DESAIN PERILAKU AGEN PADA PERMAINAN BULUTANGKIS DENGAN MENGGUNAKAN MULTI-OBJECTIVE GENETIC ALGORITHM
|
|
- Indra Budiono
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Program Studi MMT-ITS, Surabaya 6 Pebruari 00 DESAIN PERILAKU AGEN PADA PERMAINAN BULUTANGKIS DENGAN MENGGUNAKAN MULTI-OBJECTIVE GENETIC ALGORITHM Adianto*,Sueno Mardi** Moch Hariadi** *Jurusan Teknik Elektro FTI, ITS, Surabaya **Jurusan Teknik Elektro FTI, ITS, Surabaya **Jurusan Teknik Elektro FTI, ITS, Surabaya adianto@elect-eng.its.ac.id, mardi@its.ac.id, mochar@its.ac.id Sulit untuk mendesain suatu agen NPC s (non-layer characters) yang memiliki kemamuan mengembangkan ermainannya ada saat melawan layer. Pengembangan ermainan itu meliuti kemamuan untuk menyerang dan bertahan. Pada kebanyakan game saat ini dibuat menggunakan single object dengan melibatkan fungsi satu objektif dan biasanya hasil dalam satu solusi. Untuk mengatasi masalah tersebut dengan membuat solusi otimal yang daat digunakan untuk berbagai fungsi object, yaitu dengan menggunakan Multi-objective Algoritma Genetika. Otimasi. Multiobjective memertimbangkan beberaa konflik untuk mendaatkan tujuan secara bersamaan. Dalam kasus ini, biasanya tidak ada satu solusi otimal, tetai satu set alternatif dengan trade-off berbeda. Multi-objective yang diakai ada enelitian ini dengan memakai NSGA II ( Non-Dominated Sorting in Genetic Algorithms). NSGA II akan memberikan nilai areto front untuk fungsi minimal dan fungsi maksimal. Diharakan dari enelitian ini akan didaatkan solusi otimal yang daat mengakomodir object dalam game ermainan bulutangkis dan agen NPC s akan daat memiliki kemamuan adabtif dalam mengembangkan ermainannya. Kata kunci: Multi-objective Algoritma Genetika, Non-Dominated Sorting in Genetic Algorithms, areto front PENDAHULUAN Game yang memiliki erilaku agent dimana kemamuan agentnya bisa berkembang dengan memelajari kemamuan layer sulit untuk diimlementasikan. Perilaku agent yang memiliki kemamuan komleks akan bermanfaat untuk engembangan ola ermainan game yang lebih menarik. Para erancang game bisa menggunakan metoda ini untuk memberikan karakter keada agent non-layer characters (NPC s), atau mereka bisa melatih agent untuk melawan layer yang memiliki erilaku yang didesign menggunakan scrit dan juga bisa dimanfaatkan untuk menemukan kelemahan-kelemahan ada ola scrit yang dibuat. Metoda ini digunakan agent untuk melatih erilakunya ada saat melawan emain. Untuk membuat game semakin menarik maka game harus melibatkan multiobjective yang disertakan [Jacob Schrum and Risto Miikkulainen,008]. Pada saat ini kebanyakan game dibuat menggunakan single object dimana metoda embelajaran berdasarkan nilai scalar reward-nya dan metoda evolusinya memakai nilai fitness function-nya. Otimasi ersoalan single-objective melibatkan satu objektif dan biasanya hasil dalam satu solusi, dinamakan sebuah solusi otimal.
2 Program Studi MMT-ITS, Surabaya 6 Pebruari 00 Untuk mengatasi masalah ini maka kita menggunakan metoda multi-objective otimization. Metode multi-objective otimization berhubungan dengan Metode Pareto[Coelo 999]. Multi-objective otimization digunakan juga oleh beberaa eneliti sebelumnya namun tidak digunakan untuk menemukan erilaku agent NPC s ada ermainan game. Metode itu diakai antara lain untuk enelitian mengenai system scheduling [Tamaki, Kita, and Kobayashi 996],Tic-tac-toe[ Yau, Teo, and Anthony 007 ], n-arity roblem [Jong,Watson, and Pollack 00] dan masalah-masalah lainya yang berhubungan dengan otimization. Pada enelitian ini akan dicoba menggunakan multi-objective ootimization untuk dialikasikan ke game ermainan bulutangkis. Pada enelitian ini kami akan mencari langkah-langkah untuk diimlementasikan ada agent NPC s suaya memiliki erilaku yang daat secara adatif melawan erilaku layer yang didesign menggunakan scrit. Selain itu NPC s akan daat mengembangkan kemamuannya dari embelajaran yang diterima dari layer. Diharakan enelitian ini daat membuat game ermainan badminton jadi lebih menarik METODE Penelitian ini dilakukan dengan menggunakan multi-objective genetic algorithm (MOGA), dalam hal ini memakai Elist Non-dominated Sorting Genetic Algorithm (NSGA II). Adaun urutan kerja dari NSGA II ini daat kita lihat berdasarkan flow chart dibawah ini Start Initialise