Penerapan Algoritma Genetika untuk Optimasi Vehicle Routing Problem with Time Window (VRPTW) Studi Kasus Air Minum Kemasan
|
|
- Dewi Cahyadi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Penerapan Algoritma Genetika untuk Optimasi Vehicle Routing Problem with Time Window (VRPTW) Studi Kasus Air Minum Kemasan Dita Sundarnigsih 1, Wayan Firdaus Mahmudy, Sutrisno Teknik Informatika, Program Teknologi Informasi dan Ilmu Komputer, Universitas Brawijaya 1 ditasundarningsih@gmail.com ABSTRAK Salah satu permasalahannya dalam bidang optimasi yaitu penentuan rute distribusi air minum kemasan. Air merupakan salah satu kebutuhan pokok bagi manuasia, sehingga banyak sekali permintaan untuk pemasokan air minum kemasan. Penentuan rute terpendek sangat penting karena pengiriman barang harus dilakukan dengan singkat dan tepat waktu dengan memaksimalkan penggunaan alat transportasi untuk mengurangi biaya transportasi. Vehicle Routing Problem (VRP) cenderung menyelsaikan permasalahan dengan meminimalkan biaya yang direpresentasikan oleh total jarak tempuh dan jumlah kendaraan yang digunakan. Oleh karena itu untuk menyelsaikan masalah lebih tepat menggunkan (Vehicle Routing Problem With Time Window) VRPTW, dengan tujuan menentukan optimasi rute yang dipengaruhi dengan Time window. Time window yang merupakan waktu pelayanan khusus yang disediakan oleh pelanggan. Algoritma Genetika merupakan salah satu algoritma yang dapat diterapkan untuk menyelesaikan Optimasi Distribusi Air Minum Kemasan dengan mendapatkan rute terbaik. Pencarian Solusi dilakukan dengan mengkombinasikan kromosom kemudian diproses dengan operator genetika (crossover, mutasi dan seleksi) dengan menginisialisasi parameter genetika (Ukuran Populasi, probabilitas crossover, probabilitas mutasi dan jumlah generasi). Dari hasil pengujian diperoleh hasil terbaik dengan nilai fitness tertinggi pada ukuran populasi 100, jumlah generasi 2500 nilai probabilitasi crossover 0,3 dan probabilitas mutasi 0,7. Kata Kunci: Algoritma genetika, optimasi rute, distibusi, VRPTW, time window. ABSTRACK One of the problems in the optimization is is determination distribution of bottled water. Water is one of the basic needs for humans, so a lot of demand for the supply of bottled water from customer. Determination of the shortest route is very important for the delivery of goods to be done with a short and timely to maximize the use of means of transport to reduce transport costs. Vehicle Routing Problem (VRP) tend to solve problem by minimizing the cost of which represented by total mileage and the number of vehicles used. Therefore, to solve the problem more precisely using the Vehicle Routing Problem With Time Windows (VRPTW), with the aim of determining the route optimization that is affected by the Time window. Time window which is a special service that is provided by the customer. Genetic Algorithm is one of the algorithms that can be applied to complete the Drinking Water Distribution Optimization Packaging to get the best route. Search for Solutions will done by combining the chromosomes then processed by the genetic operators (crossover, mutation and selection) to initialize the genetic parameters (population size, crossover probability, mutation probability and the number of generations). From the test results obtained the best results with the highest fitness value in population size of 100, the number of generations 2500 probabilitasi crossover value of 0.3 and mutation probability 0.7. Keywords: Genetic Algorithm, Optimation route, distibution, VRPTW, time window. I. PENDAHULUAN 1.1 Latar belakang Air minum merupakan salah satu kebutuhan pokok bagi manusia, sehingga banyak permintaan dari pelanggan untuk pemasokan air minum kemasan. Adanya permintaaan yang cukup banyak dari pelanggan yang tersebar diberbagai titik mengakibatkan terjadi beberapa kendala dalam distribusi Air Minum Keamasan. Kendala distribusi yang dipengaruhi oleh beberapa factor yaitu jarak masing-masing pelanggan dan waktu tempuh kendaraan. Kendala ini bisa dikatakan sebagai permasalahan Vehicle Routing Problem (VRP) [15]. Selain adanya kenadala waktu tempuh dan jarak terdapat kendalalain yang bisa mempengaruhi optimas penentuan rute yaitu waktu ketersediaan pelanggan, kapan pelanggan tersebut dapat dilayani. Waktu yang dimiliki oleh masingmasing pelanggan tersebut disebut dengan time window.penentuan rute kendaraan yang dipengaruhi oleh, jarak, waktu tempuh serta time window dapat dikatan sebagai permasalahan Vehicle Routing Problem with Time Window (VRPTW) [15]. Original Article Sundarningsih, D, Mahmudy, WF & Sutrisno 2015, 'Penerapan algoritma genetika untuk optimasi vehicle routing problem with time window (VRPTW) : Studi kasus air minum kemasan ', DORO: Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya, vol. 5, no. 9.
2 Dengan andanya beberapa kendala dalam distribusi sehingga untuk saat ini distribusi Air Minum Kemasan belum dilakukan secara maksimal. Oleh karena itu dibuatlah system untuk optimasi penentuan rute distribusi air minum kemasan. Penelitian VRP telah dilakukan sejak akhir tahun 50-an setelah Dantzig dan Ramser memberi penjelasan bahwa masalah tersebut merupakan generalisasi dari Traveling Salesman Problem (TSP) [15]. Pada penelitian Telah terdapat banyak penelitian mengenai pencarian rute transportasi optimal dengan kendala time window dengan menerapkan algoritma genetika. Salah satunya seperti Travelling Salesman Problem dengan kendala time window [12]. Algoritma Genetika karena Algoritma Genetika dapat diguankan untuk menyelesaikan masalah Optimasi yang kompleks untuk mencari rute paling optimum dengan memeperhatikan Jarak tempuh, kepadatan lalu lintas, arah dan lain-lain. Sehingga dengan menggunakan Algoritma Genetika diharapkan dapat meningkatan Pelayanan kepada Pelanggan. 1.2 Rumusan Masalah Berdasarkan latar belakang diatas, maka dapat dirumuskan masalah yang dijadikan objek penelitian untuk skripsi ini adalah sebagai berikut: 1. Bagaimana menerapkan algoritma genetika untuk pencarian rute optimal pada Distribusi Air Minum Dalam Kemasan dengan kendala time window? 2. Bagaimana hasil nilai fitness yang bisa dihasilkan dari Seleksi Elitis dan Roulette wheel? 3. Bagaimana pengaruh parameter genetika probabilitas crossover dan probabilitas mutasi terhadap hasil optimasi Distribusi Air Minum Kemasan? 4. Bagaimana pengaruh penerapan parameter genetika untuk jumlah populasi dan jumlah generasi terhadap hasil optimasi Distribusi Air Minum Kemasan? 1.3 Batasan Masalah Batas Masalah Penelitian ini adalah berikut: 1. Jumlah kendaraan yang digunakan telah ditentukan oleh pihak Distrubusi beserta kapasitas barang yang bisa ditampung oleh masing-masing kendaraan. 2. Kendaraan yang digunakan selalu tersedia dan dapat digunakan 3. Kendaraan berangkat setiap rentang satu jam setelah kendaraan pertama berangkat. 