Tesis OPTIMASI TUJUAN GANDA MENGGUNAKAN ALGORITMA IWO-SUBTRACTIVE CLUSTERING. Oleh Agus Muliantara
|
|
|
- Sri Hartono
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Oleh Agus Muliantara Dosen Pembimbing Dr. Agus Zainal Arifin, S.Kom., M.Kom. Anny Yuniarti, S.Kom., M.Comp.Sc. PROGRAM MAGISTER BIDANG KEAHLIAN KOMPUTASI CERDAS DAN VISUALISASI JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNOLOGI INFORMASI INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2011 Tesis OPTIMASI TUJUAN GANDA MENGGUNAKAN ALGORITMA IWO-SUBTRACTIVE CLUSTERING Dipresentasikan pada Sidang Tesis 13 Juli 2011
2 Pembagian Presentasi Pendahuluan Kajian Pustaka Metodologi Hasil Simpulan Penutup
3 PENDAHULUAN 1. Latar Belakang 2. Kontribusi 3. Permasalahan 4. Tujuan dan Manfaat
4 Contoh Permasalahan Multiobjective 1. Desain Kendaraan Diharapkan mampu membuat kendaraan yang mampu melaju kencang namun dengan konsumsi bahan bakar yang minimal. Memaksimalkan kinerja motor (+) Meminimalkan konsumsi bahan bakar (-) LATAR BELAKANG 1 dari 8
5 Contoh Permasalahan Multiobjective 1. Desain Kendaraan Diharapkan mampu membuat kendaraan yang mampu melaju kencang namun dengan konsumsi bahan bakar yang minimal. Memaksimalkan kinerja motor (+) Meminimalkan konsumsi bahan bakar (-) LATAR BELAKANG 2. Perancangan komponen pesawat Diharapkan mampu membuat komponen pesawat yang ringan namun kuat. Memiliki bobot ringan (-) Kekuatan bahan maksimal (+) 1 dari 8
6 Contoh Permasalahan Multiobjective 1. Desain Kendaraan Diharapkan mampu membuat kendaraan yang mampu melaju kencang namun dengan konsumsi bahan bakar yang minimal. Memaksimalkan kinerja motor (+) Meminimalkan konsumsi bahan bakar (-) LATAR BELAKANG 2. Perancangan komponen pesawat Diharapkan mampu membuat komponen pesawat yang ringan namun kuat. Memiliki bobot ringan (-) Kekuatan bahan maksimal (+) Permasalahan Tujuan ganda (multiobjective) Mencari solusi untuk permasalahan yang umumnya saling bertentangan 1 dari 8
7 Solusi Multiobjective Memodelkannya menjadi 1 fungsi tujuan Sulit menentukan bobot yang tepat Misalnya : biaya yang timbul akibat dari reputasi yang hilang (Sigalingging 2009) LATAR BELAKANG 2 dari 8
8 Solusi Multiobjective Memodelkannya menjadi 1 fungsi tujuan Sulit menentukan bobot yang tepat Misalnya : biaya yang timbul akibat dari reputasi yang hilang (Sigalingging 2009) LATAR BELAKANG Mencari himpunan solusi yang layak (aproksimasi pareto optimal) Pareto Set Pareto Front Multi Objective Evolutionary Algorithm (MOEA) Sumber : Zitzler, Laumanns and Bleuler n.d 2 dari 8
9 Multiobjective Evolutionary Algorithm (MOEA) Multi Objective Problem MOEA Pencarian Pareto Set MOEA Keberagaman + Solusi nondominated (Elitism) Solusi Multi Objective Problem LATAR BELAKANG 3 dari 8
10 Multiobjective Evolutionary Algorithm (MOEA) Multi Objective Problem MOEA Pencarian Pareto Set Solusi Multi Objective Problem LATAR BELAKANG 2 Tujuan Utama MOEA Pencarian Pareto Set 3 dari 8
11 Multiobjective Evolutionary Algorithm (MOEA) Multi Objective Problem MOEA Pencarian Pareto Set Keberagaman + Solusi nondominated (Elitism) Solusi Multi Objective Problem LATAR BELAKANG 2 Tujuan Utama MOEA Pencarian Pareto Set Menjaga keberagaman dari solusi nondominated (Diversity Preservation + nondominated solution elitism) 3 dari 8
