PERBANDINGAN KINERJA ALGORITMA LMS DAN ALGORITMA GENETIK UNTUK FILTER ADAPTIF PENGHILANG NOISE
|
|
- Irwan Kusumo
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Simposium Nasional I Rapi 22 PERBANDINGAN KINERJA ALGORITMA LMS DAN ALGORITMA GENETIK UNTUK FILTER ADAPTIF PENGHILANG NOISE Renaldi Bonadr Jurusan Teknik Elektro Undip Jl. Prof. Sudharto, Tembalang Semarang Renaldi_b@yahoo.com Sumardi Jurusan Teknik Elektro Undip Jl. Prof. Sudharto, Tembalang Semarang sumardi@engineer.com Sudjadi Jurusan Teknik Elektro Undip Jl. Prof. Sudharto, Tembalang Semarang sudjadi@undip.ac.id ABSTRAK Filter adaptif merupakan sebuah filter dengan pengatur koefisien. Pada penghilang noise parameter filter diatur sehingga dapat mengoptimalkan sinyal dari distorsi (cacat) seminimal mungkin. Algoritma LMS digunakan sebagai algoritma pada filter adaptif FIR, yang kinerjanya bisa menghilangkan noise dari sinyal yang telah terkena noise, tapi tidak cukup baik untuk menghilangkan sebagian besar noise pada sinyal yang terkena noise. Untuk mengatasi permasalahan ini maka digunakan algoritma genetik. Algoritma genetik merupakan suatu algoritma yang berbasiskan pendekatan evolusi, yang melakukan seleksi berdasarkan kemampuan bertahan hidup suatu individu. Pembanding kedua algoritma ini (algoritma LMS dan algoritma genetik) adalah MSE (mean square error) yang minimum, MSE semakin minimum maka sinyal yang dihasilkan semakin mirip dengan sinyal yang diinginkan. Penggunaan algoritma LMS pada filter adaptif FIR menghasilkan MSE sebesar.8476, sedangkan hasil yang lebih baik didapat saat penggunaan algoritma genetik dengan MSE sebesar 3.4x. Kata Kunci: Algoritma LMS, Algoritma genetik, minimum MSE. I. PENDAHULUAN Penyelesaian masalah terdistorsinya sinyal dengan noise ini bisa diselesaikan dengan filter adaptif. Komponen kunci dari filter adaptif adalah pengesetan aturan, atau algoritma yang berfungsi untuk mengkoreksi pada proses adaptasi. Koreksi yang dihasilkan harus mengurangi MSE (mean square error). Algoritma sering digunakan yaitu algoritma least mean square (LMS). Algoritma ini bisa menghasilkan solusi pada lokal minimal, sehingga hasil yang diinginkan jadi keliru. Algoritma genetik digunakan sebagai pembanding pada makalah ini, dimana genetik mendapatkan solusi pada multi titik, sehingga bisa didapat solusi yang terbaik. Algoritma genetik sangat cocok digunakan untuk memecahkan masalah optimasi komplek dan juga untuk aplikasi yang membutuhkan pemecahan masalah adaptif. Dengan keunggulan tersebut, algoritma genetik diterima pada berbagai kalangan dan telah diaplikasikan pada berbagai bidang, seperti kontrol, robotika, identifikasi sistem (Man,997), penghilang noise (Hayes,996). II. TUJUAN Tujuan dari makalah ini adalah membandingkan kinerja filter adaptif penghilang noise menggunakan algoritma LMS dan algoritma genetik, dengan melihat pada nilai MSE (mean square error). III. DASAR TEORI 3.. Filter Adaptif FIR Aplikasi filter adaptif penghilang noise (sinyal interferensi) dapat dibuat blok diagram seperti gambar. Pada penghilang noise, filter adaptif membuang noise dari sinyal dalam waktu riil. Sinyal yang diinginkan x( adalah kombinasi noise v ( dan informasi yang dibutuhkan d(. Untuk menghilangkan noise, dibutuhkan noise referensi v 2 (. Noise yang dipakai pada simulasi ini adalah noise murni Gaussian. ISSN : E - 67
2 Simposium Nasional I Rapi 22 x(=d(+v ( v 2 ( Filter Adaptif y( e( Gambar. Filter adaptif penghilang noise 3.2. Algoritma LMS (least mean square) Persamaan dasar filter FIR (Ifeachor, 993) adalah N k H ( z) = h( k) z () k = Tanggapan filter FIR yang menghasilkan estimasi mean-square (akar rata-rata) yang minimum dari proses yang diharapkan d(, estimasi sinyal yang diinginkan adalah: p T y( = wn ( k) v2 ( n k) = wn v2 ( k = Dimana w n = [w n (), w n (),..., w n (p)] T (3) w n adalah vektor koefisien filter pada waktu n, dan v 2 ( = [v 2 (, v 2 (n-),..., v 2 (n-p)] T (4) Pada keadaan yang sebenarnya sinyal yang diinginkan d( tidak diketahui dan cenderung dinyatakan dengan fungsi random, tapi untuk kepentingan simulasi maka diumpamakan sinyal d( merupakan sinyal yang dibentuk dari sinyal sinus dan beramplitudo maksimum sama dengan satu. Disini diharapkan sinyal hasil keluaran dari proses adaptif e( akan mendekati sinyal yang diinginkan d(. Semakin mirip dengan sinyal yang diinginkan maka MSE akan semakin minimum, N 2 ξ ( = d( e( (5) N n= dimana e ( n ) x ( n ) y ( n ) x ( n ) w T = = v 2 ( n ) (6) n update untuk w n adalah: * wn + = wn + µ E{ e( v2 ( } (7) dan dikenal sebagai algoritma LMS. Algoritma LMS konvergen dalam rata-rata jika ukuran langkah µ memenuhi persamaan: <µ < (8) 3.3. Pendekatan Pencarian Genetik Algoritma genetik merupakan teknik pencarian yang diilhami oleh mekanisme evolusi dan genetik alam. Menurut teori evolusi, hanya individu terkuat saja yang dapat bertahan dan menghasilkan keturunan yang lebih berkualitas. Dalam bentuk matematis, suatu algoritma genetik akan memetakan suatu masalah pada suatu himpunan gen yang berbentuk string biner, kemudian akan di konversi kedalam nilai riil untuk menghasilkan pnenotype yang merupakan kode riil dari parameter dalam suatu ruang solusi dimana masing-masing string tersebut merepresentasikan suatu kandidat solusi bagi suatu masalah. Kemudian algoritma genetik akan memanipulasi kandidat-kandidat solusi tersebut dengan menggunakan operasi-operasi genetik, sehingga dihasilkan kandidat-kandidat solusi yang lebih berkualitas. Operator genetik adalah seleksi, rekombinasi (crossover), dan mutasi Seleksi Seleksi berguna untuk mencapai nilai target yang ditentukan dari parameter optimasi yang ingin dicapai. Operator seleksi dapat dikatakan merupakan model dari siapa yang terkuat (fittest) dia yang bertahan (survive) yang terjadi pada evolusi alam. (2) ISSN : E - 68