4. Pengantaran barang hanya dilakukan pada satu waktu, menggunakan one day service 5. Setiap pelanggan dikunjungi pada tiap time window masing-masing 6. Kedatangan sebelum time window dikenakan waktu tunggu 7. Kedatangan setelah time window dikenakan waktu penalty dan tidak dilayani 1.4 Tujuan Penelitian 1. Membantu pihak disribusi Air Minum Kemasan dalam hal mengambil keputusan dan menentukan rute yang optimal untuk mengantarkan barang (Air Minum Kemasan) kepada setiap pelanggan 2. Untuk menerapkan algoritma genetika dalam masalah rute optimal menggunakan Vehicle Routing Problem dengan kendala time window pada Distribusi Air Minum Kemasan. 3. Mengetahui dan mengukur pengaruh operator genetika yang terdiri dari probabilitas crossover, probabilitas mutasi dan jumlah serta jumlah generasi terhadap hasil optimasi rute Distribusi Air Minum Kemasan. 2 TINJAUAN PUSTAKA 2.1 Air Minum Kemasan Air minum kemasan merupakan air yang diproses dengan standart tertentu sehingga menghasilkan kualitas air yang lebih terstandar dari waktu ke waktu. Dalam proses memiliki syarat dan pengawasan yang jauh lebih ketat. Air minum kemasan ini setelah diolah dan melalui berbagai pengujian selanjutnya dikemas dalam botol yang kemudian dipasarkan ke berbagai pelanggan. Dewasa ini jumlah permintaan air minum kemasan di berbagai daerah terus meningkat, karena dengan menggunakan air minum kemasan lebih praktis dan mudah. 2.2 Vehicle Routing Problem Vehicle Routing Problem (VRP) didefinisikan sebagai masalah untuk menentukan rute optimal kendaraan untuk pendistribusian barang atau jasa ke pelanggan dengan lokasi yang berbeda guna memenuhi permintaan yang telah diketahui, dari satu tempat distribusi atau lebih yang memenuhi beberapa kendala [14]. VRP memiliki tujuan meminimumkan biaya yang direpresentasikan oleh total jarak tenpuh kendaraan-kendaraan yang digunakan untuk melayanai semua pelanggan. 2.3 Vehicle Routing Problem With Time Window Pada penelitian sebelumnya,[6] membahas mengenai permasalahan VRP dengan time window pada masing-masing pelanggan merupakan masalah menentukan rute dalam kendaraan dengan bobot kapasitas kendaraan yang diangkut dari distribusi. VRPTW merupakan masalah penentuan penentuan rute kendaraan dengan biaya minimum untuk melayani seluruh pelanggan dan memenuhi kendala kapasitas kendaraan dengan time windows pada masing-masing pelanggan dan distribusi. 2.4 Algoritma Genetika Algoritma genetika berawal dari himpunan solusi yang dihasilkan secara acak, dari himpunan acak tersebut dihasilkan sebuah populasi. Didalam populasi
3 terdapat Individu yang disebut dengan chromosome, chromosome merupakan representasi dari solusi tersebut. chromosome tersebut berevolusi dalam proses Iterasi yang berkelanjutan, sehingga dihasilkan generasi. Setiap generasi, chromosome akan dievaluasi berdasarkan suatu fungsi evaluasi [4]. Setelah dihasilkan beberapa generasi maka algoritma genetika akan konvergen pada chromosome terbaik yang merupakan solusi optimal [5]. Sebelum algoritma ini diterapkan, harus mengetahui masalah apa yang harus dioptimalkan. Masalah tersebut harus dinyatakan dalam sebuah fungsi tujuan terlebih dahulu, yang disebut dengan fungsi fitness. Jika nilai yang didapatkan semakin besar, maka solusi yang dihasilkan semakin baik. Meskipun awalnya semua nilai fitness yang dihasilkan kemungkinan sangat kecil, hal ini bisa terjadi karena algoritma genetika menghasilkan nilai secara random, namun sebagian nilai fitness tersebut lebih tinggi dari nilai yang lain Adapun ciri-ciri bahwa suatu permasalah dapat diselesaikan dengan menggunakan algoritma genetika adalah [2]: Memiliki fungsi tujuan optimasi non linear dengan banyak kendala yang juga dalam bentuk non linier. Mempunyai kemungkinan solusi yang jumlahnya tak terhingga. Membutuhkan solusi real time dalam arti solusi tersebut bisa didapatkan dengan cepat sehingga dapat diimplementasikan untuk permasalahan yang mempunyai perubahan yang cepat. Mempunyai multi-objective dan multi-criteria, sehinggga diperlukan solusi yang dapat diterima oleh semua pihak. Berikut ini merupakan bentuk dari algoritma genetika : 1. [Mulai] Membangun opulasi awal secara random sebnayak n chromosome (sesuai dengan permasalahannya) 2. [Fitness] Evaluasi setiap fitness f(x) dari setiap chromosome x pada populasi 3. [Populasi baru] membuat populasi baru hingga didapatan populas baru yang lengkap dengan melakukan langkah-langkah berikut [10]. 1. [Seleksi] Pilih dua chromosome induk dari populasi berdasarkan fitnessnya (semakin besar fitnessnya semakin besar kemungkinan untuk dipilih sebagai induk) 2. [Crossover] Sesuai dengan besarnya kemungkinan crossover, induk yang dipilih disilangkan untuk membentuk anak. Jika tidak ada crossover, maka anak merupakan salinan dari induknya. 3. [Mutasi] sesuai dengan besarnya kemungkinan mutasi, anak akan dimutasi pada setiap posisi pada chromosome 4. [Penerimaan] Penempatan anak baru pada populasi baru. 4. [Ganti] Menggunakan populasi yang baru dibentuk untuk proses algoritma selanjutnya 5. [Tes] jika kondisi akhir terpenuhi, berhenti, dan hasilnya merupaka solusi terbaik dari populasi saat itu. 6. [Ulangi] kembali ke nomer Nilai Fitness Fitness merupakan fungsi yang dimiliki oleh masingmasing individu untuk menentukan tingkat kesesuaian individu tersebut dengan kriteria yang ingin dicapai [7] Nilai fitness ini yang akan dijadikan acuan untuk mendapatkan nilai optimal dalam Algoritma Genetika [2]. Dalam Evolusi natural individu dengan nilai fitness tinggi akan bertahan hidup, sedangkan untuk individu yang mempunyai nilai fitness rendah akan mati.persamaan yang digunakan untuk menghitung nilai fitness adalah sebagai berikut: = ( ) Dimana : = ( ) + ( ) (2.2) Dengan keterangan: - adalah jarak tempuh dari titik i ke titik j. - P merupakan Penalty apabila customer dilayani diluar jadwal 2.6 Evaluasi Evaluasi digunakan untuk menghitung nilai fitness pada setiap chromosome. Semakin besar nilai fitness tersebut maka semakin baik chromosome untuk dijadikan kandidat solusi [8]. Fitness adalah nilai yang menunjukkan tingkat kesesuaian individu terhadap kriteria yang ingin dicapai. Untuk menghitung nilai fitness menggunakan persamaan 2.1. untuk waktu tempuh dihitung berdasarkan persamaan 2.3. = Keterangan : 1. = jarak titik I ke titik j. 2. = 3. = waktu tempuh dari titik I ke titik j 2.7 Operator Genetika Operator genetika digunakan untuk mengkombinasi (modifikasi) individu dalam aliran populasi untuk mencetak individu pada generasi berikutnya Crossover Crossover merupakan operator AG yang mengkombinasikan dua parent untuk menghasilkan chromosome keturunan. proses kombinasi ini disebut Original Article Sundarningsih, D, Mahmudy, WF & Sutrisno 2015, 'Penerapan algoritma genetika untuk optimasi vehicle routing problem with time window (VRPTW) : Studi kasus air minum kemasan ', DORO: Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya, vol. 5, no. 9.
