Crossover Probability = 0.5 Mutation Probability = 0.1 Stall Generation = 5
|
|
- Veronika Kurniawan
- 6 tahun lalu
- Tontonan:
Transkripsi
1 oleh pengguna sistem adalah node awal dan node tujuan pengguna. Lingkungan Pengembangan Sistem Implementasi Algoritme Genetika dalam bentuk web client menggunakan bahasa pemrograman PHP dan DBMS MySQL. Spesifikasi perangkat keras dan perangkat lunak komputer yang digunakan dalam penelitian ini sebagai berikut : Perangkat keras : Prosesor AMD Turion X2 dual core CPU 2.0 GHz, Memori 2.5 GB DDR2, hardisk 160 GB, mouse. Perangkat lunak : Microsoft Windows XP SP 2, XAMPP 1.7.1, PHP 5.2.6, Firefox 3.0.6, Notepad++. HASIL DAN PEMBAHASAN Perancangan supply chain network dalam menentukan jalur distribusi optimum dengan menggunakan Algoritme Genetika diawali dengan pembentukan representasi peta jalan Kota Bogor ke dalam bentuk graf. Perancangan tersebut diimplementasikan dalam web client dengan tujuan mempermudah pengguna dalam menggunakan rancangan tersebut. Tampilan web client yang telah dibuat dapat dilihat pada Lampiran 4. Algoritme Genetika yang digunakan untuk menentukan rute optimum jalur distribusi ini terdiri atas beberapa tahapan, yaitu representasi kromosom, penentuan populasi awal, menghitung nilai fitness, proses elitisme, proses seleksi, crossover, mutasi dan evaluasi kriteria berhenti algoritme. Untuk tahapan representasi kromosom, dari dua metode representasi kromosom yang dicoba dipilih salah satu metode representasi kromosom yang paling tepat. Dari percobaan yang dilakukan sebelumnya dalam penelitian ini menunjukkan bahwa metode Binary Encoding and Decoding membutuhkan waktu eksekusi program yang lebih lama daripada metode representasi kromosom Priority-based Encoding and Decoding. Oleh karena itu, metode Prioritybased Encoding and Decoding lebih tepat untuk merepresentasikan masalah yang dihadapi ke dalam bentuk kromosom sehingga penelitian ini menggunakan representasi kromosom dengan metode Priority-based Encoding and Decoding. Algoritme Genetika memerlukan pemilihan parameter yang tepat agar dapat memaksimalkan kinerja algoritme tersebut. Oleh karena itu tahap pengujian dalam penelitian ini terdiri atas dua kali percobaan. Percobaan pertama adalah menentukan parameter optimal Algoritme Genetika. Percobaan kedua adalah menguji hasil keluaran sistem Algoritme Genetika berbasis web. Percobaan 1 Percobaan ini bertujuan menentukan parameter Algoritme Genetika yang paling optimal, yang terdiri atas pengujian parameter ukuran populasi, crossover probability, mutation probability, dan stall generation. Percobaan dilakukan dengan pengulangan masing-masing 10 kali dan untuk setiap percobaan node awal dan node tujuan ditetapkan masing-masing secara berurutan yaitu Node 21 dan Node 24. Percobaan untuk menentukan parameter ukuran populasi yang optimal dilakukan dengan cara mengubah nilai parameter ukuran populasi, sedangkan parameter yang lain dibuat tetap. Percobaan untuk menentukan parameter optimal crossover probability, mutation probability, dan stall generation dilakukan dengan cara yang sama dan parameter bukan uji dibuat tetap. Dalam menentukan parameter optimal ukuran populasi, parameter Algoritme Genetika yang terdiri atas crossover probability, mutation probability, dan stall generation nilainya dibuat tetap, secara berurutan yaitu 0.5, 0.1, dan 5. Nilai parameter ukuran populasi yang akan diuji adalah 50, 100, 150, 200, 250, 300, 350, dan 400. Pengujian akan dilakukan masing-masing sebanyak 10 kali pengulangan. Hasil pengujian dapat dilihat pada Lampiran 5. Parameter ukuran populasi yang optimal didapatkan dengan memilih nilai ukuran populasi yang memiliki nilai fitness rata-rata paling kecil sehingga akan menghasilkan rute yang paling optimum. Parameter dan hasil uji dapat dilihat pada Tabel 2. Tabel 2 Parameter ukuran populasi dengan nilai fitness rata-rata. Ukuran Populasi Crossover Probability = 0.5 Mutation Probability = 0.1 Stall Generation = 5 10
