kromosom Evaluasi kromosom Reroduksi Elitisme Seleksi Orang Tua Cross Over / Pindah silang Mutasi End Gambar Pseude code algoritma genetika
8 11 Skema Pengkodean Terdaat tiga skema yang aling umum digunakan dalam engkodean, yaitu : 1. Real-number encoding Pada skema ini, nilai gen(g) berada dalam interval [0,R], dimana R adalah bilangan real ositif dan biasanya R = 1. Dengan menggunakan suatu interval tertentu, batas bawah r b dan batas atas ra, engkodean daat dilakukan dengan cara sebagai berikut : X = r b + (r a -r b )g (8). Discrete desimal encoding Setia gen bernilai salah satu bilangan bulat dalam interval [0,9]. Dengan menggunakan suatu interval tertentu, batas bawah r b dan batas atas ra, engkodean daat dilakukan dengan cara sebagai berikut : X = r b + (r a -r b )(g 1 x g x g x10 - ) (9) 3. Binary encoding Setia gen hanya bisa bernilai 0 atau 1 (Gambar 3). Dengan menggunakan suatu interval tertentu, batas bawah r b dan batas atas ra, engkodean daat dilakukan dengan cara sebagai berikut : X = r b + (r a -r b )(g 1 x -1 + g x g x - ) (10) X 1 X X g 1 g g g 1 g g 3 g 4 g 5 g 6 g 7 g 8 g g 1 g g 3 g 4 g 5 g 6 g 7 g 8 g 9 Gambar 3. Tiga jenis skema engkodean : binary encoding (bawah), discrete desimal encoding (tengah), dan real-number encoding (atas)
9 1 Pada contoh di atas terdaat tiga variabel, yaitu X 1, X, X 3, yang dikodekan ke dalam sebuah kromosom yang terdiri dari 3 gen untuk real-number encoding. Sedangkan ada discrete decimal encoding mauun binary encoding dikodekan ke dalam kromosom yang terdiri dari 9 gen (masing-masing variabel dikodekan ke dalam 3 gen). Dengan menggunakan nilai batas interval [-1,], maka hasil endekodeannya adalah : Real-number encoding X 1 = -1 + (-(-1) x = X = -1 + (-(-1) x =.0000 X 3 = -1 + (-(-1) x = Discrete desimal encoding X 1 = -1 + (-(-1))( )) = X = -1 + (-(-1))( )) = X 3 = -1 + (-(-1))( )) = Binary encoding X 1 = -1 + (-(-1))( )) = X = -1 + (-(-1))( )) = X 3 = -1 + (-(-1))( )) = -1 ilai Fitness Suatu individu dievaluasi berdasarkan suatu fungsi tertentu sebagai ukuran kinerjanya. Di dalam evolusi alam, individu yang bernilai fitness tinggi yang akan bertahan hidu. Sedangkan individu yang bernilai fitness rendah yang akan mati. Pada masalah otimisasi, jika solusi yang dicari adalah memaksimalkan fungsi h, maka nilai fitness yang digunakan adalah nilai dari fungsi h tersebut, yakni f = h. Tetai jika masalahnya adalah menimalkan fungsi h, maka fungsi h tidak bisa digunakan secara langsung. Hal ini disebabkan adanya aturan bahwa individu yang memiliki nilai fitness tinggi lebih mamu bertahan hidu ada generasi berikutnya. Oleh karena itu nilai fitness yang bisa digunakan adalah f = 1/h, yang artinya semakin kecil nilai h, semakin besar nilai f. Misalkan dari satu oulasi terdaat 4, 6, 3 dan 5, maka nilai fitness terbesar adalah 1/3.
10 13 Seleksi Orang Tua Pemilihan dua buah kromosom sebagai orang tua, yang akan diindah silangkan, biasanya dilakukan secara roorsional sesuai dengan nilai fitnessnya. Ada beberaa metode seleksi yaitu : rank-based fitness, roulette-wheel, stochastic universal samling, tournament selection. Rank-based Fitness Rank-based fitness dikemukakan melalui enelitian oleh Baker tahun 1985 (Michalewicz, 199). Pada rank-based fitness, oulasi diurutkan menurut nilai objektifnya. ilai fitness dari tia-tia individu hanya tergantung ada osisi individu tersebut dalam urutan, dan tidak diengaruhi oleh nilai objektifnya. Misalkan adalah jumlah individu dalam suatu oulasi. POS adalah osisi individu dalam oulasi tersebut (osisi terendah suatu individu adalah POS=1, dan osisi tertingginya adalah POS=). Sedangkan SP adalah selective ressure. ilai fitness dari suatu individu daat dihitung sebagai : Peringkat linear : Fitness(POS) = - SP - (SP-1)(POS -1)( -1) (11) ilai SP ε [1,] Peringkat non-linear : Fitness(POS) = (ind X (POS-1) )/ sum(x (i-1) ); i= 1 (1) Sedangkan X dihitung sebagai akar olinomial : (SP-1)X -1 +(SP-1)X SPX+SP = 0 ilai SP ε [1,-] Roulette-wheel Metode seleksi yang umum digunakan adalah roulette-wheel. Sesuai dengan namanya, metode ini menirukan ermainan roulette-wheel dimana masing-masing kromosom menemati otongan lingkaran ada roda roulette secara roorsional sesuai dengan nilai fitness-nya. Kromosom yang memiliki nilai fitness lebih besar menemati otongan lingkaran yang lebih besar dibandingkan dengan kromosom bernilai rendah (Gambar 4).
