Lampiran 1 Matriks Jarak Tempuh Asal dan Tujuan Distribusi Gula di Wilayah Yogyakarta
|
|
- Utami Darmadi
- 6 tahun lalu
- Tontonan:
Transkripsi
1
2 Lampiran 1 Matriks Jarak Tempuh Asal dan Tujuan Distribusi Gula di Wilayah Yogyakarta Node ,2 7,4 21 9,6 15 5,2 9,4 8,6 19 9, ,5 3, ,3 6,2 3,4 8, ,2 0 7, , ,7 6, ,6 9,6 8, ,4 7, , ,3 13 5, ,7 8,6 5,7 8 4,6 3,8 4 6, ,5 7, , ,6 3, ,6 12 6, ,85 6,7 8,3 1, ,8 12 2,8 4,9 4,8 3,9 7,2 1,3 6,8 13 3,7 4,7 4, , , , ,4 7,7 5,5 7, , , ,4 13 5,1 6,8 15 4,8 9,3 6,8 8,9 4,6 4,4 5,4 3,1 7,6 12 7,4 8,7 8,2 7 9, , ,8 10 0, ,1 11 3,7 5,9 3,1 3,1 6,1 1,8 8,2 13 5,1 5,6 5,2 8 8,6 9,1 1,3 21 6,7 16 8,4 5, , ,7 10 7,4 6,7 5,6 4,8 5, , , , , , ,7 4,4 10 9,3 12 5,9 17 1,7 12 5,1 0,1 8,7 7,2 0 9,2 14 3,9 11 3,7 5,8 3,9 3,6 6 1, ,5 5, ,1 6, , , ,9 5,8 8,2 8, , , ,5 9,7 4,7 26 4,8 15 4,8 3,1 5,7 11 3, ,7 6,8 1,4 0,95 3,6 4,5 8,1 14 5,8 6,6 7,3 14 3,2 6,5 8, , ,6 5, ,1 8,1 5, ,7 18 2,8 13 6,8 3,7 7,4 6 3, , ,7 6,7 5,9 9,2 4,6 9,4 15 6,3 1,9 1, ,9 14 8,9 5,9 6,7 5,1 5, ,8 17 4,7 0 9,7 8,9 10 7, ,6 4,5 3,1 17 6,3 9,6 4,6 17 4,8 15 4,6 3,1 5,6 11 3,9 5,9 11 1,4 8,1 6,7 9,7 0 0,9 3,8 3 8,2 14 5,9 6,7 6,2 18 6,2 9,6 3,8 17 3,9 15 4,4 3,1 4,8 10 3,6 5,8 11 0,95 8,1 5,9 8,9 0, ,4 8,6 15 6,3 7,1 6,6 19 3,4 8, ,2 19 5,4 6,1 5, ,2 9,3 3,6 5,1 9,2 10 3, , ,3 20 8,6 13 6,9 14 1,3 9,4 3,1 1,8 8 8,9 1,3 8,4 14 4,5 11 4,6 7,6 3 3,4 6,1 0 6,1 12 2,9 6,9 6, ,6 6,8 7,7 7,6 8, ,1 20 9,4 12 8,2 8,6 12 6,1 0 8,1 3,8 8, ,7 13 5, , ,7 7,4 7,4 5, ,8 20 6,3 8,6 5,9 6,3 9 2,9 3, , ,5 17 4,7 12 8,7 5,6 8,5 5,7 5, ,6 17 1,9 4,5 6,7 7,1 11 6,9 8,8 15 5, ,3 18 4,2 14 8,2 5,2 6 4,4 5, ,3 16 1,4 3,1 6,2 6,6 9,3 6,
3 Lampiran 2 Matriks Waktu Tempuh Asal dan Tujuan Distribusi Gula di Wilayah Yogyakarta Node
4 Lampiran 3 Data Permintaan Harian Gula di Yogyakarta Kode Alamat Agen Jumlah 0 DEPOT - 1 Pacar, Sewon, Trimulyo, Bantul Jl. Pramuka No.84, Giwangan, Umbulharjo Jl. Magelang Km. 15, Jl. Colombo No.26, Caturtunggal, Kec. Depok 50 5 Jl. Kebon Agung No.88, Tlogoadi, Mlati Jl. HOS. Cokroaminoto No. 176, Tegalrejo Jl. Urip Sumoharjo No.38A, Klitren, Jl. Ngeksigondo No.7, RT.09 / RW.02, Jl. Ringroad Utara - Maguwoharjo, Depok, Jl. Urip Sumoharjo, Klitren, Gondokusuman Jalan Raya Wates No.256, Ambarketawang, Jl. Parangtritis Km 11 Sabdodadi Bantul JL Madukismo, Yogyakarta, Ngupasan, Jl. Bantul, Powoharjo, Sewon, Bantul Plaza Ambarukmo LG, Jl. Laksda Adisucipto Jl. Raya Solo KM 8 No. 234, Maguwoharjo Jl. Mayor Suryotomo No.29, Ngupasan, Jl. Sultan Agung No.10, Wirogunan, Jalan DI Panjaitan No.54, Suryodiningratan Jl. C. Simanjuntak No.70, Terban, Jalan Palagan Tentara Pelajar No. 31, Ngaglik Triharjo, Kec. Sleman, Kabupaten Sleman Jalan Kaliurang KM 6,2 No. 51, Sinduadi, Jl. Raya Seturan Kav.IV, Depok Sports Center, Jalan Yogya Solo KM. 7, Babarsari, 250 Jumlah 16875
5 Lampiran 4 Langkah-langkah Menggambar Koordinat Kartesius dengan Software Geogebra 1. Membuka software Geogebra 2. Memilih menu File > Insert image from > File 3. Memilih file gambar peta yang akan digambar dalam koordinat kartesius kemudian memilih Open 4. Setelah gambar peta ada di layar Software Geogebra selanjutnya klik kanan pada peta, kemudian memilih Object Properties 114
6 5. Pada kotak Preference, memilih pilihan Color kemudian mengatur Opacity yang berfungsi untuk mengatur tampilan gambar peta supaya gambar dapat terlihat transparan 6. Setelah gambar terlihat transparan selanjutnya memposisikan gambar peta sedemikian hingga depot (titik 0) berada di titik pusat koordinat kartesius 115
7 7. Memilih pilihan point untuk menandai masing-masing titik pada peta supaya diperoleh titik-titik pada koordinat kartesius 8. Menandai masing-masing titik pada peta dengan klik kiri satu kali sehingga titik koordinat kartesius akan muncul di bagian kiri Software Geogebra 116
8 9. Selanjutnya klik kanan pada gambar peta kemudian Show Object yang berfungsi untuk menghilangkan gambar peta sehingga di layar hanya ada tampilan koordinat kartesius 10. Langkah-langkah untuk menggambar koordinat kartesius dengan Software Geogebra selesai. 117
9 Berikut tampilan koordinat kartesius yang ada pada Software Geogebra (apabila ingin menampilkan koordinat kartesius dengan kotak kecil-kecil seperti gambar dibawah ni maka klik kanan kemudian memilih Grid) Selanjutnya untuk mengubah koordinat kartesius menjadi koordinat polar, klik kanan pada koordinat kartesius kem udian pilih Polar Coordinates 118
10 11. Berikut tampilan koordinat polar yang ada pada Software Geogebra 119
11 Lampiran 5 Surat Izin Penelitian 120
