BAB 3. METODOLOGI PENELITIAN
|
|
- Hartono Salim
- 7 tahun lalu
- Tontonan:
Transkripsi
1 BAB 3. METODOLOGI PENELITIAN 3.1. Bagan Alr Peneltan Vergds et al. (2007) mengusulkan dua langkah dasar dar framework multobectve optmsas untuk perancangan proses bsns. Langkah pertama adalah membuat konstruks model dengan cara model drumuskan dalam bentuk matemats untuk memastkan formaltas, konsstens dan keteltannya. Langkah kedua adalah mencar solus model dengan menerapkan algortma optmsas pada model proses bsns dengan menggunakan KEA Tool-box. KEA Tool-box merupakan software optmsas yang dkembangkan oleh Bartz-Beelsten et al., 2004 yang menggunakan algortma NSGA-II (Non Domnated Sortng n Genetc Algorthm II), SPEA2 (Strength Pareto Evolutonary Algorthm 2), MOPSO (Mult-Obectve Partcle Swarm Optmsaton)dengan penyelesaannya menggunakan KEA-Software. Ketga algortma n dgunakan karena dapat mengoptmsas model proses bsns yang mult-obectve. NSGA-II dan SPEA2 lebh popular dbandngkan dengan algortma MOPSO. NSGA-II banyak daplkaskan dalam berbaga peneltan karena menggunakan pendekatan eltst, sedkt parameter dan memberkan perkembangan solus yang sgnfkan. SPEA2 uga merupakan evolutonary algorthms yang menggunakan pendekatan eltst yang lan. MOPSO memberkan hasl yang lebh bak apabla dgunakan dalam permasalahan yang membutuhkan pencaran solus yang kontnu. Dar hasl analss secara umum dketahu bahwa algortma NSGA-II memberkan solus yang lebh optmal dbandngkan dengan algortma SPEA2 dan MOPSO. Dengan desan proses bsns yang kompleks, secara umum kemampuan dar NSGA-II dapat dkarakterstkkan bak dan memlk eltsm yang dmana NSGA-II menympan solus optmum dar setap generas dan membandngkan solus tersebut dengan solus antar setap generas, sehngga memungknkan untuk mengdentfkaskan feasble solutons. Sesua dengan nformas yang dterma dar Bartz-Beelsten bahwa software optmsas KEA Tool-box tdak d rawat lag untuk angka waktu yang tdak terbatas, sehngga dalam peneltan n tdak akan menggunakan software tersebut. 65
2 Pada framework mult-obectve optmsas yang dusulkan oleh Vergds et al. tdak menggunakan metodolog pemodelan proses yang elas untuk menggambarkan proses bsns yang terad, sehngga tdak memberkan penelasan yang lebh rnc mengena proses yang terad dan tdak menunukkan logka proses dar model. Sementara tu Kusak et al. (2000) mengatakan bahwa metodolog pemodelan proses secara umum ddasarkan pada smbol yang tdak formal dan secara kualtatf sehngga sult untuk danalss. Pada bagan n akan dformulaskan model perbakan proses bsns yang multobectve secara kuanttatf menggunakan algortma NSGA-II (Non Domnated Sortng n Genetc Algorthm. Berdasarkan uraan d atas bahwa pemodelan proses hanya sedkt menggunakan model matemats dan perbakan proses bsnsnya hanya bersfat kualtatf, maka dalam peneltan n akan melakukan perbakan proses bsns secara kuanttatf dengan merepresentaskan secara matemats model proses bsns dan penyelesaannya menggunakan pendekatan algortma NSGA-II. Kekurangan dalam pemodelan yang dlakukan oleh penelt sebelumnya akan dtutup dengan menggunakan metodolog IDEF3 (Integrated Defnton Methodology 3) yang memlk kemampuan mengakomodas hubungan-hubungan atau ketergantungan antar proses dalam proses bsns dan memberkan gambaran yang elas mengena deskrps sstem. IDEF3 merupakan tool pemodelan dengan representas terstruktur dar sebuah sstem dengan cara meng-capture perlaku dar sstem yang dbahas mengena urut-urutan teradnya proses, proses apa yang menyebabkan proses apa, dan bagamana keputusan dambl. Vergds et al. (2007) mengurakan bahwa peneltan pada proses bsns yang kompleks, NSGA-II (Non Domnated Sortng n Genetc Algorthm II) mempunya kemampuan yang lebh bak secara keseluruhan dan menunukkan adanya eltsm. Untuk tulah, maka pada peneltan n hanya akan mengembangkan algortma NSGA-II pada proses bsns. Peneltan n pada tahap awalnya akan mendefnskan varabel dengan menggunakan model matemats. Penyelesaan model matemats n menggunakan pendekatan modfkas algortma NSGA-II. Model yang terbentuk danalss sehngga dperoleh karakterstk dar proses bsnsnya, aktvtas-aktvtas yang paralel, lamanya duras dan baya yang dkeluarkan untuk setap alternatf aktvtas 66
3 tersebut, kemudan akan dgunakan sebaga nput untuk mencar plhan suatu set aktvtas yang optmal yang mempunya krtera mnmum baya dan duras. Hasl yang dperoleh dar penerapan algortma optmsas adalah beberapa alternatf solus yang salng trade-off antara krtera tuuan yang ngn dcapa. Untuk dapat memlh solus akhr dar beberapa alternatf solus yang dberkan maka dperlukan keterlbatan phak pengambl keputusan untuk memlh solus tersebut Untuk memudahkan peneltan yang akan dlakukan, maka perlu drencanakan tahapan tahapan yang akan menad pedoman dan arahan bag peneltan n. Tahapantahapan proses tersebut dapat dlhat pada gambar 3.1 berkut n : Deb et al. (2000), A fast eltst non-domnated sortng genetc algorthm for multobectve optmzaton: NSGA-II Kaan Peneltan dalam urnal K. Vergdsa, A. Twara, B. Maeedb, R. Roya (2007) Optmsaton of busness process desgns: An algorthmc approach wth multple obectves Busness Process Modellng Multobectve Optmzaton Sngle Obectve Optmzaton IDEF3 Algortma Genetka Algortma NSGA-II Penentuan Varabel dan Krtera tuuan IDEF3 Model Matematka Contoh Numerk 1 : Proses d Travel Agents Contoh Numerk 2 : Proses Pembelan Bahan Baku d PT.X Contoh Numerk 3 : Proses Rekrutmen Sswa d Tempat Pelathan Y Gambar 3.1 Bagan Alr Peneltan 67
4 3.1.1 Kaan Peneltan dalam urnal Tahap kaan peneltan urnal merupakan awal dalam peneltan n yatu mencar permasalahan-permasalahan yang muncul dalam desan proses bsns. Kaan n dlakukan dengan cara mencar, meng-explore, dan mengka permasalahan proses bsns dan mult-obectve optmsaton. Peneltan-peneltan n terdr dar Vergds et al. (2007), Agular-Saven (2004), Bttc et al. (1997), Hofacker and Vetschera (2001), dan Deb et al. (2000) Formulas Masalah Formulas masalah merupakan proses dentfkas dan perumusan masalah yang muncul untuk melakukan perbakan proses bsns sepert bentuk representas proses bsns yang mult-obectve secara kuanttatf, tools yang dgunakan dan karakterstkkarakterstk dar pendekatan analtk yang dusulkan untuk mengevaluas usulan perbakan proses bsns Penetapan Tuuan Peneltan Tuuan peneltan adalah merupakan arah yang dgunakan oleh penelt untuk mencapa sasaran yang dkehendak oleh penuls. Tuuan yang dkehendak berdasarkan penyelesaan permasalahan-permasalahan yang muncul pada tahap formulas masalah adalah menganalss model proses bsns secara kuanttatf sehngga mendapatkan perbakan proses bsns yang lebh bak dbandngkan dengan perbakan secara kualtatf, mengembangkan tools untuk membantu proses analss yang lebh formal bag model perbakan sebuah proses bsns yang mult-obectve, dan menganalss model kuanttatf optmsas proses bsns dengan mengunakan contoh numerk untuk mengetahu karakterstk dar model bsns. 68
5 3.1.4 Stud Lteratur Stud lteratur dlakukan dengan mempelaar lteratur yang berhubungan dengan peneltan, yatu topk-topk mengena: Peneltan-peneltan yang berkatan Busness Proses Modellng Mult-obectve optmsaton Sngle-obectve optmsaton IDEF3 (Integrated Defnton Methodology 3) Algortma Genetka Sederhana Algortma NSGA-II (Non Domnated Sortng n Genetc Algorthm II) Pengembangan Model Pengembangan dan perancangan model dalam peneltan n merupakan salah satu tahapan yang pentng dalam melakukan peneltan n. Pada tahapan n akan ddentfkaskan varabel-varabel apa saa yang mempengaruh kelancaran pelayanan pada proses bsns dan ddasarkan pada tuuan peneltan yang telah ddefnskan. Pada tahapan n d bangun kerangka pengembangan model yatu mendefnskan varabel optmsas dan tuuan optmsas dalam proses bsns, merumuskan suatu model matemats dasar untuk memastkan formaltas, konsstens dan keteltan, setelah tu melakukan pemodelan proses dengan menggunakan IDEF3 (Integrated Defnton Methodology 3), dan menggambarkan pengembangan model dengan menggunakan contoh numerk. Penelasan dar komponen n dapat dlhat pada subbab Pengembangan Algortma NSGA-II Model yang telah dgambarkan pada tahap sebelumnya akan menad dasar pemkran dan penyelesaannya dengan menggunakan pendekatan algortma NSGA-II. Orgnal algortma NSGA-II merupakan algortma yang dterapkan untuk permasalahan 69
6 yang mult-obectve. Sepert yang kta ketahu bahwa dalam peneltan n adalah mencar set urutan alternatf aktvtas yang terbak dalam desan proses bsns sesua dengan varabel dan krtera tuuan yang ngn dcapa, sehngga populas yang dgenerate memlk kendala. Untuk tu maka dperlukan perubahan dalam orgnal NSGA-II dalam men-generate populas, seleks dan mutas, sehngga perlu adanya modfkas algortma NSGA-II. Untuk selanutnya, algortma yang akan dkembangkan dalam peneltan n akan dsebut modfkas algortma NSGA-II U Coba Algortma U Coba Algortma n dgunakan sebaga pendekatan pemecahan masalah dengan menggunakan modfkas algortma NSGA-II (Non Domnated Sortng n Genetc Algorthm II). Tahapan n bertuuan untuk mengetahu kelebhan dan kelemahan dar pendekatan pemecahan masalah yang dkembangkan. Penguan n akan dlakukan dengan menggunakan contoh data numerk yang bersfat hpotetk Valdas Model Valdas merupakan model proses penentuan apakah model memlk makna dan dapat merepresentaskan secara akurat suatu sstem nyata. Salah satu cara yang dapat dlakukan untuk memvaldas model adalah membandngkan model dengan model yang lan. Modfkas algortma NSGA-II yang dkembangkan dalam peneltan n akan dvaldas dengan menggunakan Metoda Enumeras. Metoda Enumeras melakukan pencaran nla-nla fungs obektf satu dem satu secara berurutan pada setap ttk dalam ruang solus. 70
