BAB III METODOLOGI PENELITIAN. Ukuran unjuk kerja dalam hal ini kecepatan akses data dalam sebuah aplikasi web
|
|
- Sugiarto Irawan
- 6 tahun lalu
- Tontonan:
Transkripsi
1 BAB III METODOLOGI PENELITIAN Ukuran unjuk kerja dalam hal ini kecepatan akses data dalam sebuah aplikasi web dipengaruhi oleh banyak faktor. Salah satu faktornya adalah desain aplikasi. Untuk kinerja Desain aplikasi dalam layout saja tidak cukup untuk pengoptimalan kinerja web. Meskipun layout dibuat sederhana dengan sedikit menggunakan aplikasi multimedia seperti flash dalam desain aplikasinya namun tetap saja belum bisa menjamin kinerja aplikasi web akan cepat. Optimasi dalam desain aplikasi Kalau tidak didukung dengan kecepatan akses yang memadai maka akan semakin menurun unjuk kerjanya. Faktor lainnya adalah optimasi basis data. Data yang tersimpan dalam database semakin lama akan semakin besar ukuran atau volumenya. Untuk meningkatkan unjuk kerja harus didukung dengan optimasi dari perintah SQL yang digunakan pada aplikasi tersebut. Dalam mendesain database, seringkali lokasi fisik data tidak menjadi perhatian penting karena hanya desain logik saja yang diperhatikan. Padahal untuk menampilkan hasil query dibutuhkan pencarian yang melibatkan struktur fisik penyimpanan data. Inti dari optimasi query adalah meminimalkan jalur pencarian untuk menemukan data yang disimpan dalam lokasi fisik. Index pada database digunakan untuk meningkatkan kecepatan akses data. Pada saat query dijalankan, index mencari data dan menentukan nilai ROWID yang membantu menemukan lokasi data secara fisik di disk. Akan tetapi 28
2 29 penggunaan index yang tidak tepat, tidak akan meningkatkan unjuk kerja dalam hal ini kecepatan akses data. 3.1 Bahan-Bahan Dalam penelitian ini penulis menganalisis web E-learning dengan menggabungkan metode M2S crossover dan metode CHUNK crossover sehingga dihasilkan sebuah penggabungan dari kedua metode M2S crossover dan CHUNK crossover tersebut dalam optimasi data. Adapun bahan-bahan yang digunakan dalam penelitian ini berupa Data yang terdiri dari tabel guru, tabel siswa, tabel matapelajaran, tabel porsi (tabel staf pengajar dalam melakukan proses pembelajaran), tabel waktu, tabel jadwal E- learning. 3.2 Analisis Optimasi Menganalisa optimasi query database dalam web pembelajaran SMK N 1 Barumun dan untuk menganalisa perbandingan antara optimasi dengan metode M2S Crossover dan optimasi dengan metode CHUNK Crossover dengan tahapantahapan: 1. Representasi Kromosom Elemen utama dalam pengoperasian algoritma genetik adalah kromosom. Pada optimasi query database ini diberikan sejumlah join dan relasi. Dari setiap tabel yang ada, untuk membuat query, field-fieldnya dapat direlasikan ke tabel
3 30 mana saja. Dengan kata lain, setiap tabel dapat dijoinkan dengan tabel-tabel lainnya. Contoh: Dicari nilai a, b, c, d maka variabel a, b, c, d dijadikan sebagai gen-gen pembentuk chromosome. Batasan nilai variabel a adalah bilangan integer 0 sampai 30. Sedangkan batasan nilai variabel b, c, dan d adalah bilangan integer 0 sampai Menentukan populasi awal Setelah ukuran populasi ditentukan, kemudian dilakukan inisialisasi terhadap kromosom yang terdapat pada populasi tersebut dengan populasi awal dipilih secara acak. Contoh: Misalkan ditentukan jumlah populasi adalah 6, maka: Chromosome[1] = [a;b;c;d] = [12;05;03;08] Chromosome[2] = [a;b;c;d] = [02;01;08;03] Chromosome[3] = [a;b;c;d] = [10;04;03;04] Chromosome[4] = [a;b;c;d] = [20;01;10;06] Chromosome[5] = [a;b;c;d] = [01;04;03;09] Chromosome[6] = [a;b;c;d] = [20;05;07;01] 3. Seleksi Metode seleksi yang digunakan pada algoritma ini adalah metode Roulette Wheel (piringan rolet). Seleksi ini bertujuan untuk memberikan kesempatan
4 31 seleksi yang lebih besar bagi anggota populasi yang memiliki fitness tinggi untuk melakukan seleksi. Permasalahan yang ingin diselesaikan adalah nilai variabel a, b, c, dan d yang memenuhi persamaan a+2b+3c+4d = 30, maka fungsi_objektif yang dapat digunakan untuk mendapatkan solusi adalah: fungsi_objektif(chromosome) = (a+2b+3c+4d) 30 Hitung fungsi_objektif dari chromosome yang telah dibangkitkan: fungsi_objektif(chromosome[1]) = Abs(( *5 + 3*3 + 4*8 ) 30) = Abs(( ) 30) = Abs(63 30) = 33 fungsi_objektif(chromosome[2]) = Abs(( 2 + 2*1 + 3*8 + 4*3 ) 30) = Abs(( ) 30) = Abs(40 30) = 10 fungsi_objektif(chromosome[3]) = Abs(( *4 + 3*3 + 4*4 ) -30) = Abs(( ) 30) = Abs(43 30) = 13 fungsi_objektif(chromosome[4]) = Abs(( *1 + 3*10 + 4*6 ) 30) = Abs(( ) 30) = Abs(76 30) = 46
5 32 fungsi_objektif(chromosome[5]) = Abs(( 1 + 2*4 + 3*3 + 4*9 ) 30) = Abs(( ) 30) = Abs(54 30) = 24 fungsi_objektif(chromosome[6]) = Abs(( *5 + 3*7 + 4*1 ) 30) = Abs(( ) 30) = Abs(55 30) = 25 Rata-rata dari fungsi objektif adalah: rata-rata = ( )/6 = 151 / 6 = Proses seleksi dilakukan dengan cara membuat chromosome yang mempunyai fungsi_objektif kecil mempunyai kemungkinan terpilih yang besar atau mempunyai nilai probabilitas yang tinggi. Algoritma dari seleksi roda roulette wheel adalah sebagai berikut : a. Hitung total fitness (F) : TotFitness = Σ Fk; k=1,2,,popsize Untuk itu dapat digunakan fungsi fitness = (1/(1+fungsi_objektif)), fungsi_objektif perlu ditambah 1 untuk menghindari kesalahan program yang diakibatkan pembagian oleh 0. fitness[1] = 1 / (fungsi_objektif[1]+1) = 1 / 34
6 33 = fitness[2] = 1 / (fungsi_objektif[2]+1) = 1 / 11 = fitness[3] = 1 / (fungsi_objektif[3]+1) = 1 / 14 = fitness[4] = 1 / (fungsi_objektif[4]+1) = 1 / 47 = fitness[5] = 1 / (fungsi_objektif[5]+1) = 1 / 25 = fitness[6] = 1 / (fungsi_objektif[6]+1) = 1 / 26 = total_fitness = = b. Hitung fitness relatif tiap individu : pk = Fk / TotFitness Rumus untuk mencari probabilitas: P[i] = fitness[i] / total_fitness P[1] = /
7 34 = P[2] = / = P[3] = / = P[4] = / = P[5] = 0.04 / = P[6] = / = c. Hitung fitness komulatif : q1 = p1 qk = qk-1 + pk; k =2,3,,popsize Dari probabilitas diatas dapat kita lihat kalau chromosome ke 2 yang mempunyai fitness paling besar maka chromosome tersebut mempunyai probabilitas untuk terpilih pada generasi selanjutnya lebih besar dari chromosome lainnya. Untuk proses seleksi kita gunakan roulete wheel, untuk itu kita harus mencari dahulu nilai kumulatif probabilitasnya: C[1] = C[2] = =
8 35 C[3] = = C[4] = = C[5] = = C[6] = = 1 d. Pilih induk yang akan menjadi kandidat untuk di-crossover dengan cara : - Bangkitkan bilangan random r. - Jika qk r dan qk+1 > r, maka pilih kromosom ke (k+1) sebagai kandidat induk. Jika R[k] < C[1] maka pilih chromosome 1 sebagai induk, selain itu pilih chromosome ke-k sebagai induk dengan syarat C[k-1] < R < C[k]. Kita putar roulete wheel sebanyak jumlah populasi yaitu 6 kali (bangkitkan bilangan acak R) dan pada tiap putaran, kita pilih satu chromosome untuk populasi baru. Misal: R[1] = R[2] = R[3] = R[4] = 0.822