12 Lampiran 6 Prosedur algoritma genetika menggunakan software Matlab dalam penyelesaian Capacitated Vehicle Routing Problem (CVRP) untuk distribusi gula di Kota Yogyakarta. Prosedur ini dimodifikasi dari Suyanto (2005: 86). 1. Membangkitkan Populasi Awal Membangkitkan populasi awal diimplementasikan menggunakan baris-baris perintah pada fungsi PopulasiAwal.m berikut ini. function Populasi=PopulasiAwal(ukpop,jumgen) for ii=1:2ukpop [X,Y] = sort(rand(1,jumgen)); Populasi(ii,:) = Y; Perintah rand (1, jumgen) menyatakan pembangkitan matriks berukuran 1 x jumlah gen yang berisi bilangan random dalam interval [0,1). Pada perintah [X, Y] = sort (rand(1, jumgen)), X menyatakan bilangan-bilangan random dalam interval [0,1) hasil pengurutan dari kecil ke besar (ascing). Sedangkan Y merupakan indeks dari bilangan-bilangan yang dibangkitkan random. Indeks Y merupakan nomer urut pelanggan gula kemasan yang dibangkitkan. Iterasi di atas dilakukan sebanyak ukpop (banyaknya individu dalam populasi), sehingga didapatkan populasi awal. 2. Menghitung Nilai Fitness Perhitungan nilai fitness dari populasi awal yang sudah terbentuk diimplementasikan dalam perintah pada fungsi NilaiFitness.m berikut ini. FunctionFitness= NilaiFitness(kromosom,jumgen,JarakAgen,JarakDepot) jalur=jd(kromosom(1))+jd(kromosom(jumgen)); for ii=1:jumgen-1 121
13 jalur=jalur+jarakagen(kromosom(ii),kromosom(ii+1)); fitness=1/jalur; Variabel pada fungsi NilaiFitness.m adalah kromosom (individu dari populasi), jumgen (jumlah gen), JarakDepot (jarak depot dengan agen), dan JarakAgen (jarak antar lokasi agen). Sedangkan nilai fitness suatu individu dinyatakan dalam 1/jalur. function LFR = linearfitnessranking(ukpop,fitness,maxf,minf) [s,h] = sort(fitness); for rr=1:ukpop, LFR(h(ukpop-rr+1))=maxF-(maxF-minF)*((rr-1)/(ukpop-1)); Variabel pada fungsi linearfitnessrangking.m yaitu ukpop (banyaknya individu dalam populasi), fitness (nilai fitness individu dalam populasi), maxf (nilai fitness tertinggi pada populasi), dan minf (nilai fitness terah dalam populasi). Mula-mula urutkan nilai fitness dari yang terkecil sampai yang terbesar, kemudian simpan nilai fitness yang sudah terurut pada sebuah variabel s dan indeks dari fitness yang menyatakan nomer urut kromosom pada suatu populasi disimpan pada variabel h. Fungsi ini digunakan untuk mencegah terjadinya konvergen pada optimum lokal karena perbedaan nilai-nilai fitness yang terlalu kecil pada semua individu dalam populasi. 3. Roulette Wheel Selection Operator seleksi dari populasi awal yang sudah terbentuk diimplementasikan dalam perintah pada fungsi RouletteWheel.m berikut ini. function p = RouletteWheel(ukpop,linearfitness); jumfitness=sum(linearfitness); kumulatiffitness = 0; RN = rand; ii=1; while ii<=ukpop, kumulatiffitness=kumulatiffitness+linearfitness(ii); 122
14 if (kumulatiffitness/jumfitness)>rn, p=ii; break; ii=ii+1; variabel pada fungsi RouletteWheel.m adalah ukpop (banyaknya individu dalam populasi) dan linearfitness (hasil dari fungsi linearfitness.m), sedangkan jumfitness = sum (linearfitness) merupakan jumlah keseluruhan nilai fitness dalam populasi. kumulatiffitness merupakan nilai fitness kumulatif dari individu. Jika kumulatif fitness dibagi jumlah fitness lebih dari bilangan random yang dibangkitkan pada interval [0,1) maka iterasi berhenti, sehingga didapatkan p (indeks) dari individu yang terpilih sebagai induk. 4. Pindah Silang (order crossover) Operator pindah silang dari populasi awal yang sudah terbentuk diimplementasikan dalam perintah pada fungsi PindahSilang.m berikut ini. function anak = pindahsilang(bapak,ibu,jumgen) cp1=1+fix(rand*(jumgen-1)); cp2=1+fix(rand*(jumgen-1)); while cp2==cp1, cp2=1+fix(rand*(jumgen-1)); if cp1<cp2, cps=cp1; cpd=cp2; else cps=cp2; cpd=cp1; anak(1,cps+1:cpd)=ibu(cps+1:cpd); 123
15 anak(2,cps+1:cpd)=bapak(cps+1:cpd); sisagenbapak=[]; sisagenibu=[]; for ii=1:jumgen, if ~ismember(bapak(ii),anak(1,:)), sisagenbapak=[sisagenbapak bapak(ii)]; if ~ismember(ibu(ii),anak(2,:)), sisagenibu=[sisagenibu ibu(ii)]; anak(1,cpd+1:jumgen)=sisagenbapak(1:jumgen-cpd); anak(1,1:cps)=sisagenbapak(1+jumgencpd:length(sisagenbapak)); anak(2,cpd+1:jumgen)=sisagenibu(1:jumgen-cpd); anak(2,1:cps)=sisagenibu(1+jumgen-cpd:length(sisagenibu)); variabel pada fungsi PindahSilang.m adalah bapak (induk pertama yang terpilih), ibu (induk kedua yang terpilih) dan jumgen (jumlah gen). Pertama 2 buah bilangan dibangkitkan secara acak untuk menentukan titik potong kedua induk. Kemudian dua kromosom anak mapatkan gen-gen dari kromosom bapak dan ibu. Posisi-posisi gen yang masih kosong pada anak pertama diisi dengan gen dari bapak yang belum ada pada anak pertama, dan anak kedua diisi dengan gen dari ibu yang belum ada pada anak kedua. Hasil dari fungsi ini adalah dua kromosom baru yang membawa sifat dari induknya. 6. Mutasi dengan Swapping Mutation Operator pindah silang dari populasi awal yang sudah terbentuk diimplementasikan dalam perintah pada fungsi Mutasi.m berikut ini. function mutkrom = Mutasi(kromosom,jumgen,pmutasi) 124
16 mutkrom=kromosom; for ii=1:jumgen, if rand<pmutasi, TM2=1+fix(rand*jumgen); while TM2==ii, TM2=1+fix(rand*jumgen); tempopulasi=mutkrom(ii); mutkrom(ii)=mutkrom(tm2); mutkrom(tm2)=tempopulasi; variabel pada fungsi Mutasi.m diatas adalah adalah kromosom (anak hasil pindah silang), jumgen (jumlah gen) dan pmutasi (probabilitas mutasi). Pertama membangkitkan bilangan random dalam interval [0,1). Jika bilangan random yang dibangkitkan kurang dari pmutasi maka akan ditentukan posisi gen dalam kromosom yang akan ditukar. Kemudian menukar nilai gen yang terpilih dalam kromosom sehingga didapatkan kromosom baru hasil mutasi (mutkrom). 7. Program Utama Sebagai program utama, fungsi SeptiaGenetika.m memanggil semua fungsifungsi diatas. Pada program utama berikut, memasukkan variabel-variabel jd (jarak depot dengan agen), kapasitas (permintaan dari setiap agen), JarakAgen (jarak tempuh antara agen dengan agen lainnya), jumgen (jumlah gen), karaan, q (kapasitas karaan), ukpop (ukuran populasi, yaitu banyaknya individu dalam populasi), psilang (probabilitas pindah silang), pmutasi (probabilitas mutasi), maxg (jumlah generasi). Program di bawah ini juga ditambahkan perintah untuk menampilkan grafik. Pada akhir program variabel jalur terbaik menyatakan rute optimal yang didapatkan. clear all 125