12 Multiobjective with Invasive Weed Optimization (IWO-MO) Multi Objective Problem IWO-MO MOEA Pencarian Pareto Set 1. Inisialisasi Awal 2. Menghitung Fitness 3. Meranking individu 4. Pencarian Menghitung Pareto jumlah benih Set 5. Menyebarkan Benih Elitism Elitism 1. Fuzzy Sort 2. Crowding Distance Solusi Multi Objective Problem LATAR BELAKANG 4 dari 8
13 Multiobjective with Invasive Weed Optimization (IWO-MO) Multi Objective Problem IWO-MO Pencarian Pareto Set 1. Inisialisasi Awal 2. Menghitung Fitness 3. Meranking individu 4. Menghitung jumlah benih 5. Menyebarkan Benih Solusi Multi Objective Problem LATAR BELAKANG Elitism 1. Fuzzy Sort 2. Crowding Distance 4 dari 8
14 Kekurangan Elitism pada IWO-MO MULTI OBJECTIVE OPTIMIZATION INVASSIVE WEED OPTMIZATION (IWO_MO) (Kundu, et al. 2010) Fuzzy Sort + Crowding Distance Crowding Distance Bad distribution (Kukkonen and Deb 2006) dan Bad diversity (Hallam, Blanchfield and Kendall 2005) LATAR BELAKANG 5 dari 8
15 Kekurangan Elitism pada IWO-MO MULTI OBJECTIVE OPTIMIZATION INVASSIVE WEED OPTMIZATION (IWO_MO) (Kundu, et al. 2010) Fuzzy Sort + Crowding Distance Crowding Distance Bad distribution (Kukkonen and Deb 2006) dan Bad diversity (Hallam, Blanchfield and Kendall 2005) MULTIOBJECTIVE OPTIMIZATION USING EVOLUTIONARY ALGORITHM (Sbalzariniy, Mullery and Koumoutsakosyz 2000) LATAR BELAKANG Aproximasi Pareto front yang baik terdistribusi pada pareto front Clustering dapat digunakan untuk mengatasi bad distribution 5 dari 8
16 Kekurangan Elitism pada IWO-MO MULTI OBJECTIVE OPTIMIZATION INVASSIVE WEED OPTMIZATION (IWO_MO) (Kundu, et al. 2010) Fuzzy Sort + Crowding Distance Crowding Distance Bad distribution (Kukkonen and Deb 2006) dan Bad diversity (Hallam, Blanchfield and Kendall 2005) MULTIOBJECTIVE OPTIMIZATION USING EVOLUTIONARY ALGORITHM (Sbalzariniy, Mullery and Koumoutsakosyz 2000) LATAR BELAKANG Aproximasi Pareto front yang baik terdistribusi pada pareto front Clustering dapat digunakan untuk mengatasi bad distribution CLUSTERING BASED ON UNIFORM DAN ORTHOGONAL DESIGN METHOD (Wang, et al. 2009) Bergantung pada penentuan centroid awal Memberikan hasil yang berbeda-beda 5 dari 8
17 Kekurangan Elitism pada IWO-MO MULTI OBJECTIVE OPTIMIZATION INVASSIVE WEED OPTMIZATION (IWO_MO) (Kundu, et al. 2010) Fuzzy Sort + Crowding Distance Crowding Distance Bad distribution (Kukkonen and Deb 2006) dan Bad diversity (Hallam, Blanchfield and Kendall 2005) MULTIOBJECTIVE OPTIMIZATION USING EVOLUTIONARY ALGORITHM (Sbalzariniy, Mullery and Koumoutsakosyz 2000) LATAR BELAKANG Aproximasi Pareto front yang baik terdistribusi pada pareto front Clustering dapat digunakan untuk mengatasi bad distribution CLUSTERING BASED ON UNIFORM DAN ORTHOGONAL DESIGN METHOD (Wang, et al. 2009) Bergantung pada penentuan centroid awal Memberikan hasil yang berbeda-beda A CLUSTERING PROCEDURE FOR REDUCING THE NUMBER OF REPRESENTATIVE SOLUTION IN THE PARETO FRONT OF MULTIOBJECTIVE OPTIMIZATION PROBLEM (Zio and Bazzo 2011) Dilakukan di proses posterior Tidak tergantung pada penentuan centroid awal 5 dari 8
