Analisis dan Implementasi Krill Herd Algorithm (KHA) dalam Masalah Pemotongan Bahan (Cutting Stock Problem) Non-guillotine Dua Dimensi
|
|
- Devi Agusalim
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Analisis dan Implementasi Krill Herd Algorithm (KHA) dalam Masalah Pemotongan Bahan (Cutting Stock Problem) Non-guillotine Dua Dimensi Jeffrey 1, Agung Toto Wibowo 2, Mahmud Dwi Sulistiyo 3 1, 2, 3 Fakultas Informatika Institut Teknologi Telkom Jalan Telekomunikasi 1, Dayeuh Kolot Bandung Indonesia 1 jeffrey7373@gmail.com, 2 atwbox@gmail.com, 3 mahmuddwis@gmail.com Abstrak Cutting Stock Problem(CSP) merupakan masalah kombinatorial yang tergolong sulit untuk di pecahkan. Dalam satu kasus terdapat beberapa solusi yang mungkin dengan nilai fitness yang sama. Tujuannya adalah untuk mengoptimalkan pemakaian stock dalam memenuhi semua permintaan order. Krill Herd Algorithm (KHA) adalah algoritma metaheuristik yang tergolong dalam Swarm Intellegent yang dibuat untuk menyelesaikan permasalahan optimasi kombinatorial yang sulit dan diharapkan dapat menghasilkan solusi yang optimal. Pada KHA terdapat 3 (tiga) gerakan utama krill (motion calculation) dalam pencarian solusi, yaitu motion induced, foraging motion, dan physical diffusion. Dalam penelitian ini KHA diimplementasikan dalam memecahkan masalah CSP. Dengan menerapkan beberapa parameter dalam pencarian, KHA mampu menyelesaikan masalah CSP, namun bukan merupakan solusi optimal. Kata kunci: Cutting Stock Problem, Krill Herd ALgorithm, order, stock Abstract Cutting Stock Problem (CSP) is a hard-combinatorial problem. In one case there are some solutions with the same fitness value. The goal is to optimize the use of stock to complete all the request order. Krill Herd Algorithm (KHA) is metaheuristics algorithms belonging to the Swarm Intellegent made to resolve difficult combinatorial optimization problems and is expected to produce an optimal solution. In KHA there are 3 (three) major motion krill (motion calculation) in the search for solutions, the induced motion, foraging motion, and physical diffusion. In this research KHA is implemented in solving the CSP. With the setting of some parameter in process, KHA can found the solution of CSP, even not the optimum solution. Keywords: Cutting Stock Problem, Krill Herd Algorithm, order, stock 1. Pendahuluan Cutting Stock Problem (CSP) merupakan permasalahan optimasi yang sering ditemukan pada industri manufaktur. Hingga saat ini pun permasalahan CSP masih sering terjadi pada industri yang memiliki bahan baku seperti kertas, baja, kayu, plastik, tekstil dan sebagainya[13]. Industri yang memiliki bahan baku seperti ini biasanya harus bisa menemukan pola pemotongan bahan baku dengan sisa bahan (trim loss) yang paling sedikit agar perusahaan dapat mengurangi biaya produksi dan menjadi lebih efisien dalam penggunaan bahan bakunya untuk menghindari kerugian. Cutting Stock Problem (CSP) tergolong masalah otimasi kombinatorial yang sulit untuk di pecahkan dan membutuhkan waktu yang lama dalam pencariannya. Ada 2 (dua) jenis varian dari CSP, yaitu satu dimensi dan dua dimensi. Kasus CSP pada satu dimensi ditemukan pada pemotongan bahan yang memiliki satu atribut parameter seperti pada batangan kayu, besi, gulungan kertas. Pada kasus CSP dua dimensi, kasus CSP ditemukan pada material bahan baku yang berbentuk bidang dua dimensi seperti lembaran kertas, kain, lempengan metal, dan lainnya. Pada tugas akhir ini difokuskan pada non-guillotine dua dimensi karena merupakan varian CSP yang sering dijumpai. CSP Sampai saat ini, pada CSP belum ditemukan suatu metode yang pasti dan dapat menjamin keberhasilan nilai optimalnya. Oleh karena itu, dibutuhkan suatu metode untuk menyelesaikan dengan menemukan pola pemotongan yang paling optimal. Sebelumnya banyak penelitian yang dilakukan untuk menyelesaikan CSP dengan menggunakan metodemetode pendekatan seperti Cuccko Search, Water Drop, Artificial Bee Colony dan Ant Colony Optimization[10]. Berdasarkan solusi yang dihasilkan metode-metode tersebut didapatkan hasil yang yang baik tetapi belum optimal. Tugas akhir ini 1
2 menggunakan algoritma optimasi yang ditemukan pertengahan tahun 2012 yaitu Krill Herd Algorithm (KHA). Krill Herd Algorithm (KHA) adalah algoritma metaheuristik yang tergolong dalam Swarm Intelligence (kolonial). Kelebihan KHA dari metode optimasi lainnya yaitu terletak pada proses utama pada sekumpulan krill yang dibangkitkan untuk melakukan pencarian posisi dengan menggunakan 3 (tiga) gerakan, motion induced, foraging motion, dan physical diffusion. Gerakan motion induced dan foraging digunakan untuk mendapatkan hasil solusi yang optimal (global dan lokal) menuju fitness terbaik dari setiap iterasi, karena pada motion induced terjadi proses dimana krill yang memilik fitness paling baik memiliki pengaruh yang besar untuk menarik krill-krill lain untuk mengikutinya, pada foraging motion posisi makanan memicu pergerakan menuju otimum global, sedangkan random diffusion digunakan untuk memperbesar pencarian pada ruang solusi karena selalu menghasilkan posisi yang random pada tiap iterasi [8]. Untuk melengkapi algoritma KHA dilakukan juga strategi untuk mendapatkan solusi yang optimal menggunakan algoritma genetika yaitu crossover. Berbeda dengan crossover yang sudah ada sebelumnya pada KHA crossover disini dikontrol oleh crossover probability. Fungsi