Poulasi gen Po Classified No Fitness Gen= gen+ Crossover Mengidentifikasi Individu yang dominan Mutation Yes Aakah Po Terklasifikasi NO STOP Gambar Flowchart NSGA II Inisialisasi Poulasi Inisialisasi oulasi dilakukan dengan membentuk sejumlah oulasi. Pada enelitian ini ditentukan jumlah oulasi 75 kromosom. Kromosom terdiri atas 3 gen dimana meruakan variable factor dari enyelesaian yaitu keceatan bola lawan (X ), keceatan angina (X ), dan jarak agent dengan lawan (X 3). Inisialisasi oulasi yang dibuat untuk enelitian ini dengan memakai gen float atau bilangan decimal. Pemakaian gen float ini digunakan untuk menyederhanakan system, sehingga tidak erlu adanya C-5-
3 Program Studi MMT-ITS, Surabaya 6 Pebruari 00 converting binary ke decimal atau sebalaiknya. Kromosom dibangkitkan dari random yang bersifat uniform bilangan 0 < X <. Nilai ini meruakan reresentasi dari bentuk level nilai variable factor yang akan menentukan besarnya nilai objective (fitness function) yang kita buat nanti. Objective ( Fitness Funtion) Dalam enelitian ini kita menggunakan objective atau fitness function untuk menentukan fungsi minimal dan fungsi masimal. Untuk Fitness Function () kita membuat sebagai fungsi maksimal yaitu meruakan fungsi level ukulan agent dimana hubungannya sebagai berikut: Fungsi ertama ini berhubungan dengan momentum tumbukan benda. Gambar Kekekalan Momentum m ' ' v mv mv mv Karena shuttlecock dan raket mengalami lenting sebagaian maka nilai koefisien restitusi a ( e ) = 0 e, dimana koefisien restitusi: ' ' v v Sehingga kita mengambil nilai: Maka daat kita ambil: e v v ' ' mv m v m v mv f( ) dimana: f ( ) : Fungsi maksimal ( Fungsi ukulan agent ) : Keceatan bola lawan ( 0<< ) Untuk Fitness Function () kita buat sebagai fungsi minimal yaitu meruakan fungsi stamina, dimana faktor stamina ini, akan dibuat ersamaan berdasarkan beberaa asumsi di bawah ini: ) Stamina adalah simanan energi energi residu. Hubungan antara stamina dan energi meruakan hubungan berbanding terbalik, artinya semakin besar energi yang dikeluarkan maka semakin kecil/ sedikit simanan energinya (stamina C-5-3
4 Program Studi MMT-ITS, Surabaya 6 Pebruari 00 berkurang). Sebaliknya, semakin kecil energi yang dikeluarkan maka semakin besar simanan energinya (stamina besar). Stamina Energi ) Energi disini adalah besar Energi kinetik yang dikeluarkan oleh emain. Enegi kinetik oleh emain sebanding dengan Energi kinetik oleh bola dari lawan Dimana: E = Energi Kinetik k Ek emain = Ek bola E k m. v m = Massa Bola, teta, misal 3) Keceatan bola lawan (v) akan diengaruhi (dihambat) oleh faktor k eceatan angin yang searah dengan emain (r) dan jarak antara emain dengan lawan (), sehingga hubungan anatara keceatan bola (v) dengan keceatan angin (r) dan jarak () meruakan hubungan berbanding terbalik dan (v) berbanding lurus dengan (). Jika tidak ada engaruh keceatan angin ( r ) dan jarak ( ), maka: v Karena keceatan bola lawan (v) diengaruhi (dihambat) oleh faktor keceatan angin yang searah dengan emain (r) dan jarak antara emain dengan lawan (), maka: v ( r ) 4) Total Energi yang dimiliki emain adalah 0 Kkalori. Asumsi ini didasarkan ada teori yang disamaikan oleh Jhon R.Cameron,James G.Skofronick,Roderick M.Grant dalam bukunya yang berjudul Physics of the Body Dari keemat asumsi diatas, daat ditarik suatu hubungan sebagai berikut: Stamina yang terisisa adalah Energi maksimal (0 kalori) dikurangi enegi yang dikeluarkan Stamina 0 Energi Stamina 0 E k Stamina 0 mv C-5-4
5 Program Studi MMT-ITS, Surabaya 6 Pebruari 00 dimana m = sehingga: Stamina 0 ( ( r ) ) Seleksi ( r ) Stamina 0 ( r ) f (, r, ) 0 dimana: f (, r, ) = Fungsi minimal ( Fungsi stamina agent ) = Keceatan bola lawan ( 0<< ) r = Keceatan angina ( 0<< ) = Jarak agent dengan lawan ( 0<< ) Pada multi-objective genetic algorithm (MOGA) dalam hal ini NSGA II sebagai roses seleksinya dengan memakai Non-Dominated Sort dan kemudian diseleksi lagi dengan menggunakan Crowding distance. Adaun langkah-langkah yang dilakukan digambarkan sebagai berikut: Semua individu yang ada didalam oulasi dilakukan insialisasi.langkah yang ertama adalah membuat kumulan dominasi S, S ini nantinya berisi kumulan individu yang dominan. Membentuk variabel n yang digunakan untuk menghitung jumlah individu didalam kumulan dominasi