BAB III. Metode Penelitian
|
|
- Widya Liana Sanjaya
- 7 tahun lalu
- Tontonan:
Transkripsi
1 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 nilai parameter dengan meniru cara reproduksi genetik, pembentukan kromosom baru serta seleksi seperti yang terjadi pada makluk hidup. Algoritma secara umum dapat diilustrasikan dalam diagram alir berikut ini : 44
2 Gambar 3.1 Diagram Alir Algoritma Genetik Proses selanjutnya adalah proses seleksi, dimana setelah terbentuk populasi awal, maka selanjutnya hasil populasi awal itu akan diseleksi. Proses ini dilakukan untuk mendapatkan calon induk yang baik. Dalam pengertian induk yang baik akan menghasilkan keturunan yang baik. Semakin tinggi nilai fitness suatu individu 45
3 semakin besar kemungkinannya untuk terpilih. Metode seleksi yang akan digunakan dalam alogaritma genetik ini adalah metode roulette wheel selection. Seleksi roulette wheel akan memilih induk menggunakan persentase fitness setiap individu, dimana setiap individu mendapatkan luas bagian sesuai dengan persentase nilai fitnessnya. Cara kerja roulette wheel selection adalah seperti berikut : pertama-tama secara acak (random) akan dipilih sebuah nilai diantara 0 sampai 1, kemudian nilai tersebut akan dikalikan dengan nilai total fitness seluruh individu dalam generasi tersebut. Nilai hasil perkalian antara bilangan random dan total fitness tersebut dianggap sebagai titik yang ditunjuk oleh jarum pada roulette wheel. Untuk mendapatkan individu yang dipilih, maka fitness dari individu anggota anggota generasi tersebut dijumlahkan mulai dari pertama sampai jumlah fitness tersebut melebihi nilai hasil perkalian antara bilangan random dan total fitness. Dengan demikian individu yang memiliki fitness yang tinggi akan mempunyai kesempatan lebih besar untuk terpilih, karena semakin besar nilai fitness suatu individu, maka semakin besar pula pengaruhnya terhadap penjumlahan fitness individu individu dalam populasi tersebut. Setelah melakukan proses seleksi, maka hasil dari proses tersebut akan digunakan dalam proses crossover. Sebelum melakukan proses crossover dilakukkan pengundian dengan bilangan random untuk setiap kromosom, apakah kromosom tersebut mengalami crossover atau tidak. Jika dari proses pengundian menunjukkan bahwa terjadi crossover maka akan dibuat bilangan random lainnya untuk menentukan dimana crossover yang akan terjadi. Posisi crossover dipilih dengan batasan antara 0 hingga panjang komosom dan pada titik itulah maka crossover akan dilakukan antara dua kromosom dari kromosom ke-2 sampai pada posisi dimana crossover akan terjadi. Selanjutnya akan. Proses crossover sendiri dilakukan dengan menyalin isi kromosom parent 1 ke dalam kromosom offspring 1 dan isi kromosom parent 2 ke dalam kromosom offspring 2, mulai dilakukan penyalinan isi kromosom parent 2 ke dalam kromosom offspring 1 dan isi kromosom parent 1 ke dalam kromosom offspring 2, mulai dari kromosom yang letaknya tepat setelah posisi crossover sampai dengan panjang kromosom terpendek. Setelah proses crossover 46
4 dijalankan selalu dilakukan pengecekan apakah kromosom yang terkena crossover tersebut merupakan kromosom yang valid, dalam arti kromosom hasil crossover tersebut membentuk suatu rute. Jika terjadi pengulangan individu dalam kromosom, maka dilakukan proses normalisasi untuk membuat kromosom tersebut menjadi valid. Proses normalisasi menghapus individu yang berulang dan mengganti dengan individu yang terhilang dalam kromosom tersebut sehingga terbentuk suatu rute baru yang valid. Pada saat penyalinan kromosom dilakukan, kromosom tersebut dapat mengalami mutasi, yaitu perubahan isi kromosom, dimana isi dari kromosom tersebut digantikan dengan suatu nilai yang dipilih secara acak dari titik-titik yang ada. Proses pertama yang dilakukan adalah membangkitkan bilangan acak anatar 0 hingga 1 sejumlah kromosom yang ada. Setelah itu untuk melakukan mutasi dilakukan penelusuran setiap bilangan random yang telah dibangkitkan tersebut dan dibandingkan antara nilai random kromosom dengan peluang mutasi yang ditentukan dari awal dalam inisialisi nilai awal, jika nilai random yang ada lebih kecil atau sama dengan nilai peluang mutasi, maka kromosom tersebut akan mengalami mutasi. Setelah proses mutasi maka akan dilakukan lagi proses seleksi dan dilakukan pengecekan apakah proses keseluruhan telah selesai apa belum. Jika sudah selesai maka kita bisa menghitung nilai fitness. Jika nilai fitness semakin besar, maka sistem yang dihasilkan akan semakin baik. Kromosom dengan nilai fitness yang tinggi ini akan memberikan probabilitas yang tinggi untuk bereproduksi pada generasi selanjutnya. Sehingga untuk setiap generasi pada proses evolusi, fungsi fitness yang mensimulsikan seleksi alam, akan menekan populasi kearah fitness yang meningkat. Setelah diketahui nilai fitness yang teringgi maka akan terdapat rute yang kita pilih. 3.2 Pengkodean Individu Pengkodean adalah bagaimana mengkodekan gen dari kromosom, dimana gen merupakan bagian dari kromosom. satu gen biasanya akan mewakili satu variabel. Agar dapat diproses melalui algoritma genetik, maka alternatif solusi tersebut harus dikodekan terlebih dahulu kedalam bentuk kromosom. Masing-masing 47