18 Kekurangan Elitism pada IWO-MO MULTI OBJECTIVE OPTIMIZATION INVASSIVE WEED OPTMIZATION (IWO_MO) (Kundu, et al. 2010) Fuzzy Sort + Crowding Distance Crowding Distance Bad distribution (Kukkonen and Deb 2006) dan Bad diversity (Hallam, Blanchfield and Kendall 2005) MULTIOBJECTIVE OPTIMIZATION USING EVOLUTIONARY ALGORITHM (Sbalzariniy, Mullery and Koumoutsakosyz 2000) LATAR BELAKANG Aproximasi Pareto front yang baik terdistribusi pada pareto front Clustering dapat digunakan untuk mengatasi bad distribution CLUSTERING BASED ON UNIFORM DAN ORTHOGONAL DESIGN METHOD (Wang, et al. 2009) Bergantung pada penentuan centroid awal Memberikan hasil yang berbeda-beda A CLUSTERING PROCEDURE FOR REDUCING THE NUMBER OF REPRESENTATIVE SOLUTION IN THE PARETO FRONT OF MULTIOBJECTIVE OPTIMIZATION PROBLEM Bad Diversity Bad Distribution (Zio and Bazzo 2011) Dilakukan di proses posterior Tidak tergantung pada penentuan centroid awal 5 dari 8
19 Kontribusi Berusaha mengatasi kelemahan elitism pada IWO-MO dengan menggunakan Subtractive Clustering KONTRIBUSI Multi Objective Optimization using Invassive Weed Optimization and Subtractive Clustering (IWO-SC ) Multi Objective Problem IWO-MO Pencarian Pareto Set 1. Inisialisasi Awal 2. Menghitung Fitness 3. Meranking individu 4. Menghitung jumlah benih 5. Menyebarkan Benih Elitism 1. Fuzzy Sort 2. Crowding Distance Solusi Multi Objective Problem 6 dari 8
20 Kontribusi Berusaha mengatasi kelemahan elitism pada IWO-MO dengan menggunakan Subtractive Clustering KONTRIBUSI Multi Objective Optimization using Invassive Weed Optimization and Subtractive Clustering (IWO-SC ) Multi Objective Problem IWO-MO IWO-SC Pencarian Pareto Set 1. Inisialisasi Awal 2. Menghitung Fitness 3. Meranking individu 4. Menghitung jumlah benih 5. Menyebarkan Benih Elitism Fuzzy Subtractive Sort Clustering 2. Crowding Distance Solusi Multi Objective Problem 6 dari 8
21 Permasalahan 1. Bagaimana subtractive clustering dapat mengatasi bad diversity dan bad distribution pada permasalahan multiobjective. PERMASALAHAN 2. Bagaimana menentukan hasil aproksimasi pareto optimal dan mengukur performa dari metode IWO-SC ini. 7 dari 8
22 Tujuan dan Manfaat Tujuan mendapatkan solusi aproksimasi pareto optimal pada permasalahan multi objective optimization dengan menggunakan metode IWO-Subtractive clustering. TUJUAN DAN MANFAAT Manfaat 1. Penelitian dapat mengetahui perbandingan unjuk kerja dari metode yang diusulkan dibandingkan dengan metode IWO_MO sehingga diharapkan metode ini dapat digunakan sebagai solusi baru pada optimasi tujuan ganda. 2. Penelitian ini nantinya diharapkan dapat digunakan untuk membantu memecahkan kasus-kasus tujuan ganda seperti kasus motor dan pesawat 8 dari 8
23 KAJIAN PUSTAKA 1. Multi Objective using Invasive Weed Optimization (IWO-MO) 2. Subtractive Clustering
24 Block Diagram IWO-MO IWO-MO 1 dari 2
25 Block Diagram IWO-MO IWO-MO 1 dari 2
26 Block Diagram IWO-MO 1. Menghitung Fitness menggunakan Objective Function 2. Rank Populasi menggunakan Fuzzy Sort 3. Hitung Jumlah Benih 4. Sebarkan Benih IWO-MO 1 dari 2
27 Block Diagram IWO-MO 1. Menghitung Fitness menggunakan Objective Function 2. Rank Populasi menggunakan Fuzzy Sort 3. Hitung Jumlah Benih 4. Sebarkan Benih IWO-MO 1 dari 2