3 Simposium Nasional I Rapi Crossover Rekombinasi gen merupakan suatu mekanisme yang penting untuk terjadinya evolusi. Dalam algoritma genetik, metode yang biasa digunakan adalah pindah silang (crossover) Proses pindah silang bertujuan untuk menambahkan keanekaragaman individu didalam populasi dengan mengawinkan individu-individu pada populasi. Individu baru akan mewarisi sifat dari induknya Mutasi Keanekaragaman individu dalam populasi telah dihasilkan dengan menggunakan proses seleksi dan pindah silang. Dengan kedua operator genetik tersebut dapat terjadi hilangnya struktur gen tertentu sehingga tidak bisa diperoleh kembali informasi yang terkandung didalamnya. Operator mutasi diperkenalkan sebagai cara untuk mengembalikan informasi yang hilang tersebut. Melalui mutasi, individu baru dapat diciptakan dengan melakukan pengubahan terhadap satu atau lebih nilai gen pada individu yang sama. 3.4 Pendekatan Algoritma Genetik untuk Filter Adaptif FIR Seperti pada algoritma LMS, genetik pada filter adaptif penghilang noise juga berberfungsi untuk mengadaptasi koefisien filter untuk mendapatkan sinyal hasil yang terbaik. Fungsi objektif yang digunakan untuk melaksanakan operator genetik adalah: N N n= 2 J = e( d( (4) IV. PERANCANGAN SIMULASI Struktur filter yang digunakan pada filter adaptif menggunakan algoritma LMS dan algoritma genetik adalah struktur transversal. noise referensi yang digunakan adalah noise aditif Gaussian yang dibangkitkan secara random pada algoritma LMS dan diplot tetap. Pengukuran MSE (mean square error) pada kedua algoritma (LMS dan genetik) diukur pada 5 iterasi terakhir. Alasannya karena cara kerja algoritma LMS yang secara bertahap memperbaiki sinyal keluaran dengan mengadaptasi koefisien filter, berbeda dengan algoritma genetik yang mendapatkan hasil estimasi dengan berdasarkan jumlah generasi. Data simulasi a. Algoritma LMS Pada Filter FIR, ukuran langkah µ yang digunakan.,.25, dan.5 dengan orde filter yang disimulasikan orde, orde 3 dan orde 7. b. Algoritma genetik Orde yang digunakan sama seperti pada algoritma LMS. Simulasi dilakukan masing-masing 6 kali untuk setiap jenis filter dengan mengubah-ubah jumlah populasi (MAXGEN), probabilitas crossover (Pc), dan probabilitas mutasi (Pm), seperti dibawah ini.. MAXGEN=3, Pc =.75 dan Pm =. 2. MAXGEN=3, Pc =.85 dan Pm =. 3. MAXGEN=3, Pc =.95 dan Pm =. 4. MAXGEN=, Pc =.75 dan Pm =. 5. MAXGEN=, Pc =.85 dan Pm =. 6. MAXGEN=, Pc =.95 dan Pm =. V. HASIL SIMULASI Pengharapan pada simulasi ini adalah didapat MSE yang seminimum mungkin, sehingga sinyal x( dapat direduksi noisenya mendekati sinyal yang diinginkan d(. Pada aplikasi filter adaptif untuk menghilangkan noise dari sinyal masukan yang mengandung noise x( seperti pada gambar 2. Pada aplikasi ini juga dibutuhkan noise referensi seperti pada gambar 3. ISSN : E - 69
4 Simposium Nasional I Rapi Gambar 2. Contoh sinyal yang telah tercampur dengan noise x( Gambar 3 Contoh sinyal noise referensi v 2 (.5 Sinyal diinginkan d( Hasil proses e( Gambar 4. Sinyal hasil dengan filter FIR LMS orde.5 Sinyal diinginkan d( Sinyal hasil e( Gambar 5. Sinyal hasil dengan Filter FIR LMS orde 3 Simulasi menggunakan algoritma LMS pada filter adaptif FIR penghilang noise memberikan MSE (error akar rata-rata) sebesar.8476, pada orde dengan µ senilai.25. ISSN : E - 7
5 Simposium Nasional I Rapi 22 Pada orde 3 dengan µ=.25 MSE yang didapat sebesar.59, dan pada orde 7 hasil MSE yang didapat sebesar.387 dengan ukuran langkah yang lebih kecil, yaitu µ=. Ternyata orde memberikan nilai MSE yang paling kecil, perbaikan hingga dibandingkan orde 3 dan pada orde 7 sebesar Terlihat bahwa penambahan orde filter tetap tidak memberikan hasil yang lebih baik, dan sebaliknya sinyal hasil dan MSE yang didapatkan lebih buruk daripada hasil simulasi pada orde. Kita juga dapat menyimpulkan bahwa nilai ukuran langkah µ yang terbaik digunakan adalah.25 yang memberikan nilai MSE yang lebih kecil pada filter orde dan orde 3 yang disimulasikan. Sedangkan untuk orde yang lebih besar yaitu orde 7 dibutuhkan µ yang lebih kecil untuk mendapatkan MSE yang minimum. Hasil simulasi filter FIR menggunakan algoritma genetik pada 3 generasi dan generasi hanya memberikan sedikit perbedaan pada MSE yang didapatkan, sehingga dapat ditarik kesimpulan bahwa penggunaan populasi besar ( generasi) pada simulasi ini hanya memberikan sedikit koreksi dan tidak seimbang dengan waktu pencarian yang jauh lebih lama. Pada simulasi ini orde filter yang lebih kecil relatif memberikan nilai MSE yang lebih besar, sehingga penggunaan orde filter