11 14 Kromosom ilai Fitness K1 1 K K3 0.5 K4 0.5 Jumlah 4 Gambar 4 Contoh enggunaan metode roulette-wheel K3 K4 K K1 Metode roulette-wheel selection sangat mudah diimlementasikan dalam emrograman. Pertama, dibuat interval nilai kumulatif dari nilai fitness masingmasing kromosom dibagi nilai total fitness dari semua kromosom. Sebuah kromosom akan terilih jika bilangan random yang dibangkitkan berada dalam nilai akumulatifnya. Seerti ada contoh, K1 menemati interval nilai kumulatif [0;0.5], K berada dalam interval [0.5;0.75], K3 berada dalam interval [0.5;0.875] dan K4 berada dalam interval [0.875;1]. Misalkan, jika bilangan random yang dibangkitkan adalah 0,6 maka kromosom K terilih sebagai orang tua. Tetai jika bilangan random yang dibangkitkan adalah 0,99 maka kromosom K4 yang terilih. Stochastic Universal Samling Stochastic universal samling memiliki nilai bias nol dan enyebaran yang minimum. Pada metode ini, individu-individu dietakan dalam suatu segmen garis secara berurutan sedemikian sehingga tia-tia segmen individu memiliki ukuran yang sama dengan ukuran fitnessnya seerti halnya ada roulette-wheel. Kemudian diberikan sejumlah ointer sebanyak individu yang ingin diseleksi, maka jarak antara ointer adalah 1/ dan osisi ointer ertama diberikan secara acak ada [1,1/) Tournament Selection Pada metode tournament selection, akan ditetakan suatu nilai tour untuk individu-individu yang diilih secara acak dari suatu oulasi. Individu-individu yang terbaik dalam kelomok ini akan diseleksi sebagai induk. Parameter yang
12 15 digunakan ada metode ini adalah ukuran tour yang bernilai antara samai (=jumlah individu dalam oulasi). Pindah Silang (Crossover) Salah satu komonen aling enting dalam algoritma genetika adalah crossover atau indah silang. Sebuah kromosom yang mengarah ada solusi yang bagus bisa dieroleh dari roses memindah-silangkan dua buah kromosom. Pindah silang bisa juga berakibat buruk jika ukuran oulasinya sangat kecil, suatu kromosom dengan gen-gen yang mengarah ke solusi akan sangat ceat menyebar ke kromosom-kromosom lainnya. Untuk mengatasi masalah ini digunakan suatu aturan bahwa indah silang hanya bisa dilakukan dengan robabilitas tertentu. Artinya, indah silang bisa dilakukan hanya jika suatu bilangan random [0,1] yang dibangkitkan kurang dari yang ditentukan. Pada umumnya ditentukan mendekati 1, misalnya 0,8. Pindah silang bisa dilakukan dalam beberaa cara berbeda. Yang aling sederhana adalah indah silang satu titik otong (one-oint crossover). Suatu titik otong diilih secara acak, kemudian bagian ertama dari orang tua 1 digabungkan dengan bagian kedua dari orang tua. Untuk kromosom yang sangat anjang, misalnya 1000 gen, mungkin saja dierlukan beberaa titik otong. Pindah silang lebih dari satu titik otong disebut n-oint crossover. Skema indah silang yang lain adalah uniform crossover, yang meruakan kasus khusus dari n- oint crossover diamana n sama dengan jumlah gen dikurangi satu (Gambar 5). titik otong Orang tua Orang tua g 1 g g 3 g 4 g 5 g 6 g 7 g 8 g 9 g 10 Anak Anak g 1 g g 3 g 4 g 5 g 6 g 7 g 8 g 9 g 10 Gambar 5 Contoh indah silang satu titik otong
13 16 Metode indah silang lainnya adalah ermutation crossover. Pada metode ini, kromosom-kromosom anak dieroleh dengan cara memilih sub-barisan dari suatu tour dari satu induk dengan teta menjaga urutan dan osisi sejumlah kota yang mungkin terhada induk yang lainnya. Misalkan : Induk 1 : ( ) Induk : ( ) Anak 1 : ( x x x x x ) Anak : ( x x x x x ) Dari anak 1 dan kita memeroleh emetaan 1-4, 8-5, 7-6, 6-7. Kemudaian sisa gen di induk 1 dimasukkan ke anak 1 berdasarkan emetaan tersebut. Hasilnya adalah : Anak 1 : ( ) Anak : ( ) Mutasi Prosedur mutasi sangatlah sederhana. Untuk semua gen yang ada, jika bilangan random yang dibangkitkan kurang dari robabilitas mutasi yang ditentukan maka ubah gen tersebut menjadi nilai kebalikannya (Gambar 6). Biasanya ditentukan sebagai 1/n, dimana n adalah jumlah gen dalam kromosom. Dengan sebesar ini berarti mutasi hanya terjadi ada sekitar satu gen saja. Pada algoritma genetik sederhana, nilai tersebut adalah teta selama evolusi. Kromosom asal Hasil mutasi g 1 g g 3 g 4 g 5 g 6 g 7 g 8 g 9 g 10 Gambar 6 Contoh roses mutasi
