BAB 2 LANDASAN TEORI. dalam bentuk model untuk dipelajari, diuji, dan sebagainya. Banyak ahli memberikan
|
|
- Susanti Setiawan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 BAB 2 LANDASAN TEORI 2.1 Teknik Simulasi Teknik Simulasi merupakan cara meniru suatu sistem nyata yang kompleks dalam bentuk model untuk dipelajari, diuji, dan sebagainya. Banyak ahli memberikan definisi mengenai simulasi seperti : a. Shannon (1975) Simulasi merupakan proses perancangan model dari sistem nyata yang dilanjutkan dengan pelaksanaan eksperimen terhadap model untuk mempelajari perilaku sistem atau evaluasi strategi (dalam batas-batas yang ditentukan oleh suatu kriteria atau serangkaian kriteria untuk operasi sistem). b. Banks dan Carson (1984) Simulasi adalah tiruan dari sistem nyata yang dikerjakan secara manual atau komputer yang kemudian diobservasi dan disimpulkan untuk mempelajari karakteristik sistem. c. Hoover dan Perry (1990) Simulasi merupakan proses perancangan model matematis atau logis dari sistem nyata, melakukan eksperimen terhadap model dengan menggunakan komputer untuk menggambarkan, menjelaskan, dan memprediksi perilaku sistem. d. Law dan Kelton (2000) Simulasi yang dapat disebut juga pengimitasian adalah meniru atau menggambarkan operasi-operasi yang terjadi pada berbagai macam fasilitas atau
2 proses yang terjadi pada komputer. e. Harrel, dkk (2003) kehidupan 8 nyata dengan menggunakan bantuan Simulasi merupakan tiruan dari sistem dinamik menggunakan model komputer dalam mengevaluasi dan meningkatkan kinerja sistem. Dari beberapa definisi di atas dapat disimpulkan bahwa simulasi adalah teknik meniru suatuu sistem yang nyata/sesungguhnya dengan menggunakan bantuan perangkat komputer sehingga sistem tersebut bisa dipelajari secara ilmiah dan diharapkan dapat mengevaluasi dan meningkatkan kinerja sistem. 2.2 Kubus Rubik Kubus rubik adalah permainan kubus 3x3x3 yang memiliki warna yang berbeda pada keenam sisinya. Keenam sisi kubus akan dinamakan sebagai berikut : up (U), down (D), front (F), back (B), left (L), dan right (R). Kubus inii terdiri dari dua puluh enam kubus kecil yang disatukan. Satu kubus kecil ditengah tidak dianggap karena berperan sebagai sumbu kubus saat memutar sisi-sisinya. Gambar 2.1 Ilustrasi Kubus Rubik Sumber :
3 9 Kubus rubik diciptakan oleh seorang professor arsitektur asal negara Hungaria yang bernama Erno Rubik pada tahun Di Jerman, pada tahun 1980 kubus rubik mendapat penghargaan sebagai Games of The Year, pada tahun 1982 kubus rubik menjadi kata tersendiri yang masuk dalam kamus The Oxf hingga pada tahun 2007 kubus rubik dinobatkan sebagai The Coolest Brand in The World (True Stories, 2011). Sampai detik ini diperkirakan telah lebih dari Kubus Rubik terjual di seluruh dunia. Permainan ini diklaim dapat meningkatkan ketajaman kecerdasan visual spasial (kemampuan visual yang diikuti dengan kemampuan persepsi pandang ruang atau dimensi, kelebihan hal berpikir melalui gambar) dan daya nalar (proses yang cermat dan menyeluruh dalam mempertimbangkan segala segi guna menyelesaikan masalah), sehingga tak heran banyak orang tertarik memainkannya. 2.3 Algoritma Ditinjau dari asal-usul katanya, kata Algoritma sendiri mempunyai sejarah yang aneh. Orang hanya menemukan kata algorism yang berarti proses menghitung dengan angka arab. Anda dikatakan algorist jika Anda menghitung menggunakan angka arab. Para ahli bahasa berusaha menemukan asal kata ini namun hasilnya kurang memuaskan. Akhirnya para ahli sejarah matematika menemukan asal kata tersebut yang berasal dari nama penulis buku arab yang terkenal yaitu Abu Ja far Muhammad Ibnu Musa Al- Khuwarizmi. Al-Khuwarizmi dibaca orang barat menjadi Algorism. Al-Khuwarizmi menulis buku yang berjudul Kitab Al Jabar Wal - Muqabala yang artinya Buku pemugaran dan pengurangan (The book of restoration and reduction). Dari judul buku itu kita juga memperoleh akar kata Aljabar (Algebra). Perubahan kata dari algorism menjadi algorithm muncul karena kata algorism sering dikelirukan dengan arithmetic,
4 10 sehingga akhiran sm berubah menjadi thm. Karena perhitungan dengan angka Arab sudah menjadi hal yang biasa, maka lambat laun kata algorithm berangsur-angsur dipakai sebagai metode perhitungan (komputasi) secara umum, sehingga kehilangan makna kata aslinya. Dalam bahasa Indonesia, kata algorithm diserap menjadi algoritma (Alex Budiyanto, 2003). Algoritma adalah urutan langkah-langkah logis penyelesaian masalah yang disusun secara sistematis. Kata logis merupakan kata kunci dalam algoritma. Langkahlangkah dalam algoritma harus logis dan harus dapat ditentukan bernilai salah atau benar. 2.4 Algoritma Genetik Algoritma genetik adalah suatu algoritma pencarian yang berbasis pada mekanisme seleksi alam dan genetika. Algoritma genetik merupakan salah satu algoritma yang sangat tepat digunakan dalam menyelesaikan masalah optimasi kompleks, yang sulit dilakukan oleh metode konvensional (A. Desiani dan M. Arhami, 2006). Secara alamiah, individu di dalam populasi akan saling bersaing untuk mendapatkan sumber daya yang tersedia. Individu yang berhasil mendapatkan sumber daya akan tetap bertahan hidup, sedangkan yang tidak, akan mati dan punah. Algoritma genetik melakukan teknik pencarian untuk menemukan penyelesaian perkiraaan untuk optimasi dan masalah pencarian. Selain itu, algoritma ini juga menggunakan teknik yang terinspirasi oleh biologi revolusioner seperti warisan, mutasi, seleksi alam dan crossover. Dalam hal ini, populasi dari kromosom dihasilkan secara random dan memungkinkan untuk berkembang biak sesuai dengan hukum yang berlaku untuk proses evolusi dengan harapan akan menghasilkan individu dengan kromosom yang prima.