4 juga dengan proses persilangan. Proses Crossover dilakukan dengan menukarkan nilai gen dari dua parent secara acak. Peluang terjadinya proses crossover pada chromosome parent dalam proses crossover berdasarkan suatu probabilitas yang disebut dengan probabilitas crossover (Pc). Secara umum, mekanisme crossover adalah sebagai berikut: 1. Memilih dua buah Chromosome yang berperan sebagai induk 2. Memilih secara acak posisi dalam chromosome, biasa disebut dengan titik crossover, sehingga masing-masing chromosome induk terpecah menjadi dua segmen. 3. Melakukan pertukaran antar segmen chromosome induk untuk menghasilkan chromosome anak. Contoh proses crossover ditunjukkan pada gambar berikut: Parent Parent Mapping Protochild Child Child Gambar 1. Proses Crossover PMX Crossover yang digunakan untuk penelitian ini yaitu Crossover Partial-Mapped (PMX), yang secara acak memilih satu titik potong dan menukarkan bagian kanan dari setiap induk untuk menghasilkan offspring (anak) Mutasi Setelah mengalami proses crossover, pada offspring dapat dilakukan mutasi. Mutasi dilakukan dengan cara melakukan perubahan pada satu gen atau lebih dari individu. Namun tidak semua keturunan dari crossover mengalami mutasi. Banyaknya parent yang mengalam mutasi akan bergantung pada probabiitas mutasi ( ) yang ditentukan. Mutasi berfungsi untuk menggantikan gen yang hilang dari populasi selama seleksi serta menyediakan gen yang tidak ada dalam populasi awal. Sehingga mutasi akan meningkatkan variasi populasi Pada penelitian ini untuk proses mutasi menggunakan repicrocal exchange mutation dengan memilih dua posisi secara random, dengan memilih dua titik acak kemudian menukar nilai gen pada dua titik tersebut. Contoh Mutasi yang dilakukan pada tugas akhir ini dapat dilihat pada Gambar 2. Parent Child Gambar 2. Proses Exchange Mutasi 2.8 Seleksi Seleksi merupakan pemilihan Individu terbaik yang akan dijadikan parent untuk generasi selanjutnya [11]. Tujuannya dilakukan proses seleksi untuk memperoleh solusi terbaik dalam memperoleh individu dengan sifat paling bagus, sehingga perlu dilakukan Seleksi populasi baru dan Reproduksi. Populasi baru tersebut merupakan kandidat solusi yang dipilih pada akhir setiap generasi, yang kemudian dijadikan sebagai populasi generasi berikutnya. Beberapa metode yang digunakan untuk memilih individu yang akan dijadikan parent pada proses seleksi adalah roulette wheel selection, binary tournament dan elitism. Pada tugas akhir ini metode seleksi yang digunakan adalah metode Elitism dan metode roullete wheel Seleksi Elitis Seleksi Elitis merupakan Seleksi yang dilakukan dengan mengambil nilai Fitness tertinggi suatu Individu [14]. Individu yang terpilih tersebut akan dijadikan kandidat sebagai Individu-individu yang akan menjadi generasi selanjutnya. Proses Seleksi Elitis dilakukan secara acak sehingga tidak ada jaminan bahwa Suatu individu yang bernilai fitness tertinggi akan selalu terpilih Seleksi Roulette wheel Seleksi roullete wheel menirukan permainan roulette wheel (roda roullete wheel) dimana masing-masing chromosome menepati potongan lingkaran pada roda roulette wheel secara proposional secara proposional sesuai dengan nilai fitnessnya. Chromosome dengan nilai fitness tinggi akan menepati potongan lingkaran yang lebih besar dibandingkan dengan nilai fitness yang lebih kecil. Berikut adalah tahap-tahap seleksi roulette wheel: o Menghitung niai fitness untuk setiap chromosom o Menghitung total nilai fitness pada populasi o Menghitung nilai probabilitas seleksi pada setiap chromosome o Hitung probabilitas kumulatif untuk setiap chromosome Contoh Seleksi Roulette wheel dapat dilihat pada gambar 3. 20% 30% 40% 10%
5 yaitu fungsi Representasi chromosome, crossover, mutasi, dan menghitung nilai fitness.proses perancangannya ditunjukkan pada gambar 4. Gambar 3. Seleksi Roulette wheel 3. METODOLOGI DAN PERANCANGAN SISTEM Pada bab ini dibahas mengenai metode yang digunakan dalam pembuatan Sistem pencarian rute distribusi air minum kemasan dengan Algoritma genetika menggunakan VRPTW. Tahap-tahapnya adalah seperti pada Gambar 4 berikut: Gambar 5 Proses Algoritma genetika Gambar 4 Tahap Pembuatan system 3.1 Data Penelitian Data yang digunakan untuk penelitian ini merupakan data yang diambil secara random untuk data jarak tempuh. Data mengenai pelanggan (jumlah permintahan dan waktu pelayanan) diambil dari beberapa sample toko yang ada dilapangan. Data yang diambil merupakan data sample toko untuk permintaan dalam satu hari. Data dan jumlah kapasitas angkut kendaraan yang dimiliki oleh distributor ditentukan sebelum melakukan penelitian. 4. IMPLEMENTASI Implementasi antar muka pada Optimasi penentuan rute Air Minum Kemasan Vehicle Routing Problem with Time Window (VRPTW) dengan algoritma genetika terdiri dari dua halaman utama yang terdiri dari halaman input dan hasil dari proses perhitungan algoritma genetika. Halaman pertama berfungsi untuk menjalankan proses Algoritma genetika dengan menginputkan beberapa parameter Algoritam genetika. Pada halaman utama ini juga telah ditunjukkan hasil dari proses algoritma genetika yaitu hasil seleksi generasi akhir, hasil Chromosome terbaik. Gambar 5 merupakan Implementasi antar muka 3.2 Perancangan Sistem Proses Optimasi Distribusi Air Minum Kemasan dengan menggunakan Algoritma genetika. Proses yang akan dibahas dalam algoritma genetika terdiri dari beberapa fungsi Gambar 6. Tampilan Halaman Menu Utama Original Article Sundarningsih, D, Mahmudy, WF & Sutrisno 2015, 'Penerapan algoritma genetika untuk optimasi vehicle routing problem with time window (VRPTW) : Studi kasus air minum kemasan ', DORO: Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya, vol. 5, no. 9.
6 Pada halaman kedua menampilkan hasil perhitungan manual dari masing-masing chromosome, menampilkan detail waktu layanan, jarak tempuh dan penalty. Gambar 6 merupakan implementasi user interface hasil perhitungan manual algoritma genetika. Gambar 7. Tampilan Halaman Perhitungan Manual 5. PENGUJIAN DAN ANALISA Untuk mengevaluasi program dilakukan beberapa uji coba antara lain: 1. Uji coba untuk menentukan perbandingan Metode seleksi Elitis dan Roulette wheel 2. Uji Coba untuk menentukan ukuran populasi yang optimal untuk proses algoritma genetika untuk optimasi distribusi air minum kemasan. 3. Uji coba untuk menentukan banyaknya generasi yang optimal untuk proses algoritma genetika optimasi distribusi air minum kemasan. 4. Uji coba untuk mencari kombinas probabilitas mutasi dan probabilitas crossover yang terbaik untuk menyelsaikan permasalahan optimasi distrbusi air minum kemasan. 5.1 Hasil dan Analisa Uji Coba Perbandingan Metode Seleksi Roulette wheel dan Metode Seleksi Elitis. Uji coba pertama dilakukan pengujian metode seleksi elitis dan metode seleksi roulette wheel terhadap perubahan fitness. Data yang digunakan dalam pengujian ini menggunakan 30 data pelanggan toko. Jumlah populasi yang digunakan sebanyak 30 Individu dan 1000 jumlah generasi yang diapakai. Uji coba dilakukan sebanyak 10 kali percobaan dari masingmasing metode seleksi dengan 40 populasi. Hasil percobaan yang telah dilakukan pada system untuk percobaan metode seleksi elitis dan roulette wheel untuk data 1 dapat dilihat pada Grafik pada Gambar 8. Grafik menunjukkan bahwa dengan dilakukan 10 kali percobaan nilai fitness yang dihasilkan dari metode seleksi Elitis cenderung menghasilkan nilai fitness yang lebih stabil dibandingkan dengan metode seleski roulette wheel. Rata-rata nilai fitness seleksi elitis yang diperoleh adalah jauh lebih besar dari pada seleksi menggunakan metode roulette wheel. Dibandingkan dengan hasil uji coba dengan metode seleksi roulette wheel nilai fitness yang dihasilkan sebesar 0, berada dibawah dari percobaan dengan menggunakan metode seleksi Elitis. Dengan hasil percobaan dari metode seleksi akan diketahui metode seleksi mana yang lebih cocok diguankan untuk masalah VRPTW yaitu dengan menggunakan metode seleksi Elitis. 5.2 Hasil dan Analisa Uji Coba Generasi. Percobaan untuk Ukuran generasi dilakukan dengan pelanggan tetap sebanyak 30 dengan parameter yang sama dengan percobaan seleksi. Banyak Generasi yang digunakan adalah sebanyak kelipatan 500 mulai dari 500 generasi sampai 3500 generasi. Setiap generasi dilakukan 20 kali uji coba dengan populasi sebanyak 40 populasi, probabilitas crossover dan probabilitas mutasi sebesar 0, Nilai Fitness Elitis Roullete wheel Gambar 8. Grafik Hasil Uji Coba perbandingan Metode Elitis dan Metode Roulette wheel