yang lebih besar memberikan grafik hasil yang lebih baik. Peningkatan orde mempunyai pengaruh pada filter FIR orde 3, yang dapat menghasilkan MSE yang lebih kecil dibandingkan dengan orde. Grafik hasil penghilang noise yang terbaik terjadi pada filter FIR orde 3 dengan probabilitas crossover.75 dan probabilitas mutasi. yang 4 memberikan nilai MSE 3.4x, nilai ini memberikan perbaikan 5.53x daripada MSE yang terminimum pada filter FIR orde, dan perbaikan 5.48x daripada MSE minimum pada orde 7. Grafik hasil pada filter FIR menggunakan genetik memberikan sinyal hasil yang sudah sangat mendekati sinyal yang diinginkan d(. Semua hasil estimasi yang paling baik dari seluruh orde filter FIR yang disimulasikan memberikan hasil yang paling optimum pada penggunaan operator genetik Pc=.75 dan Pm=., operator yang paling berpengaruh pada nilai Pm-nya, hal ini disebabkan adanya probabilitas mutasi yang lebih besar sehingga kemungkinan terjadinya perubahan gen semakin besar, sehingga dengan adanya semakin banyak variasi maka akan mendorong untuk tercapainya hasil yang optimum secepat mungkin. Tabel merupakan rangkuman hasil simulasi dari penggunaan 2 algoritma (LMS dan genetik) dan jenis filter orde yang digunakan. Pada tabel terlihat bahwa untuk filter adaptif FIR menggunakan algoritma LMS menghasilkan MSE yang paling baik sebesar.8476, yang didapat pada Orde dengan penggunaan µ=.25, hasil ini sangat jauh perbedaannya dengan hasil yang didapat pada algoritma genetik yang memberikan MSE yang paling minimum pada orde 3 dengan operator genetik Pc=.75 dan Pm=. yang memberikan MSE sebesar 3.4x. Tabel. Hasil simulasi filter adaptif dengan algoritma LMS dan genetik No Algoritma Orde µ Maxgen Pc Pm MSE LMS LMS LMS Genetik Genetik E-6 6 Genetik E-6 VI. KESIMPULAN Hasil optimasi algoritma LMS (least mean square) dibandingkan dengan algoritma genetik untuk filter adaptif penghilang noise, dapat diambil kesimpulan sebagai berikut:. Algoritma genetik bisa diaplikasikan pada penghilang noise filter adaptif untuk filter digital FIR. 2. Filter adaptif FIR menggunakan algoritma LMS untuk menghilangkan noise menghasilkan MSE yang minimum sebesar.8476 pada orde. ISSN : E - 7
6 Simposium Nasional I Rapi Penggunaan algoritma genetik untuk filter adaptif FIR penghilang noise memberikan MSE yang minimum sebesar 3.4x pada orde Pada algoritma LMS penentuan parameter ukuran langkah sangat mempengaruhi pada besarnya MSE yang didapatkan. 5. Parameter yang sangat berpengaruh pada pencapaian MSE yang minimum pada algoritma genetik adalah probabilitas crossover Pc dan probabilitas mutasi Pm. DAFTAR PUSTAKA Chen, S., Istepanian, R., and Luk, B.L., Digital IIR Filter Design Using Adaptive Simulated Annealing, Department of Electronics and Computer Science, University of Southampton. Chipperfield, A., Fleming, P., Pohlheim, H., Fonseca, C., Genetic Algorithm Toolbox for Use with MATLAB, Version.2 User s Guide, Department of Automatic Control and Systems Engineering, University of Sheffield. Coletti, M., Lash, T., Mandsager, C., Michalski, R.S., and Moustafa, R., 999, An Experimental Application of Learnable Evolution Model and Genetic Algorithms to Parameter Estimation in Digital Signal Filters Design, P99-9, MLI Davis, L., 99, Hand Book of Genetic Algorithm, Van Nostrand Reinhold, New York. Flockton, S.J., and White, M.S., 993, The Application of Genetic Algorithms to Infinite Impulse Response Adaptive Filters, In IEE Colloquium Digest 993/39, page 9/-4, IEE. Golberg, D.H, 989, Genetic Algorithms in Search, Optimization, and Machine Learning, New York: Addison-Wesley. Hayes, M.H., 996, Statistical Digital Signal Processing and Modeling, New York: John Wiley & Sons, Inc. Haykin, S., Adaptive Filter Theory, Second Edition, Prentice-Hall, Englewood-Cliffs, NJ, 99. Ifeachor, E.C., Jervis, B.W., 993, Digital Signal Processing A pratical Approach, Addison- Wesley Publishing Company, Wokingham. Man, K.F., Tang, K.S., and Kwong, S., 996, Genetic Algorithms: Conceps and Applications, IEEE Transactions on Industrial Electronics, Vol. 43, No.5, pp: Man, K.F., Tang, K.S., Kwong, S., and Halang, W.A., 997, Genetic Algorithms for Control and Signal Processing Advances in Industrial Control, Springer, London. Malik, Leevy D., 2, Optimasi Base Point Unit Pembangkit Thermal Multi Area dengan Algoritma Genetik, Tugas Akhir, Universitas Diponegoro, Semarang. MathWorks, 2, Filter Design Toolbox for Use with MATLAB, Version 2 User s Guide, The MathWorks. Inc. Ng, S.C., Leung, S.H., Chung, C.Y., Luk, A., and Lau, W.H., 996, The Genetic Search Approach, A New Learning Algorithm for Adaptive IIR Filtering, IEEE Signal Processing Magazine, pp Shynk, J.J., 989, Adaptive IIR Filtering, IEEE ASSP mag., pp Sundaralingam, S., and Sharman, K., Genetic Evlution of Adaptive Filters, Dept. of Electronics & Electrical Engineering, The University of Glasgow. White, M.S., and Flockton, S.J., Adaptive Recursive Filtering Using Evolutionary Algorithms, Department of Physics, Royal Holloway, University of London. Widrow, B. and Stearns, S., 985, Adaptive Signal Processing, Prentice-Hall, Englewood Cliffs, NJ. Wirnitzer, B., Prof., 999, Adaptive Filter A Matlab (Nano) Toolbox and Laboratory Exercises, ver.., FH-Mannheim, Institut fűr digitale Signalverarbeitung. ISSN : E - 72
