Implementasi Algoritma Genetika Untuk Penjadwalan Customer Service (Studi Kasus: Biro Perjalanan Kangoroo)
|
|
- Yohanes Pranoto
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X Vol., No. 6, Juni 207, hlm Implementasi Algoritma Genetika Untuk Penjadwalan Customer Service (Studi Kasus: Biro Perjalanan Kangoroo) Chusnah Puteri Damayanti, Rekyan Regasari Madi Putri 2, Mochammad Ali Fauzi 3 Program Studi Teknik Informatika, chusnapd@gmail.com, 2 rekyan.rmp@ub.ac.id, 3 moch.ali.fauzi@gmail.com Abstrak Karena kebutuhan akan transportasi yang tinggi dari masyarakat, biro perjalanan atau travel harus siap siaga melayani masyarakat. Pada travel dibutuhkan karyawan yang harus sedia untuk melayani pelanggan disebut customer service. Customer service harus memberikan informasi yang tepat, akurat dan cepat kepada pelanggan. Pada Travel Kangoroo yang memiliki lebih dari 300 armada, memiliki dua lokasi kantor yaitu pusat dan cabang serta jam operasional yang panjang membutuhkan customer service yang sedia melayani pelanggan. Serta terdapat berbagai aturan yang harus dipenuhi untuk membuat penjadwalan customer service. Sehingga, pada penelitian ini permasalahan penjadwalan diselesaikan dengan menggunakan algoritma genetika. Algoritma genetika mampu menyelesaikan permasalahan yang kompleks dan memiliki cakupan luas. Melalui pengujian yang telah dilakukan, diperoleh parameter terbaik yang menghasilkan nilai fitness paling optimal dengan ukuran populasi sebesar 0, ukuran generasi 0 dan perbandingan crossover rate dan mutation rate 0.7:0.3. Dengan menggunakan parameter tersebut, penjadwalan customer service memiliki hasil yang optimal walaupun masih ada pelanggaran yang terjadi dengan waktu komputasi yang lebih singkat dibandingkan dengan manual. Kata Kunci: biro perjalanan, penjadwalan, customer service, algoritma genetika, crossover, mutation Abstract Due to the high demand of public transport, travel agency must be ready to serve the citizen. Travel need to be ready to serve the customer; called customer service. Customer service should provide information that is precise, accurate and fast to customers. At Travel Kangaroo which owns more than 300 fleet, has two locations namely central office and branches as well as long operating hours, a responsive customer service needed to serve the customers There are various rules that must be fulfilled in making the schedule of customer service too. Thus, in this study scheduling problems solved using genetic algorithms. Genetic algorithms can solve a complex problem as well as it has wide scope. Through the examination, it was obtained the best parameters that produce the most optimal fitness value with a population size of 0, 0 and comparison generation size crossover rate and mutation rate of 0.7: 0.3. By using these parameters, scheduling customer service have optimal results, although there are violations that occur with shorter computation time compared with the manual. Keywords: travel, scheduling, customer service, genetic algorithm, crossover, mutation. PENDAHULUAN Penjadwalan didefinisikan sebagai rencana pengaturan urutan kerja serta pengalokasian sumber, baik waktu maupun fasilitas untuk setiap operasi yang harus diselesaikan (Vollman, 998). Penjadwalan secara manual masih umum dilakukan saat ini. Hal tersebut dirasa sulit dilakukan dan dapat memakan waktu yang cukup lama serta tingkat kesalahan yang dapat terjadi pun cukup besar. Biro perjalanan atau travel membutuhkan penjadwalan dalam mengatur jam kerja karyawan karena kebutuhan akan transportasi yang tinggi. Untuk mengantisipasi hal tersebut, tentunya harus ada karyawan yang selalu ada untuk berhubungan langsung dengan pelanggan, yaitu Customer service. Customer service harus mampu memberikan informasi yang dibutuhkan pelanggan secepatnya, dan informasi yang diberikan harus benar, tepat, dan cepat sehingga customer akan merasa puas (Yunarto, 2006). Fakultas Ilmu Komputer Universitas Brawijaya 456
2 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 457 Pada penelitian ini, penjadwalan customer service dibuat per 30 hari kerja dimana hari sabtu, minggu dan hari libur termasuk hari kerja. Setiap karyawan memiliki susunan satu hari libur dan empat hari kerja dan minimal memiliki istirahat selama 8 jam setiap harinya. Terdapat dua lokasi kantor yaitu cabang dan pusat. Pembagian jam kerja karyawan pada kantor pusat dibagi menjadi tiga shift yaitu pagi, siang dan malam. Dimana, karyawan perempuan tidak boleh ada di shift malam. Seluruh karyawan harus memiliki jumlah jam kerja yang sama selama satu bulan dan jadwal tidak boleh saling bertabrakan satu sama lain. Dikarenakan kesulitan memenuhi aturan-aturan tersebut, peneliti bersama dengan PT Cybersama Technology, akan membuat implementasi algoritma genetika untuk penjadwalan customer service. Algoritma genetika telah sukses diterapkan pada berbagai masalah kombinatorial, seperti perencanaan dan penjadwalan produksi pada industri manufaktur (Mahmudy, Marian & Luong 202b, 203b, 203e). Algoritma genetika dapat menghasilkan solusi mendekati optimum yang dilakukan dalam waktu singkat dan dapat diterima secara mudah dalam menyelesaikan masalah, meskipun tidak dihasilkan solusi yang paling optimum. Tujuan dari penelitian ini yaitu: mengimplementasikan algoritma genetika dalam penjadwalan customer service pada bidang travel, mengidentifikasi tingkat efektifitas yang dalam hal ini nilai fitness terbaik yang dihasilkan dalam implementasi algoritma genetika untuk penjadwalan customer service, dan mengetahui efisiensi waktu dalam penjadwalan customer service dengan algoritma genetika dibandingkan dengan cara manual. Penelitian ini melakukan pembuatan jadwal untuk customer service dengan harapan akan memberikan efektifitas dalam melakukan pekerjaannya. Dengan algortima genetika, dapat mengurangi kesalahan-kesalahan yang dapat terjadi dalam penjadwalan serta memangkas waktu yang dibutuhkan untuk membuat jadwal kerja dari pembuatan jadwal secara manual. Sehingga, dapat meningkatkan efisiensi pekerjaan customer service. Langkah-langkah yang dilakukan dalam pembuatan penelitian atau metodologi yang digunakan penulis penelitian terdiri dari studi literatur, analisis kebutuhan, pengumpulan data, perancangan sistem, implementasi sistem, pengujian sistem, analisis hasil dan terakhir penarikan kesimpulan. Data dalam skripsi ini didapatkan dari PT Cybersama Technology melalui wawancara dan studi dokumen yang diberikan. 2. ALGORITMA GENETIKA Algoritma genetika adalah algoritma optimasi numerik yang terinspirasi dari seleksi natural dan genetika natural (Coley, 999). Terdapat beberapa tahapan dari algoritma genetika yaitu:. Inisialisasi Kromosom Inisialisasi dilakukan untuk membangkitkan himpunan solusi baru secara acak/random yang terdiri atas sejumlah string chromosome dan ditempatkan pada pen ampungan yang disebut populasi (Mahmudy, 205). Representasi kromosom dapat menggunakan bilangan biner, bilangan integer, real coded, maupun permutasi. 2. Crossover Crossover merupakan operasi yang bekerja untuk menggabungkan 2 kromosom induk menjadi kromosom baru. Jumlah solusi jadwal yang mengalami crossover ditentukan oleh parameter crossover rate. Metode crossover yang paling umum digunakan adalah metode one-cut-point, yang secara acak memilih satu titik potong dan menukarkan bagian kanan dari tiap induk untuk menghasilkan offspring (Mahmudy, 205). 3. Mutasi Mutasi dilakukan dengan memilih satu induk secara acak dari populasi. Metode mutasi yang digunakan adalah dengan memilih satu titik acak kemudian mengubah nilai gen pada titik tersebut. Metode mutasi yang paling sederhana adalah reciprocal exchange mutation. Metode ini bekerja dengan memilih dua posisi (exchange point / XP) secara random kemudian menukarkan nilai pada posisi tersebut (Mahmudy, 205). Selain itu juga terdapat metode insertion exchange mutation. 4. Evaluasi Evaluasi adalah fungsi yang digunakan untuk mengetahui ketahanan kromosom masih pantas diteruskan eksistensinya (Tyas, Rahman, & Dewi, 203). Setelah itu dihitung nilai fitness yang merepresentasikan nilai suatu inidividu.