7 Nilai Fitness Jumlah generasi Gambar 9. Grafik Hasil Uji Coba jumlah generasi Dari Grafik Gambar 9 dapat diketahui bahwa jumlah generasi mempengaruhi hasil dari proses algoritma genetika. Nilai paling rendah diperoleh pada generasi 500 karena algoritma genetika belum melakukan proses genetika secara optimal. Akan tetapi pengujian dengan banyak generasi juga belum bisa dikatakan hasilnya akan menjadi optimal. Selain waktu proses yang lebih lama nilai fitness yang dihasilkan juga belum tentu lebih baik dari generasi yang lebih rendah. Dari percobaan dapat dilihat bahwa pada generasi 2500 hasil nilai fitness mengalami kenaikan yang optimal dengan nilai fitness Dan selanjutnya dari generasi 2500 sampai generasi 3500 tidak terjadi peningkatan rata-rata nilai fitness yang signifikan. 5.3 Hasil dan Analisa Uji Coba Ukuran Populasi. Percobaan selanjutnya adalah uji coba banyaknya populasi dengan menggunakan 30 Pelanggan dan waktu ketersediaan, waktu kunjungan yang sama. Untuk banyaknya generasi ini menggunakan 2000 generasi dan nilai Pc dan Pm adalah 0,2, percobaan dilakukan sebanyak 10 kali. Hasil uji coba untuk ukuran Populasi dapat dilihat pada Gambar 10. Grafik mengalami kenaikan yang signifikan untuk nilai rata-rata fitness dengan percobaan yang dilakukan 10 kali, kenaikan terjadi dimulai dari ukuran 20 Populasi hingga 100 Populasi, dengan nilai fitness 0, , namun pada ukuran populasi 100 sampai dengan ukuran populasi 200 sudah tidak terjadi perubahan yang cukup signifikan dan grafik mulai membentuk garis lurus. Pada ukuran populasi 100 merupakan ukuran populasi yang paling optimal untuk permasalahan VRPTW. Semakin tinggi ukuran populasi dapat memengaruhi nilai fitness yang dihasilkan akan tetapi semakin banyak untuk ukuran populasi maka waktu yang dibutuhkan untuk proses algoritma genetika juga semakian besar Nilai Fitness Fitness Original Article 0.08 Sundarningsih, D, Mahmudy, WF 20& Sutrisno , 60 'Penerapan algoritma 120 genetika 140 untuk 160 optimasi 180 vehicle 200 routing problem with time window (VRPTW) : Studi kasus air minum kemasan ', DORO: Populasi Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya, vol. 5, no. 9. Gambar 10. Grafik Hasil Uji coba Ukuran Populasi
8 5.4 Hasil dan Analisa Uji Coba Kombinasi Probabilitas Crossover dan Probabilitas Mutasi. Uji coba dilakukan terhadap pengaruh probabilitas crossover dan probabilitas mutasi terhadap perubahan nilai fitness yang terjadi. Menggunakan 30 data pelanggan dengan waktu ketersediaan yang sama. Pada data tersebut akan dilakukan pengujian probabilitas crossover dan probabilitas mutasi dengan nilai 0-1. Jumlah populasi yang digunakan sebanyak 40 populasi dengan jumlah generasi sebanyak 2000 generasi, metode seleksi yang digunakan adalah metode seleksi elitis. Uji coba dilakukan sebanyak 10 kali percobaan pada setiap kombinasi probabilitas crossover dan probabilitas mutase. Hasil uji coba kombinasi probabilitas crossover dan probabilitas mutasi dapat dilihat pada grafik Gambar 11 menyelesaikan permasalahan vehicle routing problem with time window adalah 0.3:07. Hal ini sesuai dengan penelitian sebelumnya [9] yang menyatakan bahwa tingkat crossover yang terlalu besar (dan mutasi kecil) akan menurunkan kemampuan GA untuk mengeksplorasi daerah pencarian. Pada kondisi sebaliknya (tingkat crossover kecil, mutasi besar) akan menurunkan kemampuan GA untuk belajar dari generasi sebelumnya dan tidak mampu untuk mengeksploitasi daerah optimum local. Perubahan nilai fitness yang terjadi berdasarkan kenaikan probabilitas crossover dan probabilitas mutasi terjadi karena semakin seringnya individu tersebut pengalami proses persilangan sehingga variasi individu baru yang dihasilkan semakin banyak. Apabila nilai probabilitas crossover dan mutase besar maka semakin besar pula peluang individu tersebut mengalami proses crossover dan mutasi akan lebih banyak sehingga akan semakin banyak dihasilkan individu-individu baru yang dihasilkan. Oleh karena itu dapat dikatakan bahwa nilai fitness yang dihasilkan akan lebih bervariasi, sehingga peluang untuk didapatkan individu dengan nilai fitness yang lebih besar juga akan semakin besar juga. Nilai Fitness : : : : : : : : :0.9 Kombinasi PC : PM Gambar 11. Grafik Hasil Uji Coba Kombinasi Probabilitas Crossover dan Probabilitas Mutasi Berdasarkan grafik Gambar 11 rata-rata nilai fitness terbesar terdapat pada kombinasi probabilitas crossover dan probabilitas mutasi 0.3:0.7 dengan nilai ratarata fitness adalah Grafik menunjukkan ratarata nilai fitness semakin ketengah menunjukkan bahwa garis yang terdapat pada grafik semakin memuncak dengan kombinasi probabilitas crossover 0.3 dan probabilitas mutasi 0.7 sebagai puncak tertingginya. Kombinasi probabilitas crossover dan probabilitas mutasi untuk 6. PENUTUP 6.1 Kesimpulan Kesimpulan yang dapat diambil dari penelitian ini adalah: 1. Algoritma genetika dapat diterapkan pada pencarian rute optimal pada disitribusi air minum dengan kendala time window, dengan dilakukan pengujian terhadap hasil data yang telah didapat. Pengujian dilakukan dengan menggunakan
9 operator genetika (PC/PM, jumlah generasi dan jumlah populasi) kemudian dilakukan seleksi sehingga didapatkan nilai fitness terbaik.seleksi dilakukan dengan menggunakan dua metode yang mana dari salah satu seleksi tersebut dipilih Metode yang menghasilkan nilai fitness yang lebih baik. 2. Hasil pengujian terhadap sistem optimasi distribusi air mium menggunakan Algoritma Genetika didapatkan bahwa seleksi dengan metode Elitis menghasilkan nilai fitness jauh lebih baik daripada menggunakan seleksi Roulette wheel dengan rata-rata nilai fitness Untuk penggunaan Parameter genetika kombinasi probabilitas crossover dan probabilitas mutasi hasil kombinasi terbaik dalam penelitian ini terjadi pada kombinasi probabilitas crossover 0,3 dan probabilitas mutasi 0,7 dengan rata-rata nilai fitness 0, Nilai suatu fitness dapat dipengaruhi oleh kenaikan probabilitas crossover dan probabilitas mutasi, karena seringanya individu mengalami proses persilangan sehingga terbentuklah individu yang lebih bervariasi dan nilai fitness yang didapatkan juga lebih bervariasi. 4. Pengaruh parameter genetika untuk penggunaan ukuran generasi dan ukuran populasi dapat mempengaruhi hasil optimal pada penelitian ini. Ukuran populasi optimal adalah sebanyak 100 populasi dengan nilai fitness 0, pada percobaan mulai dari Ukuran populasi 20 sampai 100 ukuran populasi mengalamai perubahan nilai fitness yang cukup signifikan, namun pada ukuran populasi 120 sampai 200 ukuran populasi tidak mengalami kenaikan yang signifikan dan lebih cenderung membentuk garis lurus. untuk pengaruh banyaknya generasi, semakin banyaknya generasi jelas sangat mempengaruhi hasil optimal yang diperoleh, dari hasil nilai fitnessnya dapat dilihat bahwa ukuran generasi sangat berpengaruh semakin besar generasinya maka semakin besar pula nilai fitness yang didapat, akan tetapi semakin besar banyaknya generasi juga belum tentu akan didapatkan hasil yang optimal. 6.2 SARAN Aplikasi ini dapat dikembangkan dengan penambahan faktor yang mempengaruhi pelayanan dan waktu, jarak tempuh perjalanan pada pelanggan dan bisa dikembangkan dengan menggunakan metode dan parameter genetika yang lainnya serta menggunakan data yang dapat mempengaruhi kapasitas dan pelayanan kendaraan. REFERESI [1] Amini, S., Javanshir, H., & Tavakkoli-Moghaddam, R. (2010). A Pso Approach for Solving VRPTW with Rela Case Study. IJRRAS. [2] Basuki, Achmad Strategi Menggunakan Algoritma Genetika. Politeknik Elektronika Negeri Surabaya PENS-ITS. Diakses tanggal 25 Februari 2014 [3] Ciptayani, PI, Mahmudy, WF & Widodo, AW 2009, 'Penerapan algoritma genetika untuk kompresi citra fraktal', Jurnal Ilmu Komputer, vol. 2, no. 1, April, pp [4] Gen, M. dan R. Cheng Genetic Algorithm and Engineering Design. John Wile & Sons, Inc. [5] Goldberg. D.E Genetic Algorithm in Search, Optimiztion, and MachineLearning. Addison-Weasley Publishing Company, Inc. [6] Harmerita Vehicle Routing Problem dengan Time Window pada Customer. [7] Karas, Ismail Rakip and Atila Umit A Genetic Algorithm Approach For Findng The Shortest Driving Time On Mobile Devices. Scientific Research and Essays Vol 6(2), p [8] Mahmudy, Wayan Firdaus Algoritma Evolusi. Universitas Brawijaya. Malang. [9] Mahmudy, WF, Marian, RM & Luong, LHS 'Hybrid genetic algorithms for part type selection and machine loading problems with alternative production plans in flexible manufacturing system'. ECTI Transactions on Computer and Information Technology (ECTI CIT). vol. 8, no. 1, pp [10] Obitko, Marek Genetic Algorithms. Diakses tanggal 4 Maret [11] Setiawan, Kuswara Paradigma Sistem Cerdas. Banyumedia. Surabaya. [12] Saputro, Rio. W Travelling Salesman Problem dengan Kendala Time Window pada Perusahaan Jasa Pengantar Barang Menggunakan Algoritma Genetika. [13] Solomon, M. M., Larsen, J., Kallehauge, B., & Madsen, O.B. (2005). Vehicle Routing Problem with Time Windows. Dalam G. Desaulniers, J. Desroisiers, & M.S.Marius, Column generation. Springer Science + Bussiness [14] Wati, Anastasia Widya Penerapan Algoritma Genetika Dalam Optimasi Model Dan Simulasi Dari Suatu Sistem. Jurnal Keilmuan Tehnik Industri 1: 4. [15] Yeun, L.C., Ismail, R.W., Omar, K, & Zirous, M. (2008). Vehicle Routing Problem : Model and solution Journal of Quality Measurement and Analysis, [16] Yulius, Rina Seleksi Pada Algoritma Genetika.( November 2014] Original Article Sundarningsih, D, Mahmudy, WF & Sutrisno 2015, 'Penerapan algoritma genetika untuk optimasi vehicle routing problem with time window (VRPTW) : Studi kasus air minum kemasan ', DORO: Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya, vol. 5, no. 9.