S. Setelah kumulan dominasi S terenuhi dan nilai n jumlah dominasi yang ada didalam kumulan S meruakan reresentasi dari Setelah itu terbentuk kumulan front yang didaat dari jumlah n Langkah selanjutnya adalah roses crowding distance Crowding distance adalah roses sorting dari kumulan S dan menghasilkan nilai non-dominated. Pada roses crowding ini adalah untuk menemukan jarak euclidian diantara masingmasing individu didalam sebuah front berdasarkan fungsi objectivnya. Kemudian individu tersebut terilih menjadi arent yang akan dicrossover Genetic Oerators Genetic oerator terdiri atas dua bagian yaitu Crossover dan Mutasi. Cross-Over Pada roses Crossover ini dilakukan atas kromosom untuk menghasilkan kromosom baru ( offsring). Kromosom anak yang terbentuk akan mewarisi sebagaian sifat kromosom induknya. Pada enelitian ini crossover dilakukan dengan menggunakan C-5-5
6 Program Studi MMT-ITS, Surabaya 6 Pebruari 00 arithmetic crossover. Proses crossover arithmetic daat digambarkan seerti dibawah ini: dimana: O O R OP ) ( R) R OP ) ( R) O = Offsring () O = Offsring () OP = Old Parent() OP = Old Parent() R = Nilai Random ( 0 < R < ) ( OP ( OP Dalam roses croosover ini ada arameter enting yang harus dierhatikan karena berkaitan dengan rasio anak yang akan dihasilkan dalam satu generasi. Parameter itu adalah robabilitas crossover. Probabilitas crossover menunjukan resentase jumlah Old Parent yang akan di crossover dan menghasilkan offsring (keturunan baru). Penentuan besar kecilnya crossover tergantung dengan ermasalahan yang dicari otimalnya. Mutasi Proses mutasi ini adalah suatu roses eksloitasi terhada kemungkinankemungkinan modifikasi ada hasil yang telah ada. Pada roses mutasi dilakukan dengan menentukan keturunan baru yang diilih secara random dari sejumlah oulasi. Kemudian kromosom yang terilih akan diilih secara acak osisi gen yang akan dimutasi. Setelah terilih gen ada salah satu kromosom kemudian dimutasi dengan merandom lagi nilai gen yang telah dieroleh. Pada roses mutasi ini sama dengan ada roses crossover, dimana mutasi yang terjadi tergantung ada nilai robabilitas mutasinya. Probabilitas mutasi menunjukan resentase jumlah offsring yang terkena mutasi. Penentuan nilai robabilitasnya tergantung ada ermasalahan yang dicari otimalnya. HASIL DAN DISKUSI Pada bagian ini akan dibahas mengenai hasil engujian dan embahasan hasil engujian. Hasil engujian ini berua data areto front dari MOGA NSGA II. 0 MOP using NSGA-II f( ) f( ) C-5-6
7 Program Studi MMT-ITS, Surabaya 6 Pebruari 00 Hasil Plot diatas diambil dari running rogram NSGA II dengan nilai arameter sebagai berikut: Jumlah Generasi: 5 Poulation size (Even no.): 75 Crossover robability: 0,9 Mutation robability: 0,9 Plot diatas adalah data Pareto Front dari fungsi ukulan dan fungsi stamina agent. Fungsi stamina menunjukan nilai yang tinggi ada semua level nilai ada fungsi ukulan. Dari data hasil diatas daat diketahui bahwa nilai-nilai areto front yang didaatkan dari MOGA NSGA II nilainya sesuai dengan yang kita inginkan dan menghasilkan nilai yang daat memenuhi untuk kedua fungsi objective tersebut. Nilainilai ada kedua fungsi itu memenuhi untuk diimlementasikan menjadi erilaku agent ada game bulutangkis. Agent ada game bulutangkis akan daat diatur level staminanya untuk berbagai level ukulan sehingga agent akan daat berkembang kemamuannya dalam menghadai layer. Proses engujian dari hasil areto front ini dilakukan ada game bulutangkis sederhana dimana arameter ermainan yaitu keceatan bola lawan, keceatan angin searah dengan emain dan jarak emain dengan lawan. Dan faktor tindakan dari emain berdasarkan fungsi stamina dan fungsi ukulan. Tindakan / reson emain ditentukan oleh fungsi stamina dan fungsi ukulan. Sedangkan lawan tindakannya didesain dengan scrit. Dari hasil engujian didaatkan reson dari emain (agent) dimana ukulannya dari setia level ukulan daat mereson ukulan lawan yang didesain dengan scrit, dan reson tersebut daat menyesuaikan dengan kondisi stamina. Karena setia level ukulan daat didukung oleh stamina yang adatif. Sehingga emain akan daat memilih level ukulan sesuai dengan stamina yang dimilikinya. Dari hasil engujian ini daat dilihat bahwa level stamina memberikan reson ukulan yang sesuai dengan hasil areto front dari NSGA II. KESIMPULAN