Arif Munandar 1, Achmad Lukman 2 1 Teknik Informatika STMIK El Rahma Yogyakarta, Teknik Informatika STMIK El Rahma Yogyakarta
|
|
- Siska Sumadi
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PENJADWALAN MATAKULIAH DENGAN ALGORITMA GENETIKA MENGGUNAKAN FRAMEWORK CODEIGNITER (STUDI KAUS PROGRAM STUDI S PENDIDIKAN AGAMA ISLAM UNIVERSITAS ALMA ATA YOGYAKARTA) Arif Munandar, Achmad Lukman 2 Teknik Informatika STMIK El Rahma Yogyakarta, 2 Teknik Informatika STMIK El Rahma Yogyakarta gender89@gmail.com, 2 mecaman@gmail.com Abstract Course of study undergraduate of Islamic Religious Education, Alma Ata University needs a long time to arrange the lecture schedule because it has a lot of constituent component. Besides, the large number of the components caused often clashes between lecture schedule. The system of course schedule with algorithm genetics processes of making schedule lecture as the selection process. Solution that raised processed through stage evaluation fitness then crossover and mutation. Solution problem with the best value fitness used as the end of solution in process of making schedule lecture. This system produces the course schedule with the best value fitness from the all solution that produced. Value fitness produces schedule lecture without clashes. This system makes the manufacture of schedule by computerized. Keywords scheduling of courses, algorithm genetic, PHP, MySQL, framework codeigniter PENDAHULUAN Proses penjadwalan di Program Studi S Pendidikan Agama Islam Universitas Alma Ata Yogyakarta yang selanjutnya disebut PAI Alma Ata dilakukan tiap awal semester sebelum kegiatan perkuliahan dilaksanakan. Proses penjadwalan dilakukan oleh bagian akademik berkoordinasi dengan bagian pembelajaran PAI Alma Ata. Komponenkomponen yang diperlukan untuk menyusun sebuah jadwal perkuliahan antara lain jumlah dan kapasitas semua ruang kelas, jumlah matakuliah dan jumlah beban sks per matakuliah, jumlah mahasiswa pengambil tiap matakuliah, dan jumlah dosen yang mengajar tiap matakuliah. Keterbatasan ruang kuliah membuat penjadwalan matakuliah menjadi lambat karena menumpuk antrian matakuliah yang harus diajarkan kepada mahasiswa. Selain itu, adanya dosen yang mengampu beberapa matakuliah mengakibatkan penyusunan jadwal matakuliah menjadi lebih lama karena harus memastikan bahwa dosen tersebut tidak sedang mengajar pada kelas yang lain secara bersamaan. Pada pelaksanaanya, keterbatasan ruang kuliah dan adanya dosen yang mengampu beberapa matakuliah mengakibatkan bentrok jadwal kuliah di beberapa kelas dan perubahan jadwal kuliah secara mendadak menjadi hal lumrah. Bagi mahasiswa, hal ini dapat mengurangi tingkat penyerapan materi dari dosen pengajar. Jurusan Sistem Informasi Institut Teknologi Sepuluh Nopember Surabaya telah melakukan pengujian pembuatan jadwal dengan metode algoritma genetika, menghasilkan jadwal perkuliahan sesuai dengan batasan-batasan yang diberikan[]. Fakultas Teknologi Informasi dan Komunikasi (FTIK) Universitas Semarang, menggunakan sistem penjadwalan perkuliahan dengan metode algoritma genetika menghasilkan jadwal yang meminimalisir tingginya frekuensi mengajar seorang dosen, frekuensi kuliah suatu kelas dan faktor pengaruh lainnya[2]. Sebuah penjadwalan yang baik adalah sebuah penjadwalan yang dapat dilakukan oleh seluruh pihak yang terkait dalam kegiatan belajar mengajar, tidak
2 hanya bagi dosen yang mengajar tetapi juga bagi mahasiswa yang mengambil matakuliah tersebut[]. METODE PENELITIAN 2. Metode pengumpulan data 2.. Metode observasi Mengadakan tanya jawab kepada objek yang menangani langsung masalah penyusunan jadwal perkuliahan di Program Studi S Pendidikan Agama Islam Universitas Alma Ata Yogyakarta, dalam hal ini dilakukan pada bagian akademik selaku penyelenggara kegiatan pembelajaran. Berikut beberapa pertanyaan yang disampaikan. a. Bagaimana cara menyusun jadwal perkuliahan dalam tiap semester? b. Bagaimana cara mengetahui jumlah seluruh matakuliah yang diajarkan pada tiap semester? c. Bagaimana cara mengetahui jumlah mahasiswa pengambil matakuliah pada tiap matakuliah yang diajarkan? d. Bagaimana cara mengetahui nama dan jumlah dosen pada tiap matakuliah yang diajarkan? e. Berapa jumlah kelas yang tersedia untuk kegiatan perkuliahan teori? f. Adakah data yang mencatat kapasitas tiap ruang kelas yang dipergunakan untuk kegiatan perkuliahan? g. Hari apa saja kegiatan perkuliahan dapat dilakukan? 2..2 Metode dokumentasi Mengumpulkan formulir-formulir yang berhubungan dengan ruang kelas, matakuliah, dosen pengajar dan mahasiswa di Program Studi S Pendidikan Agama Islam Universitas Alma Ata Yogyakarta Metode kepustakaan Pengumpulan data dan informasi yang berkaitan dengan sistem penjadwalan perkuliahan menggunakan algoritma genetika melalui buku, jurnal, laporan tugas akhir dan atau laporan skripsi dari penelitian sebelumnya. 2.2 Metode optimasi dengan algoritma genetika Pengolahan data mentah hasil wawancara, dokumentasi dan observasi menggunakan algoritma genetika. Data-data tersebut kemudian dikelompokkan dan dibuat menjadi kromosom dan populasi, selanjutnya melalui proses evaluasi fitness, seleksi, reproduksi kromosom baru, mutasi hingga kondisi selesai. 2.3 Metode eksperimental 2.3. Membuat sistem Merancang dan membuat sistem sesuai dengan rancangan yang telah dibuat dengan metode algoritma genetika menggunakan framework codeigniter Implementasi sistem Melakukan pengujian terhadap data yang diolah menggunakan sistem yang telah dirancang dan dibuat agar menghasilkan keluaran yang sesuai dengan tujuan penelitian yang dilakukan. 2.4 Kamus Data Tabel 2.4. Tabel ruang Tabel ini berfungsi untuk menyimpan data ruang kelas yang digunakan untuk perkuliahan. Nama Tabel : ruang Field kunci : id