2 Pada Gambar 11 dapat dilihat hubungan parameter ukuran populasi dengan rata-rata nilai fitness. Nilai parameter crossover probability yang akan diuji adalah 0.5, 0.6, 0.7, 0.8, dan 0.9. Ukuran populasi yang digunakan dalam pengujian ini adalah 300 kromosom yang merupakan ukuran populasi optimal berdasarkan hasil percobaan sebelumnya. Hasil pengujian dapat dilihat pada Lampiran 6. Parameter dan hasil uji dapat dilihat pada Tabel 3. Tabel 3 Parameter crossover probability dengan nilai fitness rata-rata. Gambar 11 Hubungan Ukuran Populasi dan Nilai Fitness Rata-Rata. Dari Gambar 11 dapat dilihat kecenderungan bahwa semakin besar ukuran populasi akan menghasilkan nilai fitness ratarata yang sama atau semakin kecil. Ukuran populasi yang menghasilkan nilai fitness ratarata paling kecil adalah 300, 350, dan 400 kromosom dengan nilai fitness rata-rata Namun untuk memilih nilai ukuran populasi yang lebih baik untuk digunakan adalah dilihat dari hubungan ukuran populasi dengan waktu eksekusi program. Pada Gambar 12 diperlihatkan hubungan nilai ukuran populasi dengan waktu eksekusi program. Pada Gambar 12 dapat dilihat bahwa semakin besar nilai ukuran populasi maka waktu eksekusi yang diperlukan akan semakin lama, sehingga hasil pengujian menunjukkan bahwa parameter ukuran populasi yang optimal adalah 300 kromosom. Crossover Probability Ukuran Populasi = 300 Mutation Probability = 0.1 Stall Generation = 5 Pada Gambar 13 diperlihatkan hubungan parameter crossover probability dengan nilai fitness rata-rata. Pada Gambar 13 dapat dilihat bahwa untuk setiap nilai crossover probability akan menghasilkan nilai fitness rata-rata yang sama. Gambar 13 Hubungan Crossover Probability dan Nilai Fitness. Gambar 12 Hubungan Ukuran Populasi dan Waktu Eksekusi Program. Hal ini memperlihatkan bahwa semua nilai crossover probability tersebut menghasilkan nilai rata-rata fitness optimum, namun untuk memilih nilai crossover probability yang lebih baik untuk digunakan adalah dilihat dari hubungan antara nilai crossover probability dengan akhir generasi yang dihasilkan yang dapat dilihat pada Gambar
3 Pada Gambar 15 dapat dilihat hubungan parameter mutation probability dengan nilai fitness rata-rata. Gambar 14 Hubungan Crossover Probability dan Akhir Generasi. Gambar 14 diperlihatkan semua nilai crossover probability yang menghasilkan nilai fitness rata-rata sama. Dari nilai crossover probability ini dapat dilihat perbedaan akhir generasi yang dihasilkan. Akhir generasi ini memperlihatkan penggunaan crossover probability, semakin besar akhir generasi yang didapatkan untuk menghasilkan rute optimum maka crossover probability yang menghasilkan akhir generasi tersebut akan semakin baik digunakan. Hasil pengujian menunjukkan bahwa parameter crossover probability yang optimal adalah 0.6. Nilai parameter mutation probability yang akan diuji adalah 0.1, 0.2, 0.3, 0.4, 0.5, dan 0.6. Parameter ukuran populasi dan crossover probability yang digunakan dalam pengujian ini secara berurutan adalah 300 dan 0.6 yang merupakan parameter optimal berdasarkan hasil percobaan sebelumnya. Hasil pengujian dapat dilihat pada Lampiran 7. Parameter dan hasil uji dapat dilihat pada Tabel 4. Tabel 4 Parameter mutation probability dengan nilai fitness rata-rata. Mutation Probability Ukuran Populasi = 300 Crossover Probability = 0.6 Stall Generation = 5 Gambar 15 Hubungan Mutation Probability dan Nilai Fitness. Dari Gambar 15 dapat dilihat bahwa nilai mutation probability 0.1, 0.2, 0.3, 0.4, 0.5, dan 0.6 menghasilkan nilai fitness rata-rata yang sama sehingga dari hubungan ini tidak bisa ditentukan nilai parameter mutation probability optimal. Penentuan parameter mutation probability yang lebih baik untuk digunakan adalah dilihat dari hubungan antara nilai mutation probability dengan akhir generasi yang dihasilkan. Hubungan parameter mutation probability dengan akhir generasi rata-rata dapat dilihat pada Gambar 16. Gambar 16 Hubungan Mutation Probability dan Akhir Generasi. Pada Gambar 16 ditunjukkan semua nilai mutation probability yang menghasilkan nilai fitness rata-rata sama. Dari nilai-nilai mutation probability ini dapat dilihat perbedaan akhir generasi yang dihasilkan. Akhir generasi ini 12
4 memperlihatkan penggunaan mutation probability, semakin besar akhir generasi yang didapatkan untuk menghasilkan rute optimum maka mutation probability yang menghasilkan akhir generasi tersebut akan semakin baik digunakan. Hasil pengujian menunjukkan bahwa parameter mutation probability yang optimal adalah 0.5. Nilai parameter stall generation yang akan diuji adalah 5, 10, 15, dan 20. Parameter ukuran populasi, crossover probability dan mutation probability yang digunakan dalam pengujian ini secara berurutan adalah 300, 0.6, dan 0.5 yang merupakan parameter optimal berdasarkan hasil percobaan sebelumnya. Salah satu kriteria berhenti Algoritme Genetika adalah apabila nilai fitness tidak mengalami perubahan selama generasi yang ditentukan yang disebut dengan stall generation. Hasil pengujian dapat dilihat pada Lampiran 8. Parameter dan hasil uji dapat dilihat pada Tabel 5. Dari Gambar 17 dapat dilihat bahwa semua nilai stall generation menghasilkan nilai fitness yang sama. Oleh sebab itu hubungan ini tidak bisa digunakan untuk menentukan parameter stall