5 kromosom berisi sejumlah gen yang mengodekan informasi yang disimpan didalam kromosom. Gen dapat direpresentasikan dalam bentuk bit, bilangan real, daftar aturan, elemen permutasi, elemen program atau representasi lainnya yang dapat diimplementasikan untuk operator genetika. Sedangkan untuk gambaran lebih jelasnya untuk alokasi penempatan enode B wilayah DKI Jakarta dengan memberikan label A sampai R pada setiap enode B. Dengan demikian maka kita bisa menentukan individu-individu yang menjadi pilihan rute dari enode B asal O ke enode B tujuan R. Gambar 3.2 pemetaaan penempatan enode B pada frekuensi 1800MHz dan 2300MHz Selanjutnya, akan diperoleh tabel dimana didalam table tersebut di ketahui rute-rute mana saja yang akan dilewati dalam mencapai tujuan yang kita inginkann. Untuk lebih jelasnya dapat kita lihat pada Tabel 3.1 dibawah ini : 48
6 3.3 Penentuan Rute Awal ke Tujuan Tabel 3.1. Rute yang dilewati individu Individu Rute 1 O-A-E-G-Q 2 O-B-C-H-Q 3 O-B-M-D-Q 4 O-I-J-M-P-Q 5 O-K-M-P-Q-P-N-K-O 6 O-A-E-G-Q-P-M-J-I-O 7 O-B-C-H-Q-D-M-J-I-O 8 O-B-M-D-Q-H-C-B-O 9 O-I-J-M-P-Q-P-M-B-O 10 O-K-M-P-Q-G-E-A-O dsb Sebuah rute, dapat didefinisikan sebagai urutan array dan dalam studi kasus ini untuk menuju ketujuan yang akan dipilih. Pada algoritma genetika, langkah pertama yang harus dilakukan adalah melakukan penentuan lokasi mana yang akan menjadi tujuan. Dimana disini kita sudah menentukan titik asal dan tujuan yang inginkan Frekuensi 1800 MHz titik A ke Q : Dengan menggunakan frekuensi 1800 MHz ini adalah rute yang diambil dari Individu 1 = O-A-E-G-Q Individu 2 = O-B-C-H-Q Individu 3 = O-B-M-D-Q Individu 4 = O-I-J-M-P-Q Individu 5 = O-K-M-P-Q Individu 6 = O-A-E-G-Q-P-M-J-I-O Individu 7 = O-B-C-H-Q-D-M-J-I-O 49
7 Individu 8 = O-B-M-D-Q-H-C-B-O Individu 9 = O-I-J-M-P-Q-P-M-B-O Individu 10 = O-K-M-P-Q-G-E-A-O Frekuensi 2300MHz Dengan menggunakan frekuensi 2300 MHz ini adalah rute yang diambil dari titik A ke Q : Individu 1 = O-A-E-G-Q Individu 2 = O-B-C-H-Q Individu 3 = O-B-M-D-Q Individu 4 = O-I-J-M-P-Q Individu 5 = O-K-M-P-Q Individu 6 = O-A-E-G-Q-P-M-J-I-O Individu 7 = O-B-C-H-Q-D-M-J-I-O Individu 8 = O-B-M-D-Q-H-C-B-O Individu 9 = O-I-J-M-P-Q-P-M-B-O Individu 10 = O-K-M-P-Q-G-E-A-O 3.4 Fitness Pada evaluasi individu dilakukan proses seleksi atas hasil nilai fitness dari setiap kromosom, dari proses inilah dipilih individu terbaik dari sekumpulan populasi yang ada, yang nantinya individu terbaik dari kromosom terbaiklah yang mampu bertahan dan akan menjadi solusi atas permasalahan optimasi maupun minimasi dari suatu fungsi atau permasalahan yang ada. Fungsi ini bertujuan dalam menentukan kelayakan kromosom untuk dipelihara atau tidak. Nilai fitness yang tinggi sebagai 50
8 tolak ukir optimalitas solusi terhadap fungsi tujuan yang akan ditemukan. Evaluasi fitness dirumuskan sebagai berikut : fungsi_objektif perlu ditambah 1 untuk menghindari kesalahan program yang diakibatkan pembagian oleh 0. Rumus untuk mencari probabilitas: P[i] = fitness[i] / total_fitness yaitu satu dibagi jarak rute yang dikunjungi Rumus fitness di atas merupakan rumus dalam menentukan rute optimum dari node asal ke node tujuan. Diharapkan diperolehkan rute yang seminimum mungkin. Berikut adalah aturan-aturan yang mengidentifikasikan bahwa permasalahan tersebut rute di asal ke tujuan 1. Dalam berkomunikasi dari titik asal ke titik tujuan tentunya akan kembali ke enode B awal. 2. Ada kemungkinan rute ke tujuan setelah kembali belum tentu melewati rute sebelumnya. 3. Karena ada komponen MME maka, tentu ada individu yang melewati MME ada juga. 4. Tujuan penyelesaian permasalahan ini adalah mencari nilai optimum dengan meminimumkan jarak total rute yang dikunjungi dengan mengatur urutan kota. Misalnya di dalam individu menyatakan jalur yang ditempuh, dalam penentuan nilai maksimal dari F (x, y) individu menyatakan nilai (x, y). pada Gambar 3.6 diilustrasikan 2 kemungkinan jalur yang ditempuh dan bagaimana representasinya dalam individu. 51
9 Gambar 3.3 Kemungkinan jalur dan Representasikan dalam individu Dalam menentukan rute optimal harus mengetahui jalur asal yang akan ditempuh dalam mencapai ke tujuan. Jalur yang dicari adalah jalur yang terpendek dimana jalur itu yang akan dipilih. 3.5 Seleksi Proses selanjutnya adalah proses seleksi, dimana setelah terbentuk populasi awal, maka selanjutnya hasil populasi awal itu akan diseleksi. Proses ini dilakukan untuk mendapatkan calon induk yang baik. Dalam pengertian induk yang baik akan menghasilkan keturunan yang baik. Semakin tinggi nilai fitness suatu individu maka semakin besar kemungkinannya untuk terpilih. Langkah pertama yang dilakukan dalam seleksi ini adalah pencarian nilai fitness. Nilai fitness ini yang nantinya akan digunakan pada tahap-tahap seleksi berikutnya. Masing-masing individu dalam wadah seleksi akan menerima probabilitas reproduksi yang tergantung pada nlai objektifnya sendiri terhadap nilai objektif dari semua individu dalam wadah seleksi tersebut. Dalam skripsi ini penulis menggunakan metode seleksi dengan menggunakan metode Roullete Wheel selection. Roulete Wheel selection adalah seleksi berdasarkan kualitas individual. Semakin berkualitas individu semakin besar kemungkinan individu ini terpilih untuk menjadi anggota pada populasi yang baru. Metode seleksi dengan menggunakan metode Roullete Wheel ini merupakan metode yang paling sederhana dan sering 52