5 11 Kromosom inilah yang pada kenyataannya merupakan penyelesaian masalah (solusi), sehingga bila kromosom yang baik berkembang, maka solusi bagi masalahpun diharapkan dapat dihasilkan. Sifat algoritma genetik adalah mencari kemungkinan-kemungkinan dari calon solusi untuk mendapatkan yang optimal bagi penyelesaian masalah. Ruang cakupan dari semua solusi yang layak, yaitu objek-objek di antara solusi yang sesuai, dinamakan ruang pencarian. Tiap titik dalam ruang pencarian merepresentasikan satu solusi yang layak Struktur Dasar Algoritma Genetik Algoritma genetik mempunyai struktur dasar yang digunakan dalam penyelesaian suatu masalah. Menurut, Thiang, dkk (2001) struktur dasar algoritma genetik adalah sebagai berikut : a. Membangkitkan populasi awal Populasi awal ini dibangkitkan secara random sehingga didapatkan solusi awal. Populasi itu sendiri terdiri atas sejumlah kromosom yang merepresentasikan solusi yang diinginkan. b. Membentuk generasi baru Untuk membentuk generasi baru, digunakan operator reproduksi/seleksi, crossover, dan mutasi. Proses ini dilakukan berulang-ulang sehingga didapatkan jumlah kromosom yang cukup untuk membentuk generasi baru dimana generasi baru ini merupakan representasi dari solusi baru. Generasi baru ini dikenal dengan istilah anak (off-spring).
6 12 c. Evaluasi solusi Proses ini akan mengevaluasi setiap populasi dengan menghitung nilai fitness setiap kromosom dan mengevaluasinya sampai terpenuhi kriteria berhenti. Bila kriteria berhenti belum terpenuhi maka akan dibentuk lagi generasi baru dengan mengulangi langkah kedua. Beberapa kriteria berhenti yang sering digunakan antara lain : Berhenti pada generasi tertentu. Berhenti setelah dalam beberapa generasi berturut-turut didapatkan nilai fitness tertinggi tidak berubah. Berhenti bila dalam n generasi berikut tidak didapatkan nilai fitness yang lebih tinggi. Gambar 2.2 Siklus Algoritma Genetik oleh David Goldberg Sumber : ka.pdf
7 13 Siklus ini kemudian diperbaiki oleh beberapa ilmuwan yang mengembangkan algoritma genetik, yaitu Michalewicz dengan menambahkan operator elitisim dan membalik proses seleksi setelah proses reproduksi. Gambar 2.3 Siklus Algoritma Genetik oleh Michalewicz Sumber : ka.pdf Representasi Populasi Awal Menurut Suyanto (2005), ada beberapa jenis representasi yang sering digunakan yaitu: a. Representasi Biner Ini adalah representasi yang paling sederhana dan paling umum. Pada representasi biner ini, setiap gen hanya bisa bernilai 0 atau 1. Bilangan biner dapat digunakan untuk mempresentasikan ya atau tidak. Representasi ini banyak digunakan karena mempermudah pemrograman di dalam proses seperti crossover dan mutasi.