3 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 458 Semakin besar nilai fitness maka semakin baik individu tersebut. 5. Seleksi Proses terakhir dalam algoritma genetika adalah seleksi yaitu memilih individuindivide terbaik berdasarkan nilai fitness yang telah dihasilkan. Metode seleksi ada metode seleksi elitism, binary tournament dan roulette wheel selection. 3. ATURAN PENJADWALAN Terdapat 5 constraint atau pelanggaran yang harus dipenuhi dalam proses evaluasi implementasi algoritma genetika untuk penjadwalan customer service seperti yang ditunjukkan oleh Tabel. Pada sample uji yang digunakan pada penelitian ini digunakan 0 customer service dengan ID A, B, C, E, F, G, H, I, J. Lokasi dan shift dari penjadwalan customer service biro perjalanan Kangoroo ditunjukkan oleh Tabel 2. Tabel Aturan Penjadwalan No. Kode Constraint Bobot P Setiap Customer service tidak boleh berjaga lebih dari satu shift dalam satu hari. 2 P2 Customer service perempuan tidak boleh memiliki shift malam. 3 P3 Customer service harus memiliki istirahat minimal 8 jam, yang artinya tidak boleh memiliki shift malam lalu langsung shift pagi di hari berikutnya di kantor pusat maupun cabang. 4 P4 Jumlah jam kerja setiap customer service sama sesuai dengan jumlah pembagian tiap shift yang telah ditentukan. 5 P5 Aturan hari kerja No. setiap customer service adalah 4 hari kerja dan hari libur secara berturut-turut. Tabel 2 Lokasi dan Shift Penjadwalan Lokasi Pusat 2 Caban g Shift Pagi Siang Mala m Pagi Siang Jam Penjagaa n 05:00-3:00 2:00-20:00 20:00-04:00 05:00-3:00 2:00-20:00 4. PROSES MANUALISASI 4. Inisialisasi Kromosom Jumlah Custome r service Berjaga Ukuran populasi atau popsize yang telah ditentukan dalam proses manualisasi ini adalah 3 individu. Pada proses manualisasi ini satu kromosom terdiri dari 240 gen yang didapat dari representasi jumlah hari dikalikan dengan jumlah shift pada kantor pusat yaitu 3 shift dengan terdapat 2 customer service yang berjaga pada tiap shiftnya, dan jumlah shift pada kantor cabang yaitu 2 shift dengan masing-masing customer service yang berjaga pada setiap shiftnya. Kromosom yang terbentuk dibuat memanjang ke samping. Nilai gen yang diisikan pada setiap slot gen pada suatu kromosom adalah ID dari customer service. ID customer service diperoleh dengan mengacak nilai indeks dari urutan ID customer service Hari Lokasi Pus Cab Pus Cab Pus Cab Pus Cab Shift P P S S M M P S P P S S M M P S P P S S M M P S P P S S M M P S CS A C F J D E B H G A D I D C B F H D A B I J C E B I A D J H E F Gambar Inisialisai Kromosom Inisialisasi kromosom yang telah terbentuk yaitu sebanyak 3 individu ditunjukkan oleh tabel 3, 4 dan
4 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 459 Tabel 3 Inisialisasi Kromosom Individu PARENT PAGI C B C I G B J I A D G E J F PUSAT SIANG E J C C D D D G C C I F J B MALAM E G A G A I H I F A B I C D PAGI J D A F A B C SIANG D A D G A C J Tabel 4 Inisialisasi Kromosom Individu 2 PARENT PAGI J D G I F H C I D E A I A D PUSAT SIANG D J J I D D F H F J G C H G MALAM H B G I H G G D J I G J I C PAGI J B I C C G I SIANG B D H J B B J Tabel 5 Inisialisasi Kromosom Individu 3 PARENT PAGI I F I I E E J E I C G J C I PUSAT SIANG F J B H E H A D I G C D C B MALAM I D E A B D B F E E C J D H PAGI E D H F B J G SIANG D I A J H A H 4.2. Crossover Metode crossover yang digunakan dalam penelitian ini adalah one cut point crossover. Pada proses manualisasi ini dipilih parent dan parent2 untuk melakukan crossover. Titik potong dari one cut point crossover adalah titik ke 28. P C I E G E I J D B A J C G F D A C D C C A A A D I G C I G B F G G E D F A I A A B J D J I C B C J F D B H D C J P2 J I D H H D J B D D J F B J B D G E J J G I I H I A I G I G C J F I D C H J C B H A D H G I G B C D F G G C I J C C I E G E I J D B A J C G F D A C D C C A A A D I G C I I G C J F I D C H J C B H A D H G I G B C D F G G C I J C2 J I D H H D J B D D J F B J B D G E J J G I I H I A I G G B F G G E D F A I A A B J D J I C B C J F D B H D C J 4.3. Mutasi Gambar 2 Proses Crossover Mutasi merupakan proses pengubahan gen keturunan secara random. Dalam penjadwalan customer service ini digunakan metode mutasi reciprocal exvhange mutation yaitu dengan memilih dua posisi (exchange point /XP) customer service dalam gen tertentu secara random kemudia nilainya saling ditukarkan pada posisi tersebut. Dalam proses manualisasi ini di tentukan parent 3 sebagai induk untuk melakukan mutasi. Dikarenakan offspring atau jumlah anak adalah 2 maka dipilih parent sebagai induk kedua, dengan titik tukar titik 20 dan 42. P3 I E F D I F E D F I J I D E D I I C B G E E H A I G H C A C F J E J E D B J B H E C H C D D J A J I A B B H G H M I E F D I F E D F I J I D E D I I C B C E E H A I G H C A C F J E J E D B J B H E G H C D D J A J I A B B H G H 4.4. Cek Constraint P Gambar 3 Proses Mutasi P C I E G E I J D B A J C G F D A C D C C A A A D I G C I G B F G G E D F A I A A B J D J I C B C J F D B H D C J M2 C I E G E I J D B A J C G F D A C D C J A A A D I G C I G B F G G E D F A I A A B C D J I C B C J F D B H D C J Gambar 4 Proses Mutasi Pengecekan dilakukan dengan menghitung kemunculan setiap kode karyawan persatu hari. Jika kode customer service muncul lebih dari satu kali dalam satu hari maka dinilai sebagai penalti yang bernilai. LOKASI 2 3 P C P C P C P C SHIFT P P S S M M PC SC P P S S M M PC SC P P S S M M PC SC P P S S M M PC SC PEG C I E G E I J D B A J C G F D A C D C C A A A D I G C I G B F G LOKASI P C P C P C SHIFT P P S S M M PC SC P P S S M M PC SC P P S S M M PC SC PEG G E D F A I A A B J D J I C B C J F D B H D C J Gambar 5 Cek Constraint P Kotak yang berwarna merah menunjukkan penalty yang dilakukan oleh suatu kode customer service. Jadi pelanggaran P berjumlah Cek Constraint P2 Constraint P2 adalah setiap customer service perempuan tidak boleh memiliki shift malam. Batasan kedua ini dihitung dari jumlah shift malam customer service perempuan dalam satu jadwal LOKASI P C P C P C P C SHIFT P P S S M M PC SC P P S S M M PC SC P P S S M M PC SC P P S S M M PC SC PEG C I E G E I J D B A J C G F D A C D C C A A A D I G C I G B F G LOKASI P C P C P C SHIFT P P S S M M PC SC P P S S M M PC SC P P S S M M PC SC PEG G E D F A I A A B J D J I C B C J F D B H D C J Gambar 6 Cek Constraint P2 Kode berwarna biru menunjukkan customer service perempuan yang ada di shift malam. Jumlah penalti P2 adalah 7. 4