10 Pernyataan Penulis Naskah ini dikirimkan untuk keperluan repository skripsi mahasiswa di Program Teknologi Informasi dan Ilmu Komputer, Universitas Brawijaya dan tidak melalui proses evaluasi oleh reviewer seperti layaknya naskah jurnal ilmiah.
Penerapan Algoritma Genetika untuk Optimasi Vehicle Routing Problem with Time Window (VRPTW) Studi Kasus Air Minum Kemasan
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 2, Februari 2017, hlm. 100-107 http://j-ptiik.ub.ac.id Penerapan Algoritma Genetika untuk Optimasi Vehicle Routing
Lebih terperinciOPTIMASI VEHICLE ROUTING PROBLEM WITH TIME WINDOWS PADA DISTRIBUSI KATERING MENGGUNAKAN ALGORITMA GENETIKA
Seminar Nasional Sistem Informasi Indonesia, 2-3 November 2015 OPTIMASI VEHICLE ROUTING PROBLEM WITH TIME WINDOWS PADA DISTRIBUSI KATERING MENGGUNAKAN ALGORITMA GENETIKA Dwi Cahya Astriya Nugraha 1), Wayan
Lebih terperinciOPTIMASI VEHICLE ROUTING PROBLEM WITH TIME WINDOW (VRPTW) MENGGUNAKAN ALGORITMA GENETIKA PADA DISTRIBUSI BARANG
OPTIMASI VEHICLE ROUTING PROBLEM WITH TIME WINDOW (VRPTW) MENGGUNAKAN ALGORITMA GENETIKA PADA DISTRIBUSI BARANG Meitasari Winardi Saputri 1, Wayan Fidaus Mahmudy, Dian Eka Ratnawati Teknik Informatika,
Lebih terperinciOptimasi distribusi barang dengan algoritma genetika
Optimasi distribusi barang dengan algoritma genetika Yasmin Ghassani Panharesi 1, Wayan Firdaus Mahmudy 2 Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email : yasminghassani@gmail.com 1,
Lebih terperinciOPTIMASI JADWAL MENGAJAR ASISTEN LABORATORIUM MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI JADWAL MENGAJAR ASISTEN LABORATORIUM MENGGUNAKAN ALGORITMA GENETIKA Indana Zulfa 1, Wayan Firdaus Mahmudy 2, Budi Darma Setiawan 3 Teknik Informatika, Program Teknologi Informasi dan Ilmu Komputer,
Lebih terperinciPenerapan Algoritma Genetika Traveling Salesman Problem with Time Window: Studi Kasus Rute Antar Jemput Laundry
Suprayogi, Penerapan Algoritma Genetika Traveling Salesman Problem with Time Window: Studi Kasus Rute Antar Jemput Laundry 121 Penerapan Algoritma Genetika Traveling Salesman Problem with Time Window:
Lebih terperinciOptimasi Pemilihan Pekerja Bangunan Proyek Pada PT. Citra Anggun Pratama Menggunakan Algoritma Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 2, Februari 2017, hlm. 80-84 http://j-ptiik.ub.ac.id Optimasi Pemilihan Pekerja Bangunan Proyek Pada PT. Citra Anggun
Lebih terperinciPenerapan Algoritma Genetika Untuk Vehicle Routing Problem with Time Window (VRPTW) Pada Kasus Optimasi Distribusi Beras Bersubsidi
Penerapan Algoritma Genetika Untuk Vehicle Routing Problem with Time Window (VRPTW) Pada Kasus Optimasi Distribusi Beras Bersubsidi Farah Bahtera Putri 1, Wayan Fidaus Mahmudy, Dian Eka Ratnawati Teknik
Lebih terperinciOptimasi Multiple Travelling Salesman Problem Pada Pendistribusian Air Minum Menggunakan Algoritme Genetika (Studi Kasus: UD.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 9, Juni 2017, hlm. 849-858 http://j-ptiik.ub.ac.id Optimasi Multiple Travelling Salesman Problem Pada Pendistribusian
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 terperinciOptimasi Penjadwalan Mata Pelajaran Menggunakan Algoritma Genetika (Studi Kasus : SMPN 1 Gondang Mojokerto)
Optimasi Penjadwalan Mata Pelajaran Menggunakan Algoritma Genetika (Studi Kasus : SMPN 1 Gondang Mojokerto) Dianita Dwi Permata Sari 1, Wayan Firdaus Mahmudy 2, Dian Eka Ratnawati 3 Teknik Informatika,
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK PERMASALAHAN OPTIMASI DISTRIBUSI BARANG DUA TAHAP
PENERAPAN ALGORITMA GENETIKA UNTUK PERMASALAHAN OPTIMASI DISTRIBUSI BARANG DUA TAHAP Riska Sulistiyorini ), Wayan Firdaus Mahmudy ), Program Studi Teknik Informatika Program Teknologi Informasi dan Ilmu
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 terperinciANALISIS PENGATURAN INDIVIDU CROSSOVER DAN MUTASI ALGORITMA GENETIKA STUDI KASUS TRAVELLING SALESMAN PROBLEM
ANALISIS PENGATURAN INDIVIDU CROSSOVER DAN MUTASI ALGORITMA GENETIKA STUDI KASUS TRAVELLING SALESMAN PROBLEM Sean Coonery Sumarta* 1 1 Program Studi Teknik Informatika, Universitas Atma Jaya Makassar,
Lebih terperinciPENYELESAIAN VEHICLE ROUTING PROBLEM WITH TIME WINDOWS (VRPTW) MENGGUNAKAN ALGORITMA GENETIKA HYBRID
JOURNAL OF ENVIRONMENTAL ENGINEERING & SUSTAINABLE TECHNOLOGY P-ISSN : 2356-3109 PENYELESAIAN VEHICLE ROUTING PROBLEM WITH TIME WINDOWS (VRPTW) MENGGUNAKAN ALGORITMA GENETIKA HYBRID Diah Anggraeni Pitaloka
Lebih terperinciOptimalisasi Pengantaran Barang dalam Perdagangan Online Menggunakan Algoritma Genetika
Optimalisasi Pengantaran Barang dalam Perdagangan Online Menggunakan Algoritma Genetika Rozak Arief Pratama 1, Esmeralda C. Djamal, Agus Komarudin Jurusan Informatika, Fakultas MIPA Universitas Jenderal
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK TRAVELING SALESMAN PROBLEM DENGAN MENGGUNAKAN METODE ORDER CROSSOVER DAN INSERTION MUTATION
PENERAPAN ALGORITMA GENETIKA UNTUK TRAVELING SALESMAN PROBLEM DENGAN MENGGUNAKAN METODE ORDER CROSSOVER DAN INSERTION MUTATION Samuel Lukas 1, Toni Anwar 1, Willi Yuliani 2 1) Dosen Teknik Informatika,
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK PENENTUAN BATASAN FUNGSI KENGGOTAAN FUZZY TSUKAMOTO PADA KASUS PERAMALAN PERMINTAAN BARANG
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol. 3, No. 3, September 2016, hlm. 169-173 PENERAPAN ALGORITMA GENETIKA UNTUK PENENTUAN BATASAN FUNGSI KENGGOTAAN FUZZY TSUKAMOTO PADA KASUS PERAMALAN
Lebih terperinciOPTIMASI RUTE ANTAR JEMPUT LAUNDRY DENGAN TIME WINDOWS (TSPTW) MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI RUTE ANTAR JEMPUT LAUNDRY DENGAN TIME WINDOWS (TSPTW) MENGGUNAKAN ALGORITMA GENETIKA Dwi Aries Suprayogi, Wayan Firdaus Mahmudy, Muhammad Tanzil Furqon Teknik Informatika, Program Teknologi Informasi
Lebih terperinciPENJADWALAN KAPAL PENYEBERANGAN MENGGUNAKAN ALGORITMA GENETIKA
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol. 3, No. 1, Maret 2016, hlm. 48-55 PENJADWALAN KAPAL PENYEBERANGAN MENGGUNAKAN ALGORITMA GENETIKA Ria Febriyana 1, Wayan Firdaus Mahmudy 2 Program
Lebih terperinciIMPLEMENTASI ALGORITMA GENETIKA PADA OPTIMASI BIAYA PEMENUHAN KEBUTUHAN GIZI