17 JarakDepot = [ ]; kapasitas = [ ]; JarakAgen = [ ; ; ; ; ; ; ; ; ; ; ; ; ; 126
18 ; ; ; ; ; ; ; ; ; ; ; ]; jumgen = length(jarakagen(:,1)); ukpop = 25; q = 6000; karaan=3; psilang = 0.8; pmutasi = 0.05; maxg = 1500; pjh = 30; 127
19 fth = 1/pjh; bgraf = fth; % inisialisasi grafis hfig = figure; hold on set(hfig, 'position', [50,50,600,400]); set(hfig, 'doublebuffer', 'on'); axis([1 maxg 0 bgraf]); hbestplot1 = plot(1:maxg,zeros(1,maxg)); hbestplot2 = plot(1:maxg,zeros(1,maxg)); htext1 = text(0.6*maxg,0.25*bgraf,sprintf('fitness terbaik: %7.6f', 0.0)); htext2 = text(0.6*maxg,0.20*bgraf,sprintf('fitness rata-rata: %7.6f', 0.0)); htext3 = text(0.6*maxg,0.15*bgraf,sprintf('panjang jalur terbaik: %7.3f', 0.0)); htext4 = text(0.6*maxg,0.10*bgraf,sprintf('ukuran populasi: %3.0f', 0.0)); htext5 = text(0.6*maxg,0.05*bgraf,sprintf('probabilitas mutasi: %4.3f', 0.0)); xlabel('generasi'); ylabel('fitness'); hold off drawnow; % inisialisasi grafis hfig = figure; hold on set(hfig, 'position', [50,50,600,400]); set(hfig, 'doublebuffer', 'on'); axis([1 maxg 0 bgraf]); hbestplot1 = plot(1:maxg,zeros(1,maxg)); hbestplot2 = plot(1:maxg,zeros(1,maxg)); 128
20 htext1 = text(0.6*maxg,0.25*bgraf,sprintf('fitness terbaik: %7.6f', 0.0)); htext2 = text(0.6*maxg,0.20*bgraf,sprintf('fitness rata-rata: %7.6f', 0.0)); htext3 = text(0.6*maxg,0.15*bgraf,sprintf('panjang jalur terbaik: %7.3f', 0.0)); htext4 = text(0.6*maxg,0.10*bgraf,sprintf('ukuran populasi: %3.0f', 0.0)); htext5 = text(0.6*maxg,0.05*bgraf,sprintf('probabilitas mutasi: %4.3f', 0.0)); xlabel('generasi'); ylabel('fitness'); hold off drawnow; %inisialisasi populasi Populasi=PopulasiAwal(ukpop,jumgen); for generasi=1:maxg, maxf = NilaiFitness(Populasi(1,:),jumgen,JarakAgen,JarakDepot); minf = maxf; indeksindividuterbaik = 1; for ii=1:ukpop, fitness(ii)= NilaiFitness(Populasi(ii,:),jumgen,JarakAgen,JarakDepot); if(fitness(ii)>maxf), maxf=fitness(ii); indeksindividuterbaik=ii; jalurterbaik=populasi(ii,:); if(fitness(ii)<=minf), minf=fitness(ii); 129
21 maxf; minf; fitnessratarata=mean(fitness); plotvector1=get(hbestplot1, 'YData'); plotvector1(generasi)=maxf; set(hbestplot1, 'YData',plotvector1); plotvector2=get(hbestplot2, 'YData'); plotvector2(generasi)=fitnessratarata; set(hbestplot2, 'YData',plotvector2); set(htext1,'string',sprintf('fitness terbaik: %7.6f', maxf)); set(htext2,'string',sprintf('fitness rata-rata: %7.6f', fitnessratarata)); set(htext3,'string',sprintf('panjang jalur terbaik: %7.3f', 1/maxF)); set(htext4,'string',sprintf('ukuran populasi: %3.0f', ukpop)); set(htext5,'string',sprintf('probabilitas mutasi: %4.3f', pmutasi)); drawnow; if maxf>fth, break; tempopulasi=populasi; %etilisme: %-buat satu kopi kromosom terbaik jika ukuran populasi ganjil %-buat dua kopi kromosom terbaik jika ukuran populasi genap if mod(ukpop,2)==0 %ukuran populasi genap iterasimulai=3; tempopulasi(1,:)=populasi(indeksindividuterbaik,:); tempopulasi(2,:)=populasi(indeksindividuterbaik,:); else iterasimulai=2; tempopulasi(1,:)=populasi(indeksindividuterbaik,:); 130
22 linearfitness=linearfitnessranking(ukpop,fitness,maxf,minf); %Roulette-wheel selection dan pindah silang for jj=iterasimulai:2:ukpop, IP1=RouletteWheel(ukpop,linearfitness); IP2=RouletteWheel(ukpop,linearfitness); if(rand<psilang), anak=pindahsilang(populasi(ip1,:),populasi(ip2,:),jumgen); tempopulasi(jj,:)=anak(1,:); tempopulasi(jj+1,:)=anak(2,:); else tempopulasi(jj,:)=populasi(ip1,:); tempopulasi(jj+1,:)=populasi(ip2,:); %mutasi dilakukan pada semua kromosom for kk=iterasimulai:ukpop, tempopulasi(kk,:)=mutasi(tempopulasi(kk,:),jumgen,p mutasi); Populasi=tempopulasi; jalurterbaik save jalurterbaik.mat jalurterbaik 8. Pembagian rute Setelah jalur terbaik di dapatkan dari program utama, selanjutnya dilakukan pembagian rute menjadi dua beserta jumlah total permintaan dari setiap masing-masing rute. Fungsi ini disimpan pada file bagidua.m berikut ini. function [rute1,kap1,rute2,kap2]=bagidua(kromosom,kapasitas,q) kap1=kapasitas(kromosom(1)); 131
23 kap2=0; akhir=1; while kap1<=q akhir=akhir+1; kap1=kap1+kapasitas(kromosom(akhir)); if kap1>q kap1=kap1-kapasitas(kromosom(akhir)); akhir=akhir-1; rute1=kromosom(1:akhir); rute2=kromosom(akhir+1:size(kromosom,2)); for ii=akhir+1:size(kromosom,2) kap2=kap2+kapasitas(kromosom(ii)); variabel pada fungsi bagidua.m diatas adalah kromosom (jalur terbaik yang telah dihasilkan dari program utama), kapasitas (permintaan dari setiap agen), dan q (kapasitas karaan yaitu 6000 kg). Kapasitas 1 merupakan kapasitas permintaan dari semua agen yang dilalui pada rute 1 dan tidak melebihi dari kapasitas maksimal mobil box yaitu 6000 kg, jika sudah melebihi 6000 kg maka akan terbentuk rute 2 beserta kapasitas permintaan dari semua agen yang dilalui pada rute