crossover pada KHA yaitu untuk meningkatkan fitness kearah yang lebih otimal (menjauhi solusi buruk). Oleh karena itu pada tugas akhir ini akan diimplementasikan KHA dengna crossover untuk menyelesaikan CSP non-guillotine dua dimensi. (berbentuk persegi panjang) i yang memiliki panjang li dan lebar wi dengan sebuah stock S dengan bentuk segi empat pula, dengan panjang L dan lebar W[3]. Dalam penyelesaian CSP difokuskan bagaimana mendapatkan pola pemotongan yang optimal untuk memenuhi order-order yang dipesan dengan pemakaian stock seminimal mungkin. Masalah pemotongan bahan, memotong objek besar (stock material) menjadi objek kecil (order list), dapat diklarifikasikan menjadi empat kategori[13]: CSP berdasarkan dimensionalitas: a. Satu dimensi b. Dua dimensi c. Tiga dimensi 2. CSP berdasarkan penugasannya: a. Menggunakan semua objek besar dan beberapa objek kecil (B) b. Menggunakan beberapa objek besar dan semua objek kecil (V). 3. CSP berdasarkan jenis objek yang besar a. Hanya satu objek besar (O), b. Banyak objek besar yang sama (I), c. Hanya objek besar yang berbeda (D). 2. Dasar Teori 2.1 Cutting Stock Problem (CSP) Cutting Stock Problem (CSP) adalah permasalahan optimasi kombinatorial atau lebih spesifiknya disebut permasalahan integer linear programming[12]. Cutting stock problem (CSP) digolongkan sebagai kategori NP-Hard Problem yang arti bahwa usaha komputasi yang digunakan sulit dan waktu yang dibutuhkannya lama sehingga diperlukan suatu metode baru agar waktu komputasi lebih cepat dalam menemukan solusi yang optimal. Solusi optimal artinya adalah solusi yang terbaik yang dihasilkan dalam jangka waktu tertentu. Dalam tugas akhir ini akan difokuskan pemotongan bahan dua dimensi non-guillotine seperti pemotongan pada bahan baku plat kayu dan kertas. Masalah CSP yang akan dibahas dapat direpresentasikan secara sederhana seperti berikut, yaitu terdapat beberapa order 2
3 4. CSP berdasarkan jenis objek yang kecil a. Sedikit objek kecil dengan ukuran yang berbeda (F), b. Banyak objek kecil dengan banyak ukuran (M), c. Banyak objek kecil dengan relative sedikit ukuran (R), d. Banyak objek kecil yang sama (C). Untuk masalah CSP untuk bentuk regular rectangular, ada dua pola pemotongan, yaitu: 1. Guillotine Pattern Guillotine Pattern merupakan pola pemotongan yang dimulai dari satu sisi segi empat yang kemudian dilanjutkan pada sisi lainnya. Pemotongan pertama dengan tipe Guillotine Pattern adalah dengan memotong bahan baku dengan panjang atau lebar yang sama. Pemotongan tersebut menghasilkan dua atau lebih pieces yang mempunyai panjang atau lebar yang sama, bukan kedua-duanya[4]. 2. Non- Guillotine Disebut Non-Guillotine karena tidak memungkinan diperolehnya pola pemotongan, yang dapat memotong stock dari satu sisi ke sisi yang lain. Dalam tugas akhir ini, pola pemotongan di fokuskan pada Non-guillotine. Hal ini dipilih karena pada umumnya CSP berfokus pada meminumumkan sisa pemotongan yang stock, yang berarti pengoptimalan pemakaian stock. Sedangkan masalah guillotine maupun non-guillotine adalah masalah kemudahan cara pemotongannya. Selain itu pada perakteknya didunia nyata pemotongan guillotine sangat jarang dijumpai, seperti pada industri garmen, spare-part, dan lainnya[8]. Dibawah ini adalah gambar 2-1, terlihat perbedaan pola pemotongan Guillotine pattern dan Non-guillotine pattern: Gambar 2. 1 Pola Guillotineable Gambar 2. 2 Pola Non-Guill 2.2 Krill Herd Algorithm (KHA) Krill Herd Algorithm (KHA) adalah sebuah algoritma optimasi meta-heuristik yang tergolong Swarm Intelligence. KHA bertujuan untuk menyelesaikan masalah optimasi yang kompleks[6]. Algoritma ini perkenalkan oleh Amir Hossein Gandomi dan Amir Hossein Alavi pada pertengahan tahun Ide dasar dari algoritma ini adalah terinspirasi dari perilaku sekumpulan/sekawanan udang artik (krill) yang sedang bergerak untuk mencari keberadaan makanan disekitarnya kemudian diserang oleh pemangsa, kemudian pemangsa mengurangi kepadatan dari kawanan krill tersebut. Tujuan dari setiap individu krill adalah menambah kepadatan dari kumpulan krill dan berhasil mendapatkan makanan[6]. Proses untuk mencapai tujuan tersebut dipengaruhi oleh tiga gerakan utama dari krill, yaitu: 1. Motion Induced (gerakan yang diinduksi atau dipengaruhi oleh kehadiran individu krill lain disekitarnya), 2. Foraging activity (gerakan krill mencari makan), 3. Physical diffusion (gerakan acak krill). Ketiga gerakan diatas dapat disimbolkan dengan rumus: 3
4 dx i dt D i 1) = N i + F i + Dimana, N i = Motion induced F i = Foraging motion = Physical diffusion D i Salah satu bagian menarik dari algoritma ini adalah bahwa KHA ini mensimulasikan perilaku krill menggunakan riset studi dunia nyata untuk mendapatkan koefisien. Karena fakta-fakta yang didasarkan dari hasil riset bukan hanya terinspirasi dari alam, hal ini menjadi keuntungan tersendiri dibandingkan algoritma-algoritma lainnya. Tahapan validasi menunjukkan bahwa metode KHA memiliki hasil yang sangat baik untuk diaplikasikan pada pengoptimasian. 