ALGORITMA GENETIKA UNTUK OPTIMALISASI RULE BASE FUZZY PADA PENYAKIT GINJAL
|
|
- Hendra Sutedja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 ALGORITMA GENETIKA UNTUK OPTIMALISASI RULE BASE FUZZY PADA PENYAKIT GINJAL M. Aldi P. Putra 1, Andi Farmadi *2, Dwi Kartini Prodi Ilmu Komputer FMIPA ULM Jl. A. Yani Km 36 Banjarbaru, Kalimantan selatan Muhammad.aldi.perdana.putra@gmail.com Abstract When creating an FRBs it usually uses trial and error. Because it is made in trial and error is often in the making becomes inefficient because many rules are often repeated or the same rule is made more than one. To avoid this we need an optimization in a fuzzy rule base. One of the algorithms for optimization is the genetic algorithm. This algorithm is a search algorithm that uses principles inspired by natural population genetics to develop solutions. GAs are theoretically and empirically proven to provide powerful searches in complex spaces, thus offering a valid approach to problems that require efficient and effective search. The purpose of this research is the application of Genetic method to optimize rule base. The results of genetic optimization of the rule that initially 20,000 can be optimized into 2000 rule. Keywords: Expert System, Genetic Algorithm, Fuzzy Tsukamoto Abstrak Ketika membuat suatu FRBs biasanya menggunakan cara trial and error. Karena dibuat secara trial and error seringkali dalam pembuatannya menjadi tidak effisien karena banyak rule yang sering terulang atau rule yang sama dibuat lebih dari satu. Untuk menghindari ini maka diperlukan suatu optimasi dalam suatu fuzzy rule base. Salah satu algoritma untuk optimasi adalah alagoritma genetika. Algoritma ini adalah algoritma pencarian yang menggunakan prinsip-prinsip terinspirasi oleh genetika populasi alami untuk mengembangkan solusi. GAs secara teoritis dan empiris terbukti memberikan pencarian yang kuat di ruang kompleks, sehingga menawarkan pendekatan yang valid untuk masalah yang membutuhkan pencarian yang efisien dan efektif. Tujuan dalam penelitian ini adalah penerapan metode Genetika untuk mengoptimasi rule base. Hasil dari optimasi genetika aturan yang awalnya dapat dioptimasi menjadi 2000 rule. Kata Kunci : Sistem Pakar, Algoritma Genetika, Fuzzy Tsukamoto 204
2 1. PENDAHULUAN Penyakit Ginjal Kronik (PGK) kini telah menjadi masalah kesehatan serius di dunia. Menurut (WHO, 2002) dan Burden of Disease, penyakit ginjal dan saluran kemih telah menyebabkan kematian sebesar orang setiap tahunnya. Hal ini menunjukkan bahwa penyakit ini menduduki peringkat ke-12 tertinggi angka kematian[1]. Fuzzy adalah sebuah kontrol berbasis aturan yang mana itu sangat dekat dengan pikiran manusia dan bahasa yang digunakan oleh manusia daripada aturan logika yang terdahulu, dan bisa menyelesaikan banyak masalah kompleks. Sehingga menjadikan fuzzy metode yang yang efektif dalam menyelesaikan masalah pada sistem inference dan sistem kontrol[2]. Bagaimanapun, karena fuzzy berdasarkan dengan pengetahuan dan pengalaman dari seorang pakar, terjadi beberapa kekurangan. Pada proses perancangan, ketika fuzzy telah ditentukan kemudian aturan fuzzy menjadi tetap, dan itu tidak menjamin aturan menjadi optimal[2]. Terlebih dengan aturan fuzzy yang banyak sehingga mengakibatkan berkurang waktu proses dalam menentukan keputusan. Untuk menyelesaikan masalah ini maka dibutuhkan suatu cara untuk menjadikan aturan fuzzy menjadi optimal. Dalam hal ini peneliti menggunakan algoritma genetika untuk melakukan optimasi yang terbukti mampu mengurangi rule secara signifikan. 