DAN SARAN Dari enelitian yang telah dilakukan,daat diambil suatu kesimulan: MOGA NSGA II menghasilkan solusi alternative yang otiamal untuk lebih dari satu fungsi. MOGA NSGA II daat diimlementasikan ada agent ermainan game bulutangkis untuk memberikan engembangan ermainan yang lebih menarik MOGA NSGA II daat digunakan untuk engembangan game bulutangkis dengan menambah variable factor dan fungsi hasil yang lebih dari satu fungsi Dari enelitian ini MOGA NSGA II daat digunakan untuk dikembangkan jumlah fungsi yang akan dicari solusi otimal bersamanya untuk menambah erilaku dari agent. Selain itu juga daat ditambah variable factor yang memengaruhi fungsi objective sehingga daat dihasilkan game ermainan bulutangkis yang lebih menarik C-5-7
8 Program Studi MMT-ITS, Surabaya 6 Pebruari 00 DAFTAR PUSTAKA Coello, C. A. C. A Comrehensive Survey of Evolutionarybased Multiobjective Otimization Techniques. KAIS Htt://id.wikiedia.org/wiki/Bulutangkis. Jacob Schrum and Risto Miikkulainen. Constructing Comle NPC Behavior via Multi- Objective Neuroevolution. Proceedings of the Fourth Artificial Intelligence and Interactive Digital Entertainment Conference 008. Jong, E. D.; Watson, R.; and Pollack, J. Reducing Bloat and Promoting Diversity using Multi-objective Methods. GECCO. 00. Klein, J BREVE: a 3D Environment for The Simulation of Decentralized Systems and Artificial Life. ALIFE Tamaki, H.; Kita, H.; and Kobayashi, S. Multi-objective Otimization by Genetic Algorithms: a review. Evol. Comut.996. Yau, Y. J.; Teo, J.; and Anthony, P. Pareto Evolution and Co-evolution in Cognitive Game AI Synthesis. EMO Srinivas Mukkamala, Andrew Sung, Feature Ranking and Selection for Intrusion Detection, Proceedings of the International Conference on Information and Knowledge Engineering IKE 00, June 00. C-5-8
DESAIN PERILAKU AGEN PADA PERMAINAN BULUTANGKIS DENGAN MENGGUNAKAN MULTI-OBJECTIVE GENETIC ALGORITHM
DESAIN PERILAKU AGEN PADA PERMAINAN BULUTANGKIS DENGAN MENGGUNAKAN MULTI-OBJECTIVE GENETIC ALGORITHM Adianto*,Sueno Mardi, ST, MT** Moch Hariadi, ST, Ms.c,Ph.D** adianto@elect-eng.its.ac.id, mardi@its.ac.id,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Persoalan jalur terendek (Shortest Path) meruakan suatu jaringan engarahan erjalanan dimana seseorang engarah jalan ingin menentukan jalur terendek antara dua kota
Lebih terperinciII. TINJAUAN PUSTAKA
II. TIJAUA PUSTAKA Portofolio Saham Portofolio berarti sekumulan investasi, untuk kasus saham, berarti sekumulan investasi dalam bentuk saham. Proses embentukan orfolio saham terdiri dari mengidentifikasi
Lebih terperinciOPTIMASI MULTI-OBJECTIVE UNTUK DISTRIBUSI BEBAN KERJA PEGAWAI MENGGUNAKAN NSGA-II AHMAD KHAIDIR TELEMATIKA CIO - TEKNIK ELEKTRO - ITS
OPTIMASI MULTI-OBJECTIVE UNTUK DISTRIBUSI BEBAN KERJA PEGAWAI MENGGUNAKAN NSGA-II AHMAD KHAIDIR 2210206725 TELEMATIKA CIO - TEKNIK ELEKTRO - ITS LATAR BELAKANG Perbaikan kinerja aparatur pemerintah Optimasi
Lebih terperinciOPTIMALISASI SOLUSI TERBAIK DENGAN PENERAPAN NON-DOMINATED SORTING II ALGORITHM
OPTIMALISASI SOLUSI TERBAIK DENGAN PENERAPAN NON-DOMINATED SORTING II ALGORITHM Poetri Lestari Lokapitasari Belluano poe3.setiawan@gmail.com Universitas Muslim Indonesia Abstrak Non Dominated Sorting pada
Lebih terperinciBAB III METODOLOGI DAN PERBANDINGAN METODA
BAB III METODOLOGI DAN PERBANDINGAN METODA Melalui enjelasan konse jaringan grah, dalam menelusuri rute menuntut adanya enggunaan metoda yang teat. Merunut ada tinjauan ustaka, setidaknya akan digunakan
Lebih terperinciOPTIMASI PENEMPATAN BANK CAPACITOR PADA PENYULANG H5 MENGGUNAKAN METODE GENETIC ALGORITHM (GA)
Jurnal Informatika Mulawarman ol. 10 No. 2 Setember 2015 13 OPTIMASI PENEMPATAN BANK CAPACITOR PADA PENYULANG H5 MENGGUNAKAN METODE GENETIC ALGORITHM (GA) Muslimin Program Studi Teknik Elektro Fakultas
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 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Penjadwalan dan Penjadwalan Flow shop Menurut Kumar (2011), jadwal merupakan rencana sistematis yang umumnya menceritakan hal-hal yang akan dikerjakan. Menurut Pinedo (2005),