10 dikenal dengan menggunakan stochastic with replacement. Cara kerja metode Roullete Wheel Selection adalah sebagai berikut : 1. Secara acak (random) akan dipilih sebuah nilai diantara 0 sampai Dihitung nilai fitness dari masing-masing individu (f i dimana i adalah individu ke-1 s/d ke-n). 3. Kemudian nilai tersebut akan dikalikan dengan nilai total fitness semua individu dalam generasi tersebut. 4. Nilai hasil perkalian antara bilangan random dan total fitness tersebut dianggap sebagai titik yang ditunjuk oleh jarum pada roulette wheel. 5. Untuk mendapatkan individu yang dipilih, maka fitness dari individu anggotaanggota generasi tersebut dijumlahkan mulai dari pertama sampai jumlah fitness tersebut melebihi nilai hasil perkalian antara bilangan random dan total fitness. Dengan demikian individu yang memiliki fitness yang tinggi akan mempunyai kesempatan lebih besar untuk terpilih, karena semakin besar nilai fitness suatu individu, maka semakin besar pula pengaruhnya terhadap penjumlahan fitness individu- individu dalam populasi tersebut. Proses seleksi ini dilakukan dengan cara membangkitkan bilangan acak. Angka ini akan menjadi penunjuk individu mana yang terpilih dalam setiap kali iterasi. Sebagai contoh kita memiliki 5 iterasi dan masing-masing iterasi menghasilkan bilangan acak sebagai berikut: 53
11 Gambar 3.4 Ilustrasi Seleksi dengan metode Roullete Wheel [7] Suatu metode seleksi yang umum digunakan adalah Roullete Wheel (roda roulette). Sesuai dengan namanya, motode ini menirukan permainan roullete-wheel dimana masing-masing kromosom menepati potongan lingkaran ada rosa roulette secara proporsional sesuai dengan nilai fitnessnya. Kromosom yang memiliki nilai fitness lebih besar akan menempati potongan lingkaran yang lebih besar dibandingkan dengan kromosom bernilai fitness rendah. Dibawah ini adalah contoh dari roulette wheel selection : Tabel 3.2 Contoh kromosm dengan nilai fitnessnya [7] Kromosom Fitness K1 1 K2 2 K3 0,5 K4 0,5 Jumlah 4 54
12 Gambar 3.5 Contoh penggunaan metode roulette wheel selection [7] Dilihat dari gambar K2 dengan nilai fitness paling besar, menempati potongan sebesar setengah lingkaran. Dengan demikian, K2 memiliki peluang sebesar 0,5 (Nilai fitness dibagi jumlah kromosom) untuk terpilih sebagai orang tua. Metode roulette wheel selection sangat mudah diimplementasikan dalam pemograman. Pertama, dibuat interval nilai kumulatif (dalam interval) dari nilai fitness masingmasing kromosom dibagi total nilai fitness dari semua kromosom Nilai fitness =....(3.2) Sebuah kromosom akan terpilih jika bilangan random yang di bangkitkan berada dalam interval akumulatifnya. Dapat dilihat pada tabel dibawah ini : Tabel 3.3 Contoh kromosm dengan nilai Interval Kromosom Nilai Interval K1 [0 ; 0,25] K2 [0,25 ; 0,75] K3 [0,75 ; 0,875] K4 [0,875 ; 1] Misalkan, jika bilangan random yang dibangkitkan adalah 0,6 maka kromosom K2 terpilih sebagai orang tua. Tetapi jika bilangan random yang dibangkitkan adalah 0,99 maka kromosom K4 yang akan terpilih. 55
13 3.6 Crossover Setelah melakukan proses seleksi, maka hasil dari proses tersebut akan digunakan dalam proses crossover. Crossover merupakan salah satu operator dalam algoritma genetika yang melibatkan dua induk untuk menghasilkan keturunan yang baru. Pindah silang dilakukan dengan melakukan pertukaran gen dari dua induk secara acak. Sebelum melakukan proses crossover dilakukan pengundian dengan bilangan random untuk setiap kromosom, apakah kromosom tersebut mengalami crossover atau tidak. Jika dari proses pengundian menunjukkan dimana crossover akan terjadi. Posisi crossover dipilih dengan batasan antara 0 hingga panjang komosom dan pada titik itulah maka crossover akan dilakukan antara dua kromosom. Untuk lebih jelas dapat dilihat pada gambar 3.9 dibawah ini : Gambar 3.6 Ilustrasi proses crossover [4] Proses crossover sendiri dilakukan dengan menyalin isi kromosom parent 1 ke dalam kromosom offspring 1 dan isi kromosom parent 2 ke dalam kromosom offspring 2, mulai dari kromosom ke-2 sampai pada posisi dimana crossover akan terjadi. Selanjutnya akan dilakukan penyalinan isi kromosom parent 2 ke dalam kromosom offspring 1 dan isi kromosom parent 1 ke dalam kromosom offspring 2, mulai dari kromosom yang letaknya tepat setelah posisi crossover sampai dengan panjang kromosom terpendek. Setelah proses crossover dijalankan selalu dilakukan pengecekan apakah kromosom yang terkena crossover tersebut merupakan kromosom yang valid, dalam arti kromosom hasil crossover tersebut membentuk suatu rute. Jika terjadi pengulangan individu dalam kromosom, maka dilakukan proses normalisasi untuk membuat kromosom tersebut menjadi valid. Proses 56