2.3 Motion Induced Motion Induced merupakan gerakan pertama dari ketiga gerakan yang mempengaruhi pencarian solusi dari KHA.Gerakan ini dipengaruhi oleh gerakan tetangga-tetangga disekitar krill. Individu krill mencoba untuk mempertahankan serta meningkatkan kepadatan kawanannya. Gerakan ini dipengaruhi sifat attractive dan repulsive (α) dari setiap individu krill. Sifat tersebut dipengaruhi oleh kepadatan (untuk mencari tetangga mana saja yang berpengaruh) serta jarak krill tetangga yang paling dekat dengan makanan (dilihat dari fitness yang dihasilkan). Gerakan ini memiliki rumus: N new i = N max α i + old ω n N i 2) dimana, α i = α i local target + α i 3) dimana, (2 α i local NN = K ij X ij j =1 4) X ij = X j X i X j X i + ε 5) K ij K i K j = K worst K best 6) dan α i target = (2 C best K i,best X i,best (2 7) C best = 2 rand 0,1 I + (2 I max 8) old Pada iterasi pertama N i di set nol, dikarenakan pencarian pertama baru akan dimulai belum memiliki nilai. Pengaruh paling besar adalah α i, dimana α i merupakan kombinasi dari efek tetangga yang disekitar krill yang memiliki efek attractive/repulsive (efek tersebut dipengaruhi dari fitness yang dimiliki setiap individu krill) dan efek dari krill yang memiliki fitness terbaik. Untuk bagian pencarian tetangga (sensing neighbor) digunakan rumus: d s,i N 1 = X 5N j X i (2 j =1 9) Dibawah ini adalah gambar 2-2 bagaimana pengaruh sensing neighbor terhadap tetangga-tetangga krill: 4
5 sebelumnya tentang lokasi makanan. Gerakan pencarian makanan setiap individu krill dapat di rumuskan dengan rumus:, Gambar II-2: Sensing neighbor Sensing neighbor digunakan untuk mencari tetangga untuk setiap krill ke-i, kemudian setelah di dapatkan tetangganya maka akan diketahui X i, X j, K i, dan K j -nya. Keterangan: N i new = kecepatan induksi maksimum[0.01] ω n = berat inersia gerakinducedrange[0,1] old N i = gerakan induksi sebelumnya (iterasi awal di set nol) α i local α i target = = efek lokal dari tetangga efek arah dari krillyang terbaik saati itu X i = posisi krillke-i X j = posisi tetangga krillke-j K i = fitnesskrill ke-i K j = fitness tetangga krill ke-j = bilangan positif terkecil I = iterasi Imax = iterasi maksimal itu saat itu. = fitness terbaik dari semua krill saat = fitness terburuk dari semua krill 2.4 Foraging Motion Foraging motion atau gerakan mencari makan merupakan gerakan dipengaruhi oleh dua parameter utama, yang pertama adalah lokasi dari makanan itu sendiri dan yang kedua adalah pengalaman Hampir sama dengan motion induced pada iterasi pertama di set nol, karena pada iterasi pertama belum memiliki pengalaman terhadap lokasi makanan. Tetapi setelah dilakukan iterasi pertama, maka nilai dari nilai pada iterasi kedua akan didapatkan pada iterasi pertama dan begitu seterusnya ( ). Pada gerakan ini disimpulkan bahwa bahwa memiliki pengaruh yang besar pada gerakan ini, dapat dilihat bahwa merupakan kombinasi dari sifat attractive dari makanan dan efek dari krill yang memiliki best fitness pada saat itu. Pada gerakan ini lokasi makanan juga memiliki efek terhadap krill, yang dirumuskan sebagai berikut: Sedangkan rumus dari sifat attractive dari makanan dapat dirumuskan sebagai berikut: Pada foraging motion efek dari individu krill yang memiliki fitness terbaik dapat dirumuskan sebagai berikut: Keterangan: [0.02] = kecepatan pencarian makanan 5
6 = berat inersia gerak foragingrange[0,1] = gerakan foraging sebelumnya (iterasi awal di set nol) = gerakan attractive makanan terbaik = efek krill yang memiliki fitness = posisi krill ke-i = posisi tetangga krillke-j = fitnesskrill ke-i = fitness tetangga krill ke-j = lokasi makanan (posisi) Pada tabel II-1 dibawah ini adalah bukti kuat berbentuk tabel validasi digunakannya crossover pada KHA, dibandingkan dengan algoritmaalgoritma optimasi lainnya. = fitness dari lokasi makanan I = iterasi Imax = iterasi maksimal 2.5 Physical Diffusion Physical diffusion disebut juga sebagai gerakan krill yang acak (random process), yang artinya gerakan ini dipengaruhi oleh kecepatan difusi maksimum dan vektor arah yang acak. Gerakan ini diformulasikan dengan rumus: Keterangan: = kecepatan difusi maksimum range[0.002,0.010] = vektor acak random[-1,1] I = iterasi Imax = iterasi maksimal 2.6 Genetic operator (cross over) Pada Krill Herd Algorithm dilakukan improvisasi terhadap performansinya, yaitu dengan menambahkan genetic reproduction algorithm yaitu crossover, untuk KHA sendiri pada referensi papernya digunakan juga teknik mutasi. Berdasarkan validasi hasil yang dikeluarkan paper terlihat bahwa kombinasi KHA dengan crossover menghasilkan solusi yang lebih baik dibandingkan KHA dengan mutasi atau KHA dengan mutasi dan crossover. Probabilitas crossover (Cr) merupakan parameter pengontrol algoritma genetik crossover pada KHA. 3. Analisis dan Pengujian Sistem Skenario Pengujian Dalam tugas akhir ini ada beberapa parameter dan kombinasi proses Krill Herd Algorithm yang akan menjadi fokus analisis, yaitu: jumlah krill (N), jumlah maksimum iterasi (cycles), dan sensing distances (upper bound dan lower bound). Ketiga parameter tersebut akan diteliti pengaruhnya terhadap nilai optimasi yang dihasilkan sistem, selain itu akan dikombinasikan juga untuk mendapatkan batasan nilai ideal (bawah, tengah dan atas) agar ditemukan berapa saja nilai dari parameter yang berpengaruh terhadap solusi. Adapun penjelasan tentang ketiga parameter diatas, berikut penjelasannya: 1. Jumlah maksimum iterasi (Cycles) Cycles merupakan nilai dari maksimum iterasi yang dinyatakan dari banyaknya pencarian yang dilakukan pada sistem untuk mencari solusi. Pada KHA iterasi mempengaruhi nilai solusi pada iterasi selanjutnya, artinya semakin banyak pencarian maka kemungkinan akan mendapatkan solusi ke-arah yang optimal. 2. Jumlah krill yang dibangkitkan (Jumlah Krill) Pada KHA, kumpulan krill direpresentasikan sebagai agenagen yang akan mencari solusi. Karena pada setiap individu krill akan menghasilkan sebuah solusi, sehingga jumlah krill yang 6