3 Tabel. Kamus data tabel ruang Nama field Tipe field Lebar Keterangan Id Integer Kode unik tabel ruang Nama Varchar 50 Nama ruang Kapasitas Integer 0 Kapasitas ruang jenis Enum( teori, praktikum ) Jenis ruang Tabel kelas Tabel ini berfungsi untuk menyimpan nama kelas dari setiap perkumpulan mahasiswa dalam satu matakuliah. Nama tabel : kelas Field kunci : id Tabel 2. Kamus data tabel kelas Nama field Tipe field Lebar Keterangan id Integer 0 Kode unik tabel kelas Nama Varchar 50 Nama kelas kapasitas varchar 20 Daya tamping dari kelas Semester varchar 0 Semester dari kelas Tabel jadwalkuliah Tabel ini berfungsi untuk menyimpan data jadwal kuliah yang telah diciptakan dari proses algoritma genetika pada sistem yang diciptakan. Nama tabel Field kunci : jadwalkuliah : id Tabel 3. Kamus data tabel jadwalkuliah Nama field Tipe field Lebar Keterangan id Integer 0 Kode unik tabel jadwalkuliah id_pengampu Integer 0 Kode tamu dari tabel pengampu Id_waktu Integer 0 Kode tamu dari tabel slot Tabel pengampu Tabel ini berfungsi untuk menyimpan data nama matakuliah beserta dosen pengampu matakuliah. Nama tabel Field kunci : pengampu : id Tabel 4. Kamus data tabel pengampu Nama field Tipe field Lebar Keterangan id Integer 0 Kode unik tabel pengampu dosen Integer 0 Kode tamu tabel dosen matakuliah Integer 0 Berisi nama matakuliah yang diampu dosen Kelas Varchar 0 Kode tamu tabel kelas Tahun_aka Varchar 0 Tahun akademik matakuliah Tabel dosen Tabel ini berfungsi untuk menyimpan data dosen. Nama tabel : dosen Field kunci : id
4 2.5 Relasi Antar Tabel Tabel 5. Kamus data tabel dosen Nama field Tipe field Lebar Keterangan id Int 2 Kode unik tabel dosen Nidn Varchar 50 Nomor induk dosen Nama Varchar 50 Nama dosen Alamat Varchar 50 Alamat dosen Telp Varchar 50 Nomor telpon dosen Pengampu Kelas - Nama - semester Ruang - Nama - kapasitas - jenis - matakuliah - dosen** - kelas** - tahun_aka Slot - hari - sesi - ruang ** - tahun_aka Dosen - Nama - nidn - alamat - telp Jadwalkuliah - id_pengampu** - id_waktu** - tahun_aka Gambar. Relasi antar tabel Keterangan.. Field id pada tabel slot berelasi one to many dengan field id_waktu pada tabel jadwalkuliah karena satu data id pada tabel slot bisa dicatat berulang kali di field id_waktu pada tabel jadwalkuliah. 2. Field id pada tabel ruang berelasi one to many dengan field ruang pada tabel slot karena satu data field id pada tabel ruang bisa dicatat berulang kali pada field ruang di tabel slot. 3. Field id pada tabel pengampu berelasi one to many dengan field id_pengampu di tabel jadwalkuliah karena satu data field id pada tabel pengampu bisa dicatat berulang kali pada field id_pengampu pada tabel jadwalkuliah. 4. Field id pada tabel dosen berelasi one to many dengan field dosen di tabel pengampu karena satu data field id pada tabel dosen dapat ditulis berulang kali pada field dosen pada tabel pengampu. 5. Field id pada tabel kelas berelasi one to many dengan field kelas di tabel pengampu karena satu data field id pada tabel kelas dapat dicatat berulang kali pada field kelas pada tabel pengampu. 2.6 Diagram Alir Program Utama Algoritma Genetika Program algoritma genetika dimulai dengan memberikan masukan data jenis semester, jumlah populasi, jumlah generasi, nilai probabilitas crossover dan probabilitas mutasi. Kemudian masukan tersebut akan diolah untuk di inisialisasi atau pengkodean data kromosom berdasarkan masukan jenis semester agar dapat diolah kedalam algoritma genetika. Proses algoritma genetika dilakukan sebanyak jumlah generasi yang ditandai dengan variabel generasi= sampai dengan jumlah generasi.
5 Proses evaluasi dilakukan dengan memberikan nilai pinalti kepada kromosomkromosom yang terbentuk dari proses inisialisasi. Kemudian diteruskan proses seleksi untuk mendapatkan kromosom terbaik. Setelah itu proses dilakukan dengan proses crossover, yaitu melakukan penyilangan dua buah induk kromosom yang berbeda dan dipilih secara acak. Setelah selesai proses crossover, berikutnya adalah proses mutasi dengan cara memilih secara acak gen terpilih untuk diganti dengan gen yang baru yang didapat secara acak. Langkah berikutnya adalah melakukan evaluasi seluruh kromosom setelah proses mutasi untuk dicari kromosom terbaik pada generasi tersebut. Gambar 2. Diagram alir program utama algoritma genetika
6 HASIL DAN PEMBAHASAN 3. Tampilan Antarmuka Sistem Halaman ini menampilkan data jadwal kuliah hasil proses algoritma genetika oleh sistem yang telah dibuat. Selain itu, terdapat juga menu unduh jadwal kuliah disebelah kanan atas. Gambar 3. Tampilan halaman data jadwal 3.2 Pembahasan dan Ujicoba Sistem Pada tahap ini dilakukan pengujian terhadap sistem dengan memberikan masukan nilai secara berubah-ubah untuk nilai jumlah populasi, jumlah generasi, probabilitas mutasi dan probabilitas crossover. Ujicoba dilakukan sebanyak 5 kali untuk tiap nilai dari variabel yang diujikan. Data yang digunakan untuk pengujian sistem yaitu jadwal perkuliahan untuk semester gasal dan genap tahun akademik Dari data tersebut diperoleh jumlah dosen sebanyak 6 dosen, 24 matakuliah semester genap, 28 matakuliah semester gasal, dan 8 ruang perkuliahan dengan jumlah 24 slot waktu untuk semester genap dan 28 slot waktu untuk semester gasal Nilai fitness dengan pengantian jumlah populasi Pada tahap ini dilakukan pengujian dengan mengganti nilai dari variabel populasi yaitu 5, 0, 5, dan 20. Tabel 6. Perbandingan nilai fitness terhadap perubahan nilai populasi Populasi Generasi Crossover Mutasi Waktu Proses Fitness 5 5 0,25 0, menit 0 detik 0, ,25 0, 4 menit 59 detik 0, ,25 0, 0 menit 22 detik 0, ,25 0, 8 menit 52 detik
7 Nilai Fitness Dari Tabel 6 dapat disimpulkan bahwa semakin bertambah jumlah populasi, maka waktu yang dibutuhkan untuk menyelesaikan proses algoritma semakin bertambah. Semakin banyak jumlah populasi kemungkinan untuk mendapatkan nilai fitness terbaik menjadi lebih besar. Data tersebut memberikan nilai parameter terbaik untuk jumlah populasi 20 dan jumlah generasi 5 dengan nilai fitness, namun membutuhkan waktu proses yang paling lama NILAI FITNESS DENGAN PENGGANTIAN JUMLAH POPULASI Jumlah Populasi 5 20 Gambar 4. Grafik perbandingan nilai fitness terhadap perubahan nilai populasi Nilai fitness dengan penggantian jumlah generasi Pada tahap ini pengujian dilakukan dengan mengganti nilai variabel generasi dengan nilai 5, 0, 5 dan 20. Tabel 7. Perbandingan nilai fitness terhadap perubahan nilai jumlah generasi Populasi Generasi Crossover Mutasi Waktu Proses Fitness 0 5 0,25 0, 4 menit 59 detik 0, ,25 0, 9 menit 56 detik 0 5 0,25 0, 8 menit 27 detik 0, ,25 0, 30 menit 58 detik 0,023 Dari data Tabel 7 dapat disimpulkan bahwa semakin bertambah jumlah generasi, semakin lama waktu yang dibutuhkan untuk menyelesaikan proses algoritma. Jumlah generasi terbaik yang mampu memperoleh nilai fitness terbaik adalah untuk jumlah generasi 0. Kemudian untuk jumlah generasi yang lebih banyak, nilai fitness mengalami penurunan sehingga dapat disimpulkan untuk jumlah generasi terbaik adalah 0 dan jumlah populasi 0.