2. METODE PENELITIAN 2.1 Algoritma Genetika Algoritma genetika dimulai dengan populasi awal dari individu yang dihasilkan secara acak. Setiap individu dalam populasi merupakan solusi potensial untuk masalah yang sedang dihadapi. Individu berkembang melalui iterasi yang berurutan, yang disebut generasi. Selama setiap generasi, setiap individu dalam populasi dievaluasi menggunakan beberapa ukuran fitness. Maka populasi generasi berikutnya diciptakan melalui operator genetik. Prosedur terus sampai kondisi penghentian dicapai[3]. a. Inisiasi Populasi Langkah pertama untuk menyelesaikan masalah pada algoritma genetika adalah inisiasi. Inisiasi disimbolkan dalam angka biner 0 atu 1. Pada langkah ini terbentuk gen yang merupakan deret kolom pada algoritma genetika, sedang kromosom adalah deret baris[4]. Inisiasi Populasi menghasilkan sekumpulan individu secara acak. Inisiasi populasi sesuai dengan seluruh ruang dalam solusi, yang mana artinya inisiasi populasi hanya akan menghasilkan individu sesuai dengan ruang solusi, tidak akan menghasilkan ruang yang melenceng dari solusi[5]. b. Operator Crossover Operator Crossover adalah inti dari algoritma genetika, langkah yang sangat penting untuk menghasilkan individu yang baik. Karena dengan adanya crossover maka solusi menjadi konvergen[4]. Jika individu baru tidak mencukupi dalam target solusi secara baik, maka individu tersebut akan ditinggalkan[5]. 205
3 c. Operator Mutasi Operator mutase mengikuti kejadian alam. Dimana ada kejadian tidak sengaja yang mengubah struktur gen. Mutasi berupa pengubahan nilai menjadi nilai sebaliknya[4]. Dalam algoritma genetika mutasi direpresentasikan dalam bilangan biner 1 dan 0[5]. d. Fungsi Fitness Fungsi fitness berdasarkan pada target solusi dari masalah yang ingin di selesaikan[5]. 2.2 Fungsi Keanggotaan Logika Fuzzy Dalam mendapatkan nilai keanggotaan dengan menggunakan pendekatan fungsi keanggotaan ada beberapa grafik dalam logika fuzzy[6], diantaranya: a. Fungsi Keanggotaan Segitiga Kurva Segitiga pada dasarnya merupakan gabungan antara 2 garis (linear). Sehingga terbentuk titik a,b,c (1) b. Representasi Kurva Bahu Daerah yang terletak di tengah-tengah suatu variabel yang direpresentasikan dalam bentuk segitiga, salah satu sisi dari variabel tersebut tidak mengalami perubahan. bahu kiri bergerak dari benar ke salah sedang bahu kana bergerak sebaliknya..(2) 206
4 3. HASIL DAN PEMBAHASAN 3.1. Data yang Digunakan Adapun data pengetahuan yang didapatkan langsung dari pakar adalah sebagai berikut. Kode P1 P2 P3 P4 P5 P6 P7 P8 P9 P10 Tabel 1. Data Penyakit Ginjal Nama Penyakit Gagal Ginjal Akut Gagal Ginjal Kronik Nefritis Akut Infeksi Saluran Kemih Batu Ginjal Kista Ginjal Tuberkolosis Ginjal Glomerulonefritis Batu Kandung Kemih Kanker Ginjal Dari semua penyakit yang didapatkan dari pakar, maka pakar melakukan penentuan gejala awal. Gejala yang diperoleh adalah sebagai berikut. Kode G1 G2 G3 G4 G5 G6 G7 G8 G9 G10 G11 G12 G13 G14 G15 G16 G17 G18 G19 G20 G21 Tabel 2. Data Gejala Penyakit Ginjal Nama Gejala Mual dan Muntah Kelelahan Demam Nyeri Pada Dada Nyeri Punggung Kehilangan Nafsu Makan Nyeri atau Perih Saat Buang Air Kecil Warna Urine Keruh, Pekat, dan Gelap Menggigil Sesak Napas Pembengkakan Pada Bagan Tubuh Nyeri pada perut bagian bawah Bau urine menyengat Gelisah Linglung atau kebingungan Sakit perut Kulit Gatal Kram otot Tegang otot Menurunnya ketajaman mental Gangguan tidur 207
5 Kode G22 G23 G24 G25 G26 G27 G28 G29 G30 Tabel 2. Lanjutan Data Gejala Penyakit Ginjal Nama Gejala Kelopak mata sembab Seperti ada tekanan pada panggul Perasaan bahwa urine tidak sepenuhnya keluar Nyeri pinggang Sulit beristirahat Urine berbuih Kesulitan buang air kecil Penis terasa tidak nyaman atau sakit Batuk mengeluarkan darah Setelah mendapatkan data penyakit dan data gejala dari pakar, langkah selanjutnya yang diambil oleh peneliti adalah meminta pakar untuk menentukan gejala dalam setiap penyakit yang kemudian akan menjadi basis aturan dasar dalam diagnosa penyakit ginjal. Berikut adalah data gejala dalam setiap penyakit yang didapatkan. Gejala Tabel 3. Tabel relasi gejala terhadap penyakit ginjal Penyakit P1 P2 P3 P4 P5 P6 P7 P8 P9 P10 G1 G2 G3 G4 G5 G6 G7 G8 G9 G10 G11 G12 G13 G14 G15 G16 G17 G18 G19 G20 G21 G22 G23 G24 208