7 dibangkitkan akan merepresentasikan banyaknya solusi yang dihasilkan pada setiap iterasi. 3. Batas atas dan bawah pada motion induced (sensing distance). Sensing distance pada KHA berpengaruh pada proses motion induced pada motion calculation. Diketahui bahwa sensing akan membawa tetangga-tetangga disekitar krill yang memiliki fitness tertentu ke arah yang lebih baik,jadi semakin dekat jarak sensing maka semakin banyak keberadaan krill menuju ke arah fitness yang terbaik. Setting Parameter Selama proses pengujian dilakukan observasi terhadap kombinasi parameter berikut : Cycles : 10, 50, 100 Krill : 10, 50, 100 Sensing Distance : 0.01, 0.3, 0.7 Terdapat 27 kombinasi dari parameter diatas, dengan 50 dan 200 iterasi. Setiap kombinasi diobservasi sebanyak 3 kali. Selama proses pencarian berlangsung dihitung beberapa nilai pengujian antara lain rata-rata fitnes, fitnes terbaik dan ratarata iterasi. Deskripsi nilai-nilai tersebut adalah sebagai berikut : Rata-rata fitnes adala rata-rata dari sekumpulan nilai fitnes. Fitnes terbaik adalah nilai fitnes terbaik yang pernah dicapai selama proses pencarian Rata-rata iterasi adalah rata-rata iterasi dimana solusi paling optimal ditemukan. Dari hasil observasi, didapatkan data empirik sebagai berikut: Gambar IV-2: Grafik rata-rata nilai optimasi berdasarkan jumlah krill jumlah krill=10 jumlah krill=50 jumlah krill=100 cycles=10 cycles=50 cycles=100 Gambar IV-3: Grafik rata-rata nilai optimasi berdasarkan cycles jacob 25 jacob 50 risna jacob 25 jacob 50 risna Jacob 25 Jacob 50 Risna Gambar IV-4: Grafik perbandingan rata-rata nilai optimasi dengan crossover dan tidak Sensing =0.05 Sensing =0.1 Sensing =0.2 Gambar IV-1: Grafik rata-rata nilai optimasi berdasarkan sensing distance 7
8 3. Kesimpulan Kesimpulan dan Saran 3.1 Kesimpulan Kesimpulan yang dapat diambil dari hasil implementasi dan uji coba yang dilakukan pada Tugas Akhir ini adalah: 1. KHA dapat diimplementasikan pada CSP dua dimensi non-guillotine dan menyelesaikannya dengan rata-rata nilai optimasi diatas 90%. 2. Pengaturan parameter dengan cycles lebih besar dari 50, jumlah krill lebih besar 50 dan sensing diatas 0.1 merupakan kombinasi terbaik pada sekenario ini berdasarkan rata-rata nilai optimasi. 3. Crossover membuktikan performanya dalam menghasilkan rata-rata nilai optimasi yang lebih baik dibandingkan hanya dengan motion calculation saja. 4. Semakin besar nilai parameter sensing, cycles, dan jumlah krill rata-rata nilai optimasi semakin besar. 3.2 Saran Saran-saran untuk pengembangan selanjutnya antara lain : 1. Mencoba memadukan KHA dengan algoritma optimasi lokal search seperti Tabu Search. 2. Mencoba mengimplementasikan order dengan bentuk lain yang lebih beragam. 3. Mencoba menganalisis hasil dari prosesproses pada motion calculation. 4. Mencoba memodifikasi rumus crossover Daftar Pustaka: agar hasil optimasinya lebih baik. [1] Ahmed Mellouli, Abdel Aziz Danmak, An Algorithm for the Two-Dimensional Cutting- Stock Problem Based on a Pattern Generation Procedure, Univeristy of Sfax, Tunisia. [2] Alev Soke, Zafer Bingul. (2004). Applications of Discrete PSO Algorithm to Two- Dimensional Non-Guillotine Rectangular Packing Problems. Kocaeli University, Kocaeli, Turkey. [3] Alvarez, Valdes R, Parren o, F, and M. Tamarit, 2006, A tabu search algorithm for a two-dimensional non-guillotine cutting problem, Valencia, Spain. [4] Denny Nurkertamanda, Singgih Saptadi, Adhika Permanasari, Optimasi Cutting Stock Pada Industri Pemotongan Kertas Dengan Menggunakan Metode Integer Linear Programming, Teknik Industri Universitas Dipenogoro, Indonesia. [5] Fitrian, Wahyu. 2011Pencarian Solusi Optima Cutting Stock Problem dengan Menggunaka Firefly Algorithm. Fakultas Informatika I Telkom, Bandung, Indonesia.. [6] Gandomi AH., Alavi AH. Krill herd: A new bio-inspired optimization algorithm, Commun Nonlinear Sci Numer Simulat 17 (2012), [7] Hopper, Eva. (2000). Two-dimensional Packing utilising Evolutionary Algorithms and other Meta-Heuristic Methods. University of Wales. [8] Juliansyah, Budi Analisis dan Implementasi Ant Colony Optimization (ACO) dalam Masalah Pemotongan Bahan (Cutting Stock Problem) Non-guillotine Dua Dimensi. Fakultas Informatika Institut Teknologi Telkom. Bandung. [9] Prawitamurti, Risna Pencarian Solusi Optimal Pemotongan Bahan (Cutting Material) dengan Menggunakan Adaptive Genetic Algorithm. Fakultas Informatika IT Telkom, Bandung, Indonesia. [10] Robert W. Haessler, Paul E Sweeney, Cutting stock problems and solution procedures, School of Businnes Administration, The Univeristy of Michigan,USA. [11] Suyanto, 2008, Evolutionary Computation: Komputasi Berbasis Evolusi dan Genetika, Penerbit Informatika, Bandung. 8
SWARM GENETIC ALGORITHM, SUATU HIBRIDA DARI ALGORITMA GENETIKA DAN PARTICLE SWARM OPTIMIZATION. Taufan Mahardhika 1
SWARM GENETIC ALGORITHM, SUATU HIBRIDA DARI ALGORITMA GENETIKA DAN PARTICLE SWARM OPTIMIZATION Taufan Mahardhika 1 1 Prodi S1 Kimia, Sekolah Tinggi Analis Bakti Asih 1 taufansensei@yahoo.com Abstrak Swarm
Lebih terperinciBAB 1 PENDAHULUAN. Permasalahan pemotongan bahan baku menjadi beberapa bagian untuk diproses