8 14 b. Representasi Integer Pada representasi ini, setiap gen bisa bernilai bilangan bulat (integer). Bilangan bulat bisa digunakan untuk merepresentasikan nomor urut, posisi, jenis, atau kualitas obyek. Dengan representasi ini, ukuran kromosom menjadi lebih sederhana. c. Representasi Real Jika representasi biner maupun integer tidak bisa mencapai tingkat ketelitian yang diinginkan, maka bisa menggunakan representasi real. d. Representasi Permutasi Untuk masalah tertentu, kita mungkin saja tidak bisa menggunakan representasi biner, integer, maupun real. Misalnya dalam mencari solusi urutan bukan nilai Operator Genetik dalam Algoritma Genetik Algoritma genetik mempunyai operator-operator genetik yang digunakan dalam penyelesaian suatu masalah. Opeator-operator tersebut terdiri dari seleksi, rekombinasi (crossover), dan mutasi Seleksi Langkah pertama yang dilakukan dalam seleksi adalah pencarian nilai fitness. Dalam terminologi algoritma genetika kemampuan suatu individu (kromosom) untuk bertahan hidup dapat diukur berdasarkan nilai fitness-nya. Nilai fitness ditentukan dari nilai objektif diri sendiri terhadap nilai objektif dari semua individu dalam wadah
9 15 seleksi. Semakin baik nilai fitness suatu kromosom maka akan semakin baik peluang kromosom tersebut untuk bertahan hidup dan ikut dalam proses reproduksi. Proses seleksi bertujuan untuk memilih kromosom yang akan dijadikan sebagai parent (kromosom induk) pada proses crossover (pindah silang). Seleksi dilakukan untuk mendapatkan calon induk yang baik. Induk yang baik akan menghasilkan keturunan yang baik (Entin Martiana, 2011). Ada beberapa metode yang dapat dipilih pada proses seleksi, antara lain : a. Roulette Wheel Selection Pada roulette wheel selection, kromosom akan dipilih secara acak ditentukan dengan memperhitungkan nilai fitness masing-masing kromosom. Semakin besar nilai fitness suatu kromosom, semakin besar pula peluang kromosom tersebut untuk terpilih sebagai parent (kromosom induk). Pengkodean Roulette Wheel dapat dianalogikan seperti permainan roda putar. Pada permainan roda putar, lingkaran roda dibagi menjadi beberapa wilayah. Pada Roulette Wheel Selection, lebar suatu wilayah kromosom ditentukan menurut nilai fitness yang dimilikinya, semakin besar nilai fitness maka akan semakin besar wilayahnya, dan semakin besar pula peluang kromosom tersebut untuk terpilih. b. Rank Selection Pada rank selection, pemilihan kromosom tidak berdasarkan pada nilai fitnessnya, namun diurutkan berdasarkan nilai rangking yang diberikan. Nilai rangking dibuat berdasarkan urutan nilai fitness yang dimiliki setiap kromosom. c. Tournament Selection Pada tournament selection, 2 buah kromosom dipilih secara acak dari populasi. Sebuah angka r dipilih secara acak dari angka-angka diantara 0 dan 1. Sebuah
10 16 parameter k ditentukan (misalnya k = 0,9). Jika r < k, maka kromosom dengan nilai fitness yang lebih baik dipilih dan kemudian dikembalikan ke populasi dan dapat dipilih lagi. d. Elitism Pada elitism, beberapa gen terbaik dari setiap generasi diambil dan disimpan dengan tujuan mencegah hilangnya gen-gen terbaik karena tidak dipilih untuk melakukan crossover atau mutasi. Gambar 2.4 Ilustrasi Roulette Wheel Selection Sumber : Rekombinasi (crossover) Rekombinasi (crossover) adalah operator dari algoritma genetik yang melibatkan dua induk untuk membentuk kromosom baru. Individu dipilih secara acak untuk dilakukan rekombinasi. Jika rekombinasi tidak dilakukan, maka nilai dari induk akan
11 17 diturunkan kepada keturunan (Entin Martiana, 2011). Crossover bertujuan menambah keanekaragaman string dalam satu populasi. Ada beberapa crossover, seperti : a. Crossover satu titik Crossover satu titik menggabungkan dua genotipe induk dengan memilih satu titik pada parent dan menukar gen antara dua parent yang berada di luar titik. b. Crossover dua titik Prinsip crossover dua titik sama prinsipnya dengan crossover satu titik. Bedanya, pada crossover dua titik, dipilih secara acak dua titik pada parent dan menukar gen yang berada di antara dua titik. c. Crossover banyak titik Prinsipnya memilih titik-titik, gen-gen ditukar antara kromosom pada titik tersebut untuk menghasilkan kromosom baru. Gambar 2.5 Ilustrasi Crossover Satu Titik Sumber :
12 Mutasi Mutasi berperan untuk menggantikan gen yang hilang dari populasi akibat proses seleksi yang memungkinkan munculnya kembali gen yang tidak muncul pada inisialisasi populasi (Entin Martiana, 2011). Mutasi dilakukan dengan cara memilih satu atau beberapa gen dalam kromosom dan kemudian mengganti nilainya. Gambar 2.6 Ilustrasi Mutasi Sumber : Parameter Genetik dalam Algoritma Genetik Algoritma genetik mempunyai parameter-parameter genetik berguna dalam pengendalian operator-operator genetik. Penentuan parameter-parameter genetik sangat berpengaruh terhadap kinerja algoritma genetik dalam penyelesaian suatu masalah. Parameter-parameter tersebut terdiri dari ukuran populasi (popsize), probabilitas crossover ( ), dan probabilitas mutasi ( ) Ukuran Populasi (popsize) Ukuran populasi mempengaruhi ukuran efektivitas dan kinerja algoritma genetik. Tidak ada aturan yang pasti tentang berapa nilai ukuran populasi. Apabila ukuran populasi terlalu kecil, maka hanya terdapat sedikit solusi penyelesaian suatu masalah.