14 normalisasi menghapus individu yang berulang dan mengganti dengan individu yang terhilang dalam kromosom tersebut sehingga terbentuk suatu rute baru yang valid. 3.7 Mutasi Mutasi adalah proses untuk mengubah nilai dari satu atau beberapa gen dalam suatu kromosom. Kromosom merupakan nilai suatu gen dari sebuah kromosom sehingga kromosom yang baru ini berbeda dengan kromosom yang lama. Sekumpulan kejadian dengan suatu nilai pelanggaran maksimal dapat dengan mudah dihilangkan selama evaluasi fitness tujuan dari proses mutasi ini, untuk mempertahankan kehilangan permanent dari suatu bit atau gen. Seluruh proses mutasi ini menjanjikan keuntungan melalui pengarahan mutasi kemana mutasi ini tersebut sangat dibutuhkan. Oprator mutasi digunakan untuk melakukan modifikasi satu atau lebih dari nilai gen dalam individu yang sama. Mutasi memastikan bahwa probabilitas untuk pencarian pada daerah tertentu dalam persoalan tidak akan pernah nol dan mencegah kehilangan total materi genetika setelah pemilihan dan penghapusan. Mutasi ini bukanlah operator genetika yang utama, yang dilakukan secara acak pada gen dengan kemungkinan yang lebih kecil. Metode ini disebut metasi gen (gene mutation) terdapat metode lain yaitu: order mutation dimana dimungkinkan untuk menghilangkan seluruh gen dari dua gen yang dipilih secara acak. 3.8 Penentuan Individu Setelah melakukan semua proses, maka dilakukan penentuan individu dengan begitu kita bisa mendapathan hasil nilai fitness tertinggi. Setelah mendapatkan nilai fitness tertinggi berarti kita telah mendapatkan rute yang terpilih. Perhatikan studi kasus dibawah ini : Seorang salesman akan mengawali perjalanannya dari titik A untuk mengunjungi seluruh titik yakni dan kemabli lagi ke titik A. Perhatikan gambar berikut : 57
15 Gambar 3.7 Contoh rute menggunakan titik Dari studi kasus tersebut didapatkan salah satu kemungkinan jalur yang paling optimum dengan urutan rute A-E-F-C-D-B-A. Tentunya hasil tersebut dengan mempertimbangkan jarak dari masing-masing titik hingga menghasilkan kombinasi urutan dengan jarak yang optimum. Perhatikan gambar berikut : Gambar 3.8 Contoh rute menggunakan jalur Pada dasarnya permasalahan pencarian jalur terpendek antar titik merupakan pencarian jalur terpendek yang telah diketahui koordinatnya. Dengan mengetahui konsep pencarian jalur terpendek antar titik, maka selanjutnya dapat diterapkan pada penacarian jalur terpendek pada berbagai titik yang ingin diketahui. 58
BAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Travelling Salesman Problem (TSP) Travelling Salesmen Problem (TSP) termasuk ke dalam kelas NP hard yang pada umumnya menggunakan pendekatan heuristik untuk mencari solusinya.
Lebih terperinciBAB 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 2 DASAR TEORI. 2.1 Teka-Teki Silang
BAB 2 DASAR TEORI 2.1 Teka-Teki Silang Teka-teki silang atau disingkat TTS adalah suatu permainan yang mengharuskan penggunanya untuk mengisi ruang-ruang kosong dengan huruf-huruf yang membentuk sebuah
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Penjadwalan Perkuliahan Penjadwalan memiliki pengertian durasi dari waktu kerja yang dibutuhkan untuk melakukan serangkaian untuk melakukan aktivitas kerja[10]. Penjadwalan juga
Lebih terperinciBAB III PERANCANGAN. Gambar 3.1 di bawah ini mengilustrasikan jalur pada TSP kurva terbuka jika jumlah node ada 10:
BAB III PERANCANGAN Pada bagian perancangan ini akan dipaparkan mengenai bagaimana mencari solusi pada persoalan pencarian rute terpendek dari n buah node dengan menggunakan algoritma genetika (AG). Dari
Lebih 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 terperinciERWIEN TJIPTA WIJAYA, ST.,M.KOM
ERWIEN TJIPTA WIJAYA, ST.,M.KOM DEFINISI ALGEN adalah algoritma yang memanfaatkan proses seleksi alamiah yang dikenal dengan evolusi Dalam evolusi, individu terus menerus mengalami perubahan gen untuk
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN APLIKASI
27 BAB 3 ANALISIS DAN PERANCANGAN APLIKASI 3.1 Analisis Pada subbab ini akan diuraikan tentang analisis kebutuhan untuk menyelesaikan masalah jalur terpendek yang dirancang dengan menggunakan algoritma
Lebih terperinciPENERAPAN 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 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 terperinciBAB II KAJIAN PUSTAKA. Pada bab kajian pustaka berikut ini akan dibahas beberapa materi yang meliputi
BAB II KAJIAN PUSTAKA Pada bab kajian pustaka berikut ini akan dibahas beberapa materi yang meliputi graf, permasalahan optimasi, model matematika dari objek wisata di Yogyakarta, dan algoritma genetika
Lebih terperinciBAB III 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 TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Pustaka. Penelitian serupa mengenai penjadwalan matakuliah pernah dilakukan oleh penelliti yang sebelumnya dengan metode yang berbeda-neda. Berikut
Lebih terperinciBAB II 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 terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pada awal diciptakan, komputer hanya difungsikan sebagai alat hitung saja. Namun seiring dengan perkembangan zaman, maka peran komputer semakin mendominasi kehidupan.
