PENERAPAN ALGORITMA GENETIK UNTUK OPTIMASI TRANSFER DAYA PADA SISTEM SENSOR GAS. Muthmainnah
|
|
- Hendra Budiaman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 TESIS PENEAPAN ALGOITMA GENETIK UNTUK OPTIMASI TANSFE DAYA PADA SISTEM SENSO GAS Muthmainnah DOSEN PEMBIMBING Dr. Melania Suweni Muntini, MT
2 PENDAHULUAN Sensor gas yang sering ditemui dipasaran kebanyakan belum dapat langsung digunakan, karena harus dirangkai dengan komponen elektronik lain. Komponen-komponen yang dimaksud adalah pengkondisi sinyal, mikrokontroler dan display sebagai tampilan hasil sensing. Pemilihan pengkondisi sinyal sangat penting karena menentukan efektifitas transfer daya yang terjadi antara sensor dan pengkondisi sinyal. Optimasi transfer daya akan dilakukan menggunakan algoritma genetik dengan parameter nilai tegangan dan resistansi beban ( L )
3 TUJUAN Mengetahui Kondisi optimum transfer daya menggunakan algoritma genetik Mencari Fungsi fitness yang sesuai dengan permasalahan optimasi transfer daya Mengetahui () yang sesuai Menerapkan dalam rangkaian sensor Mengetahui perubahan tegangan
4 UMUSAN MASALAH Bagaimana mengetahui Kondisi optimum transfer daya menggunakan algoritma genetik Bagaimana mencari Fungsi fitness yang sesuai dengan permasalahan optimasi transfer daya Bagaimana mengetahui () yang sesuai Bagaimana menerapkan dalam rangkaian sensor Bagaimana mengetahui perubahan tegangan
5 BATASAN MASALAH Optimasi dilakukan pada sistem sensor TGS 3870, TGS 2611, dan TGS Optimasi dilakukan dengan menggunakan metode algoritma genetik. Algoritma genetik dibentuk dengan menggunakan Matlab. Perubahan data tegangan diukur pada konsentrasi gas yang tetap. Tidak membahas bahan material sensor. Tidak membahas reaksi kimia sensor saat sensing.
6 MANFAAT Mengetahui hasil optimasi dengan menggunakan metode algoritma genetik. Menerapkan algoritma genetik di bidang instrumentasi. Menambah pengetahuan di dunia instrumentasi. Menambah pengetahuan di dunia komputasi.
7 TINJAUAN PUSTAKA PENGKONDISI SINYAL KAAKTEISTIK SISTEM SENSO OPTIMASI DAYA ALGOITMA GENETIK
8 PENGKONDISI SINYAL Pengkondisi sinyal adalah rangkaian elektronik yang dapat digunakan untuk mendapatkan parameter fisik dan kemudian diubah menjadi sinyal keluaran yang diperlukan INVETING PENGKONDISI SINYAL Penguat sinyal dengan tegangan keluaran yang berlawanan fase dengan sinyal masukan NON-INVETING Penguat sinyal dengan tegangan keluaran yang sefase dengan sinyal masukan
9 NON-INVETING Pemilihan pengkondisi sinyal Tegangan keluaran sensor kecil Tegangan keluaran sensor + Masukan untuk mikrokontroler + V 2 1 out xv in 1 Gambar angkaian Penguat Non Inverting
10 PEBEDAAN KAAKTEISTIK SENSO No Karakteristik CO CH 4 NH 3 1 Tegangan V H =0,2 V ; V C =5 V V H =5 V; V C =5 V V H =5 V; V C =5V 2 Daya P s ( V S s ) 2 P S ( V C V S L ) 2 P S V 2 C S x L L 3 esistansi S V S V C 0,5V V S H x L S V C V L V L x L s V C V x out L L 4 Cycle 20 sec Kontinyu 250 msec 5 Jumlah pin Cara kerja V H dipasang seri dengan sensor untuk pemanasan, kemudian V C diterapkan antara S dan L yang dihu- bungkan berurutan untuk mengukur V S V H dan V C diterapkan melalui L yang dipasang seri dengan sensor untuk mengukur V S V C dipasang menyilang antara S dan L yang dihubungkan seri untuk mengukur V S