IMPLEMENTASI ALGORITMA GENETIKA PADA OPTIMASI BIAYA PEMENUHAN KEBUTUHAN GIZI Monica Intan Pratiwi 1, Wayan Fidaus Mahmudy, Candra Dewi Teknik Informatika, Program Teknologi Informasi dan Ilmu Komputer,
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tinjauan Pustaka (Samuel, Toni & Willi 2005) dalam penelitian yang berjudul Penerapan Algoritma Genetika untuk Traveling Salesman Problem Dengan Menggunakan Metode Order Crossover
Lebih terperinciBAB II 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 terperinciAplikasi Algoritma Genetika Untuk Menyelesaikan Travelling Salesman Problem (TSP)
JTRISTE, Vol.1, No.2, Oktober 2014, pp. 50~57 ISSN: 2355-3677 Aplikasi Algoritma Genetika Untuk Menyelesaikan Travelling Salesman Problem (TSP) STMIK Handayani Makassar najirah_stmikh@yahoo.com Abstrak
Lebih terperinciOPTIMASI PERSEDIAAN BAJU MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI PERSEDIAAN BAJU MENGGUNAKAN ALGORITMA GENETIKA andra Aditya 1), Wayan Firdaus Mahmudy 2) 1) Program Studi Teknik Informatika, Fakultas Ilmu Komputer Malang Jl. Veteran, Malang 65145, Indonesia
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 terperinciPenentuan Portofolio Saham Optimal Menggunakan Algoritma Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 1, Januari 2017, hlm. 63-68 http://j-ptiik.ub.ac.id Penentuan Portofolio Saham Optimal Menggunakan Algoritma Genetika
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK MEMAKSIMALKAN LABA PRODUKSI JILBAB
Journal of Environmental Engineering & Sustainable Technology Vol. 02 No. 01, July 2015, Pages 06-11 JEEST http://jeest.ub.ac.id PENERAPAN ALGORITMA GENETIKA UNTUK MEMAKSIMALKAN LABA PRODUKSI JILBAB Samaher
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 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 terperinciPenerapan Algoritma Genetika untuk Penjadwalan Asisten Praktikum
Penerapan Algoritma Genetika untuk Penjadwalan Asisten Praktikum Okky Cintia Devi 1, Wayan Fidaus Mahmudy 2, Budi Darma Setiawan 3 Teknik Informatika, Program Teknologi Informasi dan Ilmu Komputer, Universitas
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 terperinciOPTIMASI PENJADWALAN PERAWAT MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI PENJADWALAN PERAWAT MENGGUNAKAN ALGORITMA GENETIKA Rifqy Rosyidah Ilmi 1, Wayan Firdaus Mahmudy 2, Dian Eka Ratnawati 2 1 Mahasiswa, 2 Dosen Pembimbing Informatika, Fakultas Ilmu Komputer, Universitas
Lebih terperinciBAB III MODEL DAN TEKNIK PEMECAHAN
BAB III MODEL DAN TEKNIK PEMECAHAN III.1. Diskripsi Sistem Sistem pendistribusian produk dalam penelitian ini adalah berkaitan dengan permasalahan vehicle routing problem (VRP). Berikut ini adalah gambar
Lebih terperinciIMPLEMENTASI ALGORITMA GENETIKA DALAM OPTIMASI JALUR PENDISTRIBUSIAN KERAMIK PADA PT. CHANG JUI FANG
IMPLEMENTASI ALGORITMA GENETIKA DALAM OPTIMASI JALUR PENDISTRIBUSIAN KERAMIK PADA PT. CHANG JUI FANG Adnan Buyung Nasution 1 1,2 Sistem Infomasi, Tehnik dan Ilmu Komputer, Universitas Potensi Utama 3 Universitas
Lebih terperinciPERBANDINGAN KINERJA ALGORITMA GENETIK DAN ALGORITMA BRANCH AND BOUND PADA TRAVELLING SALESMAN PROBLEM
PERBANDINGAN KINERJA ALGORITMA GENETIK DAN ALGORITMA BRANCH AND BOUND PADA TRAVELLING SALESMAN PROBLEM Nico Saputro dan Suryandi Wijaya Jurusan Ilmu Komputer Universitas Katolik Parahyangan nico@home.unpar.ac.id
Lebih terperinciAPLIKASI ALGORITMA GENETIKA DALAM PENENTUAN DOSEN PEMBIMBING SEMINAR HASIL PENELITIAN DAN DOSEN PENGUJI SKRIPSI
Prosiding Seminar Nasional Matematika dan Terapannya 2016 p-issn : 2550-0384; e-issn : 2550-0392 APLIKASI ALGORITMA GENETIKA DALAM PENENTUAN DOSEN PEMBIMBING SEMINAR HASIL PENELITIAN DAN DOSEN PENGUJI
Lebih terperinciPenyelesaian Penjadwalan Flexible Job Shop Problem dengan menggunakan Real Coded Genetic Algorithm
Penyelesaian Penjadwalan Flexible Job Shop Problem dengan menggunakan Real Coded Genetic Algorithm M. C. C. Utomo 1, Wayan Firdaus Mahmudy 2, Marji Program Teknologi Informasi dan Ilmu Komputer, Universitas
Lebih terperinciPenerapan algoritma evolution strategies untuk optimasi distribusi barang dua tahap
Penerapan algoritma evolution strategies untuk optimasi distribusi barang dua tahap Candra Bella Vista 1, Wayan Firdaus Mahmudy 2 Program Studi Informatika / Ilmu Komputer Fakultas Ilmu Komputer Universitas
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 terperinciPenjadwalan Dinas Pegawai Menggunakan Algoritma Genetika Pada PT Kereta Api Indonesia (KAI) Daerah Operasi 7 Stasiun Besar Kediri
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 11, November 2018, hlm. 4371-4376 http://j-ptiik.ub.ac.id Penjadwalan Dinas Pegawai Menggunakan Algoritma Genetika
Lebih terperinciOptimasi Persediaan Barang Dalam Produksi Jilbab Menggunakan Algoritma Genetika
Optimasi Persediaan Barang Dalam Produksi Jilbab Menggunakan Algoritma Genetika Maretta Dwi Tika Ramuna 1), Wayan Firdaus Mahmudy 2) Program Studi Informatika / Ilmu Komputer Program Teknologi Informasi
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK MENENTUKAN BIAYA MINIMAL DISTRIBUSI BARANG TIGA TAHAP PT. SEMEN TONASA
PENERAPAN ALGORITMA GENETIKA UNTUK MENENTUKAN BIAYA MINIMAL DISTRIBUSI BARANG TIGA TAHAP PT. SEMEN TONASA Andi Baharuddin 1, Aidawayati Rangkuti 2, Armin Lawi 3 Program Studi Matematika, Jurusan Matematika,
Lebih terperinciDenny Hermawanto
Algoritma Genetika dan Contoh Aplikasinya Denny Hermawanto d_3_nny@yahoo.com http://dennyhermawanto.webhop.org Lisensi Dokumen: Seluruh dokumen di IlmuKomputer.Com dapat digunakan, dimodifikasi dan disebarkan
Lebih terperinciOPTIMASI TRAVELLING SALESMAN PROBLEM WITH TIME WINDOWS (TSP-TW) PADA PENJADWALAN PAKET RUTE WISATA DI PULAU BALI MENGGUNAKAN ALGORITMA GENETIKA
Seminar Nasional Sistem Informasi Indonesia, 2-3 November 2015 OPTIMASI TRAVELLING SALESMAN PROBLEM WITH TIME WINDOWS (TSP-TW) PADA PENJADWALAN PAKET RUTE WISATA DI PULAU BALI MENGGUNAKAN ALGORITMA GENETIKA
Lebih terperinciPENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN TRAVELLING SALESMAN PROBLEM (TSP)
PENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN TRAVELLING SALESMAN PROBLEM (TSP) Mohamad Subchan STMIK Muhammadiyah Banten e-mail: moh.subhan@gmail.com ABSTRAK: Permasalahan pencarian rute terpendek dapat