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 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 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 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 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 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 terperinciMODIFIKASI FUNGSI DENSITY PADA ALGORITMA ANT CLUSTERING
MODIFIKASI FUNGSI DENSITY PADA ALGORITMA ANT CLUSTERING Kurniawan Nur Ramadhani 1), Febryanti Sthevanie ) Fakultas Informatika Universitas Telkom Jln Telekomunikasi No. 1 Terusan Buah Batu Bandung 4057
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 terperinciPenerapan Algoritma Genetika Multi-objective NSGA-II Pada Optimasi Portofolio Saham
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.2 Agustus 2015 Page 6841 Penerapan Algoritma Genetika Multi-objective NSGA-II Pada Optimasi Portofolio Saham Sherly Isnaeni 1, Deni Saepudin 2,
Lebih terperinciMETODA GENETIC ALGORITMA SEBAGAI PERENCANAAN LINTASAN ROBOT UNTUK APLIKASI PENGEBORAN PADA PCB ABSTRAK
METODA GENETIC ALGORITMA SEBAGAI PERENCANAAN LINTASAN ROBOT UNTUK APLIKASI PENGEBORAN PADA PCB 1)Adam Ridiantho M, 2 Djoko Purwanto 1,2) Program Studi Teknik Elektro, Program Pasca Sarjana, ITS Ruang B205,
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Fuzzy Local Binary Pattern (FLBP) Fuzzifikasi pada pendekatan LBP meliputi transformasi variabel input menjadi variabel fuzzy, berdasarkan pada sekumpulan fuzzy rule. Dalam
Lebih terperinciSimulasi Coverage Pada Wireless Sensor Network dengan Menggunakan Algoritma Genetika Pareto
Simulasi Coverage Pada Wireless Sensor Network dengan Menggunakan Algoritma Genetika Pareto Umi Fitria P, Tri Budi Santoso, Prima Kristalina Jurusan Telekomunikasi, Politeknik Elektronika Negeri Surabaya
Lebih terperinciOPTIMISASI PENEMPATAN TURBIN ANGIN DI AREA LAHAN ANGIN
OPTIMISASI PENEMPATAN TURBIN ANGIN DI AREA LAHAN ANGIN MENGGUNAKAN ALGORITMA GENETIKA Azimatul Khulaifah 2209 105 040 Bidang Studi Sistem Tenaga Jurusan Teknik Elektro FTI ITS Dosen Pembimbing : Dosen
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 terperinciDika Dwi Muharahman*, Nurul Gusriani, Elis Hertini. Departemen Matematika, Universitas Padjadjaran *E mail:
Perubahan Perilaku Pengguna nstant Messenger dengan Menggunakan Analisis Koresondensi Bersama (Studi Kasus Mahasiswa di Program Studi S-1 Matematika FMPA Unad) Dika Dwi Muharahman*, Nurul Gusriani, Elis
Lebih terperinciBAB 3 PENGEMBANGAN TEOREMA DAN PERANCANGAN PROGRAM
BAB 3 PENGEMBANGAN TEOREMA DAN PERANCANGAN PROGRAM 3.1. Pengembangan Teorema Dalam enelitian dan erancangan algoritma ini, akan dibahas mengenai beberaa teorema uji rimalitas yang terbaru. Teorema-teorema
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 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 terperinciPemodelan Biaya Tak Langsung Proyek Konstruksi di PT Wijaya Karya (Studi Kasus: Proyek Konstruksi Di Provinsi Kalimantan Timur)
Pemodelan Biaya Tak Langsung Proyek Konstruksi di PT Wijaya Karya (Studi Kasus: Proyek Konstruksi Di Provinsi Kalimantan Timur) Odik Fajrin Jayadewa, Dr. Irhamah, S.Si, M.Si, dan 3 Dwi Endah Kusrini, S.Si,
Lebih terperinciKONSEP ALGORITMA GENETIK BINER UNTUK OPTIMASI PERENCANAAN JADWAL KEGIATAN PERKULIAHAN
Jurnal Teknik dan Ilmu Komputer KONSEP ALGORITMA GENETIK BINER UNTUK OPTIMASI PERENCANAAN JADWAL KEGIATAN PERKULIAHAN (Binary Genetic Algorithm Concept to Optimize Course Timetabling) Iwan Aang Soenandi
Lebih terperinciOptimasi Kendali Distribusi Tegangan pada Sistem Tenaga Listrik dengan Pembangkit Tersebar
Optimasi Kendali Distribusi Tegangan pada Sistem Tenaga Listrik dengan Pembangkit Tersebar Soni Irawan Jatmika 2210 105 052 Pembimbing : 1. Prof. Dr. Ir. Adi Soeprijanto, MT. 2. Heri Suryoatmojo, ST. MT.
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 terperinciAnalisis Komparasi Genetic Algorithm dan Firefly Algorithm pada Permasalahan Bin Packing Problem
Analisis Komparasi Genetic Algorithm dan Firefly Algorithm pada Permasalahan Bin Packing Problem Adidtya Perdana Sekolah Tinggi Teknik Harapan Medan Jl. H.M. Jhoni No. 70 C Medan adid.dana@gmail.com Abstrak
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 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 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 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 terperinciALGORITMA GENETIK SEBAGAI FUNGSI PRUNING ALGORITMA MINIMAX PADA PERMAINAN TRIPLE TRIAD CARD.