9 36 R[5] = R[6] = Angka acak pertama R[1] adalah lebih besar dari C[1] dan lebih kecil daripada C[2] maka pilih chromosome[2] sebagai chromosome pada populasi baru, dari bilangan acak yang telah dibangkitkan diatas maka populasi chromosome baru hasil proses seleksi adalah: chromosome[1] = chromosome[2] chromosome[2] = chromosome[2] chromosome[3] = chromosome[1] chromosome[4] = chromosome[5] chromosome[5] = chromosome[2] chromosome[6] = chromosome[3] Chromosome baru hasil proses seleksi: chromosome[1] = [02;01;08;03] chromosome[2] = [02;01;08;03] chromosome[3] = [12;05;03;08] chromosome[4] = [01;04;03;09] chromosome[5] = [02;01;08;03] chromosome[6] = [10;04;03;04] 4. Crossover Melakukan optimasi query dengan metode crossover M2S dan CHUNK 5. Mutasi
10 37 Mutasi yang digunakan dalam penelitian ini adalah mutasi permutasi. Mutasi yang dapat dilakukan yaitu dengan memilih dua nilai gen dari kromosom dan kemudian nilai tersebut saling dipertukarkan. Penukaran untuk setiap nilai dilakukan secara acak dengan masing-masing nilai gen yang menyatakan relasi mempunyai peluang yang sama untuk terpilih sebagai nilai gen penukar. 6. Parameter Genetik Parameter genetik berguna dalamnpengendalian operator-operator genetik. Beberapa parameter yang digunakan adalah : jumlah relasi, ukuran populasi, maksimum generasi, probabilitas crossover (Pc), dan probabilitas mutasi (Pm). 3.3 Teknik Analisa Konsep E-Learning Kebutuhan Optimasi Konsep E-learning pada SMK Barumun yang akan dioptimasi adalah Implementasi E-learning sebagai pengganti les tambahan yang merupakan program pihak sekolah untuk meningkatkan hasil belajar siswa. Kegiaran belajar on-line yang dilakukan oleh guru bidang studi adalah pemberian materi dan tugas secara on line yang juga harus diikuti oleh siswa pada jam-jam yang telah ditentukan. Untuk memudahkan pihak guru bidang studi, maka guru hanya memberikan file materi dan tugas yang selalu terupdate untuk diserahkan pada admin selanjutnya admin akan memasukkan dalam situs e-learning sekolah. Keterbatasan pihak sekolah yang hanya mempunyai 2 (dua) admin tentu membuat jalannya pembelajaran online beresiko akan terjadi benturan jadwal dan bisa
11 38 memperlambat jalannya koneksi situs. Untuk itu perlu dilakukan optimasi database yang mana akan dikaji optimasi yang lebih baik dengan membandingkan antara metode optimasi M2S cross over dan Chunk cross over Data base Elearning Data yang tersimpan dalam database elearning diklasifikasikan dan dikombinasikan dengan menggunakan pendekatan algoritma genetika. Tabel-tabel database yang berkaitan dengan optimasi elearning adalah sebagai berikut: Tabel 3.1. Database tabel guru Tabel guru dalam database elearning terdiri dari 6 field dengan 2 field yang akan di kombinasikan dengan tabel lain yakni id sebagai kode guru dan namaguru adalah staf pengajar. Tabel 3.2. Database tabel siswa Tabel siswa dalam database elearning terdiri dari 7 field dengan 4 field yang akan di kombinasikan dengan tabel lain yakni id sebagai kode siswa, dan
12 39 field nama adalah nama siswa, field fkelas yakni tingkatan kelas siswa yang terdiri dari kelas sepuluh (X), sebelas (XI) dan duabelas (XII) dan field jurusan yakni jurusan A, B dan C. Tabel 3.3. Database tabel Matapelajaran Tabel Matapelajaran dalam database elearning terdiri dari 3 field dengan 3 field yang akan di kombinasikan dengan tabel lain yakni field id sebagai kode pelajaran, field pelajaran adalah nama mata pelajaran dan field kelas adalah kelas siswa yakni kelas sepuluh (X), sebelas (XI) dan duabelas (XII). Tabel 3.4. Database tabel porsi Tabel por dasilam database elearning terdiri dari 4 field dengan 4 field yang akan di kombinasikan dengan tabel lain yakni field id sebagai kode porsi, field namaguru yakni staf pengajar dalam elearning, field semester adalah semester berjalan dan field porsi adalah porsi untuk staff pengajar dalam melakukan proses pengajaran dalam elearning. Tabel 3.5. Database tabel Waktu
13 40 Tabel waktu dalam database elearning terdiri dari 4 field dengan 4 field yang akan di kombinasikan dengan tabel lain yakni field id sebagai kode waktu, field termin yakni termin elearning dalam satu hari, field jam adalah waktu jam proses elearning dan field hari adalah jadwal hari proses elearning. Tabel 3.6. Database tabel jadwal elearning Tabel jadwal dalam database elearning terdiri dari 10 field dengan 10 field yang akan di optimasi yakni field idguru sebagai kode guru, field namaguru yakni nama staf pengajar, field idpelajaran sebagai kode mata pelajaran, field pelajaran yakni mata pelajaran dalam elearning, field jurusan yakni penjurusan dari siswa, field semester yakni semester berjalan, field kelas yakni tingkatan kelas siswa, field hari yakni hari proses elearning dan field termin yakni termin dalam waktu elearning yakni terbagi dalam termin 1,2 dan seterusnya berkaitan dengan field jam yakni jam , , , dan Representasi Kromosom Elemen utama dalam pengoperasian algoritma genetik yakni kromosom dimana pada optimasi query database elearning diberikan sejumlah join dan relasi. Tabeltabel yang ada untuk membuat query, field-fieldnya dapat direlasikan ke tabel
14 41 mana saja atau setiap tabel dapat dijoinkan dengan tabel-tabel lainnya. Relasi dan join tabel elaearning dapat digambarkan sebagai berikut: Admin Id Nama Guru Id Namaguru NIP pelajaran Nohp Id namaguru semester matapelajaran Id pelajaran kelas Jadwal Idguru Namaguru idpelajaran pelajaran jurusan semester kelas hari termin jam Id termin jam hari Siswa Id Namasiswa NIS kelas jurusan Nohp waktu Gambar 3.4 Relasi dan Joint tabel Prosedur Inisialisasi Pada prosedur inisiasi dilakukan proses inisiasi porsi guru pengajar elearning dengan data awal 25 data guru dan 10 data mata pelajaran.
15 42 Tabel 3.7. Database data Guru SMK N 1 Barumun Kode Guru GU001 GU002 GU003 GU004 GU005 GU006 GU007 GU008 GU009 GU010 GU011 GU012 GU013 GU014 GU015 GU016 GU017 GU018 GU019 GU020 GU021 GU022 GU023 GU024 GU025 Nama Guru Reza Hakin Mustika Rani Siti Humaira Raja Jamil Eka Dinavia Ari Bernard Cici Dwi Eli Fadly Gandi Izul Jaja Kenanga Luban Mirna Noni Oka Patrick Qila Rara Sandi Tuti
16 43 Tabel 3.8. Database data SMK N 1 Barumun Kode Guru MP001 MP002 MP003 MP004 MP005 MP006 MP007 MP008 MP009 MP010 Nama Matematika Bahasa Inggris Bahasa Indonesia Bahasa Daerah Pendidikan Agama Kimia Fisika Komputer Seni budaya Sejarah Dari tabel-tabel tersebut diatas diinisiasi berdasarkan porsi mengajar online yang ditugaskan kerpada guru mata pelajaran dalam e-learning Web SMK N 1 Barumun yang akan di tangani oleh 5 (lima) admin yakni Admin Susi, Admin Raka, Admin Anton, Admin Budi dan Admin Cintia dengan uraian sebagai berikut: a. Kode guru : GU001 : Reza hakin Kode Mata pelajaran : MP001 : Matematika : I : X
17 44 Tabel 3.9. Kode Guru GU001 Senin (01) Selasa (02) Rabu (03) Kamis (04) Jum at (05) Sabtu (06) I Susi Raka II III IV V b. Kode guru : GU002 : Mustika Rani Kode Mata pelajaran : MP002 : Bahasa inggris : I : X Tabel Kode Guru GU002 Senin (01) Selasa (02) I Anton Cintia Rabu (03) Kamis (04) II Budi Raka III Susi IV V Jum at (05) Sabtu (06) c. Kode guru : GU003 : Siti Humaira