Lebih terperinciImplementasi Algoritma Genetika dalam Pembuatan Jadwal Kuliah
Implementasi Algoritma Genetika dalam Pembuatan Jadwal Kuliah Leonard Tambunan AMIK Mitra Gama Jl. Kayangan No. 99, Duri-Riau e-mail : leo.itcom@gmail.com Abstrak Pada saat ini proses penjadwalan kuliah
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Penjadwalan Penjadwalan adalah penempatan sumber daya (resource) dalam satu waktu. Penjadwalan mata kuliah merupakan persoalan penjadwalan yang umum dan sulit dimana tujuannya
Lebih 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 terperinci2 TINJAUAN PUSTAKA. 2.1 Peringkasan Teks
4 2 TINJAUAN PUSTAKA 2.1 Peringkasan Teks Peringkasan teks adalah proses pemampatan teks sumber ke dalam versi lebih pendek namun tetap mempertahankan informasi yang terkandung didalamnya (Barzilay & Elhadad
Lebih terperinciPengantar Kecerdasan Buatan (AK045218) Algoritma Genetika
Algoritma Genetika Pendahuluan Struktur Umum Komponen Utama Seleksi Rekombinasi Mutasi Algoritma Genetika Sederhana Referensi Sri Kusumadewi bab 9 Luger & Subblefield bab 12.8 Algoritma Genetika 1/35 Pendahuluan
Lebih terperinciJl. Ahmad Yani, Pontianak Telp./Fax.: (0561)
APLIKASI PENCARIAN RUTE TERPENDEK MENGGUNAKANALGORITMA GENETIKA (Studi Kasus: Pencarian Rute Terpendek untuk Pemadam Kebakaran di Wilayah Kota Pontianak) [1] Putri Yuli Utami, [2] Cucu Suhery, [3] Ilhamsyah
Lebih terperinciBAB III PEMBAHASAN. menggunakan model Fuzzy Mean Absolute Deviation (FMAD) dan penyelesaian
BAB III PEMBAHASAN Dalam bab ini akan dibahas mengenai pembentukan portofolio optimum menggunakan model Fuzzy Mean Absolute Deviation (FMAD) dan penyelesaian model Fuzzy Mean Absolute Deviation (FMAD)
Lebih 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 terperinciT I N J A U A N P U S T A K A Algoritma Genetika [5]
Algoritma Genetika [5] Fitness adalah nilai yang menyatakan baik-tidaknya suatu jalur penyelesaian dalam permasalahan TSP,sehingga dijadikan nilai acuan dalam mencari jalur penyelesaian optimal dalam algoritma
Lebih terperinciALGORITMA GENETIKA PADA PEMROGRAMAN LINEAR DAN NONLINEAR
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 5, No. 03(2016), hal 265 274. ALGORITMA GENETIKA PADA PEMROGRAMAN LINEAR DAN NONLINEAR Abdul Azis, Bayu Prihandono, Ilhamsyah INTISARI Optimasi
Lebih 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 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 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 terperinciGenetic Algorithme. Perbedaan GA
Genetic Algorithme Algoritma ini bekerja dengan sebuah populasi yang terdiri atas individu-individu (kromosom). Individu dilambangkan dengan sebuah nilai kebugaran (fitness) yang akan digunakan untuk mencari
Lebih terperinciBAB 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 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 terperinciLingkup Metode Optimasi
Algoritma Genetika Lingkup Metode Optimasi Analitik Linier Non Linier Single Variabel Multi Variabel Dgn Kendala Tanpa Kendala Numerik Fibonacci Evolusi Complex Combinasi Intelijen/ Evolusi Fuzzy Logic
Lebih terperinciBAB II LANDASAN TEORI
27 BAB II LANDASAN TEORI 2.1. Penelitian Terkait Penelitian terkait yang menggunakan algoritma genetika untuk menemukan solusi dalam menyelesaikan permasalahan penjadwalan kuliah telah banyak dilakukan.
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Penjadwalan Penjadwalan kegiatan belajar mengajar pada suatu lembaga pendidikan biasanya merupakan salah satu pekerjaan yang tidak mudah dan menyita waktu. Pada lembaga pendidikan
Lebih terperinciBAB II LANDASAN TEORI. Tahun 2001 pemilik CV. Tunas Jaya membuka usaha di bidang penjualan dan
BAB II LANDASAN TEORI 2.1 Sejarah Perusahaan Tahun 2001 pemilik CV. Tunas Jaya membuka usaha di bidang penjualan dan pengadaan suku cadang computer. Dalam bidang tersebut diharuskan berbadan hukum PD,
Lebih 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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan membahas landasan atas teori-teori yang bersifat ilmiah untuk mendukung penulisan tugas akhir ini. Teori-teori yang dibahas mengenai pengertian penjadwalan, algoritma
Lebih terperinciBAB 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 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 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 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 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 terperinci8. Evaluasi Solusi dan Kriteria Berhenti Perumusan Masalah METODE PENELITIAN Studi Pustaka Pembentukan Data