5 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Cek Constraint P3 Constraint P3 adalah setiap customer service harus memiliki istirahat minimal 8 jam. Pengecekan constraint ini dilakukan dengan mengecek kode yang berjaga shift pagi pada hari ini baik di lokasi pusat maupun cabang apakah sama dengan kode yang berjaga di shift malam hari sebelumnya. LOKASI SHIFT P P S S M M PC SC P P S S M M PC SC P P S S M M PC SC P P S S M M PC SC PEG C I E G E I J D B A J C G F D A C D C C A A A D I G C I G B F G LOKASI SHIFT P P S S M M PC SC P P S S M M PC SC P P S S M M PC SC PEG G E D F A I A A B J D J I C B C J F D B H D C J Gambar 7 Cek Constraint P3 Kode berwarna kuning menunjukkan pelanggaran yang terjadi. Jadi jumlah pelanggaran P3 adalah Cek Constraint P4 Batasan P4 adalah jumlah jam kerja setiap customer service sama sesuai dengan jumlah pembagian tiap shift yang telah ditentukan. Jumlah hari kerja dan pembagian shift setiap karyawan harus sesuai dengan yang telah ditentukan. JUMLAH TIAP SHIFT PENGEC EKAN KESESUA IAN JUMLAH TIAP SHIFT PENGEC EKAN KESESUA IAN P C P C P C P C P C P C P C LOKASI PUSAT PUSAT LOKASI PUSAT PUSAT PEGAWAI SHIFT A B C D E P S M P S P S M P S P PEGAWAI SHIFT F G H I J P S M P S P S M P S P Gambar 8 Cek Constraint P4 Pelanggaran P4 berjumlah 36 dikarenakan terdapat 36 pelanggaran yang terjadi pada setiap shift di setiap customer service. Adapun jumlah pembagian kerja pada proses manualisasi ini untuk karyawan laki-laki shift pagi lokasi pusat adalah 2 hari, shift siang lokasi pusat adalah 2 hari, shift malam lokasi pusat adalah 2 hari, shift pagi lokasi cabang adalah 0 hari, dan shift siang lokasi cabang adalah 0 hari. Sedangkan untuk customer service perempuan adalah shift pagi lokasi pusat adalah 2 hari, shift siang lokasi pusat adalah 2 hari, shift malam lokasi pusat adalah 0 hari, shift pagi lokasi cabang adalah hari, dan shift siang lokasi cabang adalah hari Cek Constraint P5 Constraint P5 adalah aturan hari kerja setiap customer service adalah 4 hari kerja dan hari libur secara berturut-turut. Sehingga telah ditentukan hari libur dari setiap karyawan. Jika seharusnya karywan tersebut libur di hari itu dan dia ada jadwal berjaga, maka akan dihitung sebagai penalti. PEGAWAI A B C D E F G H I J Gambar 9 Cek Constraint P5 Terdapat pelanggran yang dilakukan oleh pegawai B sebanyak 2, pegawai C sebanyak, pegawai E sebanyak, pegawai G sebanyak satu dan pegawai I sebanyak sehingga jumlah pelanggaran constraint P7 adalah Perhitungan Fitness Nilai kebugaran atau fitness dalam algoritma genetika menunjukkan seberapa optimal hasil individu yang dihasilkan. Semakin besar fitness semakin baik hasil yang terbentuk. Perhitungan nilai fitness pada penelitian ini menggunakan persamaan fitness = () fitness = +penalti +(0.005 P P P P P5) = + (( ) + ( ) + ( ) + ( ) + ( )) =.325 = Seleksi Metode seleksi yang digunakan dalam penelitian ini adalah elitism selection. Elitism selection yaitu mengumpulkan seluruh parent dan offspring hasil crossover dan mutasi menjadi satu, lalu dari seluruhnya dipilih yang
6 Nilai Fitness Waktu (detik) Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 46 bernilai fitness paling besar sesuai jumlah populasi yang ditentukan. Tabel 6 Nilai Fitness yang Dihasilkan Individu Fitness P P P C C M M Setelah melewati proses sebanyak 2 generasi hasil seleksi diperlihatkan pada tabel 7. Tabel 7 Hasil Seleksi Individu Awal Fitness P P P2 P P3 M PENGUJIAN DAN HASIL 5.. Pengujian Berdasarkan Ukuran Populasi Pengujian implementasi algoritma genetika untuk penjadwalan customer service berdasarkan ukuran populasi bertujuan untuk mengetahui nilai fitness yang paling optimal yang dapat dilakukan oleh sistem. Pengujian ukuran populasi dilakukan dengan membuat ukuran populasi kelipatan 0 dari ukutran populasi 0 hingga 30. Pengujian berdasarkan ukuran populasi dilakukan pada ukuran generasi 0, crossover rate 0.5 dan mutation rate 0.5. Masing-masing ukuran populasi diuji sebanyak 5 kali. 0,59 0,58 0,57 0,56 0,55 0, Ukuran Populasi Ukuran Populasi Gambar Rata-rata Waktu Pengujian Berdasarkan Ukuran Populasi Dari Gambar 0 dan dapat dilihat bahwa ukuran populasi dengan hasil nilai fitness paling optimal dengan rata-rata sebesar dengan ukuran populasi 0. Setelah ukuran populasi 0 saat pengujian dilanjutkan, terjadi penurunan nilai fitness dan nilai fitness yang dihasilkan selanjutnya bertambah tetapi tidak secara signifikan. Pada umumnya, semakin tinggi ukuran populasi maka berpengauh terhadap rata-rata nilai fitness yang didapatkan namun semakin tinggi ukuran populasi juga berpengaruh pada waktu pemrosesan algoritma genetika yang semakin lama (Suprayogi, dkk, 205). Namun pada kasus ini, semakin besar nilai ukuran populasi belum tentu akan menghasilkan nilai fitness yang lebih optimal. Hal tersebut dikarenakan inisialisasi awal kromosom pada algoritma genetika dilakukan secara acak Pengujian Berdasarkan Ukuran Generasi Pengujian berdasarkan ukuran generasi dilakukan untuk mengetahui nilai ukuran generasi yang akan menghasilkan nilai fitness paling optimal. Parameter yang digunakan yaitu ukuran populasi hasil dari pengujian berdasarkan ukuran populasi yang telah dilakukan sebelumnya yaitu sebesar 0 dengan crossover rate 0.5 dan mutation rate 0.5. Ukuran generasi pada pengujian berdasarkan ukuran generasi 0 hingga 30 dengan kelipatan 0. Masing-masing dari ukuran generasi tersebut dilakukan pengujian sebanyak 5 kali. Gambar 0 Rata-rata Nilai Fitness Pengujian Berdasarkan Ukuran Populasi