7 3.1.9 Analss dan Pembahasan Pada tahapan n akan durakan tentang proses analss solus yang telah dperoleh dengan modfkas algortma, penguan valdas dar model algortma NSGA-II (Non Domnated Sortng n Genetc Algorthm II), dan analss pemakaan model usulan Kesmpulan dan Saran Kesmpulan pada peneltan n dharapkan mampu memberkan suatu masukan mengena cara mengoptmalkan proses bsns yang memlk beberapa alternatf aktvtas dalam urutan aktvtasnya d dalam proses bsnsnya, menghaslkan kerangka pemodelan proses bsns secara kuanttatf dengan menggunakan langkah-langkah yang dusulkan, dan memodfkas algortma mult-obectve NSGA-II (Non Domnated Sortng n Genetc Algorthm II) untuk optmsas proses bsns dengan menggunakan contoh numerk. Selan tu drumuskan saran-saran sepert saran untuk peneltan selanutnya. 3.2 Pengembangan Model Kerangka pengembangan model peneltan yang dusulkan n dbangun dar empat komponen utama, yatu mendefnskan varabel optmsas dan krtera tuuan yang ngn dcapa, melakukan pemodelan proses menggunakan IDEF3 (Integrated Defnton Methodology 3) melalu analss contoh numerk, setelah tu merumuskan suatu model matemats dasar untuk memastkan formaltas, konsstens dan keteltan, sehngga ddapatkan gambaran model dan fungs tuuan yang akan dgunakan pada u coba modfkas algortma NSGA-II (Non Domnated Sortng n Genetc Algorthm II). Hubungan keempat komponen n dapat dlhat pada gambar 3.2 d bawah n : 71
8 Gambar 3.2 Pengembangan Model Penentuan Varabel dan Krtera Tuuan dalam Model. Sepert yang telah delaskan sebelumnya, bahwa langkah pertama yang harus dlakukan adalah menelaskan framework yang terkat dengan konstruks model proses bsns dan kebutuhan yang terkat bag gambaran formal suatu proses bsns. Gambar 3.3 Varabel optmsas dan obectves dar model proses bsns 72
9 Suatu model proses bsns yang akan doptmsas harus ddefnskan terlebh dahulu model varabel optmsas dan tuuannya sepert yang delaskan pada gambar 3.3. Varabel optmsas dar model proses bsns adalah actvtes dan startng tmes. Tuuannya adalah menghaslkan penyempurnaan proses dengan mnmas dua tuuan, yatu duras waktu proses dan baya pelayanan dalam sebuah sstem. Untuk masngmasng desan proses, terdapat beberapa alternatf calon aktvtas dengan atrbut sepert duras aktvtas dan baya. Suatu aktvtas ddefnskan berdasarkan resources nput dan resources output serta memlk atrbut duras dan baya. Beberapa aktvtas yang mempunya kebutuhan yang yang sama dalam katan dengan resources masukan dan keluarannya dapat salng dpertukarkan dalam sebuah desan proses bsns. Pertukaran aktvtas dalam sebuah desan proses bsns secara langsung mempengaruh total duras dan baya proses bsns. Untuk mengoptmalkan desan proses bsns maka dbutuhkan plhan suatu set aktvtas yang men-generate mnmum baya dan duras (Vergds et al.,2007). Gambar 3.4 menggambarkan desan proses bsns yang feasble menggunakan 2 konsep yatu : actvtes dan resources. (Bttc and Mur, 1997). Bttc dan Mur menyatakan bahwa aktvtas yang dlakukan dalam suatu bsns kut berpartspas dalam membentuk tuuan dar suatu proses bsns. Desan proses bsns pada gambar 3.4 memlk dua set resources yatu ntal (Iglob) dan fnal (Oglob) resources. Intal resouces merupakan resources yang sudah terseda pada awal proses bsns, sementara fnal resources terbentuk pada hasl akhr. Resources mengalr sepanang proses dan termasuk dalam dua kategor yang utama yatu fsk dan nformas resources. Aktvtas merupakan langkah-langkah perubahan d dalam proses yang menggunakan beberapa resources sebaga masukan dan memproduksnya sebaga keluaran. Dalam desan proses yang feasble, semua aktvtas dgambarkan secara berurutan, resources haruslah cukup dan yang sangat pentng resources fnal dhaslkan dengan adanya partspas aktvtas. 73
10 Gambar 3.4 Desan proses bsns yang feasble dengan menggunakan actvtes dan resources (Hofacker and Vetschera,2001) Actvtes and resources dapat dgambarkan sebaga nodes dan arcs pada grafk. Actvtes dgambarkan dengan nodes, sedangkan nput dan output dgambarkan dengan arcs, yang menghubungkan suatu aktvtas dengan aktvtas yang lan. Setap aktvtas menggunakan satu atau lebh nputs dan men-generate satu atau lebh output. Dalam uraan orented models dar proses bsns sepert halnya dalam model penadwalan dalam manufaktur, aktvtas pendahulu (precedence of actvtes) dasumskan gven. Untuk memodelkan hubungan antara actvtes dan resources menad lebh realsts, maka resources yang ada dbedakan menad 2 tpe yatu physcal resources dan nformaton resources. Sumber daya fsk dapat bertndak sebaga nput hanya untuk satu aktvtas yang mengkonsumsnya. Sumber daya nformas yang dbuat sekal, dapat dgunakan oleh seumlah aktvtas manapun yang mengkutnya. Masng-masng aktvtas dtanda oleh atrbut sepert duras, baya, atau aspek kualtas. Hubungan antara aktvtas dan sumber daya ddasarkan pada tga asums (Hofacker and Vetschera,2001) yatu : 1) Masng-Masng aktvtas mengkonsums perssnya satu unt dar tap sumber daya d dalam I dan menghaslkan perssnya satu unt dar tap sumber daya d dalam O. 74
11 2) Semua masukan (nput) harus terseda sebelum suatu aktvtas dapat dalankan/dlaksanakan (yatu nput yang terkat oleh suatu hubungan AND darpada OR). 3) Semua keluaran (output) d dalam O dhaslkan ketka aktvtas a dalankan/dlaksanakan (yatu ouput yang uga terkat oleh AND). Suatu desan proses adalah feasble ka kedua konds d bawah n dpenuh (Hofacker and Vetschera,2001): 1. Untuk semua aktvtas a yang termasuk dalam desan proses, semua sumber daya d dalam I adalah salah satunya termasuk dalam Iglob atau dhaslkan oleh beberapa aktvtas a, d mana p<p. Untuk sumber daya fsk, tdak ada aktvtas lan yang harus mengkonsums unt yang sama dar sumber daya. 2. Semua sumber daya d dalam Oglob dhaslkan oleh beberapa aktvtas a dalam suatu desan proses dan sumber daya fsk harus tdak dkonsums oleh aktvtas yang lan. Pada Gambar 3.4, menggambarkan suatu desan proses yang feasble. Sumber daya b 3,b 4 dan b 7 adalah terseda pada awal proses. Aktvtas a 2 dgunakan untuk menghaslkan b 1 dar b 3 dan b 4. Aktvtas a 4 uga menggunakan sumber daya nformas b 4 sepert halnya b 7 untuk menghaslkan b 2 dan b 8. b 1 dan b 2 dgunakan oleh a 6 untuk menghaslkan b 5, b 2 uga dgunakan oleh a 9 untuk menghaslkan b 9 dan b 6. Hanya b 5 dan b 9 merupakan global outputs dar proses tersebut, sedangkan b 6 dan b 8 tdak dgunakan Pemodelan Proses Model proses adalah proses yang dsederhanakan dalam bentuk model sehngga lebh mudah, aman, murah dan tdak beresko. Model merepresentaskan sstem, obyek, atau persoalan. Melalu model akan dperoleh gambaran mengena sstem, analss dan evaluas terhadap performans sstem, dan dapat dlakukan perbakan-perbakan dan evaluas terhadap usulan perbakan. 75
12 Sepert yang durakan sebelumnya bahwa peneltan n menggunakan model yang dbangun oleh Vergds et al. (2007), akan tetap pemodelan tersebut mash terdapat kekurangan sepert tdak memberkan penelasan yang lebh rnc mengena proses yang ada dalam sstem dan tdak menunukkan logka proses dar model. Kekurangan n dapat dtutup dengan menggunakan metodolog IDEF3 yang memlk kemampuan mengakomodas hubungan-hubungan atau ketergantungan antar proses dan memberkan gambaran secara elas tentang deskrps sstem. IDEF3 (Integrated Defnton Methodology 3) merupakan tool pemodelan untuk menghaslkan model atau representas terstruktur dar sebuah sstem, yang dlakukan dengan cara meng-capture perlaku dar sstem yang dbahas sepert urut-urutan teradnya proses, proses apa yang menyebabkan proses apa, dan bagamana keputusan dambl. Alasan menggunakan IDEF3 adalah dkarenakan kemampuannya dalam deskrps proses bsns yang semakn dapat dpertaam melalu dekomposs proses yatu dengan cara menyederhanakan proses melalu tngkatan abstraks modul yang berbedabeda. Pada dasarnya pada setap tngkatan dekomposs dperoleh deskrps proses yang lebh rnc, sehngga dengan menggunakan metode IDEF3 kta dapat mencar lokalsas masalah yang lebh rnc dar proses bsns yang besar. Dengan adanya lokalsas masalah dalam proses bsns yang sangat besar, kta dapat memperbak secara fokus keterkatan antara satu ens proses dengan ens proses dalam proses bsns yang memlk masalah. Sepert yang delaskan sebelumnya bahwa IDEF3 nantnya akan menghaslkan deskrps proses dalam sstem secara terstruktur sehngga dapat menad knowledge base untuk mengkonstruks model analts, selan tu dapat memberkan penelasan yang lebh rnc mengena proses yang ada dalam sstem dan memlk karakterstk sequence yang mampu menunukkan aktvtas predecessor dan successor. IDEF3 memodelkan proses dengan menggunakan dagram yang dsebut dagram proses. Dagram proses memlk tga elemen dasar yatu proses (atau dsebut UOBs = Unt of Behavours), Lnks, dan Juncton. UOBs menggambarkan proses aktual yang delaskan dengan kotak perseg panang, Lnks yang menghubungkan kotak-kotak dan menggambarkan hubungan d antara UOBs, dan Juncton menggambarkan logka dar multple Lnks (213Hwww.def.com). 76