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Setiap manusia menginginkan keuntungan sebanyak-banyaknya dengan mengefisiensikan sumber daya yang dimiliki terhadap batasan-batasan yang ditemui pada suatu
Lebih terperinciBAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI
BAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka Dalam suatu perusahaan, manajemen produksi dan operasi memegang peranan penting di mana tugas dari manajemen ini tidak lepas dari pengendalian
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 terperinciANALISIS ALGORITMA HYBRID ANT COLONY OPTIMIZATION (ACO) DAN LOCAL SEARCH UNTUK OPTIMASI PEMOTONGAN BAHAN BAKU
ANALISIS ALGORITMA HYBRID ANT COLONY OPTIMIZATION (ACO) DAN LOCAL SEARCH UNTUK OPTIMASI PEMOTONGAN BAHAN BAKU Warih Maharani Fakultas Teknik Informatika, Institut Teknologi Telkom Jl. Telekomunikasi No.1
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 1 PENDAHULUAN. 1.1 Latar Belakang
12 BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah penjadwalan secara umum adalah aktifitas penugasan yang berhubungan dengan sejumlah kendala, sejumlah kejadian yang dapat terjadi pada suatu periode waktu
Lebih terperinciOPTIMASI PEMAKAIAN BAHAN BAKU DENGAN ALGORITMA PROGRAM DINAMIS SEKUENSIAL
OPTIMASI PEMAKAIAN BAHAN BAKU DENGAN ALGORITMA PROGRAM DINAMIS SEKUENSIAL Dion Jogi Parlinggoman / 13509045 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung
Lebih terperinciPENYELESAIAN PERMASALAHAN TRAVELLING SALESMAN PROBLEM MENGGUNAKAN ALGORITMA DIFFERENTIAL EVOLUTION
PENYELESAIAN PERMASALAHAN TRAVELLING SALESMAN PROBLEM MENGGUNAKAN ALGORITMA DIFFERENTIAL EVOLUTION Heri Awalul Ilhamsah Jurusan Teknik Industri Universitas Trunojoyo Email: hilhamsah@gmail.com ABSTRAK
Lebih terperinci1 BAB I PENDAHULUAN. 1.1 Latar Belakang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Listrik pada abad ini sudah merupakan kebutuhan primer yang tidak bisa tergantikan. Karena pentingnya listrik ini, sistem yang menyuplai dan mengalirkan listrik ini
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 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 terperinciALGORITMA GENETIKA DENGAN PENDEKATAN MODEL PULAU PADA PERMASALAHAN TRAVELLING SALESMAN
ALGORITMA GENETIKA DENGAN PENDEKATAN MODEL PULAU PADA PERMASALAHAN TRAVELLING SALESMAN Hardy STMIK Mikroskil Jl. Thamrin No. 112, 124, 140 Medan 20212 hardy@mikroskil.ac.id Abstrak Algoritma genetika telah
Lebih terperinciAPLIKASI TRAVELLING SALESMAN PROBLEM DENGAN METODE ARTIFICIAL BEE COLONY
APLIKASI TRAVELLING SALESMAN PROBLEM DENGAN METODE ARTIFICIAL BEE COLONY Andri 1, Suyandi 2, WinWin 3 STMIK Mikroskil Jl. Thamrin No. 122, 124, 140 Medan 20212 andri@mikroskil.ac.id 1, suyandiz@gmail.com
Lebih terperinciTEKNIK PENJADWALAN KULIAH MENGGUNAKAN METODE ALGORITMA GENETIKA. Oleh Dian Sari Reski 1, Asrul Sani 2, Norma Muhtar 3 ABSTRACT
TEKNIK PENJADWALAN KULIAH MENGGUNAKAN METODE ALGORITMA GENETIKA Oleh Dian Sari Reski, Asrul Sani 2, Norma Muhtar 3 ABSTRACT Scheduling problem is one type of allocating resources problem that exist to
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 II TINJAUAN PUSTAKA. Job shop scheduling problem (JSSP) adalah permasalahan optimasi
BAB II TINJAUAN PUSTAKA 2.1 Job Shop Scheduling Problem (JSSP) Job shop scheduling problem (JSSP) adalah permasalahan optimasi kombinatorial. Misalkan terdapat n buah job atau pekerjaan, yaitu J 1, J 2,,
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 terperinciSTUDI KOMPARATIF ALGORITMA ANT DAN ALGORITMA GENETIK PADA TRAVELLING SALESMAN PROBLEM
Jurnal Computech & Bisnis, Vol. 3, No. 1, Juni 2009, 30-36 ISSN Studi 1978-9629 Komparatif Algoritma Ant...(Bambang Siswoyo & Andrianto) STUDI KOMPARATIF ALGORITMA ANT DAN ALGORITMA GENETIK PADA TRAVELLING
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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pembangunan daerah perkotaan atau city development memiliki beberapa aspek penting salah satunya adalah logistik perkotaan atau city logistics. Alasan mengapa city
Lebih terperinciPenjadwalan Mata Kuliah Menggunakan Metode Hybrid Algoritma Genetika Dan Algoritma Koloni Semut
ISSN : 2355-9365 e-proceeding of Engineering : Vol.3, No.2 Agustus 2016 Page 3711 OPEN ACCESS ISSN XXXX-XXXX IND. SYMPOSIUM ON COMPUTING VOL. XX, NO. XX, SEPT 2016 SOCJ.TELKOMUNIVERSITY.AC.ID/INDOSC Penjadwalan
Lebih terperinciKOMBINASI ALGORITMA DIFFERENTIAL EVOLUTION DENGAN ITERATED GREEDY UNTUK PERMASALAHAN TRAVELING SALESMAN PROBLEM (TSP)
KOMBINASI ALGORITMA DIFFERENTIAL EVOLUTION DENGAN ITERATED GREEDY UNTUK PERMASALAHAN TRAVELING SALESMAN PROBLEM (TSP) Ong Andre Wahju Riyanto * ABSTRAKSI Penelitian ini ditujukan untuk memperbaiki kelemahan
Lebih terperinciOPTIMASI GENETIC ALGORITHM DENGAN SIMULATED ANNEALING UNTUK MULTIPLE DEPOT CAPACITATED VEHICLE ROUTING PROBLEM
OPTIMASI GENETIC ALGORITHM DENGAN SIMULATED ANNEALING UNTUK MULTIPLE DEPOT CAPACITATED VEHICLE ROUTING PROBLEM Aditya Permana 1, Mahmud Dwi Sulistiyo 2, Gia Septiana Wulandari 3 1,2,3 Prodi S1 Teknik Informatika,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Optimalisasi Optimalisasi merupakan suatu proses untuk mengoptimalkan suatu solusi agar ditemukannya solusi terbaik dari sekumpulan alternatif solusi yang ada dengan menggunakan
Lebih terperinciALGORITMA OPTIMASI UNTUK PENYELESAIAN TRAVELLING SALESMAN PROBLEM (Optimization Algorithm for Solving Travelling Salesman Problem)