13 Sebaliknya, ukuran populasi yang terlalu besar akan menurunkan kinerja algoritma genetik. Ukuran populasi berkisar antara Probabilitas Crossover ( ) Probabilitas crossover akan mengendalikan operator crossover dalam setiap generasi dalam populasi yang mengalami crossover. A. Desiani dan M. Arhami (2006) menyatakan bahwa dari hasil penelitian algoritma genetika yang sudah pernah dilakukan nilai probabilitas crossover sebaiknya tinggi, yaitu antara 0,8-0,9 agar memberikan hasil yang baik. Jika tidak terjadi crossover, maka keturunannya akan sama persis dengan kromosom orangtuanya. Semakin besar probabilitas crossover, maka akan semakin cepat struktur individu baru yang terbentuk ke dalam populasi. Namun, jika probabilitas crossover terlalu besar, maka kandidat solusi terbaik mungkin hilang lebih cepat pada generasi selanjutnya Probabilitas Mutasi ( ) Probabilitas mutasi ( ) didefinisikan sebagai presentasi dari jumlah total gen pada populasi yang mengalami mutasi. Probabilitas mutasi akan mengendalikan operator mutasi dalam setiap generasi dalam populasi yang mengalami mutasi. Probabilitas mutasi biasanya lebih kecil dibanding dengan probabilitas crossover. Pada seleksi alam murni, mutasi jarang sekali muncul. A. Desiani dan M. Arhami (2006) menyatakan bahwa dari hasil penelitian yang sudah pernah dilakukan menunjukkan bahwa nilai probabilitas mutasi terbaik adalah antara
14 20 Jika peluang mutasi terlalu kecil, banyak gen yang mungkin berguna tidak pernah dievaluasi. Tetapi bila peluang mutasi ini terlalu besar, maka akan terlalu banyak gangguan acak, sehingga kemiripan dari induknya, dan juga algoritma kehilangan kemampuan untuk belajar dari histori pencarian Cara Kerja Algoritma Genetik Proses algoritma genetik yang akan dilakukan dalam penyelesaian kubus rubik adalah membangkitkan populasi awal secara acak, menghitung nilai fitness awal, melakukan proses crossover, proses mutasi, menghitung nilai fitness, dan melakukan proses seleksi hingga menghasilkan populasi baru. Proses ini akan berlangsung sampai menemukan solusi yang diharapkan. Tabel 2.1 Notasi Integer Pergerakan Kubus Rubik F Memutar seluruh sisi depan kubus sebesar searah jarum jam 0 F2 Memutar seluruh sisi depan kubus sebesar 1 F Memutar seluruh sisi depan kubus sebesar berlawanan arah jarum jam 2 L Memutar seluruh sisi kiri kubus sebesar searah jarum jam 3 L2 Memutar seluruh sisi kiri kubus sebesar 4 L Memutar seluruh sisi kiri kubus sebesar berlawanan arah jarum jam 5 R Memutar seluruh sisi kanan kubus sebesar searah jarum jam 6 R2 Memutar seluruh sisi kanan kubus sebesar 7 R Memutar seluruh sisi kanan kubus sebesar berlawanan arah jarum jam 8 B Memutar seluruh sisi belakang kubus sebesar searah jarum jam 9 B2 Memutar seluruh sisi belakang kubus sebesar 10 B Memutar seluruh kubus pada sisi belakang sebesar berlawanan arah 11
15 21 jarum jam U Memutar seluruh sisi atas kubus sebesar searah jarum jam 12 U2 Memutar seluruh sisi atas kubus sebesar 13 U Memutar seluruh sisi atas kubus sebesar berlawanan arah jarum jam 14 D Memutar seluruh sisi bawah kubus sebesar searah jarum jam 15 D2 Memutar seluruh sisi bawah kubus sebesar 16 D Memutar seluruh sisi bawah kubus sebesar berlawanan arah jarum jam 17 T Tetap 18 Gambar 2.7 Ilustrasi Perputaran Sisi Depan Kubus Rubik Searah Jarum Jam Sumber :
16 22 Contoh kasus : Apabila diketahui keadaan akhir dari suatu rubik yang akan diselesaikan seperti pada gambar dibawah ini : Gambar 2.8 Ilustrasi Keadaan Akhir Kubus Rubik Untuk penentuan parameter genetik yaitu ukuran populasi (popsize), probabilitias crossover ( ), dan probabilitas mutasi ( ), ada beberapa rekomendasi yang dapat digunakan, antara lain : a. Untuk permasalahan yang memiliki kawasan cukup besar, De Jong (1975) merekomendasikan untuk nilai parameter kontrol : (popsize : : ) = (50 : 0.6 : 0,001). b. Bila rata-rata nilai fitness setiap generasi digunakan sebagai indikator, maka Grefenstette (1986) merekomendasikan : (popsize : : ) = (30 : 0.95 : 0,01).
17 Pertama, kita hitung terlebih dahulu nilai fitness awal dari kondisi akhir kubus rubik yang dilakukan dengan rumus : Nilai fitness = 48-x % Angka 48 didapat dari 54 sisi permukaan kubus rubik dikurang dengan enam(6). Enam adalah enam warna yang berada pada sumbu kubus rubik. Enam warna ini tidak diperhitungkan karena dianggap tidak bergerak. Dengan x adalah jumlah posisi permukaan kubus kecil pada tiap sisi yang tidak sesuai pada tempatnya/yang memiliki warna yang berbeda dengan sumbu tersebut. Jika nilai fitness = 100% maka kubus rubik sudah selesai. Jika nilai fitness!=100%, terlebih dahulu kita bangkitkan populasi awal secara acak menggunakan bilangan random yang dibangkitkan tiap gen dalam suatu individu dengan nilai dari representasi integer kubus rubik, yaitu Panjang kromosom yang digunakan adalah 22 karena pada Agustus 2008, Tomas Rokichi membuktikan bahwa langkah maksimum untuk menyelesaikan kubus rubik adalah 22 langkah, sebanyak 30 buah kromosom. 23 Gambar 2.9 Ilustrasi Populasi Awal Secara Acak
18 24 Setelah itu dilakukan rekombinasi(crossover). Misalkan ditentukan probabilitas crossover = 0,95 dan angka random crossover [0-1] = 0,65. Maka letak posisi crossover di luar titik 0.65 x 22 = 14.3 yaitu 15. Gambar 2.10 Ilustrasi Crossover Satu Titik Pada tahap mutasi, nilai gen yang lama akan diganti dengan nilai gen yang baru. Jumlah gen pada populasi adalah 22 x 30 = 660 gen. Apabila ditentukan probabilitas mutasi = 0,01 dan angka random mutasi [0-1] = 0,1. Maka tidak akan terjadi mutasi. Tapi apabila angka random = 0,009. Maka banyak mutasi adalah 0,009 x 22 x 30 = 5,94 yang ditentukan secara acak dan menggantinya dengan nilai dari representasi integer kubus rubik, yaitu 0 18.