11 OPTIMASI DAYA Transfer daya akan maksimum jika tahanan dalam ( L ) sama dengan tahanan sensor ( S ) dan P merupakan fungsi S, maka untuk mencari nilai maksimum P adalah ) ( L S L S S S L S L S S S V V i P 0 ) ( L S L L S S S V d dp L S L S S V P 2 4
12 ALGOITMA GENETIK Suatu algoritma pencarian (searching) yang didasarkan pada mekanisme seleksi alam Pengkodean Fungsi fitness Seleksi Operasi genetik Elitisme
13 PENGKODEAN Tiga cara yang paling umum digunakan dalam pengkodean, yaitu: Binary encoding, setiap gen diberi nilai 0 atau 1. eal number, nilai gen berada dalam interval (0,) dengan adalah bilangan real positif dan biasanya =1. Discreet decimal decoding. Setiap gen bernilai salah satu bilangan bulat dalam interval (0,9)
14 CAA PENGKODEAAN x1 x2 x3 A 0,2390 1,0000 0,0131 g1 g2 g3 B g1 g2 g3 g4 g5 g6 g7 g8 g9 C g1 g2 g3 g4 g5 g6 g7 g8 g9
15 FUNGSI FITNESS Fungsi fitness bermanfaat untuk mengevaluasi kandidat solusi sistem yang dimodelkan. Pada evolusi alam, individu yang memiliki nilai fitness rendah akan mati. Hal ini disebabkan adanya aturan bahwa individu yang memiliki nilai fitness tinggi lebih mampu bertahan hidup pada generasi berikutnya
16 SELEKSI Ada dua macam seleksi: oda roulette digunakan untuk menentukan individu orang tua yang akan dikenai operasi genetik. ank based fitness biasanya digunakan untuk menentukan generasi baru setelah proses operasi genetik. Pada metode ini populasi diurutkan menurut ranking nilai fitness masingmasing individu.
17 OPEASI GENETIK Crossover Crossover adalah operasi pindah silang antar kromosom yang dilakukan untuk membentuk individu baru yang lebih baik Mutasi Operator mutasi digunakan untuk melakukan modifikasi satu atau lebih nilai gen dalam kromosom yang sama
18 ELITISME Untuk menjaga agar individu bernilai fitness tidak hilang selama evolusi, maka perlu dibuat satu atau beberapa kopinya. Prosedur ini disebut dengan elitisme.
19 VALIDASI Menentukan seberapa baik model yang dihasilkan Validasi autokorelasi i=1,2,3...n N= jumlah data N = autokorelasi = fitness data ke-t = fitness data ke-(t+1)
20 METODOLOGI Pengambilan data tegangan 1 Algoritma genetik Penyesuaian L Pengambilan data tegangan 2 Analisa data
21 PENGAMBILAN DATA 1 TUJUAN mengetahui besar tegangan sensor gas dalam kotak yang terisolasi pada konsentrasi yang tetap POSEDU -memanaskan sistem sensor selama 35 menit untuk menghilangkan atau membersihkan gas-gas yang ada dalam sensor sebelumnya -Sensor dimasukkan pada tabung plastik yang telah diisolasi untuk mengukur konsentrasi gas yang terdapat didalamnya
22 ALGOITMA GENETIK TUJUAN mengetahui kondisi transfer daya optimum yang terjadi antara sensor dan pengkondisi sinyal POSEDU -menggunakan program matlab -inisialisasi populasi -Evaluasi -operasi genetik -penentuan generasi
23 ALU ALGOITMA GENETIK POPULASI AWAL FUNGSI FITNESS COSSOVE POPULASI AWAL POPULASI AKHI -populasi awal -populasi hasil crossover -populas hasil mutasi
24 PENYESUAIAN L TUJUAN untuk mendapatkan transfer daya optimum POSEDU Nilai resistansi beban ( ) yang diperoleh dari algoritma genetik akan dipasangkan pada rangkaian sistem sensor