7 Waktu (detik) Waktu (detik) nilai fitness Nilai Fitness Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 462 0,7 0,65 0,6 0,55 0,5 Gambar 2 Rata-rata Nilai Fitness Pengujian Berdasarkan Ukuran Generasi Ukuran Generasi Ukuran Generasi Gambar 3 Rata-rata Waktu Pengujian Berdasarkan Ukuran Generasi Ukuran generasi 0 menghasilkan nilai fitness paling baik yaitu Nilai fitness yang dihasilkan dari pengujian ini mengalami kenaikan seiring dengan bertambahnya ukuran generasi. Dari hasil pengujian berdasarkan ukuran generasi ini dapat disimpulkan jika jumlah generasi terlalu sedikit maka area pencarian algoritma semakin sempit sehingga solusinya kurang optimal. Sebaliknya jika semakin banyak generasi maka semakin besar waktu komputasinya dan belum tentu menghasilkan solusi yang lebih optimal (Mahmudy, 203) Pengujian Berdasarkan Perbandingan Crossover rate dan Mutation Rate Pengujian berdasarkan perbandingan Crossover Rate dan Mutation Rate dilakukan untuk mengetahui nilai perbandingan antara crossover rate dengan mutation rate yang akan menghasilkan nilai fitness paling optimal. Parameter yang digunakan yaitu ukuran populasi dan ukuran generasi dengan hasil yang paling optimal dari pengujian yang telah dilakukan sebelumnya yaitu ukuran populasi sebesar 0 dan ukuran generasi sebesar 0. Perbandingan crossover rate dan mutation rate pada pengujian ini yaitu 0.:0.9, 0.2:0.8, 0.7:0.3, 0.6:0.4, 0.5:0.5, 0.4:0.6, 0.3:0.7, 0.2:0.8, dan 0.:0.9. Masingmasing dari perbandingan crossover rate dan mutation rate tersebut dilakukan pengujian sebanyak 5 kali. 0,8 0,6 0,4 0,2 0 Gambar 4 Rata-rata Nilai Fitness Pengujian Berdasarkan Perbandingan Crossover Rate dan Mutation Rate Crossover Rate : Mutation Rate Crossover Rate : Mutation Rate Gambar 5 Rata-rata Waktu Pengujian Berdasarkan Perbandingan Crossover Rate dan Mutation Rate Rata-rata nilai fitness terbesar yang dapat dihasilkan implementasi penjadwalan customer service dengan menggunakan algoritma genetika sebesar dengan perbandingan crossover rate dan mutation rate sebesar 0.7:0.3. Hasil dari pengujian ini menunjukkan bahwa semakin besar nilai crossover rate dibandingkan dengan mutation rate maka nilai fitness akan semakin besar. Sebaliknya jika perbandingan mutation rate lebih besar dibandingkan crossover rate maka nilai fitness akan semakin kecil. Hal tersebut dikarenakan proses crossover menghasilkan anak yang lebih bervariasi dari induk sehingga memungkinkan hasil yang lebih baik. Selain itu, penggunaan metode reciprocal exchange mutation menghasilkan anak yang hampir mirip dengan induk sehingga nilai fitness yang dihasilkan cenderung tidak berubah secara signifikan begitupun anak yang dihasilkan akan hampir sama dengan induknya. Tetapi pada pengujian ini, crossover rate yang terlalu besar juga belum tentu menghasilkan nilai fitness yang bertambah
8 Nilai Fitness Waktu (detik) Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 463 secara signifikan. Hasil pengujian terbaik didapatkan pada ukuran populasi 0, ukuran generasi 0 dan perbandingan crossover rate dan mutation rate 0.7:0.3. Nilai fitness terbaik sebesar dengan masih terdapat pinalti yang dilanggar. Pelanggaran pinalti sebesar 29, pelanggaran pinalti 2 sebesar 6, pelanggaran pinalti 3 sebesar 4, pelanggaran pinalti 4 sebesar 28 dan pelanggaran pinalti 5 sebesar Pengujian Perbaikan Bobot Dikarenakan hasil yang belum optimal pada pengujian sebelumnya, maka peneliti memutuskan untuk melakukan optimasi. Optimasi yang dilakukan oleh peneliti secara manual dengan cara mengubah nilai bobot fitness pada pelanggaran yang terjadi. Bobot pelanggaran ke 3 dan ke 4 diubah menjadi 0.00 yang sebelumnya bernilai Sedangkan untuk bobot pinalti, 2, dan 5 tetap dibiarkan Pada pengujian perbaikan bobot ini parameter yang digunakan adalah hasil dari pengujian yang telah dilakukan sebelumnya yaitu ukuran populasi 0, ukuran generasi 0 dan perbandingan crossover rate dan mutation rate sebesar 0.7:0.3. pengujian dilakukan sebanyak 5 kali dengan parameter yang sama. Hasil pengujian terbaik didapatkan pada ukuran populasi 0, ukuran generasi 0 dan perbandingan crossover rate dan mutation rate 0.7:0.3. Nilai fitness terbaik sebesar dengan masih terdapat pinalti yang dilanggar. Pelanggaran pinalti sebesar 28, pelanggaran pinalti 2 sebesar 0, pelanggaran pinalti 3 sebesar 4, pelanggaran pinalti 4 sebesar 38 dan pelanggaran pinalti 5 sebesar 5. 0,83 0,82 0,8 0,8 0,79 0, Percobaan ke- Gambar 6 Grafik Nilai Fitness Pengujian Perbaikan Bobot Gambar 7 Grafik Waktu Pengujian Perbaikan Bobot 5.5. Pengujian Pengaruh Konvergensi Pengujian pengaruh konvergensi dilakukan pada perubahan bobot dengan parameter tebaik yaitu ukuran populasi 0, ukuran generasi 0 dan perbandingan crossover rate dan mutation rate 0.7:0.3. Titik ukuran generasi yang dianggap sebagai dimulainya titik konvergen adala 70% dari 0 yaitu titik 77. Sehingga pada generasi ke 77 dan setelahnya akan diberlakukan konvergensi saat selisih nilai fitness kurang dari atau sama dengan nilai fitness sebelumnya. Dari pengujian yang telah dilakukan didapatkan pada saat generasi ke 77 algorima genetika untuk penjadwalan customer service telah mengalami konvergensi dengan nilai fitness yang sama seperti generasi sebelumnya yaitu sebesar dengan pelanggaran pinalti sebesar 29, pinalti 2 sebesar 5, pinalti 3 sebesar 4, pinalti 4 sebesar 40 dan pinalti 5 sebesar Pengujian Waktu Percobaan ke- Kita anggap bahwa 3 hari pembuatan jadwal hanya dilakukan pada jam kerja karyawan yaitu dari pukul hingga pukul 7.00 yaitu 9 jam dikalikan 3 hari menjadi detik, akan dihitung presentase waktu program untuk membuat jadwal dibandingkan denganmanual. Rumus pengujian waktu sebagai berikut: presentasewaktu = 00 waktusistem (2) waktumanual Untuk hasil pengujian tanpa perbaikan bobot diambil nilai rata-rata waktu dengan nilai fitness yang menghasilkan rata-rata nilai fitness terbaik yaitu detik. Sehingga perhitungan presentase waktu menghasilkan sebagai berikut: presentase waktu = 00 x