generation yang lebih baik untuk digunakan. Penentuan parameter stall generation ditentukan oleh waktu eksekusi program. Pada Gambar 18 ditunjukkan hubungan parameter stall generation dengan waktu eksekusi. Semakin besar nilai parameter stall generation yang digunakan maka akan menghasilkan waktu eksekusi program yang lebih lama. Hasil pengujian menunjukkan bahwa parameter stall generation yang optimal adalah 5, karena dengan menggunakan nilai parameter stall generation yaitu 5 hanya akan membutuhkan waktu eksekusi program rata-rata sebesar 3 detik. Tabel 5 Parameter stall generation dengan nilai fitness rata-rata. Stall Generation Ukuran Populasi = 300 Crossover Probability = 0.6 Mutation Probability = 0.5 Hubungan parameter stall generation dengan nilai fitness rata-rata dapat dilihat dalam Gambar 17. Gambar 17 Hubungan Stall Generation dan Nilai Fitness. Gambar 18 Hubungan Stall Generation dan Waktu Eksekusi. Percobaan 2 Algoritme Genetika ini diimplementasikan dalam sebuah web client dengan menggunakan parameter optimal yang telah didapatkan yaitu parameter ukuran populasi, crossover probability, mutation probability, dan stall generation secara berurutan adalah 300, 0.6, 0.5, dan 5. Pada percobaan ini akan dilakukan pengujian rute distribusi optimum yang dihasilkan dari sistem berbasis web. Input yang dimasukkan oleh pengguna sistem adalah node awal dan node tujuan pengguna. Pada percobaan ini, node awal yang dipilih adalah Node 21, sedangkan node tujuan yang dipilih adalah Node 42. Rute dari Node 21 menuju Node 42 dapat dilewati melalui beberapa alternatif rute. Beberapa alternatif rute tersebut secara berurutan dapat dilihat pada Gambar 19, Gambar 20, Gambar 21, Gambar 22, Gambar 23, Gambar
5 Gambar 19 Rute Alternatif 1. Gambar 23 Rute Alternatif 5. Gambar 20 Rute Alternatif 2. Gambar 21 Rute Alternatif 3. Gambar 22 Rute Alternatif 4. Gambar 24 Rute Alternatif 6. Pada Tabel 6 dapat dilihat jarak tempuh, waktu tempuh rata-rata, dan nilai fitness yang dihasilkan dengan menggunakan perhitungan secara manual dari masing-masing gambar di atas. Tabel 6 Jarak tempuh, waktu tempuh rata - rata, dan nilai fitness. Alternatif Rute Jarak (meter) Waktu Rata- Rata (detik) Nilai Fitness Rute Rute Rute Rute Rute Rute Dari Tabel 6 dapat dilihat bahwa rute yang paling optimum adalah rute alternatif 2, yaitu Node Rute ini memiliki nilai fitness terkecil sehingga dianggap merupakan rute paling optimum. 14
6 Rute optimum antarnode sebagai representasi dari jalur distribusi yang dihasilkan oleh sistem berbasis web dengan node awal adalah Node 21 dan node akhir adalah Node 42 sebagai berikut : Rute : Node 21 - Node 35 - Node 14 - Node 15 - Node 27 - Node 28 - Node 42. Jalan yang dilalui : Kapten Muslihat - Kapten Muslihat - Ir.H.Juanda - Ir.H.Juanda - Sudirman - Sudirman. Jarak tempuh : 1434 meter. Waktu tempuh rata-rata : 202 detik. Tampilan sistem yang menghasilkan rute optimum ini dapat dilihat pada Lampiran 9. Rute optimum yang dihasilkan oleh sistem berbasis web sama dengan rute optimum yang dihasilkan dengan perhitungan secara manual di atas. Hal ini menunjukkan bahwa sistem berbasis web tersebut berjalan dengan baik. Kesimpulan KESIMPULAN DAN SARAN Berdasarkan hasil penelitian didapat beberapa kesimpulan, yaitu : 1. Perancangan supply chain network dalam menentukan rute optimum jalur distribusi yang dilakukan dengan menggunakan Algoritme Genetika dan diimplementasikan dalam bentuk web client sudah dapat berjalan dengan baik. 2. Kinerja Algoritme Genetika dalam penelitian ini yang bertujuan menentukan rute optimum jalur distribusi dalam supply chain network dengan menggunakan data peta jalan Kota Bogor akan mencapai optimal pada kombinasi nilai parameter untuk ukuran populasi, crossover probability, mutation probability, dan stall generation secara berurutan adalah 300, 0.6, 0.5 dan Hubungan jumlah kromosom dengan nilai fitness rata-rata tidak bisa digunakan untuk menentukan nilai parameter ukuran populasi yang paling optimum, sehingga digunakan hubungan jumlah kromosom dan waktu eksekusi program. 4. Hubungan crossover probability dan mutation probability dengan nilai fitness rata-rata tidak bisa digunakan untuk menentukan nilai parameter crossover probability dan mutation probability yang paling optimum, sehingga digunakan hubungan crossover probability dan mutation probability dengan akhir generasi algoritme. 5. Hubungan stall generation dengan nilai fitness rata-rata tidak bisa digunakan untuk menentukan nilai parameter stall generation yang paling optimum, sehingga digunakan hubungan stall generation dengan waktu eksekusi program. Saran Beberapa saran yang dapat dilakukan untuk penelitian berikutnya, yaitu: 1. Mengembangkan sistem ini dengan mengakomodasi masalah kepadatan lalu lintas dengan membedakan antara waktu sibuk dan waktu tidak sibuk. 