ALGORITMA GENETIK SEBAGAI FUNGSI PRUNING ALGORITMA MINIMAX PADA PERMAINAN TRIPLE TRIAD CARD. Nico Saputro [1] dan Erico Darmawan Handoyo [2] Jurusan Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciAPLIKASI DISCOUNTED CASH FLOW PADA KONTROL INVENTORY DENGAN BEBERAPA MACAM KREDIT PEMBAYARAN SUPPLIER
Program Studi MMT-ITS, Surabaya Agustus 9 APLIKASI ISOUNTE ASH FLOW PAA KONTROL INVENTORY ENGAN BEBERAPA MAAM KREIT PEMBAYARAN SUPPLIER Hansi Aditya, Rully Soelaiman Manajemen Teknologi Informasi MMT -
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 terperinciOPTIMASI KOMBINASI FERRITE CORES DALAM IMPEDER CASE UNTUK MEMINIMALKAN BIAYA PADA TEKNOLOGI HIGH INDUCTION FREQUENCY WELDING
Program Studi MMT-ITS, Surabaya Agustus 2006 OPTIMASI KOMBINASI FERRITE CORES DALAM IMPEDER CASE UNTUK MEMINIMALKAN BIAYA PADA TEKNOLOGI HIGH INDUCTION FREQUENCY WELDING Nico Gunawan* dan Abdullah Shahab**
Lebih terperinciPETA KENDALI R ADAPTIF SEBAGAI ALTERNATIF PETA KENDALI R SHEWHART DALAM MENDETEKSI PERGESERAN KECIL PADA VARIANS
PETA KENDALI R ADAPTIF SEBAGAI ALTERNATIF PETA KENDALI R SHEWHART DALAM MENDETEKSI PERGESERAN KECIL PADA VARIANS Adative R Control Chart as Alternative Shewhart R Control Chart in Detecting Small Shifts
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 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 terperinciDETEKSI MAHASISWA BERPRESTASI DAN BERMASALAH DENGAN METODE K- MEANS KLASTERING YANG DIOPTIMASI DENGAN ALGORITMA GENETIKA
DETEKSI MAHASISWA BERPRESTASI DAN BERMASALAH DENGAN METODE K- MEANS KLASTERING YANG DIOPTIMASI DENGAN ALGORITMA GENETIKA Akmal Hidayat 1) & Entin Martiana 2) 1) Teknik Elektro Politeknik Bengkalis Jl.
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 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 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 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 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 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 terperinciPENERAPAN REGRESI COX DAN REGRESI PARAMETRIK UNTUK ANALISIS SURVIVAL PASIEN JANTUNG MENGGUNAKAN R SOFTWARE
PENERAPAN REGRESI COX DAN REGRESI PARAMETRIK UNTUK ANALISIS SURVIVAL PASIEN JANTUNG MENGGUNAKAN R SOFTWARE Diah Ayu Novitasari * * Jurusan Manajemen, Fakultas Ekonomi Universitas Islam Lamongan Email :
Lebih terperinciPENERAPAN REGRESI COX DAN REGRESI PARAMETRIK UNTUK ANALISIS SURVIVAL PASIEN JANTUNG MENGGUNAKAN R SOFTWARE
PENERAPAN REGRESI COX DAN REGRESI PARAMETRIK UNTUK ANALISIS SURVIVAL PASIEN JANTUNG MENGGUNAKAN R SOFTWARE Diah Ayu Novitasari *) *) Jurusan Manajemen, Fakultas Ekonomi Universitas Islam Lamongan Email
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 I PENDAHULUAN. telah diadopsi untuk mengurangi getaran pada gedung-gedung tinggi dan struktur
BAB I PENDAHULUAN 1.1 Latar Belakang Tuned mass damper (TMD) telah banyak digunakan untuk mengendalikan getaran dalam sistem teknik mesin. Dalam beberapa tahun terakhir teori TMD telah diadopsi untuk mengurangi
Lebih terperinciPenerapan Algoritma Genetika dalam Job Shop Scheduling Problem
Penerapan Algoritma Genetika dalam Job Shop Scheduling Problem Haris Sriwindono Program Studi Ilmu Komputer Universitas Sanata Dharma Paingan, Maguwoharjo, Depok Sleman Yogyakarta, Telp. 0274-883037 haris@staff.usd.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 terperinciPEMODELAN PENJADWALAN MATA PELAJARAN DENGAN INTEGER PROGRAMMING
PEMODELAN PENJADWALAN MATA PELAJARAN DENGAN INTEGER PROGRAMMING Dian Permata Sari, Sri Setyaningsih, dan Fitria Virgantari. Program Studi Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas
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 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 terperinciPERANCANGAN DAN IMPLEMENTASI PERANGKAT LUNAK VISUALISASI DUA DIMENSI WELL PRODUCTION FORECASTING DENGAN GENETIC ALGORITHM
PERANCANGAN DAN IMPLEMENTASI PERANGKAT LUNAK VISUALISASI DUA DIMENSI WELL PRODUCTION FORECASTING DENGAN GENETIC ALGORITHM Danuri Teknologi Informasi Politeknik Bengkalis Jl. Bathin Alam, Sei-Alam, Bengkalis
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 terperinciPENERAPAN ALGORITMA GENETIKA UNTUK MENYELESAIKAN PERMASALAHAN PENJADWALAN DOSEN DENGAN FUZZY
PENERAPAN ALGORITMA GENETIKA UNTUK MENYELESAIKAN PERMASALAHAN PENJADWALAN DOSEN DENGAN FUZZY Arief Kelik Nugroho Fakultas Teknik, Universitas PGR Yogyakarta e-mail : ariefkeliknugroho@gmail.com Abstrak
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