Gambar 4 Proses Swap Mutation. 8. Evaluasi Solusi dan Kriteria Berhenti Proses evaluasi solusi ini akan mengevaluasi setiap populasi dengan menghitung nilai fitness setiap kromosom sampai terpenuhi kriteria
Lebih terperinciTugas Mata Kuliah E-Bisnis REVIEW TESIS
Tugas Mata Kuliah E-Bisnis REVIEW TESIS Desain Algoritma Genetika Untuk Optimasi Penjadwalan Produksi Meuble Kayu Studi Kasus Pada PT. Sinar Bakti Utama (oleh Fransiska Sidharta dibawah bimbingan Prof.Kudang
Lebih 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 JALUR TRANSPORTASI PRODUK HOUSING CLUTCH DENGAN MENGGUNAKAN METODE ALGORITMA GENETIKA PADA PT. SUZUKI INDOMOBIL MOTOR PLANT CAKUNG
OPTIMASI JALUR TRANSPORTASI PRODUK HOUSING CLUTCH DENGAN MENGGUNAKAN METODE ALGORITMA GENETIKA PADA PT. SUZUKI INDOMOBIL MOTOR PLANT CAKUNG Disusun Oleh : Nama : Mochammad Brananta Arya Lasmono NPM : 34412653
Lebih terperinciKNAPSACK PROBLEM DENGAN ALGORITMA GENETIKA
LAPORAN TUGAS BESAR ARTIFICIAL INTELLEGENCE KNAPSACK PROBLEM DENGAN ALGORITMA GENETIKA Disusun Oleh : Bayu Kusumo Hapsoro (113050220) Barkah Nur Anita (113050228) Radityo Basith (113050252) Ilmi Hayyu
Lebih terperinciPEMAMPATAN MATRIKS JARANG DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL
Jurnal Matematika UNAND Vol. 3 No. 1 Hal. 98 106 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMAMPATAN MATRIKS JARANG DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL YOSI PUTRI, NARWEN
Lebih terperinciOptimasi Penjadwalan Ujian Menggunakan Algoritma Genetika
Optimasi Penjadwalan Ujian Menggunakan Algoritma Genetika Nia Kurnia Mawaddah Wayan Firdaus Mahmudy, (wayanfm@ub.ac.id) Jurusan Matematika, FMIPA Universitas Brawijaya, Malang 65145 Abstrak Penjadwalan
Lebih terperinciBab II Konsep Algoritma Genetik
Bab II Konsep Algoritma Genetik II. Algoritma Genetik Metoda algoritma genetik adalah salah satu teknik optimasi global yang diinspirasikan oleh proses seleksi alam untuk menghasilkan individu atau solusi
Lebih terperinciPERANCANGAN ALGORITMA GENETIKA DALAM PENYUSUNAN TEKA-TEKI SILANG
PERANCANGAN ALGORITMA GENETIKA DALAM PENYUSUNAN TEKA-TEKI SILANG Afen Prana Utama 1, Edison Sinaga 1 D-3 Manajemen Informatika - STMIK Mikroskil Medan afen@mikroskil.ac.id Abstrak Teka-teki silang merupakan
Lebih terperinciGenerator Jadwal Perkuliahan Menggunakan Algoritma Genetika
Generator Jadwal Perkuliahan Menggunakan Algoritma Genetika Zainal Akbar 1), Muh. Fajri Raharjo 2), Eddy Tungadi 3) CAIR, Politeknik Negeri Ujung Pandang Jl. Perintis Kemerdekaan km. 10, Tamalanrea Makassar,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Travelling Salesman Problem (TSP) Persoalan TSP merupakan salah satu persoalan optimasi kombinatorial (kombinasi permasalahan). Banyak permasalahan yang dapat direpresentasikan
Lebih 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 terperinciBAB III ANALISA MASALAH DAN RANCANGAN PROGRAM
BAB III ANALISA MASALAH DAN RANCANGAN PROGRAM III.1. Analisa Masalah Perkembangan game dari skala kecil maupun besar sangat bervariasi yang dapat dimainkan oleh siapa saja tanpa memandang umur, dari anak
Lebih 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 terperinciPENERAPAN ALGORITMA GENETIK UNTUK OPTIMASI DENGAN MENGUNAKAN PENYELEKStAN RODA ROULETTE
PENERAPAN ALGORTMA GENETK UNTUK OPTMAS DENGAN MENGUNAKAN PENYELEKStAN RODA ROULETTE Samuel Lukas, M.Tech." Abstract The purpose of this paper is to introducing genetic algorithm. This algorithm is one
Lebih terperinciBAB III ALGORITMA MEMETIKA DALAM MEMPREDIKSI KURS VALUTA ASING. Untuk memberikan penjelasan mengenai prediksi valuta asing
BAB III ALGORITMA MEMETIKA DALAM MEMPREDIKSI KURS VALUTA ASING Untuk memberikan penjelasan mengenai prediksi valuta asing menggunakan algoritma memetika, akan diberikan contoh sebagai berikut. Contoh Misalkan
Lebih 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 terperinciPencarian Rute Terpendek untuk Pengoptimalan Ditribusi Sales Rokok Gudang Garam di kecamatan Wuluhan Kabupaten Jember Menggunakan Algoritma Genetika
Pencarian Rute Terpendek untuk Pengoptimalan Ditribusi Sales Rokok Gudang Garam di kecamatan Wuluhan Kabupaten Jember Menggunakan Algoritma Genetika Priza Pandunata, Rachmad Agung Bagaskoro, Agung Ilham
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 terperinciZbigniew M., Genetic Alg. + Data Structures = Evolution Program, Springler-verlag.