18 45 Kode Mata pelajaran : MP003 : Bahasa indonesia : I : X Tabel Kode Guru GU003 Senin (01) Selasa (02) Rabu (03) I Budi Kamis (04) II Susi III Cintia IV Anton Jum at (05) Sabtu (06) V Raka d. Kode guru : GU004 : Raja Jamil Kode Mata pelajaran : MP004 : Bahasa Daerah : I : X Tabel Kode Guru GU004 Senin (01) Selasa (02) Rabu (03) Kamis (04) Jum at (05) Sabtu (06) I Anton Cintia II III Budi Susi
19 46 IV Raka Anton V e. Kode guru : GU005 : Eka Dinavia Kode Mata pelajaran : MP005 : Pendidikan Agama : I : X Tabel Kode Guru GU005 Senin (01) Selasa (02) I Budi Raka II Cintia III Susi IV Rabu (03) Kamis (04) Jum at (05) Sabtu (06) V Anton Budi f. Kode guru : GU006 : Ari Kode Mata pelajaran : MP006 : Kimia : I : X
20 47 Tabel Kode Guru GU006 Senin (01) Selasa (02) Rabu (03) Kamis (04) Jum at (05) Sabtu (06) I II Cintia Susi III Raka IV V g. Kode guru : GU007 : Bernard Kode Mata pelajaran : MP007 : Fisika : I : X I Tabel Kode Guru GU007 Senin (01) Selasa (02) Rabu (03) Kamis (04) II Budi Cintia III IV Anton V Jum at (05) Sabtu (06) h. Kode guru : GU008 : Cici
21 48 Kode Mata pelajaran : MP008 : Komputer : I : X I II Tabel Kode Guru GU008 Senin (01) Selasa (02) Rabu (03) Kamis (04) III Susi Raka IV V Jum at (05) Sabtu (06) i. Kode guru : GU009 : Dwi Kode Mata pelajaran : MP009 : Seni Budaya : I : X Tabel Kode Guru GU009 Senin (01) Selasa (02) Rabu (03) Kamis (04) Jum at (05) Sabtu (06) I Cintia
22 49 II III IV V Anton Budi j. Kode guru : GU010 : Eli Kode Mata pelajaran : MP010 : Sejarah : I : X Tabel Kode Guru GU010 Senin (01) Selasa (02) Rabu (03) Kamis (04) Jum at (05) Sabtu (06) I II Anton III Susi IV Raka V k. Kode guru : GU011 : Fadly Kode Mata pelajaran : MP001 : Matematika
23 50 : III : XI Tabel Kode Guru GU011 I Senin (01) Selasa (02) Rabu (03) II Cintia III Kamis (04) Jum at (05) IV Budi Susi V Sabtu (06) l. Kode guru : GU012 : Gandi Kode Mata pelajaran : MP012 : Bahasa Inggris : III : XI Tabel Kode Guru GU012 I II III IV Senin (01) Selasa (02) Rabu (03) Kamis (04) Jum at (05) V Raka Anton Sabtu (06)
24 51 m. Kode guru : GU013 : Kode Mata pelajaran : MP013 : BahasaIndonesia : III : XI I II Tabel Kode Guru GU013 Senin (01) Selasa (02) Rabu (03) Kamis (04) Susi Jum at (05) Sabtu (06) III Budi Cintia Raka IV V n. Kode guru : GU014 : Izul Kode Mata pelajaran : MP014 : Bahasa daerah : III : XI Tabel Kode Guru GU014 Senin Selasa Rabu Kamis Jum at Sabtu
25 52 (01) (02) (03) (04) (05) (06) I II III Anton Budi IV V o. Kode guru : GU015 : Jaja Kode Mata pelajaran : MP015 : Pendidikan Agama : III : XI Tabel Kode Guru GU015 Senin (01) Selasa (02) Rabu (03) Kamis (04) Jum at (05) Sabtu (06) I Cintia Susi II III IV V p. Kode guru : GU016 : Kenanga Kode Mata pelajaran : MP016
26 53 : Kimia : III : XI I II Tabel Kode Guru GU016 Senin (01) Selasa (02) Rabu (03) Kamis (04) Jum at (05) Sabtu (06) III Anton Cintia IV Raka Budi V q. Kode guru : GU017 : Luban Kode Mata pelajaran : MP017 : Fisika : III : XI Tabel Kode Guru GU017 Senin (01) Selasa (02) Rabu (03) Kamis (04) Jum at (05) Sabtu (06) I II Raka Susi III
27 54 IV Anton V Budi r. Kode guru : GU018 : Mirna Kode Mata pelajaran : MP018 : komputer : III : XI Tabel Kode Guru GU018 Senin (01) Selasa (02) Rabu (03) Kamis (04) Jum at (05) Sabtu (06) I Cintia Raka II III Susi IV V s. Kode guru : GU019 : Noni Kode Mata pelajaran : MP019 : Seni Budaya : III
28 55 : XI Tabel Kode Guru GU019 Senin (01) Selasa (02) Rabu (03) Kamis (04) Jum at (05) Sabtu (06) I II III IV V Anton t. Kode guru : GU020 : Oka Kode Mata pelajaran : MP001 : Sejarah : III : XI Tabel Kode Guru GU020 Senin (01) Selasa (02) Rabu (03) Kamis (04) Jum at (05) Sabtu (06) I II Cintia III IV V Budi u. Kode guru : GU021
29 56 : Patrick Kode Mata pelajaran : MP021 : Matematika : V : XII Tabel Kode Guru GU021 Senin (01) Selasa (02) Rabu (03) Kamis (04) Jum at (05) Sabtu (06) I II Anton III Budi IV Raka V Susi v. Kode guru : GU022 : Qila Kode Mata pelajaran : MP022 : Bahasa Inggris : V : XII Tabel Kode Guru GU022 Senin (01) Selasa (02) Rabu (03) Kamis (04) Jum at (05) Sabtu (06) I
30 57 II Cinntia III Susi IV V Raka w. Kode guru : GU023 : Rara Kode Mata pelajaran : MP023 : Bahasa Indonesia : V : XII Tabel Kode Guru GU023 Senin (01) Selasa (02) Rabu (03) Kamis (04) Jum at (05) Sabtu (06) I II Budi III Anton IV V Cintia x. Kode guru : GU024 : Sandi Kode Mata pelajaran : MP024 : Bahasa Daerah : V
31 58 : XI Tabel Kode Guru GU024 Senin (01) Selasa (02) Rabu (03) Kamis (04) I Susi II III IV V Jum at (05) Sabtu (06) y. Kode guru : GU025 : Tuti Kode Mata pelajaran : MP025 : Pendidikan Agama : I : X Tabel Kode Guru GU025 Senin (01) Selasa (02) Rabu (03) Kamis (04) Jum at (05) Sabtu (06) I II Raka III Anton IV V
32 Pembangkitan Populasi Awal Pada proses pembangkitan populasi awal dilakukan dengan membangkitan populasi penelitian yakni kesiapan guru untuk memberikan materi E-learning pada siswa yang telah diinisialisasi. Populasi awal dibangkitkan secara acak dalam arti setiap kromosom boleh ditampilkan tanpa urutan yang ditentukan dengan tidak memperhatikan kesiapan mengajar, admin tersedia, kesiapan hari dan kesiapan shift. Pembangkitan populasi awal dapat digambarkan dalam tabel berikut: Kode Guru Nama Guru Tabel Pembangkitan Populasi Awal Kode Mapel Mapel Juru san Se me ster Admin Shift GU001 Reza MP001 Matematika OTO 1 Susi Senin I Hakin GU001 Reza MP001 Matematika OTO 1 Raka Selasa I Hakin (2) GU002 Mustika MP002 Bahasa OTO 1 Anton Senin I Rani Inggris GU002 Mustika MP002 Bahasa OTO 1 Budi Senin II Rani Inggris GU002 Mustika MP002 Bahasa OTO 1 Cintia Selasa I Rani Inggris (2) GU002 Mustika MP002 Bahasa OTO 1 Susi Selasa III Rani Inggris (2) GU002 Mustika MP002 Bahasa OTO 1 Raka Kamis II Rani Inggris (4) GU003 Siti MP003 Bahasa OTO 1 Anton Selasa IV Humaira Indonesia (2) GU003 Siti MP003 Bahasa OTO 1 Budi Rabu I Humaira Indonesia (3) GU003 Siti MP003 Bahasa OTO 1 Cintia Rabu III Humaira Indonesia (3) GU003 Siti MP003 Bahasa OTO 1 Susi Kamis II Humaira Indonesia (4) GU003 Siti MP003 Bahasa OTO 1 Raka Sabtu V Humaira Indonesia (6) GU004 Raja MP004 Bahasa OTO 1 Anton Senin I Jamil daerah GU004 Raja MP004 Bahasa OTO 1 Budi Senin III
33 60 Jamil daerah GU004 Raja Jamil MP004 Bahasa daerah OTO 1 Cintia Selasa (2) GU004 Raja MP004 Bahasa OTO 1 Susi Selasa Jamil daerah (2) GU004 Raja MP004 Bahasa OTO 1 Raka Kamis Jamil daerah (4) GU004 Raja MP004 Bahasa OTO 1 Anton Sabtu Jamil daerah (6) GU005 Eka MP005 Pendidikan OTO 1 Budi Senin Dinavia Agama GU005 Eka MP005 Pendidikan OTO 1 Cintia Senin Dinavia Agama GU005 Eka MP005 Pendidikan OTO 1 Susi Senin Dinavia Agama GU005 Eka MP005 Pendidikan OTO 1 Raka Selasa Dinavia Agama (2) GU005 Eka MP005 Pendidikan OTO 1 Anton Rabu Dinavia Agama (3) GU005 Eka MP005 Pendidikan OTO 1 Budi Sabtu Dinavia Agama (6) GU006 Ari MP006 Kimia OTO 1 Cintia Senin GU006 Ari MP006 Kimia OTO 1 Susi Selasa (2) GU006 Ari MP006 Kimia OTO 1 Raka Kamis (4) GU007 Bernard MP007 Fisika OTO 1 Anton Selasa (2) GU007 Bernard MP007 Fisika OTO 1 Budi Rabu (3) GU007 Bernard MP007 Fisika OTO 1 Cintia Kamis (4) GU008 Cici MP008 Komputer OTO 1 Susi Rabu (3) GU008 Cici MP008 Komputer OTO 1 Raka Kamis (4) GU009 Dwi MP009 Seni Budaya OTO 1 Anton Jum at (5) GU009 Dwi MP009 Seni Budaya OTO 1 Budi Jum at (5) GU009 Dwi MP009 Seni Budaya OTO 1 Cintia Sabtu (6) GU010 Eli MP010 Sejarah OTO 1 Susi Selasa (2) GU010 Eli MP010 Sejarah OTO 1 Raka Rabu (3) I III IV IV I II III I V V II II III IV II II III III III IV I III IV