PENERAPAN 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 terperinciPenggunaan Tapis Adaptif Dalam Proses Editing suara Pada Pembuatan Film Layar Lebar
Penggunaan Tapis Adaptif Dalam Proses Editing suara Pada Pembuatan Film Layar Lebar Bambang Sudarmono Achmad Hidayatno Budi Setiyono Abstrak Permasalahan yang timbul ketika melakukan pengambilan suara
Lebih terperinciAPLIKASI TAPIS ADAPTIF FIR UNTUK MENGHILANGKAN ARTEFAK PADA SINYAL ELEKTROKARDIOGRAFI
APLIKASI TAPIS ADAPTIF FIR UNTUK MENGHILANGKAN ARTEFAK PADA SINYAL ELEKTROKARDIOGRAFI Bambang Hadi Kunaryo 1, Wahyudi,ST,MT 2, Imam Santoso,ST,MT 2 Jurusan Teknik Elektro, Fakultas Teknik Universitas,
Lebih terperinciAnalisis Operator Crossover pada Permasalahan Permainan Puzzle
Analisis Operator Crossover pada Permasalahan Permainan Puzzle Kun Siwi Trilestari [1], Ade Andri Hendriadi [2] Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Singaperbanga Karawang
Lebih terperinciKeywords Algoritma, Genetika, Penjadwalan I. PENDAHULUAN
Optimasi Penjadwalan Mata Kuliah Dengan Algoritma Genetika Andysah Putera Utama Siahaan Universitas Pembangunan Pancabudi Jl. Gatot Subroto Km. 4,5, Medan, Sumatra Utara, Indonesia andiesiahaan@gmail.com
Lebih terperinciBab 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 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 terperinciIMPLEMENTASI ALGORITMA GENETIKA UNTUK PENCARIAN RUTE PALING OPTIMUM
IMPLEMENTASI ALGORITMA GENETIKA UNTUK PENCARIAN RUTE PALING OPTIMUM Anies Hannawati, Thiang, Eleazar Fakultas Teknologi Industri, Jurusan Teknik Elektro, Universitas Kristen Petra Jl. Siwalankerto 121-131,
Lebih terperinciPENGIDENTIFIKASIAN PARAMETER FUNGSI ALIH SISTEM PADA PLANT SIMULASI ORDE TIGA DAN EMPAT DENGAN METODE ALGORITMA GENETIK
PENGIDENTIFIKASIAN PARAMETER FUNGSI ALIH SISTEM PADA PLANT SIMULASI ORDE TIGA DAN EMPAT DENGAN METODE ALGORITMA GENETIK Jody Roostandy 1, Sumardi, Trias Andromeda Abstrak Identifikasi adalah suatu proses
Lebih terperinciAplikasi Algoritma Genetik Untuk Mengestimasi Waktu Tunda
Makalah Seminar Tugas Akhir Aplikasi Algoritma Genetik Untuk Mengestimasi Waktu Tunda Agung Abdul Fakih (L2F 098 578) E-mail : adjunkfq@yahoo.com Laboratorium Teknik Kontrol Otomatik Jurusan Teknik Elektro
Lebih terperinciSIMULASI PENGOLAHAN SINYAL DIJITAL FILTER ADAPTIF MENGGUNAKAN ALGORITMA LMS, RLS, FAST KALMAN, DAN GAL
Jurnal Sistem Komputer Unikom Komputika Volume 1, No.1-2012 SIMULASI PENGOLAHAN SINYAL DIJITAL FILTER ADAPTIF MENGGUNAKAN ALGORITMA LMS, RLS, FAST KALMAN, DAN GAL Susmini Indriani Lestariningati 1) 1)
Lebih terperinciJaringan Neuro-Fuzi Berbasis Algoritma Genetik Dinamis Multiresolusi untuk Pemodelan Sistem Chaotic Diskrit Henon
Jaringan Neuro-Fuzi Berbasis Algoritma Genetik Dinamis Multiresolusi untuk Pemodelan Sistem Chaotic Diskrit Henon Oyas Wahyunggoro 1, Gunawan Ariyanto 2 1 Jurusan Teknik Elektro, Fakultas Teknik, Universitas
Lebih terperinciPERANCANGAN BANDPASS FILTER DENGAN ALGORITMA GENETIK (APLIKASI PAKET PEMROGRAMAN MATLAB)
Vol.6 No.. Februari 04 Jurnal Momentum ISSN : 693-75X PERANCANGAN BANDPASS FILTER DENGAN ALGORITMA GENETIK (APLIKASI PAKET PEMROGRAMAN MATLAB) Oleh: Muhammad Anwar Dosen Jurusan Teknik Elektronika Fakultas
Lebih terperinciANALISIS PENGURANGAN DERAU PADA SINYAL LOUDSPEAKER MENGGUNAKAN FILTER ADAPTIF KALMAN
SINGUDA ENSIKOM VOL. 6 NO.3 /Maret 4 ANALISIS PENGUANGAN DEAU PADA SINYAL LOUDSPEAKE MENGGUNAKAN FILTE ADAPTIF KALMAN Fitriani Christhien Simbolon, Arman Sani Konsentrasi Teknik Telekomunikasi, Departemen
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 terperinciPERANCANGAN DAN IMPLEMENTASI SISTEM KENDALI BISING AKTIF PADA DSK TMS320C6713 MENGGUNAKAN ALGORITMA ADJOINT-LMS. Muhammad Rizki Anggia
PERANCANGAN DAN IMPLEMENTASI SISTEM KENDALI BISING AKTIF PADA DSK TMS320C6713 MENGGUNAKAN ALGORITMA ADJOINT-LMS Muhammad Rizki Anggia Sekolah Teknik Elektro dan Informatika, Institut Teknologi Bandung
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 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 terperinciANALISIS GALAT AKIBAT KUANTISASI PADA IMPLEMENTASI DIGITAL SISTEM ADAPTIF LMS
ANALISIS GALAT AKIBAT KUANTISASI PADA IMPLEMENTASI DIGITAL SISTEM ADAPTIF LMS Indrastanti R. Widiasari Fakultas Teknologi Informasi - Universitas Kristen Satya Wacana indrastanti@yahoo.com ABSTRACT Most
Lebih terperinci2.1. Filter. Gambar 1. Bagian dasar konverter analog ke digital
2.1. Filter Filter adalah suatu alat untuk memisahkan sinyal sinyal yang diinginkan dari sinyal-sinyal yang tidak diinginkan. [1]. Filter berkembang dalam pemakaiannya di bidang Elektroteknik menjadi sebagai
Lebih terperinciMakalah Seminar Tugas Akhir
Makalah Seminar Tugas Akhir PENGGUNAAN ADAPTIVE NOISE CANCELLATION (ANC) UNTUK PENEKANAN DERAU PADA PERCAKAPAN TELEPON Syaiful Amri [1], Achmad Hidayatno, ST, MT [2], Darjat, ST, MT [2] The problems that
Lebih terperinciOPTIMASI RANCANGAN FILTER BANDPASS AKTIF UNTUK SINYAL LEMAH MENGGUNAKAN ALGORITMA GENETIK Studi Kasus: Sinyal EEG
OPTIMASI RANCANGAN FILTER BANDPASS AKTIF UNTUK SINYAL LEMAH MENGGUNAKAN ALGORITMA GENETIK Studi Kasus: Sinyal EEG Oleh : Ellys Kumala P (1107100040) Dosen Pembimbing Dr. Melania Suweni Muntini, MT JURUSAN