Zbigniew M., Genetic Alg. + Data Structures = Evolution Program, Springler-verlag. 12/11/2009 1 Ditemukan oleh Holland pada tahun 1975. Didasari oleh fenomena evolusi darwin. 4 kondisi yg mempengaruhi
Lebih 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 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 terperinciPERANCANGAN ALGORITMA GENETIKA UNTUK MENENTUKAN JALUR TERPENDEK. Kata kunci: Algoritma Genetika, Shortest Path Problem, Jalur Terpendek
PERANCANGAN ALGORITMA GENETIKA UNTUK MENENTUKAN JALUR TERPENDEK Fajar Saptono 1, Taufiq Hidayat 2 Laboratorium Pemrograman dan Informatika Teori Jurusan Teknik Informatika, Fakultas Teknologi Industri,
Lebih terperinciPeramalan Kebutuhan Beban Sistem Tenaga Listrik Menggunakan Algoritma Genetika
Peramalan Kebutuhan Beban Sistem Tenaga Listrik Menggunakan Algoritma Genetika M. Syafrizal, Luh Kesuma Wardhani, M. Irsyad Jurusan Teknik Informatika - Universitas Islam Negeri Sultan Syarif Kasim Riau
Lebih terperinciBAB III IMPLEMENTASIALGORITMA GENETIK DAN ACS PADA PERMASALAHAN TRAVELLING SALESMAN PROBLEM
BAB III IMPLEMENTASIALGORITMA GENETIK DAN ACS PADA PERMASALAHAN TRAVELLING SALESMAN PROBLEM 3.1 TRAVELLING SALESMAN PROBLEM Sebelum membahas pencarian solusi Travelling Salesman Problem menggunakan algoritma
Lebih terperinciPENERAPAN ALGORITMA GENETIKA PADA PERSOALAN PEDAGANG KELILING (TSP)
Abstrak PENERAPAN ALGORITMA GENETIKA PADA PERSOALAN PEDAGANG KELILING (TSP) Aulia Fitrah 1, Achmad Zaky 2, Fitrasani 3 Program Studi Informatika, Sekolah Teknik Elektro dan Informatika, Institut Teknologi
Lebih terperinciDAFTAR ISI. Tim Redaksi... i Kata Pengantar... ii Daftar Isi... iii
DAFTAR ISI Tim Redaksi... i Kata Pengantar... ii Daftar Isi... iii Faiz Rafdh Ch SISTEM INFORMASI ZAKAT BERBASIS WEB MENGGUNAKAN PHP DAN MYSQL PADA RUMAH ZAKATINDONESIA 1-7 Abdul Jamil Syamsul Bachtiar
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Pada saat sekarang ini, setiap perusahaan yang ingin tetap bertahan dalam persaingan dengan perusahaan lainnya, harus bisa membuat semua lini proses bisnis perusahaan tersebut
Lebih 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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Algoritma Genetika Algoritma Genetika merupakan suatu algoritma yang terinspirasi dari teori evolusi Darwin yang menyatakan bahwa kelangsungan hidup suatu makhluk dipengaruhi
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan membahas landasan atas teori-teori yang bersifat ilmiah untuk mendukung penulisan skripsi ini. Teori-teori yang dibahas mengenai optimisasi, pengertian penjadwalan,
Lebih terperinciImplementasi Algoritma Genetika Untuk Pencarian Rute Berdasarkan Waktu Tercepat Objek Wisata Di Kabupaten Ngawi. Makalah
Implementasi Algoritma Genetika Untuk Pencarian Rute Berdasarkan Waktu Tercepat Objek Wisata Di Kabupaten Ngawi Makalah Disusun sebagai salah satu syarat menyelesaikan Program Studi Strata I pada Jurusan
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 terperinciPERANCANGAN TATA LETAK FASILITAS BAGIAN PRODUKSI MENGGUNAKAN METODE ALGORITMA GENETIK DI PT. PUTRA SEJAHTERA MANDIRI
PERANCANGAN TATA LETAK FASILITAS BAGIAN PRODUKSI MENGGUNAKAN METODE ALGORITMA GENETIK DI PT. PUTRA SEJAHTERA MANDIRI TUGAS SARJANA Diajukan Untuk Memenuhi Sebagian Dari Syarat-Syarat Memperoleh Gelar Sarjana
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Konsep Dasar Sistem dan Informasi 2.1.1 Sistem Menurut Sutabri (2004), bahwa sistem adalah sekelompok unsur yang erat hubungannya satu dengan yang lainnya berfungsi untuk mencapai
Lebih terperinciBAB II LANDASAN TEORI. digunakan sebagai alat pembayaran yang sah di negara lain. Di dalam
BAB II LANDASAN TEORI 2.1 Valuta Asing Valuta asing dapat diartikan sebagai mata uang yang dikeluarkan dan digunakan sebagai alat pembayaran yang sah di negara lain. Di dalam hukum ekonomi bila terdapat
Lebih terperinciTravelling Salesman Problem Menggunakan Algoritma Genetika Via GPS Berbasis Android
1 Travelling Salesman Problem Menggunakan Algoritma Genetika Via GPS Berbasis Android Azmi Baharudin, Ary Mazharuddin Shiddiqi, Baskoro Adi Pratomo Jurusan T.Informatika, Fakultas Teknologi Informasi,
Lebih terperinciOPTIMASI QUERY DATABASE MENGGUNAKAN ALGORITMA GENETIK
Seminar Nasional Aplikasi Teknologi Informasi 2008 (SNATI 2008) ISSN 1907-5022 OPTIMASI QUERY DATABASE MENGGUNAKAN ALGORITMA GENETIK Manahan Siallagan, Mira Kania Sabariah, Malanita Sontya Jurusan Teknik
Lebih terperinciPERANCANGAN APLIKASI PENJADWALAN KERETA API DENGAN MENGGUNAKAN ALGORITMA GENETIKA (Studi Kasus: Stasiun Kereta Api Bandar Khalipah Medan)
PERANCANGAN APLIKASI PENJADWALAN KERETA API DENGAN MENGGUNAKAN ALGORITMA GENETIKA (Studi Kasus: Stasiun Kereta Api Bandar Khalipah Medan) Nurhamidah Lubis 1, Garuda Ginting 2 Mahasiswa Teknik Informatika
Lebih terperinciBAB I PENDAHULUAN. wisata budaya, wisata belanja, hingga wisata Alam. Untuk menarik minat
BAB I PENDAHULUAN A. Latar Belakang Masalah Objek pariwisata di Yogyakarta sudah semakin beragam mulai dari wisata budaya, wisata belanja, hingga wisata Alam. Untuk menarik minat wisatawan dapat dibuat
Lebih terperinciBAB III PENERAPAN ALGORITMA MEMETIKA DAN GRASP DALAM MENYELESAIKAN PFSP
BAB III PENERAPAN ALGORITMA MEMETIKA DAN GRASP DALAM MENYELESAIKAN PFSP Prosedur AM dan GRASP dalam menyelesaikan PFSP dapat digambarkan oleh flowchart berikut: NEH GRASP SOLUSI NEH SOLUSI ELIT MEMETIKA
Lebih terperinciHASIL DAN PEMBAHASAN. Gambar 7 Diagram alur proses mutasi.