13 Pada saat menggambarkan model proses yang menelaskan urutan aktvtasaktvtas dan yang memberkan dentfkas bag penngkatan prosesnya. Penggunaan prosedur sangat pentng d dalam membangun model proses yang berskala besar. Adapun prosedur d dalam membangun model proses adalah sebaga berkut (Adaptas dar Kusak, 1999): 1. Mendefnskan skenaro 2. Mengdentfkas dan menetapkan aktvtas yang tepat 3. Menyusun aktvtas dalam urutan yang bertahap 4. Mengdentfkas dan menentukan nput dan output 5. Menetapkan obect lfe cycle 6. Menetapkan logcal unctons Sepert yang delaskan oleh Kusak (1999) bahwa terdapat dua tpe analss yang dapat dlakukan untuk perbakan proses, yatu: analss observas (manual) dan analss computatonal. Dan karena merupakan model proses yang kualtatf pada dasarnya, analss serng dlakukan berdasarkan analss observas yang memungknkan analss untuk mengdentfkaskan kurang sempurnanya area dalam suatu model dengan cara mengaplkaskan model IDEF3 (Integrated Defnton Methodology 3). Sedangkan analss computatonal dlakukan untuk merekayasa model proses. Analss struktur model dlakukan pada model IDEF3 yang telah dtransfer ke dalam bentuk matrks. Analss computatonal merupakan analss yang memanpulas elemen-elemen dalam matrks sesua dengan tuuan yang dngnkan. Berdasarkan kelebhan masng-masng dar analss tersebut, maka penuls akan menggabungkan kedua analss tersebut dalam peneltan n yatu pertama kal melakukan analss observas dengan cara menggambarkan aktvtas-aktvtas yang ada dalam suatu sstem, dan kemudan melakukan analss computatonal dengan cara merepresentaskannya dalam bentuk matrks yang nantnya akan dgunakan unuk men-generate populas dalam set aktvtas pada proses bsns d dalam algortma NSGA-II (Non Domnated Sortng n Genetc Algorthm II). 77
14 3.2.3 Pengembangan Model Matemats Model proses bsns dbatas oleh suatu rangkaan kendala matemats yang mendefnskan kendala yang mungkn dar suatu proses bsns dan uga mendefnskan kumpulan fungs tuuan yang terdr dar berbaga varas dar tuuan proses bsns yang dngnkan. Hal yang pentng yang harus dketahu bahwa framework bekera secara ndependen dar umlah proses tuuan. Duras proses dan baya dplh sebaga krtera dua tuuan umum untuk perbakan proses bsns. Berkut n adalah notas yang dgunakan dalam pengembangan model matemats yatu : c = ongkos pelaksanaan aktvtas a; x = varabel bner yang menanda (adanya) apakah suatu calon aktvtas a mengambl bagan d desan proses bsns; y = varabel bner yang menanda apakah sumber daya nformas b adalah yang terseda sepanang proses bsns;atau menad t, = matrks varabel bner yang menghubungkan aktvtas dengan output sumber daya; r = matrks dar varabel bner yang menanda ka suatu unt dar sumber daya fsk b g = bnary konstan dengan 1 dmens yang menanda adanya sumber daya b ada d global nput; go = bnary konstan dengan 1 dmens yang menanda adanya sumber daya b ada d global ouput; M = konstanta yang sangat besar sekal yang mengndkaskan bahwa sumber daya fsk berskan global nput yang terseda dalam umlah yang tdak terbatas; p = waktu mula aktvtas a; d = waktunya sumber daya b menad terseda; δi = duras aktvtas a; λ = varabel bner yang menunukkan bahwa aktvtas a dgunakan untuk mencptakan sumber daya b ; I/O = set sumber daya nput/output dar aktvtas a; BP/BI = set sumber daya fsk dan nformas b. = untuk semua anggota = yang merupakan anggota dar 78
15 Model matemats mendefnskan tuuan optmsas yang ngn dcapa dengan dua fungs tuuan dan memastkan proses bsns yang konssten dan feasble dengan menggunakan ketga belas kendala (constrants). Model matemats terdr dar seumlah varabel bner dan matrks varabel bner yang memlk dampak dalam desan proses bsns yang feasble. Model Matemats yang delaskan d atas adalah sebaga berkut (Hofacker and Vetschera,2001) : f 1 ( P) = max( d ) mn, : b go Fungs tuuan yang pertama (f 1 ) dar model adalah mengkalkulas duras proses bsns, yatu total duras dar awal proses sampa akhr proses melayan customer yang dmana global output dhaslkan f ( P) c x mn 2 = 1 sedangkan fungs tuuan kedua (f 2 ) mengkalkulaskan baya yang dkeluarkan dar proses bsns yatu penumlahan semua baya untuk semua aktvtas yang berpartspas. Kendala (constrants) pada model matemats dapat memastkan bahwa model yang dhaslkan adalah proses bsns yang feasble dar penguan berbaga aspek dar model proses bsns. Tabel 3.1 d bawah n memperlhatkan penelasan sngkat mengena masng-masng kendala (constrants) dar model matemats. Model matemats d atas terdr dar banyak varabel bner dskrt yang secara sgnfkan menambah komplekstas dar teradnya desan proses dalam pencaran solus yang feasble. x r, : b I, b B, (1), p Semua masukan sumber daya fsk dar suatu aktvtas harus terseda ( r = 1) pada konds tertentu dar suatu proses ka aktvtas sedang berpartspas ( x= 1). x y, : b I, b B, (2), I Semua masukan sumber daya nformas ( y) dar suatu aktvtas harus terseda pada konds tertentu dar suatu proses ka aktvtas sedang berpartspas. ( x= 1). go + r Mg + tx : b BP,, (3) Output sumber daya fsk fnal or not- seharusnya tdak melebh penumlahan awal (ntal) dan yang dhaslkan selama proses. 79
16 y g + t x, : b B, (4) I Suatu sumber daya nformas (y) dapat terseda pada awal proses-sepert ntal resource (g)-atau sebaga output resources dar aktvtas yang sedang berpartspas. y go, (5) Suatu sumber daya ( y) tdak bsa menad bagan dar output tanpa pertama menad yang terseda pada konds tertentu dar proses ( go). p ( x ),, : b I, d M (6) 1 Dalam katan dengan waktu, aktvtas yang berpartspas dapat dmula ( p) ka hanya setelah waktu semua sumber daya masukan nya sudah terseda. d d ( 1 x ), b O p + δ + M : (7) p ( x ) M ( 1 λ ), : b O, + δ M (8) 1 Dalam katan dengan waktu, suatu sumber daya keluaran harus menad yang terseda perssnya ketka aktvtas yang d- generate telah dselesakan (q= p). λ x, : b O, (9), Suatu aktvtas tanpa penyertaan ( x= 1) tdak bsa mempunya sumber daya keluaran( = 1) : b O ( 1 y ), : B, g = 0 λ r + go M (10) P Ketka suatu sumber daya fsk yang bukan merupakan sumber daya awal (ntal), maka harus dhaslkan sepanang proses seumlah yang sama atau lebh besar bag sumber daya masukan yang dperlukan dar aktvtas yang sedang berpartspas. : b O ( 1 y ), : b B, g = 0 λ 1 M (11) P Masng-Masng sumber daya fsk yang bukan merupakan sumber daya awal (ntal) tetap muncul d output dar suatu aktvtas yang sedang berpartspas harus dproduks sedktnya satu kal. x { 0,1}, Varabel x ( menandakan aktvtas yang berpartspas) harus bner. {,1},, : b O, λ (13) 0 Varabel λ ( menandakan output sumber daya dar aktvtas ) harus bner. (12) Persamaan model matemats d atas dapat dtulskan kembal sebaga berkut : ( P) = max( d ) mn, : b go f1 (3.1) ( P) c x mn f (3.2) 2 = 1 80
17 s.t x r, : b I, b B, (3.3) x, p y, : b I, b B, (3.4), I go + r Mg + tx, : b BP, (3.5) y g + t x, : b B, (3.6) I y go, (3.7) p d ( x ),, : b I, d M (3.8) 1 ( 1 x ), b O p + δ + M : (3.9) d p ( x ) M ( 1 λ ), : b O, + δ M (3.10) 1 λ x, : b O, (3.11) : b O, ( 1 y ), : B, g = 0 λ r + go M (3.12) : b O x ( 1 y ), : b B, g = 0 P λ 1 M (3.13) {,1} P 0, (3.14) {,1},, : b O, λ (3.15) Modfkas Algortma NSGA-II Berdasarkan peneltan yang dlakukan Vergds et al. (2007) bahwa algortma mult-obectve optmzaton sepert NSGA-II (Non Domnated Sortng n Genetc Algorthm II), SPEA2 (Strength Pareto Evolutonary Algorthm 2), dan MOPSO (Mult-Obectve Partcle Swarm Optmsaton) dapat dgunakan untuk mengoptmalkan suatu model proses bsns. Seleks n berdasarkan pada persyaratan sepert fragmented search space dan constrants. Menurut Deb, 2001 bahwa NSGA-II dan SPEA2 lebh popular karena ketahanan dalam menyelesakan permasalahan fragmented search space. MOPSO merupakan perluasan mult-obectve dar Partcle Swarm Algorthms dan pernah dgunakan dalam permasalahan yang dbatas (Kennedy and Elerhart, 1999). 81
18 NSGA-II dan SPEA2 banyak dgunakan dan salng bersang antar satu sama lannya d dalam memberkan kualtas hasl yang dhaslkan pada doman yang berbeda. Non-domnated Sortng Genetc Algorthm II (NSGA-II) merupakan multobectve evolutonary algorthms. Vers yang pertama adalah NSGA (Deb.et al., 2000) yang banyak menerma krtkan karena sama sepert algortma genetka yang lan yang memlk non-domnated shortng and sharng, yatu memlk komplekstas dalam perhtungannya. Untuk tulah, maka dkembangkan lag NSGA-II dengan perhtungannya yang lebh sedkt dbandngkan dengan NSGA (Deb,2001). NSGA-II uga melakukan pengembangan dalam hal eltst dan menggunakan parameter yang lebh sedkt. NSGA-II lebh popular dan banyak dterapkan pada berbaga masalah dalam area peneltan. Dalam stud yang dlakukan oleh Ztzler (1999) terbukt elas bahwa eltsm dapat membantu pencapaan pemusatan solus terbak d dalam MOEAs (Mult-obectve Evolutonary Algorthms). Berdasarkan peneltan yang dlakukan oleh Vergds et al. (2007), secara keseluruhan tampak bahwa NSGA-II memberkan kepuasan dalam pareto-optmal solutons melalu lma test desan berdasarkan evaluas raso sukses. Karena hal d atas, maka penuls memutuskan untuk berfokus pada algortma NSGA-II (Non Domnated Sortng n Genetc Algorthm II) saa dalam peneltan n A Fast non-domnated sortng dar NSGA-II Dalam rangka pengurutan populas yang berukuran N menurut tngkatan nondomnaton, setap solus harus dbandngkan dengan setap solus yang lan dalam populas untuk menemukan solus mana yang d domnas. Hal n akan memerlukan perbandngan O (mn) untuk setap solus, dmana m adalah umlah fungs tuuan dan N adalah ukuran populas. Ketka proses n d lanutkan untuk menemukan ndvdundvdu mana yang pertama kal yang mendomnas dalam populas awal, maka total komplekstas yang dbutuhkan adalah O (mn 2 ). Pada tahapan n akan dperoleh semua ndvdu yang mendomnas pada front yang pertama. Dalam rangka memperoleh ndvdu-ndvdu yang lan pada front yang berkutnya, solus pada front yang pertama akan dabakan untuk sementara dan prosedur d atas akan dulang. Pada keadaan yang 82