2. Mengembangkan visualisasi yang baik untuk sistem penentuan rute optimum ini. 3. Mempercepat proses eksekusi program Algoritme Genetika dengan memanfaatkan Algoritme Genetika parallel. DAFTAR PUSTAKA Ayers B Handbook of Supply Chain Management. USA : st.lucie Press. Gen M, Cheng R Genetic Algorithm and Engineering Optimization. Canada. John Wiley & Sons, Inc. Gen M, Cheng R Network Models and Optimization. London. Springer-Verlag London. Goldberg D Genetic Algorithms in Search, Optimization, and Machine Learning. England : Addison-Wesley Publishing Company. Hugos M Essentials of Supply Chain Management. Canada : John Wiley & Sons, Inc. Priasa A Perancangan Supply Chain Network Untuk Penentuan Lokasi Produksi dan Jalur Distribusi [skripsi]. Bogor. Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Sivanandam S, Deepa S Introduction to Genetic Algorithms. New York. Springerverlag Berlin Heidelberg. Suyanto Algoritma Genetika Dalam Matlab. Yogyakarta : Andi. Thiang, dkk Implementation of Genetic Algorithm on MCS51 Microcontroller for 15
PENENTUAN RUTE OPTIMUM JALUR DISTRIBUSI DALAM SUPPLY CHAIN NETWORK MENGGUNAKAN ALGORITME GENETIKA DESCA MARWAN TONI
PENENTUAN RUTE OPTIMUM JALUR DISTRIBUSI DALAM SUPPLY CHAIN NETWORK MENGGUNAKAN ALGORITME GENETIKA DESCA MARWAN TONI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
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 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 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 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 terperinciUSULAN PENERAPAN PENJADWALAN DENGAN MENGGUNAKAN METODE ALGORITMA GENETIKA DI PD BLESSING
USULAN PENERAPAN PENJADWALAN DENGAN MENGGUNAKAN METODE ALGORITMA GENETIKA DI PD BLESSING Santoso 1*, Eldad Dufan Sopater Subito 2 1,2 Jurusan Teknik Industri, Fakultas Teknik, Universitas Kristen Maranatha
Lebih 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 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 3 ANALISIS DAN PERANCANGAN APLIKASI
27 BAB 3 ANALISIS DAN PERANCANGAN APLIKASI 3.1 Analisis Pada subbab ini akan diuraikan tentang analisis kebutuhan untuk menyelesaikan masalah jalur terpendek yang dirancang dengan menggunakan algoritma
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3 Agar penelitian yang dilakukan sesuai dengan tujuan yang diharapkan maka diperlukan langkah-langkah yang tersusun secara sistematis seperti yang dijabarkan pada gambar 3.1
Lebih terperinciPENJADWALAN PERKULIAHAN MENGGUNAKAN ALGORITME GENETIKA
PENJADWALAN PERKULIAHAN MENGGUNAKAN ALGORITME GENETIKA Muhammad Syadid 1, Irman Hermadi 2, Sony Hartono Wijaya 2 1 Mahasiswa Departemen Ilmu Komputer, Fakultas Matematika dan IPA, Institut Pertanian Bogor
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 terperinciPenerapan Algoritma Genetika pada Peringkasan Teks Dokumen Bahasa Indonesia
Penerapan Algoritma Genetika pada Peringkasan Teks Dokumen Bahasa Indonesia Aristoteles Jurusan Ilmu Komputer FMIPA Universitas Lampung aristoteles@unila.ac.id Abstrak.Tujuan penelitian ini adalah meringkas
Lebih 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 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 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 terperinciMega Orina Fitri Dosen Jurusan Ilmu Perpustakaan UIN Imam Bonjol Padang ABSTRAK
OPTIMASI PENGANGKUTAN PETI KEMAS DALAM PENYELESAIAN KNAPSACK BERDASARKAN PERBANDINGAN ALGORITMA GENETIKA DAN ALGORITMA GREEDY Mega Orina Fitri Dosen Jurusan Ilmu Perpustakaan UIN Imam Bonjol Padang Email
Lebih terperinciBAB III METODE PENELITIAN. Penelitian dilakukan dilingkungan Jurusan Ilmu Komputer Fakultas Matematika
BAB III METODE PENELITIAN 3.1. Waktu dan Tempat Penelitian Penelitian dilakukan dilingkungan Jurusan Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Lampung. Waktu penelitian dilaksanakan
Lebih terperinciHASIL DAN PEMBAHASAN. ditampilkan dalam sebuah layer yang akan muncul dalam aplikasi SIG. Integrasi dan Perancangan Antarmuka Sistem
ditampilkan dalam sebuah layer yang akan muncul dalam aplikasi SIG. Integrasi dan Perancangan Antarmuka Sistem Aplikasi SIG bukanlah sistem yang plug and play sehingga ada kemungkinan beberapa komponen
Lebih terperinciPEMANFAATAN ALGORITMA FUZZY EVOLUSI UNTUK PENYELESAIAN KASUS TRAVELLING SALESMAN PROBLEM
PEMANFAATAN ALGORITMA FUZZY EVOLUSI UNTUK PENYELESAIAN KASUS TRAVELLING SALESMAN PROBLEM Syafiul Muzid Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia, Yogyakarta E-mail:
Lebih terperinciSeminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004
Seminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004 Penyelesaian Masalah Penugasan dengan Algoritma Genetika Zainudin Zukhri Jurusan Teknik Informatika, Fakultas Teknologi Industri,
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 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 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 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 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 terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Konsep Umum Optimasi Optimasi merupakan suatu cara untuk menghasilkan suatu bentuk struktur yang aman dalam segi perencanaan dan menghasilkan struktur yang
Lebih terperinciMEMBANGUN TOOLBOX ALGORITMA EVOLUSI FUZZY UNTUK MATLAB
MEMBANGUN TOOLBOX ALGORITMA EVOLUSI FUZZY UNTUK MATLAB Syafiul Muzid 1, Sri Kusumadewi 2 1 Sekolah Pascasarjana Magister Ilmu Komputer, Universitas Gadjah Mada, Yogyakarta e-mail: aakzid@yahoo.com 2 Jurusan
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI. Berikut ini merupakan spesifikasi perangkat keras dan perangkat lunak yang
BAB IMPLEMENTASI DAN EVALUASI. Implementasi Sistem Berikut ini merupakan spesifikasi perangkat keras dan perangkat lunak yang diperlukan agar program simulasi Tata Letak Tempat Sampah dengan Algoritma
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 terperinciPENENTUAN KOMBINASI OPTIMUM JUMLAH, BERAT, DAN WAKTU TAMBAT KAPAL DI PT (PERSERO) PELABUHAN INDONESIA III GRESIK MENGGUNAKAN ALGORITMA GENETIKA
LOGO PENENTUAN KOMBINASI OPTIMUM JUMLAH, BERAT, DAN WAKTU TAMBAT KAPAL DI PT (PERSERO) PELABUHAN INDONESIA III GRESIK MENGGUNAKAN ALGORITMA GENETIKA Oleh : Aris Saputro 1206100714 Pembimbing : Dr. M. Isa
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI. Program aplikasi rute pengiriman barang dengan algoritma Genetik ini dibuat
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Implementasi 4.1.1 Spesifikasi Perangkat Keras Program aplikasi rute pengiriman barang dengan algoritma Genetik ini dibuat dan diuji dengan menggunakan komputer dekstop
Lebih terperinciPENJADWALAN MESIN BERTIPE JOB SHOP UNTUK MEMINIMALKAN MAKESPAN DENGAN METODE ALGORITMA GENETIKA (STUDI KASUS PT X)
PENJADWALAN MESIN BERTIPE JOB SHOP UNTUK MEMINIMALKAN MAKESPAN DENGAN METODE ALGORITMA GENETIKA (STUDI KASUS PT X) Ria Krisnanti 1, Andi Sudiarso 2 1 Jurusan Teknik Mesin dan Industri, Fakultas Teknik,
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 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 terperinciOptimasi Fungsi Tanpa Kendala Menggunakan Algoritma Genetika Dengan Kromosom Biner dan Perbaikan Kromosom Hill-Climbing
Optimasi Fungsi Tanpa Kendala Menggunakan Algoritma Genetika Dengan Kromosom Biner dan Perbaikan Kromosom Hill-Climbing Wayan Firdaus Mahmudy, (wayanfm@ub.ac.id) Program Studi Ilmu Komputer, Universitas
Lebih terperinciPENCOCOKAN KATA SECARA ACAK DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL
Jurnal Matematika UNAND Vol. 2 No. 2 Hal. 1 9 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENCOCOKAN KATA SECARA ACAK DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL MULIA AFRIANI KARTIKA
Lebih terperinciBab III Metode Perancangan Sistem
23 Bab III Metode Perancangan Sistem Perancangan sistem yang digunakan dalam membangun sistem ini adalah dengan menggunakan metode prototyping. Proses pada model prototyping yang digambarkan pada Gambar
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 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 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 IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN IV.1 Kebutuhan Sistem Hardware & Software Agar sistem dapat berjalan dengan baik dibutuh kan computer dengan spesifikasi yang mencakup fasilitas multimedia yaitu minimal mencakup
Lebih terperinciPENEMPATAN MAHASISWA PESERTA MATA KULIAH UMUM DENGAN ALGORITMA GENETIK DI UNIVERSITAS KATOLIK PARAHYANGAN
PENEMPATAN MAHASISWA PESERTA MATA KULIAH UMUM DENGAN ALGORITMA GENETIK DI UNIVERSITAS KATOLIK PARAHYANGAN Nico Saputro dan Guntur Setia Negara Jurusan Ilmu Komputer Universitas Katolik Parahyangan nico@home.unpar.ac.id
Lebih terperinci1. Pendahuluan 1.1. Latar Belakang
1. Pendahuluan 1.1. Latar Belakang Perkembangan teknologi informasi yang begitu pesat sekarang ini memberikan dampak yang besar terhadap kinerja manusia khususnya dalam bekerja. Segala sesuatu yang dahulu
Lebih terperinciBAB 1 PENDAHULUAN. 1 Randy L Haupt & Sue Ellen Haupt, Practical Genetic Algorithms second edition, Wiley Interscience,2004.