25 PENGAMBILAN DATA 2 TUJUAN mengetahui perubahan nilai tegangan yang ditunjukkan oleh sistem sensor setelah dilakukan pergantian POSEDU - Pengambilan data tegangan dilakukan setelah penyesuaian resistansi beban () dalam rangkaian sistem sensor. -Perubahan tegangan yang terjadi diamati dan dicatat selama 30 menit
26 ANALISA DATA DAN PEMBAHASAN ALGOITMA GENETIK IMPLEMENTASI ALGOITMA GENETIK VALIDASI PEUBAHAN TEGANGAN
27 ALGOITMA GENETIK INISIALISASI POPULASI FUNGSI FITNESS OPEASI GENETIK EVALUASI COSSOVE MUTASI POPULASI BAU
28 Populasi Awal Inisialisasi kromosom kromosom terdiri dari 2 gen dengan nilai V dan yang dibangkitkan sebanyak 5 kali. Pengkodean dilakukan dengan pengkodean real karena solusi yang akan dicari bernilai real. Jumlah populasi awal yang dibangkitkan adalah Semakin panjang range kromosom maka jumlah populasi yang dibangkitkan harus semakin besar. V11 V21 V Gambar epresentasi Pengkodean dalam Optimasi Transfer Daya
29 TABEL EPESENTASI GEN DALAM SATU POPULASI Krom V1n 1n V2n 2n V3n 3n fitness
30 Evaluasi Evaluasi bertujuan untuk mencari individuindividu yang baik sebelum dilakukan operasi genetik. Evaluasi yang digunakan adalah houlette whell. Probabilitas individu yang akan menjadi orang tua ditentukan oleh nilai fitness. Fungsi fitness 1 f ( E 1)
31 Tabel Evaluasi dengan Metode houlette Whell Krom fitness Pi Ci i Krom Baru ' ' ' ' ' ' ' '
32 Operasi Genetik Tidak semua individu dikenai operasi genetik karena operasi genetik berkerja pada probabilitas tertentu. Pada penelitian ini ditentukan probabilitas crossover (PC) antara 0.8 sampai 0.9 dan probabilitas mutasi (PM) 0.1 sampai 0.2 Hal ini disesuaikan dengan situasi alam, bahwa untuk mendapatkan generasi yang lebih baik manusia cenderung melakukan perkawinan dari pada mutasi.
33 Crossover Pada pengkodean real crossover dilakukan dengan mengkombinasi dua buah kromosom yang terpilih. Pada penelitian ini proses crossover dilakukan dengan t 1 t t v1 av2 (1 a) v1 t 1 t t v2 av1 (1 a) v2 Nilai a pada penelitian ini dipilih 0.4 v 1t dan v 2t adalah kromosom orang tua
34 Tabel pemilihan orang tua yang akan crossover dan proses crossover Krom baru c Pc =0.8 2 = tidak 2 = tidak 1 = tidak 1 = tidak 7 = tidak 8 = cross 1 = cross 1 = cross crossover Pc=0.8 krom vros krom baru 6 6x7 v67(9) v76(12) 7 7x8 v78(10) v87(13) 8 6x8 v68(11) v86(14)
35 Mutasi Mutasi dilakukan dengan mengganti nilai gen pada suatu kromosom yang terpilih. Pergantian gen dilakukan dengan Untuk v ' k v v k k ( t, y) ( t, uv ( t, v y.(1 k r v k ) lv) (1 t ) T b ) b = Parameter yang menunjukkan tingkat ketergantungan pada iterasi; r = Bilangan acak; t = Generasi; T = Generasi maksimum; lv = Batas bawah; uv = Batas atas
36 Tabel pemilihan orang tua yang akan dimutasi Krom m Pm= tidak Tidak Mutasi Tidak Tidak Tidak Mutasi Mutasi Tidak Tidak Tidak Tidak Tidak Tidak Mutasi krom baru 3* 15 7* 16 8* 17
37 Penentuan populasi untuk generasi berikutnya Setelah operasi genetik dilakukan maka terbentuklah individu-individu baru. Dalam menentukan populasi yang akan diproses selanjutnya harus dilakukan evaluasi. Evaluasi dilakukan dengan menggunakan metode ranking nilai fitness. Individu yang mempunyai nilai fitness tinggi akan dipilih sebagai individu pada generasi selanjutnya. Individu yang mempunyai nilai fitness rendah akan dibuang.