28 Block Diagram IWO-MO 1. Menghitung Fitness menggunakan Objective Function 2. Rank Populasi menggunakan Fuzzy Sort 3. Hitung Jumlah Benih 4. Sebarkan Benih IWO-MO 1 dari 2
29 Block Diagram IWO-MO 1. Menghitung Fitness menggunakan Objective Function 2. Rank Populasi menggunakan Fuzzy Sort 3. Hitung Jumlah Benih 4. Sebarkan Benih IWO-MO 1 dari 2
30 Block Diagram IWO-MO 1. Menghitung Fitness menggunakan Objective Function 2. Rank Populasi menggunakan Fuzzy Sort 3. Hitung Jumlah Benih 4. Sebarkan Benih IWO-MO 1 dari 2
31 Algoritma Subtractive Clustering I. Penentuan center cluster (Family) 1. Semua data point dari solusi (N) pada semua dimensi D j = (P j,q j,..z j ) akan dinormalisasi ke skala [0,1] menjadi D j * 2. Hitung potensial tiap data point 3. Menentukan Center cluster pertama (C 1 ) point dengan potensial terbesar 4. Perbaiki nilai potensial solusi lainnya 5. Pilih potensial dengan nilai terbesar center cluster ke-2 6. Ulangi langkah 4 dan 5 sampai tidak terbentuk center cluster lagi SUBTRACTIVE CLUSTERING 2 dari 2
32 Algoritma Subtractive Clustering I. Penentuan center cluster (Family) 1. Semua data point dari solusi (N) pada semua dimensi D j = (P j,q j,..z j ) akan dinormalisasi ke skala [0,1] menjadi D j * 2. Hitung potensial tiap data point 3. Menentukan Center cluster pertama (C 1 ) point dengan potensial terbesar 4. Perbaiki nilai potensial solusi lainnya 5. Pilih potensial dengan nilai terbesar center cluster ke-2 6. Ulangi langkah 4 dan 5 sampai tidak terbentuk center cluster lagi SUBTRACTIVE CLUSTERING II. Penentuan anggota tiap family (Head of the family) 1. Setelah semua center cluster didapatkan, maka langkah selanjutnya adalah menentukan anggota dari masing-masing cluster 2 dari 2
33 METODOLOGI 1. Metodologi Penelitian 2. Fungsi Objective 3. Desain Algoritma 4. Implementasi Algoritma 5. Uji coba 6. Pengukuran Kinerja
34 BLOCK DIAGRAM METODOLOGI PENELITIAN Penentuan Fungsi Objective Desain algoritma IWO-SC METODOLOGI PENELITIAN Implementasi algoritma Matlab 2010a Uji coba np_init, np_max, iter max, n, ε dan ε Evaluasi Performance Metrics Dimana : IWO-SC : Invasive Weed Optimization Substractive Clustering np_init : populasi awal Np_max : Jumlah populasi maksimum iter max : jumlah iterasi maksmum n : nonlinier modulation indeks ε dan ε : Acceptance and rejection ratio 1 dari 18
35 FUNGSI OBJECTIVE Fungsi Objective Dimensi Jangkauan Search Space UF1 7 [0,1]x[-1,1] n-1 Concave UF2 7 [0,1]x[-1,1] n-1 Concave UF4 7 [0,1]x[-2,2] n-1 Convex UF7 7 [0,1]x[-1,1] n-1 Karakteristik Pareto Front One isolated point (0,1) and two disconected parts CF1 7 [0,1] n 21 Point front PENENTUIAN FUNGSI OBJECTIVE CF2 7 [0,1]x[-1,1] n-1 One isolated point (0,1) and two disconnected parts CF4 7 [0,1]x[-2,2] n-1 Piecewise linear front CF6 7 [0,1]x[-2,2] n-1 Piecewise linear front 2 dari 18
36 UF1 Fungsi Objective yang saling meminimalkan dimana Ganjil dan dan Genap dan Ruang Pencarian PENENTUIAN FUNGSI OBJECTIVE Pareto Front Pareto Set 3 dari 8