6 Gejala G25 G26 Tabel 3. Lanjutan Tabel relasi gejala terhadap penyakit ginjal Penyakit P1 P2 P3 P4 P5 P6 P7 P8 P9 P10 G27 G28 G29 G30 G31 Nilai 10 merepresentasikan parah, 11 merepresentasikan sedang, 01 merepresentasikan ringan. Target solusi adalah pengetahuan pakar yang akan digunakan pada algoritma genetika dalam proses seleksi. Target solusi menjadi landasan dalam proses penghitungan nilai fitness dan evaluasi dalam setiap generasi. Tabel 4. Tabel Target Solusi Kode Target Solusi P1 0,1,1,1,1,0,1,1,0,0,1,1,1,0 P2 0,1,1,1,1,1,1,0,1,0,0,1,0,1 P3 1,1,1,0,0,1,1,1,0,0,1,0,0,1 P4 1,1,0,1,0,1,0,1,1,0,0,1,0,1 P5 1,0,0,1,1,1,0,1,0,0,0,1,0,1 P6 1,0,0,1,1,1,0,1,0,0,0,1,0,1 P7 1,1,0,1,0,1,0,1,1,0,0,1,0,1 P8 1,1,1,0,0,1,1,1,0,0,1,0,0,1 P9 0,1,1,1,1,1,1,0,1,0,0,1,0,1 P10 0,1,1,0,1,0,1,1,0,0,1,1,1, Pembentukan Rule Menggunakan Algoritma Genetika Pada tahap inisiaisi kromosom, kromosom direpresentasikan ke dalam bentuk array. Masing-masing gen memiliki nilai yang ditentukan secara acak. Tabel 5. Inisialisasi Kromosom Populasi Awal Gen Ke i Individu 1 Individu 2 Individu 3 Individu 4 G1 G2 G1 G2 G1 G2 G1 G
7 Setelah melakukan inisiasi kromosom maka melakukan crossover. a. Langkah Pertama Menentukan parent secara acak dari individu yang ada. Individu 1 menjadi parent 1 dan individu 3 menjadi parent 2. Tabel 6. Penentuan parent 1 dan parent 2 pada crossover Gen Ke i Individu 1 Individu 3 G1 G2 G1 G b. Langkah 2 Menentukan titik potong secara acak. Gen ke 4 menjadi titik potong. Tabel 7. Penentuan titik potong pada crossover Gen Ke i Individu 1 Individu 3 G1 G2 G1 G c. Langkah 3 Melakukan pengecekan Fix atau tidak. Jika Fix maka tidak dilakukan proses crossover Tabel 8. Pengecekan sebelum melakukan Crossover pada parent 1 Gen Ke i Individu 3 Target Solusi Status Gen G1 G2 G1 G Belum Fix Fix Belum Fix Belum Fix 210
8 Tabel 9. Pengecekan sebelum melakukan Crossover pada parent 3 Gen Ke i Individu 3 Target Solusi Status Gen G1 G2 G1 G Belum Fix Belum Fix Belum Fix Belum Fix Tabel 10. Status Crossover pada gen terpilih Gen Ke-i Status Crossover 5 Cross 6 Tidak 7 Cross 8 Cross d. Langkah 4 Melakukan proses tukar silang. Tukar silang inilah yang menjadi kekuatan dari algoritma genetika sehingga dapat menghasilkan individu baru yang bagus Tabel 11. Child 1 dan Child 2 hasil crossover Gen Ke i Child 1 Child 3 G1 G2 G1 G Setelah melakukan crossover maka melakukan mutasi. a. Langkah 1 Menentukan parent secara acak yang dari individu yang ada. Parent inilah yang akan dilakukan proses mutasi. Tabel 12. Penentuan Parent pada mutasi Gen Ke i Parent G1 G
9 Tabel 12. Lanjutan Penentuan Parent pada mutasi Gen Ke i Parent G1 G b. Langkah 2 Menentukan titik tukar 1 dan titik tukar 2 secara acak. Titik tukar ini akan dicek apakah akan mengalami mutase atau tidak Tabel 13. Penentuan titik tukar 1 dan titik tukar 2 pada mutasi Gen Ke i Parent G1 G c. Langkah 3 Melakukan pengecekan fix. Ketika belum fix maka akan dilakukan proses mutasi dan jika fix maka tidak Tabel 14. Pengecekan sebelum melakukan mutase pada parent Gen Ke i Parent Target Solusi Status Gen G1 G2 G1 G Belum Fix Belum Fix Tabel 15. Status mutasi pada gen terpilih Gen Ke i Status Mutasi 5 Mutasi 7 Mutasi 212
10 d. Langkah 4 Melakukan Proses Mutasi. Proses mutase hanya dilakukan pada gen yang berada pada titik tukar 5 dan 7. Tabel 16. Hasil Mutasi Gen Ke i Child 1 G1 G Seleksi menggabungkan current population dengan offspring, yang artinya seluruh individu induk / parent akan dikumpulkan bersama seluruh anak / child hasil proses reproduksi. Tabel 17. Hasil Perhitungan Seleksi Individu Nilai Fitness Rank Child Individu Individu Individu Child Setelah selesai melakukan satu siklus dalam algoritma genetika yang terdiri dari inisiasi kromosom, crossover, mutasi dan perhitungan seleksi maka satu generasi telah terbentuk. Proses ini akan terus dilakukan hingga mencapai nilai fitness yang diinginkan. Setelah mencapai fitness yang diinginkan maka proses selesai. Dalam Implementasi algoritma genetika ini sukses melakukan optimasi, dari aturan yang awalnya dioptimasi hingga meraih aturan Implementasi Metode Fuzzy Tsukamoto Fuzzy Tsukamoto digunakan untuk melakukan diagnosa final dalam diagnosa penyakit ginjal. Langkah pertama dalam implementasi metode Fuzzy Tsukamoto adalah proses fuzzyfikasi. Proses fuzzyfikasi adalah mengubah nilai masukan dari user kedalam bentuk derajat untuk setiap masing-masing gejala. Gambar 1. Grafik reprensentasi untuk G1, G2 dan G24 213