38 IMPLEMENTASI ALGOITMA GENETIK Sistem sensor gas CO Batasan 0 VS Hasil V= 4,727 = 753,17 Daya = 0,1188 Generasi ke-42 5 L Gambar grafik optimasi algoritma genetik
39 IMPLEMENTASI ALGOITMA GENETIK Sistem sensor gas metana Batasan 0 VS Hasil V= 4,746 = 458,5 Daya = 0,1965 Generasi ke-43 5 L Gambar grafik optimasi algoritma genetik
40 IMPLEMENTASI ALGOITMA GENETIK Sistem sensor gas amonia Batasan 0 VS Hasil V= 4,746 = 458,5 Daya = 0,1965 Generasi ke-43 5 L Gambar grafik optimasi algoritma genetik
41 Autokorelasi VALIDASI Pada grafik validasi dengan metode autokorelasi terlihat bahwa nilai autokorelasinya berada pada kisaran CO1 1.5 Metana Amonia Jenis Sistem Sensor
42 PENYESUAIAN L angkaian VH H SENSO S L VS VC 2 1
43 tegangan (V) CO L awal = 809 L algoritma genetik = 754 Konsentrasi gas 957,967 ppm perubahan V =0,105 volt waktu ke-
44 Tegangan (V) METANA L awal = 610 ohm L algoritma genetik = 459 ohm Konsentrasi gas 560,23 ppm perubahan 0,095 volt waktu ke-
45 tegangan (Volt) AMONIA L awal = ohm L algoritma genetik = 8006 ohm Konsentrasi gas 0,21 ppm perubahan V = 0,095 volt waktu ke-
46 TABEL PEBANDINGAN Jenis sensor esistansi beban (Ω) Tegangan (volt) Daya (watt) CO Metana E Amonia Keterangan: 1= Sebelum perubahan resistansi beban ( ) G = Setelah perubahan resistansi beban ( )
47 KESIMPULAN 1.Transfer daya optimum: CO: V= 4,73 volt, L=753,2 ohm, P=0,1188 watt. metana: V= 4,75 volt, L= 458,5 ohm, P=0,1965 watt. amonia: V=4,74 volt, L= 8003,9 ohm, P=0,01121 watt. 2.Fungsi fitness yang digunakan berbanding terbalik dengan error data. Karena kondisi optimum diwakili pada error data yang kecil. 3.esistansi beban yang digunakan pada sistem sensor gas adalah resistansi variabel dengan pengaturan nilai yang dikehendaki. 4. Perubahan tegangan CO =0,105 volt, metana = 0,094 volt, amonia = 0,055 volt
48 KESIMPULAN 3.esistansi beban adalah resistansi variabel dengan pengaturan nilai yang dikehendaki. 4. Perubahan tegangan CO =0,105 volt, metana = 0,094 volt, amonia = 0,055 volt 5. Perubahan daya CO = 0,0069 watt, metana = 0,00028 watt, amonia = 0,00029 watt
49 LOGO
50 Perbandingan konstanta a pada proses crossover orang tua a=0.1 anak yang terbentuk salah satu ada yang lemah. a=0.5 kedua anak yang terbentuk akan sama a= 0.4 kedua anak yang terbentuk tidak sama dan perbedaannya tidak telalu banyak
OPTIMASI RANCANGAN FILTER BANDPASS AKTIF UNTUK SINYAL LEMAH MENGGUNAKAN ALGORITMA GENETIK Studi Kasus: Sinyal EEG
OPTIMASI RANCANGAN FILTER BANDPASS AKTIF UNTUK SINYAL LEMAH MENGGUNAKAN ALGORITMA GENETIK Studi Kasus: Sinyal EEG Oleh : Ellys Kumala P (1107100040) Dosen Pembimbing Dr. Melania Suweni Muntini, MT JURUSAN
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 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 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 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 II Konsep Algoritma Genetik
Bab II Konsep Algoritma Genetik II. Algoritma Genetik Metoda algoritma genetik adalah salah satu teknik optimasi global yang diinspirasikan oleh proses seleksi alam untuk menghasilkan individu atau solusi
Lebih 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 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 terperinciTugas Mata Kuliah E-Bisnis REVIEW TESIS
Tugas Mata Kuliah E-Bisnis REVIEW TESIS Desain Algoritma Genetika Untuk Optimasi Penjadwalan Produksi Meuble Kayu Studi Kasus Pada PT. Sinar Bakti Utama (oleh Fransiska Sidharta dibawah bimbingan Prof.Kudang
Lebih 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. 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 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Travelling Salesman Problem (TSP) Travelling Salesmen Problem (TSP) termasuk ke dalam kelas NP hard yang pada umumnya menggunakan pendekatan heuristik untuk mencari solusinya.