34 61 GU010 Eli MP010 Sejarah OTO 1 Anton Kamis II (4) GU011 Fadly MP001 Matematika OTO III Budi Senin IV GU011 Fadly MP001 Matematika OTO III Cintia Rabu II (3) GU011 Fadly MP001 Matematika OTO III Susi Jumat IV (5) GU012 Gamdi MP002 Bahasa OTO III Raka Senn V Inggris GU012 Gamdi MP002 Bahasa OTO III Anton Jumat V Inggris (5) GU013 MP003 Bahssa OTO III Budi Senin III Indonesia GU013 MP003 Bahssa OTO III Cintia Selasa III Indonesia (2) GU013 MP003 Bahssa OTO III Susi Kamis II Indonesia (4) GU013 MP003 Bahssa OTO III Raka Sabtu III Indonesia (6) GU014 Izul MP004 Bahasa OTO III Anton Selasa III Daerah (2) GU014 Izul MP004 Bahasa OTO III Budi Kamis III Daerah (4) GU015 Jaja MP005 Pendidikan OTO III Cintia Rabu I Agama (3) GU015 Jaja MP005 Pendidikan OTO III Susi Sabtu I Agama (6) GU016 Kenanga MP006 Kimia OTO III Raka Senn IV GU016 Kenanga MP006 Kimia OTO III Anton Selasa III (2) GU016 Kenanga MP006 Kimia OTO III Budi Kamis IV (4) GU016 Kenanga MP006 Kimia OTO III Cintia Sabtu III (6) GU017 Luban MP007 Fisika OTO III Susi Selasa II (2) GU017 Luban MP007 Fisika OTO III Raka Rabu II (3) GU017 Luban MP007 Fisika OTO III Anton Kamis IV (4) GU017 Luban MP007 Fisika OTO III Budi Sabtu V (6) GU018 Mirna MP008 Komputer OTO III Cintia Senin I GU018 Mirna MP008 Komputer OTO III Susi Selasa III
35 62 (2) GU018 Mirna MP008 Komputer OTO III Raka Rabu (3) GU019 Noni MP009 Seni Budaya OTO III Anton Rabu (3) GU020 Oka MP010 Sejarah OTO III Budi Selasa (2) GU020 Oka MP010 Sejarah OTO III Cintia Kamis (4) GU021 Patrick MP001 Matematika OTO V Susi Senin GU021 Patrick MP001 Matematika OTO V Raka Selasa (2) GU021 Patrick MP001 Matematika OTO V Anton Kamis (4) GU021 Patrick MP001 Matematika OTO V Budi Jumat (5) GU022 Qila MP002 Bahasa OTO V Cintia Senin Inggris GU022 Qila MP002 Bahasa OTO V Susi Rabu Inggris (3) GU022 Qila MP002 Bahasa OTO V Raka Sabtu Inggris (6) GU023 Rara MP003 Bahasa OTO V Anton Senin Indonesia GU023 Rara MP003 Bahasa OTO V Budi Rabu Indonesia (3) GU023 Rara MP003 Bahasa OTO V Cintia Rabu Indonesia (3) GU024 Sandi MP004 Bahasa OTO V Susi Kamis daerah (4) GU025 Tuti MP005 Pendidikan OTO V Raka Sabtu Agama (6) GU025 Tuti MP005 Pendidikan Agama OTO V Anton Sabtu (6) I V V II V IV II III II III V III II V I II III Evaluasi Proses selanjutnya setelah pembangkitan awal populasi adalah proses evaluasi, dimana kesiapan guru dalam memberikan materi pada E-learning yang dibangkitkan diatas dievaluasi dengan menjumlahkan kesiapan memberikan materi E-learning guru masing-masing.
36 63 Tabel Evaluasi No Kode Guru Kode Mapel Jumlah Kesiapan 1 GU001 MP GU002 MP GU003 MP GU004 MP GU005 MP GU006 MP GU007 MP GU008 MP GU009 MP GU010 MP GU011 MP GU012 MP GU013 MP GU014 MP GU015 MP GU016 MP GU017 MP GU018 MP GU019 MP GU020 MP GU021 MP GU022 MP GU023 MP GU024 MP GU025 MP005 2
37 BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil Penelitian Optimasi Query Bahasa query dalam web pembelajaran SMK Barumun adalah sebagai berikut : SELECT * FROM `tb_admin` WHERE hari=1 SELECT * FROM `tb_guru` WHERE hari=1 SELECT * FROM `tb_matapelajaran` WHERE hari=1 SELECT * FROM `tb_siswa` WHERE hari=1 SELECT * FROM `tb_jadwal` WHERE hari=1 SELECT * FROM `tb_porsi` WHERE hari=1 SELECT * FROM `tb_waktu` WHERE hari=1 Query tersebut meminta semua record dari basis data yang sedang digunakan. Optimasi query yang dilakukan dalam web pembelajaran ini adalah sebagai berikut: Query 1: Untuk setiap pembelajaran yang diberikan pada hari senin, diambil id, jam, hari, nama guru, kelas, dan mata pelajaran. Maka dapat digambarkan : Π PId, jam, hari : (σplocation=tb_waktu(project)) Nguru=Nama_guru(tb_guru) Kkelas=kelas(tb_kelas) Persamaan ini mengikuti SQL query berikut: SELECT P.id, N.Nama_guru, K.kelas, N.Jam, N.hari 64
38 65 FROM PROJECT AS P, Nama_guru AS N, AS K WHERE P.id=N.Nama-Guru AND N.hari=K.kelas AND P.Location= tb_waktu Maka Proses Parsing nya adalah sebagai berikut : a. Query tree yang sesuai dengan ekspresi relasi aljabar untuk Optimasi query dilihat pada gambar 4.1 Π P.Pid, N.nama_guru, K.kelas, N.hari, N.jam (3) N.hari=K.kelas σ (2) P.ID=N.namaguru (P) (K) σ P.PLOCATION='tb_waktu' (N) (P) Gambar 4.1 Optimasi Query Tree
39 66 b. Inisial ( Canonical) query tree untuk SQL query pada optimasi ini dilihat pada gambar 4.2 Π P.id, P.nama_guru, K.kelas, N.hari, N.jam σ P.nama_guru=N.nama_guru And K.kelas=N.hari And P.PLocation= tb_waktu X X K P N Gambar 4.2 Inisial Query Tree
40 67 c. Query graph untuk optimasi query ini dapat dilihat gambar 4.3 [P.P.id, P.nama_guru] [N.hari,N.Jam,] (P) (D) (E) P.PLocation= tb_waktu Tb_waktu Gambar 4.3 Query Graph Mutasi Crossover a. M2S (Modified Two Swap) Crossover 1) Seleksi Proses setelah evaluasi adalah melakukan rekombinasi dengan mutasi crossover. Pada metode M2S langkah awal adalah membuat seleksi dimana kesiapan guru dalam memberikan materi pada E-learning SMK akan dilakukan seleksi berdasarkan hari dan shift waktu yang telah ditetapkan. Proses seleksi bertujuan untuk menentukan kesiapan guru mana yang sesuai untuk memberikan materi E- learning pada admin yang tersedia. Seleksi yang penulis gunakan adalah dengan cara mengurutkan kesiapan guru dalam memberikan materi E-lerning menurut nilai objektifnya (banyaknya kesiapan guru). Penerapan untuk contoh dalam proses seleksi diatas, dapat dilihat pada Tabel di bawah ini, yakni seleksi (1,I) : menampilkan semua kesiapan guru dalam
41 68 memberikan materi E-learning dengan hari = senin dan shift = l ( ) yang diurutkan secara naik berdasarkan banyaknya kesiapan guru. Kode Guru Nama Guru Kode Mapel Tabel 4.1 Seleksi M2S Crossover Mapel Juru san Se me ster GU001 Reza Hakin MP001 Matematika OTO 1 Susi Senin GU002 Mustika MP002 Bahasa OTO 1 Anton Senin Rani Inggris GU004 Raja MP004 Bahasa OTO 1 Anton Senin Jamil daerah GU005 Eka MP005 Pendidikan OTO 1 Budi Senin Dinavia Agama GU018 Mirna MP008 Komputer OTO III Cintia Senin Admin Shift Tota l Kesi apan I 2 I 5 I 6 I 6 I 3 2) Mutasi Pada metode M2S crossover, dari proses seleksi diatas, diambil kesiapan guru dalam memberikan materi E-learning sebanyak admin yang tersedia sebagai penginput data dan akan disimpan pada sebuah tabel jadwal. Proses ini menyebabkan populasi (kesiapan guru) terhadap admin berkurang menjadi hanya 5 (lima) dan mengalami rekombinasi. Rekombinasi juga terjadi terhadap proses seleksi untuk hari dan shift berikutnya terhadap kesiapan guru dalam memberikan materi E-learning (seleksi(l,ii) dan seterusnya). Tabel dibawah ini merupakan hasil dari mutasi diatas dimana terjadi kesamaan pemberian materi pada satu admin di hari dan shif yang sama maka dimutasi sehingga terpilih hanya 4 (empat) populasi saja yang terpilih.