11 1; x 3 (b x)/(b a); 1 < x < 5 H1 μ H1 { 0; x 5 (3) H2 μ H2 { 0; x 3 (x a)/(b a); 3 < x 5 (b x)/(b a); 5 < x < 10 0; x 10 0; x 31 (x a)/(b a); 31 < x < 49 H3 μ H3 { 1; x 49 (4) (5) Gambar 2. Grafik reprensentasi untuk G3 1; x 30 (b x)/(b a); 1 < x < 35 H1 μ H1 { 0; x 35...(6) H2 μ H2 { 0; x 30 (x a)/(b a); 30 < x 35 (b x)/(b a); 35 < x < 40 0; x 40 0; x 35 (x a)/(b a); 35 < x < 40 H3 μ H3 { 1; x 40 (7) \ (8) Gambar 3. Grafik reprensentasi untuk G4, G5, G7, G13,G17, G22, G26, G27, dan G30 214
12 1; x 5 (b x)/(b a); 1 < x < 10 H1 μ H1 { 0; x 10...(9) H2 μ H2 { 0; x 5 (x a)/(b a); 5 < x 10 (b x)/(b a); 10 < x < 15 0; x 15 0; x 10 (x a)/(b a); 10 < x < 15 H3 μ H3 { 1; x 15...(10)...(11) Gambar 4. Grafik reprensentasi untuk G6, G8, G9, G10, G11,G14, G15, G16, G23, G28, dan G29 1; x 5 (b x)/(b a); 1 < x < 10 H1 μ H1 { 0; x 10...(12) H2 μ H2 { 0; x 5 (x a)/(b a); 5 < x 10 (b x)/(b a); 10 < x < 15 0; x 15 0; x 10 (x a)/(b a); 10 < x < 15 H3 μ H3 { 1; x 15...(13)...(14) 215
13 Data pasien yang digunakan dalam penelitian ini dapat dilihat pada Tabel 18. Tabel 18. Data Pasien No Gejala Nilai 1 G1 7 2 G G G G G G16 20 Setelah selesai dalam tahap fuzzyfikasi, maka langkah selanjutnya adalah langkah inference. Dalam langkah inference ini memiliki dua basis aturan. Pada langkah ini aturan yang digunakan adalah aturan yang telah dioptimasi menggunakan algoritma genetika. Sehingga aturan yang digunakan adalah aturan yang telah dioptimasi. Tabel 19. Aturan untuk diagnosa penyakit ginjal [R10] If G1 Sedang and G2 Parah and G4 Parah and G5 Parah and G10 Parah and G16 Parah and G17 Parah Then P1 Parah [R11] If G1 Parah and G2 Parah and G4 Parah and G5 Parah and G10 Parah and G16 Parah and G17 Parah Then P1 Parah Hasil fuzzyfikasi G1 = 7 Ringan = 0 Sedang = (7 5)/(10 5) = (2)/(5) = 0.4 Parah = (10 7)/(10 5) = (3)/(5) =0.6 G2 = 10 Ringan = 0 Sedang = 0 Parah = 1 G4 = 15 Ringan = 0 Sedang = 0 Parah = 1 G5 = 25 Ringan = 0 Sedang = 0 Parah = 1 G10 =10 216
14 Ringan = 0 Sedang = 0 Parah = 1 G15 =10 Ringan = 0 Sedang = 0 Parah = 1 G16 = 20 Ringan = 0 Sedang = 0 Parah = 1 Selanjutnya melakukan pencarian terhadap nilai z untuk setiap rule yang dimiliki. [R10] α-predikat 1 = z 10 1 = z = (9*0.6) Ζ = Ζ10 = 4.6 [R11] α-predikat 2 = z 10 1 = z = (9*0.4) Ζ = Ζ10 = 6.4 Tahap defuzzyfikasi adalah berikut ini: Z = ( ) + ( ) ( ) = = = 5.34 Dari perhitungan diatas, maka dapat ditarik kesimpulan bahwa pasien menderita Gagal Ginjal Akut dengan tingkat keparahan parah. 217
15 4. SIMPULAN Dari hasil penelitian yang telah dilakukan, dapat diambil beberapa kesimpulan sebagai berikut: a. Algoritma Genetika dapat digunakan untuk melakukan optimasi aturan Fuzzy b. Aturan Fuzzy yang awalnya aturan dapat dioptimasi hingga menjadi 2000 aturan c. Hasil Akurasi yang didapat dari diagnosa penyakit ginjal ini mencapai 70%[7]. DAFTAR PUSTAKA [1] WHO Hypertension Report. WHO Technical Report Series. Geneva. [2] LI Shuai, SUN Wei, Optimization of Fuzzy Control Rules based on Differential Evolution Algorithm, , [3] Sakawa, Masatoshi, Genetic algorithms and fuzzy multiobjective optimization, 2002, Kluwer Academic Publishers Group Norwell, Massachusetts USA [4] Muliadi, Pemodelan Algoritma Genetika Pada Sistem Penjadwalan Perkuliahan Prodi Ilmu Komputer Universitas Lambungmangkurat, olume 01, No.01, pp 67-79, [5] Lei Zhang,Kaoshe Zhang,Gang Zhang, Power Distribution System Reconfiguration based on Genetic Algorithm, , [6] P. Informatika, B. Darma, M. Program, S. Teknik, and M. Tsukamoto, IMPLEMENTASI METODE FUZZY TSUKAMOTO PADA PENENTUAN HARGA JUAL BARANG DALAM KONSEP FUZZY LOGIC, vol. 5, no. 2, pp , [7] M. Aldi. Perdana Putra, Optimasi Fuzzy Rule Base Menggunakan Algoritma Genetika Pada Diagnosa Penyakit Ginjal, 218
SISTEM PAKAR DIAGNOSA AWAL PENYAKIT GINJAL DENGAN METODE FUZZY LOGIC UNTUK PENENTUAN CERTAINTY FACTOR
SISTEM PAKAR DIAGNOSA AWAL PENYAKIT GINJAL DENGAN METODE FUZZY LOGIC UNTUK PENENTUAN CERTAINTY FACTOR Nurul Azka 1, Andi Farmadi 2, Dwi Kartini 3 123 Prodi Ilmu Komputer FMIPA ULM Jl. A. Yani Km 36 Banjarbaru,