ALGORITMA OPTIMASI UNTUK PENYELESAIAN TRAVELLING SALESMAN PROBLEM (Optimization Algorithm for Solving Travelling Salesman Problem) Dian Tri Wiyanti Program Studi Teknik Informatika, Jurusan Teknologi Informasi
Lebih terperinciGambar 1.1 Contoh Ilustrasi Kasus CVRP 13
BAB I PENDAHULUAN 1.1. Latar Belakang Vehicle Routing Problem (VRP) merupakan konsep umum yang digunakan untuk semua permasalahan yang melibatkan perancangan rute optimal untuk armada kendaraan yang melayani
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 terperinciPENELITI : Fiqihesa Putamawa
PENGEMBANGAN ALGORITMA BEE SWARM OPTIMIZATION UNTUK PENYELESAIAN CONTAINER STOWAGE PROBLEM PENELITI : Fiqihesa Putamawa 2507 100 064 DOSEN PEMBIMBING : Ir. Budi Santosa, M.S., Ph.D Contents PENDAHULUAN
Lebih terperinciA. ADHA. Program Studi Teknik Sipil, Fakultas Teknik,Universitas Islam Riau, Pekanbaru, Indonesia Corresponding author:
Institut Teknologi Padang, 27 Juli 217 ISBN: 978-62-757-6-7 http://eproceeding.itp.ac.id/index.php/spi217 Optimasi Bentuk Struktur dan Penampang pada Struktur Rangka Baja Terhadap Kendala Kehandalan Material
Lebih terperinciBAB I PENDAHULUAN. lebih efektif dan efisien karena akan melewati rute yang minimal jaraknya,
BAB I PENDAHULUAN A. Latar Belakang Distribusi merupakan proses penyaluran produk dari produsen sampai ke tangan masyarakat atau konsumen. Kemudahan konsumen dalam mendapatkan produk yang diinginkan menjadi
Lebih terperinciPENYELESAIAN TRAVELLING SALESMAN PROBLEM DENGAN ALGORITMA BRANCH AND BOUND
PENYEESAIAN TRAVEING SAESMAN PROBEM DENGAN AGORITMA BRANCH AND BOND Yogo Dwi Prasetyo Pendidikan Matematika, niversitas Asahan e-mail: abdullah.prasetyo@gmail.com Abstract The shortest route search by
Lebih terperinciPENGEMBANGAN ALGORITMA DIFFERENTIAL EVOLUTION UNTUK PENJADWALAN FLOW SHOP MULTI OBYEKTIF DENGAN BANYAK MESIN ABSTRAK
PENGEMBANGAN ALGORITMA DIFFERENTIAL EVOLUTION UNTUK PENJADWALAN FLOW SHOP MULTI OBYEKTIF DENGAN BANYAK MESIN Rudi Nurdiansyah Jurusan Teknik Industri, Fakultas Teknologi Industri, Institut Teknologi Sepuluh
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Pembentukan kelas belajar merupakan kegiatan rutin yang dilakukan oleh setiap sekolah pada setiap tahun ajaran baru. Pembentukan kelas biasanya dilakukan dengan membagi
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 terperinciALGORITMA PARTICLE SWARM OPTIMIZATION DAN TERAPANNYA DALAM MENYELESAIKAN MASALAH PEMOTONGAN ROL KERTAS MAKALAH
ALGORITMA PARTICLE SWARM OPTIMIZATION DAN TERAPANNYA DALAM MENYELESAIKAN MASALAH PEMOTONGAN ROL KERTAS MAKALAH Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Sains Program Studi Matematika
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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
digilib.uns.ac.id BAB I PENDAHULUAN 1.1 Latar Belakang Jadwal merupakan daftar atau tabel kegiatan atau rencana kegiatan dengan pembagian waktu pelaksanaan yang terperinci. Universitas menggunakan tabel
Lebih terperinciANALISIS PENGATURAN INDIVIDU CROSSOVER DAN MUTASI ALGORITMA GENETIKA STUDI KASUS TRAVELLING SALESMAN PROBLEM
ANALISIS PENGATURAN INDIVIDU CROSSOVER DAN MUTASI ALGORITMA GENETIKA STUDI KASUS TRAVELLING SALESMAN PROBLEM Sean Coonery Sumarta* 1 1 Program Studi Teknik Informatika, Universitas Atma Jaya Makassar,
Lebih terperinciOPTIMASI CUTTING STOCK SATU DIMENSI PADA INDUSTRI PEMOTONGAN BALOK KAYU DENGAN MENGGUNAKAN METODE COLUM GENERATION TECHNIQUE
ISBN:978-602-7980-9-6 OPTIMASI CUTTING STOCK SATU DIMENSI PADA INDUSTRI PEMOTONGAN BALOK KAYU DENGAN MENGGUNAKAN METODE COLUM GENERATION TECHNIQUE Nerli Khairani ], Ramlah Hidayat ] FMIPA, UNIMED nerlinst@yahoo.co.id
Lebih terperinciPENYELESAIAN PERMASALAHAN MULTI-OBJECTIVE HYBRID FLOW SHOP SCHEDULING DENGAN ALGORITMA MODIFIED PARTICLE SWARM OPTIMIZATION
PENYELESAIAN PERMASALAHAN MULTI-OBJECTIVE HYBRID FLOW SHOP SCHEDULING DENGAN ALGORITMA MODIFIED PARTICLE SWARM OPTIMIZATION Fiqihesa Putamawa 1), Budi Santosa 2) dan Nurhadi Siswanto 3) 1) Program Pascasarjana
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 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 terperinciAPLIKASI ALGORITMA GENETIKA UNTUK PENENTUAN TATA LETAK MESIN
APLIKASI ALGORITMA GENETIKA UNTUK PENENTUAN TATA LETAK MESIN Hari Purnomo, Sri Kusumadewi Teknik Industri, Teknik Informatika Universitas Islam Indonesia Jl. Kaliurang Km 4,5 Yogyakarta ha_purnomo@fti.uii.ac.id,
Lebih terperinciBAB 2 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 terperinciAmalia Utami¹, Suyanto², Retno Novi Dayawati³. ¹Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom
ALGORITMA BEE COLONY OPTIMIZATION PADA TRAVELING SALESMAN PROBLEM MENGGUNAKAN METODE FREQUENCY BASED PRUNING SYSTEM DAN FIXED RADIUS NEAR NEIGHBOUR 2-OPT Amalia Utami¹, Suyanto², Retno Novi Dayawati³ ¹Teknik
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 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 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 terperinciPENGGUNAAN METODE CODEQ UNTUK MENYELESAIKAN PERMASALAHAN CAPACITATED VEHICLE ROUTING PROBLEM
PENGGUNAAN METODE CODEQ UNTUK MENYELESAIKAN PERMASALAHAN CAPACITATED VEHICLE ROUTING PROBLEM Dosen Pembimbing: Ir. Budi Santosa, M.Sc., Ph.D Y Giri N (2503 100 061) Latar Belakang Metode CODEQ merupakan
Lebih terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) 45 Edisi... Volume..., Bulan 20.. ISSN :