19 terburuk sekal pun, dalam rangka memperoleh front yang kedua uga akan memerlukan komputas O (mn 2 ). Prosedur n akan dulang untuk memperoleh frontfront yang berkutnya Representas Kromosom Gen merupakan bagan dar kromosom. Satu gen dsn akan mewakl satu varabel. Gen drepresentaskan dalam bentuk strng bt yang akan dgunakan dalam mplementas pada operator genetka. Representas kromosom bertuuan untuk mendekodekan sebuah kromosom yang bers blangan bner menad ndvdu x yang menyatakan aktvtas tersebut kut berpartspas atau tdak yang dmana blangan bner 0 menyatakan aktvtas tersebut tdak kut berpartspas dan 1 menyatakan aktvtas tersebut kut berpartspas. Kromosom adalah sebuah matrks berukuran 1 x umlah gen atau basanya dsebut vektor bars. Keluaran dar fungs n adalah sebuah ndvdu yang menyatakan alternatf aktvtas mana saa yang kut berpartspas dalam set aktvtas proses bsns. Berkut n akan durakan sebuah contoh untuk memperelas pemodelan representas d atas. Representas kromosom pada tabel 3.1 memlk art bahwa aktvtas 1 dengan alternatf 1 tdak kut berpartspas dalam set aktvtas proses bsns, sedangkan aktvtas 1 dengan alternatf 2 kut berpartspas dalam set aktvtas proses bsns. Tabel 3.1 Contoh Representas Kromosom Aktvtas 1 Aktvtas 2 Aktvtas 3 Alt 1 Alt 2 Alt 1 Alt 2 Alt 1 Alt
20 Insalsas Populas Ukuran populas tergantung pada masalah yang akan dpecahkan dan ens operator genetka yang akan dmplementaskan. Setelah ukuran populas dtentukan, kemudan harus dlakukan nsalsas terhadap kromosom yang terdapat pada populas tersebut. Insalsas kromosom dlakukan secara acak, namun demkan harus tetap memperhatkan doman solus dan kendala permasalahan yang ada. Tuuan dar fungs n adalah membangktkan sebuah populas yang bers seumlah kromosom. Setap kromosom bers seumlah gen. Masukkan untuk fungs n adalah umlah kromosom dan umlah gen, sedangkan keluaran dar fungs n adalah varabel populas yang berupa matrks dua dmens berukuran ukuran populas x umlah gen yang bernla bner (0 dan 1). Proses pembangktan kromosom dlakukan gen per gen, dengan cara melhat konds blangan acak yang dbangktkan secara acak. Populas dbangktkan berdasarkan pada range dan pembatas masalah ka ada. Dar gambar model IDEF3 (Integrated Defnton Methodology), maka kta akan men-generate segala kemungknan populas yang berasal dar set aktvtas bsns dalam proses bsns yang mungkn secara random. Insalsas populas n akan dreperesentaskan dalam bentuk matrk yang drepresentaskan dalam bentuk strng bt. Insalsas populas n perlu sebaga suatu set aktvtas awal dalam melakukan proses eltsm, crossover dan mutas. Tuuan dar fungs n adalah membangktkan sebuah populas yang bers seumlah kromosom. Setap kromosom bers seumlah gen. Masukkan untuk fungs n adalah umlah kromosom dan umlah gen Non-Domnated Sort Sepert yang delaskan bahwa dalam permasalahan mult-obectve optmzaton solus terbak dtentukan oleh domnance. Menurut Deb, (2001) bahwa non-domnated soluton set adalah merupakan suatu set solus, yang merupakan solus yang tdak ddomnas oleh solus manapun dar kumpulan anggota solus yang ada. Pareto- Optmal set adalah kumpulan solus yang tdak dkuasa (Non-domnated soluton set) d antara doman solus keputusan yang mungkn secara keseluruhan. Sedangkan batas 84
21 yang dgambarkan dengan kumpulan semua ttk-ttk yang dpetakan dar Pareto- Optmal set dsebut Pareto-Optmal Front. Sasaran dar mult-obectve optmzaton (MOOP) adalah menemukan suatu set solus yang sedekat mungkn dengan Pareto Optmal Front dan menemukan set solus yang berbeda sebsa mungkn Pertama-tama, untuk setap solus, kta menghtung dua enttas yatu () n, yang merupakan umlah solus yang mendomnas solus, dan () S yang merupakan set solus yang mendomnas. Perhtungan dar kedua enttas n memerlukan perbandngan O (mn 2 ). Untuk pertama kalnya, kta akan mengdentfkaskan semua pont sama dengan 0 yatu n, = 0 dan masukkan solus-solus yang mendomnas tersebut dalam F 1 (dsebut current front). Setelah tu untuk setap solus pada current front, kta telt setap ndvdu () dalam set S dengan mengurang nla n, dengan nla 1. Ketka nla ndvdu menad sama dengan nol, maka kta akan memasukkan dalam lst yang terpsah yatu H. Setelah semua ndvdu pada current front telah dperksa, maka kta akan mengumumkan semua anggota ndvdu yang termasuk dalam lst F 1 sebaga anggota dalam front yang pertama. Kemudan proses akan dlanutkan dengan menggunakan dentfkas baru front H sebaga current front sebaga front berkutnya. Setap teras membutuhkan komputas O (N), dan proses n akan berlanut sampa semua front telah ddentfkaskan. Oleh karena tu palng banyak front yang terad adalah sebanyak N. Pada kasus terburuk sekalpun komplekstas dar loop n adalah O (N 2 ). Secara keseluruhan, komplekstas dar algortma n adalah O (mn 2 ) + O (N 2 ) atau O (mn 2 ). Pada algortma NSGA-II, komputas telah berkurang menad O (mn 2 ) dar O (mn 3 ). Prosedur fast non-domnated sortng dtunukkan pada populas P untuk mendapatkan lst solus yang mendomnas pada front F dtunukkan pada tabel 3.2 berkut n : 85
22 Tabel 3.2 Prosedur dar Fast-nondomnated-sort (P) For each p Є P For each q Є P If (p p q) then S p = S p {q} else f (q p p) then n p = n p + 1 f n p = 0 then F 1 = F 1 {p} = 1 Whle F Ø H = Ø For each p Є F I For each q Є S p n q = n q - 1 = + 1 F = H f n q = 0 then ka p mendomnas q maka masukkan q d dalam S p ka p ddomnas oleh q maka tambahkan n p ka tdak ada solus yeng mendomnas p maka p merupakan anggota pada front pertama Untuk setap anggota p d dalam F Ubah setap anggota dar kumpulan S p lakukan pengurangan n q H = H {q} Jka n q =0, q merupakan anggota dar H front sekarang dbentuk dar semua anggota dar H Estmas Kepadatan Solus Untuk mendapatkan estmas dar kepadatan solus d sekellng ttk tertentu d dalam populas, maka dgunakan rata-rata arak (dstance) dar kedua ttk yang berada dsebelahnya. Banyaknya dstance menyakan estmas ukuran kotak terbesar yang memasukkan ttk tanpa melbatkan ttk-ttk lan d dalam populas tu. (arak n dsebut crowdng dstance). Pada gambar 3.4 d bawah n, crowdng dstance dar solus ke- dalam front-nya adalah arak rata-rata ss dar kotak (gars yang membentuk kotak). Algortma untuk menghtung crowdng dstance dtunukkan pada tabel 3.4 d bawah n. 86
23 Gambar 3.5 Perhtungan Crowdng dstance Tabel 3.3 Prosedur dar perhtungan Crowdng-dstance Perhtungan Crowdng-dstance (I) l= I Jumlah solus d dalam I Untuk setap, I [] dstance = 0 nsalsas arak Untuk setap fungs tuuan m I = sort (I, m) durutkan menggunakan nla pada setap fungs tuuan I[1] dstance = I [l] dstance = sehngga setap batasan selalu dplh for = 2 to (l - 1) untuk semua nla pon I[] dstance = I[] dstance + (I[+1]. m - I[-1]. m) Dmana I[].m adalah nla ndvdu ke- dalam set I dar nla fungs tuuan yang ke-m. Komplekstas dar prosedur n datur berdasarkan algortma pengurutan terlebh dahulu. Pada keadaan yang terburuk, pengurutan n akan membutuhkan perhtungan O(mN log N) Crowded comparson Operator Tournament Based Selecton adalah salah satu cara memlh kromosom nduk dar populas awal. Metode n akan langsung memlh k nduk kromosom dengan nla ftness yang palng bak, d mana k lebh kecl dar ukuran populas. Pada metode seleks dengan turnamen n, akan dtetapkan suatu nla tour untuk ndvdu-ndvdu yang dplh secara random dar suatu populas. Indvdu-ndvdu yang terbak dalam 87
24 kelompok n akan dseleks sebaga nduk. Parameter yang dgunakan pada metode n adalah ukuran tour yang bernla 2 sampa N (umlah ndvdu dalam suatu populas). Gambar 3.6 Seleks Turnamen Crowded comparson Operator ( n ) akan menuntun pada proses seleks pada berbaga tngkatan dar algortma dengan mengarahkan penyebaran yang unform dar pareto-optmal front. Setelah setap ndvdu d dalam populas memlk dua atrbut, yatu Non-domnaton rank ( rank ) dan local crowdng dstance ( dstance ), maka crowded comparson Operator dlakukan ka : n f ( rank < rank ) or (( rank = rank ) and ( dstance > dstance )) Apabla dua solus memlk nla rank non-domnaton yang berbeda, maka akan dplh nla rank yang lebh kecl. Sebalknya, ka kedua ttk berada pada front yang sama, maka nla crowdng dstance yang akan terplh. 88
25 Crossover dengan menggunakan One-pont crossover. Crossover (penylangan) dlakukan terhadap 2 kromosom nduk (parents) yang dplh berdasarkan bnary tournament selecton untuk menghaslkan kromosom anak (offsprng). Kromosom anak yang terbentuk akan mewars sebagan sfat kromosom nduknya (parents). Pada penylangan satu ttk, poss penylangan k (k=1,2,,w) dengan W adalah panang kromosom (umlah gen) dseleks secara random. Agar penentuan ttk crossover dapat dlakukan secara random dan tdak merusak kromosom yang merepresentaskan partspas alternatf untuk aktvtas dalam desan proses bsns, maka perlu ddefnskan umlah alternatf untuk setap aktvtas (tc ). Contoh : Jumlah alternatf untuk aktvtas 1 = 2 Jumlah alternatf untuk aktvtas 2 = 2 Jumlah alternatf untuk aktvtas 3 = 2 Jumlah alternatf untuk aktvtas 4 = 2 Maka perlu dhtung kumulatf tc [ ], kemudan angka tersebut akan dacak untuk menentukan poss penylangan yang akan dplh msalkan poss penylangan yang terplh adalah 4, maka varabel-varabel dtukar antar kromosom pada ttk tersebut untuk menghaslkan keturunan (Chld) sepert yang dtunukkan pada gambar 3.7 d bawah n : nduk anak Gambar 3.7 Contoh One-pont crossover Pada crossover terdapat satu parameter yang sangat pentng yatu probabltas crossover (p c ). Probabltas crossover (p c ) akan mengendalkan operator crossover. 89