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Seseorang salesman tentu akan sangat kesulitan jika harus mengunjungi semua kota sendirian, oleh karena itu dibutuhkan beberapa orang salesman untuk membagi
Lebih terperinciAPLIKASI UNTUK PREDIKSI JUMLAH MAHASISWA PENGAMBIL MATAKULIAH DENGAN MENGGUNAKAN ALGORITMA GENETIKA, STUDI KASUS DI JURUSAN TEKNIK INFORMATIKA ITS
APLIKASI UNTUK PREDIKSI JUMLAH MAHASISWA PENGAMBIL MATAKULIAH DENGAN MENGGUNAKAN ALGORITMA GENETIKA, STUDI KASUS DI JURUSAN TEKNIK INFORMATIKA ITS Hafid Hazaki 1, Joko Lianto Buliali 2, Anny Yuniarti 2
Lebih terperinciPERANCANGAN KONFIGURASI JARINGAN DISTRIBUSI PRODUK BISKUIT MENGGUNAKAN METODE ALGORITMA GENETIKA (Studi Kasus: PT. EP)
PERANCANGAN KONFIGURASI JARINGAN DISTRIBUSI PRODUK BISKUIT MENGGUNAKAN METODE ALGORITMA GENETIKA (Studi Kasus: PT. EP) Rezki Susan Ardyati dan Dida D. Damayanti Program Studi Teknik Industri Institut Teknologi
Lebih 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 terperinciBAB I PENDAHULUAN. dapat kita lihat betapa kompleksnya persoalan persoalan dalam kehidupan
BAB I PENDAHULUAN I.1. Latar Belakang Perkembangan teknologi komputer saat ini sangat pesat sekali, dampaknya dapat kita lihat betapa kompleksnya persoalan persoalan dalam kehidupan perkantoran, pendidikan
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 terperinciBAB 4 IMPLEMENTASI DAN EVALUASI
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Spesifikasi Kebutuhan Program Untuk menjalankan aplikasi ini ada beberapa kebutuhan yang harus dipenuhi oleh pengguna. Spesifikasi kebutuhan berikut ini merupakan spesifikasi
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 III METODE PENELITIAN. Penelitian ini dilakukan di Jurusan Ilmu Komputer Fakultas Matematika dan Ilmu
22 BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Penelitian Penelitian ini dilakukan di Jurusan Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Lampung. Waktu Penelitian dilakukan
Lebih terperinciek SIPIL MESIN ARSITEKTUR ELEKTRO
ek SIPIL MESIN ARSITEKTUR ELEKTRO PEMANFAATAN METODE HEURISTIK PADA PENCARIAN JALUR TERPENDEK DENGAN ALGORITMA GENETIKA Alamsyah * Abstract This is a research project to develop a genetic algorithmic approach
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 terperinciAplikasi Algoritma Genetika Untuk Merancang Fungsi Keanggotaan Pada Kendali Logika Fuzzy
Aplikasi Algoritma Genetika Untuk Merancang Fungsi Keanggotaan Pada Kendali Logika Fuzzy Hendry Setiawan, Thiang, Hany Ferdinando Jurusan Teknik Elektro, Universitas Kristen Petra Siwalankerto 121-131,
Lebih terperinciUKDW BAB 1 PENDAHULUAN
BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Program Studi Sistem Informasi Universitas Kristen Duta Wacana (UKDW) memang telah banyak menerapkan kemudahan yang bisa di dapatkan oleh mahasiswanya berkat
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 terperinciUSULAN RANCANGAN RUTE TRANSPORTASI MULTI TRIP
USULAN RANCANGAN RUTE TRANSPORTASI MULTI TRIP UNTUK MEMINIMASI BIAYA TRANSPORTASI DENGAN HETEROGENEOUS FLEET DAN TIME WINDOW MENGGUNAKAN METODE ALGORITMA GENETIKA DI PT.XYZ Muhammad Zuhdi Aiman Anka 1,
Lebih terperinciR.Fitri 1, S.Novani 1, M.Siallagan 1
Abstract Penjadwalan Perkuliahan Dengan Pengujian Tabel Waktu (Time-Table) Menggunakan Algoritma Genetika Studi Kasus Sistem Perkuliahan Jurusan Teknik Infomatika Universitas Komputer Indonesia R.Fitri
Lebih terperinciIMPLEMENTASI ALGORITMA GENETIKA UNTUK PENCARIAN RUTE OPTIMUM OBJEK WISATA DI KABUPATEN PEMALANG
IMPLEMENTASI ALGORITMA GENETIKA UNTUK PENCARIAN RUTE OPTIMUM OBJEK WISATA DI KABUPATEN PEMALANG SKRIPSI Oleh: Indra Surada J2A 605 060 PROGRAM STUDI MATEMATIKA JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN
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 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 terperinci4 HASIL DAN PEMBAHASAN