14 17 Elitisme Karena seleksi dilakukan secara acak, maka tidak ada jaminan bahwa suatu individu bernilai fitness tertinggi akan selalu terilih. Kalauun individu bernilai fitness tertinggi terilih, mungkin saja individu tersebut akan rusak karena roses indah silang. Untuk menjaga agar individu berniali fitness tertinggi tersebut tidak hilang selama evolusi, maka erlu dibuat satu atau beberaa salinannya. Prosedur ini dikenal sebagai elitisme. Penggantian Poulasi Dalam algoritm genetika dikenal skema enggantian oulasi yang disebut generational relacement, yang berarti semua individu (misal individu dalam satu oulasi) dari suatu generasi digantikan sekaligus oleh individu baru hasil indah silang dan mutasi. Skema enggantian ini tidak realistis dari sudut andang biologi. Di dunia nyata, individu-individu dari generasi berbeda bisa berada dalam waktu yang bersamaan. Fakta lainnya adalah individu-individu muncul dan hilang secara konstan, tidak ada generasi tertentu. Secara umum skema enggantian oulasi daat dirumuskan berdasarkan suatu ukuran yang disebut generational ga G. Ukuran ini menunjukkan resentase oulasi yang digantikan dalam setia generasi. Pada skema generational relacement, G= 1. Skema enggantian yang aling ekstrim adalah mengganti satu individu dalam setia generasi, yaitu G = 1/, diaman adalah jumlah individu dalam oulasi. Skema enggantian ini disebut steady-state reroduction. Pada skema tersebut, G biasanya sama dengan 1/ atau /. Dalam setia generasi, sejumlah G individu harus dihaus unutk menjaga ukuran oulasi teta. Terdaat beberaa rosedur enghausan individu, yaitu enghausan individu bernilai fitness aling rendah atau enghausan individu yang aling tua. Penghausan bisa berlaku hanya ada individu orang tua saja atau bisa juga berlaku ada semua individu dalam oulasi.
BAB III PEMBAHASAN. menggunakan model Fuzzy Mean Absolute Deviation (FMAD) dan penyelesaian
BAB III PEMBAHASAN Dalam bab ini akan dibahas mengenai pembentukan portofolio optimum menggunakan model Fuzzy Mean Absolute Deviation (FMAD) dan penyelesaian model Fuzzy Mean Absolute Deviation (FMAD)
Lebih terperinciOPTIMASI ALOKASI PORTOFOLIO SAHAM PADA PASAR MODAL INDONESIA MENGGUNAKAN ALGORITMA GENETIK ENDE BUDI MULYADI
OPTIMASI ALOKASI PORTOFOLIO SAHAM PADA PASAR MODAL INDONESIA MENGGUNAKAN ALGORITMA GENETIK ENDE BUDI MULYADI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2011 PERNYATAAN MENGENAI TESIS DAN SUMBER
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Persoalan jalur terendek (Shortest Path) meruakan suatu jaringan engarahan erjalanan dimana seseorang engarah jalan ingin menentukan jalur terendek antara dua kota
Lebih terperinciBAB III METODOLOGI DAN PERBANDINGAN METODA
BAB III METODOLOGI DAN PERBANDINGAN METODA Melalui enjelasan konse jaringan grah, dalam menelusuri rute menuntut adanya enggunaan metoda yang teat. Merunut ada tinjauan ustaka, setidaknya akan digunakan
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3. Kerangka Pemikiran Penelitian ini dimulai dengan adanya ermasalahan yang ditemukan oleh enulis yakni mengenai validitas CAPM di dalam engalikasiannya terhada engukuran
Lebih terperinciERWIEN TJIPTA WIJAYA, ST.,M.KOM
ERWIEN TJIPTA WIJAYA, ST.,M.KOM DEFINISI ALGEN adalah algoritma yang memanfaatkan proses seleksi alamiah yang dikenal dengan evolusi Dalam evolusi, individu terus menerus mengalami perubahan gen untuk
Lebih terperinciBAB 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 terperinciPengantar Kecerdasan Buatan (AK045218) Algoritma Genetika
Algoritma Genetika Pendahuluan Struktur Umum Komponen Utama Seleksi Rekombinasi Mutasi Algoritma Genetika Sederhana Referensi Sri Kusumadewi bab 9 Luger & Subblefield bab 12.8 Algoritma Genetika 1/35 Pendahuluan
Lebih terperinciTugas Mata Kuliah E-Bisnis REVIEW TESIS
Tugas Mata Kuliah E-Bisnis REVIEW TESIS Desain Algoritma Genetika Untuk Optimasi Penjadwalan Produksi Meuble Kayu Studi Kasus Pada PT. Sinar Bakti Utama (oleh Fransiska Sidharta dibawah bimbingan Prof.Kudang
Lebih terperinciBAB 2 LANDASAN TEORI. 2.1 Algoritma Genetika
6 BAB 2 LANDASAN TEORI 2.1 Algoritma Genetika Algoritma genetika merupakan metode pencarian yang disesuaikan dengan proses genetika dari organisme-organisme biologi yang berdasarkan pada teori evolusi
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Travelling Salesman Problem (TSP) Travelling Salesmen Problem (TSP) termasuk ke dalam kelas NP hard yang pada umumnya menggunakan pendekatan heuristik untuk mencari solusinya.