19 25 Gambar 2.11 Ilustrasi Mutasi Dari hasil mutasi, kita cari nilai fitness. Sama seperti mencari nilai fitness diatas, setelah mutasi kita akan mendapatkan 30 nilai fitness baru yang kemudian digunakan untuk menentukan rank setiap kromosom karena seleksi yang akan dilakukan dalam pemilihan kromosom induk baru adalah rank selection. Gambar 2.12 Ilustrasi Kromosom Baru 2.5 Model Rekayasa Piranti Lunak Model sekuensial linier yang sering disebut juga dengan waterfall models merupakan paradigma rekayasa perangkat lunak yang mengusulkan pada pendekatan proses yang sistematik dan sekuensial yang dimulai pada tingkat dan kemajuan sistem pada seluruh analisis, design, kode, pengujian, dan pemeliharaan (Roger S Pressman, 1997), sebagai berikut:
20 26 a. Rekayasa Sistem/Informasi dan Pemodelan Karena perangkat lunak selalu menjadi bagian dari sistem yang lebih besar, kerja dimulai dengan membangun syarat semua elemen sistem dan kemudian mengalokasikan beberapa subset dari kebutuhan ke software. b. Analisis Kebutuhan Pada tahap ini merupakan analisis kebutuhan perangkat lunak, Proses pengumpulan kebutuhan diintensifkan dan difokuskan, khususnya pada software. Untuk memahami sifat program yang dibangun, analisis harus memahami domain informasi, tingkah laku, unjuk kerja, dan interface yang diperlukan. c. Desain/perancangan Proses desain merepresentasikan kebutuhan ke dalam bentuk perangkat lunak sebelum dilakukan pengkodean. d. Kode Pada tahapan ini mengkodekan hasil dari desain/perancangan ke dalam bahasa pemrograman. e. Pengujian/implementasi Pengujian software dilakukan untuk memastikan bahwa software yang dibuat telah sesuai dengan desain dan semua fungsi dapat dipergunakan dengan baik.
21 27 Gambar 2.13 Waterfall Model Sumber: Unified Modelling Language (UML) UML adalah bahasa standar yang digunakan untuk menjelaskan dan memvisualisasikan artifak dari proses analisis dan disain berorientasi obyek. UML menyediakan standar pada notasi dan diagram yang bisa digunakan untuk memodelkan suatu system. UML menyediakan beberapa notasi dan artifak standar yang bias digunakan sebagai alat komunikasi bagi para pelaku dalam proses analisis dan desain. Artifak di dalam UML didefinisikan sebagai informasi dalam berbagai bentuk yang digunakan atau dihasilkan dalam proses pengembangan perangkat lunak (Julius Hermawan, 2004) Use Case Diagram Use Case Diagram menjelaskan apa yang akan dilakukan oleh sistem yang akan dibangun dan siapa yang berinteraksi dengan sistem. Use case diagram pada umumnya tersusun dari elemen actor, use case, dependency, generalization, dan association. Use
22 case diagram ini memberikan gambaran statis dari sistem yang sedang dibangun dan merupakan artifak dari proses analisis (Julius Hermawan, 2004) Sequence Diagram Sequence diagram menjelaskan secara detail urutan proses yang dilakukan dalam sistem untuk mencapai tujuan dari use case: interaksi yang terjadi antar class, operasi apa saja yang terlibat, urutan antar operasi, dan informasi yang diperlukan oleh masingmasing operasi (Julius Hermawan, 2004).
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM. analisis, desain/perancangan, kode, dan pengujian/implementasi. Tahap analisis
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM Perancangan program simulasi dalam skripsi ini terdiri dari empat tahapan, yaitu analisis, desain/perancangan, kode, dan pengujian/implementasi. Tahap analisis kebutuhan,
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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Teka-Teki Silang Teka-teki silang merupakan permainan sederhana yang banyak dimainkan dari berbagai kalangan. Cara bermain permaian ini memang sederhana, hanya merangkaikan jawaban
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 terperinciPengantar Kecerdasan Buatan (AK045218) Algoritma Genetika
Algoritma Genetika Pendahuluan Struktur Umum Komponen Utama Seleksi Rekombinasi Mutasi Algoritma Genetika Sederhana Referensi Sri Kusumadewi bab 9 Luger & Subblefield bab 12.8 Algoritma Genetika 1/35 Pendahuluan
Lebih terperinciBAB 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 terperinciAlgoritma dan Struktur Data
Algoritma dan Struktur Data Program Program: sederetan perintah-perintah yang harus dikerjakan oleh komputer untuk menyelesaikan masalah. 3 level bahasa pemrograman: 1. Bahasa tingkat rendah 2. Bahasa
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 terperinciBAB 1 PENDAHULUAN. Kubus rubik adalah sebuah permainan teka-teki mekanik 3D yang merupakan
BAB 1 PENDAHULUAN 1.1 Latar Belakang Kubus rubik adalah sebuah permainan teka-teki mekanik 3D yang merupakan salah satu sarana hiburan untuk mengasah otak dan strategi. Kubus rubik yang ditemukan pada
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 terperinciMAKALAH ALGORITMA, PSEUDOCODE DAN FLOWCHART TENTANG YUFI EKO FIRMANSYAH 1 D3 IT B OLEH
MAKALAH TENTANG ALGORITMA, PSEUDOCODE DAN FLOWCHART OLEH YUFI EKO FIRMANSYAH 1 D3 IT B BAB I PENDAHULUAN Pada saat kita membuat sebuah program sering kali kita menghadapi permasalahan yang memerlukan pengrutan
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 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 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 terperinciDIKTAT KULIAH ALGORITMA dan STRUKTUR DATA II. : Mahasiswa mampu menjelaskan konsep algoritma dan struktur data
Pertemuan 1 Waktu Tujuan Pembelajaran Substansi Materi : 135 menit : Mahasiswa mampu menjelaskan konsep algoritma dan struktur data : Tabulasi Kegiatan Perkuliahan No Tahap Kegiatan Kegiatan Pengajar 1
Lebih terperinciBAB 2 LANDASAN TEORI. 2.1 Algoritma Genetika
6 BAB 2 LANDASAN TEORI 2.1 Algoritma Genetika Algoritma genetika merupakan metode pencarian yang disesuaikan dengan proses genetika dari organisme-organisme biologi yang berdasarkan pada teori evolusi
Lebih terperinciBAB II LANDASAN TEORI
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 terperinci3.2.3 Resiko, Keuntungan dan Kerugian Forex Metode Prediksi dalam Forex MetaTrader 4 sebagai Platform Trading dalam Forex...