34 BAB 3 METODOLOGI PENELITIAN 3.1. Pendahuluan Pengenalan pola (pattern recognition) adalah proses klasifikasi dari suatu objek atau pola menjadi beberapa kategori atau kelas, yang mana bertujuan untuk
Lebih terperinciSistem Informasi Penyebaran Penyakit Demam Berdarah Menggunakan Metode Jaringan Syaraf Tiruan Backpropagation
Sistem Informasi Penyebaran Penyakit Demam Berdarah Menggunakan Metode Jaringan Syaraf Tiruan Backroagation Didi Suriyadi Program Studi Teknik Informatika Sekolah Tinggi Teknologi Telematika Telkom Purwokerto
Lebih terperinciSTUDI ANALISA PELATIHAN JARINGAN SYARAF TIRUAN DENGAN DAN TANPA ALGORITMA GENETIKA
STUDI ANALISA PELATIHAN JARINGAN SYARAF TIRUAN DENGAN DAN TANPA ALGORITMA GENETIKA (Agustinus N., et al. STUDI ANALISA PELATIHAN JARINGAN SYARAF TIRUAN DENGAN DAN TANPA ALGORITMA GENETIKA Agustinus Noertjahyana
Lebih terperinciMODEL PENYELESAIAN JOB SHOP SCHEDULING PROBLEM MENGGUNAKAN METODE LOCAL SEARCH ALGORITHM DENGAN CROSS OVER
MODEL PENYELESAIAN JOB SHOP SCHEDULING PROBLEM MENGGUNAKAN METODE LOCAL SEARCH ALGORITHM DENGAN CROSS OVER Amiluddin Zahri Dosen Universtas Bina Darma Jalan Ahmad Yani No.3 Palembang Sur-el: amiluddin@binadarma.ac.id
Lebih terperinciPROSIDING ISSN: PM-32 ANALISI KESULITAN MAHASISWA DALAM MENYELESAIKAN MASALAH PERSAMAAN DIFERENSIAL
PM-32 ANALISI KESULITAN MAHASISWA DALAM MENYELESAIKAN MASALAH PERSAMAAN DIFERENSIAL Sumargiyani 1), Muhammad Iqna Hibatallah 2), Universitas Ahmad Dahlan 1),2) sumargiyani04@yahoo.om, iqnaunyu@gmail.om
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 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 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 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 terperinciPROSIDING ISSN: PM-20 ANALISIS KESULITAN MAHASISWA DALAM MENYELESAIKAN MASALAH PERSAMAAN DIFERENSIAL
PM-20 ANALISIS KESULITAN MAHASISWA DALAM MENYELESAIKAN MASALAH PERSAMAAN DIFERENSIAL Sumargiyani 1) Muhammad Iqna Hibatallah 2) Universitas Ahmad Dahlan 1)2) sumargiyani04@yahoo.om iqnaunyu@gmail.om Abstrak
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 I PENDAHULUAN. kehidupan sehari-hari dan juga merupakan disiplin ilmu yang berdiri sendiri serta
BAB I PENDAHULUAN A. Latar Belakang Matematika adalah cabang ilmu pengetahuan yang dapat digunakan dalam kehidupan sehari-hari dan juga merupakan disiplin ilmu yang berdiri sendiri serta tidak merupakan
Lebih terperinciPenjadwalan Mata Kuliah Menggunakan Algoritma Genetika di Jurusan Sistem Informasi ITS
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) A-127 Mata Kuliah Menggunakan Algoritma Genetika di Jurusan Sistem Informasi ITS Wiga Ayu Puspaningrum, Arif Djunaidy, dan Retno
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 terperinciBAB II TINJAUAN PUSTAKA. untuk berkunjung ke suatu negara. Permintaan pariwisata biasanya diukur dari segi
BAB II TINJAUAN PUSTAKA 2.1 Permintaan Pariwisata Pariwisata mamu mencitakan ermintaan yang dilakukan oleh wisatawan untuk berkunjung ke suatu negara. Permintaan ariwisata biasanya diukur dari segi jumlah
Lebih terperinciOptimasi Metode Fuzzy Dengan Algoritma Genetika Pada Kontrol Motor Induksi
Optimasi Metode Fuzzy Dengan Algoritma Genetika Pada Kontrol Motor Induksi Rahman Aulia Universitas Sumatera Utara Pasca sarjana Fakultas Ilmu Komputer Medan, Indonesia Rahmanaulia50@gmail.com Abstract
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3. Prosedur Pengumulan Data 3.. Sumber Data Data yang digunakan dalam enelitian ini meruakan data sekunder yang diambil dari Deartemen Keuangan, BAPEPAM, dan IAPI. Data-data
Lebih terperinciPENGEMBANGAN MODEL OPTIMISASI PERENCANAAN PROSES BERBASIS FITUR PADA PRODUK ASSEMBLY. Nilda Tri Putri *) ABSTRACT
PENGEMBANGAN MODEL OPTIMISASI PERENCANAAN PROSES BERBASIS FITUR PADA PRODUK ASSEMBLY Nilda Tri Putri *) ABSTRACT Tolerance design affects the quality and the robustness of the roduct. Tolerance design
Lebih terperinciTugas Mata Kuliah E-Bisnis REVIEW TESIS
Tugas Mata Kuliah E-Bisnis REVIEW TESIS Desain Algoritma Genetika Untuk Optimasi Penjadwalan Produksi Meuble Kayu Studi Kasus Pada PT. Sinar Bakti Utama (oleh Fransiska Sidharta dibawah bimbingan Prof.Kudang
Lebih terperinciBAB 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 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 terperincioleh seperangkat variabel X, maka persamaan di atas dinamakan persamaan struktural, dan modelnya disebut model struktural.