Lebih terperinciBAB 2 DASAR TEORI. 2.1 Teka-Teki Silang
BAB 2 DASAR TEORI 2.1 Teka-Teki Silang Teka-teki silang atau disingkat TTS adalah suatu permainan yang mengharuskan penggunanya untuk mengisi ruang-ruang kosong dengan huruf-huruf yang membentuk sebuah
Lebih terperinciSKRIPSI ANALISIS PENGELOMPOKKAN KECAMATAN DI KODYA SURABAYA BERDASARKAN VARIABEL-VARIABEL KEPENDUDUKAN, KESEHATAN DAN PENDIDIKAN
SKRIPSI ANALISIS PENGELOMPOKKAN KECAMATAN DI KODYA SURABAYA BERDASARKAN VARIABEL-VARIABEL KEPENDUDUKAN, KESEHATAN DAN PENDIDIKAN Oleh : Rengganis L. N. R 302 00 046 PENDAHULUAN Latar Belakang Penduduk
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 terperinciBiaya Modal (Cost of Capital)
Bahan Ajar : Manajemen Keuangan II Digunakan untuk melengkai buku wajib Disusun oleh: Nila Firdausi Nuzula Biaya Modal (Cost of Caital) Caital Budgeting dan Cost of Caital (CoC) meruakan dua konse yang
Lebih terperinciDETEKSI RISIKO DINI SAHAM GABUNGAN DENGAN MENGGUNAKAN VALUE at RISK
Program Studi MMT-ITS, Surabaya 14 Juli 01 DETEKSI RISIKO DINI SAHAM GABUNGAN DENGAN MENGGUNAKAN VALUE at RISK Haryono, Muhammad Sjahid Akbar dan Sony Sunaryo Statistics, Seuluh Noember Institute of Technology
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 terperinciPENDAHULUAN. Latar Belakang. Tujuan Penelitian
PENDAHULUAN Latar Belakang Fungsi Cobb-Douglas dengan galat aditif merupakan salah satu fungsi produksi yang dapat digunakan untuk menganalisis hubungan antara hasil produksi dan faktor-faktor produksi.