42 69 Kode Guru Nama Guru Kode Mapel Tabel 4.2 Jadwal Generasi 1 M2S Crossover Mapel Juru san Se me ster GU001 Reza Hakin MP001 Matematika OTO 1 Susi Senin GU002 Mustika MP002 Bahasa OTO 1 Anton Senin Rani Inggris GU005 Eka MP005 Pendidikan OTO 1 Budi Senin Dinavia Agama GU018 Mirna MP008 Komputer OTO III Cintia Senin Admin Shift Tota l Kesi apan I 2 I 5 I 6 I CHUNK Crossover 1) Seleksi Chunk Pada metode Chunk crossover proses setelah evaluasi adalah melakukan rekombinasi dengan mutasi CHUNK crossover. Pada metode ini langkah awal adalah membuat seleksi dimana kesiapan guru dalam memberikan materi pada E- learning SMK akan dilakukan seleksi berdasarkan hari yang telah ditentukan dan semua shift waktu. Proses seleksi ini juga bertujuan untuk menentukan kesiapan guru mana yang sesuai untuk memberikan materi E-learning pada admin yang tersedia. Penerapan untuk contoh dalam proses seleksi dengan CHUNK crossover, dapat dilihat pada Tabel di bawah ini, yakni seleksi (1,) : menampilkan semua kesiapan guru dalam memberikan materi E-learning dengan hari = senin dan shift = I - V yang diurutkan secara naik berdasarkan banyaknya kesiapan guru.
43 70 Kode Guru Nama Guru Kode Mapel Tabel 4.3 Seleksi CHUNK Crossover Mapel Juru san Se me ster Admin Shift Tota l kesi apan GU001 Reza Hakin MP001 Matematika OTO 1 Susi Senin GU002 Mustika MP002 Bahasa OTO 1 Anton Senin Rani Inggris GU002 Mustika MP002 Bahasa OTO 1 Budi Senin Rani Inggris GU004 Raja MP004 Bahasa OTO 1 Anton Senin Jamil daerah GU004 Raja MP004 Bahasa OTO 1 Budi Senin Jamil daerah GU005 Eka MP005 Pendidikan OTO 1 Budi Senin Dinavia Agama GU005 Eka MP005 Pendidikan OTO 1 Cintia Senin Dinavia Agama GU005 Eka MP005 Pendidikan OTO 1 Susi Senin Dinavia Agama GU006 Ari MP006 Kimia OTO 1 Cintia Senin GU011 Fadly MP001 Matematika OTO III Budi Senin GU012 Gamdi MP002 Bahasa OTO III Raka Senn Inggris GU013 MP003 Bahssa OTO III Budi Senin Indonesia GU016 Kenanga MP006 Kimia OTO III Raka Senn GU018 Mirna MP008 Komputer OTO III Cintia Senin GU021 Patrick MP001 Matematika OTO V Susi Senin GU022 Qila MP002 Bahasa OTO V Cintia Senin Inggris GU023 Rara MP003 Bahasa OTO V Anton Senin Indonesia I 2 I 5 II 5 I 5 III 5 I 6 II 6 III 6 II 3 IV 3 V 2 III 4 IV 4 I 3 V 4 II 3 III 3
44 71 2) Mutasi Chunk crossover Pada metode Chunk crossover, dari proses seleksi diatas, diambil kesiapan guru dalam memberikan materi E-learning kepada admin sebanyak admin yang tersedia sebagai penginput data dan akan disimpan pada sebuah tabel jadwal. Proses ini menyebabkan populasi (kesiapan guru) memebrikan materi kepada admin dari tabel diatas berkurang menjadi 17 (tujug belas) populasi dan mengalami rekombinasi. Rekombinasi juga terjadi terhadap proses seleksi untuk hari dan shift berikutnya terhadap kesiapan guru dalam memberikan materi E-learning (seleksi(l,ii) dan seterusnya). Dalam tabel dibawah ini terlihat proses mutasi dimana kesiapan guru memberikan materi kepada admin dipilih menjadi 13 populasi yang terseleksi di generasi 1. Kode Guru Nama Guru Tabel 4.4 Jadwal Generasi 1 Chunk Crossover Kode Mapel Mapel Juru san Se me ster Admin Shift Tota l kesi apan GU001 Reza Hakin MP001 Matematika OTO 1 Susi Senin GU002 Mustika MP002 Bahasa OTO 1 Anton Senin Rani Inggris GU005 Eka MP005 Pendidikan OTO 1 Budi Senin Dinavia Agama GU018 Mirna MP008 Komputer OTO III Cintia Senin GU002 Mustika MP002 Bahasa OTO 1 Budi Senin Rani Inggris GU005 Eka MP005 Pendidikan OTO 1 Cintia Senin Dinavia Agama GU004 Raja MP004 Bahasa OTO 1 Budi Senin Jamil daerah GU005 Eka MP005 Pendidikan OTO 1 Susi Senin Dinavia Agama GU023 Rara MP003 Bahasa OTO V Anton Senin Indonesia I 2 I 5 I 6 I 3 II 5 II 6 III 5 III 6 III 3
45 72 GU011 Fadly MP001 Matematika OTO III Budi Senin GU016 Kenanga MP006 Kimia OTO III Raka Senn GU012 Gamdi MP002 Bahasa OTO III Raka Senn Inggris GU021 Patrick MP001 Matematika OTO V Susi Senin IV 3 IV 4 V 2 V Pembahasan Hasil Pengujian Sesuai rancangan penelitian yang penulis lakukan dengan menguji hasil optimasi query database dalam web pembelajaran SMK N 1 Barumun dan untuk menganalisa perbandingan antara optimasi dengan metode M2S Crossover dan optimasi dengan metode CHUNK Crossover dengan parameter-parameter sebagai berikut: Ukuran populasi = 50 Maksimum generasi = 100 Probabilitas crossover (Pc) = 10,20,30,40,50 Probabilitas mutasi (Pm) = 7 Dengan hasil pengujian sebagai berikut: Hasil pengujian lengkap perbandingan metode M2S crossover dengan CHUNKs crossover dijelaskan dalam tabel berikut: Probabilitas Crossover Tabel 4.5 Hasil Pengujan M2S Crossover Kromosom yang dibangkitkan Maksimum Generasi Probability Mutasi Fitness , , ,668
46 , ,082 Fitness Rata-rata 1,7308 Probabilitas Crossover Tabel 4.6 Hasil Pengujan CHUNK Crossover Kromosom yang dibangkitkan Maksimum Generasi Probability Mutasi Akumuatif Fitness , , , , ,575 Fitness rata-rata 1,5256 Berdasarkan hasil pengujian pada tabel diatas dapat dilihat bahwa nilai fitness pengujian dengan metode M2S cross over adalah lebih tinggi pada setiap probability crossovernya yakni pada nilai probabilitas 10, 20, 30, 40 dan 50 dibanding dengan CHUNK crossover, dimana masing-masing kromosom yang dibangkitkan 50 dan maksimum generasi 100. Nilai fitness tertinggi pada metode m2s adalalah pada probabilitas 50 dengan nilai fitness 2,082. Sedangkan pada metode CHUNK, nilai fitness tertinggi ada pada probabilitas 30 dengan nilai fitness 1,915. Nilai fitness rata-rata pada probabilitas 10,20,30,40 dan 50 untuk metode M2S adalah 1,7308. Sedangan nilai fitness rata-rata untuk metode CHUNK cross over adalah 1,5256. Sehingga selisih fitness rata-rata metode M2S lebih baik senilai 0,2052 dibanding metode CHUNK Crossover.