24 Lampiran 7 Hasil pengambilan rute secara acak yang membentuk populasi pada generasi awal dengan bantuan software Matlab. Individu 1 = Individu 2 = Individu 3 = Individu 4 = Individu 5 = Individu 6 = Individu 7 = Individu 8 = Individu 9 = Individu 10 =
25 Individu 11 = Individu 12 = Individu 13 = Individu 14 = Individu 15 = Individu 16 = Individu 17 = Individu 18 = Individu 19 = Individu 20 =
26 Lampiran 8 Individu yang terpilih sebagai induk dengan bantuan software Matlab. 1) Induk 1= Individu Induk 2= Individu ) Induk 1= Individu Induk 2= Individu ) Induk 1= Individu Induk 2= Individu ) Induk 1= Individu
27 Induk 2= Individu ) Induk 1= Individu Induk 2= Individu ) Induk 1= Individu Induk 2= Individu ) Induk 1= Individu Induk 2= Individu ) Induk 1= Individu
28 Induk 2= Individu ) Induk 1= Individu Induk 2= Individu ) Induk 1= Individu Induk 2= Individu
29 Lampiran 9 Hasil crossover (pindah silang) dengan bantuan software Matlab. 1) Anak Anak ) Anak Anak ) Anak Anak ) Anak Anak
30 5) Anak Anak ) Anak Anak ) Anak Anak ) Anak Anak
31 9) Anak Anak ) Anak Anak
32 Lampiran 10 Hasil mutasi dengan bantuan software Matlab. 1) Individu baru anak Individu baru anak ) Individu baru anak Individu baru anak ) Individu baru anak Individu baru anak ) Individu baru anak
33 Individu baru anak ) Individu baru anak Individu baru anak ) Individu baru anak Individu baru anak ) Individu baru anak Individu baru anak ) Individu baru anak
34 Individu baru anak ) Individu baru anak Individu baru anak ) Individu baru anak Individu baru anak
35 Lampiran 11 Hasil populasi baru pada generasi selanjutnya dengan bantuan software Matlab. Individu 1 = Individu 2 = Individu 3 = Individu 4 = Individu 5= Individu 6 = Individu 7 = Individu 8 = Individu 9 = Individu 10 = Individu 11 =
36 Individu 12 = Individu 13 = Individu 14 = Individu 15 = Individu 16 = Individu 17 = Individu 18 = Individu 19 = Individu 20 =
37 Lampiran 12 Nilai fitness generasi selanjutnya yang didapatkan dengan bantuan software Matlab. Nilai Fitness individu 1 = Nilai Fitness individu 2 = Nilai Fitness individu 3 = Nilai Fitness individu 4 = Nilai Fitness individu 5 = Nilai Fitness individu 6 = Nilai Fitness individu 7 = Nilai Fitness individu 8 = Nilai Fitness individu 9 = Nilai Fitness individu 10 = Nilai Fitness individu 11 = Nilai Fitness individu 12 = Nilai Fitness individu 13= Nilai Fitness individu 14 = Nilai Fitness individu 15 = Nilai Fitness individu 16 = Nilai Fitness individu 17 = Nilai Fitness individu 18= Nilai Fitness individu 19 = Nilai Fitness individu 20 =
38 Lampiran 13 Hasil populasi baru pada generasi ke-1000 dengan bantuan software Matlab. Individu 1 = Individu 2 = Individu 3 = Individu 4 = Individu 5 = Individu 6 = Individu 7 = Individu 8 = Individu 9 = Individu 10 =
39 Individu 11 = Individu 12 = Individu 13 = Individu 14 = Individu 15 = Individu 16 = Individu 17 = Individu 18 = Individu 19 = Individu 20 =
40 Lampiran 14 Nilai fitness generasi ke-1000 yang didapatkan dengan bantuan software Matlab. Nilai Fitness individu 1 = Nilai Fitness individu 2 = Nilai Fitness individu 3 = Nilai Fitness individu 4 = Nilai Fitness individu 5 = Nilai Fitness individu 6 = Nilai Fitness individu 7 = Nilai Fitness individu 8 = Nilai Fitness individu 9 = Nilai Fitness individu 10 = Nilai Fitness individu 11 = Nilai Fitness individu 12 = Nilai Fitness individu 13= Nilai Fitness individu 14 = Nilai Fitness individu 15 = Nilai Fitness individu 16 = Nilai Fitness individu 17 = Nilai Fitness individu 18= Nilai Fitness individu 19 = Nilai Fitness individu 20 =
41 152
Lampiran 1 Matriks jarak tempuh awal dan tujuan distribusi surat kabar Kedaulatan Rakyat di wilayah Kabupaten Sleman (satuan km)
LAMPIRAN 83 Lampiran 1 Matriks jarak tempuh awal dan tujuan distribusi surat kabar Kedaulatan Rakyat di wilayah Kabupaten Sleman (satuan km) 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 0 0 11.9
Lebih terperinciTabel Data Pendistribusian Raskin di Wilayah Kota Yogyakarta. No Kecamatan Kelurahan Banyak Keluarga
Lampiran 1 Tabel Data Pistribusian Raskin di Wilayah Kota Yogyakarta Raskin No Kecamatan Kelurahan Banyak Keluarga Jumlah Beras (kg) 1 Tegalrejo Bener 266 3.990 2 Kricak 750 11.250 3 Karangwaru 377 5.655
Lebih terperinciLampiran 1 Matriks jarak antara simpul dengan depot dan antar simpul. Lampiran 2 Iterasi Clarke and Wright Savings pada hari Senin
LAMPIRAN 1 Lampiran 1 Matriks jarak antara simpul dengan depot dan antar simpul Tabel 1 Matriks jarak antara simpul dengan depot dan antar simpul Lampiran 2 Iterasi Clarke and Wright Savings pada hari
Lebih terperinciData Alamat Pelanggan Sandwich Sari Roti di Kota Yogyakarta.
Lampiran 1 Data Alamat Pelanggan Sandwich Sari Roti di Kota Yogyakarta. Pelanggan Alamat 0 Depot Jl. SMP 10, Bangunharjo, Bantul 1 Pamela 1 Jl. Kusumanegara No.141, Umbulharjo, Yogyakarta 2 Pamela 4 Jl.