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 terperinciPembentukan dan Pemilihan Portofolio
Pembentukan dan Pemilihan Portofolio 1. Konse ortofolio efisien. Pembentukan ortofolio efisien Kombinasi sekuritas berisiko, tana short sales Kombinasi sekuritas berisiko, dgn short sales Kombinasi sekuritas
Lebih terperinciBAB I PENDAHULUAN. Tahun 1997 negara-negara di Kawasan Asia mengalami krisis ekonomi,
BAB I PENDAHULUAN A. Latar Belakang Tahun 997 negara-negara di Kawasan Asia mengalami krisis ekonomi, seerti Korea Selatan, Thailand, Filiina, Malaysia, Singaura, Indonesia. Penyebaran krisis di kawasan
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 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 III ALGORITMA MEMETIKA DALAM MEMPREDIKSI KURS VALUTA ASING. Untuk memberikan penjelasan mengenai prediksi valuta asing
BAB III ALGORITMA MEMETIKA DALAM MEMPREDIKSI KURS VALUTA ASING Untuk memberikan penjelasan mengenai prediksi valuta asing menggunakan algoritma memetika, akan diberikan contoh sebagai berikut. Contoh Misalkan
Lebih 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 III PERANCANGAN. Gambar 3.1 di bawah ini mengilustrasikan jalur pada TSP kurva terbuka jika jumlah node ada 10:
BAB III PERANCANGAN Pada bagian perancangan ini akan dipaparkan mengenai bagaimana mencari solusi pada persoalan pencarian rute terpendek dari n buah node dengan menggunakan algoritma genetika (AG). Dari
Lebih terperinciIntegral dan Persamaan Diferensial
Sudaryatno Sudirham Studi Mandiri Integral dan Persamaan Diferensial ii Darublic BAB 3 Integral (3) (Integral Tentu) 3.. Luas Sebagai Suatu Integral. Integral Tentu Integral tentu meruakan integral yang
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 terperinciDika Dwi Muharahman*, Nurul Gusriani, Elis Hertini. Departemen Matematika, Universitas Padjadjaran *E mail:
Perubahan Perilaku Pengguna nstant Messenger dengan Menggunakan Analisis Koresondensi Bersama (Studi Kasus Mahasiswa di Program Studi S-1 Matematika FMPA Unad) Dika Dwi Muharahman*, Nurul Gusriani, Elis
Lebih terperinciBAB III PEMBAHASAN. Berikut akan diberikan pembahasan mengenai penyelesaikan CVRP dengan
BAB III PEMBAHASAN Berikut akan diberikan pembahasan mengenai penyelesaikan CVRP dengan Algoritma Genetika dan Metode Nearest Neighbour pada pendistribusian roti di CV. Jogja Transport. 3.1 Model Matetematika
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan membahas landasan atas teori-teori yang bersifat ilmiah untuk mendukung penulisan tugas akhir ini. Teori-teori yang dibahas mengenai pengertian penjadwalan, algoritma
Lebih terperinciBAB 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 LANDASAN TEORI. pembahasan pada bab-bab berikutnya, yaitu varians dan kovarians, distribusi normal,
BAB II LANDASAN TEORI ada bab ini dibahas tentang materi dasar yang digunakan untuk mendukung embahasan ada bab-bab berikutnya, yaitu varians dan kovarians, distribusi normal, matriks, investasi, ortofolio,
Lebih terperinciPENGEMBANGAN APLIKASI PENJADWALAN KULIAH SEMESTER I MENGGUNAKAN ALGORITMA GENETIKA
PENGEMBANGAN APLIKASI PENJADWALAN KULIAH SEMESTER I MENGGUNAKAN ALGORITMA GENETIKA Bagus Priambodo Program Studi Sistem Informasi Fakultas Ilmu Komputer Universitas Mercu Buana e- mail : bagus.priambodo@mercubuana.ac.id
Lebih terperinciDESAIN PERILAKU AGEN PADA PERMAINAN BULUTANGKIS DENGAN MENGGUNAKAN MULTI-OBJECTIVE GENETIC ALGORITHM
DESAIN PERILAKU AGEN PADA PERMAINAN BULUTANGKIS DENGAN MENGGUNAKAN MULTI-OBJECTIVE GENETIC ALGORITHM Adianto*,Sueno Mardi, ST, MT** Moch Hariadi, ST, Ms.c,Ph.D** adianto@elect-eng.its.ac.id, mardi@its.ac.id,
Lebih terperinciImplementasi Algoritma Genetika dalam Pembuatan Jadwal Kuliah
Implementasi Algoritma Genetika dalam Pembuatan Jadwal Kuliah Leonard Tambunan AMIK Mitra Gama Jl. Kayangan No. 99, Duri-Riau e-mail : leo.itcom@gmail.com Abstrak Pada saat ini proses penjadwalan kuliah
Lebih 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 terperinciDESAIN PERILAKU AGEN PADA PERMAINAN BULUTANGKIS DENGAN MENGGUNAKAN MULTI-OBJECTIVE GENETIC ALGORITHM
Program Studi MMT-ITS, Surabaya 6 Pebruari 00 DESAIN PERILAKU AGEN PADA PERMAINAN BULUTANGKIS DENGAN MENGGUNAKAN MULTI-OBJECTIVE GENETIC ALGORITHM Adianto*,Sueno Mardi** Moch Hariadi** *Jurusan Teknik
Lebih terperinciMinimum Variance Unbiased Estimator (MVUE) K-Fold Cross Validation
6 Individu kemudian diseleksi dengan metode Roulette Wheel, dengan peluang suatu individu untuk terpilih dinyatakan dengan persamaan sebagai berikut: 4. Pindah silang (cross-over) Metode pindah silang