26 Semakn besar p c, maka semakn cepat strng baru dperkenalkan ke dalam populas. Jka nla p c, yang dberkan terlalu besar, strng yang merupakan kanddat solus terbak mungkn dapat hlang lebh cepat dar seleks. Pada modfkas NSGA-II, probabltas crossover yang dgunakan dalam peneltan n adalah 0.8 (Fresch and Repetto, 2005), berart bahwa dharapkan terdapat 80 kromosom dar 100 kromosom (0.8 x 100) yang ada pada populas tersebut akan mengalam crossover Mutas Mutas yang dgunakan pada modfkas algortma NSGA-II n adalah mutas bner, yang pada dasarnya akan mengubah secara acak nla suatu bt pada poss tertentu dengan menggant bt 1 dengan 0, atau menggant bt 0 menad 1. Pada mutas n sangat dmungknkan munculnya kromosom baru yang semula belum muncul dalam populas awal Pada aktvtas 3 terkena mutas pada gen 5 dan 6 (alternatf dar aktvtas 3), dperoleh Gambar 3.8 Contoh Mutas Bner Pada mutas n terdapat satu parameter yang sangat pentng yatu peluang mutas (pm). Peluang mutas menunukkan presentas umlah total gen pada populas yang akan mengalam mutas. Peluang mutas mengendalkan banyaknya gen baru yang akan dmunculkan untuk devaluas. Jka peluang mutas terlalu kecl, banyak gen yang mungkn berguna tdak pernah devaluas. Akan tetap bla peluang mutas terlalu besar, maka akan terlalu banyak gangguan acak, sehngga anak (offsprng) akan kehlangan kemrpan dar nduknya (parents). Mutas n berperan untuk menggantkan gen yang hlang dar populas akbat proses seleks yang memungknkan munculnya kembal nla gen yang tdak muncul pada nsalsas populas. Untuk melakukan mutas, terlebh dahulu kta harus menghtung umlah total gen pada populas tersebut. Kemudan bangktkan blangan random yang akan menentukan poss mana yang akan mengalam 90
27 mutas (gen ke berapa pada kromosom ke berapa). Pada modfkas NSGA-II, probabltas mutas yang dgunakan adalah 0.2 (Fresch and Repetto, 2005), berart bahwa dharapkan terdapat (0.2 x 100 (umlah populas N)) 20 gen yang akan mengalam mutas pada setap generasnya Man Loop Modfkas Algortma NSGA-II Pertama-tama, dbangktkan secara acak populas nduk Po. Populas tu kemudan durutkan berdasarkan yang non-domnaton (ddomnas). Setap solus dhtung nla ftness-nya menurut level non-domnaton dmana 1 merupakan level yang terbak. Bnary tournament selecton, Rekombnas, dan Mutas dgunakan untuk mencptakan populas keturunan Qo dar umlah N. Pada generas berkutnya, terdapat prosedur dmana terdapat eltsm untuk t 1 dan untuk generas yang berkutnya dtunukkan sebaga berkut : Tabel 3.4 Man Loop Algortma NSGA-II R t = P t Q t Menggabungkan populas nduk dan anak F = fast-nondomnated-sort (R t ) F = (F 1, F 2,..), Semua fronts yang mendomnas dar R t. Untl P t + 1 < N Sampa populas nduk dpenuh Crowdng-dstance-assgnment (F ) Htung crowdng dstance d dalam F P t+1 = P t+1 F Tambahkan front mendomnas ke- dalam populas nduk Sort (P t+1, n ) Urutkan secara menurun menggunakan n P t+1 = P t+1 [0 : N] Plh elemen 1 dar P t+1 Q t+1 =make-new-pop (P t+1 ) Gunakan seleks, crossover dan mutas untuk membentuk populas baru Q t+1 Pertama, kombnas populas dar R t = P t Q t dlakukan, sehngga populas R t akan menad dua kal lpat yatu 2N. Kemudan populas R t durutkan berdasarkan nondomnaton. Populas nduk yang baru P t+1 dbentuk dengan menambahkan solus-solus dar front pertama sampa umlahnya melebh N. Sesudah tu, solus-solus yang berada pada front yang terakhr akan durutkan nla crowdng dstance-nya ( n ) dan ttk pertama dar N dplh. Hal n menunukkan bagamana kta membentuk populas P t+1 dar umlah N yang ada. Populas dar umlah N kemudan dgunakan dalam seleks, 91
28 crossover, dan mutas untuk mencptakan populas baru Q t+1 dar umlah N. Hal pentng yang harus dketahu adalah kta menggunakan bnary tournament selecton, akan tetap krtera pemlhannya d dasarkan pada kedalaman crowded comparson Operator ( n ). Sepert yang kta lhat bahwa secara keseluruhan komplekstas dar algortma NSGA-II adalah O (mn 2 ). Keanekaragaman d antara solus yang non-domnated dperlhatkan dengan menggunakan prosedur crowdng comparson yang mana dgunakan bnary tournament selecton. Secara keseluruhan algortma NSGA-II dtunukkan pada flowchart berkut n. 92
29 Start Intalze Populaton P N = 100 Generate random populaton Evaluate Obectve Functon Assgn Rank (level) Based on Pareto domnace and Crowdng dstance - sort For = 1 to generaton Gen = 250 Select Parents Wth Bnary Tournament Selecton (pool sze, tour sze) Generate Chld Populaton rand < pc (0.8) No Bnary Mutaton Yes One Pont Crossover Evaluate Obectve Functon Chld Populaton Yes Intermedate Populaton (Chromosome) Assgn Rank (level) Based on Pareto domnace and Crowdng dstance - sort Replace Chromosome New Populaton Gen < Max gen? No The Best Indvdual End Gambar 3.9 Prosedur Modfkas Algortma NSGA-II 93
30 Gambar 3.10 Flow dagram yang menunukkan cara bekeranya Modfkas Algortma NSGA-II Pada gambar 3.7 d atas, P t adalah populas nduk (parents) dan Q t merupakan populas anak (offsprng) pada generas t. F 1 adalah solus terbak dar kombnas populaspopulas (parents dan offsprng). F 2 adalah solus terbak yang kedua dan seterusnya Parameter yang dgunakan Parameter yang dgunakan dalam Algortma NSGA-II adalah sebaga berkut (Fresch and Repetto, 2005) : Populaton sze = 100 Generaton = 250 Mutaton probablty = 0.2 Crossover probablty = Perbedaan Orgnal Algortma NSGA-II dengan Modfkas Algortma NSGA-II Orgnal algortma NSGA-II (Non Domnated Sortng n Genetc Algorthm II) basanya dgunakan dalam permasalahan yang tdak memlk kendala, sedangkan modfkas algortma NSGA-II dapat dgunakan pada kasus bag perbakan desan 94
31 proses bsns yang memlk seumlah alternatf aktvtas. Sepert yang kta ketahu bahwa dalam peneltan n adalah mencar set urutan alternatf aktvtas yang terbak dalam desan proses bsns sesua dengan varabel dan krtera tuuan yang ngn dcapa, sehngga populas yang d-generate memlk kendala. Varabel yang dgunakan dalam contoh numerk pada peneltan n adalah actvtes dan startng tmes. Untuk tu maka dperlukan perubahan dalam orgnal NSGA-II dalam men-generate populas, seleks dan mutas, sehngga perlu adanya modfkas algortma NSGA-II. Untuk selanutnya, algortma yang akan dkembangkan dalam peneltan n akan dsebut modfkas algortma NSGA-II. Adapun perbedaan prosedurnya adalah pada saat melakukan nsalsas populas, crossover dan mutas sepert dtunukkan pada gambar 3.7 d berkut n. Insalsas populas pada orgnal NSGA-II dlakukan secara acak, sedangkan pada modfkas algortma NSGA-II dlakukan sesua dengan varabel yang dtentukan seak awal pada saat pengembangan model yatu actvtes dan startng tmes yang dgunakan pada peneltan n. Untuk menghaslkan keturunan yang lebh bak pada setap generas, maka perlu dlakukan proses crossover dan mutas. Crossover pada orgnal NSGA-II dlakukan dengan menggunakan cara smulated bnary crossover yang dtunukkan pada persamaan 2.9 sampa persamaan 2.14, sedangkan pada modfkas algortma NSGA-II dlakukan dengan menggunakan one-pont crossover. Mutas pada orgnal NSGA-II dlakukan dengan menggunakan cara polynomal mutaton yang dtunukkan pada persamaan 2.15 sampa persamaan 2.17, sedangkan pada modfkas algortma NSGA-II dlakukan dengan menggunakan bnary mutaton. 95
32 Gambar 3.11 Perbedaan Orgnal NSGA-II dengan Modfkas Algortma NSGA-II 96
IV. PERANCANGAN DAN IMPLEMENTASI SISTEM
IV. PERANCANGAN DAN IMPLEMENTASI SISTEM Perancangan Sstem Sstem yang akan dkembangkan adalah berupa sstem yang dapat membantu keputusan pemodal untuk menentukan portofolo saham yang dperdagangkan d Bursa
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar belakang
BAB 1 PENDAHULUAN 1.1 Latar belakang Dalam memlh sesuatu, mula yang memlh yang sederhana sampa ke hal yang sangat rumt yang dbutuhkan bukanlah berpkr yang rumt, tetap bagaman berpkr secara sederhana. AHP
Lebih terperinciBab III Analisis Rantai Markov
Bab III Analss Ranta Markov Sstem Markov (atau proses Markov atau ranta Markov) merupakan suatu sstem dengan satu atau beberapa state atau keadaan, dan dapat berpndah dar satu state ke state yang lan pada
Lebih terperinciTinjauan Algoritma Genetika Pada Permasalahan Himpunan Hitting Minimal
157 Vol. 13, No. 2, 157-161, Januar 2017 Tnjauan Algortma Genetka Pada Permasalahan Hmpunan Httng Mnmal Jusmawat Massalesse, Bud Nurwahyu Abstrak Beberapa persoalan menark dapat dformulaskan sebaga permasalahan
Lebih terperinciBAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c
6 A PEMAHASA Pada bab sebelumnya telah dbahas teor-teor yang akan dgunakan untuk menyelesakan masalah program lner parametrk. Pada bab n akan dperlhatkan suatu prosedur yang lengkap untuk menyelesakan
Lebih terperinci3 METODE HEURISTIK UNTUK VRPTW
12 3 METODE HEURISTIK UNTUK VRPTW 3.1 Metode Heurstk Metode heurstk merupakan salah satu metode penentuan solus optmal dar permasalahan optmas kombnatoral. Berbeda dengan solus eksak yang menentukan nla
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Hpotess Peneltan Berkatan dengan manusa masalah d atas maka penuls menyusun hpotess sebaga acuan dalam penulsan hpotess penuls yatu Terdapat hubungan postf antara penddkan
Lebih terperinci(1.1) maka matriks pembayaran tersebut dikatakan mempunyai titik pelana pada (r,s) dan elemen a
Lecture 2: Pure Strategy A. Strategy Optmum Hal pokok yang sesungguhnya menad nt dar teor permanan adalah menentukan solus optmum bag kedua phak yang salng bersang tersebut yang bersesuaan dengan strateg
Lebih terperinciPENGURUTAN DATA. A. Tujuan
PENGURUTAN DATA A. Tuuan Pembahasan dalam bab n adalah mengena pengurutan data pada sekumpulan data. Terdapat beberapa metode untuk melakukan pengurutan data yang secara detl akan dbahas ddalam bab n.