Lebih terperinciBAB IV PENUTUP. algoritma genetika pada penyelesaian capacitated vehicle routing problem (CVRP)
BAB IV PENUTUP A. Kesimpulan Berdasarkan pembahasan mengenai penerapan algoritma sweep dan algoritma genetika pada penyelesaian capacitated vehicle routing problem (CVRP) untuk distribusi gula di Yogyakarta,
Lebih terperinciL1-1 Universitas Kristen Maranatha
Langkah-langkah dalam Algoritma Genetika: 1. Buka Program Matlab. 2. Pada Command Window, ketik edit. 3. Pada Matlab Editor masukkan Inisialisasi Populasi dengan mengetikkan: %-----------------------------------------------------------------
Lebih terperinciBAB III PEMBAHASAN. A. Model Capacitated Vehicle Routing Problem (CVRP) untuk Optimasi Rute
BAB III PEMBAHASAN A. Model Capacitated Vehicle Routing Problem (CVRP) untuk Optimasi Rute Distribusi Gula di Pabrik Gula Yogyakarta Alur pendistribusian gula dimulai dari pemesanan gula yang dilakukan
Lebih terperinciLAMPIRAN A TABEL KONSTANTA UNTUK MOMEN DISTRIBUSI
71 LAMPIRAN A TABEL KONSTANTA UNTUK MOMEN DISTRIBUSI 72 73 74 LAMPIRAN B PROGRAM ALGORITMA CONTOH SEDERHANA 75 == Algoritma Genetika Standar (dengan grafis 2D) terdiri dari: 1. Satu populasi dengan UkPop
Lebih terperinciPENERAPAN ALGORITMA SWEEP DAN ALGORITMA GENETIKA PADA PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM (CVRP) UNTUK OPTIMASI PENDISTRIBUSIAN GULA
Penerapan Algoritma Genetika (Septia Eva Fradina) 63 PENERAPAN ALGORITMA SWEEP DAN ALGORITMA GENETIKA PADA PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM (CVRP) UNTUK OPTIMASI PENDISTRIBUSIAN GULA APPLICATION
Lebih terperinciBAB III PERANCANGAN. Gambar 3.1 di bawah ini mengilustrasikan jalur pada TSP kurva terbuka jika jumlah node ada 10:
BAB III PERANCANGAN Pada bagian perancangan ini akan dipaparkan mengenai bagaimana mencari solusi pada persoalan pencarian rute terpendek dari n buah node dengan menggunakan algoritma genetika (AG). Dari
Lebih 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 terperinciImam Tahyudin 1, Ika Susanti 2. Jl. Letjendpol Soemarto Purwokerto53127 Tlp )
Pencarian Rute Terbaik pada Obyek Wisata di Kabupaten Banyumas Menggunakan Algoritma Genetika Metode TSP (Travelling Salesman Problem) (Determine the Best Path at Tourist Objects in Banyumas Regency Using
Lebih terperinciOPTIMISASI PENEMPATAN TURBIN ANGIN DI AREA LAHAN ANGIN
OPTIMISASI PENEMPATAN TURBIN ANGIN DI AREA LAHAN ANGIN MENGGUNAKAN ALGORITMA GENETIKA Azimatul Khulaifah 2209 105 040 Bidang Studi Sistem Tenaga Jurusan Teknik Elektro FTI ITS Dosen Pembimbing : Dosen
Lebih terperinciBAB III PEMBAHASAN. Berikut akan diberikan pembahasan mengenai penyelesaikan CVRP dengan
BAB III PEMBAHASAN Berikut akan diberikan pembahasan mengenai penyelesaikan CVRP dengan Algoritma Genetika dan Metode Nearest Neighbour pada pendistribusian roti di CV. Jogja Transport. 3.1 Model Matetematika
Lebih terperinciPENERAPAN ALGORITMA GENETIKA DAN ALGORITMA SWEEP PADA PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM (CVRP) UNTUK OPTIMASI PENDISTRIBUSIAN GULA
PENERAPAN ALGORITMA GENETIKA DAN ALGORITMA SWEEP PADA PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM (CVRP) UNTUK OPTIMASI PENDISTRIBUSIAN GULA SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciBAB III PEMBAHASAN. diperoleh menggunakan algoritma genetika dengan variasi seleksi. A. Model Matematika CVRPTW pada Pendistribusian Raskin di Kota
BAB III PEMBAHASAN Pada bab ini akan dibahas mengenai model matematika pada pendistribusian raskin di Kota Yogyakarta, penyelesaian model matematika tersebut menggunakan algoritma genetika serta perbandingan
Lebih terperinciPENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM
PENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM (CVRP) UNTUK DISTRIBUSI SURAT KABAR KEDAULATAN RAKYAT DI KABUPATEN SLEMAN SKRIPSI Diajukan Kepada Fakultas Matematika
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 3 ANALISIS DAN PERANCANGAN APLIKASI
27 BAB 3 ANALISIS DAN PERANCANGAN APLIKASI 3.1 Analisis Pada subbab ini akan diuraikan tentang analisis kebutuhan untuk menyelesaikan masalah jalur terpendek yang dirancang dengan menggunakan algoritma
Lebih terperinciPENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM
PENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM (CVRP) UNTUK DISTRIBUSI SURAT KABAR KEDAULATAN RAKYAT DI KABUPATEN SLEMAN Jurnal Diajukan Kepada Fakultas Matematika dan
Lebih terperinciT I N J A U A N P U S T A K A Algoritma Genetika [5]
Algoritma Genetika [5] Fitness adalah nilai yang menyatakan baik-tidaknya suatu jalur penyelesaian dalam permasalahan TSP,sehingga dijadikan nilai acuan dalam mencari jalur penyelesaian optimal dalam algoritma
Lebih terperinciBAB II KAJIAN PUSTAKA. Pada bab kajian pustaka berikut ini akan dibahas beberapa materi yang meliputi
BAB II KAJIAN PUSTAKA Pada bab kajian pustaka berikut ini akan dibahas beberapa materi yang meliputi graf, permasalahan optimasi, model matematika dari objek wisata di Yogyakarta, dan algoritma genetika
Lebih terperinciBAB II KAJIAN TEORI. memindahkan barang dari pihak supplier kepada pihak pelanggan dalam suatu supply
BAB II KAJIAN TEORI Berikut diberikan beberapa teori pendukung untuk pembahasan selanjutnya. 2.1. Distribusi Menurut Chopra dan Meindl (2010:86), distribusi adalah suatu kegiatan untuk memindahkan barang
Lebih terperinci8. Evaluasi Solusi dan Kriteria Berhenti Perumusan Masalah METODE PENELITIAN Studi Pustaka Pembentukan Data
Gambar 4 Proses Swap Mutation. 8. Evaluasi Solusi dan Kriteria Berhenti Proses evaluasi solusi ini akan mengevaluasi setiap populasi dengan menghitung nilai fitness setiap kromosom sampai terpenuhi kriteria
Lebih 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 terperinciIMPLEMENTASI ALGORITMA GENETIKA DENGAN VARIASI SELEKSI DALAM PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM WITH TIME WINDOWS
IMPLEMENTASI ALGORITMA GENETIKA DENGAN VARIASI SELEKSI DALAM PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM WITH TIME WINDOWS (CVRPTW) UNTUK OPTIMASI RUTE PENDISTRIBUSIAN RASKIN DI KOTA YOGYAKARTA TUGAS
Lebih terperinciERWIEN TJIPTA WIJAYA, ST.,M.KOM
ERWIEN TJIPTA WIJAYA, ST.,M.KOM DEFINISI ALGEN adalah algoritma yang memanfaatkan proses seleksi alamiah yang dikenal dengan evolusi Dalam evolusi, individu terus menerus mengalami perubahan gen untuk
Lebih 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 terperinciIMPLEMENTASI ALGORITMA GENETIKA DENGAN VARIASI CROSSOVER
SKRIPSI IMPLEMENTASI ALGORITMA GENETIKA DENGAN VARIASI CROSSOVER DALAM PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM WITH TIME WINDOWS (CVRPTW) PADA PENDISTRIBUSIAN AIR MINERAL DI PT ARTHA ENVIROTAMA
Lebih terperinciJl. Ahmad Yani, Pontianak Telp./Fax.: (0561)
APLIKASI PENCARIAN RUTE TERPENDEK MENGGUNAKANALGORITMA GENETIKA (Studi Kasus: Pencarian Rute Terpendek untuk Pemadam Kebakaran di Wilayah Kota Pontianak) [1] Putri Yuli Utami, [2] Cucu Suhery, [3] Ilhamsyah
Lebih terperinciBAB 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 III PEMBAHASAN. A. Model Matematika CVRPTW pada Pendistribusian Galon. Air Mineral di PT Artha Envirotama (Evita) Sleman
BAB III PEMBAHASAN Pada bab ini, dibahas mengenai model matematika dari pendistribusian galon air mineral dan penyelesaiannya dengan algoritma genetika menggunakan order crossover dan cycle crossover.