8 Nilai Fitness Nilai Fitness NILAI FITNESS DENGAN PENGANTIAN JUMLAH GENERASI Jumlah Generasi Fitness Gambar 5. Grafik perbandingan nilai fitness terhadap perubahan nilai jumlah generasi Nilai fitness dengan penggantian jumlah probabilitas crossover Pada tahap ini dilakukan pengujian dengan mengganti nilai probabilitas crossover dengan nilai 0,5 0,25 0,45-0,65. Tabel 8. Perbandingan nilai fitness terhadap perubahan nilai probabilitas crossover Populasi Generasi Crossover Mutasi Waktu Proses Fitness 0 0 0,5 0, 9 menit 8 detik 0, ,25 0, 9 menit 56 detik 0 0 0,45 0, 9 menit 4 detik 0, ,65 0, 9 menit 2 detik 0,0244 Dari Tabel 8 diperoleh kesimpulan bahwa perubahan nilai crossover tidak berdampak siginifikan terhadap perubahan lama waktu proses algoritma genetika. Nilai terbaik fitness diperoleh pada perubahan nilai probabilitas crossover sebesar 0,25. NILAI FITNESS DENGAN PENGANTIAN PROBABILITAS CROSSOVER Nilai Probabilitas Crossover Fitness Gambar 6. Grafik perbandingan nilai fitness terhadap perubahan nilai probabilitas crossover
9 Nilai FItness Nilai fitness dengan penggantian jumlah probabilitas mutasi Pada tahap ini dilakukan pengujian dengan mengganti nilai probabilitas mutasi dengan nilai 0, - 0,2-0,4 dan 0,6. Tabel 9. Perbandingan nilai fitness terhadap perubahan nilai probabilitas mutasi Populasi Generasi Crossover Mutasi Waktu Proses Fitness 0 0 0,25 0, 9 menit 56 detik 0 0 0,25 0,2 9 menit 20 detik 0 0 0,25 0,4 9 menit 3 detik 0, ,25 0,6 9 menit 8 detik 0,0244 Dari Tabel 9 dapat diambil kesimpulan bahwa nilai fitness terbaik diperoleh dengan masukkan nilai probabilitas 0, dan 0,2. Perubahan nilai probabilitas mutasi tidak berdampak signifikan terhadap lama waktu eksekusi algoritma genetika. NILAI FITNESS DENGAN PENGGANTIAN NILAI PROBABILITAS MUTASI Fitness Nilai Probabilitas Mutasi Gambar 7. Grafik perbandingan nilai fitness terhadap perubahan nilai probabilitas mutasi Berdasarkan pengujian terhadap perubahan nilai jumlah generasi, jumlah populasi, probabilitas crossover dan probabilitas mutasi diperoleh kesimpulan berikut.. Nilai fitness terbaik dapat diperoleh dengan parameter nilai jumlah populasi 0, jumlah generasi 0, probabilitas crossover 0,25 dan probabilitas mutasi antara 0, dan 0,2. 2. Semakin banyak jumlah generasi semakin lama waktu yang dibutuhkan untuk proses algoritma genetika. 3. Semakin banyak jumlah populasi semakin lama waktu yang dibutuhkan untuk proses algoritma genetika. 4. Perubahan nilai mutasi dan crossover tidak berpengaruh secara signifikan terhadap lama waktu yang dibutuhkan untuk proses algoritma genetika.
10 KESIMPULAN Kesimpulan yang dapat diambil dari hasil analisa dan pembuatan sistem adalah sebagai berikut.. Sistem menghasilkan jadwal perkuliahan dengan nilai fitness terbaik dari semua generasi yang dimiliki. Nilai fitness diperoleh dari perhitungan pelanggaran didalam proses algoritma genetika. 2. Sistem dapat mempercepat penyusunan jadwal perkuliahan, dengan estimasi eksekusi terbaik dibawah 0 menit berdasarkan masukan nilai parameter terbaik hasil ujicoba. 3. Untuk mendapatkan jadwal perkuliahan tanpa bentrokan, nilai fitness yang diperoleh harus bernilai. DAFTAR PUSTAKA []Puspaningrum, W.A., Djunaidy, A., dan Vinarti, R.A., 203, Penjadwalan Mata Kuliah Menggunakan Algoritma Genetika di Jurusan Sistem Informasi ITS. Jurnal Teknik ITS, 2(), A27-A3, nue=/scholar%3fhl%3den%26as_sdt%3d0,5%26scilib%3d&citilm=&citation_for _view=mtbbxw4aaaaj:2osognq5qmec&hl=en&oi=p diakses tanggal 22 Maret 206 pukul 9:3 wib. [2]Budhi, R.K., 2008, Aplikasi Algoritma Genetik untuk Optimasi Penjadwalan Kegiatan Perkuliahan, Jurnal Tr@nsForMat!ka, 6(), -9, view_op=view_citation&continue=/scholar%3fhl%3den%26as_sdt%3d0,5%26scili% 3D&citilm=&citation_for_view=mTBBxw4AAAAJ:qjMakFHDy7sC&hl=en&oi=p diakses tanggal 22 Maret 206 pukul 9:40 wib.