Lebih terperinciPENCARIAN RUTE OPTIMUM DENGAN EVOLUTION STRATEGIES
PENCARIAN RUTE OPTIMUM DENGAN EVOLUTION STRATEGIES Diah Arum Endarwati 1,Wayan Firdaus Mahmudy, Dian Eka Ratnawati Program Studi Informatika/ Ilmu Komputer, Program Teknologi Informasi dan Ilmu Komputer
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 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 terperinciGENETIKA UNTUK MENENTUKAN RUTE LOPER KORAN DI AGEN SURAT KABAR
MULTI TRAVELING SALESMAN PROBLEM (MTSP) DENGAN ALGORITMA Abstrak GENETIKA UNTUK MENENTUKAN RUTE LOPER KORAN DI AGEN SURAT KABAR Oleh : Fitriana Yuli Saptaningtyas,M.Si. Jurusan Pendidikan Matematika FMIPA
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 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 terperinciOPTIMASI DISTRIBUSI ROTI PADA BERBAGAI TOKO DI KOTA XYZ DENGAN MENGGUNAKAN ALGORITMA GENETIKA. Kelompok A Kelas C
PROYEK AKHIR MATA KULIAH ALGORITMA EVOLUSI SEMESTER GANJIL 2013-2014 OPTIMASI DISTRIBUSI ROTI PADA BERBAGAI TOKO DI KOTA XYZ DENGAN MENGGUNAKAN ALGORITMA GENETIKA Disusun oleh: Kelompok A Kelas C 1. Isyar
Lebih terperinciIMPLEMENTASI ALGORITMA GENETIKA HYBRID (BEST IMPROVEMENT SEARCH) PADA VEHICLE ROUTING PROBLEM WITH TIME WINDOW
IMPLEMENTASI ALGORITMA GENETIKA HYBRID (BEST IMPROVEMENT SEARCH) PADA VEHICLE ROUTING PROBLEM WITH TIME WINDOW Fitria Dwi Rosi, Purwanto, dan Mohammad Yasin Universitas Negeri Malang ABSTRAK: Vehicle Routing
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 terperinciIMPLEMENTASI ALGORITMA GENETIKA UNTUK PENCARIAN RUTE PALING OPTIMUM
IMPLEMENTASI ALGORITMA GENETIKA UNTUK PENCARIAN RUTE PALING OPTIMUM Anies Hannawati, Thiang, Eleazar Fakultas Teknologi Industri, Jurusan Teknik Elektro, Universitas Kristen Petra Jl. Siwalankerto 121-131,
Lebih terperinciBAB 1 PENDAHULUAN. Pengiriman barang dari pabrik ke agen atau pelanggan, yang tersebar di berbagai
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Pengiriman barang dari pabrik ke agen atau pelanggan, yang tersebar di berbagai tempat, sering menjadi masalah dalam dunia industri sehari-hari. Alokasi produk
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Konsep Dasar Sistem dan Informasi 2.1.1 Sistem Menurut Sutabri (2004), bahwa sistem adalah sekelompok unsur yang erat hubungannya satu dengan yang lainnya berfungsi untuk mencapai
Lebih terperinciBAB 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 terperinciPENGGUNAAN ALGORITMA GENETIKA UNTUK MENENTUKAN LINTASAN TERPENDEK STUDI KASUS : LINTASAN BRT (BUS RAPID TRANSIT) MAKASSAR
PENGGUNAAN ALGORITMA GENETIKA UNTUK MENENTUKAN LINTASAN TERPENDEK STUDI KASUS : LINTASAN BRT (BUS RAPID TRANSIT) MAKASSAR Karels, Rheeza Effrains 1), Jusmawati 2), Nurdin 3) karelsrheezaeffrains@gmail.com
Lebih terperinciImplementasi Algoritma Genetika Untuk Penjadwalan Customer Service (Studi Kasus: Biro Perjalanan Kangoroo)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol., No. 6, Juni 207, hlm. 456-465 http://j-ptiik.ub.ac.id Implementasi Algoritma Genetika Untuk Penjadwalan Customer Service
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 terperinciPerbandingan Algoritma Exhaustive, Algoritma Genetika Dan Algoritma Jaringan Syaraf Tiruan Hopfield Untuk Pencarian Rute Terpendek
Perbandingan Algoritma Exhaustive, Algoritma Genetika Dan Algoritma Jaringan Syaraf Tiruan Hopfield Untuk Pencarian Rute Terpendek Rudy Adipranata 1, Felicia Soedjianto 2, Wahyudi Tjondro Teknik Informatika,
Lebih terperinciPenentuan Rute Kendaraan dalam Pendistribusian Beras Bersubsidi Menggunakan Algoritma Genetika (Studi Kasus Perum Bulog Sub Divre Cirebon) *
Reka Integra ISSN: 2338-5081 Jurusan Teknik Industri Itenas No.01 Vol.03 Jurnal Online Institut Teknologi Nasional Januari 2015 Penentuan Kendaraan dalam Pendistribusian Beras Bersubsidi (Studi Kasus Perum
Lebih terperinciPencarian Rute Optimum Menggunakan Algoritma Genetika
Jurnal Teknik Elektro Vol. 2, No. 2, September 2002: 78-83 Pencarian Rute Optimum Menggunakan Algoritma Genetika Anies Hannawati, Thiang, Eleazar Fakultas Teknologi Industri, Jurusan Teknik Elektro, Universitas
Lebih 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 terperinciPERBANDINGAN ALGORITMA EXHAUSTIVE, ALGORITMA GENETIKA DAN ALGORITMA JARINGAN SYARAF TIRUAN HOPFIELD UNTUK PENCARIAN RUTE TERPENDEK
PERBANDINGAN ALGORITMA EXHAUSTIVE, ALGORITMA GENETIKA DAN ALGORITMA JARINGAN SYARAF TIRUAN HOPFIELD UNTUK PENCARIAN RUTE TERPENDEK Rudy Adipranata 1) Felicia Soedjianto 2) Wahyudi Tjondro Teknik Informatika,
Lebih terperinciOptimasi Penataan Barang pada Proses Distribusi Menggunakan Algoritme Evolution Strategies
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 5, Mei 2018, hlm. 1874-1882 http://j-ptiik.ub.ac.id Optimasi Penataan Barang pada Proses Distribusi Menggunakan Algoritme
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 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 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 terperinciPRESENTASI TUGAS AKHIR KI091391
PRESENTASI TUGAS AKHIR KI091391 PENDEKATAN CROSSOVER TERBARU UNTUK MENYELESAIKAN MULTIPLE TRAVELLING SALESMEN PROBLEM MENGGUNAKAN ALGORITMA GENETIKA (Kata kunci: multiple salemen problem, algoritma genetika,
Lebih terperinciPENERAPAN ALGORITMA GENETIKA DALAM PENYELESAIAN TRAVELLING SALESMAN PROBLEM WITH PRECEDENCE CONSTRAINTS (TSPPC)
PENERAPAN ALGORITMA GENETIKA DALAM PENYELESAIAN TRAVELLING SALESMAN PROBLEM WITH PRECEDENCE CONSTRAINTS (TSPPC) Yayun Hardianti 1, Purwanto 2 Universitas Negeri Malang E-mail: yayunimoet@gmail.com ABSTRAK:
Lebih terperinciOPTIMASI PENJADWALAN CERDAS MENGGUNAKAN ALGORITMA MEMETIKA
OPTIMASI PENJADWALAN CERDAS MENGGUNAKAN ALGORITMA MEMETIKA Muhammad Arief Nugroho 1, Galih Hermawan, S.Kom., M.T. 2 1, 2 Universitas Komputer Indonesia Jl. Dipatiukur No. 112-116, Bandung 40132 E-mail
Lebih terperinciBAB I PENDAHULUAN an berkembang algoritma genetika (genetic algorithm) ketika I. Rochenberg dalam bukunya yang berjudul Evolution Strategies