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) 45 IMPLEMENTASI ALGORITMA GENETIKA UNTUK PENJADWALAN MATA PELAJARAN DI SMAN 1 CIWIDEY Rismayanti 1, Tati Harihayati 2 Teknik Informatika Universitas Komputer
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Listrik dewasa ini menjadi salah satu kebutuhan yang sangat penting bagi kehidupan manusia. Teknologi dan ilmu pengetahuan yang tidak pernah henti perkembangannya mendorong
Lebih terperinciBAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI
BAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Vehicle Routing Problem Vehicle Routing Problem merupakan permasalahan distribusi yang mencari serangkaian rute untuk sejumlah kendaraan dengan kapasitas tertentu
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 terperinciPENJADWALAN TRUK PADA SISTEM CROSS DOCKING DENGAN PENYIMPANAN SEMENTARA DENGAN ALGORITMA HYBRID CROSS ENTROPY GENETIC ALGORITHM
PENJADWALAN TRUK PADA SISTEM CROSS DOCKING DENGAN PENYIMPANAN SEMENTARA DENGAN ALGORITMA HYBRID CROSS ENTROPY GENETIC ALGORITHM PENELITI : Pristi Dwi Puspitasari 2507 100 003 DOSEN PEMBIMBING : Ir. Budi
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 terperinciPERAMALAN HARGA EMAS MENGGUNAKAN ALGORTIMA MEMETIKA DENGAN PENCARIAN LOCAL TABU SEARCH. Iqbal Dwihanandrio
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.2 Agustus 2015 Page 6447 PERAMALAN HARGA EMAS MENGGUNAKAN ALGORTIMA MEMETIKA DENGAN PENCARIAN LOCAL TABU SEARCH Iqbal Dwihanandrio S1 Teknik Informatika
Lebih terperinciPenerapan Adaptive Genetic Algorithm dengan Fuzzy Logic Controller pada Capacitated Vehicle Routing Problem
Penerapan Adaptive Genetic Algorithm dengan Fuzzy Logic Controller pada Capacitated Vehicle Routing Problem Tri Kusnandi Fazarudin 1, Rasyid Kurniawan 2, Mahmud Dwi Sulistiyo 3 1,2 Prodi S1 Teknik Informatika,
Lebih terperinciBAB II LANDASAN TEORI. besar disebut material (bin, bins) dipetakan dan kemudian dipotong-potong
BAB II LANDASAN TEORI 2.1. Deskripsi Cutting dan Packing Skripsi ini membahas masalah stock cutting, yaitu satu atau banyak potongan besar disebut material (bin, bins) dipetakan dan kemudian dipotong-potong
Lebih terperinciPENGEPAKAN PIPA BERAGAM DIAMETER KE DALAM SATU KONTAINER DENGAN MENGGUNAKAN SOLUSI HEURISTIK ALGORITMA GENETIKA
JURNAL TEKNIK INDUSTRI VOL. 2, NO. 2, DESEMBER 2000: 94-105 PENGEPAKAN PIPA BERAGAM DIAMETER KE DALAM SATU KONTAINER DENGAN MENGGUNAKAN SOLUSI HEURISTIK ALGORITMA GENETIKA Moses L. Singgih Dosen Fakultas
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 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 terperinciPENYELESAIAN MASALAH PENUGASAN DENGAN ALGORITMA GENETIKA TEKNIK CYCLE CROSSOVER.
PENYELESAIAN MASALAH PENUGASAN DENGAN ALGORITMA GENETIKA TEKNIK CYCLE CROSSOVER. Ir. Samuel Lukas, M.Tech*, Dr(Eng). Pujianto Yugopuspito, M.Sc", dan Hadiyanto Asali*" Abstract Assignment problem is one
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 terperinciGENERATOR TEKA TEKI SILANG MENGGUNAKAN ALGORITMA GENETIKA DAN MULTITHREADING UNTUK MENGHITUNG FITNESSNYA
GENERATOR TEKA TEKI SILANG MENGGUNAKAN ALGORITMA GENETIKA DAN MULTITHREADING UNTUK MENGHITUNG FITNESSNYA Donny Kurniawan Widodo Program Studi Teknik Informatika, Unika Soegijapranata Semarang dny65@gmail.com
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1. Penelitian Terdahulu Penelitian dilakukan dengan meninjau penelitianpenelitian terdahulu yang berkaitan. Tinjauan pustaka akan mengetahui faktor-faktor yang perlu diperhatikan
Lebih terperinciReduksi Pola Pemotongan Kertas pada Cutting Stock Problem (CSP) Satu Dimensi
Reduksi Pola Kertas pada Cutting Stock Problem (CSP) Satu Dimensi Sisca Octarina, Putra BJ Bangun, Miranda Avifana Jurusan Matematika Fakultas MIPA Universitas Sriwijaya Indralaya, Indonesia e-mail: s.octarina@gmail.com
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
1 BAB I PENDAHULUAN Pada bab ini akan dibahas mengenai beberapa hal seputar penelitian yang dilakukan, antara lain: latar belakang penelitian, perumusan masalah, batasan masalah, keaslian penelitian, manfaat
Lebih terperinciPerformansi Algoritma CODEQ dalam Penyelesaian Vehicle Routing Problem
Jurnal Teknik Industri, Vol. 16, No. 1, Juni 2014, 51-56 ISSN 1411-2485 print / ISSN 2087-7439 online DOI: 10.9744/jti.16.1.51-56 Performansi Algoritma CODEQ dalam Penyelesaian Vehicle Routing Problem
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 terperinciPENDEKATAN ALGORITMA CROSS ENTROPY- GENETIC ALGORITHM UNTUK MENURUNKAN MAKESPAN PADA PENJADWALAN FLOW SHOP
PENDEKATAN ALGORITMA CROSS ENTROPY- GENETIC ALGORITHM UNTUK MENURUNKAN MAKESPAN PADA PENJADWALAN FLOW SHOP Dian Setiya Widodo 1*, Purnomo Budi Santoso 2, Eko Siswanto 3 1,2,3 Universitas Brawijaya, Fakultas
Lebih terperinciPerancangan Sistem Penjadwalan Asisten Dosen Menggunakan Algoritma Genetika (Studi Kasus: STIKOM Bali)
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Perancangan Sistem Penjadwalan Asisten Dosen Menggunakan Algoritma Genetika (Studi Kasus: STIKOM Bali) I Made Budi Adnyana
Lebih terperinciAlgoritma Evolusi Bintang dan Terapannya Dalam Pembangkitan Nilai Acak
Algoritma Evolusi Bintang dan Terapannya Dalam Pembangkitan Nilai Acak Eza Budi Perkasa 1, Fransiskus Panca Juniawan 2, Dwi Yuny Sylfania 3 1,2,3 Program Studi Teknik Informatika, STMIK Atma Luhur Jl.