37 UF1 Fungsi Objective yang saling meminimalkan Kendaraan Bermotor kecepatan tinggi dan tapi hemat BBM dimana Ganjil dan Genap dan Fungsi f1 Hemat Bahan Bakar Fungsi f2 kendaraan mampu melaju dengan kecepatan rendah Ruang Pencarian PENENTUIAN FUNGSI OBJECTIVE Variabel x misalnya : Pareto Front x1 : bahan mesin x2 : diameter silinder x3 : jumlah Pareto langkah Set pembakaran (2 tak atau 4 tak) 3 dari 8
38 UF1 Fungsi Objective yang saling meminimalkan dimana Ganjil dan dan Genap dan Ruang Pencarian PENENTUIAN FUNGSI OBJECTIVE Pareto Front Pareto Set 3 dari 8
39 DESAIN ALGORITMA DESAIN ALGORITMA 4 dari 8
40 DESAIN ALGORITMA DESAIN ALGORITMA 4 dari 8
41 DESAIN ALGORITMA DESAIN ALGORITMA 4 dari 8
42 DESAIN ALGORITMA DESAIN ALGORITMA 4 dari 8
43 DESAIN ALGORITMA DESAIN ALGORITMA 4 dari 8
44 DESAIN ALGORITMA DESAIN ALGORITMA 4 dari 8
45 DESAIN ALGORITMA DESAIN ALGORITMA 4 dari 8
46 DESAIN ALGORITMA DESAIN ALGORITMA 4 dari 8
47 DESAIN ALGORITMA DESAIN ALGORITMA 4 dari 8
48 DESAIN ALGORITMA DESAIN ALGORITMA 4 dari 8
49 IMPLEMENTASI 1. Algoritma yang diusulkan akan diimplementasikan ke dalam kode program IMPLEMENTASI 2. Pembuatan interface program 3. Implementasi akan dilakukan dengan MATLAB 2010a 5 dari 8
50 UJI COBA 1. Menentukan parameter optimal pada IWO-SC np_init : jumlah populasi awal np_max : jumlah populasi maksimal n : nonlinear modulation index ε dan ε : rejection and acception ratio iter max : jumlah iterasi maksimum UJI COBA 2. Menghitung Pareto Front dari masing-masing fungsi objective menggunakan metode yang diusulkan (IWO-SC) 6 dari 8
51 Pengukuran Kinerja 1. Diukur menggunakan performance metrics Inverted Generational Distance (IGD) Menghitung seberapa besar error dan keberagaman data IGD A, P = d(v,a) v P P PENGUKURAN KINERJA Semakin kecil nilai IGD semakin baik Spacing Menghitung seberapa uniform sebaran data S = 1 Q Q d i d 2 i=1 Semakin kecil nilai Spacing semakin baik Runtime Semakin kecil nilai Runtime semakin baik 2. Dibandingkan dengan metode sebelumnya (IWO-MO) 7 dari 8
52 1. Sebar n Populasi Secara Acak 1 Weed Search Space Objective Function x 2 y 2 Pareto Set (0,0) x 1 1 (0,0) y 1 Pareto Front Ilustrasi Metode IWO-SC 8 dari 8
53 1. Sebar n Populasi Secara Acak 2. Hitung Fungsi Fitness 1 Weed Search Space Objective Function x 2 y Pareto Set (0,0) x 1 1 (0,0) y 1 Pareto Front Ilustrasi Metode IWO-SC 8 dari 8
54 1. Sebar n Populasi Secara Acak 2. Hitung Fungsi Fitness 3. Sorting Menggunakan Fuzzy Sorting 1 Weed Search Space Objective Function x 2 y Pareto Set 0.2 (0,0) x 1 1 (0,0) y 1 Pareto Front Ilustrasi Metode IWO-SC 8 dari 8
55 1. Sebar n Populasi Secara Acak 2. Hitung Fungsi Fitness 3. Sorting Menggunakan Fuzzy Sorting 4. Tentukan jumlah benih yang diijinkan 1 Weed Search Space Objective Function x 2 y 2 (4) 0.7 (3) 0.6 (2) 0.4 (1) Pareto Set 0.2 (0,0) x 1 1 (0,0) y 1 Pareto Front Ilustrasi Metode IWO-SC 8 dari 8
56 1. Sebar n Populasi Secara Acak 2. Hitung Fungsi Fitness 3. Sorting Menggunakan Fuzzy Sorting 4. Tentukan jumlah benih yang diijinkan 5. Sebarkan benih pada area disekitar induk 1 Weed Search Space Objective Function x 2 y 2 (4) 0.7 (3) 0.6 (2) 0.4 (1) Pareto Set 0.2 (0,0) x 1 1 (0,0) y 1 Pareto Front Ilustrasi Metode IWO-SC 8 dari 8