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.. Kerangka Pikir Penelitian ini dilakukan untuk mengetahui aakah terdaat engaruh dan hubungan antara total nilai aset reksa dana dengan risiko asar reksa dana (beta), standar
Lebih terperinciBAB II LANDASAN TEORI. Tahun 2001 pemilik CV. Tunas Jaya membuka usaha di bidang penjualan dan
BAB II LANDASAN TEORI 2.1 Sejarah Perusahaan Tahun 2001 pemilik CV. Tunas Jaya membuka usaha di bidang penjualan dan pengadaan suku cadang computer. Dalam bidang tersebut diharuskan berbadan hukum PD,
Lebih terperinciBAB III METODOLOGI PENELITIAN
32 BAB III METODOLOGI PENELITIAN 3.1 Kerangka Pikir Dalam enulisan ini akan memberikan gambaran hasil enelitian yang dilakukan dalam menyelesaikan masalah okok yang di bahas, yakni menjelaskan kinerja
Lebih terperinciMetode Taguchi dan Optimasi Multi Respons
Metode Taguchi dan Optimasi Multi Respons Dr. Ir. Eko Pujiyanto, S.Si.,M.T. Materi Taguchi Multi Response Metode PCR-TOPSIS Metode Algoritma-Genetika Taguchi Multi Respon Dalam dunia nyata produk memiliki
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 terperinciPemodelan Biaya Tak Langsung Proyek Konstruksi di PT Wijaya Karya (Studi Kasus: Proyek Konstruksi Di Provinsi Kalimantan Timur)
Pemodelan Biaya Tak Langsung Proyek Konstruksi di PT Wijaya Karya (Studi Kasus: Proyek Konstruksi Di Provinsi Kalimantan Timur) Odik Fajrin Jayadewa, Dr. Irhamah, S.Si, M.Si, dan 3 Dwi Endah Kusrini, S.Si,
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 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 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 terperincipenyusunan portofolio saham yang optimal menggunakan model Fuzzy Mean Absolute Deviation (FMAD) dan penyelesaian model FMAD menggunakan algoritma
BAB II KAJIAN PUSTAKA Berikut diberikan landasan teori yang digunakan untuk membahas mengenai penyusunan portofolio saham yang optimal menggunakan model Fuzzy Mean Absolute Deviation (FMAD) dan penyelesaian
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 terperinciGenetic Algorithme. Perbedaan GA
Genetic Algorithme Algoritma ini bekerja dengan sebuah populasi yang terdiri atas individu-individu (kromosom). Individu dilambangkan dengan sebuah nilai kebugaran (fitness) yang akan digunakan untuk mencari
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Travelling Salesman Problem (TSP) Persoalan TSP merupakan salah satu persoalan optimasi kombinatorial (kombinasi permasalahan). Banyak permasalahan yang dapat direpresentasikan
Lebih terperinciALGORITMA GENETIKA Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning
ALGORITMA GENETIKA Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning Achmad Basuki Politeknik Elektronika Negeri Surabaya PENS-ITS Surabaya 2003 Algoritma Genetika Algoritma
Lebih terperinciBAB 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 LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Hemofilia Hemofilia adalah gangguan produksi faktor pembekuan yang diturunkan, hemofilia berasal dari bahasa Yunani yaitu haima yang artinya darah dan philein yang artinya mencintai
Lebih terperinciBAB II KAJIAN TEORI. genetika, dan algoritma memetika yang akan digunakan sebagai landasan dalam
BAB II KAJIAN TEORI Pada bab II ini dijelaskan mengenai beberapa teori tentang penjadwalan, penjadwalan kuliah, metode penyelesaian penyusunan jadwal kuliah, algoritma genetika, dan algoritma memetika
Lebih terperinciPENERAPAN ALGORITMA GENETIK UNTUK OPTIMASI TRANSFER DAYA PADA SISTEM SENSOR GAS. Muthmainnah
TESIS PENEAPAN ALGOITMA GENETIK UNTUK OPTIMASI TANSFE DAYA PADA SISTEM SENSO GAS Muthmainnah 1108201008 DOSEN PEMBIMBING Dr. Melania Suweni Muntini, MT PENDAHULUAN Sensor gas yang sering ditemui dipasaran
Lebih terperinciZbigniew M., Genetic Alg. + Data Structures = Evolution Program, Springler-verlag.
Zbigniew M., Genetic Alg. + Data Structures = Evolution Program, Springler-verlag. 12/11/2009 1 Ditemukan oleh Holland pada tahun 1975. Didasari oleh fenomena evolusi darwin. 4 kondisi yg mempengaruhi
Lebih terperinciBAB II KAJIAN PUSTAKA. Pada bab kajian pustaka berikut ini akan dibahas beberapa materi yang meliputi
BAB II KAJIAN PUSTAKA Pada bab kajian pustaka berikut ini akan dibahas beberapa materi yang meliputi graf, permasalahan optimasi, model matematika dari objek wisata di Yogyakarta, dan algoritma genetika
Lebih terperinciBAB III ANALISIS RANTAI MARKOV PADA PERAMALAN PANGSA PASAR
BAB III ANALISIS RANTAI MARKOV PADA PERAMALAN PANGSA PASAR Berdasarkan ada bab sebelumnya, ada bab ini akan dijelaskan enetaan atribut-atribut (keseakatan istilah) yang akan digunakan, serta langkah-langkah
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 III PEMBAHASAN. harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017.