Lebih terperinciBAB 2 DASAR TEORI. 2.1 Teka-Teki Silang
BAB 2 DASAR TEORI 2.1 Teka-Teki Silang Teka-teki silang atau disingkat TTS adalah suatu permainan yang mengharuskan penggunanya untuk mengisi ruang-ruang kosong dengan huruf-huruf yang membentuk sebuah
Lebih terperinciBAB IV ANALISIS MASALAH
BAB IV ANALISIS MASALAH 4.1 Tampilan Program Persoalan TSP yang dibahas pada tugas akhir ini memiliki kompleksitas atau ruang solusi yang jauh lebih besar dari TSP biasa yakni TSP asimetris dan simetris.
Lebih terperinciBAB III PEMBAHASAN. menggunakan model Fuzzy Mean Absolute Deviation (FMAD) dan penyelesaian
BAB III PEMBAHASAN Dalam bab ini akan dibahas mengenai pembentukan portofolio optimum menggunakan model Fuzzy Mean Absolute Deviation (FMAD) dan penyelesaian model Fuzzy Mean Absolute Deviation (FMAD)
Lebih terperinciBAB II LANDASAN TEORI
27 BAB II LANDASAN TEORI 2.1. Penelitian Terkait Penelitian terkait yang menggunakan algoritma genetika untuk menemukan solusi dalam menyelesaikan permasalahan penjadwalan kuliah telah banyak dilakukan.
Lebih terperinciBAB 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 terperinciPENERAPAN ALGORITMA GENETIKA PADA PERENCANAAN LINTASAN KENDARAAN Achmad Hidayatno Darjat Hendry H L T
PENERAPAN ALGORITMA GENETIKA PADA PERENCANAAN LINTASAN KENDARAAN Achmad Hidayatno Darjat Hendry H L T Abstrak : Algoritma genetika adalah algoritma pencarian heuristik yang didasarkan atas mekanisme evolusi
Lebih terperinciPeramalan Kebutuhan Beban Sistem Tenaga Listrik Menggunakan Algoritma Genetika
Peramalan Kebutuhan Beban Sistem Tenaga Listrik Menggunakan Algoritma Genetika M. Syafrizal, Luh Kesuma Wardhani, M. Irsyad Jurusan Teknik Informatika - Universitas Islam Negeri Sultan Syarif Kasim Riau
Lebih terperinciPENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM MENGGUNAKAN ALGORITMA GENETIKA DAN NEAREST NEIGHBOUR PADA PENDISTRIBUSIAN ROTI DI CV.
PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM MENGGUNAKAN ALGORITMA GENETIKA DAN NEAREST NEIGHBOUR PADA PENDISTRIBUSIAN ROTI DI CV. JOGJA TRANSPORT SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu
Lebih terperinciBAB IV PEMBAHASAN. Tabel 4.1 Menyajikan data permintaan daging ayam di PT Ciomas Adisatwa pada hari Senin
BAB IV PEMBAHASAN Pada bab ini akan dijelaskan mengenai penggunaan metode Clarke and Wright Saving dan Algoritma Genetika pada pendistribusian daging ayam di PT Ciomas Adisatwa 4.1. Pendistribusian Ayam
Lebih terperinciOPTIMASI JALUR TRANSPORTASI PRODUK HOUSING CLUTCH DENGAN MENGGUNAKAN METODE ALGORITMA GENETIKA PADA PT. SUZUKI INDOMOBIL MOTOR PLANT CAKUNG
OPTIMASI JALUR TRANSPORTASI PRODUK HOUSING CLUTCH DENGAN MENGGUNAKAN METODE ALGORITMA GENETIKA PADA PT. SUZUKI INDOMOBIL MOTOR PLANT CAKUNG Disusun Oleh : Nama : Mochammad Brananta Arya Lasmono NPM : 34412653
Lebih terperinciPENERAPAN ALGORITMA GENETIKA DALAM PENYELESAIAN TRAVELLING SALESMAN PROBLEM WITH PRECEDENCE CONSTRAINTS (TSPPC)
PENERAPAN ALGORITMA GENETIKA DALAM PENYELESAIAN TRAVELLING SALESMAN PROBLEM WITH PRECEDENCE CONSTRAINTS (TSPPC) Yayun Hardianti 1, Purwanto 2 Universitas Negeri Malang E-mail: yayunimoet@gmail.com ABSTRAK:
Lebih terperinciBAB 3 PERANCANGAN PROGRAM. dari OOP (Object Oriented Programming) di mana dalam prosesnya, hal-hal
BAB 3 PERANCANGAN PROGRAM 3.1 Spesifikasi Rumusan Rancangan Program Algoritma Genetika dirancang dengan mengikuti prinsip-prinsip dan sifatsifat dari OOP (Object Oriented Programming) di mana dalam prosesnya,
Lebih terperinciPERANCANGAN TATA LETAK FASILITAS BAGIAN PRODUKSI MENGGUNAKAN METODE ALGORITMA GENETIK DI PT. PUTRA SEJAHTERA MANDIRI
PERANCANGAN TATA LETAK FASILITAS BAGIAN PRODUKSI MENGGUNAKAN METODE ALGORITMA GENETIK DI PT. PUTRA SEJAHTERA MANDIRI TUGAS SARJANA Diajukan Untuk Memenuhi Sebagian Dari Syarat-Syarat Memperoleh Gelar Sarjana
Lebih terperinciBAB III ALGORITMA MEMETIKA DALAM MEMPREDIKSI KURS VALUTA ASING. Untuk memberikan penjelasan mengenai prediksi valuta asing
BAB III ALGORITMA MEMETIKA DALAM MEMPREDIKSI KURS VALUTA ASING Untuk memberikan penjelasan mengenai prediksi valuta asing menggunakan algoritma memetika, akan diberikan contoh sebagai berikut. Contoh Misalkan
Lebih 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 terperinciPencarian Rute Terpendek untuk Pengoptimalan Ditribusi Sales Rokok Gudang Garam di kecamatan Wuluhan Kabupaten Jember Menggunakan Algoritma Genetika
Pencarian Rute Terpendek untuk Pengoptimalan Ditribusi Sales Rokok Gudang Garam di kecamatan Wuluhan Kabupaten Jember Menggunakan Algoritma Genetika Priza Pandunata, Rachmad Agung Bagaskoro, Agung Ilham
Lebih 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 terperinciOptimisasi Penempatan Turbin Angin di Area Ladang Angin Menggunakan Algoritma Genetika
Optimisasi Penempatan Turbin Angin di Area Ladang Angin Menggunakan Algoritma Genetika Azimatul Khulaifah, Heri Suryoatmojo, ST, MT, Ph.D, Vita Lystianingrum Budiharto Putri, ST, M.Sc Jurusan Teknik Elektro
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 II KAJIAN PUSTAKA. digunakan dalam penelitian ini yaitu graf, vehicle routing problem (VRP),
BAB II KAJIAN PUSTAKA Secara umum, pada bab ini akan dibahas mengenai kajian teori yang digunakan dalam penelitian ini yaitu graf, vehicle routing problem (VRP), capacitated vehicle routing problem with
Lebih terperinciIMPLEMENTASI ALGORITMA GENETIKA DALAM OPTIMASI JALUR PENDISTRIBUSIAN KERAMIK PADA PT. CHANG JUI FANG