Lebih terperinciBAB 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 terperinciMetode Taguchi dan Optimasi Multi Respons
Metode Taguchi dan Optimasi Multi Respons Dr. Ir. Eko Pujiyanto, S.Si.,M.T. Materi Taguchi Multi Response Metode PCR-TOPSIS Metode Algoritma-Genetika Taguchi Multi Respon Dalam dunia nyata produk memiliki
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 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 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 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 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 terperinciAnalisis Pengendalian Persediaan Produk Dengan Metode EOQ Menggunakan Algoritma Genetika untuk Mengefisiensikan Biaya Persediaan
JURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: 2301-9271 A-305 Analisis Pengendalian Persediaan Produk Dengan Metode EOQ Menggunakan Algoritma Genetika untuk Mengefisiensikan Biaya Persediaan Indroprasto,
Lebih terperinciAnalisis Operator Crossover pada Permasalahan Permainan Puzzle
Analisis Operator Crossover pada Permasalahan Permainan Puzzle Kun Siwi Trilestari [1], Ade Andri Hendriadi [2] Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Singaperbanga Karawang
Lebih 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 2 LANDASAN TEORI. 2.1 Algoritma Genetika
6 BAB 2 LANDASAN TEORI 2.1 Algoritma Genetika Algoritma genetika merupakan metode pencarian yang disesuaikan dengan proses genetika dari organisme-organisme biologi yang berdasarkan pada teori evolusi
Lebih terperinciOPTIMASI PENDUGAAN PARAMETER DALAM ANALISIS STRESS DAN STRAIN TERHADAP MATERIAL MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI PENDUGAAN PARAMETER DALAM ANALISIS STRESS DAN STRAIN TERHADAP MATERIAL MENGGUNAKAN ALGORITMA GENETIKA Mike Susmikanti Pusat Pengembangan Informatika Nuklir, Badan Tenaga Nuklir Nasional Kawasan
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 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 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 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 terperinciPengantar Kecerdasan Buatan (AK045218) Algoritma Genetika
Algoritma Genetika Pendahuluan Struktur Umum Komponen Utama Seleksi Rekombinasi Mutasi Algoritma Genetika Sederhana Referensi Sri Kusumadewi bab 9 Luger & Subblefield bab 12.8 Algoritma Genetika 1/35 Pendahuluan
Lebih 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 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 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 terperinciZbigniew M., Genetic Alg. + Data Structures = Evolution Program, Springler-verlag.