ANALISIS JALUR A. PENGERTIAN ANALISIS JALUR Telaah statistika menyatakan bahwa untuk tujuan eramalan/ endugaan nilai Y atas dasar nilai-nilai X 1, X,., X i, ola hubungan yang sesuai adalah ola hubungan
Lebih terperinciPELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE SELEKSI TURNAMEN UNTUK DATA TIME SERIES
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 65-72 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE
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 terperinciBAB 3 ANALISIS DAN PERANCANGAN APLIKASI
27 BAB 3 ANALISIS DAN PERANCANGAN APLIKASI 3.1 Analisis Pada subbab ini akan diuraikan tentang analisis kebutuhan untuk menyelesaikan masalah jalur terpendek yang dirancang dengan menggunakan algoritma
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Bab ini membahas tentang teori penunjang serta penelitian sebelumnya yang berhubungan dengan penerapan metode tournament selection pada metode seleksi parent dalam algoritma genetika
Lebih terperinciOptimasi Cluster Pada Fuzzy C-Means Menggunakan Algoritma Genetika Untuk Menentukan Nilai Akhir
IJCCS, Vol.6, No.1, January 2012, pp. 101~110 ISSN: 1978-1520 101 Optimasi Cluster Pada Fuzzy C-Means Menggunakan Algoritma Genetika Untuk Menentukan Nilai Akhir Putri Elfa Mas`udia* 1, Retantyo Wardoyo
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 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 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 terperinciPENYELESAIAN PUZZLE SUDOKU MENGGUNAKAN ALGORITMA GENETIKA
PENYELESAIAN PUZZLE SUDOKU MENGGUNAKAN ALGORITMA GENETIKA Randy Cahya Wihandika 1, Nur Rosyid Mubtada'i, S.Kom 2, Rizky Yuniar H, S.Kom, M.T 2 Mahasiswa Jurusan Teknik Informatika, Dosen Jurusan Teknik
Lebih terperinciKompleksitas Algoritma Quick Sort
Komleksitas Algoritma Quick Sort Fachrie Lantera NIM: 130099 Program Studi Teknik Informatika, Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung Jln. Ganesha 10, Bandung E-mail : if099@students.if.itb.ac.id
Lebih terperinciIV PEMBAHASAN. 4.1 Penentuan Titik Tetap Model Dinamika Virus HIV Titik tetap persamaan (3.1) diperoleh dengan menentukan dt 0, dt *
6 IV PEMBAHASAN 4. Penentuan Titik Teta Model Dinamika Titik teta ersamaan (3. dieroleh dengan menentukan dt, dt dan dv. Sehingga menurut ersamaan tersebut dieroleh titik teta s d N s dt T, T, V, T, kn
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 terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Algoritma Genetika Algoritma genetika merupakan algoritma pencarian heuristik ysng didasarkan atas mekanisme seleksi alami dan genetika alami (Suyanto, 2014). Adapun konsep dasar
Lebih terperinciBAB I PENDAHULUAN. hampir di seluruh dunia, termasuk Indonesia. Alat transportasi ini memiliki
BAB I PENDAHULUAN 1.1 Latar Belakang Kereta api merupakan alat transportasi darat utama yang digunakan hampir di seluruh dunia, termasuk Indonesia. Alat transportasi ini memiliki multi keunggulan komparatif,
Lebih terperinciOPTIMISASI TOTAL TEMPUH NPC PADA RTS GAME MENGGUNAKAN HARMONY SEARCH ALGORITHM. Herti Miawarni 1* Jl. A. Yani 114, Surabaya 60231, Telp.
OPTIMISASI TOTAL TEMPUH NPC PADA RTS GAME MENGGUNAKAN HARMONY SEARCH ALGORITHM Herti Miawarni 1* 1 Program Studi Teknik Elektro, Fakultas Teknik, Universitas Bhayangkara Surabaya Jl. A. Yani 114, Surabaya
Lebih terperinciSKRIPSI ANALISIS PENGELOMPOKKAN KECAMATAN DI KODYA SURABAYA BERDASARKAN VARIABEL-VARIABEL KEPENDUDUKAN, KESEHATAN DAN PENDIDIKAN
SKRIPSI ANALISIS PENGELOMPOKKAN KECAMATAN DI KODYA SURABAYA BERDASARKAN VARIABEL-VARIABEL KEPENDUDUKAN, KESEHATAN DAN PENDIDIKAN Oleh : Rengganis L. N. R 302 00 046 PENDAHULUAN Latar Belakang Penduduk
Lebih terperinci