47 BAB V PENUTUP 5.1 Kesimpulan Berdasarkan hasil penelitian dan analisa pembahasan yang peneliti lakukan, maka dapat ditarik kesimpulan sebagai berikut: 1. Optimasi query database web E-learning SMK Baramun adalah memindahkan tiap operasi SELECT sejauh mungkin ke bawah query tree selama diperbolehkan oleh attribute-attribute dalam kondisi SELECT 2. Optimasi query database dalam web pembelajaran SMK N 1 Barumun dapat meningkatkan performa aplikasi dengan nilai optimum dan tidak membutuhkan banyak iterasi. 3. Metode terbaik untuk permasalahan optimasi query database web SMK Barumun pada percobaan yang dilakukan antara Metode M2S crossover dengan CHUNK crossover adalah metode M2S crossover dengan nilai fitness yang lebih tinggi dan waktu yang lebih cepat. 5.2 Saran Dari penelitian yang telah dilakukan oleh peneliti, maka saran-saran yang bisa diberikan adalah: 1. Diharapkan setiap database pada web sekolah dilakukan optimasi. 2. Sebaiknya metode optimasi yang digunakan menggunakan metode M2S crossover karena hasilnya lebih baik daripada Chunk crossover 74
48 75 3. Bagi peneliti lain, kiranya dapat dilakukan lagi penelitian sejenis yakni tentang optimasi database dengan metode optimasi lainnya sebagai perbandingan dengan penelitian ini.
Jurnal TIMES, Vol. V No 2 : 43-48, 2016 ISSN :
ANALISA OPTIMASI QUERY DATABASE DALAM PEMBELAJARAN BERBASIS WEB DENGAN METODE M2S CROSSOVER DAN CHUNK CROSSOVER Eka Rahmadyani Program Studi Magister Teknik Informatika Fakultas Ilmu Komputer Dan Teknologi
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 terperinciPERANCANGAN APLIKASI PENJADWALAN KERETA API DENGAN MENGGUNAKAN ALGORITMA GENETIKA (Studi Kasus: Stasiun Kereta Api Bandar Khalipah Medan)
PERANCANGAN APLIKASI PENJADWALAN KERETA API DENGAN MENGGUNAKAN ALGORITMA GENETIKA (Studi Kasus: Stasiun Kereta Api Bandar Khalipah Medan) Nurhamidah Lubis 1, Garuda Ginting 2 Mahasiswa Teknik Informatika
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 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 terperinciERWIEN TJIPTA WIJAYA, ST.,M.KOM
ERWIEN TJIPTA WIJAYA, ST.,M.KOM DEFINISI ALGEN adalah algoritma yang memanfaatkan proses seleksi alamiah yang dikenal dengan evolusi Dalam evolusi, individu terus menerus mengalami perubahan gen untuk
Lebih terperinciBAB 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 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 III PERANCANGAN. Gambar 3.1 di bawah ini mengilustrasikan jalur pada TSP kurva terbuka jika jumlah node ada 10:
BAB III PERANCANGAN Pada bagian perancangan ini akan dipaparkan mengenai bagaimana mencari solusi pada persoalan pencarian rute terpendek dari n buah node dengan menggunakan algoritma genetika (AG). Dari
Lebih 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 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 1. Pendahuluan. 1.1 Latar Belakang
Bab 1 Pendahuluan 1.1 Latar Belakang Pentingnya suatu jadwal dalam sebuah kegiatan tidak lain agar kegiatan tersebut berjalan dengan lancar tanpa adanya gangguan seperti bentroknya jadwal. Penyusunan jadwal
Lebih terperinci1. Pendahuluan 1.1. Latar Belakang
1. Pendahuluan 1.1. Latar Belakang Perkembangan teknologi informasi yang begitu pesat sekarang ini memberikan dampak yang besar terhadap kinerja manusia khususnya dalam bekerja. Segala sesuatu yang dahulu
Lebih terperinciContoh Penggunaan Algoritma Genetika dan NEH
Contoh Penggunaan Algoritma Genetika dan NEH Mata Kuliah Tawar Program Studi Teknik Informatika Kode_mk Mata Kuliah SKS Semester Kelas Dosen Pengampu TKC108 Aljabar Linear 3 2 A Mula'ab, S.Si., M.Kom TKC108
Lebih terperinciT I N J A U A N P U S T A K A Algoritma Genetika [5]
Algoritma Genetika [5] Fitness adalah nilai yang menyatakan baik-tidaknya suatu jalur penyelesaian dalam permasalahan TSP,sehingga dijadikan nilai acuan dalam mencari jalur penyelesaian optimal dalam algoritma
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Travelling Salesman Problem (TSP) Travelling Salesmen Problem (TSP) termasuk ke dalam kelas NP hard yang pada umumnya menggunakan pendekatan heuristik untuk mencari solusinya.
Lebih terperinciBAB 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 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 terperinciAPLIKASI ALGORITMA GENETIKA UNTUK PENJADWALAN MATA KULIAH
APLIKASI ALGORITMA GENETIKA UNTUK PENJADWALAN MATA KULIAH (Studi Kasus: Jurusan Pendidikan Matematika FMIPA Universitas Negeri Yogyakarta) SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tinjauan Pustaka (Samuel, Toni & Willi 2005) dalam penelitian yang berjudul Penerapan Algoritma Genetika untuk Traveling Salesman Problem Dengan Menggunakan Metode Order Crossover
Lebih terperinciBAB 2 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 ALGORITMA GENETIKA DALAM PENYELESAIAN TRAVELLING SALESMAN PROBLEM WITH PRECEDENCE CONSTRAINTS (TSPPC)
PENERAPAN ALGORITMA GENETIKA DALAM PENYELESAIAN TRAVELLING SALESMAN PROBLEM WITH PRECEDENCE CONSTRAINTS (TSPPC) Yayun Hardianti 1, Purwanto 2 Universitas Negeri Malang E-mail: yayunimoet@gmail.com ABSTRAK:
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Makanan merupakan salah satu hal utama untuk mendukung tubuh dalam melakukan berbagai aktifitas. Kandungan berbagai unsur penting dalam makanan seperti karbohidrat,
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 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 terperinciAlgoritma Evolusi Dasar-Dasar Algoritma Genetika
Algoritma Evolusi Dasar-Dasar Algoritma Genetika Imam Cholissodin imam.cholissodin@gmail.com Pokok Bahasan 1. Pengantar 2. Struktur Algoritma Genetika 3. Studi Kasus: Maksimasi Fungsi Sederhana 4. Studi
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN.. Pengumpulan data dan informasi Pengumpulan data digunakan untuk mengumpulkan informasi dan data yang digunakan untuk melakukan analisis dan perancangan sistem informasi penjadwalan
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 terperinciBAB II KAJIAN PUSTAKA. Pada bab kajian pustaka berikut ini akan dibahas beberapa materi yang meliputi
BAB II KAJIAN PUSTAKA Pada bab kajian pustaka berikut ini akan dibahas beberapa materi yang meliputi graf, permasalahan optimasi, model matematika dari objek wisata di Yogyakarta, dan algoritma genetika
Lebih terperinciABSTRAK. Kata kunci : Aplikasi, Penjadwalan, Algoritma Genetika. viii
ABSTRAK Di program studi Teknik Informatika UPN Veteran Yogyakarta, mahasiswa yang akan melakukan pendadaran tidak bisa menentukan jadwal pendadarannya sendiri. Mahasiswa hanya menunggu jadwal pendadaran
Lebih terperinciIMPLEMENTASI ALGORITMA GENETIKA DALAM OPTIMASI JALUR PENDISTRIBUSIAN KERAMIK PADA PT. CHANG JUI FANG
IMPLEMENTASI ALGORITMA GENETIKA DALAM OPTIMASI JALUR PENDISTRIBUSIAN KERAMIK PADA PT. CHANG JUI FANG Adnan Buyung Nasution 1 1,2 Sistem Infomasi, Tehnik dan Ilmu Komputer, Universitas Potensi Utama 3 Universitas