Lebih terperinciIMPLEMENTASI FUZZY TSUKAMOTO DALAM PENENTUAN KESESUAIAN LAHAN UNTUK TANAMAN KARET DAN KELAPA SAWIT
IMPLEMENTASI FUZZY TSUKAMOTO DALAM PENENTUAN KESESUAIAN LAHAN UNTUK TANAMAN KARET DAN KELAPA SAWIT Maya Yusida 1, Dwi Kartini 2, Andi Farmadi 3, Radityo Adi Nugroho 4, Muliadi 5 123Prodi Ilmu Komputer
Lebih terperinciSISTEM PAKAR PENYAKIT MATA GLAUKOMA DENGAN METODE BREADTH-FIRST SEARCH (BFS) DAN FUZZY TSUKAMOTO
SISTEM PAKAR PENYAKIT MATA GLAUKOMA DENGAN METODE BREADTH-FIRST SEARCH (BFS) DAN FUZZY TSUKAMOTO Sulthan Noor Ridha 1, Andi Farmadi 2, Dwi Kartini 3 123 Prodi Ilmu Komputer FMIPA ULM Jl. A. Yani Km 36
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 terperinciPENCOCOKAN KATA SECARA ACAK DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL
Jurnal Matematika UNAND Vol. 2 No. 2 Hal. 1 9 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENCOCOKAN KATA SECARA ACAK DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL MULIA AFRIANI KARTIKA
Lebih terperinciOptimasi Pemilihan Pekerja Bangunan Proyek Pada PT. Citra Anggun Pratama Menggunakan Algoritma Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 2, Februari 2017, hlm. 80-84 http://j-ptiik.ub.ac.id Optimasi Pemilihan Pekerja Bangunan Proyek Pada PT. Citra Anggun
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Metode Pengumpulan Data Dalam penelitian diagnosa penyakit asma dengan menggunakan metode fuzzy Tsukamoto, dibutuhkan data mengenai gejala penyakit dari seorang pakar atau
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 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 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 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 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 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 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 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 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 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 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 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 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 terperinciTAHUN AKADEMIK 2016/2017. : PENGANTAR INTELEGENSI BUATAN : Betha Nurina Sari, M.Kom. : Open Book via Google Form (90 Menit)
IFT 501 PANITIA UJIAN AKHIR SEMESTER GANJIL FAKULTAS ILMU KOMPUTER UNIVERSITAS SINGAPERBANGSA KARAWANG Jl. H.S. Ronggowaluyo Telukjambe Telp. (0267) 641177 Ex 307 Fax (0267) 641367 Karawang 41361 TAHUN
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 I PENDAHULUAN. kehidupan sehari-hari dan juga merupakan disiplin ilmu yang berdiri sendiri serta
BAB I PENDAHULUAN A. Latar Belakang Matematika adalah cabang ilmu pengetahuan yang dapat digunakan dalam kehidupan sehari-hari dan juga merupakan disiplin ilmu yang berdiri sendiri serta tidak merupakan
Lebih terperinciDAFTAR ISI. Tim Redaksi... i Kata Pengantar... ii Daftar Isi... iii
DAFTAR ISI Tim Redaksi... i Kata Pengantar... ii Daftar Isi... iii Faiz Rafdh Ch SISTEM INFORMASI ZAKAT BERBASIS WEB MENGGUNAKAN PHP DAN MYSQL PADA RUMAH ZAKATINDONESIA 1-7 Abdul Jamil Syamsul Bachtiar
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 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 terperinciDenny Hermawanto
Algoritma Genetika dan Contoh Aplikasinya Denny Hermawanto d_3_nny@yahoo.com http://dennyhermawanto.webhop.org Lisensi Dokumen: Seluruh dokumen di IlmuKomputer.Com dapat digunakan, dimodifikasi dan disebarkan
Lebih terperinciProses Pendiagnosaan Penyakit Menggunakan Logika Fuzzy Dengan Metode Mamdani
JURNAL SAINTIFIK VOL.3 NO. 2, JULI 2017 Proses Pendiagnosaan Penyakit Menggunakan Logika Fuzzy Dengan Metode Mamdani Darmawati Jurusan Matematika FMIPA Universitas Sulawesi Barat; e-mail: dharmawangs89@gmail.com
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 terperinciKeywords Algoritma, Genetika, Penjadwalan I. PENDAHULUAN
Optimasi Penjadwalan Mata Kuliah Dengan Algoritma Genetika Andysah Putera Utama Siahaan Universitas Pembangunan Pancabudi Jl. Gatot Subroto Km. 4,5, Medan, Sumatra Utara, Indonesia andiesiahaan@gmail.com