BAB III PEMBAHASAN Data yang digunakan dalam bab ini diasumsikan sebagai data perkiraan harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017. Dengan demikian dapat disusun model Fuzzy
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 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 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 terperinciSerealia, umbi, dan hasil olahannya Kacang-kacangan, bijibijian,
4 generasi, kromosom akan melalui proses evaluasi dengan menggunakan alat ukur yang disebut dengan fungsi fitness. Nilai fitness dari suatu kromosom akan menunjukkan kualitas kromosom dalam populasi tersebut.
Lebih terperinciSOAL PREDIKSI UJIAN NASIONAL MATEMATIKA IPS TAHUN 2015
SOAL PREDIKSI UJIAN NASIONAL MATEMATIKA IPS TAHUN 0 PAKET Pilihan Ganda: Pilihlah satu jawaban yang aling teat.. Ingkaran dari ernyataan Jika emerintah menghauskan kebijakan subsidi bahan bakar minyak
Lebih terperinciPETA KENDALI R ADAPTIF SEBAGAI ALTERNATIF PETA KENDALI R SHEWHART DALAM MENDETEKSI PERGESERAN KECIL PADA VARIANS
PETA KENDALI R ADAPTIF SEBAGAI ALTERNATIF PETA KENDALI R SHEWHART DALAM MENDETEKSI PERGESERAN KECIL PADA VARIANS Adative R Control Chart as Alternative Shewhart R Control Chart in Detecting Small Shifts
Lebih terperinciPENERAPAN ALGORITMA GENETIK UNTUK OPTIMASI DENGAN MENGUNAKAN PENYELEKStAN RODA ROULETTE
PENERAPAN ALGORTMA GENETK UNTUK OPTMAS DENGAN MENGUNAKAN PENYELEKStAN RODA ROULETTE Samuel Lukas, M.Tech." Abstract The purpose of this paper is to introducing genetic algorithm. This algorithm is one
Lebih terperinciT I N J A U A N P U S T A K A Algoritma Genetika [5]
Algoritma Genetika [5] Fitness adalah nilai yang menyatakan baik-tidaknya suatu jalur penyelesaian dalam permasalahan TSP,sehingga dijadikan nilai acuan dalam mencari jalur penyelesaian optimal dalam algoritma
Lebih terperinciLAMPIRAN A TABEL KONSTANTA UNTUK MOMEN DISTRIBUSI
71 LAMPIRAN A TABEL KONSTANTA UNTUK MOMEN DISTRIBUSI 72 73 74 LAMPIRAN B PROGRAM ALGORITMA CONTOH SEDERHANA 75 == Algoritma Genetika Standar (dengan grafis 2D) terdiri dari: 1. Satu populasi dengan UkPop
Lebih terperinciPenyelesaian Puzzle Sudoku menggunakan Algoritma Genetik
Penyelesaian Puzzle Sudoku menggunakan Algoritma Genetik Afriyudi 1,Anggoro Suryo Pramudyo 2, M.Akbar 3 1,2 Program Studi Sistem Informasi Fakultas Ilmu Komputer. Universitas Bina Darma Palembang. email
Lebih 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 terperinciHASIL DAN PEMBAHASAN. Gambar 7 Diagram alur proses mutasi.
5 Mulai HASIL DAN PEMBAHASAN Kromosom P = rand [0,1] Ya P < Pm R = random Gen(r) dimutasi Selesai Tidak Gambar 7 Diagram alur proses mutasi. Hasil populasi baru yang terbentuk akan dievaluasi kembali dan
Lebih terperinciPELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE SELEKSI TURNAMEN UNTUK DATA TIME SERIES
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 65-72 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE
Lebih terperinciBAB II TINJAUAN PUSTAKA. yaitu investasi, portofolio, return dan expected return, risiko dalam berinvestasi,
BAB II TINJAUAN PUSTAKA Pada bab ini akan dibahas semua konsep yang mendasari penelitian ini yaitu investasi, portofolio, return dan expected return, risiko dalam berinvestasi, Compromise Programming,
Lebih terperinciBAB I PENDAHULUAN Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan Investasi merupakan kegiatan yang membawa konsekuensi untung dan rugi. Hal yang mendasar dalam proses keputusan investasi adalah pemahaman hubungan
Lebih terperinciKompleksitas Algoritma Quick Sort
Komleksitas Algoritma Quick Sort Fachrie Lantera NIM: 130099 Program Studi Teknik Informatika, Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung Jln. Ganesha 10, Bandung E-mail : if099@students.if.itb.ac.id
Lebih terperinciAnalisis Pengendalian Persediaan Produk Dengan Metode EOQ Menggunakan Algoritma Genetika untuk Mengefisiensikan Biaya Persediaan
JURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: 2301-9271 A-305 Analisis Pengendalian Persediaan Produk Dengan Metode EOQ Menggunakan Algoritma Genetika untuk Mengefisiensikan Biaya Persediaan Indroprasto,