DAFTAR ISI HALAMAN PENGESAHAN... iii PERNYATAAN... iv HALAMAN MOTTO DAN PERSEMBAHAN... v PRAKATA... vi DAFTAR ISI... viii DAFTAR GAMBAR... xi DAFTAR TABEL... xiv DAFTAR PERSAMAAN... xv DAFTAR LAMPIRAN...
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 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 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 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 terperinciMateri Pelajaran : Algoritma Pemrograman. Siswa memahami tentang dasar dasar Algoritma Pemrograman
Materi Pelajaran : Algoritma Pemrograman 1. Tujuan : Siswa memahami tentang dasar dasar Algoritma Pemrograman 2. Teori Singkat A. Algoritma Sejarah Algoritma Ditinjau dari asal usul katanya, kata Algoritma
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 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 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 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 terperinciPENYELESAIAN PERMAINAN RUBIK S CUBE DENGAN METODE ALGORITMA GENETIKA
PENYELESAIAN PERMAINAN RUBIK S CUBE DENGAN METODE ALGORITMA GENETIKA Zulhaydar Fairozal Akbar 1, Entin Martiana, S.Kom, M.Kom 2, Setiawardhana, S.T, M.T 2, Rizky Yuniar H., S.Kom, M.T 2 Mahasiswa Jurusan
Lebih terperinciBAB I PENDAHULUAN. kehidupan sehari-hari dan juga merupakan disiplin ilmu yang berdiri sendiri serta
BAB I PENDAHULUAN A. Latar Belakang Matematika adalah cabang ilmu pengetahuan yang dapat digunakan dalam kehidupan sehari-hari dan juga merupakan disiplin ilmu yang berdiri sendiri serta tidak merupakan
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. 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 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 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 terperinciLingkup Metode Optimasi
Algoritma Genetika Lingkup Metode Optimasi Analitik Linier Non Linier Single Variabel Multi Variabel Dgn Kendala Tanpa Kendala Numerik Fibonacci Evolusi Complex Combinasi Intelijen/ Evolusi Fuzzy Logic
Lebih terperinciBAB 2 LANDASAN TEORI. 2.1 Algoritma
13 BAB 2 LANDASAN TEORI 2.1 Algoritma Dalam matematika dan komputasi, algoritma merupakan kumpulan perintah untuk menyelesaikan suatu masalah. Perintah-perintah ini dapat diterjemahkan secara bertahap
Lebih terperinciBAB 2 LANDASAN TEORI. Teknik Simulasi merupakan cara menampilkan kembali kondisi suatu keadaan
BAB 2 LANDASAN TEORI 2.1 Teknik Simulasi Teknik Simulasi merupakan cara menampilkan kembali kondisi suatu keadaan dalam bentuk model untuk dipelajari, diuji, dan sebagainya. Banyak para ahli memberikan
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 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. 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 terperinciPengantar Algoritma Pemrograman. # Kusnawi, S.Kom, M.Eng#
Pengantar Algoritma Pemrograman # Kusnawi, S.Kom, M.Eng# Sistem Komputer Sebuah sistem komputer terdiri dari Hardware (perangkat keras), Software (perangkat lunak) dan Brainware, sedangkan Software dapat
Lebih terperinciAlgoritma Evolusi Dasar-Dasar Algoritma Genetika
Algoritma Evolusi Dasar-Dasar Algoritma Genetika Imam Cholissodin imam.cholissodin@gmail.com Pokok Bahasan 1. Pengantar 2. Struktur Algoritma Genetika 3. Studi Kasus: Maksimasi Fungsi Sederhana 4. Studi
Lebih terperinciBAB 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 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 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 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 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 terperinciPENJADWALAN UJIAN AKHIR SEMESTER DENGAN ALGORITMA GENETIKA (STUDI KASUS JURUSAN TEKNIK INFORMATIKA UNESA)
Penjadwalan Ujian Akhir Semester dengan Algoritma Genetika PENJADWALAN UJIAN AKHIR SEMESTER DENGAN ALGORITMA GENETIKA (STUDI KASUS JURUSAN TEKNIK INFORMATIKA UNESA) Anita Qoiriah Jurusan Teknik Informatika,
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 terperinciBAB II LANDASAN TEORI
17 BAB II LANDASAN TEORI 2.1 Algoritma Dalam matematika dan komputasi, algoritma merupakan kumpulan perintah untuk menyelesaikan suatu masalah. Perintah-perintah ini dapat diterjemahkan secara bertahap
Lebih terperinciALGORITMA GENETIKA PADA PEMROGRAMAN LINEAR DAN NONLINEAR
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 5, No. 03(2016), hal 265 274. ALGORITMA GENETIKA PADA PEMROGRAMAN LINEAR DAN NONLINEAR Abdul Azis, Bayu Prihandono, Ilhamsyah INTISARI Optimasi
Lebih terperinciBAB 2 LANDASAN TEORI
18 BAB 2 LANDASAN TEORI 2.1 Pengertian Optimasi Optimasi adalah salah satu ilmu dalam matematika yang fokus untuk mendapatkan nilai minimum atau maksimum secara sistematis dari suatu fungsi, peluang maupun
Lebih 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 II LANDASAN TEORI