Lebih terperinciOptimasi Fungsi Keanggotaan Fuzzy Menggunakan Algoritma Genetika Dalam Penentuan Kebutuhan Gizi Bayi MPASI
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 7, Juli 218, hlm. 276-2712 http://j-ptiik.ub.ac.id Optimasi Fungsi Keanggotaan Fuzzy Menggunakan Algoritma Genetika
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 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 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 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 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 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 terperinciOPTIMALISASI LAHAN TANAH UNTUK AREA RUMAH DAN JALAN MENGGUNAKAN ALGORITMA GENETIKA
Optimalisasi Lahan Tanah untuk Area Rumah dan Jalan... (Fadhil dkk.) OPTIMALISASI LAHAN TANAH UNTUK AREA RUMAH DAN JALAN MENGGUNAKAN ALGORITMA GENETIKA Luthfi Ahmad Fadhil *, Esmeralda C Djamal, Ridwan
Lebih terperinciSIMULASI OPTIMASI PENEMPATAN KAPASITOR MENGGUNAKAN LOGIKA FUZZY DAN ALGORITMA GENETIKA PADA SISTEM TEGANGAN MENENGAH REGION JAWA BARAT
SIMULASI OPTIMASI PENEMPATAN KAPASITOR MENGGUNAKAN LOGIKA FUZZY DAN ALGORITMA GENETIKA PADA SISTEM TEGANGAN MENENGAH REGION JAWA BARAT Gahara Nur Eka Putra NRP : 1022045 E-mail : bb.201smg@gmail.com ABSTRAK
Lebih terperinciBAB I PENDAHULUAN. Penjadwalan merupakan kegiatan yang harus dimiliki oleh setiap
BAB I PENDAHULUAN 1.1 Latar Belakang Penjadwalan merupakan kegiatan yang harus dimiliki oleh setiap orang untuk dapat membantu dalam melakukan aktivitasnya sehari-hari. Terlebih lagi sebuah instansi atau
Lebih terperinciMetode Tsukamoto untuk Mendiagnosa Penyakit Infeksi pada Manusia
Metode Tsukamoto untuk Mendiagnosa Penyakit Infeksi pada Manusia Irmalia Suryani Faradisa dan Putri Sari Jurusan Teknik Elektro, Institut Teknologi Nasional Malang E-mail: faradyza@gmail.com Abstrak Gejala
Lebih terperinciMariyati, M. Ahsar Karim, Oni Soesanto
DIAGNOSA PENYAKIT DEMAM BERDARAH DENGUE DENGAN PENDEKATAN FUZZY Mariyati, M. Ahsar Karim, Oni Soesanto Program StudiMatematikaFakultas MIPA ULM Jl. Jend. A. Yani km. 36 Banjarbaru Kalimantan Selatan 70714
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 terperinciPenerapan Algoritma Genetika dalam Job Shop Scheduling Problem
Penerapan Algoritma Genetika dalam Job Shop Scheduling Problem Haris Sriwindono Program Studi Ilmu Komputer Universitas Sanata Dharma Paingan, Maguwoharjo, Depok Sleman Yogyakarta, Telp. 0274-883037 haris@staff.usd.ac.id
Lebih 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 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 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 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 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 terperinciOPTIMASI FUZZY TSUKAMOTO DUA TAHAP MENGGUNAKAN ALGORITMA GENETIKA UNTUK SELEKSI CALON KARYAWAN (STUDI KASUS: Perusahaan Bio-2000)
OPTIMASI FUZZY TSUKAMOTO DUA TAHAP MENGGUNAKAN ALGORITMA GENETIKA UNTUK SELEKSI CALON KARYAWAN (STUDI KASUS: Perusahaan Bio-2000) SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Mencapai Gelar Strata
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 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 terperinciABSTRAK. Universitas Kristen Maranatha
ABSTRAK Dalam beberapa tahun terakhir ini, peranan algoritma genetika terutama untuk masalah optimisasi, berkembang dengan pesat. Masalah optimisasi ini beraneka ragam tergantung dari bidangnya. Dalam
Lebih terperinciOptimasi Penataan Barang pada Proses Distribusi Menggunakan Algoritme Evolution Strategies
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 5, Mei 2018, hlm. 1874-1882 http://j-ptiik.ub.ac.id Optimasi Penataan Barang pada Proses Distribusi Menggunakan Algoritme
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 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 terperinciPENERAPAN ALGORITMA GENETIKA UNTUK PENENTUAN BATASAN FUNGSI KENGGOTAAN FUZZY TSUKAMOTO PADA KASUS PERAMALAN PERMINTAAN BARANG