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 terperinciOPTIMASI QUERY DATABASE MENGGUNAKAN ALGORITMA GENETIK
Seminar Nasional Aplikasi Teknologi Informasi 2008 (SNATI 2008) ISSN 1907-5022 OPTIMASI QUERY DATABASE MENGGUNAKAN ALGORITMA GENETIK Manahan Siallagan, Mira Kania Sabariah, Malanita Sontya Jurusan Teknik
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Algoritma Genetika Algoritma genetika merupakan algoritma pencarian heuristik ysng didasarkan atas mekanisme seleksi alami dan genetika alami (Suyanto, 2014). Adapun konsep dasar
Lebih terperinciDenny Hermawanto
Algoritma Genetika dan Contoh Aplikasinya Denny Hermawanto d_3_nny@yahoo.com http://dennyhermawanto.webhop.org Lisensi Dokumen: Seluruh dokumen di IlmuKomputer.Com dapat digunakan, dimodifikasi dan disebarkan
Lebih terperinciSWARM GENETIC ALGORITHM, SUATU HIBRIDA DARI ALGORITMA GENETIKA DAN PARTICLE SWARM OPTIMIZATION. Taufan Mahardhika 1
SWARM GENETIC ALGORITHM, SUATU HIBRIDA DARI ALGORITMA GENETIKA DAN PARTICLE SWARM OPTIMIZATION Taufan Mahardhika 1 1 Prodi S1 Kimia, Sekolah Tinggi Analis Bakti Asih 1 taufansensei@yahoo.com Abstrak Swarm
Lebih terperinciPERBANDINGAN KINERJA ALGORITMA LMS DAN NLMS UNTUK PEREDAMAN DERAU SECARA ADAPTIF Sulamul Arif [1], Ir Ngatelan,MT [2], Achmad Hidayatno, ST, MT [3]
Makalah Seminar Tugas Akhir PERBANDINGAN KINERJA ALGORITMA LMS DAN NLMS UNTUK PEREDAMAN DERAU SECARA ADAPTIF Sulamul Arif [], Ir Ngatelan,MT [2], Achmad Hidayatno, ST, MT [3] We often feel disturbed by
Lebih terperinciANALISIS SINYAL SEISMIK GUNUNG MERAPI, JAWA TENGAH - INDONESIA MENGGUNAKAN METODE ADAPLET (TAPIS ADAPTIF BERBASIS WAVELET)
ANALISIS SINYAL SEISMIK GUNUNG MERAPI, JAWA TENGAH - INDONESIA MENGGUNAKAN METODE ADAPLET (TAPIS ADAPTIF BERBASIS WAVELET) Agfianto Eko Putra 1, Adi Susanto 2, Kirbani Sri Brotopuspito 3, Jazi Eko Istiyanto
Lebih terperinciPencarian Rute Optimum Menggunakan Algoritma Genetika
Jurnal Teknik Elektro Vol. 2, No. 2, September 2002: 78-83 Pencarian Rute Optimum Menggunakan Algoritma Genetika Anies Hannawati, Thiang, Eleazar Fakultas Teknologi Industri, Jurusan Teknik Elektro, Universitas
Lebih terperinciAnalisis Komparasi Genetic Algorithm dan Firefly Algorithm pada Permasalahan Bin Packing Problem
Analisis Komparasi Genetic Algorithm dan Firefly Algorithm pada Permasalahan Bin Packing Problem Adidtya Perdana Sekolah Tinggi Teknik Harapan Medan Jl. H.M. Jhoni No. 70 C Medan adid.dana@gmail.com Abstrak
Lebih terperinciAdaptive IIR Filter Untuk Active Noise Controller Menggunakan Prosesor Sinyal Digital TMS320C542
Adaptive IIR Filter Untuk Active Noise Controller Menggunakan Prosesor Sinyal Digital TMS320C542 Endra Jurusan Sistem Komputer, Fakultas Ilmu Komputer, Universitas Bina Nusantara Jl K.H. Syahdan No. 9,
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 terperinciMEMBANGUN TOOLBOX ALGORITMA EVOLUSI FUZZY UNTUK MATLAB
MEMBANGUN TOOLBOX ALGORITMA EVOLUSI FUZZY UNTUK MATLAB Syafiul Muzid 1, Sri Kusumadewi 2 1 Sekolah Pascasarjana Magister Ilmu Komputer, Universitas Gadjah Mada, Yogyakarta e-mail: aakzid@yahoo.com 2 Jurusan
Lebih 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 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 terperinciAPLIKASI ALGORITMA GENETIKA UNTUK PENENTUAN TATA LETAK MESIN
APLIKASI ALGORITMA GENETIKA UNTUK PENENTUAN TATA LETAK MESIN Hari Purnomo, Sri Kusumadewi Teknik Industri, Teknik Informatika Universitas Islam Indonesia Jl. Kaliurang Km 4,5 Yogyakarta ha_purnomo@fti.uii.ac.id,
Lebih terperinciISSN: X 77 IMPUTASI MISSING DATA DENGAN K-NEAREST NEIGHBOR DANALGORITMA GENETIKA
ISSN: 2088-687X 77 IMPUTASI MISSING DATA DENGAN K-NEAREST NEIGHBOR DANALGORITMA GENETIKA Ucik Mawarsari Badan Pusat Statistik Jl. Dr. Sutomo 6-8 Jakarta, ucik@bps.go.id ABSTRAK Permasalahan yang sering
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 terperinciAPLIKASI PEMBAGIAN KELOMPOK KELAS MENGGUNAKAN ALGORITMA GENETIK PADA SMA BUDI MULIA TANGERANG
APLIKASI PEMBAGIAN KELOMPOK KELAS MENGGUNAKAN ALGORITMA GENETIK PADA SMA BUDI MULIA TANGERANG Windarto 1) Fajrianto Burhan 2) Fakultas Teknologi Informasi, Universitas Budi Luhur, Jakarta windarto@ymail.com
Lebih terperinciPENEMPATAN FILTER PASIF PARALEL UNTUK MEREDUKSI HARMONISA TEGANGAN PADA JARINGAN DISTRIBUSI MENGGUNAKAN METODE ALGORITMA GENETIKA
PENEMPATAN FILTER PASIF PARALEL UNTUK MEREDUKSI HARMONISA TEGANGAN PADA JARINGAN DISTRIBUSI MENGGUNAKAN METODE ALGORITMA GENETIKA Pramudya Nur Perdana *), Mochammad Facta, and Susatyo Handoko Jurusan Teknik
Lebih terperinciBAB 6 KESIMPULAN DAN SARAN
BAB 6 KESIMPULAN DAN SARAN 6.1. Kesimpulan Berdasarkan hasil penelitian dan analisis data yang telah dilakukan, maka penulis dapat mengambil kesimpulan sebagai berikut : a. Representasi kromosom yang digunakan
Lebih terperinciAplikasi Algoritma Genetika Untuk Merancang Fungsi Keanggotaan Pada Kendali Logika Fuzzy
Aplikasi Algoritma Genetika Untuk Merancang Fungsi Keanggotaan Pada Kendali Logika Fuzzy Hendry Setiawan, Thiang, Hany Ferdinando Jurusan Teknik Elektro, Universitas Kristen Petra Siwalankerto 121-131,