Zbigniew M., Genetic Alg. + Data Structures = Evolution Program, Springler-verlag. 12/11/2009 1 Ditemukan oleh Holland pada tahun 1975. Didasari oleh fenomena evolusi darwin. 4 kondisi yg mempengaruhi
Lebih 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. Penelitian dilakukan dilingkungan Jurusan Ilmu Komputer Fakultas Matematika
BAB III METODE PENELITIAN 3.1. Waktu dan Tempat Penelitian Penelitian dilakukan dilingkungan Jurusan Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Lampung. Waktu penelitian dilaksanakan
Lebih terperinciRANCANG BANGUN SISTEM PENENTUAN KOMPOSISI BAHAN PANGAN HARIAN MENGGUNAKAN ALGORITMA GENETIKA
ABSTRAKSI RANCANG BANGUN SISTEM PENENTUAN KOMPOSISI BAHAN PANGAN HARIAN MENGGUNAKAN ALGORITMA GENETIKA Tedy Rismawan, Sri Kusumadewi Jurusan Teknik Informatika, Fakultas Teknologi Industri Universitas
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Penjadwalan Penjadwalan adalah penempatan sumber daya (resource) dalam satu waktu. Penjadwalan mata kuliah merupakan persoalan penjadwalan yang umum dan sulit dimana tujuannya
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 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 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 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 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 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 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 terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Alur Penelitian Menentukan lokasi dan kapasitas optimal SVC pada sistem transmisi 150 kv subsistem Bandung Selatan dan New Ujungberung menggunakan algoritma genetika membutuhkan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan membahas landasan atas teori-teori yang bersifat ilmiah untuk mendukung penulisan tugas akhir ini. Teori-teori yang dibahas mengenai pengertian penjadwalan, algoritma
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 II LANDASAN TEORI. digunakan sebagai alat pembayaran yang sah di negara lain. Di dalam
BAB II LANDASAN TEORI 2.1 Valuta Asing Valuta asing dapat diartikan sebagai mata uang yang dikeluarkan dan digunakan sebagai alat pembayaran yang sah di negara lain. Di dalam hukum ekonomi bila terdapat
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Algoritma Genetika Algoritma genetika merupakan algoritma pencarian heuristik ysng didasarkan atas mekanisme seleksi alami dan genetika alami (Suyanto, 2014). Adapun konsep dasar
Lebih terperinciBAB 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 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 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 terperinciBAB III PEMBAHASAN. harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017.
BAB III PEMBAHASAN Data yang digunakan dalam bab ini diasumsikan sebagai data perkiraan harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017. Dengan demikian dapat disusun model Fuzzy
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 terperinciPELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE SELEKSI TURNAMEN UNTUK DATA TIME SERIES
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 65-72 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE
Lebih 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 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 terperinciA. ADHA. Program Studi Teknik Sipil, Fakultas Teknik,Universitas Islam Riau, Pekanbaru, Indonesia Corresponding author:
Institut Teknologi Padang, 27 Juli 217 ISBN: 978-62-757-6-7 http://eproceeding.itp.ac.id/index.php/spi217 Optimasi Bentuk Struktur dan Penampang pada Struktur Rangka Baja Terhadap Kendala Kehandalan Material
Lebih terperinciABSTRAK. Universitas Kristen Maranatha
ABSTRAK PT. Kerta Laksana merupakan perusahaan yang bergerak di bidang manufaktur mesin. Sistem produksi yang diterapkan perusahaan ialah job shop karena perusahaan ini memproduksi banyak variasi mesin