Penjadwalan 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 terperinciBAB I PENDAHULUAN. sejumlah aktivitas kuliah dan batasan mata kuliah ke dalam slot ruang dan waktu
18 BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Penjadwalan merupakan kegiatan administrasi utama di berbagai institusi. Masalah penjadwalan merupakan masalah penugasan sejumlah kegiatan dalam periode
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 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 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 terperinciIMPLEMENTASI ALGORITMA GENETIKA PADA PENJADWALAN PERKULIAHAN
IMPLEMENTASI ALGORITMA GENETIKA PADA PENJADWALAN PERKULIAHAN Uning Lestari 2, Naniek Widyastuti 3, Desti Arghina Listyaningrum 1 1,2,3 Teknik Informatika, Fakultas Teknologi Industri, IST AKPRIND Yogyakarta
Lebih terperinciAPLIKASI UNTUK PREDIKSI JUMLAH MAHASISWA PENGAMBIL MATAKULIAH DENGAN MENGGUNAKAN ALGORITMA GENETIKA, STUDI KASUS DI JURUSAN TEKNIK INFORMATIKA ITS
APLIKASI UNTUK PREDIKSI JUMLAH MAHASISWA PENGAMBIL MATAKULIAH DENGAN MENGGUNAKAN ALGORITMA GENETIKA, STUDI KASUS DI JURUSAN TEKNIK INFORMATIKA ITS Hafid Hazaki 1, Joko Lianto Buliali 2, Anny Yuniarti 2
Lebih 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 terperinciOptimasi Penjadwalan Mata Pelajaran Pada Kurikulum 2013 Dengan Algoritme Genetika (Studi Kasus: SMA Negeri 3 Surakarta)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 12, Desember 2017, hlm. 1535-1542 http://j-ptiik.ub.ac.id Optimasi Penjadwalan Mata Pelajaran Pada Kurikulum 2013
Lebih terperinci2.16. Keaslian Penelitian BAB III ANALISIS DAN PERANCANGAN Analisa sistem Observasi Wawancara
DAFTAR ISI HALAMAN JUDUL... i HALAMAN PENGESAHAN PEMBIMBING... ii HALAMAN PENGESAHAN PENGUJI... iii BERITA ACARA DEMO SOFTWARE TUGAS AKHIR... iv SURAT PERNYATAAN KARYA ASLI TUGAS AKHIR...v ABSTRAK.....vi
Lebih terperinciPenjadwalan kegiatan merupakan pekerjaan yang tidak mudah, karena dalam. penyusunannya memerlukan perencanaan yang matang agar kegiatan tersebut
BAB I PENDAHULUAN A. Latar Belakang Penjadwalan kegiatan merupakan pekerjaan yang tidak mudah, karena dalam penyusunannya memerlukan perencanaan yang matang agar kegiatan tersebut terlaksana dengan optimal.
Lebih terperinciDAFTAR ISI. viii. LEMBAR PENGESAHAN... i. PERNYATAAN ORISINALITAS LAPORAN PENELITIAN... ii. PERNYATAAN PUBLIKASI LAPORAN PENELITIAN...
ABSTRAK Salah satu algoritma yang dapat dipakai untuk memecahkan permasalahan penjadwalan kuliah adalah algoritma genetika. Algoritma genetika merupakan teknik pencarian pemecahan masalah yang berusaha
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 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 terperinciSISTEM PENJADWALAN PERKULIAHAN MENGGUNAKAN ALGORITMA GENETIKA (STUDI KASUS PADA JURUSAN TEKNOLOGI INFORMASI FAKULTAS TEKNIK UNIVERSITAS TADULAKO)
JIMT Vol. 14 No. 2 Desember 2017 (Hal 242-255) ISSN : 2450 766X SISTEM PENJADWALAN PERKULIAHAN MENGGUNAKAN ALGORITMA GENETIKA (STUDI KASUS PADA JURUSAN TEKNOLOGI INFORMASI FAKULTAS TEKNIK UNIVERSITAS TADULAKO)
Lebih terperinciPENJADWALAN UJIAN AKHIR SEMESTER DENGAN ALGORITMA GENETIKA (STUDI KASUS JURUSAN TEKNIK INFORMATIKA UNESA)
Penjadwalan Ujian Akhir Semester dengan Algoritma Genetika PENJADWALAN UJIAN AKHIR SEMESTER DENGAN ALGORITMA GENETIKA (STUDI KASUS JURUSAN TEKNIK INFORMATIKA UNESA) Anita Qoiriah Jurusan Teknik Informatika,
Lebih terperinciIMPLEMENTASI ALGORITMA FUZZY EVOLUSI PADA PENJADWALAN PERKULIAHAN
IMPLEMENTASI ALGORITMA FUZZY EVOLUSI PADA PENJADWALAN PERKULIAHAN Herny Wulandari Pangestu. Kartika Yulianti, Rini Marwati Departemen Pendidikan Matematika FPMIPA UPI *Surel: hernyw@ymail.com ABSTRAK.