57 1. Sebar n Populasi Secara Acak 2. Hitung Fungsi Fitness 3. Sorting Menggunakan Fuzzy Sorting 4. Tentukan jumlah benih yang diijinkan 5. Sebarkan benih pada area disekitar induk 1 Weed Search Space Objective Function x 2 y 2 (4) 0.7 (3) 0.6 (2) 0.4 (1) Pareto Set 0.2 (0,0) x 1 1 (0,0) y 1 Pareto Front Ilustrasi Metode IWO-SC 8 dari 8
58 1. Sebar n Populasi Secara Acak 2. Hitung Fungsi Fitness 3. Sorting Menggunakan Fuzzy Sorting 4. Tentukan jumlah benih yang diijinkan 5. Sebarkan benih pada area disekitar induk 1 Weed Search Space Objective Function x 2 y 2 (4) 0.7 (3) 0.6 (2) 0.4 (1) Pareto Set 0.2 (0,0) x 1 1 (0,0) y 1 Pareto Front Ilustrasi Metode IWO-SC 8 dari 8
59 1. Sebar n Populasi Secara Acak 2. Hitung Fungsi Fitness 3. Sorting Menggunakan Fuzzy Sorting 4. Tentukan jumlah benih yang diijinkan 5. Sebarkan benih pada area disekitar induk 1 Weed Search Space Objective Function x 2 y 2 (4) 0.7 (3) 0.6 (2) 0.4 (1) Pareto Set 0.2 (0,0) x 1 1 (0,0) y 1 Pareto Front Ilustrasi Metode IWO-SC 8 dari 8
60 1. Sebar n Populasi Secara Acak 2. Hitung Fungsi Fitness 3. Sorting Menggunakan Fuzzy Sorting 4. Tentukan jumlah benih yang diijinkan 5. Sebarkan benih pada area disekitar induk 6. Ulangi langkah 2-5 hingga n_max tercapai 7. Cari solusi non-dominated 1 Weed Search Space Objective Function x 2 y 2 Pareto Set (0,0) x 1 1 (0,0) y 1 Pareto Front Ilustrasi Metode IWO-SC 8 dari 8
61 1. Sebar n Populasi Secara Acak 2. Hitung Fungsi Fitness 3. Sorting Menggunakan Fuzzy Sorting 4. Tentukan jumlah benih yang diijinkan 5. Sebarkan benih pada area disekitar induk 6. Ulangi langkah 2-5 hingga n_max tercapai 7. Cari solusi non-dominated 8. Tentukan center cluster (SC) 1 Weed Search Space Objective Function x 2 y 2 Pareto Set (0,0) x 1 1 (0,0) y 1 Pareto Front Ilustrasi Metode IWO-SC 8 dari 8
62 1. Sebar n Populasi Secara Acak 2. Hitung Fungsi Fitness 3. Sorting Menggunakan Fuzzy Sorting 4. Tentukan jumlah benih yang diijinkan 5. Sebarkan benih pada area disekitar induk 6. Ulangi langkah 2-5 hingga n_max tercapai 7. Cari solusi non-dominated 8. Tentukan center cluster (SC) 9. Tentukan anggota cluster (2) 1 Weed Search Space Objective Function x 2 y 2 Pareto Set (0,0) x 1 1 (0,0) y 1 Pareto Front Ilustrasi Metode IWO-SC 8 dari 8
63 1. Sebar n Populasi Secara Acak 2. Hitung Fungsi Fitness 3. Sorting Menggunakan Fuzzy Sorting 4. Tentukan jumlah benih yang diijinkan 5. Sebarkan benih pada area disekitar induk 6. Ulangi langkah 2-5 hingga n_max tercapai 7. Cari solusi non-dominated 8. Tentukan center cluster (SC) 9. Tentukan anggota cluster (2) 10. Batasi dengan constraint 1 Weed Search Space Objective Function x 2 y 2 Pareto Set Pareto Front (0,0) x 1 1 (0,0) y 1 Ilustrasi Metode IWO-SC 8 dari 8
64 Hasil Ujicoba 1. Penentuan nilai Parameter 2. Ujicoba terhadap fungsi Objective
65 Interface dari Aplikasi IWO-SC 1 dari 9
66 Interface dari Aplikasi IWO-SC 1 dari 9
67 Interface dari Aplikasi IWO-SC 1 dari 9
68 Interface dari Aplikasi IWO-SC 1 dari 9
69 Interface dari Aplikasi IWO-SC 1 dari 9
70 Hasil Penentuan Parameter (1) Penentuan Parameter Nonlinear Modulation Index (n) Nilai rata-rata IGD n n 1 dari 9
71 Hasil Penentuan Parameter (1) Penentuan Parameter Nonlinear Modulation Index (n) Nilai rata-rata IGD n n 1 dari 9