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol. 3, No. 3, September 2016, hlm. 169-173 PENERAPAN ALGORITMA GENETIKA UNTUK PENENTUAN BATASAN FUNGSI KENGGOTAAN FUZZY TSUKAMOTO PADA KASUS PERAMALAN
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 terperinciMODEL PENYELESAIAN JOB SHOP SCHEDULING PROBLEM MENGGUNAKAN METODE LOCAL SEARCH ALGORITHM DENGAN CROSS OVER
MODEL PENYELESAIAN JOB SHOP SCHEDULING PROBLEM MENGGUNAKAN METODE LOCAL SEARCH ALGORITHM DENGAN CROSS OVER Amiluddin Zahri Dosen Universtas Bina Darma Jalan Ahmad Yani No.3 Palembang Sur-el: amiluddin@binadarma.ac.id
Lebih terperinciOptimasi Fungsi Tanpa Kendala Menggunakan Algoritma Genetika Dengan Kromosom Biner dan Perbaikan Kromosom Hill-Climbing
Optimasi Fungsi Tanpa Kendala Menggunakan Algoritma Genetika Dengan Kromosom Biner dan Perbaikan Kromosom Hill-Climbing Wayan Firdaus Mahmudy, (wayanfm@ub.ac.id) Program Studi Ilmu Komputer, Universitas
Lebih terperinciPENERAPAN ALGORITMA GENETIK UNTUK OPTIMASI DENGAN MENGUNAKAN PENYELEKStAN RODA ROULETTE
PENERAPAN ALGORTMA GENETK UNTUK OPTMAS DENGAN MENGUNAKAN PENYELEKStAN RODA ROULETTE Samuel Lukas, M.Tech." Abstract The purpose of this paper is to introducing genetic algorithm. This algorithm is one
Lebih terperinciOPTIMALISASI PENJADWALAN ACARA TELEVISI SWASTA MENGGUNAKAN ALGORITMA GENETIKA
OPTIMALISASI PENJADWALAN ACARA TELEVISI SWASTA MENGGUNAKAN ALGORITMA GENETIKA Aek Mustofa *, Esmeralda C Djamal, Agus Komarudin Jurusan Informatika, Fakultas MIPA, Universitas Jenderal Achmad Yani Jl.
Lebih terperinciPenerapan Adaptive Genetic Algorithm dengan Fuzzy Logic Controller pada Capacitated Vehicle Routing Problem
Penerapan Adaptive Genetic Algorithm dengan Fuzzy Logic Controller pada Capacitated Vehicle Routing Problem Tri Kusnandi Fazarudin 1, Rasyid Kurniawan 2, Mahmud Dwi Sulistiyo 3 1,2 Prodi S1 Teknik Informatika,
Lebih terperinciPERBANDINGAN ALGORITMA EXHAUSTIVE, ALGORITMA GENETIKA DAN ALGORITMA JARINGAN SYARAF TIRUAN HOPFIELD UNTUK PENCARIAN RUTE TERPENDEK
PERBANDINGAN ALGORITMA EXHAUSTIVE, ALGORITMA GENETIKA DAN ALGORITMA JARINGAN SYARAF TIRUAN HOPFIELD UNTUK PENCARIAN RUTE TERPENDEK Rudy Adipranata 1) Felicia Soedjianto 2) Wahyudi Tjondro Teknik Informatika,
Lebih 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 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 terperinciSIMULASI PENGENDALIAN KECEPATAN MOBIL OTOMATIS MENGGUNAKAN LOGIKA FUZZY DAN ALGORITMA GENETIKA
SIMULASI PENGENDALIAN KECEPATAN MOBIL OTOMATIS MENGGUNAKAN LOGIKA FUZZY DAN ALGORITMA GENETIKA Helmy Thendean, M.Kom 1) Albert, S.Kom 2) Dra.Chairisni Lubis, M.Kom 3) 1) Program Studi Teknik Informatika,Universitas
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 terperinci2/22/2017 IDE DASAR PENGANTAR SISTEM PAKAR MODEL SISTEM PAKAR APLIKASI KECERDASAN BUATAN
APLIKASI KECERDASAN BUATAN PENGANTAR SISTEM PAKAR Shinta P. Sari Prodi. Informatika Fasilkom UIGM, 2017 Definisi : Sebuah program komputer yang dirancang untuk memodelkan kemampuan menyelesaikan masalah
Lebih terperinciTeam project 2017 Dony Pratidana S. Hum Bima Agus Setyawan S. IIP
Hak cipta dan penggunaan kembali: Lisensi ini mengizinkan setiap orang untuk menggubah, memperbaiki, dan membuat ciptaan turunan bukan untuk kepentingan komersial, selama anda mencantumkan nama penulis
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 terperinciOPTIMASI PENEMPATAN KAPASITOR PADA SALURAN DISTRIBUSI 20 kv DENGAN MENGGUNAKAN METODE KOMBINASI FUZZY DAN ALGORITMA GENETIKA
OPTIMASI PENEMPATAN KAPASITOR PADA SALURAN DISTRIBUSI 20 kv DENGAN MENGGUNAKAN METODE KOMBINASI FUZZY DAN ALGORITMA GENETIKA I Made Wartana, Mimien Mustikawati Program Studi Teknik Elektro, Fakultas Teknologi
Lebih terperinciBAB IV GAMBARAN UMUM OBJEK PENELITIAN. dan E (jarang) sering muncul sebagai kejadian luar biasa, ditularkan secara fecal
BAB IV GAMBARAN UMUM OBJEK PENELITIAN 4.1 Penyakit Hepatitis Penyakit Hepatitis merupakan masalah kesehatan masyarakat di dunia termasuk di Indonesia, yang terdiri dari Hepatitis A, B, C, D, dan E. Hepatitis