Lebih terperinciPENJADWALAN KULIAH DENGAN MENGGUNAKAN ALGORITMA GENETIKA STUDI KASUS FAKULTAS TEKNIK UNIVERSITAS SUMATERA UTARA TESIS
PENJADWALAN KULIAH DENGAN MENGGUNAKAN ALGORITMA GENETIKA STUDI KASUS FAKULTAS TEKNIK UNIVERSITAS SUMATERA UTARA TESIS Oleh: PURWANTO SIMAMORA 097034013/MTE FAKULTAS TEKNIK UNIVERSITAS SUMATERA UTARA MEDAN
Lebih terperinciPenjadwalan Dinas Pegawai Menggunakan Algoritma Genetika Pada PT Kereta Api Indonesia (KAI) Daerah Operasi 7 Stasiun Besar Kediri
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 11, November 2018, hlm. 4371-4376 http://j-ptiik.ub.ac.id Penjadwalan Dinas Pegawai Menggunakan Algoritma Genetika
Lebih terperinciPerancangan Dan Pembuatan Aplikasi Rekomendasi Jadwal Perkuliahan Pada Institut Informatika Indonesia Memanfaatkan Algoritma Genetika
Perancangan Dan Pembuatan Aplikasi Rekomendasi Jadwal Perkuliahan Pada Institut Informatika Indonesia Memanfaatkan Algoritma Genetika Hermawan Andika, S.Kom., M.Kom. Jurusan Teknik Informatika Institut
Lebih terperinciIMPLEMENTASI ALGORITMA GENETIKA PADA PERANCANGAN SISTEM PENJADWALAN PERKULIAHAN DI STIKOM BALI
EKSPLORA INFORMATIKA 119 IMPLEMENTASI ALGORITMA GENETIKA PADA PERANCANGAN SISTEM PENJADWALAN PERKULIAHAN DI STIKOM BALI Ni Made Wangi Suryati, Ni Ketut Dewi Ari Jayanti, I Ketut Dedy Suryawan Sekolah Tinggi
Lebih terperinciBAB 1 PENDAHULUAN. disebut Univesitas Timetabling Problems (UTP). Permasalahan ini dilihat dari sisi
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Penjadwalan perkuliahan merupakan suatu masalah yang sangat kompleks yang sering disebut Univesitas Timetabling Problems (UTP). Permasalahan ini dilihat dari sisi
Lebih terperinciPENGEMBANGAN APLIKASI PENJADWALAN KULIAH SEMESTER I MENGGUNAKAN ALGORITMA GENETIKA
PENGEMBANGAN APLIKASI PENJADWALAN KULIAH SEMESTER I MENGGUNAKAN ALGORITMA GENETIKA Bagus Priambodo Program Studi Sistem Informasi Fakultas Ilmu Komputer Universitas Mercu Buana e- mail : bagus.priambodo@mercubuana.ac.id
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Penjadwalan Penjadwalan kegiatan belajar mengajar pada suatu lembaga pendidikan biasanya merupakan salah satu pekerjaan yang tidak mudah dan menyita waktu. Pada lembaga pendidikan
Lebih terperinciSISTEM INFORMASI PENJADWALAN MENGAJAR MENGGUNAKAN METODE ALGORITMA GENETIKA PADA SMK 10 NOPEMBER JOMBANG
SISTEM INFORMASI PENJADWALAN MENGAJAR MENGGUNAKAN METODE ALGORITMA GENETIKA PADA SMK 10 NOPEMBER JOMBANG Parsun Suprayitno Amak Yunus 1 Sistem Informasi, Universitas Kanjuruhan Malang, parsunsupra@gmail.com
Lebih terperinciBab 1. Pendahuluan. 1.1 Latar Belakang
Bab 1 Pendahuluan 1.1 Latar Belakang Pentingnya suatu jadwal dalam sebuah kegiatan tidak lain agar kegiatan tersebut berjalan dengan lancar tanpa adanya gangguan seperti bentroknya jadwal. Penyusunan jadwal
Lebih terperinciKeywords Algoritma, Genetika, Penjadwalan I. PENDAHULUAN
Optimasi Penjadwalan Mata Kuliah Dengan Algoritma Genetika Andysah Putera Utama Siahaan Universitas Pembangunan Pancabudi Jl. Gatot Subroto Km. 4,5, Medan, Sumatra Utara, Indonesia andiesiahaan@gmail.com
Lebih terperinciImplementasi Sistem Penjadwalan Akademik Fakultas Teknik Universitas Tanjungpura Menggunakan Metode Algoritma Genetika
Jurnal Sistem dan Teknologi Informasi (JUSTIN) Vol. 1, No. 2, (2017) 28 Implementasi Sistem Penjadwalan Akademik Fakultas Teknik Universitas Tanjungpura Menggunakan Metode Algoritma Genetika Andreas Christian
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 terperinciOptimasi Penjadwalan Moving Class Menggunakan Algoritma Genetika (Studi Kasus: SMA Negeri 1 Turatea)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 4, Juli 2018, hlm. 1768-1777 http://j-ptiik.ub.ac.id Optimasi Penjadwalan Moving Class Menggunakan Algoritma Genetika
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 terperinciTAKARIR. algorithm algoritma/ kumpulan perintah untuk menyelesaikan suatu masalah. kesalahan program
TAKARIR advanced tingkat lanjut algorithm algoritma/ kumpulan perintah untuk menyelesaikan suatu masalah alleles nilai suatu gen. bug kesalahan program chromosome kromosom crossover penyilangan kromosom
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK PENJADWALAN UJIAN TUGAS AKHIR PADA JURUSAN TEKNIK INFORMATIKA UNIVERSITAS MUHAMMADIYAH MALANG
PENERAPAN ALGORITMA GENETIKA UNTUK PENJADWALAN UJIAN TUGAS AKHIR PADA JURUSAN TEKNIK INFORMATIKA UNIVERSITAS MUHAMMADIYAH MALANG TUGAS AKHIR Sebagai Persyaratan Guna Meraih Sarjana Strata 1 Teknik Informatika
Lebih terperinciABSTRAK. Kata kunci : Algoritma Genetik, Penjadwalan. i Universitas Kristen Maranatha
ABSTRAK Aplikasi penjadwalan sidang otomatis di Fakultas Teknologi Informasi Universitas Kristen Maranatha ini dibuat dengan tujuan untuk melakukan pengembangan dan optimasi terhadap aplikasi penjadwalan
Lebih terperinciOptimasi Penjadwalan Perkuliahan dengan Menggunakan Algoritma Genetika (Studi Kasus : AMIK MDP, STMIK GI MDP dan STIE MDP)
Optimasi Penjadwalan Perkuliahan dengan Menggunakan Algoritma Genetika (Studi Kasus : AMIK MDP, STMIK GI MDP dan STIE MDP) Vinny Witary (vinny.wit25@gmail.com), Nur Rachmat (rachmat.nur91@gmail.com) Inayatullah
Lebih terperinciPREPROCESSING DATA DAN REPRESENTASI ORGANISME ALGORITMA SYMBIOTIC ORGANISMS SEARCH PADA PERMASALAHAN PENJADWALAN PRAKTIKUM PERGURUAN TINGGI
PREPROCESSING DATA DAN REPRESENTASI ORGANISME ALGORITMA SYMBIOTIC ORGANISMS SEARCH PADA PERMASALAHAN PENJADWALAN PRAKTIKUM PERGURUAN TINGGI Hendrawan Armanto 1), C. Pickerling 2), Eka Rahayu Setyaningsih
Lebih terperinciMENGUKUR KINERJA ALGORITMA GENETIK PADA PEMAMPATAN MATRIKS JARANG
MENGUKUR KINERJA ALGORITMA GENETIK PADA PEMAMPATAN MATRIKS JARANG Nico Saputro dan Joice Aritonang Email : nico@home.unpar.ac.id, jo_aritonang@yahoo.com A matrix that has lots of zero elements is called
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Penjadwalan Perkuliahan Penjadwalan memiliki pengertian durasi dari waktu kerja yang dibutuhkan untuk melakukan serangkaian untuk melakukan aktivitas kerja[10]. Penjadwalan juga
Lebih terperinciBAB II LANDASAN TEORI
27 BAB II LANDASAN TEORI 2.1. Penelitian Terkait Penelitian terkait yang menggunakan algoritma genetika untuk menemukan solusi dalam menyelesaikan permasalahan penjadwalan kuliah telah banyak dilakukan.