72 Hasil Penentuan Parameter (2) Penentuan Parameter Acceptance Ratio Nilai rata-rata IGD (Error) Acceptance Ratio Acceptance Ratio 2 dari 9
73 Hasil Penentuan Parameter (2) Penentuan Parameter Acceptance Ratio Nilai rata-rata IGD (Error) Acceptance Ratio Acceptance Ratio 2 dari 9
74 Hasil Penentuan Parameter (3) Penentuan Parameter Rejection Ratio Nilai rata-rataigd (Error) Rejection Ratio Rejection Ratio 3 dari 9
75 Hasil Penentuan Parameter (3) Penentuan Parameter Rejection Ratio Nilai rata-rataigd (Error) Rejection Ratio Rejection Ratio 3 dari 9
76 Hasil Penentuan Parameter (4) Nama Nilai np_init 20 np_max 100 max iter 5000 n 1 ε 0.5 ε 0.15 dimensi 7 4 dari 9
77 Hasil UJI COBA (UF2) IWO-MO IWO-SC Perc. IGD Spacing Runtime (detik) IGD Spacing Runtime (detik) dari 9
78 Hasil UJI COBA (UF2) IWO-MO IWO-SC Perc. IGD Spacing Runtime (detik) IGD Spacing Runtime (detik) dari 9
79 Hasil UJI COBA (UF2) IWO-MO IWO-SC Perc. IGD Spacing Runtime (detik) IGD Spacing Runtime (detik) dari 9
80 Hasil UJI COBA (UF2) IWO-MO IWO-SC Perc. IGD Spacing Runtime (detik) IGD Spacing Runtime (detik) dari 9
81 Hasil UJI COBA (Rata-rata performance Metrics) IGD Performance Metrics Spacing Runtime (detik) fungsi Objective IWO-MO IWO-SC IWO-MO IWO-SC IWO-MO IWO-SC UF UF UF UF CF CF CF CF Rata-rata dari 9
82 Hasil UJI COBA (Rata-rata performance Metrics) IGD IGD Performance Metrics Spacing Runtime (detik) fungsi Objective IWO-MO IWO-SC IWO-MO IWO-SC IWO-MO IWO-SC UF UF UF UF CF CF CF CF Rata-rata dari 9
83 Hasil UJI COBA (Rata-rata performance Metrics) IGD IGD Performance Metrics Spacing Runtime (detik) fungsi Objective IWO-MO IWO-SC IWO-MO IWO-SC IWO-MO IWO-SC UF UF UF UF CF CF CF CF Rata-rata dari 9
84 Hasil UJI COBA (Rata-rata performance Metrics) IGD IGD Performance Metrics Spacing Spacing Runtime (detik) fungsi Objective IWO-MO IWO-SC IWO-MO IWO-SC IWO-MO IWO-SC UF UF UF UF CF CF CF CF Rata-rata dari 9
85 Hasil UJI COBA (Rata-rata performance Metrics) IGD IGD Performance Metrics Spacing Spacing Runtime (detik) fungsi Objective IWO-MO IWO-SC IWO-MO IWO-SC IWO-MO IWO-SC UF UF UF UF CF CF CF CF Rata-rata dari 9
86 Hasil UJI COBA (Rata-rata performance Metrics) IGD IGD Performance Metrics Spacing Spacing Runtime (detik) Runtime (detik) fungsi Objective IWO-MO IWO-SC IWO-MO IWO-SC IWO-MO IWO-SC UF UF UF UF CF CF CF CF Rata-rata dari 9
87 Hasil UJI COBA (Rata-rata performance Metrics) IGD IGD Performance Metrics Spacing Spacing Runtime (detik) Runtime (detik) fungsi Objective IWO-MO IWO-SC IWO-MO IWO-SC IWO-MO IWO-SC UF UF UF UF CF CF CF CF Rata-rata dari 9
88 Perbandingan nilai IGD IWO-MO IWO-SC (Metode Usulan) 0.12 Nilai Rata-rata IGD UF1 UF2 UF4 UF7 CF1 CF2 CF4 CF Fungsi Objective 7 dari 9
89 Perbandingan nilai IGD IWO-MO IWO-SC (Metode Usulan) 0.12 Nilai Rata-rata IGD UF1 UF2 UF4 UF7 CF1 CF2 CF4 CF Fungsi Objective 7 dari 9
90 Perbandingan nilai IGD IWO-MO IWO-SC (Metode Usulan) 0.12 Nilai Rata-rata IGD UF1 UF2 UF4 UF7 CF1 CF2 CF4 CF Fungsi Objective 7 dari 9
91 Perbandingan nilai IGD IWO-MO IWO-SC (Metode Usulan) 0.12 Nilai Rata-rata IGD UF1 UF2 UF4 UF7 CF1 CF2 CF4 CF Fungsi Objective 7 dari 9
92 Perbandingan nilai IGD IWO-MO IWO-SC (Metode Usulan) 0.12 Nilai Rata-rata IGD UF1 UF2 UF4 UF7 CF1 CF2 CF4 CF Fungsi Objective 7 dari 9