27 4 HASIL DAN PEMBAHASAN 4. Rancangan Arsitektur Sistem Arsitektur sistem yang akan dikembangkan dari penelitian ini terdiri dari 2 Komponen, yaitu: Komponen pertama adalah Komponen web, yaitu bagian
Lebih terperinciBAB IV HASIL DAN UJI COBA
BAB IV HASIL DAN UJI COBA IV.1. Tampilan Hasil Tampilan aplikasi perancangan SIG lokasi klinik hewan di wilayah Medan akan tampil baik menggunakan Mozilla Firefox, untuk menjalankan aplikasi ini buka Mozilla
Lebih terperinciBAB III METODOLOGI PENELITIAN. Dalam melakukan penelitian ini, berikut alat dan bahan penelitian yang
BAB III METODOLOGI PENELITIAN 3.1 Alat dan Bahan Penelitian Dalam melakukan penelitian ini, berikut alat dan bahan penelitian yang digunakan: 1. Literatur: yaitu buku, jurnal, paper, dan artikel ilmiah
Lebih terperinciPERANCANGAN APLIKASI PENCARIAN RUTE TERPENDEK MENEMUKAN TEMPAT PARIWISATA TERDEKAT DI KEDIRI DENGAN METODE FLOYD- WARSHALL UNTUK SMARTPHONE
PERANCANGAN APLIKASI PENCARIAN RUTE TERPENDEK MENEMUKAN TEMPAT PARIWISATA TERDEKAT DI KEDIRI DENGAN METODE FLOYD- WARSHALL UNTUK SMARTPHONE SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh
Lebih terperinci1.1 Latar Belakang Masalah
BAB 1. PENDAHULUAN Pada bab ini akan membahas beberapa materi antara lain, latar belakang masalah, rumusan masalah, tujuan pembahasan, ruang lingkup kajian, sumber data, dan sistematika penyajian, yaitu
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 terperinciOptimizing The Distribution Route of LPG Tube By Using Genetic Algorithm (Case Studies: PT. Restu Ajimanunggal of Surakarta) Kustanto 2)
ISSN: 1693 17 173 Optimizing The Distribution Route of LPG Tube By Using Genetic Algorithm (Case Studies: PT. Restu Ajimanunggal of Surakarta) Kustanto 2) ABSTRACT Science and technology at the recently
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah 1.2 Rumusan Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Tingginya angka pertumbuhan penduduk mengakibatkan semakin tingginya tingkat mobilitas di jalan raya. Jumlah kendaraan yang dibutuhkan manusia pun semakin banyak
Lebih terperinciBAB III METODE PENELITIAN. a. Menentukan kebutuhan data yang dibutuhkan. b. Mengumpulkan semua data yang dibutuhkan.
BAB III METODE PENELITIAN 3.1 DESAIN PENELITIAN Desain penelitian ini meliputi: 1. Tahapan awal penelitian a. Menentukan kebutuhan data yang dibutuhkan. b. Mengumpulkan semua data yang dibutuhkan. c. Mempersiapkan
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Alat dan Bahan Penelitian 3.1.1 Alat Penelitian Pembangunan perangkat lunak dalam tugas akhir ini menggunakan seperangkat komputer dengan spesifikasi sebagai berikut :
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah 1.2 Perumusan Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Masalah pemilihan lokasi usaha yang tepat merupakan salah satu faktor penunjang suksesnya suatu usaha. Dalam pemilihan lokasi usaha yang tepat diperlukan pertimbangan
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 terperinciPERANGKAT LUNAK PENENTUAN RUTE TRANSPORTASI UMUM DENGAN ALGORITMA PENCARIAN HYBRID GREEDY DAN GENETIK
41 Abstrak PERANGKAT LUNAK PENENTUAN RUTE TRANSPORTASI UMUM DENGAN ALGORITMA PENCARIAN HYBRID GREEDY DAN GENETIK Fivien Nur Savitri 1, Mahmud Imrona 2, Dade Nurjanah 3 Jurusan Teknik Informatika Sekolah
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN. dan memudahkan dalam pengembangan sistem selanjutnya. Tujuan dari analisa
BAB III ANALISIS DAN PERANCANGAN.1. Analisis Sistem Dalam perancangan sebuah sistem diperlukan analisis untuk keperluan sistem. Dengan adanya analisis sistem, sistem yang dirancang diharapkan akan lebih
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan tenaga kerja akhir-akhir ini mulai meningkat cukup pesat. Hal itu dapat dilihat dari banyaknya permintaan lapangan kerja pada perusahaan-perusahaan. Dengan
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 terperinciTAKARIR. algorithm algoritma/ kumpulan perintah untuk menyelesaikan suatu masalah. kesalahan program