Lebih 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 terperinciPERANCANGAN ALGORITMA GENETIKA UNTUK MENENTUKAN JALUR TERPENDEK. Kata kunci: Algoritma Genetika, Shortest Path Problem, Jalur Terpendek
PERANCANGAN ALGORITMA GENETIKA UNTUK MENENTUKAN JALUR TERPENDEK Fajar Saptono 1, Taufiq Hidayat 2 Laboratorium Pemrograman dan Informatika Teori Jurusan Teknik Informatika, Fakultas Teknologi Industri,
Lebih 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 terperinciA. ADHA. Program Studi Teknik Sipil, Fakultas Teknik,Universitas Islam Riau, Pekanbaru, Indonesia Corresponding author:
Institut Teknologi Padang, 27 Juli 217 ISBN: 978-62-757-6-7 http://eproceeding.itp.ac.id/index.php/spi217 Optimasi Bentuk Struktur dan Penampang pada Struktur Rangka Baja Terhadap Kendala Kehandalan Material
Lebih terperinciSIMULASI KENDALI ADAPTIF MENGGUNAKAN ALGORITMA LMS UNTUK IDENTIFIKASI PLANT ORDE-2
SIMULASI KENDALI ADAPTIF MENGGUNAKAN ALGORITMA LMS UNTUK IDENTIFIKASI PLANT ORDE-2 SUKARMAN Sekolah Tinggi Teknologi Nuklir-BATAN Jl. Babarsari Kotak Pos 1008, DIY 55010 Telp. 0274.489716, Faks.489715
Lebih terperinciACOUSTIC ECHO CANCELLATION MENGGUNAKAN ALGORITMA NLMS Rizal Ali Sahar [1], Achmad Hidayatno ST, MT [2], Darjat ST, MT [2]
Makalah Tugas Akhir ACOUSTIC ECHO CANCELLATION MENGGUNAKAN ALGORITMA NLMS Rizal Ali Sahar [1], Achmad Hidayatno ST, MT [2], Darjat ST, MT [2] Conversation that occurs in phone device usually almost unclear
Lebih terperinciPERANDINGAN NLMS DAN RLS PADA ADAPTIVE NOISE CANCELLER MENGGUNAKAN LABVIEW
PERANDINGAN NLMS DAN RLS PADA ADAPTIVE NOISE CANCELLER MENGGUNAKAN LABVIEW Suryo Budiyanto 1 ; Christopher Adam Pandawa 2 Fakultas Ilmu Komputer, Jurusan Sistem Komputer, BINUS University Jalan K.H. Syahdan
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 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 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 terperinciPENERAPAN ALGORITMA GENETIKA UNTUK MENYELESAIKAN PERMASALAHAN PENJADWALAN DOSEN DENGAN FUZZY
PENERAPAN ALGORITMA GENETIKA UNTUK MENYELESAIKAN PERMASALAHAN PENJADWALAN DOSEN DENGAN FUZZY Arief Kelik Nugroho Fakultas Teknik, Universitas PGR Yogyakarta e-mail : ariefkeliknugroho@gmail.com Abstrak
Lebih terperinciRancang Bangun Aplikasi Prediksi Jumlah Penumpang Kereta Api Menggunakan Algoritma Genetika
1 Rancang Bangun Aplikasi Prediksi Jumlah Penumpang Kereta Api Menggunakan Algoritma Genetika Annisti Nurul Fajriyah Politeknik Elektronika Negeri Surabaya Institut Teknologi Sepuluh Nopember (ITS) Surabaya
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 terperinciPEMANFAATAN ALGORITMA FUZZY EVOLUSI UNTUK PENYELESAIAN KASUS TRAVELLING SALESMAN PROBLEM
PEMANFAATAN ALGORITMA FUZZY EVOLUSI UNTUK PENYELESAIAN KASUS TRAVELLING SALESMAN PROBLEM Syafiul Muzid Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia, Yogyakarta E-mail:
Lebih terperinciAPLIKASI PENYUSUNAN JADWAL DENGAN ALGORITMA GENETIK PADA SEKOLAH MENENGAH KEJURUAN BUDI MULIA TANGERANG
APLIKASI PENYUSUNAN JADWAL DENGAN ALGORITMA GENETIK PADA SEKOLAH MENENGAH KEJURUAN BUDI MULIA TANGERANG Windarto 1, Bima Sukma Wijaya 2 12 Fakultas Teknologi Informasi Universitas Budi Luhur, Jakarta,
Lebih terperinciPERANCANGAN KONFIGURASI JARINGAN DISTRIBUSI PRODUK BISKUIT MENGGUNAKAN METODE ALGORITMA GENETIKA (Studi Kasus: PT. EP)
PERANCANGAN KONFIGURASI JARINGAN DISTRIBUSI PRODUK BISKUIT MENGGUNAKAN METODE ALGORITMA GENETIKA (Studi Kasus: PT. EP) Rezki Susan Ardyati dan Dida D. Damayanti Program Studi Teknik Industri Institut Teknologi
Lebih terperinciOPTIMASI PENEMPATAN KAPASITOR PADA SALURAN DISTRIBUSI 20 kv DENGAN MENGGUNAKAN METODE KOMBINASI FUZZY DAN ALGORITMA GENETIKA
OPTIMASI PENEMPATAN KAPASITOR PADA SALURAN DISTRIBUSI 20 kv DENGAN MENGGUNAKAN METODE KOMBINASI FUZZY DAN ALGORITMA GENETIKA I Made Wartana, Mimien Mustikawati Program Studi Teknik Elektro, Fakultas Teknologi
Lebih terperinciOPTIMALISASI SOLUSI TERBAIK DENGAN PENERAPAN NON-DOMINATED SORTING II ALGORITHM
OPTIMALISASI SOLUSI TERBAIK DENGAN PENERAPAN NON-DOMINATED SORTING II ALGORITHM Poetri Lestari Lokapitasari Belluano poe3.setiawan@gmail.com Universitas Muslim Indonesia Abstrak Non Dominated Sorting pada
Lebih terperinciBAB 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 terperinciPENERAPAN EVOLUTIONARY ALGORITHM PADA PENJADWALAN PRODUKSI (Studi Kasus di PT Brother Silver Product Indonesia)
PENERAPAN EVOLUTIONARY ALGORITHM PADA PENJADWALAN PRODUKSI (Studi Kasus di PT Brother Silver Product Indonesia) I Gede Agus Widyadana Dosen Fakultas Teknologi Industri, Jurusan Teknik Industri Universitas
Lebih terperinciIDENTIFIKASI PARAMETER SISTEM PADA PLANT ORDE DENGAN METODE GRADIENT
IDENTIFIKASI PARAMETER SISTEM PADA PLANT ORDE DENGAN METODE GRADIENT Larasaty Ekin Dewanta *, Budi Setiyono, and Sumardi Jurusan Teknik Elektro, Fakultas Teknik, Universitas Diponegoro Jl. Prof. Sudharto,
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 terperinciCrossover Probability = 0.5 Mutation Probability = 0.1 Stall Generation = 5
oleh pengguna sistem adalah node awal dan node tujuan pengguna. Lingkungan Pengembangan Sistem Implementasi Algoritme Genetika dalam bentuk web client menggunakan bahasa pemrograman PHP dan DBMS MySQL.