Lebih terperinciALGORITMA GENETIKA UNTUK MENYELESAIKAN PERMASALAHAN PENJADWALAN PERKULIAHAN DAN PRAKTIKUM RIDHA APRIANI
ALGORITMA GENETIKA UNTUK MENYELESAIKAN PERMASALAHAN PENJADWALAN PERKULIAHAN DAN PRAKTIKUM SKRIPSI RIDHA APRIANI 071402019 PROGRAM STUDI TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
Lebih terperinciPERANCANGAN APLIKASI SISTEM PENJADWALAN LABORATORIUM FISIKA DASAR DI UNIVERSITAS GUNADARMA
PERANCANGAN APLIKASI SISTEM PENJADWALAN LABORATORIUM FISIKA DASAR DI UNIVERSITAS GUNADARMA Sabila Nadhirah 1 Febriani 2 1,2Teknik Informatika, Universitas Gundarma 1,2{sabila, febriani }@staff.gunadarma.ac.id
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 terperinciPENGGABUNGAN ALGORITMA GENETIKA DENGAN TABU SEARCH UNTUK PENGEMBANGAN METODE PENJADWALAN MATA KULIAH DI UNIVERSITAS SEBELAS MARET SURAKARTA SKRIPSI
PENGGABUNGAN ALGORITMA GENETIKA DENGAN TABU SEARCH UNTUK PENGEMBANGAN METODE PENJADWALAN MATA KULIAH DI UNIVERSITAS SEBELAS MARET SURAKARTA SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Mencapai Gelar
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 terperinciPENYELESAIAN PENJADWALAN MATAKULIAH MENGGUNAKAN HIBRIDISASI ALGORITMA GENETIKA DAN ALGORITMA KOLONI SEMUT
PENYELESAIAN PENJADWALAN MATAKULIAH MENGGUNAKAN HIBRIDISASI ALGORITMA GENETIKA DAN ALGORITMA KOLONI SEMUT Devie Rosa Anamisa 1), Arif Djunaidy 2) 1) Jurusan Teknik Informatika, Fakultas Teknologi Informasi
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 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 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 terperinciM. Ainul Yaqin 1,Totok Lisbiantoro 2, Jurusan Teknik Informatika, Fakultas Sains dan Teknologi Universitas Islam Negeri Maulana Malik Ibrahim Malang
OPTIMASI PENJADWALAN PERKULIAHAN JURUSAN TEKNIK INFORMATIKA UNIVERSITAS ISLAM NEGERI MAULANA MALIK IBRAHIM MALANG MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE SELEKSI RANK M. Ainul Yaqin 1,Totok Lisbiantoro
Lebih terperinciPENERAPAN METODE ALGORITMA GENETIKA UNTUK PERMASALAHAN PENJADWALAN PERAWAT (Nurse Schedulling Problem)
INFO TEKNIK Volume 16 No. 1 Juli 2015 (61-74) PENERAPAN METODE ALGORITMA GENETIKA UNTUK PERMASALAHAN PENJADWALAN PERAWAT (Nurse Schedulling Problem) Nadiya Hijriana Program Studi Teknik Informatika Universitas
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pengertian jadwal menurut kamus besar bahasa Indonesia adalah pembagian waktu berdasarkan rencana pengaturan urutan kerja; daftar atau tabel kegiatan atau rencana kegiatan
Lebih terperinciContoh Penggunaan Algoritma Genetika dan NEH
Contoh Penggunaan Algoritma Genetika dan NEH Mata Kuliah Tawar Program Studi Teknik Informatika Kode_mk Mata Kuliah SKS Semester Kelas Dosen Pengampu TKC108 Aljabar Linear 3 2 A Mula'ab, S.Si., M.Kom TKC108
Lebih terperinciCODING VOL.2 NO. 1 (2014), Hal ISSN: X
APLIKASI JADWAL PERKULIAHAN DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN VISUAL BASIC.NET (Studi Kasus: Fakultas Matematika dan Ilmu Pengetahuan Alam) Sella Erary [1],Beni Irawan [2], Ilhamsyah [3] [1][2][3]
Lebih terperinci2 TINJAUAN PUSTAKA. 2.1 Peringkasan Teks
4 2 TINJAUAN PUSTAKA 2.1 Peringkasan Teks Peringkasan teks adalah proses pemampatan teks sumber ke dalam versi lebih pendek namun tetap mempertahankan informasi yang terkandung didalamnya (Barzilay & Elhadad
Lebih terperinciPenerapan Konsep Algoritma Genetika untuk Penjadwalan Kegiatan Perkuliahan Semester Ganjil Kurikulum 2012 di Jurusan Matematika FMIPA UNSRI
Jurnal Penelitian Sains Volume 15 Nomor 2(A) April 2012 Penerapan Konsep Algoritma Genetika untuk Penjadwalan Kegiatan Perkuliahan Semester Ganjil Kurikulum 2012 di Jurusan Matematika FMIPA UNSRI Putra
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 III PENJADWALAN KULIAH DI DEPARTEMEN MATEMATIKA DENGAN ALGORITMA MEMETIKA. Penjadwalan kuliah di departemen Matematika UI melibatkan
BAB III PENJADWALAN KULIAH DI DEPARTEMEN MATEMATIKA DENGAN ALGORITMA MEMETIKA Penjadwalan kuliah di departemen Matematika UI melibatkan beberapa komponen yakni ruang kuliah, dosen serta mahasiswa. Seorang
Lebih terperinciSatrio Agung Wicaksono 1, R. Arief Setiyawan 1, Budi Darma Setiyawan 1, Ari Hernawan 1, Rizal Setya Perdana 1
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol. 1, No. 2, Oktober 214 hlm. 78-82 PENJADWALAN PERKULIAHAN DENGAN PENDEKATAN EVOLUTIONARY ALGORITHM (STUDI KASUS: SISTEM INFORMASI AKADEMIK (SIAKAD)
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK TRAVELING SALESMAN PROBLEM DENGAN MENGGUNAKAN METODE ORDER CROSSOVER DAN INSERTION MUTATION
PENERAPAN ALGORITMA GENETIKA UNTUK TRAVELING SALESMAN PROBLEM DENGAN MENGGUNAKAN METODE ORDER CROSSOVER DAN INSERTION MUTATION Samuel Lukas 1, Toni Anwar 1, Willi Yuliani 2 1) Dosen Teknik Informatika,
Lebih terperinciImplementasi Algoritma Genetika Pada Aplikasi Penjadwalan Perkuliahan Berbasis Web Dengan Mengadopsi Model Waterfall (Studi Kasus: STMIK Prabumulih)
Implementasi Algoritma Genetika Pada Aplikasi Penjadwalan Perkuliahan Berbasis Web Dengan Mengadopsi Model Waterfall (Studi Kasus: STMIK Prabumulih) Ahmat Josi *) Jurusan Sistem Informasi, STMIK Prabumulih,
Lebih terperinciKata kunci Sistem, Penjadwalan, Konstrain, Kuliah, Algoritma, Genetika, PHP, MySQL.