TAKARIR advanced tingkat lanjut algorithm algoritma/ kumpulan perintah untuk menyelesaikan suatu masalah alleles nilai suatu gen. bug kesalahan program chromosome kromosom crossover penyilangan kromosom
Lebih terperinciAsri Maspupah Jurusan Informatika, Fakultas MIPA Universitas Jenderal Achmad Yani Jl. Terusan Sudirman, Cimahi
Perbandingan Jumlah Pinalti Alokasi Task pada Penjadwalan Kerja dengan Perhitungan Manual dan Algoritma Genetika Asri Maspupah Jurusan Informatika, Fakultas MIPA Universitas Jenderal Achmad Yani Jl. Terusan
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 terperinciPemaksimalan Papan Sirkuit Di Pandang Sebagai Masalah Planarisasi Graf 2-Layer Menggunakan Algoritma Genetika
Vol. 14, No. 1, 19-27, Juli 2017 Pemaksimalan Papan Sirkuit Di Pandang Sebagai Masalah Planarisasi Graf 2-Layer Menggunakan Algoritma Genetika Jusmawati Massalesse dan Muh. Ali Imran Abstrak Tulisan ini
Lebih 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 III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Desain Penelitian Gambar 3. 1 Desain Penelitian Penjelasan dari bagan desain penelitian di atas adalah sebagai berikut: 1. Rumusan Masalah Penelitian selalu di latarbelakangi
Lebih terperinciPENYELESAIAN MINIMUM SPANNING TREE (MST) PADA GRAF LENGKAP DENGAN ALGORITMA GENETIKA MENGGUNAKAN TEKNIK PRUFER SEQUENCES
J~ICON, Vol. 2 No. 2, Oktober 2014, pp. 84 ~ 91 84 PENYELESAIAN MINIMUM SPANNING TREE (MST) PADA GRAF LENGKAP DENGAN ALGORITMA GENETIKA MENGGUNAKAN TEKNIK PRUFER SEQUENCES Emsi M. Y. Monifani 1, Adriana
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 III METODOLOGI PENELITIAN. penelitian Sistem Penjadwalan Kereta Api dengan Genetic Algorithm :
BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Berikut merupakan desain penelitian yang akan digunakan pada proses penelitian Sistem Penjadwalan Kereta Api dengan Genetic Algorithm : Studi Literatur
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 terperinciBAB IV IMPLEMENTASI DAN PENGUJIAN
BAB IV IMPLEMENTASI DAN PENGUJIAN 4.1 Implementasi Setelah sistem dianalisa dan dilakukan perancangan secara rinci, maka tahap selanjutnya adalah implementasi. Implementasi merupakan tahap membuat sistem
Lebih terperinciOPTIMASI QUERY DATABASE MENGGUNAKAN ALGORITMA GENETIK
Seminar Nasional Aplikasi Teknologi Informasi 2008 (SNATI 2008) ISSN 1907-5022 OPTIMASI QUERY DATABASE MENGGUNAKAN ALGORITMA GENETIK Manahan Siallagan, Mira Kania Sabariah, Malanita Sontya Jurusan Teknik
Lebih terperinciBAB 2 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 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 terperinciPerancangan Dan Pembuatan Aplikasi Rekomendasi Jadwal Perkuliahan Pada Institut Informatika Indonesia Memanfaatkan Algoritma Genetika
Perancangan Dan Pembuatan Aplikasi Rekomendasi Jadwal Perkuliahan Pada Institut Informatika Indonesia Memanfaatkan Algoritma Genetika Hermawan Andika, S.Kom., M.Kom. Jurusan Teknik Informatika Institut
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 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 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 terperinciHASIL DAN PEMBAHASAN. Generalisasi =
6 Kelas Target Sidik jari individu 5 0000100000 Sidik jari individu 6 0000010000 Sidik jari individu 7 0000001000 Sidik jari individu 8 0000000100 Sidik jari individu 9 0000000010 Sidik jari individu 10
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Analisis Masalah Analisis sistem bertujuan untuk melakukan identifikasi persoalan - persoalan yang muncul dalam pembuatan sistem, selain itu hal ini juga dilakukan agar
Lebih terperinciOPTIMALISASI LAHAN TANAH UNTUK AREA RUMAH DAN JALAN MENGGUNAKAN ALGORITMA GENETIKA
Optimalisasi Lahan Tanah untuk Area Rumah dan Jalan... (Fadhil dkk.) OPTIMALISASI LAHAN TANAH UNTUK AREA RUMAH DAN JALAN MENGGUNAKAN ALGORITMA GENETIKA Luthfi Ahmad Fadhil *, Esmeralda C Djamal, Ridwan
Lebih terperinci