9 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 464 presentase waktu = 3.4 % Sedangkan untuk presentase waktu yang dibutuhkan program dengan dilakukannya perbaikan bobot memiliki rata-rata waktu sebesar detik. Sehingga perhitungan presentase waktu penjadwalan menghasilkan hasil sebagai berikut: presentase waktu = 00 x presentase waktu = % Dapat disimpulkan bahwa implementasi algoritma genetika untuk penjadwalan customr service menghabiskan waktu yang lebih sedikit daripada yang dibutuhkan untuk pembuatan jadwal secara manual. Program hanya membutuhkan 30% waktu yang dibutuhkan untuk pembuatan jadwal dibandingkan dengan cara manual sehingga lebih efisien dalam waktu. 6. PENUTUP Implementasi dari program penjadwalan customer service telah sesuai dengan manualisasi yang telah dilakukan sebelumnya seluruhnya bernilai sama persis. Dari pengujian yang telah dilakukan, didapatkan ukuran populasi 0, ukuran generasi 0 dan perbandingan crossover rate dan mutation rate 0.7:0.3 menghasilkan nilai fitness yang terbaik yaitu mempunyai rata-rata sebesar dikarenakan nilai fitness yang masih belum terlalu optimal maka peneliti melakukan modifikasi pada nilai bobot constraint ketiga dan keempat yang sebelumnya bernilai diubah menjadi 0.00 sedangkan yang lain tetap bernilai sama. Dari pengujian perbaikan bobot tersebut dihasilkan nilai fitness terbaik sebesar terjadi kenaikan nilai fitness mencapai 0. hal tersebut dapat terjadi karena pelanggaran yang terjadi pada constraint yang lebih utama sebenarnya sudah sedikit tetapi dikarenakan nilai bobot setiap constraint sama, nilai fitness akan menjadi lebih kecil. Lalu memungkinkan constraint yang seharusnya tidak dilanggar, menjadi dilanggar kembali pada proses berikutnya. Pada implementasi algoritma genetika untuk penjadwalan customer service, untuk menghasilkan jadwal yang baik maka diperlukan waktu yang cukup lama. Waktu yang dibutuhkan program untuk memproses satu penjadwalan dapat mencapai 2 jam tergantung dengan kondisi laptop atau komputer. Sedangkan proses pembuatan jadwal secara manual dengan menggunakan Microsoft Excel dapat memakan waktu hingga 3 hari selama jam kerja. Program untuk penjadwalan customer service dengan penerapan algoritma genetika hanya memakan waktu 30% saja dibandingkan dengan cara manual dengan Microsoft Excel. Pada penelitian berikutnya dapat digunakan metode mutasi lain seperti insertion exchange mutation dan penggunaan metode seleksi lainnya seperti binary tournament selection dan roulette wheel selection untuk menghasilkan hasil yang lebih optimal. Optimasi pada pengecekan pinalti baiknya dilakukan untuk mengurangi lama waktu yang dibutuhkan program. Lalu, pemfokusan untuk konvergensi dalam algoritma genetika juga perlu dilakukan agar penjadwalan menjadi lebih baik. DAFTAR PUSTAKA Baker, K.R., 974. Introduction to Scheduling and Sequencing. New York: Wiley. Tersedia di: Google Books < [Diakses 24 Agustus 206] Coley, David A., 999. An Introduction to Genetic Algorithms for Scientists and Engineers. Singapura: World Publishing. Tersedia di: Google Books < [Diakses 4 September 206] Mahmudy, WF, Marian, RM & Luong, LHS 202b, 'Solving part type selection and loading problem in flexible manufacturing system using real coded genetic algorithms Part II: optimization', International Conference on Control, Automation and Robotics, Singapore, 2-4 September, World Academy of Science, Engineering and Technology, pp Mahmudy, W. F., 203. Algoritma Evolusi. Malang: Program teknologi dan Ilmu Komputer (PTIIK) Universitas Brawijaya. Mahmudy, W. F., 205. Dasar-Dasar ALgoritma Evolusi (Modul Kuliah Semester Ganjil ). Malang: Program Teknologi dan Ilmu Komputer (PTIIK) Universitas Brawijaya. Mahmudy, WF, Marian, RM & Luong, LHS 203b, 'Real coded genetic algorithms for solving flexible job-shop scheduling
10 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 465 problem Part II: optimization', Advanced Materials Research, vol. 70, pp Mahmudy, WF, Marian, RM & Luong, LHS 203e, 'Optimization of part type selection and loading problem with alternative production plans in flexible manufacturing system using hybrid genetic algorithms Part 2: genetic operators & results', 5th International Conference on Knowledge and Smart Technology (KST), Chonburi, Thailand, 3 Jan - Feb, pp Suprayogi, DA & Mahmudy, WF, 205. Penerapan Algoritma Genetika Travelling Salesman Problem with Time Window. Studi Kasus Rute Antar Jemput Laundry, Jurnal Buana Informatika, vol. 6, no. 2, pp Tyas, R. A., Rahman, M. A., & Dewi, C Impelementasi Algoritma Genetika Untuk Optimasi 0/ Multi-Dimensional Knapsack Problem Dalam penentuan Menu Makanan Sehat. DORO Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya, vol., no. 4. Vollman, T.E., William, L.B.,., dan D. Clay, W., 998. Manufacturing Planning and Control Systems. New York: The McGraw-Hill Company. Tersedia di: Google Books < [Diakses 23 Agustus 206] Yunarto, H.I., BCI: In Sales and Distribution. Jakarta: Elex Media Komputindo. Tersedia di: Google Books < [Diakses 25 Agustus 206]
OPTIMASI JADWAL MENGAJAR ASISTEN LABORATORIUM MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI JADWAL MENGAJAR ASISTEN LABORATORIUM MENGGUNAKAN ALGORITMA GENETIKA Indana Zulfa 1, Wayan Firdaus Mahmudy 2, Budi Darma Setiawan 3 Teknik Informatika, Program Teknologi Informasi dan Ilmu Komputer,
Lebih terperinciPENJADWALAN KAPAL PENYEBERANGAN MENGGUNAKAN ALGORITMA GENETIKA
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol. 3, No. 1, Maret 2016, hlm. 48-55 PENJADWALAN KAPAL PENYEBERANGAN MENGGUNAKAN ALGORITMA GENETIKA Ria Febriyana 1, Wayan Firdaus Mahmudy 2 Program
Lebih terperinciOptimasi Penjadwalan Mata Pelajaran Menggunakan Algoritma Genetika (Studi Kasus : SMPN 1 Gondang Mojokerto)
Optimasi Penjadwalan Mata Pelajaran Menggunakan Algoritma Genetika (Studi Kasus : SMPN 1 Gondang Mojokerto) Dianita Dwi Permata Sari 1, Wayan Firdaus Mahmudy 2, Dian Eka Ratnawati 3 Teknik Informatika,
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK MEMAKSIMALKAN LABA PRODUKSI JILBAB
Journal of Environmental Engineering & Sustainable Technology Vol. 02 No. 01, July 2015, Pages 06-11 JEEST http://jeest.ub.ac.id PENERAPAN ALGORITMA GENETIKA UNTUK MEMAKSIMALKAN LABA PRODUKSI JILBAB Samaher
Lebih terperinciPenyelesaian Penjadwalan Flexible Job Shop Problem dengan menggunakan Real Coded Genetic Algorithm
Penyelesaian Penjadwalan Flexible Job Shop Problem dengan menggunakan Real Coded Genetic Algorithm M. C. C. Utomo 1, Wayan Firdaus Mahmudy 2, Marji Program Teknologi Informasi dan Ilmu Komputer, Universitas