Optimasi Penggunaan Ruangan Dengan Algoritma Genetika Pada Sistem Penjadwalan Universitas Dian Nuswantoro Room Usage Optimization With Genetic Algorithm On Scheduling System At Dian Nuswantoro University
Lebih terperinciIMPLEMENTASI METODE ALGORITMA GENETIKA PADA APLIKASI OTOMASI PENJADWALAN PERKULIAHAN ANDRE ARSYAN JORDIE
IMPLEMENTASI METODE ALGORITMA GENETIKA PADA APLIKASI OTOMASI PENJADWALAN PERKULIAHAN ANDRE ARSYAN JORDIE 1112001029 PROGRAM STUDI INFORMATIKA FAKULTAS TEKNIK DAN ILMU KOMPUTER UNIVERSITAS BAKRIE JAKARTA
Lebih terperinciR.Fitri 1, S.Novani 1, M.Siallagan 1
Abstract Penjadwalan Perkuliahan Dengan Pengujian Tabel Waktu (Time-Table) Menggunakan Algoritma Genetika Studi Kasus Sistem Perkuliahan Jurusan Teknik Infomatika Universitas Komputer Indonesia R.Fitri
Lebih terperinciOptimasi Penjadwalan Mata Pelajaran Menggunakan Algoritme Genetika (Studi Kasus: SMK Negeri 2 Kediri)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 10, Oktober 2017, hlm. 1066-1072 http://j-ptiik.ub.ac.id Optimasi Penjadwalan Mata Pelajaran Menggunakan Algoritme
Lebih terperinciPENEMPATAN MAHASISWA PESERTA MATA KULIAH UMUM DENGAN ALGORITMA GENETIK DI UNIVERSITAS KATOLIK PARAHYANGAN
PENEMPATAN MAHASISWA PESERTA MATA KULIAH UMUM DENGAN ALGORITMA GENETIK DI UNIVERSITAS KATOLIK PARAHYANGAN Nico Saputro dan Guntur Setia Negara Jurusan Ilmu Komputer Universitas Katolik Parahyangan nico@home.unpar.ac.id
Lebih terperinciBAB III METODE PENELITIAN
digilib.uns.ac.id BAB III METODE PENELITIAN Penelitian ini sebelumnya diawali oleh pengumpulan litelatur dan pengumpulan data. Pengumpulan literatur merupakan pengumpulan bahan-bahan seperti jurnal, buku,
Lebih terperinciPENGGUNAAN ALGORITMA GENETIKA PADA PENJADWALAN PRODUKSI DI PT DNP INDONESIA PULO GADUNG
PENGGUNAAN ALGORITMA GENETIKA PADA PENJADWALAN PRODUKSI DI PT DNP INDONESIA PULO GADUNG Suriadi AS, Ulil Hamida, N. Anna Irvani STMI Jakarta, Kementerian Perindustrian RI ABSTRAK Permasalahan yang terjadi
Lebih terperinciSISTEM PENJADWALAN MATA KULIAH DENGAN ALGORITMA GENETIKA
SISTEM PENJADWALAN MATA KULIAH DENGAN ALGORITMA GENETIKA JUDUL TUGAS AKHIR Diajukan guna memenuhi sebagian persyaratan Dalam rangka menyelesaikan pendidikan sarjana strata satu (S1) Jurusan Teknik Elektro
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 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 terperinciPERANCANGAN TATA LETAK FASILITAS BAGIAN PRODUKSI MENGGUNAKAN METODE ALGORITMA GENETIK DI PT. PUTRA SEJAHTERA MANDIRI
PERANCANGAN TATA LETAK FASILITAS BAGIAN PRODUKSI MENGGUNAKAN METODE ALGORITMA GENETIK DI PT. PUTRA SEJAHTERA MANDIRI TUGAS SARJANA Diajukan Untuk Memenuhi Sebagian Dari Syarat-Syarat Memperoleh Gelar Sarjana
Lebih 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 terperinciABSTRAK. Kata kunci : Aplikasi, Penjadwalan, Algoritma Genetika. viii
ABSTRAK Di program studi Teknik Informatika UPN Veteran Yogyakarta, mahasiswa yang akan melakukan pendadaran tidak bisa menentukan jadwal pendadarannya sendiri. Mahasiswa hanya menunggu jadwal pendadaran
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 terperinciOPTIMASI PERSEDIAAN BAJU MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI PERSEDIAAN BAJU MENGGUNAKAN ALGORITMA GENETIKA andra Aditya 1), Wayan Firdaus Mahmudy 2) 1) Program Studi Teknik Informatika, Fakultas Ilmu Komputer Malang Jl. Veteran, Malang 65145, Indonesia
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI
111 BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Implementasi Aplikasi otomatisasi penjadwalan yang dibuat merupakan aplikasi desktop. Dalam pengoperasiannya, dibutuhkan perangkat keras dan piranti lunak dengan
Lebih terperinciIMPLEMENTASI ALGORITMA GENETIKA DALAM PENJADWALAN PERKULIAHAN DAN PRAKTIKUM (STUDI KASUS : FASILKOM-TI DAN FMIPA USU) SKRIPSI
IMPLEMENTASI ALGORITMA GENETIKA DALAM PENJADWALAN PERKULIAHAN DAN PRAKTIKUM (STUDI KASUS : FASILKOM-TI DAN FMIPA USU) SKRIPSI YAKHDI PERARI PINEM 131421088 PROGRAM STUDI EKSTENSI S1 ILMU KOMPUTER FAKULTAS
Lebih terperinciPERFORMANCE ALGORITMA GENETIKA (GA) PADA PENJADWALAN MATA PELAJARAN
PERFORMANCE ALGORITMA GENETIKA (GA) PADA PENJADWALAN MATA PELAJARAN Eva Desiana, M.Kom Pascasarjana Teknik Informatika Universitas Sumatera Utara, SMP Negeri 5 Pematangsianta Jl. Universitas Medan, Jl.