Lebih terperinciPERBANDINGAN UNJUK KERJA METODE DECODER DENGAN METODE PENALTY DALAM MENYELESAIKAN KNAPSACK PROBLEM 0/1 MENGGUNAKAN ALGORITMA GENETIKA
J~ICON, Vol. 1 No. 1, Maret 2013, pp. 33~44 33 PERBANDINGAN UNJUK KERJA METODE DECODER DENGAN METODE PENALTY DALAM MENYELESAIKAN KNAPSACK PROBLEM 0/1 MENGGUNAKAN ALGORITMA GENETIKA Arini Aha Pekuwali 1,
Lebih terperinciDosen Pembimbing : Ir. Budi Santosa, M.S., Ph.D Oleh : Sas Wahid Hamzah
Artificial Immune System untuk Penyelesaian Vehicle Routing Problem with Time Windows Dosen Pembimbing : Ir. Budi Santosa, M.S., Ph.D Oleh : Sas Wahid Hamzah 2507100054 Pendahuluan Pendahuluan Fungsi Objektif
Lebih terperinciOPTIMASI POLA PENYUSUNAN BARANG DALAM RUANG TIGA DIMENSI MENGGUNAKAN METODE GENETIC ALGORITHMS
OPTIMASI POLA PENYUSUNAN BARANG DALAM RUANG TIGA DIMENSI MENGGUNAKAN METODE GENETIC ALGORITHMS Kartika Gunadi, Irwan Kristanto Julistiono Fakultas Teknologi Industri, Jurusan Teknik Informatika, Universitas
Lebih 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 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 terperinciIMPLEMENTASI METODE ANT COLONY OPTIMIZATION UNTUK PEMILIHAN FITUR PADA KATEGORISASI DOKUMEN TEKS
IMPLEMENTASI METODE ANT COLONY OPTIMIZATION UNTUK PEMILIHAN FITUR PADA KATEGORISASI DOKUMEN TEKS Yudis Anggara Putra Chastine Fatichah Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut
Lebih terperinciBAB I PENDAHULUAN Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Indonesia merupakan salah satu Negara yang mempunyai wilayah hutan yang cukup luas dan merupakan negara terpenting penghasil berbagai kayu bulat tropis, kayu
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 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 terperinciRANCANG BANGUN PERANGKAT LUNAK PENJADWALAN PERKULIAHAN MENGGUNAKAN METODE META- HEURISTIK (PENGGABUNGAN METODE ALGORITMA GENETIK DAN TABU SEARCH)
RANCANG BANGUN PERANGKAT LUNAK PENJADWALAN PERKULIAHAN MENGGUNAKAN METODE META- HEURISTIK (PENGGABUNGAN METODE ALGORITMA GENETIK DAN TABU SEARCH) TUGAS AKHIR Disusun Oleh : RIO PRAYOGA SUPRAYANA NPM. 06
Lebih terperinciFUNGSI ACKLEY DAN PENCARIAN NILAI OPTIMUMNYA MENGGUNAKAN ALGORITMA STROBERI. Muhamad Fadilah Universitas Jenderal Soedirman
Prosiding Seminar Nasional Matematika dan Terapannya 06 p-issn : 550-0384; e-issn : 550-039 FUNGSI ACKLEY DAN PENCARIAN NILAI OPTIMUMNYA MENGGUNAKAN ALGORITMA STROBERI Muhamad Fadilah Universitas Jenderal
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 terperinciAPLIKASI SIMULATED ANNEALING UNTUK MENYELESAIKAN TRAVELLING SALESMAN PROBLEM
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 03, No. 1 (2015), hal 25 32. APLIKASI SIMULATED ANNEALING UNTUK MENYELESAIKAN TRAVELLING SALESMAN PROBLEM Edi Samana, Bayu Prihandono, Evi Noviani
Lebih terperinciPemilihan Jalur Evakuasi Dalam Keadaan Darurat Menggunakan Algoritma Quantum Ant-Colony
Pemilihan Jalur Evakuasi Dalam Keadaan Darurat Menggunakan Algoritma Quantum Ant-Colony Path Selection In Emergency Evacuation Using Quantum Ant- Colony Algorithm Fransisca Arvevia I A 1, Jondri 2, Anditya
Lebih terperinciPENYELESAIAN PERMASALAHAN TRIM LOSS DENGAN MODEL INTEGER LINEAR PROGRAMMING DAN MIXED INTEGER LINEAR PROGRAMMING
PENYELESAAN PERMASALAHAN TRM LOSS DENGAN MODEL NTEGER LNEAR PROGRAMMNG DAN MXED NTEGER LNEAR PROGRAMMNG Nama Mahasiswa : Pradina Eka Wardani NRP : 1206 100 024 urusan : Matematika Dosen Pembimbing : Dra.
Lebih terperinciJaringan Syaraf Tiruan dengan Pembelajaran Algoritma Genetika dan Diversitas untuk Deteksi Kelas Penyakit
Jaringan Syaraf Tiruan dengan Pembelajaran Algoritma Genetika dan Diversitas untuk Deteksi Kelas Penyakit Abidatul Izzah 1), Ratih Kartika Dewi 2) 1)2) Jurusan Teknik Informatika ITS Surabaya Jl. Teknik
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 terperinciPENYELESAIAN VEHICLE ROUTING PROBLEM WITH TIME WINDOWS (VRPTW) MENGGUNAKAN ALGORITMA GENETIKA HYBRID
JOURNAL OF ENVIRONMENTAL ENGINEERING & SUSTAINABLE TECHNOLOGY P-ISSN : 2356-3109 PENYELESAIAN VEHICLE ROUTING PROBLEM WITH TIME WINDOWS (VRPTW) MENGGUNAKAN ALGORITMA GENETIKA HYBRID Diah Anggraeni Pitaloka
Lebih terperinciOPTIMASI DAN HEURISTIK DALAM PENDEKATAN SISTEM. Arif Rahman
OPTIMASI DAN HEURISTIK DALAM PENDEKATAN SISTEM Arif Rahman INDUSTRIAL ENGINEERING..is concerned with the design, improvement, and installation of integrated systems of men, materials, information, energy,
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 terperinciBAB II LANDASAN TEORI. Evolutionary Algorithm merupakan terminologi umum yang menjadi payung
BAB II LANDASAN TEORI 2.1 Algoritma Genetika Evolutionary Algorithm merupakan terminologi umum yang menjadi payung bagi empat istilah : algoritma genetika (genetic algorithm), pemrograman genetika (genetic
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Pemrograman linier integer atau Integer Linear Programming (ILP) pada intinya berkaitan dengan program-program linier di mana beberapa atau semua variabel
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 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 terperinciPenyelesaian {0,1}-Knapsack Problem dengan Algoritma Soccer League Competition
Penyelesaian {0,1}-Knapsack Problem dengan Algoritma Soccer League Competition Muji Prasetyo Iryanto, Sri Mardiyati Departemen Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Indonesia,
Lebih terperinciOPTIMASI CUTTING STOCK PADA INDUSTRI PEMOTONGAN KERTAS DENGAN MENGGUNAKAN METODE INTEGER LINEAR PROGRAMMING (Studi Kasus di Bhinneka Semarang)
OPTIMASI CUTTIG STOCK PADA IDUSTRI PEMOTOGA KERTAS DEGA MEGGUAKA METODE ITEGER LIEAR PROGRAMMIG (Studi Kasus di Bhinneka Semarang) Denny urkertamanda, Singgih Saptadi, Adhika Permanasari Teknik Industri
Lebih terperinci