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 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 terperinciOptimasi Penjadwalan Mata Pelajaran Pada Kurikulum 2013 Dengan Algoritme Genetika (Studi Kasus: SMA Negeri 3 Surakarta)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 12, Desember 2017, hlm. 1535-1542 http://j-ptiik.ub.ac.id Optimasi Penjadwalan Mata Pelajaran Pada Kurikulum 2013
Lebih terperinciPenentuan Portofolio Saham Optimal Menggunakan Algoritma Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 1, Januari 2017, hlm. 63-68 http://j-ptiik.ub.ac.id Penentuan Portofolio Saham Optimal Menggunakan Algoritma Genetika
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK PERMASALAHAN OPTIMASI DISTRIBUSI BARANG DUA TAHAP
PENERAPAN ALGORITMA GENETIKA UNTUK PERMASALAHAN OPTIMASI DISTRIBUSI BARANG DUA TAHAP Riska Sulistiyorini ), Wayan Firdaus Mahmudy ), Program Studi Teknik Informatika Program Teknologi Informasi dan Ilmu
Lebih terperinciPenjadwalan Dinas Pegawai Menggunakan Algoritma Genetika Pada PT Kereta Api Indonesia (KAI) Daerah Operasi 7 Stasiun Besar Kediri
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 11, November 2018, hlm. 4371-4376 http://j-ptiik.ub.ac.id Penjadwalan Dinas Pegawai Menggunakan Algoritma Genetika
Lebih 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 terperinciPenyelesaian Penjadwalan Flexible Job Shop Problem Menggunakan Real Coded Genetic Algorithm
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 1, Januari 2017, hlm 57-62 http://j-ptiik.ub.ac.id Penyelesaian Penjadwalan Flexible Job Shop Problem Menggunakan
Lebih terperinciOptimasi Multiple Travelling Salesman Problem Pada Pendistribusian Air Minum Menggunakan Algoritme Genetika (Studi Kasus: UD.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 9, Juni 2017, hlm. 849-858 http://j-ptiik.ub.ac.id Optimasi Multiple Travelling Salesman Problem Pada Pendistribusian
Lebih terperinciPenerapan Algoritma Genetika untuk Penjadwalan Asisten Praktikum
Penerapan Algoritma Genetika untuk Penjadwalan Asisten Praktikum Okky Cintia Devi 1, Wayan Fidaus Mahmudy 2, Budi Darma Setiawan 3 Teknik Informatika, Program Teknologi Informasi dan Ilmu Komputer, Universitas
Lebih terperinciPenerapan Algoritma Genetika Traveling Salesman Problem with Time Window: Studi Kasus Rute Antar Jemput Laundry
Suprayogi, Penerapan Algoritma Genetika Traveling Salesman Problem with Time Window: Studi Kasus Rute Antar Jemput Laundry 121 Penerapan Algoritma Genetika Traveling Salesman Problem with Time Window:
Lebih terperinciANALISIS PENGATURAN INDIVIDU CROSSOVER DAN MUTASI ALGORITMA GENETIKA STUDI KASUS TRAVELLING SALESMAN PROBLEM
ANALISIS PENGATURAN INDIVIDU CROSSOVER DAN MUTASI ALGORITMA GENETIKA STUDI KASUS TRAVELLING SALESMAN PROBLEM Sean Coonery Sumarta* 1 1 Program Studi Teknik Informatika, Universitas Atma Jaya Makassar,
Lebih 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 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 terperinciOPTIMASI PENJADWALAN PERAWAT MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI PENJADWALAN PERAWAT MENGGUNAKAN ALGORITMA GENETIKA Rifqy Rosyidah Ilmi 1, Wayan Firdaus Mahmudy 2, Dian Eka Ratnawati 2 1 Mahasiswa, 2 Dosen Pembimbing Informatika, Fakultas Ilmu Komputer, 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 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 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 terperinciOPTIMASI PERSEDIAAN BAJU MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI PERSEDIAAN BAJU MENGGUNAKAN ALGORITMA GENETIKA andra Aditya 1), Wayan Firdaus Mahmudy 2) 1) Program Studi Teknik Informatika, Fakultas Ilmu Komputer Malang Jl. Veteran, Malang 65145, Indonesia
Lebih terperinciOPTIMASI VEHICLE ROUTING PROBLEM WITH TIME WINDOWS PADA DISTRIBUSI KATERING MENGGUNAKAN ALGORITMA GENETIKA
Seminar Nasional Sistem Informasi Indonesia, 2-3 November 2015 OPTIMASI VEHICLE ROUTING PROBLEM WITH TIME WINDOWS PADA DISTRIBUSI KATERING MENGGUNAKAN ALGORITMA GENETIKA Dwi Cahya Astriya Nugraha 1), Wayan
Lebih terperinciOptimasi Penjadwalan Moving Class Menggunakan Algoritma Genetika (Studi Kasus: SMA Negeri 1 Turatea)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 4, Juli 2018, hlm. 1768-1777 http://j-ptiik.ub.ac.id Optimasi Penjadwalan Moving Class Menggunakan Algoritma Genetika
Lebih 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 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 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 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 terperinciJurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: -X Vol., No., Maret 0, hlm. - http://j-ptiik.ub.ac.id Optimasi Penjadwalan Asisten Praktikum pada Laboratorium Pembelajaran Menggunakan
Lebih terperinciPENYELESAIAN VEHICLE ROUTING PROBLEM WITH TIME WINDOWS (VRPTW) MENGGUNAKAN ALGORITMA GENETIKA HYBRID
JOURNAL OF ENVIRONMENTAL ENGINEERING & SUSTAINABLE TECHNOLOGY P-ISSN : 2356-3109 PENYELESAIAN VEHICLE ROUTING PROBLEM WITH TIME WINDOWS (VRPTW) MENGGUNAKAN ALGORITMA GENETIKA HYBRID Diah Anggraeni Pitaloka
Lebih terperinciAPLIKASI ALGORITMA GENETIKA DALAM PENENTUAN DOSEN PEMBIMBING SEMINAR HASIL PENELITIAN DAN DOSEN PENGUJI SKRIPSI
Prosiding Seminar Nasional Matematika dan Terapannya 2016 p-issn : 2550-0384; e-issn : 2550-0392 APLIKASI ALGORITMA GENETIKA DALAM PENENTUAN DOSEN PEMBIMBING SEMINAR HASIL PENELITIAN DAN DOSEN PENGUJI
Lebih terperinciOptimasi Penjadwalan 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 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 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 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 terperinciPenerapan Algoritma Genetika untuk Optimasi Vehicle Routing Problem with Time Window (VRPTW) Studi Kasus Air Minum Kemasan
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 2, Februari 2017, hlm. 100-107 http://j-ptiik.ub.ac.id Penerapan Algoritma Genetika untuk Optimasi Vehicle Routing
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 terperinciPEMBOBOTAN PENILAIAN UJIAN PILIHAN GANDA MENGGUNAKAN ALGORITMA GENETIKA
PEMBOBOTAN PENILAIAN UJIAN PILIHAN GANDA MENGGUNAKAN ALGORITMA GENETIKA Ida Wahyuni 1, Wayan Firdaus Mahmudy 2 1,2 Program Studi Magister Ilmu Komputer, Fakultas Ilmu Komputer, Universitas Brawijaya Jl.