IMPLEMENTASI ALGORITMA GENETIKA DALAM OPTIMASI JALUR PENDISTRIBUSIAN KERAMIK PADA PT. CHANG JUI FANG Adnan Buyung Nasution 1 1,2 Sistem Infomasi, Tehnik dan Ilmu Komputer, Universitas Potensi Utama 3 Universitas
Lebih terperinciAplikasi Algoritma Genetika Untuk Menyelesaikan Travelling Salesman Problem (TSP)
JTRISTE, Vol.1, No.2, Oktober 2014, pp. 50~57 ISSN: 2355-3677 Aplikasi Algoritma Genetika Untuk Menyelesaikan Travelling Salesman Problem (TSP) STMIK Handayani Makassar najirah_stmikh@yahoo.com Abstrak
Lebih 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 terperinciGenetic Algorithme. Perbedaan GA
Genetic Algorithme Algoritma ini bekerja dengan sebuah populasi yang terdiri atas individu-individu (kromosom). Individu dilambangkan dengan sebuah nilai kebugaran (fitness) yang akan digunakan untuk mencari
Lebih terperinciBAB III MODEL DAN TEKNIK PEMECAHAN
BAB III MODEL DAN TEKNIK PEMECAHAN III.1. Diskripsi Sistem Sistem pendistribusian produk dalam penelitian ini adalah berkaitan dengan permasalahan vehicle routing problem (VRP). Berikut ini adalah gambar
Lebih 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 terperinciBAB II KAJIAN TEORI. berbeda di, melambangkan rusuk di G dan jika adalah. a. dan berikatan (adjacent) di. b. rusuk hadir (joining) simpul dan di
1. Teori graf BAB II KAJIAN TEORI 1. Definisi Graf G membentuk suatu graf jika terdapat pasangan himpunan ) )), dimana ) (simpul pada graf G) tidak kosong dan ) (rusuk pada graf G). Jika dan adalah sepasang
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Travelling Salesman Problem (TSP) Persoalan TSP merupakan salah satu persoalan optimasi kombinatorial (kombinasi permasalahan). Banyak permasalahan yang dapat direpresentasikan
Lebih terperinciGENETIKA UNTUK MENENTUKAN RUTE LOPER KORAN DI AGEN SURAT KABAR
MULTI TRAVELING SALESMAN PROBLEM (MTSP) DENGAN ALGORITMA Abstrak GENETIKA UNTUK MENENTUKAN RUTE LOPER KORAN DI AGEN SURAT KABAR Oleh : Fitriana Yuli Saptaningtyas,M.Si. Jurusan Pendidikan Matematika FMIPA
Lebih terperinciBAB II KAJIAN TEORI. digunakan dalam penelitian yaitu teori graf, vehicle routing problem (VRP),
BAB II KAJIAN TEORI Secara umum, pada bab ini membahas mengenai kajian teori yang digunakan dalam penelitian yaitu teori graf, vehicle routing problem (VRP), capacitated vehicle routing problem with time
Lebih terperinciBAB II KAJIAN TEORI. dalam penelitian yaitu optimasi, graf, traveling salesman problem (TSP), vehicle
BAB II KAJIAN TEORI Secara umum, pada bab ini membahas mengenai kajian teori yang digunakan dalam penelitian yaitu optimasi, graf, traveling salesman problem (TSP), vehicle routing problem (VRP), capacitated
Lebih terperinciOptimalisasi Rute Distribusi Bbm di Terminal BBM Boyolali MOR IV menggunakan Algoritma Genetika
Optimalisasi Rute Distribusi Bbm di Terminal BBM Boyolali MOR IV menggunakan Algoritma Genetika Muhammad Ghani Fadhlurrahman 1, Nikenasih Binatari 2 Program Studi Matematika, Jurusan Pendidikan Matematika,
Lebih terperinciABSTRAK. Universitas Kristen Maranatha
ABSTRAK Perusahaan X merupakan salah satu perusahaan manufaktur yang memproduksi berbagai macam produk berbahan baku besi dan stainless steel. Produk yang dihasilkan seperti cabinet, trolley, pagar, tangki
Lebih terperinciLingkup Metode Optimasi
Algoritma Genetika Lingkup Metode Optimasi Analitik Linier Non Linier Single Variabel Multi Variabel Dgn Kendala Tanpa Kendala Numerik Fibonacci Evolusi Complex Combinasi Intelijen/ Evolusi Fuzzy Logic
Lebih terperinciBAB II KAJIAN PUSTAKA
BAB II KAJIAN PUSTAKA Pengertian-pengertian dasar yang digunakan sebagai landasan pembahasan pada Bab II yaitu masalah ditribusi, graf, Travelling Salesman Problem (TSP), Vehicle Routing Problem (VRP),
Lebih terperinciBAB III ANALISA MASALAH DAN RANCANGAN PROGRAM
BAB III ANALISA MASALAH DAN RANCANGAN PROGRAM III.1. Analisa Masalah Perkembangan game dari skala kecil maupun besar sangat bervariasi yang dapat dimainkan oleh siapa saja tanpa memandang umur, dari anak
Lebih 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 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 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Algoritma Genetika Algoritma genetika merupakan algoritma pencarian heuristik ysng didasarkan atas mekanisme seleksi alami dan genetika alami (Suyanto, 2014). Adapun konsep dasar
Lebih 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 terperinciBAB I PENDAHULUAN. Pemerintah Pusat hingga Pemerintah Daerah, salah satu program dari
BAB I PENDAHULUAN A. Latar Belakang Masalah Peningkatan kesejahteraan dalam memenuhi kebutuhan pangan masyarakat berpendapatan rendah merupakan program nasional dari Pemerintah Pusat hingga Pemerintah
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 terperinciALGORITMA GENETIKA. Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning
ALGORITMA GENETIKA Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning Disusun oleh: Achmad Basuki Politeknik Elektronika Negeri Surabaya, PENS ITS Surabaya 2003 Algoritma
Lebih terperinciAlgoritma Evolusi Dasar-Dasar Algoritma Genetika
Algoritma Evolusi Dasar-Dasar Algoritma Genetika Imam Cholissodin imam.cholissodin@gmail.com Pokok Bahasan 1. Pengantar 2. Struktur Algoritma Genetika 3. Studi Kasus: Maksimasi Fungsi Sederhana 4. Studi
Lebih terperinciLokasi ATM di Yogyakarta
Lokasi ATM di Yogyakarta ATM Bank Lippo Ahmad Dahlan, Ngabean Jl. KH. Ahmad Dahlan No. 106 Yogyakarta INDONESIA 55261 ATM Bank Lippo Godean Jl. Kyai Mojo No. 100, Yogyakarta INDONESIA 55243 ATM Bank Lippo