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Dalam pembuatan tugas akhr n, penulsan mendapat referens dar pustaka serta lteratur lan yang berhubungan dengan pokok masalah yang penuls ajukan. Langkah-langkah yang akan
Lebih terperinciBAB VB PERSEPTRON & CONTOH
BAB VB PERSEPTRON & CONTOH Model JST perseptron dtemukan oleh Rosenblatt (1962) dan Mnsky Papert (1969). Model n merupakan model yang memlk aplkas dan pelathan yang lebh bak pada era tersebut. 5B.1 Arstektur
Lebih terperinciBab 1 PENDAHULUAN Latar Belakang
11 Bab 1 PENDAHULUAN 1.1. Latar Belakang Perbankan adalah ndustr yang syarat dengan rsko. Mula dar pengumpulan dana sebaga sumber labltas, hngga penyaluran dana pada aktva produktf. Berbaga kegatan jasa
Lebih terperinciPENGEMBANGAN METODE ALGORITMA GENETIKA DAN DARWINIAN PARTICLE SWARM OPTIMIZATION UNTUK FUNGSI MULTIMODAL
Arad Retno TH, Pengembangan Metode Algortma Gen, Hal 93-0 PENGEMBANGAN METODE ALGORITMA GENETIKA DAN DARWINIAN PARTICLE SWARM OPTIMIZATION UNTUK FUNGSI MULTIMODAL Arad Retno Tr Hayat Abstrak Metode optmas
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Fuzzy Set Pada tahun 1965, Zadeh memodfkas teor hmpunan dmana setap anggotanya memlk derajat keanggotaan yang bernla kontnu antara 0 sampa 1. Hmpunan n dsebut dengan hmpunaan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Penjadwalan Baker (1974) mendefnskan penjadwalan sebaga proses pengalokasan sumber-sumber dalam jangka waktu tertentu untuk melakukan sejumlah pekerjaan. Menurut Morton dan
Lebih terperinciBAB II TINJAUAN PUSTAKA
7 II TINJUN PUSTK 2.1 Manaemen Proyek 2.1.1 Pengertan Manaemen Proyek Sebelum mengemukakan apa art dar Manaemen Proyek, terlebh dahulu akan mengetahu art dar Manaemen dan Proyek tu. Menurut Hamng dan Nurnaamuddn
Lebih terperinciANALISIS DATA KATEGORIK (STK351)
Suplemen Respons Pertemuan ANALISIS DATA KATEGORIK (STK351) 7 Departemen Statstka FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referens Waktu Korelas Perngkat (Rank Correlaton) Bag. 1 Koefsen Korelas Perngkat
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi
Daftar Is Daftar Is... Kata pengantar... BAB I...1 PENDAHULUAN...1 1.1 Latar Belakang...1 1.2 Rumusan Masalah...2 1.3 Tujuan...2 BAB II...3 TINJAUAN TEORITIS...3 2.1 Landasan Teor...4 BAB III...5 PEMBAHASAN...5
Lebih terperinciBAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Pada peneltan n, penuls memlh lokas d SMA Neger 1 Bolyohuto khususnya pada sswa kelas X, karena penuls menganggap bahwa lokas
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 ENDAHULUAN 1.1 Latar Belakang Secara umum dapat dkatakan bahwa mengambl atau membuat keputusan berart memlh satu dantara sekan banyak alternatf. erumusan berbaga alternatf sesua dengan yang sedang
Lebih terperinciCatatan Kuliah 12 Memahami dan Menganalisa Optimisasi dengan Kendala Ketidaksamaan
Catatan Kulah Memaham dan Menganalsa Optmsas dengan Kendala Ketdaksamaan. Non Lnear Programmng Msalkan dhadapkan pada lustras berkut n : () Ma U = U ( ) :,,..., n st p B.: ; =,,..., n () Mn : C = pk K
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2 Masalah Transportas Jong Jek Sang (20) menelaskan bahwa masalah transportas merupakan masalah yang serng dhadap dalam pendstrbusan barang Msalkan ada m buah gudang (sumber) yang
Lebih terperinciDidownload dari ririez.blog.uns.ac.id BAB I PENDAHULUAN
BAB I PENDAHULUAN Sebuah jarngan terdr dar sekelompok node yang dhubungkan oleh busur atau cabang. Suatu jens arus tertentu berkatan dengan setap busur. Notas standart untuk menggambarkan sebuah jarngan
Lebih terperinciBAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pertumbuhan dan kestablan ekonom, adalah dua syarat pentng bag kemakmuran dan kesejahteraan suatu bangsa. Dengan pertumbuhan yang cukup, negara dapat melanjutkan pembangunan
Lebih terperinciPENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING
Meda Informatka, Vol. 2, No. 2, Desember 2004, 57-64 ISSN: 0854-4743 PENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING Sr Kusumadew Jurusan Teknk Informatka, Fakultas
Lebih terperinciI PENDAHULUAN II LANDASAN TEORI
I PENDAHULUAN Latar elakang Sekolah merupakan salah satu bagan pentng dalam penddkan Oleh karena tu sekolah harus memperhatkan bagan-bagan yang ada d dalamnya Salah satu bagan pentng yang tdak dapat dpsahkan
Lebih terperinciBAB III METODE PENELITIAN. Sebelum dilakukan penelitian, langkah pertama yang harus dilakukan oleh
BAB III METODE PENELITIAN 3.1 Desan Peneltan Sebelum dlakukan peneltan, langkah pertama yang harus dlakukan oleh penelt adalah menentukan terlebh dahulu metode apa yang akan dgunakan dalam peneltan. Desan
Lebih terperinciBAB 4 METODOLOGI PENELITIAN DAN ANALISIS
28 BAB 4 METODOLOGI PENELITIAN DAN ANALISIS 4.1 Kerangka Pemkran dan Hpotess Dalam proses peneltan n, akan duj beberapa varabel software yang telah dsebutkan pada bab sebelumnya. Sesua dengan tahapan-tahapan
Lebih terperinciBAB IV PEMBAHASAN MODEL
BAB IV PEMBAHASAN MODEL Pada bab IV n akan dlakukan pembuatan model dengan melakukan analss perhtungan untuk permasalahan proses pengadaan model persedaan mult tem dengan baya produks cekung dan jont setup
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakang Dalam kehdupan sehar-har, serngkal dumpa hubungan antara suatu varabel dengan satu atau lebh varabel lan. D dalam bdang pertanan sebaga contoh, doss dan ens pupuk yang dberkan
Lebih terperinciBAB III METODE PENELITIAN. Metode penelitian yang digunakan dalam penelitian ini adalah metode
BAB III METODE PENELITIAN Desan Peneltan Metode peneltan yang dgunakan dalam peneltan n adalah metode deskrptf analts dengan jens pendekatan stud kasus yatu dengan melhat fenomena permasalahan yang ada
Lebih terperinciPROPOSAL SKRIPSI JUDUL:
PROPOSAL SKRIPSI JUDUL: 1.1. Latar Belakang Masalah SDM kn makn berperan besar bag kesuksesan suatu organsas. Banyak organsas menyadar bahwa unsur manusa dalam suatu organsas dapat memberkan keunggulan
Lebih terperinciBab 2 Tinjauan Pustaka 2.1 Penelitian Terdahulu
Bab 2 Tnjauan Pustaka 2.1 Peneltan Terdahulu Pemlhan stud pustaka tentang sstem nformas penlaan knerja karyawan n juga ddasar pada peneltan sebelumnya yang berjudul Penerapan Metode TOPSIS untuk Pemberan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PEDAHULUA. Latar Belakang Rsko ddentfkaskan dengan ketdakpastan. Dalam mengambl keputusan nvestas para nvestor mengharapkan hasl yang maksmal dengan rsko tertentu atau hasl tertentu dengan rsko yang
Lebih terperinciKata kunci : daya, bahan bakar, optimasi, ekonomis. pembangkitan yang maksimal dengan biaya pengoperasian unit pembangkit yang minimal.