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 terperinciOptimasi Pembagian Barang Alat Tulis Kantor Menggunakan Algoritme Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: -X Vol., No., Maret, hlm. - http://j-ptiik.ub.ac.id Optimasi Pembagian Barang Alat Tulis Kantor Menggunakan Algoritme Genetika Ardiansyah
Lebih terperinciPenjadwalan Dinas Pegawai Menggunakan Algoritma Evolution Strategies pada PT. Kereta Api Indonesia (KAI) DAOP 7 Stasiun Besar Kediri
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 8, Agustus 2018, hlm. 2473-2479 http://j-ptiik.ub.ac.id Penjadwalan Dinas Pegawai Menggunakan Algoritma Evolution
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK MENENTUKAN BIAYA MINIMAL DISTRIBUSI BARANG TIGA TAHAP PT. SEMEN TONASA
PENERAPAN ALGORITMA GENETIKA UNTUK MENENTUKAN BIAYA MINIMAL DISTRIBUSI BARANG TIGA TAHAP PT. SEMEN TONASA Andi Baharuddin 1, Aidawayati Rangkuti 2, Armin Lawi 3 Program Studi Matematika, Jurusan Matematika,
Lebih terperinciOptimasi distribusi barang dengan algoritma genetika
Optimasi distribusi barang dengan algoritma genetika Yasmin Ghassani Panharesi 1, Wayan Firdaus Mahmudy 2 Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email : yasminghassani@gmail.com 1,
Lebih terperinciPenerapan Algoritme Genetika Untuk Penjadwalan Latihan Reguler Pemain Brass Marching Band (Studi Kasus: Ekalavya Suara Brawijaya)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 9, September 2018, hlm. 2950-2956 http://j-ptiik.ub.ac.id Penerapan Algoritme Genetika Untuk Penjadwalan Latihan
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 terperinciOPTIMASI TRAVELLING SALESMAN PROBLEM WITH TIME WINDOWS (TSP-TW) PADA PENJADWALAN PAKET RUTE WISATA DI PULAU BALI MENGGUNAKAN ALGORITMA GENETIKA
Seminar Nasional Sistem Informasi Indonesia, 2-3 November 2015 OPTIMASI TRAVELLING SALESMAN PROBLEM WITH TIME WINDOWS (TSP-TW) PADA PENJADWALAN PAKET RUTE WISATA DI PULAU BALI MENGGUNAKAN ALGORITMA GENETIKA
Lebih terperinciTEKNIK PENJADWALAN KULIAH MENGGUNAKAN METODE ALGORITMA GENETIKA. Oleh Dian Sari Reski 1, Asrul Sani 2, Norma Muhtar 3 ABSTRACT
TEKNIK PENJADWALAN KULIAH MENGGUNAKAN METODE ALGORITMA GENETIKA Oleh Dian Sari Reski, Asrul Sani 2, Norma Muhtar 3 ABSTRACT Scheduling problem is one type of allocating resources problem that exist to
Lebih terperinciIMPLEMENTASI ALGORITMA GENETIKA UNTUK PENCARIAN RUTE PALING OPTIMUM
IMPLEMENTASI ALGORITMA GENETIKA UNTUK PENCARIAN RUTE PALING OPTIMUM Anies Hannawati, Thiang, Eleazar Fakultas Teknologi Industri, Jurusan Teknik Elektro, Universitas Kristen Petra Jl. Siwalankerto 121-131,
Lebih terperinciOptimasi Penjadwalan Kuliah Pengganti Menggunakan Algoritme Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol 2, No 9, September 218, hlm 2829-284 http://j-ptiikubacid Optimasi Penjadwalan Kuliah Pengganti Menggunakan Algoritme Genetika
Lebih terperinciPenerapan algoritma evolution strategies untuk optimasi distribusi barang dua tahap
Penerapan algoritma evolution strategies untuk optimasi distribusi barang dua tahap Candra Bella Vista 1, Wayan Firdaus Mahmudy 2 Program Studi Informatika / Ilmu Komputer Fakultas Ilmu Komputer Universitas
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 terperinciPenerapan Genetic Algorithm Untuk Optimasi Peningkatan Laba Persediaan Produksi Pakaian
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 6, Juni 218, hlm. 2168-2172 http://j-ptiik.ub.ac.id Penerapan Genetic Algorithm Untuk Optimasi Peningkatan Laba Persediaan
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 terperinciPenjadwalan kegiatan merupakan pekerjaan yang tidak mudah, karena dalam. penyusunannya memerlukan perencanaan yang matang agar kegiatan tersebut
BAB I PENDAHULUAN A. Latar Belakang Penjadwalan kegiatan merupakan pekerjaan yang tidak mudah, karena dalam penyusunannya memerlukan perencanaan yang matang agar kegiatan tersebut terlaksana dengan optimal.