BAB I PENDAHULUAN A. Latar Belakang Perkembangan teori graf sangat pesat dari tahun ke tahun, pada tahun 1960-an berkembang algoritma genetika (genetic algorithm) ketika I. Rochenberg dalam bukunya yang
Lebih terperinciALGORITMA GENETIKA. Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning
ALGORITMA GENETIKA Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning Disusun oleh: Achmad Basuki Politeknik Elektronika Negeri Surabaya, PENS ITS Surabaya 2003 Algoritma
Lebih terperinciBAB III PEMBAHASAN. Berikut akan diberikan pembahasan mengenai penyelesaikan CVRP dengan
BAB III PEMBAHASAN Berikut akan diberikan pembahasan mengenai penyelesaikan CVRP dengan Algoritma Genetika dan Metode Nearest Neighbour pada pendistribusian roti di CV. Jogja Transport. 3.1 Model Matetematika
Lebih terperinciBAB II KAJIAN PUSTAKA
BAB II KAJIAN PUSTAKA Pengertian-pengertian dasar yang digunakan sebagai landasan pembahasan pada Bab II yaitu masalah ditribusi, graf, Travelling Salesman Problem (TSP), Vehicle Routing Problem (VRP),
Lebih terperinciOPTIMASI POLA PENYUSUNAN BARANG DALAM RUANG TIGA DIMENSI MENGGUNAKAN METODE GENETIC ALGORITHMS
OPTIMASI POLA PENYUSUNAN BARANG DALAM RUANG TIGA DIMENSI MENGGUNAKAN METODE GENETIC ALGORITHMS Kartika Gunadi, Irwan Kristanto Julistiono Fakultas Teknologi Industri, Jurusan Teknik Informatika, Universitas
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 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 DISTRIBUSI PUPUK MENGGUNAKAN EVOLUTION STRATEGIES
Journal of Environmental Engineering & Sustainable Technology Vol. 02 No. 02, November 2015, Pages 89-96 JEEST http://jeest.ub.ac.id OPTIMASI DISTRIBUSI PUPUK MENGGUNAKAN EVOLUTION STRATEGIES Fauziatul
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 terperinciPERFORMANCE ALGORITMA GENETIKA (GA) PADA PENJADWALAN MATA PELAJARAN
PERFORMANCE ALGORITMA GENETIKA (GA) PADA PENJADWALAN MATA PELAJARAN Eva Desiana, M.Kom Pascasarjana Teknik Informatika Universitas Sumatera Utara, SMP Negeri 5 Pematangsianta Jl. Universitas Medan, Jl.
Lebih terperinciBAB II KAJIAN PUSTAKA. Pada bab kajian pustaka berikut ini akan dibahas beberapa materi yang meliputi
BAB II KAJIAN PUSTAKA Pada bab kajian pustaka berikut ini akan dibahas beberapa materi yang meliputi graf, permasalahan optimasi, model matematika dari objek wisata di Yogyakarta, dan algoritma genetika
Lebih terperinciBAB 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 terperinciOptimasi Pembagian Barang Alat Tulis Kantor Menggunakan Algoritme Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: -X Vol., No., Maret, hlm. - http://j-ptiik.ub.ac.id Optimasi Pembagian Barang Alat Tulis Kantor Menggunakan Algoritme Genetika Ardiansyah
Lebih terperinciIMPLEMENTASI ALGORITMA GENETIK UNTUK MENYELESAIKAN MASALAH TRAVELING SALESMAN PROBLEM (STUDI KASUS: SATUAN KERJA PERANGKAT DAERAH KOTA MEDAN)
IMPLEMENTASI ALGORITMA GENETIK UNTUK MENYELESAIKAN MASALAH TRAVELING SALESMAN PROBLEM (STUDI KASUS: SATUAN KERJA PERANGKAT DAERAH KOTA MEDAN) DRAFT SKRIPSI RAJO PANANGIAN HARAHAP 111421045 PROGRAM STUDI
Lebih terperinciPenerapan Genetic Algorithm Untuk Optimasi Peningkatan Laba Persediaan Produksi Pakaian
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 6, Juni 218, hlm. 2168-2172 http://j-ptiik.ub.ac.id Penerapan Genetic Algorithm Untuk Optimasi Peningkatan Laba Persediaan
Lebih terperinciAPLIKASI ALGORITMA GENETIKA UNTUK PENENTUAN TATA LETAK MESIN
APLIKASI ALGORITMA GENETIKA UNTUK PENENTUAN TATA LETAK MESIN Hari Purnomo, Sri Kusumadewi Teknik Industri, Teknik Informatika Universitas Islam Indonesia Jl. Kaliurang Km 4,5 Yogyakarta ha_purnomo@fti.uii.ac.id,
Lebih 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 terperinciPENENTUAN JARAK TERPENDEK PADA JALUR DISTRIBUSI BARANG DI PULAU JAWA DENGAN MENGGUNAKAN ALGORITMA GENETIKA. Abstraksi
PENENTUAN JARAK TERPENDEK PADA JALUR DISTRIBUSI BARANG DI PULAU JAWA DENGAN MENGGUNAKAN ALGORITMA GENETIKA I Dewa Made Adi Baskara Joni 1, Vivine Nurcahyawati 2 1 STMIK STIKOM Indonesia, 2 STMIK STIKOM
Lebih terperinciSeminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004
Seminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004 Perbandingan Metode-Metode dalam Algoritma Genetika untuk Travelling Salesman Problem Irving Vitra P. Jurusan Teknik Informatika,
Lebih terperinciPEMBOBOTAN PENILAIAN UJIAN PILIHAN GANDA MENGGUNAKAN ALGORITMA GENETIKA
PEMBOBOTAN PENILAIAN UJIAN PILIHAN GANDA MENGGUNAKAN ALGORITMA GENETIKA Ida Wahyuni 1, Wayan Firdaus Mahmudy 2 1,2 Program Studi Magister Ilmu Komputer, Fakultas Ilmu Komputer, Universitas Brawijaya Jl.
Lebih terperinciUSULAN PERBAIKAN RUTE PENDISTRIBUSIAN ICE TUBE MENGGUNAKAN METODE NEAREST NEIGHBOUR DAN GENETIC ALGORITHM *
Reka Integra ISSN: 2338-508 Jurusan Teknik Industri Itenas No.04 Vol.03 Jurnal Online Institut Teknologi Nasional Oktober 205 USULAN PERBAIKAN RUTE PENDISTRIBUSIAN ICE TUBE MENGGUNAKAN METODE NEAREST NEIGHBOUR
Lebih terperinciPenyelesaian Penjadwalan Flexible Job Shop Problem Menggunakan Real Coded Genetic Algorithm
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 1, Januari 2017, hlm 57-62 http://j-ptiik.ub.ac.id Penyelesaian Penjadwalan Flexible Job Shop Problem Menggunakan
Lebih terperinciPenjadwalan Job Shop pada Empat Mesin Identik dengan Menggunakan Metode Shortest Processing Time dan Genetic Algorithm
Jurnal Telematika, vol.9 no.1, Institut Teknologi Harapan Bangsa, Bandung ISSN: 1858-251 Penjadwalan Job Shop pada Empat Mesin Identik dengan Menggunakan Metode Shortest Processing Time dan Genetic Algorithm
Lebih terperinciOptimasi Penjadwalan Mata Pelajaran Pada Kurikulum 2013 Dengan Algoritme Genetika (Studi Kasus: SMA Negeri 3 Surakarta)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 12, Desember 2017, hlm. 1535-1542 http://j-ptiik.ub.ac.id Optimasi Penjadwalan Mata Pelajaran Pada Kurikulum 2013
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 terperinciPERANCANGAN APLIKASI PENJADWALAN TRAVELING SALESMAN PROBLEM DENGAN ALGORITMA GENETIKA
PERANCANGAN APLIKASI PENJADWALAN TRAVELING SALESMAN PROBLEM DENGAN ALGORITMA GENETIKA Hendy Tannady; Andrew Verrayo Limas Industrial Engineering Department, Faculty of Engineering, Binus University Jl.
Lebih terperinci