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 terperinciBAB IV METODE PENELITIAN
71 BAB IV METODE PENELITIAN 4.1 Jenis/Desain Penelitian Jenis penelitian yang digunakan adalah jenis penelitian yang menggunakan pendekatan kuantitatif dengan studi deskriptif, karena tujuan penelitian
Lebih terperinciBAB III METODOLOGI PENELITIAN. sampling, (e) Validitas dan Reliabilitas, (f) Metode analisis data
BAB III METODOLOGI PENELITIAN Pada embahasan dalam metode enelitian ini akan menguraikan mengenai (a) Identifikasi variabel enelitian, (b) Defenisi oerasional variabel enelitian, (c)metode engumulan data,
Lebih terperinciABSTRAK. Universitas Kristen Maranatha
ABSTRAK Dalam beberapa tahun terakhir ini, peranan algoritma genetika terutama untuk masalah optimisasi, berkembang dengan pesat. Masalah optimisasi ini beraneka ragam tergantung dari bidangnya. Dalam
Lebih terperinciBab 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 terperinciMODEL OPTIMISASI PORTOFOLIO INVESTASI MEAN- VARIANCE TANPA DAN DENGAN ASET BEBAS RISIKO PADA SAHAM IDX30
Jurnal Matematika Integratif Volume, No., Oktober 06,. 07-6 -ISSN:4-684, e-issn:549-903 doi:0.498/jmi.v.n.97.07-6 MODEL OPIMISASI POROFOLIO INVESASI MEAN- VARIANCE ANPA DAN DENGAN ASE BEBAS RISIKO PADA
Lebih terperinciV. HASIL DAN PEMBAHASAN
V. HASIL DAN PEMBAHASAN Pengumpulan Data dan Praproses Data yang digunakan berdasarkan data yang dipublikasikan oleh Bursa Efek Indonesia dari bulan Januari 2004 sampai dengan Desember 2009. Sampai dengan
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Seiring dengan perkembangan pasar modal yang pesat, menuntut investor untuk memiliki banyak strategi dalam berinvestasi. Dalam berinvestasi dituntut untuk selalu mengelola
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 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 PENEMPATAN BANK CAPACITOR PADA PENYULANG H5 MENGGUNAKAN METODE GENETIC ALGORITHM (GA)
Jurnal Informatika Mulawarman ol. 10 No. 2 Setember 2015 13 OPTIMASI PENEMPATAN BANK CAPACITOR PADA PENYULANG H5 MENGGUNAKAN METODE GENETIC ALGORITHM (GA) Muslimin Program Studi Teknik Elektro Fakultas
Lebih terperinciBAB 3 PENGEMBANGAN TEOREMA DAN PERANCANGAN PROGRAM
BAB 3 PENGEMBANGAN TEOREMA DAN PERANCANGAN PROGRAM 3.1. Pengembangan Teorema Dalam enelitian dan erancangan algoritma ini, akan dibahas mengenai beberaa teorema uji rimalitas yang terbaru. Teorema-teorema
Lebih terperinciOptimasi Penjadwalan Ujian Menggunakan Algoritma Genetika
Optimasi Penjadwalan Ujian Menggunakan Algoritma Genetika Nia Kurnia Mawaddah Wayan Firdaus Mahmudy, (wayanfm@ub.ac.id) Jurusan Matematika, FMIPA Universitas Brawijaya, Malang 65145 Abstrak Penjadwalan
Lebih terperinciBAB II 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 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 terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Pustaka. Penelitian serupa mengenai penjadwalan matakuliah pernah dilakukan oleh penelliti yang sebelumnya dengan metode yang berbeda-neda. Berikut
Lebih terperinciBAB 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 terperinciTEORI INVESTASI DAN PORTFOLIO MATERI 4.
TEORI INVESTASI DAN PORTFOLIO MATERI 4 KONSEP DASAR 2/40 Ada tiga konsep dasar yang perlu diketahui untuk memahami pembentukan portofolio optimal, yaitu: portofolio efisien dan portofolio optimal fungsi
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan membahas landasan atas teori-teori yang bersifat ilmiah untuk mendukung penulisan skripsi ini. Teori-teori yang dibahas mengenai optimisasi, pengertian penjadwalan,
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tinjauan Pustaka (Samuel, Toni & Willi 2005) dalam penelitian yang berjudul Penerapan Algoritma Genetika untuk Traveling Salesman Problem Dengan Menggunakan Metode Order Crossover
Lebih terperinciBAB II TINJAUAN PUSTAKA. untuk berkunjung ke suatu negara. Permintaan pariwisata biasanya diukur dari segi
BAB II TINJAUAN PUSTAKA 2.1 Permintaan Pariwisata Pariwisata mamu mencitakan ermintaan yang dilakukan oleh wisatawan untuk berkunjung ke suatu negara. Permintaan ariwisata biasanya diukur dari segi jumlah
Lebih terperinci