Lebih terperinciPencarian Rute Optimum Menggunakan Algoritma Genetika
Jurnal Teknik Elektro Vol. 2, No. 2, September 2002: 78-83 Pencarian Rute Optimum Menggunakan Algoritma Genetika Anies Hannawati, Thiang, Eleazar Fakultas Teknologi Industri, Jurusan Teknik Elektro, Universitas
Lebih terperinciOptimasi Persediaan Barang Dalam Produksi Jilbab Menggunakan Algoritma Genetika
Optimasi Persediaan Barang Dalam Produksi Jilbab Menggunakan Algoritma Genetika Maretta Dwi Tika Ramuna 1), Wayan Firdaus Mahmudy 2) Program Studi Informatika / Ilmu Komputer Program Teknologi Informasi
Lebih terperinciPEMODELAN REGRESI NON LINEAR MENGGUNAKAN ALGORITMA GENETIKA UNTUK PREDIKSI KEBUTUHAN AIR PDAM KOTA MALANG
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol. 3, No. 1, Maret 2016, hlm. 59-65 PEMODELAN REGRESI NON LINEAR MENGGUNAKAN ALGORITMA GENETIKA UNTUK PREDIKSI KEBUTUHAN AIR PDAM KOTA MALANG Vitara
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 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 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 Komposisi Pakan Sapi Perah Menggunakan Algoritma Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 1, Januari 2017, hlm. 69-74 http://j-ptiik.ub.ac.id Optimasi Komposisi Pakan Sapi Perah Menggunakan Algoritma Genetika
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 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 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 terperinciOPTIMASI DISTRIBUSI PUPUK MENGGUNAKAN EVOLUTION STRATEGIES
Journal of Environmental Engineering & Sustainable Technology Vol. 02 No. 02, November 2015, Pages 89-96 JEEST http://jeest.ub.ac.id OPTIMASI DISTRIBUSI PUPUK MENGGUNAKAN EVOLUTION STRATEGIES Fauziatul
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 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 terperinciPenerapan Evolution Strategies untuk Optimasi Travelling Salesman Problem With Time Windows pada Sistem Rekomendasi Wisata Malang Raya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 7, Juli 2018, hlm. 2487-2493 http://j-ptiik.ub.ac.id Penerapan Evolution Strategies untuk Optimasi Travelling Salesman
Lebih terperinciPENGEMBANGAN APLIKASI PENJADWALAN KULIAH SEMESTER I MENGGUNAKAN ALGORITMA GENETIKA
PENGEMBANGAN APLIKASI PENJADWALAN KULIAH SEMESTER I MENGGUNAKAN ALGORITMA GENETIKA Bagus Priambodo Program Studi Sistem Informasi Fakultas Ilmu Komputer Universitas Mercu Buana e- mail : bagus.priambodo@mercubuana.ac.id
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Penjadwalan Penjadwalan kegiatan belajar mengajar pada suatu lembaga pendidikan biasanya merupakan salah satu pekerjaan yang tidak mudah dan menyita waktu. Pada lembaga pendidikan
Lebih 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 terperinciModul Matakuliah Algoritma Evolusi oleh
Modul Matakuliah Algoritma Evolusi oleh Wayan Firdaus Mahmudy Program Teknologi Informasi dan Ilmu Komputer (PTIIK) Universitas Brawijaya September 2013 Kata Pengantar Buku ini disusun untuk mengisi kelangkaan
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 terperinciAlgoritma Evolusi Optimasi Masalah Kombinatorial
Algoritma Evolusi Optimasi Masalah Kombinatorial Imam Cholissodin imam.cholissodin@gmail.com Pokok Bahasan 1. Travelling Salesman Problem (TSP) 2. Flow-Shop Scheduling Problem (FSP) 3. Two-Stage Assembly
Lebih terperinciPrediksi Jumlah Pengangguran Terbuka di Indonesia menggunakan Metode Genetic-Based Backpropagation
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 4, April 2017, hlm. 341-351 http://j-ptiik.ub.ac.id Prediksi Jumlah Pengangguran Terbuka di Indonesia menggunakan
Lebih terperinciIMPLEMENTASI ALGORITMA GENETIKA PADA OPTIMASI BIAYA PEMENUHAN KEBUTUHAN GIZI
IMPLEMENTASI ALGORITMA GENETIKA PADA OPTIMASI BIAYA PEMENUHAN KEBUTUHAN GIZI Monica Intan Pratiwi 1, Wayan Fidaus Mahmudy, Candra Dewi Teknik Informatika, Program Teknologi Informasi dan Ilmu Komputer,
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 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 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 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 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 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 terperinciPENGGUNAAN ALGORITMA GENETIKA UNTUK MENENTUKAN LINTASAN TERPENDEK STUDI KASUS : LINTASAN BRT (BUS RAPID TRANSIT) MAKASSAR
PENGGUNAAN ALGORITMA GENETIKA UNTUK MENENTUKAN LINTASAN TERPENDEK STUDI KASUS : LINTASAN BRT (BUS RAPID TRANSIT) MAKASSAR Karels, Rheeza Effrains 1), Jusmawati 2), Nurdin 3) karelsrheezaeffrains@gmail.com
Lebih terperinciPENJADWALAN OPERASIONAL PEMBANGKIT BERBASIS ALGORITMA GENETIK PADA SISTEM PEMBANGKIT SUMATERA BAGIAN TENGAH
Penjadwalan Operasional Pembangkit Berbasis Algoritma Genetik (Dwi Ana dkk) PENJADWALAN OPERASIONAL PEMBANGKIT BERBASIS ALGORITMA GENETIK PADA SISTEM PEMBANGKIT SUMATERA BAGIAN TENGAH Rahmanul Ikhsan 1,
Lebih terperinciOptimasi Penjadwalan Damping Mahasiswa Difabel Menggunakan Algoritma Genetika (Studi Kasus PSLD Universitas Brawijaya)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 9, Juni 2017, hlm. 774-782 http://j-ptiik.ub.ac.id Optimasi Penjadwalan Damping Mahasiswa Difabel Menggunakan Algoritma
Lebih terperinciIMPLEMENTASI ALGORITMA GENETIKA PADA PENJADWALAN PERKULIAHAN
IMPLEMENTASI ALGORITMA GENETIKA PADA PENJADWALAN PERKULIAHAN Uning Lestari 2, Naniek Widyastuti 3, Desti Arghina Listyaningrum 1 1,2,3 Teknik Informatika, Fakultas Teknologi Industri, IST AKPRIND Yogyakarta
Lebih terperinciSeminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004
Seminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004 Penyelesaian Masalah Penugasan dengan Algoritma Genetika Zainudin Zukhri Jurusan Teknik Informatika, Fakultas Teknologi Industri,
Lebih 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 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 terperinciPENEMPATAN MAHASISWA PESERTA MATA KULIAH UMUM DENGAN ALGORITMA GENETIK DI UNIVERSITAS KATOLIK PARAHYANGAN
PENEMPATAN MAHASISWA PESERTA MATA KULIAH UMUM DENGAN ALGORITMA GENETIK DI UNIVERSITAS KATOLIK PARAHYANGAN Nico Saputro dan Guntur Setia Negara Jurusan Ilmu Komputer Universitas Katolik Parahyangan nico@home.unpar.ac.id
Lebih 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 terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) 45 Edisi... Volume..., Bulan 20.. ISSN :
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) 45 IMPLEMENTASI ALGORITMA GENETIKA UNTUK PENJADWALAN MATA PELAJARAN DI SMAN 1 CIWIDEY Rismayanti 1, Tati Harihayati 2 Teknik Informatika Universitas Komputer
Lebih terperinciChairoll Ramadan Mahasiswa Jurusan Teknik Informatika, Fakultas Teknik, Universitas Maritim Raja Ali Haji
OPTIMASI PENJADWALAN PIKET KERJA UNIT TEKNIK LISTRIK MEKANIKAL PERALATAN (TLMP) MENGGUNAKAN ALGORITMA GENETIKA (Studi Kasus : Bandara Raja Haji Fisabililah Tanjungpinang Jl. Ganet km,12 kelurahan batu
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 terperinciOPTIMASI PEMILIHAN ANTIHIPERTENSI MENGGUNAKAN ALGORITMA GENETIKA
Prosiding Seminar Nasional Teknologi dan Rekayasa Informasi Tahun 2016 Peran Teknologi dan Rekayasa Informasi dalam Implementasi Geostrategi Indonesia Malang, 18 Oktober 2016 OPTIMASI PEMILIHAN ANTIHIPERTENSI
Lebih terperinciPenerapan Algoritma Genetika Untuk Vehicle Routing Problem with Time Window (VRPTW) Pada Kasus Optimasi Distribusi Beras Bersubsidi
Penerapan Algoritma Genetika Untuk Vehicle Routing Problem with Time Window (VRPTW) Pada Kasus Optimasi Distribusi Beras Bersubsidi Farah Bahtera Putri 1, Wayan Fidaus Mahmudy, Dian Eka Ratnawati Teknik
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 terperinciOPTIMASI VEHICLE ROUTING PROBLEM WITH TIME WINDOW (VRPTW) MENGGUNAKAN ALGORITMA GENETIKA PADA DISTRIBUSI BARANG
OPTIMASI VEHICLE ROUTING PROBLEM WITH TIME WINDOW (VRPTW) MENGGUNAKAN ALGORITMA GENETIKA PADA DISTRIBUSI BARANG Meitasari Winardi Saputri 1, Wayan Fidaus Mahmudy, Dian Eka Ratnawati Teknik Informatika,
Lebih terperinci