Lebih terperinciPENJADWALAN PERKULIAHAN MENGGUNAKAN ALGORITME GENETIKA
PENJADWALAN PERKULIAHAN MENGGUNAKAN ALGORITME GENETIKA Muhammad Syadid 1, Irman Hermadi 2, Sony Hartono Wijaya 2 1 Mahasiswa Departemen Ilmu Komputer, Fakultas Matematika dan IPA, Institut Pertanian Bogor
Lebih terperinciPENJADWALAN KAPAL PENYEBERANGAN MENGGUNAKAN ALGORITMA GENETIKA
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol. 3, No. 1, Maret 2016, hlm. 48-55 PENJADWALAN KAPAL PENYEBERANGAN MENGGUNAKAN ALGORITMA GENETIKA Ria Febriyana 1, Wayan Firdaus Mahmudy 2 Program
Lebih terperinciISSN IMPLEMENTASI ALGORITMA GENETIKA UNTUK PENJADWALAN INSTRUKTUR TRAINING ICT UIN SUNAN KALIJAGA
JISKa, Vol. 1, No. 3, Januari, 2017, Pp. 123 132 ISSN 2527-5836 IMPLEMENTASI ALGORITMA GENETIKA UNTUK PENJADWALAN INSTRUKTUR TRAINING ICT UIN SUNAN KALIJAGA Niki Min Hidayati Robbi (1), Nurochman (2),
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 terperinciOptimasi Penjadwalan Mata Pelajaran Menggunakan Algoritma Genetika (Studi Kasus : SMPN 1 Gondang Mojokerto)
Optimasi Penjadwalan Mata Pelajaran Menggunakan Algoritma Genetika (Studi Kasus : SMPN 1 Gondang Mojokerto) Dianita Dwi Permata Sari 1, Wayan Firdaus Mahmudy 2, Dian Eka Ratnawati 3 Teknik Informatika,
Lebih terperinciJurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: -X Vol., No., Maret 0, hlm. - http://j-ptiik.ub.ac.id Optimasi Penjadwalan Asisten Praktikum pada Laboratorium Pembelajaran Menggunakan
Lebih terperinciPENJADWALAN SATPAM JAGA DENGAN ALGORITMA GENETIKA
PENJADWALAN SATPAM JAGA DENGAN ALGORITMA GENETIKA Ronny Program Studi Teknik Informatika, Unika Soegijapranata Semarang ronnyloekito@gmail.com Abstract Schedule is useful to manage activities to be more
Lebih terperinciRancang Bangun Aplikasi Prediksi Jumlah Penumpang Kereta Api Menggunakan Algoritma Genetika
1 Rancang Bangun Aplikasi Prediksi Jumlah Penumpang Kereta Api Menggunakan Algoritma Genetika Annisti Nurul Fajriyah Politeknik Elektronika Negeri Surabaya Institut Teknologi Sepuluh Nopember (ITS) Surabaya
Lebih terperinciBAB III. Metode Penelitian
BAB III Metode Penelitian 3.1 Diagram Alir Penelitian Secara umum diagram alir algoritma genetika dalam penelitian ini terlihat pada Gambar 3.1. pada Algoritma genetik memberikan suatu pilihan bagi penentuan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tinjauan Pustaka (Samuel, Toni & Willi 2005) dalam penelitian yang berjudul Penerapan Algoritma Genetika untuk Traveling Salesman Problem Dengan Menggunakan Metode Order Crossover
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan membahas landasan atas teori-teori yang bersifat ilmiah untuk mendukung penulisan skripsi ini. Teori-teori yang dibahas mengenai optimisasi, pengertian penjadwalan,
Lebih terperinciPENJADWALAN PERKULIAHAN DENGAN MENGGUNAKAN ALGORITMA GENETIKA ( STUDI KASUS S-1 ILMU KOMPUTER UNIVERSITAS SUMATERA UTARA ) SKRIPSI
PENJADWALAN PERKULIAHAN DENGAN MENGGUNAKAN ALGORITMA GENETIKA ( STUDI KASUS S-1 ILMU KOMPUTER UNIVERSITAS SUMATERA UTARA ) SKRIPSI MARTINELLY SEMBIRING 091401012 PROGRAM STUDI S1 ILMU KOMPUTER FAKULTAS
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 terperinciPENERAPAN ALGORITMA GENETIK UNTUK OPTIMASI POLA PENYUSUNAN BARANG DALAM RUANG TIGA DIMENSI ABSTRAK
PENERAPAN ALGORITMA GENETIK UNTUK OPTIMASI POLA PENYUSUNAN BARANG DALAM RUANG TIGA DIMENSI Eddy Triswanto Setyoadi, ST., M.Kom. ABSTRAK Melakukan optimasi dalam pola penyusunan barang di dalam ruang tiga
Lebih terperinciImplementasi Algoritma Genetik-Tabu Search dalam Optimasi Penjadwalan Perkuliahan
45 Implementasi Algoritma Genetik-Tabu Search dalam Optimasi Penjadwalan Perkuliahan Rusianah, M. Aziz Muslim, Sholeh Hadi Pramono Abstract - Schedule is important, since implementation of course involves
Lebih terperinciRancang Bangun Pengisian LIRS Berbasis Android dan Penjadwalan Kuliah dengan Algoritma Genetika
Rancang Bangun Pengisian LIRS Berbasis Android dan Penjadwalan Kuliah dengan Algoritma Genetika (Design Development in Filling LIRS Based on Android and Courses Schedulling Using Genetic Algorithm) Ibrohim,
Lebih terperinciOptimalisasi Pengantaran Barang dalam Perdagangan Online Menggunakan Algoritma Genetika
Optimalisasi Pengantaran Barang dalam Perdagangan Online Menggunakan Algoritma Genetika Rozak Arief Pratama 1, Esmeralda C. Djamal, Agus Komarudin Jurusan Informatika, Fakultas MIPA Universitas Jenderal
Lebih terperinciOPTIMASI JADWAL MENGAJAR ASISTEN LABORATORIUM MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI JADWAL MENGAJAR ASISTEN LABORATORIUM MENGGUNAKAN ALGORITMA GENETIKA Indana Zulfa 1, Wayan Firdaus Mahmudy 2, Budi Darma Setiawan 3 Teknik Informatika, Program Teknologi Informasi dan Ilmu Komputer,
Lebih terperinciANALISA KOMBINASI ALGORITMA GENETIKA DENGAN ALGORITMA PALGUNADI UNTUK PENJADWALAN MATA KULIAH DI UNIVERSITAS SEBELAS MARET
Analisa Kombinasi Algoritma Genetika dengan (Siswono dan Palgunadi) ANALISA KOMBINASI ALGORITMA GENETIKA DENGAN ALGORITMA PALGUNADI UNTUK PENJADWALAN MATA KULIAH DI UNIVERSITAS SEBELAS MARET Teno Siswono
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Permasalahan
BAB I PENDAHULUAN 1.1 Latar Belakang Permasalahan Masalah penjadwalan secara umum adalah aktivitas penugasan yang berhubungan dengan sejumlah constraint, sejumlah kejadian yang dapat terjadi pada suatu
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 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 terperinci