Makalah Semnar Tugas Akhr MENGOPTIMALKAN PEMBAGIAN BEBAN PADA UNIT PEMBANGKIT PLTGU TAMBAK LOROK DENGAN METODE LAGRANGE MULTIPLIER Oleh : Marno Sswanto, LF 303 514 Abstrak Pertumbuhan ndustr pada suatu
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini merupakan penelitian yang bertujuan untuk mendeskripsikan
BAB III METODE PENELITIAN A. Jens Peneltan Peneltan n merupakan peneltan yang bertujuan untuk mendeskrpskan langkah-langkah pengembangan perangkat pembelajaran matematka berbass teor varas berupa Rencana
Lebih terperinciPENERAPAN PROGRAM LINIER KABUR DALAM ANALISIS SENSITIVITAS PROGRAM LINIER
Penerapan Program Lner Kabur dalam Analss.. Elfranto PENERAPAN PROGRAM LINIER KABUR DALAM ANALISIS SENSITIVITAS PROGRAM LINIER Elfranto Dosen Unverstas Muhammadyah Sumatera Utara Abstrak: Salah satu kaan
Lebih terperinciBAB III METODOLOGI PENELITIAN. Jenis penelitian yang digunakan adalah penelitian pengembangan yang
BAB III METODOLOGI PENELITIAN A. Jens Peneltan Jens peneltan yang dgunakan adalah peneltan pengembangan yang bertujuan membuat suatu produk dan duj kelayakannya. B. Metode Pengembangan Peneltan n menggunakan
Lebih terperinciBAB II TEORI ALIRAN DAYA
BAB II TEORI ALIRAN DAYA 2.1 UMUM Perhtungan alran daya merupakan suatu alat bantu yang sangat pentng untuk mengetahu konds operas sstem. Perhtungan alran daya pada tegangan, arus dan faktor daya d berbaga
Lebih terperinciPreferensi untuk alternatif A i diberikan
Bahan Kulah : Topk Khusus Metode Weghted Product (WP) menggunakan perkalan untuk menghubungkan ratng atrbut, dmana ratng setap atrbut harus dpangkatkan dulu dengan bobot atrbut yang bersangkutan. Proses
Lebih terperinciTINJAUAN PUSTAKA. Node. Edge. Gambar 1 Directed Acyclic Graph
TINJAUAN PUSTAKA Bayesan Networks BNs dapat memberkan nformas yang sederhana dan padat mengena nformas peluang. Berdasarkan komponennya BNs terdr dar Bayesan Structure (Bs) dan Bayesan Parameter (Bp) (Cooper
Lebih terperinciBAB III HIPOTESIS DAN METODOLOGI PENELITIAN
BAB III HIPOTESIS DAN METODOLOGI PENELITIAN III.1 Hpotess Berdasarkan kerangka pemkran sebelumnya, maka dapat drumuskan hpotess sebaga berkut : H1 : ada beda sgnfkan antara sebelum dan setelah penerbtan
Lebih terperinciBab V Aliran Daya Optimal
Bab V Alran Daya Optmal Permasalahan alran daya optmal (Optmal Power Flow/OPF) telah menjad bahan pembcaraan sejak dperkenalkan pertama kal oleh Carpenter pada tahun 196. Karena mater pembahasan tentang
Lebih terperinciBAB 2 KAJIAN PUSTAKA
BAB 2 KAJIAN PUSTAKA 2.1 Negosas Negosas dapat dkategorkan dengan banyak cara, yatu berdasarkan sesuatu yang dnegosaskan, karakter dar orang yang melakukan negosas, protokol negosas, karakterstk dar nformas,
Lebih terperinciBAB II DASAR TEORI. 2.1 Definisi Game Theory
BAB II DASAR TEORI Perkembangan zaman telah membuat hubungan manusa semakn kompleks. Interaks antar kelompok-kelompok yang mempunya kepentngan berbeda kemudan melahrkan konflk untuk mempertahankan kepentngan
Lebih terperinciBAB 2 LANDASAN TEORI. Universitas Sumatera Utara
BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang
Lebih terperinciBAB 4 PERHITUNGAN NUMERIK
Mata kulah KOMPUTASI ELEKTRO BAB PERHITUNGAN NUMERIK. Kesalahan error Pada Penelesaan Numerk Penelesaan secara numers dar suatu persamaan matemats kadang-kadang hana memberkan nla perkraan ang mendekat
Lebih terperinciBAB I PENDAHULUAN I-1
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kendaraan bermotor merupakan alat yang palng dbutuhkan sebaga meda transportas. Kendaraan dbag menjad dua macam, yatu kendaraan umum dan prbad. Kendaraan umum
Lebih terperinciBAB 2 LANDASAN TEORI
2 LNDSN TEORI 2. Teor engamblan Keputusan Menurut Supranto 99 keputusan adalah hasl pemecahan masalah yang dhadapnya dengan tegas. Suatu keputusan merupakan jawaban yang past terhadap suatu pertanyaan.
Lebih terperinciBAB III METODE PENELITIAN. sebuah fenomena atau suatu kejadian yang diteliti. Ciri-ciri metode deskriptif menurut Surakhmad W (1998:140) adalah
BAB III METODE PENELITIAN 3.1 Metode Peneltan Metode yang dgunakan dalam peneltan n adalah metode deskrptf. Peneltan deskrptf merupakan peneltan yang dlakukan untuk menggambarkan sebuah fenomena atau suatu
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Bab n membahas tentang prosedur pengembangan pembelajaran dan mplementas model Problem Based Learnng dalam pembelajaran Konsep Dasar Matematka, Subjek Peneltan, Teknk dan Instrumen
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN. Latar Belakang Matematka sebaga bahasa smbol yang bersfat unversal memegang peranan pentng dalam perkembangan suatu teknolog. Matematka sangat erat hubungannya dengan kehdupan nyata.
Lebih terperinciOptimasi Fungsi Keanggotaan Fuzzy
Optmas Fungs Keanggotaan Fuzzy Tsukamoto Dua Tahap Menggunakan Algortma Genetka Pada Pemlhan Calon Penerma Beasswa dan BBP-PPA (Stud Kasus: PTIIK Unverstas Brawjaya Malang) Bunga Amela Restuputr 1, Wayan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Pengertan Regres Regres pertama kal dgunakan sebaga konsep statstka oleh Sr Francs Galton (18 1911).Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang selanjutnya
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen yang telah dilaksanakan di SMA
III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n merupakan stud ekspermen yang telah dlaksanakan d SMA Neger 3 Bandar Lampung. Peneltan n dlaksanakan pada semester genap tahun ajaran 2012/2013.
Lebih terperinciUKURAN S A S MPE P L P of o. D r D. r H. H Al A ma m s a d s i d Sy S a y h a z h a, SE S. E, M P E ai a l i : l as a y s a y h a
UKURAN SAMPEL Prof. Dr. H. Almasd Syahza, SE., MP Emal: asyahza@yahoo.co.d Webste: http://almasd. almasd.staff. staff.unr.ac.d Penelt Senor Unverstas Rau Penentuan Sampel Peneltan lmah hampr selalu hanya
Lebih terperinciBAB III METODOLOGI PENELITIAN. Metode yang digunakan dalam penelitian ini adalah metode eksperimen
3 BAB III METODOLOGI PENELITIAN A. Metode dan Desan Peneltan Metode yang dgunakan dalam peneltan n adalah metode ekspermen karena sesua dengan tujuan peneltan yatu melhat hubungan antara varabelvarabel
Lebih terperinciOPTIMASI MASALAH PENUGASAN. Siti Maslihah
JPM IIN ntasar Vol. 01 No. 2 Januar Jun 2014, h. 95-106 OPTIMSI MSLH PNUGSN St Maslhah bstrak Pemrograman lner merupakan salah satu lmu matematka terapan yang bertuuan untuk mencar nla optmum dar suatu
Lebih terperinciBAB III METODE PENELITIAN. pembelajaran berupa RPP dan LKS dengan pendekatan berbasis masalah ini
BAB III METODE PENELITIAN A. Desan Peneltan Metode peneltan yang dgunakan dalam pengembangan perangkat pembelajaran berupa RPP dan LKS dengan pendekatan berbass masalah n adalah metode pengembangan atau
Lebih terperinciBAB III METODE KOMPRESI DAN DEKOMPRESI. untuk setiap B X. fraktal. Penjelasan dimulai dengan pengenalan Multiple Reduction Copy
BAB III METODE KOMPRESI DAN DEKOMPRESI Kompres ctra fraktal memodelkan ctra sebaga lmt dar suatu proses teras. Jka dberkan suatu ctra A X, metode n akan mencar suatu proses W sedemkan sehngga ttk tetap
Lebih terperinciBab III Analisis dan Rancangan Sistem Kompresi Kalimat
Bab III Analss dan Rancangan Sstem Kompres Kalmat Bab n bers penjelasan dan analss terhadap sstem kompres kalmat yang dkembangkan d dalam tess n. Peneltan n menggunakan pendekatan statstcal translaton
Lebih terperinciBAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE
BAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE 6B.1 Pelathan ADALINE Model ADALINE (Adaptve Lnear Neuron) dtemukan oleh Wdrow & Hoff (1960) Arstekturnya mrp dengan perseptron Perbedaan
Lebih terperinciBAB III METODE PENELITIAN. SMK Negeri I Gorontalo. Penetapan lokasi tersebut berdasarkan pada
3 BAB III METODE PENELITIAN 3.1 Tempat Dan Waktu Peneltan 3.1.1 Tempat Peneltan Peneltan yang dlakukan oleh penelt berlokas d Kelas Ak 6, SMK Neger I Gorontalo. Penetapan lokas tersebut berdasarkan pada
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Al-Azhar 3 Bandar Lampung yang terletak di
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Al-Azhar 3 Bandar Lampung yang terletak d Jl. Gn. Tanggamus Raya Way Halm, kota Bandar Lampung. Populas dalam peneltan n adalah
Lebih terperinciBAB I PENDAHULUAN. Perkembangan matematika tidak hanya dalam tataran teoritis tetapi juga pada
BAB I PENDAHULUAN.. Latar Belakang Masalah Perkembangan matematka tdak hanya dalam tataran teorts tetap juga pada bdang aplkatf. Salah satu bdang lmu yang dkembangkan untuk tataran aplkatf dalam statstka
Lebih terperinciBAB X RUANG HASIL KALI DALAM
BAB X RUANG HASIL KALI DALAM 0. Hasl Kal Dalam Defns. Hasl kal dalam adalah fungs yang mengatkan setap pasangan vektor d ruang vektor V (msalkan pasangan u dan v, dnotaskan dengan u, v ) dengan blangan
Lebih terperinciRANGKAIAN SERI. 1. Pendahuluan
. Pendahuluan ANGKAIAN SEI Dua elemen dkatakan terhubung ser jka : a. Kedua elemen hanya mempunya satu termnal bersama. b. Ttk bersama antara elemen tdak terhubung ke elemen yang lan. Pada Gambar resstor
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilakukan di MTs Negeri 2 Bandar Lampung dengan populasi siswa
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlakukan d MTs Neger Bandar Lampung dengan populas sswa kelas VII yang terdr dar 0 kelas yatu kelas unggulan, unggulan, dan kelas A sampa dengan
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, 59-70, Agustus 2003, ISSN :