BAB II LANDASAN TEORI Bab ini menguraikan konsep dan teori-teori yang akan dipakai dalam pembuatan aplikasi pencarian dengan algoritma genetic termodifikasi untuk data pada blackberry. 2.1 Algoritma Genetik
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 terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) 45 Edisi... Volume..., Bulan 20.. ISSN :
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) 45 IMPLEMENTASI ALGORITMA GENETIKA UNTUK PENJADWALAN MATA PELAJARAN DI SMAN 1 CIWIDEY Rismayanti 1, Tati Harihayati 2 Teknik Informatika Universitas Komputer
Lebih terperinciBAB II LANDASAN TEORI. 2.1 Algoritma Genetika Dan Rapid Application Development (RAD)
BAB II LANDASAN TEORI 2.1 Algoritma Genetika Dan Rapid Application Development (RAD) 2.1.1 Algoritma Genetika Algoritma ini ditemukan di Universitas Michigan, Amerika Serikat oleh John Holland (1975) melalui
Lebih terperinciPEMAMPATAN MATRIKS JARANG DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL
Jurnal Matematika UNAND Vol. 3 No. 1 Hal. 98 106 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMAMPATAN MATRIKS JARANG DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL YOSI PUTRI, NARWEN
Lebih terperinciBAB III KONSEP DAN PERANCANGAN APLIKASI
BAB III KONSEP DAN PERANCANGAN APLIKASI 3.1 Konsep Pada bab ini penulis akan membahas konsep mengenai perangkat lunak yang digunakan serta akan dibahas mengenai tujuan, kegunaan dan untuk siapa aplikasi
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
BAB 2 LANDASAN TEORI 2.1. Fuzzy Relation Dalam dunia ini, banyak hal bersifat tidak pasti dimana derajat kepastian (degree of preciseness) hal-hal tersebut secara intuisi berbeda-beda. Di sini, fuzzy set
Lebih terperinciPengantar Algoritma dan Program
Pengantar Algoritma dan Program Disusun Oleh : Syaiful Hamzah Nasution 1.1 APAKAH ALGORITMA ITU? Ditinjau dari asal-usul katanya, kata algoritma sendiri mempunyai sejarah yang aneh. Orang hanya menemukan
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 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 I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pada awal diciptakan, komputer hanya difungsikan sebagai alat hitung saja. Namun seiring dengan perkembangan zaman, maka peran komputer semakin mendominasi kehidupan.
Lebih terperinciOPTIMASI PENATAAN SILINDER DALAM KONTAINER DENGAN ALGORITMA GENETIKA
OPTIMASI PENATAAN SILINDER DALAM KONTAINER DENGAN ALGORITMA GENETIKA Novita Wulan Sari 1, Yuliana Setyowati 2, S.Kom, M.Kom, Ira Prasetyaningrum 2, S. Si, M.T 1 Mahasiswa, 2 Dosen Pembimbing Politeknik
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 terperinciAPLIKASI ALGORITMA GENETIKA DALAM MENENTUKAN SPESIFIKASI PC BERDASARKAN KEMAMPUAN FINANSIAL KONSUMEN
APLIKASI ALGORITMA GENETIKA DALAM MENENTUKAN SPESIFIKASI PC BERDASARKAN KEMAMPUAN FINANSIAL KONSUMEN Eva Haryanty, S.Kom. ABSTRAK Komputer adalah salah satu peralatan yang pada saat ini banyak pula digunakan
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Pada saat sekarang ini, setiap perusahaan yang ingin tetap bertahan dalam persaingan dengan perusahaan lainnya, harus bisa membuat semua lini proses bisnis perusahaan tersebut
Lebih terperinciPERANCANGAN ALGORITMA GENETIKA DALAM PENYUSUNAN TEKA-TEKI SILANG
PERANCANGAN ALGORITMA GENETIKA DALAM PENYUSUNAN TEKA-TEKI SILANG Afen Prana Utama 1, Edison Sinaga 1 D-3 Manajemen Informatika - STMIK Mikroskil Medan afen@mikroskil.ac.id Abstrak Teka-teki silang merupakan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Algoritma Genetika Algoritma Genetika merupakan suatu algoritma yang terinspirasi dari teori evolusi Darwin yang menyatakan bahwa kelangsungan hidup suatu makhluk dipengaruhi
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 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 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 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 terperinciBAB II TINJAUAN PUSTAKA. Khowarizmi. Algoritma didasarkan pada prinsiup-prinsip Matematika, yang
BAB II TINJAUAN PUSTAKA A. ALGORITMA Algoritma adalah metode langkah demi langkah pemecahan dari suatu masalah. Kata algoritma berasal dari matematikawan Arab ke sembilan, Al- Khowarizmi. Algoritma didasarkan
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 terperinciAlex Budiyanto.
Pengantar Algoritma dan Pemrograman alex@ilmukomputer.com Lisensi Dokumen: Seluruh dokumen di IlmuKomputer.Com dapat digunakan, dimodifikasi dan disebarkan secara bebas untuk tujuan bukan komersial (nonprofit),
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Tinjauan pustaka merupakan penjelasan berbagai konsep dasar dari teori - teori yang berkaitan dengan implementasi algoritma genetika untuk menyelesaikan permainan puzzle kakuro.