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 terperinciAsri Maspupah Jurusan Informatika, Fakultas MIPA Universitas Jenderal Achmad Yani Jl. Terusan Sudirman, Cimahi
Perbandingan Jumlah Pinalti Alokasi Task pada Penjadwalan Kerja dengan Perhitungan Manual dan Algoritma Genetika Asri Maspupah Jurusan Informatika, Fakultas MIPA Universitas Jenderal Achmad Yani Jl. Terusan
Lebih terperinciPREDIKSI PERMINTAAN PRODUK MIE INSTAN DENGAN METODE FUZZY TAKAGI-SUGENO
PREDIKSI PERMINTAAN PRODUK MIE INSTAN DENGAN METODE FUZZY TAKAGI-SUGENO Ahmad Bahroini 1, Andi Farmadi 2, Radityo Adi Nugroho 3 1,2,3Prodi Ilmu Komputer FMIPA UNLAM Jl. A. Yani Km 36 Banjarbaru, Kalimantan
Lebih terperinciPERANCANGAN APLIKASI PENJADWALAN TRAVELING SALESMAN PROBLEM DENGAN ALGORITMA GENETIKA
PERANCANGAN APLIKASI PENJADWALAN TRAVELING SALESMAN PROBLEM DENGAN ALGORITMA GENETIKA Hendy Tannady; Andrew Verrayo Limas Industrial Engineering Department, Faculty of Engineering, Binus University Jl.
Lebih 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 terperinciSISTEM PAKAR DIAGNOSIS AWAL PENYAKIT KAMBING MENGGUNAKAN FUZZY INFERENCE TSUKAMOTO
SISTEM PAKAR DIAGNOSIS AWAL PENYAKIT KAMBING MENGGUNAKAN FUZZY INFERENCE TSUKAMOTO Sella Dwi Ovie Dityanto 1, Ariadi Retno Tri Hayati Ririd 2, Rosa Andrie Asmara 3 1,2 Program Studi Teknik Informatika,
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 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 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 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 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 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 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 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 terperinciPerbandingan Algoritma Exhaustive, Algoritma Genetika Dan Algoritma Jaringan Syaraf Tiruan Hopfield Untuk Pencarian Rute Terpendek
Perbandingan Algoritma Exhaustive, Algoritma Genetika Dan Algoritma Jaringan Syaraf Tiruan Hopfield Untuk Pencarian Rute Terpendek Rudy Adipranata 1, Felicia Soedjianto 2, Wahyudi Tjondro Teknik Informatika,
Lebih 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 terperinciAPLIKASI ALGORITMA GENETIKA UNTUK PENENTUAN TATA LETAK MESIN
APLIKASI ALGORITMA GENETIKA UNTUK PENENTUAN TATA LETAK MESIN Hari Purnomo, Sri Kusumadewi Teknik Industri, Teknik Informatika Universitas Islam Indonesia Jl. Kaliurang Km 4,5 Yogyakarta ha_purnomo@fti.uii.ac.id,
Lebih terperinciOPTIMALISASI PENEMPATAN DOSEN PEMBIMBING DAN PENJADWALAN SEMINAR TUGAS AKHIR MENGGUNAKAN ALGORITMA GENETIKA
OPTIMALISASI PENEMPATAN DOSEN PEMBIMBING DAN PENJADWALAN SEMINAR TUGAS AKHIR MENGGUNAKAN ALGORITMA GENETIKA Nendi Purwana 1, Esmeralda C. Djamal 2, Faiza Renaldi 3 Jurusan Informatika, Fakultas MIPA Universitas
Lebih terperinciProsiding Matematika ISSN:
Prosiding Matematika ISSN: 2460-6464 Representasi Matriks untuk Proses Crossover Pada Algoritma Genetika untuk Optimasi Travelling Salesman Problem Matrix Representation for The Crossover on Genetic Algorithm
Lebih terperinciJurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 9, September 2018, hlm. 2957-2964 http://j-ptiik.ub.ac.id Optimasi Batasan Fungsi Keanggotaan Fuzzy Tsukamoto Menggunakan
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 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 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 terperinciAnalisis Aplikasi Algoritma Genetika Untuk Pencarian Nilai Fungsi Maksimum Djunaedi Kosasih 1) Rinaldo 2)
Analisis Aplikasi Algoritma Genetika Untuk Pencarian Nilai Fungsi Maksimum Djunaedi Kosasih 1) Rinaldo 2) Abstrak Algoritma genetika yang pertama kali diperkenalkan secara terpisah oleh Holland dan De
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 Cluster Pada Fuzzy C-Means Menggunakan Algoritma Genetika Untuk Menentukan Nilai Akhir
IJCCS, Vol.6, No.1, January 2012, pp. 101~110 ISSN: 1978-1520 101 Optimasi Cluster Pada Fuzzy C-Means Menggunakan Algoritma Genetika Untuk Menentukan Nilai Akhir Putri Elfa Mas`udia* 1, Retantyo Wardoyo
Lebih 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 terperinci