JURNA MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, 59-70, Agustus 2003, ISSN : 1410-8518 MASAAH RUTE TERPENDEK PADA JARINGAN JAAN MENGGUNAKAN AMPU AU-INTAS Stud Kasus: Rute Peralanan Ngesrep Smpang ma Eko Bud
Lebih terperinci2.1 Sistem Makroskopik dan Sistem Mikroskopik Fisika statistik berangkat dari pengamatan sebuah sistem mikroskopik, yakni sistem yang sangat kecil
.1 Sstem Makroskopk dan Sstem Mkroskopk Fska statstk berangkat dar pengamatan sebuah sstem mkroskopk, yakn sstem yang sangat kecl (ukurannya sangat kecl ukuran Angstrom, tdak dapat dukur secara langsung)
Lebih terperinciPembayaran harapan yang berkaitan dengan strategi murni pemain P 2. Pembayaran Harapan bagi Pemain P1
Lecture : Mxed Strategy: Graphcal Method A. Metode Campuran dengan Metode Grafk Metode grafk dapat dgunakan untuk menyelesakan kasus permanan dengan matrks pembayaran berukuran n atau n. B. Matrks berukuran
Lebih terperinciBAB III METODE PENELITIAN. menghasilkan Lembar Kegiatan Siswa (LKS) pada materi Geometri dengan
BAB III METODE PENELITIAN A. Jens Peneltan Peneltan n merupakan peneltan pengembangan yang bertujuan untuk menghaslkan Lembar Kegatan Sswa (LKS) pada mater Geometr dengan pendekatan pembelajaran berbass
Lebih terperinciBAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER
BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER 5.1 Pembelajaran Dengan Fuzzy Program Lner. Salah satu model program lnear klask, adalah : Maksmumkan : T f ( x) = c x Dengan batasan : Ax b x 0 n m mxn Dengan
Lebih terperinciBAB III METODE PENELITIAN. hasil penelitian. Walaupun penelitian ini merupakan penelitian kuasi eksperimen,
BAB III METODE PENELITIAN A. Metode dan Desan Peneltan Metode peneltan n adalah quas ekspermen karena terdapat unsur manpulas, yatu mengubah keadaan basa secara sstemats ke keadaan tertentu serta tetap
Lebih terperinciBab IV Pemodelan dan Perhitungan Sumberdaya Batubara
Bab IV Pemodelan dan Perhtungan Sumberdaa Batubara IV1 Pemodelan Endapan Batubara Pemodelan endapan batubara merupakan tahapan kegatan dalam evaluas sumberdaa batubara ang bertuuan menggambarkan atau menatakan
Lebih terperinciPendahuluan. 0 Dengan kata lain jika fungsi tersebut diplotkan, grafik yang dihasilkan akan mendekati pasanganpasangan
Pendahuluan 0 Data-data ang bersfat dskrt dapat dbuat contnuum melalu proses curve-fttng. 0 Curve-fttng merupakan proses data-smoothng, akn proses pendekatan terhadap kecenderungan data-data dalam bentuk
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 13 Bandar Lampung. Populasi dalam
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Neger 3 Bandar Lampung. Populas dalam peneltan n yatu seluruh sswa kelas VIII SMP Neger 3 Bandar Lampung Tahun Pelajaran 0/03 yang
Lebih terperinciPEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS)
PEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS) Wrayant ), Ad Setawan ), Bambang Susanto ) ) Mahasswa Program Stud Matematka FSM UKSW Jl. Dponegoro 5-6 Salatga,
Lebih terperinciAPLIKASI FUZZY LINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PRODUKSI LAMPU (Studi Kasus di PT. Sinar Terang Abadi )
APLIKASI FUZZY LINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PRODUKSI LAMPU (Stud Kasus d PT. Snar Terang Abad ) Bagus Suryo Ad Utomo 1203 109 001 Dosen Pembmbng: Drs. I Gst Ngr Ra Usadha, M.S Jurusan Matematka
Lebih terperinciSEARAH (DC) Rangkaian Arus Searah (DC) 7
ANGKAAN AUS SEAAH (DC). Arus Searah (DC) Pada rangkaan DC hanya melbatkan arus dan tegangan searah, yatu arus dan tegangan yang tdak berubah terhadap waktu. Elemen pada rangkaan DC melput: ) batera ) hambatan
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Satelah melakukan peneltan, penelt melakukan stud lapangan untuk memperoleh data nla post test dar hasl tes setelah dkena perlakuan.
Lebih terperinciP n e j n a j d a u d a u l a a l n a n O pt p im i a m l a l P e P m e b m a b n a g n k g i k t Oleh Z r u iman
OTIMISASI enjadualan Optmal embangkt Oleh : Zurman Anthony, ST. MT Optmas pengrman daya lstrk Dmaksudkan untuk memperkecl jumlah keseluruhan baya operas dengan memperhtungkan rug-rug daya nyata pada saluran
Lebih terperinciBAB II METODOLOGI PENELITIAN. Jenis penelitian yang digunakan dalam penelitian ini adalah penelitian. variable independen dengan variabel dependen.
BAB II METODOLOGI PENELITIAN A. Bentuk Peneltan Jens peneltan yang dgunakan dalam peneltan n adalah peneltan deskrptf dengan analsa kuanttatf, dengan maksud untuk mencar pengaruh antara varable ndependen
Lebih terperinciEFISIENSI DAN AKURASI GABUNGAN METODE FUNGSI WALSH DAN MULTIGRID UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL FREDHOLM LINEAR
EFISIENSI DAN AKURASI GABUNGAN METODE FUNGSI WALSH DAN MULTIGRID UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL FREDHOLM LINEAR Masduk Jurusan Penddkan Matematka FKIP UMS Abstrak. Penyelesaan persamaan ntegral
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMA Negeri I Tibawa pada semester genap
5 BAB III METODOLOGI PENELITIAN 3. Lokas Dan Waktu Peneltan Peneltan n dlaksanakan d SMA Neger I Tbawa pada semester genap tahun ajaran 0/03. Peneltan n berlangsung selama ± bulan (Me,Jun) mula dar tahap
Lebih terperinciGambar 3.1 Diagram alir penelitian
BAB 3 METODE PENELITIAN 3.1 Dagram Alr Peneltan Materal Amorph Magnetk (Fe 73 Al 5 Ga 2 P 8 C 5 B 4 S 3 ) Ekspermen DfraksNeutron (I vs 2theta) Smulas Insalsas atom secara random Fungs struktur, F(Q) Perhtungan
Lebih terperinciBAB IV PEMBAHASAN HASIL PENELITIAN
BAB IV PEMBAHASAN HASIL PENELITIAN A. Hasl Peneltan Pada peneltan yang telah dlakukan penelt selama 3 mnggu, maka hasl belajar matematka pada mater pokok pecahan d kelas V MI I anatussbyan Mangkang Kulon
Lebih terperinciMANAJEMEN LOGISTIK & SUPPLY CHAIN MANAGEMENT KULIAH 3: MERANCANG JARINGAN SUPPLY CHAIN
MANAJEMEN LOGISTIK & SUPPLY CHAIN MANAGEMENT KULIAH 3: MERANCANG JARINGAN SUPPLY CHAIN By: Rn Halla Nasuton, ST, MT MERANCANG JARINGAN SC Perancangan jarngan SC merupakan satu kegatan pentng yang harus
Lebih terperinciJurnal Ilmiah Widya Teknik Volume 16 Nomor ISSN
Jurnal Ilmah Wdya Teknk Volume 16 Nomor 1 2017 ISSN 1412-7350 PEMODELAN MATEMATIKA UNTUK PERANCANGAN PRODUK LEMARI KABINET Rcky Yulanton Prhandaa, Dan Retno Sar Dew * Jurusan Teknk Industr, Fakultas Teknk,
Lebih terperinciIV. UKURAN SIMPANGAN, DISPERSI & VARIASI
IV. UKURAN SIMPANGAN, DISPERSI & VARIASI Pendahuluan o Ukuran dspers atau ukuran varas, yang menggambarkan derajat bagamana berpencarnya data kuanttatf, dntaranya: rentang, rentang antar kuartl, smpangan
Lebih terperinciBAB.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas
9 BAB.3 METODOLOGI PENELITIN 3. Lokas dan Waktu Peneltan Peneltan n d laksanakan d Sekolah Menengah Pertama (SMP) N. Gorontalo pada kelas VIII. Waktu peneltan dlaksanakan pada semester ganjl, tahun ajaran
Lebih terperinciBAB 4 METODOLOGI PENELITIAN. data, dan teknik analisis data. Kerangka pemikiran hipotesis membahas hipotesis
BAB 4 METODOLOGI PENELITIAN Pada bab n akan durakan kerangka pemkran hpotess, teknk pengumpulan data, dan teknk analss data. Kerangka pemkran hpotess membahas hpotess pengujan pada peneltan, teknk pengumpulan
Lebih terperinciBAB III METODE PENELITIAN. problems. Cresswell (2012: 533) beranggapan bahwa dengan
BAB III METODE PENELITIAN A. Jens Peneltan Jens peneltan n adalah peneltan kombnas atau mxed methods. Cresswell (2012: 533) A mxed methods research desgn s a procedure for collectng, analyzng and mxng
Lebih terperinciBAB III METODE PENELITIAN. Jenis penelitian yang akan digunakan dalam penelitian ini adalah
BAB III METODE PENELITIAN A. Jens Peneltan Jens peneltan yang akan dgunakan dalam peneltan n adalah peneltan pengembangan (Research and Development). Peneltan Research and Development (R&D) n merupakan
Lebih terperinciBAB I PENDAHULUAN. konsep strategi yang cocok untuk menghadapi persaingan baik itu mengikuti marketing
BAB I PENDAHULUAN 1.1 Latar Belakang Konds persangan dalam berbaga bdang ndustr saat n dapat dkatakan sudah sedemkan ketatnya. Persangan dalam merebut pasar, adanya novas produk, mencptakan kepuasan pelanggan
Lebih terperinciBAB III METODOLOGI PENELITIAN. bulan November 2011 dan direncanakan selesai pada bulan Mei 2012.
BAB III METODOLOGI PENELITIAN 1.1. Tempat dan waktu Peneltan Peneltan dlakukan pada Perusahaan Daerah Ar Mnum Kabupaten Gorontalo yang beralamat d jalan Gunung Bolyohuto No. 390 Kelurahan Bolhuangga Kecamatan
Lebih terperinciIMAGE CLUSTER BERDASARKAN WARNA UNTUK IDENTIFIKASI KEMATANGAN BUAH TOMAT DENGAN METODE VALLEY TRACING
IMAGE CLUSTER BERDASARKAN WARNA UNTUK IDENTIFIKASI KEMATANGAN BUAH TOMAT DENGAN METODE VALLEY TRACING M. Helmy Noor 1, Moh. Harad 2 Program Pasasarjana, Jurusan Teknk Elektro, Program Stud Jarngan Cerdas
Lebih terperinciBAB 1 PENDAHULUAN. dependen (y) untuk n pengamatan berpasangan i i i. x : variabel prediktor; f x ) ). Bentuk kurva regresi f( x i
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan analss statstk yang dgunakan untuk memodelkan hubungan antara varabel ndependen (x) dengan varabel ( x, y ) n dependen (y) untuk n pengamatan
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SD Al-Azhar 1 Wayhalim Bandar Lampung. Populasi
3 III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SD Al-Azhar Wayhalm Bandar Lampung. Populas dalam peneltan n adalah seluruh sswa kelas V yang terdr dar 5 kelas yatu V A, V B, V
Lebih terperinci