Lebih terperinciOPTIMISASI KONSUMSI DAYA MULTI MOTOR INDUKSI TIGA FASA PENGGERAK POMPA AIR MENGGUNAKAN ALGORITMA GENETIKA
OPTIMISASI KONSUMSI DAYA MULTI MOTOR INDUKSI TIGA FASA PENGGERAK POMPA AIR MENGGUNAKAN ALGORITMA GENETIKA ACHMAD SYAHID 220920 1 0 03 Dosen Pembimbing Prof. Ir. Mochamad Ashari, M. Eng, PhD. Heri Suryoatmojo,
Lebih terperinciOptimasi Metode Fuzzy Dengan Algoritma Genetika Pada Kontrol Motor Induksi
Optimasi Metode Fuzzy Dengan Algoritma Genetika Pada Kontrol Motor Induksi Rahman Aulia Universitas Sumatera Utara Pasca sarjana Fakultas Ilmu Komputer Medan, Indonesia Rahmanaulia50@gmail.com Abstract
Lebih 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 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 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 I PENDAHULUAN. telah diadopsi untuk mengurangi getaran pada gedung-gedung tinggi dan struktur
BAB I PENDAHULUAN 1.1 Latar Belakang Tuned mass damper (TMD) telah banyak digunakan untuk mengendalikan getaran dalam sistem teknik mesin. Dalam beberapa tahun terakhir teori TMD telah diadopsi untuk mengurangi
Lebih terperinciPENENTUAN KOMBINASI OPTIMUM JUMLAH, BERAT, DAN WAKTU TAMBAT KAPAL DI PT (PERSERO) PELABUHAN INDONESIA III GRESIK MENGGUNAKAN ALGORITMA GENETIKA
LOGO PENENTUAN KOMBINASI OPTIMUM JUMLAH, BERAT, DAN WAKTU TAMBAT KAPAL DI PT (PERSERO) PELABUHAN INDONESIA III GRESIK MENGGUNAKAN ALGORITMA GENETIKA Oleh : Aris Saputro 1206100714 Pembimbing : Dr. M. Isa
Lebih 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 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 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 terperinciOPTIMASI QUERY DATABASE MENGGUNAKAN ALGORITMA GENETIK
Seminar Nasional Aplikasi Teknologi Informasi 2008 (SNATI 2008) ISSN 1907-5022 OPTIMASI QUERY DATABASE MENGGUNAKAN ALGORITMA GENETIK Manahan Siallagan, Mira Kania Sabariah, Malanita Sontya Jurusan Teknik
Lebih 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 terperinciOptimasi Multi Travelling Salesman Problem (M-TSP) Menggunakan Algoritma Genetika
Optimasi Multi Travelling Salesman Problem (M-TSP) Menggunakan Algoritma Genetika Wayan Firdaus Mahmudy (wayanfm@ub.ac.id) Program Studi Ilmu Komputer, Universitas Brawijaya, Malang, Indonesia Abstrak.
Lebih terperinciBAB 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 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 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 terperinciOPTIMASI RANCANGAN FILTER BANDPASS AKTIF UNTUK SINYAL LEMAH MENGGUNAKAN ALGORITMA GENETIK
OPTIMASI RANCANGAN FILTER BANDPASS AKTIF UNTUK SINYAL LEMAH MENGGUNAKAN ALGORITMA GENETIK Studi Kasus: Sinyal EEG Oleh: Ellys Kumala Pramartaningthyas, Melania Suweni Muntini Jurusan Fisika Fakultas Matematika
Lebih terperinciPEMAMPATAN MATRIKS JARANG DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL
Jurnal Matematika UNAND Vol. 3 No. 1 Hal. 98 106 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMAMPATAN MATRIKS JARANG DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL YOSI PUTRI, NARWEN
Lebih terperinci1. Pendahuluan 1.1. Latar Belakang
1. Pendahuluan 1.1. Latar Belakang Perkembangan teknologi informasi yang begitu pesat sekarang ini memberikan dampak yang besar terhadap kinerja manusia khususnya dalam bekerja. Segala sesuatu yang dahulu
Lebih terperinciGenerator Jadwal Perkuliahan Menggunakan Algoritma Genetika
Generator Jadwal Perkuliahan Menggunakan Algoritma Genetika Zainal Akbar 1), Muh. Fajri Raharjo 2), Eddy Tungadi 3) CAIR, Politeknik Negeri Ujung Pandang Jl. Perintis Kemerdekaan km. 10, Tamalanrea Makassar,
Lebih terperinciBAB III. Solusi Optimal Permasalahan Penjadwalan Perkuliahan Menggunakan Algoritma Fuzzy Evolusi
BAB III Solusi Optimal Permasalahan Penjadwalan Perkuliahan Menggunakan Algoritma Fuzzy Evolusi Pada bab ini dijelaskan mengenai penerapan dari algoritma fuzzy evolusi pada permasalahan penjadwalan perkuliahan.