Lebih 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 terperinciPengantar Kecerdasan Buatan (AK045218) Algoritma Genetika
Algoritma Genetika Pendahuluan Struktur Umum Komponen Utama Seleksi Rekombinasi Mutasi Algoritma Genetika Sederhana Referensi Sri Kusumadewi bab 9 Luger & Subblefield bab 12.8 Algoritma Genetika 1/35 Pendahuluan
Lebih terperinciALGORITMA GENETIKA. Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning
ALGORITMA GENETIKA Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning Disusun oleh: Achmad Basuki Politeknik Elektronika Negeri Surabaya, PENS ITS Surabaya 2003 Algoritma
Lebih 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 terperinciALGORITMA GENETIKA PADA PEMROGRAMAN LINEAR DAN NONLINEAR
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 5, No. 03(2016), hal 265 274. ALGORITMA GENETIKA PADA PEMROGRAMAN LINEAR DAN NONLINEAR Abdul Azis, Bayu Prihandono, Ilhamsyah INTISARI Optimasi
Lebih terperinciPENERAPAN ALGORITMA GENETIKA PADA PERENCANAAN LINTASAN KENDARAAN Achmad Hidayatno Darjat Hendry H L T
PENERAPAN ALGORITMA GENETIKA PADA PERENCANAAN LINTASAN KENDARAAN Achmad Hidayatno Darjat Hendry H L T Abstrak : Algoritma genetika adalah algoritma pencarian heuristik yang didasarkan atas mekanisme evolusi
Lebih terperinciPENENTUAN JARAK TERPENDEK PADA JALUR DISTRIBUSI BARANG DI PULAU JAWA DENGAN MENGGUNAKAN ALGORITMA GENETIKA. Abstraksi
PENENTUAN JARAK TERPENDEK PADA JALUR DISTRIBUSI BARANG DI PULAU JAWA DENGAN MENGGUNAKAN ALGORITMA GENETIKA I Dewa Made Adi Baskara Joni 1, Vivine Nurcahyawati 2 1 STMIK STIKOM Indonesia, 2 STMIK STIKOM
Lebih terperinciPENENTUAN MATCHING MAKSIMUM PADA GRAPH BIPARTISI BERBOBOT DENGAN MENGGUNAKAN ALGORITMA GENETIKA
PENENTUAN MATCHING MAKSIMUM PADA GRAPH BIPARTISI BERBOBOT DENGAN MENGGUNAKAN ALGORITMA GENETIKA,, Universitas Negeri Malang E-mail: love_nisza@yahoo.co.id ABSTRAK: Matching berguna untuk menyelesaikan
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 terperinci8. Evaluasi Solusi dan Kriteria Berhenti Perumusan Masalah METODE PENELITIAN Studi Pustaka Pembentukan Data
Gambar 4 Proses Swap Mutation. 8. Evaluasi Solusi dan Kriteria Berhenti Proses evaluasi solusi ini akan mengevaluasi setiap populasi dengan menghitung nilai fitness setiap kromosom sampai terpenuhi kriteria
Lebih terperinciAPLIKASI ALGORITMA GENETIKA DALAM MENENTUKAN SPESIFIKASI PC BERDASARKAN KEMAMPUAN FINANSIAL KONSUMEN
APLIKASI ALGORITMA GENETIKA DALAM MENENTUKAN SPESIFIKASI PC BERDASARKAN KEMAMPUAN FINANSIAL KONSUMEN Eva Haryanty, S.Kom. ABSTRAK Komputer adalah salah satu peralatan yang pada saat ini banyak pula digunakan
Lebih terperinciBAB III PENJADWALAN KULIAH DI DEPARTEMEN MATEMATIKA DENGAN ALGORITMA MEMETIKA. Penjadwalan kuliah di departemen Matematika UI melibatkan
BAB III PENJADWALAN KULIAH DI DEPARTEMEN MATEMATIKA DENGAN ALGORITMA MEMETIKA Penjadwalan kuliah di departemen Matematika UI melibatkan beberapa komponen yakni ruang kuliah, dosen serta mahasiswa. Seorang
Lebih terperinciPERANCANGAN TATA LETAK FASILITAS BAGIAN PRODUKSI MENGGUNAKAN METODE ALGORITMA GENETIK DI PT. PUTRA SEJAHTERA MANDIRI
PERANCANGAN TATA LETAK FASILITAS BAGIAN PRODUKSI MENGGUNAKAN METODE ALGORITMA GENETIK DI PT. PUTRA SEJAHTERA MANDIRI TUGAS SARJANA Diajukan Untuk Memenuhi Sebagian Dari Syarat-Syarat Memperoleh Gelar Sarjana
Lebih terperinciPENJADWALAN UJIAN AKHIR SEMESTER DENGAN ALGORITMA GENETIKA (STUDI KASUS JURUSAN TEKNIK INFORMATIKA UNESA)
Penjadwalan Ujian Akhir Semester dengan Algoritma Genetika PENJADWALAN UJIAN AKHIR SEMESTER DENGAN ALGORITMA GENETIKA (STUDI KASUS JURUSAN TEKNIK INFORMATIKA UNESA) Anita Qoiriah Jurusan Teknik Informatika,
Lebih 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 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 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 III METODE PENELITIAN
digilib.uns.ac.id BAB III METODE PENELITIAN Penelitian ini sebelumnya diawali oleh pengumpulan litelatur dan pengumpulan data. Pengumpulan literatur merupakan pengumpulan bahan-bahan seperti jurnal, buku,
Lebih 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 terperinciTESIS EKA RAHMADYANI
ANALISA OPTIMASI QUERY DATABASE DALAM PEMBELAJARAN BERBASIS WEB DI SMK NEGERI 1 BARUMUN DENGAN METODE M2S CROSSOVER DAN CHUNK CROSSOVER TESIS EKA RAHMADYANI 117038018 PROGRAM STUDI S2 TEKNIK INFORMATIKA
Lebih terperinciZbigniew M., Genetic Alg. + Data Structures = Evolution Program, Springler-verlag.
Zbigniew M., Genetic Alg. + Data Structures = Evolution Program, Springler-verlag. 12/11/2009 1 Ditemukan oleh Holland pada tahun 1975. Didasari oleh fenomena evolusi darwin. 4 kondisi yg mempengaruhi
Lebih 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 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 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 terperinciPendekatan Algoritma Genetika pada Peminimalan Fungsi Ackley menggunakan Representasi Biner
Vol. 7, 2, 108-117, Januari 2011 Pendekatan Algoritma Genetika pada Peminimalan Fungsi Ackley menggunakan Representasi Biner Jusmawati Massalesse Abstrak Tulisan ini dimaksudkan untuk memperlihatkan proses
Lebih terperinciPerancangan Sistem Penjadwalan Asisten Dosen Menggunakan Algoritma Genetika (Studi Kasus: STIKOM Bali)
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Perancangan Sistem Penjadwalan Asisten Dosen Menggunakan Algoritma Genetika (Studi Kasus: STIKOM Bali) I Made Budi Adnyana
Lebih terperinciBAB III METODE PENELITIAN. Penelitian dilakukan dilingkungan Jurusan Ilmu Komputer Fakultas Matematika
BAB III METODE PENELITIAN 3.1. Waktu dan Tempat Penelitian Penelitian dilakukan dilingkungan Jurusan Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Lampung. Waktu penelitian dilaksanakan
Lebih 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 terperinciRANCANG BANGUN SISTEM PENENTUAN KOMPOSISI BAHAN PANGAN HARIAN MENGGUNAKAN ALGORITMA GENETIKA
ABSTRAKSI RANCANG BANGUN SISTEM PENENTUAN KOMPOSISI BAHAN PANGAN HARIAN MENGGUNAKAN ALGORITMA GENETIKA Tedy Rismawan, Sri Kusumadewi Jurusan Teknik Informatika, Fakultas Teknologi Industri Universitas
Lebih terperinciPERANCANGAN SISTEM OPTIMASI PENJADWALAN PENGANGKUTAN SAMPAH DI SURABAYA SECARA ADAPTIF MENGGUNAKAN METODE ALGORITMA GENETIKA
PERANCANGAN SISTEM OPTIMASI PENJADWALAN PENGANGKUTAN SAMPAH DI SURABAYA SECARA ADAPTIF MENGGUNAKAN METODE ALGORITMA GENETIKA Febrianto Nur Anwari, Arna Fariza, S.Kom, M.Kom, Entin Martiana S.Kom, M.Kom,
Lebih terperinciBAB IV ANALISIS MASALAH
BAB IV ANALISIS MASALAH 4.1 Tampilan Program Persoalan TSP yang dibahas pada tugas akhir ini memiliki kompleksitas atau ruang solusi yang jauh lebih besar dari TSP biasa yakni TSP asimetris dan simetris.