Lebih terperinciPENENTUAN JARAK TERPENDEK PADA JALUR DISTRIBUSI BARANG DI PULAU JAWA DENGAN MENGGUNAKAN ALGORITMA GENETIKA. Abstraksi
PENENTUAN JARAK TERPENDEK PADA JALUR DISTRIBUSI BARANG DI PULAU JAWA DENGAN MENGGUNAKAN ALGORITMA GENETIKA I Dewa Made Adi Baskara Joni 1, Vivine Nurcahyawati 2 1 STMIK STIKOM Indonesia, 2 STMIK STIKOM
Lebih terperinciIMPLEMENTASI HYBRID ALGORITMA GENETIKA DENGAN TEKNIK KENDALI LOGIKA FUZZY UNTUK MENYELESAIKAN VEHICLE ROUTING PROBLEM SKRIPSI DICKY ANDRYAN
IMPLEMENTASI HYBRID ALGORITMA GENETIKA DENGAN TEKNIK KENDALI LOGIKA FUZZY UNTUK MENYELESAIKAN VEHICLE ROUTING PROBLEM SKRIPSI DICKY ANDRYAN ( 060803049 ) DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU
Lebih terperinciAlgoritma Genetika dan Penerapannya dalam Mencari Akar Persamaan Polinomial
Algoritma Genetika dan Penerapannya dalam Mencari Akar Persamaan Polinomial Muhammad Abdy* 1, Maya Sari Wahyuni* 2, Nur Ilmi* 3 1,2,3 Jurusan Matematika, Universitas Negeri Makassar e-mail: * 1 m.abdy@unm.ac.id,
Lebih terperinciBAB II LANDASAN TEORI. Suatu graph merupakan suatu pasangan { E(G), V(G) } dimana :
BAB II LANDASAN TEORI 2.1 Defenisi Graph Suatu graph merupakan suatu pasangan { E(G), V(G) } dimana : V(G) adalah sebuah himpunan terhingga yang tidak kosong ( non empty finite set) yang elemennya disebut
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 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 terperinciALGORITMA GENETIKA PADA PEMROGRAMAN LINEAR DAN NONLINEAR
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 5, No. 03(2016), hal 265 274. ALGORITMA GENETIKA PADA PEMROGRAMAN LINEAR DAN NONLINEAR Abdul Azis, Bayu Prihandono, Ilhamsyah INTISARI Optimasi
Lebih terperinciPENERAPAN ALGORITMA GENETIKA DALAM OPTIMASI PENDISTRIBUSIAN PUPUK DI PT PUPUK ISKANDAR MUDA ACEH UTARA
TECHSI ~ Jurnal Penelitian Teknik Informatika Universitas Malikussaleh, Lhokseumawe Aceh Penelitian ini membahas tentang Implementasi Persoalan Optimasi Rute Terpendek Pendistribusia n Pupuk pada PT. Sayed
Lebih terperinciBAB I PENDAHULUAN. Alat transportasi merupakan salah satu faktor yang mendukung berjalannya
BAB I PENDAHULUAN A. Latar Belakang Masalah Alat transportasi merupakan salah satu faktor yang mendukung berjalannya kegiatan atau aktivitas manusia dalam kehidupan sehari-hari. Salah satu kegiatan manusia
Lebih terperinciBab IV Implementasi Sistem
37 Bab IV Implementasi Sistem Implementasi aplikasi penjadwalan kereta api dengan menggunakan algoritma genetik didalam penelitian ini menggunakan bahasa pemrogramman C# dan database MySQL 5. Adapun perancangan
Lebih terperinciPENERAPAN KRIPTOGRAFI MENGGUNAKAN ALGORITMA KNAPSACK, ALGORITMA GENETIKA, DAN ALGORITMA ARNOLD S CATMAP PADA CITRA
PENERAPAN KRIPTOGRAFI MENGGUNAKAN ALGORITMA KNAPSACK, ALGORITMA GENETIKA, DAN ALGORITMA ARNOLD S CATMAP PADA CITRA [1] Martinus Dias, [2] Cucu Suhery, [3] Tedy Rismawan [1][2][3] Jurusan Sistem Komputer,
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN SISTEM
BAB 3 ANALISIS DAN PERANCANGAN SISTEM 3.1 Gambaran Umum Perusahaan 3.1.1 Sejarah Umum Perusahaan NIKO FURNITURE adalah perusahaan swasta, yang didirikan pada tahun 2000. Perusahaan ini bergerak dalam bidang
Lebih terperinciAPLIKASI ALGORITMA GENETIKA UNTUK PENENTUAN KOMPOSISI BAHAN PANGAN HARIAN
APLIKASI ALGORITMA GENETIKA UNTUK PENENTUAN KOMPOSISI BAHAN PANGAN HARIAN Tedy Rismawan 1, Sri Kusumadewi 2 Jurusan Teknik Informatika, Fakultas Teknologi Industri Universitas Islam Indonesia e-mail: 1
Lebih terperinciAlgoritma Evolusi Real-Coded GA (RCGA)
Algoritma Evolusi Real-Coded GA (RCGA) Imam Cholissodin imam.cholissodin@gmail.com Pokok Bahasan 1. Siklus RCGA 2. Alternatif Operator Reproduksi pada Pengkodean Real 3. Alternatif Operator Seleksi 4.
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Pada saat sekarang ini, setiap perusahaan yang ingin tetap bertahan dalam persaingan dengan perusahaan lainnya, harus bisa membuat semua lini proses bisnis perusahaan tersebut
Lebih 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 II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Algoritma Genetika Algoritma Genetika merupakan suatu algoritma yang terinspirasi dari teori evolusi Darwin yang menyatakan bahwa kelangsungan hidup suatu makhluk dipengaruhi
Lebih terperinciHASIL DAN PEMBAHASAN. Gambar 7 Diagram alur proses mutasi.
5 Mulai HASIL DAN PEMBAHASAN Kromosom P = rand [0,1] Ya P < Pm R = random Gen(r) dimutasi Selesai Tidak Gambar 7 Diagram alur proses mutasi. Hasil populasi baru yang terbentuk akan dievaluasi kembali dan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pada awal diciptakan, komputer hanya difungsikan sebagai alat hitung saja. Namun seiring dengan perkembangan zaman, maka peran komputer semakin mendominasi kehidupan.
Lebih terperinciIMPLEMENTASI ALGORITMA GENETIKA UNTUK MENYELESAIKAN TRAVELLING SALESMAN PROBLEM
Info Artikel UJM 2 (2) (2013) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm IMPLEMENTASI ALGORITMA GENETIKA UNTUK MENYELESAIKAN TRAVELLING SALESMAN PROBLEM Firar Anitya Sari,
Lebih terperinciALGORITMA GENETIKA Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning
ALGORITMA GENETIKA Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning Achmad Basuki Politeknik Elektronika Negeri Surabaya PENS-ITS Surabaya 2003 Algoritma Genetika Algoritma
Lebih 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 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 terperinci