Lebih terperinciPerancangan Sistem Penjadwalan Asisten Dosen Menggunakan Algoritma Genetika (Studi Kasus: STIKOM Bali)
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Perancangan Sistem Penjadwalan Asisten Dosen Menggunakan Algoritma Genetika (Studi Kasus: STIKOM Bali) I Made Budi Adnyana
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Sofa Sofa adalah kursi yang berlapis busa dengan penutup yang biasa disebut upholstery. Sofa berasal dari kata SOPHA yang berarti tempat tidur, atau tempat duduk dengan sandaran.
Lebih terperinciPENENTUAN MATCHING MAKSIMUM PADA GRAPH BIPARTISI BERBOBOT DENGAN MENGGUNAKAN ALGORITMA GENETIKA
PENENTUAN MATCHING MAKSIMUM PADA GRAPH BIPARTISI BERBOBOT DENGAN MENGGUNAKAN ALGORITMA GENETIKA,, Universitas Negeri Malang E-mail: love_nisza@yahoo.co.id ABSTRAK: Matching berguna untuk menyelesaikan
Lebih terperinciPendahuluan. program
Matakuliah : Struktur Data Versi : 1.0.0 Materi : Pengantar Ke Algoritma Penyaji : Zulkarnaen NS 1 Pendahuluan Komputer adalah alat bantu untuk menyelesaikan masalah, tetapi masalah yang ingin diselesaikan
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 terperinciPERANCANGAN APLIKASI PENJADWALAN KERETA API DENGAN MENGGUNAKAN ALGORITMA GENETIKA (Studi Kasus: Stasiun Kereta Api Bandar Khalipah Medan)
PERANCANGAN APLIKASI PENJADWALAN KERETA API DENGAN MENGGUNAKAN ALGORITMA GENETIKA (Studi Kasus: Stasiun Kereta Api Bandar Khalipah Medan) Nurhamidah Lubis 1, Garuda Ginting 2 Mahasiswa Teknik Informatika
Lebih terperinciPERANCANGAN ALGORITMA GENETIKA UNTUK MENENTUKAN JALUR TERPENDEK. Kata kunci: Algoritma Genetika, Shortest Path Problem, Jalur Terpendek
PERANCANGAN ALGORITMA GENETIKA UNTUK MENENTUKAN JALUR TERPENDEK Fajar Saptono 1, Taufiq Hidayat 2 Laboratorium Pemrograman dan Informatika Teori Jurusan Teknik Informatika, Fakultas Teknologi Industri,
Lebih 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 terperinciBAB III PEMBAHASAN. diperoleh menggunakan algoritma genetika dengan variasi seleksi. A. Model Matematika CVRPTW pada Pendistribusian Raskin di Kota
BAB III PEMBAHASAN Pada bab ini akan dibahas mengenai model matematika pada pendistribusian raskin di Kota Yogyakarta, penyelesaian model matematika tersebut menggunakan algoritma genetika serta perbandingan
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 terperinciPENCOCOKAN KATA SECARA ACAK DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL
Jurnal Matematika UNAND Vol. 2 No. 2 Hal. 1 9 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENCOCOKAN KATA SECARA ACAK DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL MULIA AFRIANI KARTIKA
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Objek tiga dimensi merupakan salah satu komponen multimedia yang memegang peranan sangat penting sebagai bentuk informasi visual. Objek tiga dimensi dibentuk oleh sekumpulan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
20 BAB 2 TINJAUAN PUSTAKA 2.1. Pengantar Algoritma genetika merupakan algoritma yang lahir dari sebuah inspirasi teori evolusi Darwin yang mengatakan anggota dari spesies yang lemah lambat laun akan mengalami
Lebih terperinciPENGENALAN ANGKA DENGAN MENGGUNAKAN ALGORITMA GENETIK. Fakultas Teknik dan Ilmu Komputer, Jurusan Teknik Informatika Universitas Komputer Indonesia
PENGENALAN ANGKA DENGAN MENGGUNAKAN ALGORITMA GENETIK Frengki Agus f124nk_85@yahoo.com Pembimbing I : Linda Salma, S.Si., M.T. Pembimbing II : Khusnul Novianingsih,M.Si Fakultas Teknik dan Ilmu Komputer,
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 terperinciBab II. Tinjauan Pustaka
7 Bab II Tinjauan Pustaka 2.1 Penelitian Terdahulu Penelitian mengenai Visualisasi Rute Terpendek Jalur Angkutan Kota Dengan Algoritma Genetika membahas tentang perancangan dan pembuatan aplikasi yang
Lebih 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 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 terperinciPenerapan Algoritma Genetika pada Permainan Rubik s Cube
Penerapan Algoritma Genetika pada Permainan Rubik s Cube Abigael Angela Pardede 1, Shanny Avelina Halim 2, Denny Nugrahadi 3 Laboratorium Ilmu dan Rekayasa Komputasi Departemen Teknik Informatika, Institut
Lebih terperinciBAB I PENDAHULUAN. sejumlah aktivitas kuliah dan batasan mata kuliah ke dalam slot ruang dan waktu
18 BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Penjadwalan merupakan kegiatan administrasi utama di berbagai institusi. Masalah penjadwalan merupakan masalah penugasan sejumlah kegiatan dalam periode
Lebih terperinciBAB III METODOLOGI PENELITIAN. Gambar 3.1 merupakan desain penelitian yang akan digunakan dalam
BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Gambar 3.1 merupakan desain penelitian yang akan digunakan dalam proses penelitian penerapan algoritma K-Means pada clustering berita berbahasa Indonesia.
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 terperinci