Lebih 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 terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Pada saat sekarang ini, setiap perusahaan yang ingin tetap bertahan dalam persaingan dengan perusahaan lainnya, harus bisa membuat semua lini proses bisnis perusahaan tersebut
Lebih terperinciJl. Ahmad Yani, Pontianak Telp./Fax.: (0561)
APLIKASI PENCARIAN RUTE TERPENDEK MENGGUNAKANALGORITMA GENETIKA (Studi Kasus: Pencarian Rute Terpendek untuk Pemadam Kebakaran di Wilayah Kota Pontianak) [1] Putri Yuli Utami, [2] Cucu Suhery, [3] Ilhamsyah
Lebih terperinciALGORITMA GENETIKA Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning
ALGORITMA GENETIKA Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning Achmad Basuki Politeknik Elektronika Negeri Surabaya PENS-ITS Surabaya 2003 Algoritma Genetika Algoritma
Lebih terperinciPENYELESAIAN KNAPSACK PROBLEM MENGGUNAKAN ALGORITMA GENETIKA
PENYELESAIAN KNAPSACK PROBLEM MENGGUNAKAN ALGORITMA GENETIKA Kartina Diah KW1), Mardhiah Fadhli2), Charly Sutanto3) 1,2) Jurusan Teknik Komputer Politeknik Caltex Riau Pekanbaru Jl. Umban Sari No.1 Rumbai-Pekanbaru-Riau
Lebih terperinciBAB 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 terperinciAPLIKASI ALGORITMA GENETIKA UNTUK PENENTUAN KOMPOSISI BAHAN PANGAN HARIAN
APLIKASI ALGORITMA GENETIKA UNTUK PENENTUAN KOMPOSISI BAHAN PANGAN HARIAN Tedy Rismawan 1, Sri Kusumadewi 2 Jurusan Teknik Informatika, Fakultas Teknologi Industri Universitas Islam Indonesia e-mail: 1
Lebih terperinciAlgoritma 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 3 ANALISIS DAN PERANCANGAN
BAB 3 ANALISIS DAN PERANCANGAN 3.1. Analisis Sistem Berjalan 3.1.1. Penyusunan Menu Makanan Dalam penyusunan menu makanan banyak hal yang perlu diperhatikan, terutama jika menu makanan yang disusun untuk
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 terperinciBAB III PEMBAHASAN. Berikut akan diberikan pembahasan mengenai penyelesaikan CVRP dengan
BAB III PEMBAHASAN Berikut akan diberikan pembahasan mengenai penyelesaikan CVRP dengan Algoritma Genetika dan Metode Nearest Neighbour pada pendistribusian roti di CV. Jogja Transport. 3.1 Model Matetematika
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Penjadwalan Penjadwalan adalah penempatan sumber daya (resource) dalam satu waktu. Penjadwalan mata kuliah merupakan persoalan penjadwalan yang umum dan sulit dimana tujuannya
Lebih 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 terperinciPemaksimalan Papan Sirkuit Di Pandang Sebagai Masalah Planarisasi Graf 2-Layer Menggunakan Algoritma Genetika
Vol. 14, No. 1, 19-27, Juli 2017 Pemaksimalan Papan Sirkuit Di Pandang Sebagai Masalah Planarisasi Graf 2-Layer Menggunakan Algoritma Genetika Jusmawati Massalesse dan Muh. Ali Imran Abstrak Tulisan ini
Lebih terperinciAlgoritma Genetika. Mata Kuliah : Kecerdasan Buatan. Dosen Pembimbing : Victor Amrizal, MKom. Disusun oleh : Eka Risky Firmansyah ( )
Algoritma Genetika Mata Kuliah : Kecerdasan Buatan Dosen Pembimbing : Victor Amrizal, MKom Disusun oleh : Eka Risky Firmansyah (1110091000043) Syukri Sayyid Ahmad (1110091000060) Nurul Hikmah Agustin (1110091000061)
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 terperinciPenyelesaian Puzzle Sudoku menggunakan Algoritma Genetik
Penyelesaian Puzzle Sudoku menggunakan Algoritma Genetik Afriyudi 1,Anggoro Suryo Pramudyo 2, M.Akbar 3 1,2 Program Studi Sistem Informasi Fakultas Ilmu Komputer. Universitas Bina Darma Palembang. email
Lebih terperinciOptimasi Penjadwalan Ujian Menggunakan Algoritma Genetika
Optimasi Penjadwalan Ujian Menggunakan Algoritma Genetika Nia Kurnia Mawaddah Wayan Firdaus Mahmudy, (wayanfm@ub.ac.id) Jurusan Matematika, FMIPA Universitas Brawijaya, Malang 65145 Abstrak Penjadwalan
Lebih terperinciOPTIMASI JALUR TRANSPORTASI PRODUK HOUSING CLUTCH DENGAN MENGGUNAKAN METODE ALGORITMA GENETIKA PADA PT. SUZUKI INDOMOBIL MOTOR PLANT CAKUNG
OPTIMASI JALUR TRANSPORTASI PRODUK HOUSING CLUTCH DENGAN MENGGUNAKAN METODE ALGORITMA GENETIKA PADA PT. SUZUKI INDOMOBIL MOTOR PLANT CAKUNG Disusun Oleh : Nama : Mochammad Brananta Arya Lasmono NPM : 34412653
Lebih terperinciPENERAPAN ALGORITMA GENETIKA 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 terperinciCourse Scheduling System Using Genetic Algorithm
Course Scheduling System Using Genetic Algorithm Harry Rahmat Gazali, Satria Perdana Arifin, Rika Perdana Sari Politeknik Caltex Riau Jl.Umbansari No.1 Rumbai - Riau, telp: (0761) 59393 / fax: (0761) 54224
Lebih terperinciBAB II LANDASAN TEORI. digunakan sebagai alat pembayaran yang sah di negara lain. Di dalam
BAB II LANDASAN TEORI 2.1 Valuta Asing Valuta asing dapat diartikan sebagai mata uang yang dikeluarkan dan digunakan sebagai alat pembayaran yang sah di negara lain. Di dalam hukum ekonomi bila terdapat
Lebih 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 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 terperinciBAB III PEMBAHASAN. harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017.
BAB III PEMBAHASAN Data yang digunakan dalam bab ini diasumsikan sebagai data perkiraan harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017. Dengan demikian dapat disusun model Fuzzy
Lebih terperinciBAB III PEMBAHASAN. diperoleh menggunakan algoritma genetika dengan variasi seleksi. A. Model Matematika CVRPTW pada Pendistribusian Raskin di Kota
BAB III PEMBAHASAN Pada bab ini akan dibahas mengenai model matematika pada pendistribusian raskin di Kota Yogyakarta, penyelesaian model matematika tersebut menggunakan algoritma genetika serta perbandingan
Lebih terperinciPENENTUAN KOMBINASI OPTIMUM JUMLAH, BERAT, DAN WAKTU TAMBAT KAPAL DI PT (PERSERO) PELABUHAN INDONESIA III GRESIK MENGGUNAKAN ALGORITMA GENETIKA
LOGO PENENTUAN KOMBINASI OPTIMUM JUMLAH, BERAT, DAN WAKTU TAMBAT KAPAL DI PT (PERSERO) PELABUHAN INDONESIA III GRESIK MENGGUNAKAN ALGORITMA GENETIKA Oleh : Aris Saputro 1206100714 Pembimbing : Dr. M. Isa
Lebih terperinciOptimasi 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 terperinciOPTIMISASI PENEMPATAN TURBIN ANGIN DI AREA LAHAN ANGIN
OPTIMISASI PENEMPATAN TURBIN ANGIN DI AREA LAHAN ANGIN MENGGUNAKAN ALGORITMA GENETIKA Azimatul Khulaifah 2209 105 040 Bidang Studi Sistem Tenaga Jurusan Teknik Elektro FTI ITS Dosen Pembimbing : Dosen
Lebih terperinciBAB III 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 3 ANALISIS DAN PERANCANGAN SISTEM
BAB 3 ANALISIS DAN PERANCANGAN SISTEM Perancangan program aplikasi dalam skripsi ini menggunakan aturan linear sequential atau waterfall. Metode ini terdiri dari empat tahapan, yaitu : analisis, perancangan,
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 terperinciBAB II KAJIAN TEORI. berkaitan dengan optimasi, pemrograman linear, pemrograman nonlinear, quadratic
BAB II KAJIAN TEORI Kajian teori pada bab ini membahas tentang pengertian dan penjelasan yang berkaitan dengan optimasi, pemrograman linear, pemrograman nonlinear, quadratic programming dan algoritma genetika.
Lebih terperinciSTUDI ANALISA PELATIHAN JARINGAN SYARAF TIRUAN DENGAN DAN TANPA ALGORITMA GENETIKA
STUDI ANALISA PELATIHAN JARINGAN SYARAF TIRUAN DENGAN DAN TANPA ALGORITMA GENETIKA (Agustinus N., et al. STUDI ANALISA PELATIHAN JARINGAN SYARAF TIRUAN DENGAN DAN TANPA ALGORITMA GENETIKA Agustinus Noertjahyana
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 terperinciOPTIMASI PENJADWALAN BIMBINGAN BELAJAR MENGGUNAKAN METODE ALGORITMA GENETIKA
OPTIMASI PENJADWALAN BIMBINGAN BELAJAR MENGGUNAKAN METODE ALGORITMA GENETIKA SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.kom) Pada Program Studi Sistem Informasi
Lebih terperinciPENERAPAN ALGORITMA GENETIKA DALAM OPTIMASI PENDISTRIBUSIAN PUPUK DI PT PUPUK ISKANDAR MUDA ACEH UTARA
TECHSI ~ Jurnal Penelitian Teknik Informatika Universitas Malikussaleh, Lhokseumawe Aceh Penelitian ini membahas tentang Implementasi Persoalan Optimasi Rute Terpendek Pendistribusia n Pupuk pada PT. Sayed
Lebih terperinci3.2.3 Resiko, Keuntungan dan Kerugian Forex Metode Prediksi dalam Forex MetaTrader 4 sebagai Platform Trading dalam Forex...
DAFTAR ISI HALAMAN PENGESAHAN... iii PERNYATAAN... iv HALAMAN MOTTO DAN PERSEMBAHAN... v PRAKATA... vi DAFTAR ISI... viii DAFTAR GAMBAR... xi DAFTAR TABEL... xiv DAFTAR PERSAMAAN... xv DAFTAR LAMPIRAN...
Lebih terperinci