5 Mulai HASIL DAN PEMBAHASAN Kromosom P = rand [0,1] Ya P < Pm R = random Gen(r) dimutasi Selesai Tidak Gambar 7 Diagram alur proses mutasi. Hasil populasi baru yang terbentuk akan dievaluasi kembali dan
Lebih terperinciPERFORMANCE ALGORITMA GENETIKA (GA) PADA PENJADWALAN MATA PELAJARAN
PERFORMANCE ALGORITMA GENETIKA (GA) PADA PENJADWALAN MATA PELAJARAN Eva Desiana, M.Kom Pascasarjana Teknik Informatika Universitas Sumatera Utara, SMP Negeri 5 Pematangsianta Jl. Universitas Medan, Jl.
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
5 BAB 2 TINJAUAN PUSTAKA 2.1. Algoritma Genetika Pada tahun 1975, John Holland, di dalam bukunya yang berjudul Adaption in Natural and Artificial Systems, mengemukakan komputasi berbasis evolusi. Tujuannya
Lebih terperinciBAB III. Solusi Optimal Permasalahan Penjadwalan Perkuliahan Menggunakan Algoritma Fuzzy Evolusi
BAB III Solusi Optimal Permasalahan Penjadwalan Perkuliahan Menggunakan Algoritma Fuzzy Evolusi Pada bab ini dijelaskan mengenai penerapan dari algoritma fuzzy evolusi pada permasalahan penjadwalan perkuliahan.
Lebih terperinciPenyelesaian Puzzle Sudoku menggunakan Algoritma Genetik
Penyelesaian Puzzle Sudoku menggunakan Algoritma Genetik Afriyudi 1,Anggoro Suryo Pramudyo 2, M.Akbar 3 1,2 Program Studi Sistem Informasi Fakultas Ilmu Komputer. Universitas Bina Darma Palembang. email
Lebih terperinciPENDAHULUAN. Latar Belakang. Tujuan Penelitian
PENDAHULUAN Latar Belakang Fungsi Cobb-Douglas dengan galat aditif merupakan salah satu fungsi produksi yang dapat digunakan untuk menganalisis hubungan antara hasil produksi dan faktor-faktor produksi.
Lebih terperinciAlgoritma Genetika dan Penerapannya dalam Mencari Akar Persamaan Polinomial
Algoritma Genetika dan Penerapannya dalam Mencari Akar Persamaan Polinomial Muhammad Abdy* 1, Maya Sari Wahyuni* 2, Nur Ilmi* 3 1,2,3 Jurusan Matematika, Universitas Negeri Makassar e-mail: * 1 m.abdy@unm.ac.id,
Lebih terperinciENKRIPSI-DEKRIPSI DENGAN ALGORITMA GENETIKA
ENKRIPSI-DEKRIPSI DENGAN ALGORITMA GENETIKA Studi Kasus : "Implementasi konsep Algoritma Genetik untuk meningkatkan aspek kerahasiaan data pada Algoritma Knapsack" 1. Pendahuluan Masalah keamanan dan kerahasiaan
Lebih terperinciALGORITMA GENETIKA PADA PENYELESAIAN AKAR PERSAMAAN SEBUAH FUNGSI
ALGORITMA GENETIKA PADA PENYELESAIAN AKAR PERSAMAAN SEBUAH FUNGSI Akhmad Yusuf dan Oni Soesanto Program Studi Matematika Universitas Lambung Mangkurat Jl. Jend. A. Yani km 35, 8 Banjarbaru ABSTRAK Algoritma
Lebih terperinciPENYELESAIAN KNAPSACK PROBLEM MENGGUNAKAN ALGORITMA GENETIKA
PENYELESAIAN KNAPSACK PROBLEM MENGGUNAKAN ALGORITMA GENETIKA Kartina Diah KW1), Mardhiah Fadhli2), Charly Sutanto3) 1,2) Jurusan Teknik Komputer Politeknik Caltex Riau Pekanbaru Jl. Umban Sari No.1 Rumbai-Pekanbaru-Riau
Lebih terperinciIMPLEMENTASI ALGORITMA GENETIKA UNTUK MENYELESAIKAN TRAVELLING SALESMAN PROBLEM
Info Artikel UJM 2 (2) (2013) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm IMPLEMENTASI ALGORITMA GENETIKA UNTUK MENYELESAIKAN TRAVELLING SALESMAN PROBLEM Firar Anitya Sari,
Lebih terperinciProsiding Matematika ISSN:
Prosiding Matematika ISSN: 2460-6464 Representasi Matriks untuk Proses Crossover Pada Algoritma Genetika untuk Optimasi Travelling Salesman Problem Matrix Representation for The Crossover on Genetic Algorithm
Lebih terperinciSistem Penjadwalan Outsourcing Menggunakan Algoritma Genetika (Studi Kasus : PT. Syarikatama)
Sistem Penjadwalan Outsourcing Menggunakan Algoritma Genetika (Studi Kasus : PT. Syarikatama) Ari Janata 1, Elin Haerani 2 1,2 Teknik Informatika, UIN Sultan Syarif Kasim Riau Jl. H.R. Soebrantas no. 155
Lebih terperinciBAB 2 LANDASAN TEORI
5 BAB 2 LANDASAN TEORI Pada bab ini akan dibicarakan beberapa model penyelesaian problema Knapsack dengan memakai beberapa metode yang telah ada yang akan digunakan pada bab pembahasan. 2. Problema Knapsack
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 terperinciABSTRAK. Universitas Kristen Maranatha
ABSTRAK Dalam beberapa tahun terakhir ini, peranan algoritma genetika terutama untuk masalah optimisasi, berkembang dengan pesat. Masalah optimisasi ini beraneka ragam tergantung dari bidangnya. Dalam
Lebih terperinciBAB 2 LANDASAN TEORI. 2.1 Algoritma
13 BAB 2 LANDASAN TEORI 2.1 Algoritma Dalam matematika dan komputasi, algoritma merupakan kumpulan perintah untuk menyelesaikan suatu masalah. Perintah-perintah ini dapat diterjemahkan secara bertahap
Lebih terperinci