Lebih terperinciPENCOCOKAN KATA SECARA ACAK DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL
Jurnal Matematika UNAND Vol. 2 No. 2 Hal. 1 9 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENCOCOKAN KATA SECARA ACAK DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL MULIA AFRIANI KARTIKA
Lebih terperinciOptimasi Fungsi Tanpa Kendala Menggunakan Algoritma Genetika Dengan Kromosom Biner dan Perbaikan Kromosom Hill-Climbing
Optimasi Fungsi Tanpa Kendala Menggunakan Algoritma Genetika Dengan Kromosom Biner dan Perbaikan Kromosom Hill-Climbing Wayan Firdaus Mahmudy, (wayanfm@ub.ac.id) Program Studi Ilmu Komputer, Universitas
Lebih terperinciPERANCANGAN ALGORITMA BELAJAR JARINGAN SYARAF TIRUAN MENGGUNAKAN PARTICLE SWARM OPTIMIZATION (PSO)
Jurnal POROS TEKNIK, Volume 5, No. 1, Juni 2013 : 18-23 PERANCANGAN ALGORITMA BELAJAR JARINGAN SYARAF TIRUAN MENGGUNAKAN PARTICLE SWARM OPTIMIZATION (PSO) Nurmahaludin (1) (1) Staf Pengajar Jurusan Teknik
Lebih terperinciUSULAN PENERAPAN PENJADWALAN DENGAN MENGGUNAKAN METODE ALGORITMA GENETIKA DI PD BLESSING
USULAN PENERAPAN PENJADWALAN DENGAN MENGGUNAKAN METODE ALGORITMA GENETIKA DI PD BLESSING Santoso 1*, Eldad Dufan Sopater Subito 2 1,2 Jurusan Teknik Industri, Fakultas Teknik, Universitas Kristen Maranatha
Lebih 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 terperinciPENJADWALAN OPERASIONAL PEMBANGKIT BERBASIS ALGORITMA GENETIK PADA SISTEM PEMBANGKIT SUMATERA BAGIAN TENGAH
Penjadwalan Operasional Pembangkit Berbasis Algoritma Genetik (Dwi Ana dkk) PENJADWALAN OPERASIONAL PEMBANGKIT BERBASIS ALGORITMA GENETIK PADA SISTEM PEMBANGKIT SUMATERA BAGIAN TENGAH Rahmanul Ikhsan 1,
Lebih terperinciAlgoritma Genetik: Alternatif Metode Penentuan Strata Optimum dalam Perancangan Survei
125 Algoritma Genetik: Alternatif Metode Penentuan Strata Optimum dalam Perancangan Survei 1 Yusma Yanti, 2 Septian Rahardiantoro 1 Program Studi Ilmu Komputer, Universitas Pakuan 2 Departemen Statistika,
Lebih terperinciAlgoritma Genetika dan Penerapannya dalam Mencari Akar Persamaan Polinomial
Algoritma Genetika dan Penerapannya dalam Mencari Akar Persamaan Polinomial Muhammad Abdy* 1, Maya Sari Wahyuni* 2, Nur Ilmi* 3 1,2,3 Jurusan Matematika, Universitas Negeri Makassar e-mail: * 1 m.abdy@unm.ac.id,
Lebih terperinciPenerapan Algoritma Genetika pada Peringkasan Teks Dokumen Bahasa Indonesia
Penerapan Algoritma Genetika pada Peringkasan Teks Dokumen Bahasa Indonesia Aristoteles Jurusan Ilmu Komputer FMIPA Universitas Lampung aristoteles@unila.ac.id Abstrak.Tujuan penelitian ini adalah meringkas
Lebih terperinciREALISASI ACTIVE NOISE REDUCTION MENGGUNAKAN ADAPTIVE FILTER DENGAN ALGORITMA LEAST MEAN SQUARE (LMS) BERBASIS MIKROKONTROLER LM3S6965 ABSTRAK
REALISASI ACTIVE NOISE REDUCTION MENGGUNAKAN ADAPTIVE FILTER DENGAN ALGORITMA LEAST MEAN SQUARE (LMS) BERBASIS MIKROKONTROLER LM3S6965 Nama : Wito Chandra NRP : 0822081 Jurusan Teknik Elektro, Fakultas
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 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 terperinciOptimasi Pemilihan Pekerja Bangunan Proyek Pada PT. Citra Anggun Pratama Menggunakan Algoritma Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 2, Februari 2017, hlm. 80-84 http://j-ptiik.ub.ac.id Optimasi Pemilihan Pekerja Bangunan Proyek Pada PT. Citra Anggun
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Konsep Dasar Sistem dan Informasi 2.1.1 Sistem Menurut Sutabri (2004), bahwa sistem adalah sekelompok unsur yang erat hubungannya satu dengan yang lainnya berfungsi untuk mencapai
Lebih 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 terperinciMAKALAH SEMINAR TUGAS AKHIR SIMULASI PENYANDIAN KONVOLUSIONAL
MAKALAH SEMINAR TUGAS AKHIR SIMULASI PENYANDIAN KONVOLUSIONAL Dwi Sulistyanto 1, Imam Santoso 2, Sukiswo 2 Jurusan Teknik Elektro, Fakultas Teknik, Universitas Diponegoro Jln. Prof. Sudharto, Tembalang,
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 terperinciPENENTUAN JARAK TERPENDEK PADA JALUR DISTRIBUSI BARANG DI PULAU JAWA DENGAN MENGGUNAKAN ALGORITMA GENETIKA. Abstraksi
PENENTUAN JARAK TERPENDEK PADA JALUR DISTRIBUSI BARANG DI PULAU JAWA DENGAN MENGGUNAKAN ALGORITMA GENETIKA I Dewa Made Adi Baskara Joni 1, Vivine Nurcahyawati 2 1 STMIK STIKOM Indonesia, 2 STMIK STIKOM