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 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 terperinciBAB I PENDAHULUAN. berjalan sesuai dengan yang telah di rencanakan. penjadwalan ini merupakan proses yang menyulitkan karena proses ini
BAB I PENDAHULUAN 1.1 Latar Belakang Penjadwalan merupakan kegiatan yang harus dimiliki oleh seseorang untuk membantu aktivitas dalam kehidupan sehari-hari. Terlebih sebuah instansi atau lembaga yang memiliki
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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Konsep Dasar Sistem dan Informasi 2.1.1 Sistem Menurut Sutabri (2004), bahwa sistem adalah sekelompok unsur yang erat hubungannya satu dengan yang lainnya berfungsi untuk mencapai
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 terperinciModel Optimasi Alokasi Gas Injeksi Sumur Dual Gas Lift
Bab 4 Model Optimasi Alokasi Gas Injeksi Sumur Dual Gas Lift Sebagaimana yang telah diuraikan pada bab 2, sumur dual gas lift merupakan sumur dengan dua tubing, long string dan short string. Gas injeksi
Lebih terperinciBAB II KAJIAN TEORI. genetika, dan algoritma memetika yang akan digunakan sebagai landasan dalam
BAB II KAJIAN TEORI Pada bab II ini dijelaskan mengenai beberapa teori tentang penjadwalan, penjadwalan kuliah, metode penyelesaian penyusunan jadwal kuliah, algoritma genetika, dan algoritma memetika
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 terperinci2.3.1.b Himpunan Fuzzy Trapezodial dengan L Fuzzy Set 12
DAFTAR ISI Halaman Judul i Pernyataan Keaslian Tugas Akhir ii Lembar Pengesahan DosenPembimbingiii Lembar Pengesahan Dosen Penguji iv Halaman Persembahan Halaman Motto Kata Pengantar Abstraksi Daftar Isi
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Fuzzy Local Binary Pattern (FLBP) Fuzzifikasi pada pendekatan LBP meliputi transformasi variabel input menjadi variabel fuzzy, berdasarkan pada sekumpulan fuzzy rule. Dalam
Lebih terperinciBAB I PENDAHULUAN. hampir di seluruh dunia, termasuk Indonesia. Alat transportasi ini memiliki
BAB I PENDAHULUAN 1.1 Latar Belakang Kereta api merupakan alat transportasi darat utama yang digunakan hampir di seluruh dunia, termasuk Indonesia. Alat transportasi ini memiliki multi keunggulan komparatif,
Lebih 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 terperinciSistem Penjadwalan Outsourcing Menggunakan Algoritma Genetika (Studi Kasus : PT. Syarikatama)
Sistem Penjadwalan Outsourcing Menggunakan Algoritma Genetika (Studi Kasus : PT. Syarikatama) Ari Janata 1, Elin Haerani 2 1,2 Teknik Informatika, UIN Sultan Syarif Kasim Riau Jl. H.R. Soebrantas no. 155
Lebih terperinciOPTIMASI PENJADWALAN CERDAS MENGGUNAKAN ALGORITMA MEMETIKA
OPTIMASI PENJADWALAN CERDAS MENGGUNAKAN ALGORITMA MEMETIKA Muhammad Arief Nugroho 1, Galih Hermawan, S.Kom., M.T. 2 1, 2 Universitas Komputer Indonesia Jl. Dipatiukur No. 112-116, Bandung 40132 E-mail
Lebih terperinciBAB II LANDASAN TEORI. Tahun 2001 pemilik CV. Tunas Jaya membuka usaha di bidang penjualan dan
BAB II LANDASAN TEORI 2.1 Sejarah Perusahaan Tahun 2001 pemilik CV. Tunas Jaya membuka usaha di bidang penjualan dan pengadaan suku cadang computer. Dalam bidang tersebut diharuskan berbadan hukum PD,
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 I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Algoritma Genetika merupakan metode yang menggunakan evolusi alam sebagai gagasan utamanya dalam menyelesaikan suatu permasalahan tertentu. Algoritma ini diterapkan
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 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 terperinci