Lebih terperinciPenekanan Derau secara Adaptif pada Pengenalan Ucapan Kata
Penekanan Derau secara Adaptif pada Pengenalan Ucapan Kata Achmad Bayhaki (L2F 002 541) Jurusan Teknik Elektro, Fakultas Teknik, Universitas Diponegoro, Semarang, Indonesia trainingmoment@yahoo.com Abstrak
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Adaptive Noise Cancellation merupakan salah satu aplikasi filter adaptif yang digunakan untuk meredam noise pada sinyal. Aplikasi filter ini menggunakan algoritma Least
Lebih terperinciOPTIMASI PENJADWALAN KEGIATAN BELAJAR MENGAJAR DENGAN ALGORITMA GENETIK
OPTIMASI PENJADWALAN KEGIATAN BELAJAR MENGAJAR DENGAN ALGORITMA GENETIK Usulan Skripsi S-1 Jurusan Matematika Diajukan oleh 1. Novandry Widyastuti M0105013 2. Astika Ratnawati M0105025 3. Rahma Nur Cahyani
Lebih terperinciKONSEP ALGORITMA GENETIK BINER UNTUK OPTIMASI PERENCANAAN JADWAL KEGIATAN PERKULIAHAN
Jurnal Teknik dan Ilmu Komputer KONSEP ALGORITMA GENETIK BINER UNTUK OPTIMASI PERENCANAAN JADWAL KEGIATAN PERKULIAHAN (Binary Genetic Algorithm Concept to Optimize Course Timetabling) Iwan Aang Soenandi
Lebih terperinciPENYELESAIAN KNAPSACK PROBLEM MENGGUNAKAN ALGORITMA GENETIKA
PENYELESAIAN KNAPSACK PROBLEM MENGGUNAKAN ALGORITMA GENETIKA Kartina Diah KW1), Mardhiah Fadhli2), Charly Sutanto3) 1,2) Jurusan Teknik Komputer Politeknik Caltex Riau Pekanbaru Jl. Umban Sari No.1 Rumbai-Pekanbaru-Riau
Lebih 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 terperinciPENGENALAN ALGORITMA GENETIK
PENGENALAN ALGORITMA GENETIK Aries Syamsuddin ariesmipa@psyon.org Lisensi Dokumen: Seluruh dokumen di IlmuKomputer.Com dapat digunakan, dimodifikasi dan disebarkan secara bebas untuk tujuan bukan komersial
Lebih terperinciANALISIS PERFORMANSI FILTER DIGITAL IIR DARI PROTOTYPE BUTTERWORTH DAN CHEBYSHEV 1
Jurnal Reaksi (Journal of Science and Technology) ANALISIS PERFORMANSI FILTER DIGITAL IIR DARI PROTOTYPE BUTTERWORTH DAN CHEBYSHEV Raisah Hayati Staf Pengajar Jurusan Teknik Elektro Politeknik Negeri Lhokseumawe
Lebih terperinci(S.4) PENDEKATAN METODE ALGORITMA GENETIK UNTUK IDENTIFIKASI MODEL ARIMA
(S.4) PENDEKATAN METODE ALGORITMA GENETIK UNTUK IDENTIFIKASI MODEL ARIMA Jimmy Ludin Mahasiswa Program Magister Jurusan Statistika Fakultas Matematika Dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh
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 terperinciSATUAN ACARA PERKULIAHAN EK.353 PENGOLAHAN SINYAL DIGITAL
EK.353 PENGOLAHAN SINYAL DIGITAL Dosen: Ir. Arjuni BP, MT : Sinyal dan Pemrosesan Sinyal Tujuan pembelajaran umum : Para mahasiswa mengetahui tipe-tipe sinyal, pemrosesan dan aplikasinya Jumlah pertemuan
Lebih terperinciACOUSTIC ECHO CANCELLATION MENGGUNAKAN ALGORITMA NLMS Rizal Ali Sahar [1], Achmad Hidayatno ST, MT [2], Darjat ST, MT [2]
Makalah Tugas Akhir ACOUSTIC ECHO CANCELLATION MENGGUNAKAN ALGORITMA NLMS Rizal Ali Sahar [], Achmad Hidayatno ST, MT [2], Darjat ST, MT [2] Conversation that occurs in phone device usually almost unclear
Lebih terperinciPERBANDINGAN ALGORITMA EXHAUSTIVE, ALGORITMA GENETIKA DAN ALGORITMA JARINGAN SYARAF TIRUAN HOPFIELD UNTUK PENCARIAN RUTE TERPENDEK
PERBANDINGAN ALGORITMA EXHAUSTIVE, ALGORITMA GENETIKA DAN ALGORITMA JARINGAN SYARAF TIRUAN HOPFIELD UNTUK PENCARIAN RUTE TERPENDEK Rudy Adipranata 1) Felicia Soedjianto 2) Wahyudi Tjondro Teknik Informatika,
Lebih terperinciPenjadwalan Dinas Pegawai Menggunakan Algoritma Genetika Pada PT Kereta Api Indonesia (KAI) Daerah Operasi 7 Stasiun Besar Kediri
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 11, November 2018, hlm. 4371-4376 http://j-ptiik.ub.ac.id Penjadwalan Dinas Pegawai Menggunakan Algoritma Genetika
Lebih 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 terperinciPerbandingan Algoritma Exhaustive, Algoritma Genetika Dan Algoritma Jaringan Syaraf Tiruan Hopfield Untuk Pencarian Rute Terpendek
Perbandingan Algoritma Exhaustive, Algoritma Genetika Dan Algoritma Jaringan Syaraf Tiruan Hopfield Untuk Pencarian Rute Terpendek Rudy Adipranata 1, Felicia Soedjianto 2, Wahyudi Tjondro Teknik Informatika,
Lebih terperinci