93 Perbandingan nilai IGD IWO-MO IWO-SC (Metode Usulan) 0.12 Nilai Rata-rata IGD UF1 UF2 UF4 UF7 CF1 CF2 CF4 CF Fungsi Objective 7 dari 9
94 Perbandingan nilai IGD IWO-MO IWO-SC (Metode Usulan) 0.12 Nilai Rata-rata IGD UF1 UF2 UF4 UF7 CF1 CF2 CF4 CF Fungsi Objective 7 dari 9
95 Perbandingan nilai IGD IWO-MO IWO-SC (Metode Usulan) 0.12 Nilai Rata-rata IGD UF1 UF2 UF4 UF7 CF1 CF2 CF4 CF Fungsi Objective 7 dari 9
96 Perbandingan Nilai SPACING IWO-MO IWO-SC (Metode Usulan) Nilai Rata-rata Spacing UF1 UF2 UF4 UF7 CF1 CF2 CF4 CF6 Fungsi Objective 8 dari 9
97 Perbandingan Nilai SPACING IWO-MO IWO-SC (Metode Usulan) Nilai Rata-rata Spacing UF1 UF2 UF4 UF7 CF1 CF2 CF4 CF6 Fungsi Objective 8 dari 9
98 Perbandingan Nilai SPACING IWO-MO IWO-SC (Metode Usulan) Nilai Rata-rata Spacing UF1 UF2 UF4 UF7 CF1 CF2 CF4 CF6 Fungsi Objective 8 dari 9
99 Perbandingan Nilai SPACING IWO-MO IWO-SC (Metode Usulan) Nilai Rata-rata Spacing UF1 UF2 UF4 UF7 CF1 CF2 CF4 CF6 Fungsi Objective 8 dari 9
100 Perbandingan Nilai SPACING IWO-MO IWO-SC (Metode Usulan) Nilai Rata-rata Spacing UF1 UF2 UF4 UF7 CF1 CF2 CF4 CF6 Fungsi Objective 8 dari 9
101 Perbandingan Nilai SPACING IWO-MO IWO-SC (Metode Usulan) Nilai Rata-rata Spacing UF1 UF2 UF4 UF7 CF1 CF2 CF4 CF6 Fungsi Objective 8 dari 9
102 Perbandingan Nilai SPACING IWO-MO IWO-SC (Metode Usulan) Nilai Rata-rata Spacing UF1 UF2 UF4 UF7 CF1 CF2 CF4 CF6 Fungsi Objective 8 dari 9
103 Perbandingan Nilai SPACING IWO-MO IWO-SC (Metode Usulan) Nilai Rata-rata Spacing UF1 UF2 UF4 UF7 CF1 CF2 CF4 CF6 Fungsi Objective 8 dari 9
104 Perbandingan Nilai RUNTIME 94.5 IWO-MO IWO-SC (Metode Usulan) 77.1 Nilai Rata-rata Runtime (detik) UF1 UF2 UF4 UF7 CF1 CF2 CF4 CF6 Fungsi Objective 9 dari 9
105 Perbandingan Nilai RUNTIME 94.5 IWO-MO IWO-SC (Metode Usulan) 77.1 Nilai Rata-rata Runtime (detik) UF1 UF2 UF4 UF7 CF1 CF2 CF4 CF6 Fungsi Objective 9 dari 9
106 Perbandingan Nilai RUNTIME 94.5 IWO-MO IWO-SC (Metode Usulan) 77.1 Nilai Rata-rata Runtime (detik) UF1 UF2 UF4 UF7 CF1 CF2 CF4 CF6 Fungsi Objective 9 dari 9
107 Perbandingan Nilai RUNTIME 94.5 IWO-MO IWO-SC (Metode Usulan) 77.1 Nilai Rata-rata Runtime (detik) UF1 UF2 UF4 UF7 CF1 CF2 CF4 CF6 Fungsi Objective 9 dari 9
108 Perbandingan Nilai RUNTIME 94.5 IWO-MO IWO-SC (Metode Usulan) 77.1 Nilai Rata-rata Runtime (detik) UF1 UF2 UF4 UF7 CF1 CF2 CF4 CF6 Fungsi Objective 9 dari 9
109 Perbandingan Nilai RUNTIME 94.5 IWO-MO IWO-SC (Metode Usulan) 77.1 Nilai Rata-rata Runtime (detik) UF1 UF2 UF4 UF7 CF1 CF2 CF4 CF6 Fungsi Objective 9 dari 9
110 Perbandingan Nilai RUNTIME 94.5 IWO-MO IWO-SC (Metode Usulan) 77.1 Nilai Rata-rata Runtime (detik) UF1 UF2 UF4 UF7 CF1 CF2 CF4 CF6 Fungsi Objective 9 dari 9
111 Perbandingan Nilai RUNTIME 94.5 IWO-MO IWO-SC (Metode Usulan) 77.1 Nilai Rata-rata Runtime (detik) UF1 UF2 UF4 UF7 CF1 CF2 CF4 CF6 Fungsi Objective 9 dari 9
112 Simpulan dan saran
113 Simpulan dan Saran 1. Simpulan 1. Metode IWO-SC mampu melakukan optimasi pada permasalahan tujuan ganda 1 dari 1
114 Simpulan dan Saran 1. Simpulan 1. Metode IWO-SC mampu melakukan optimasi pada permasalahan tujuan ganda 2. Metode IWO-SC berhasil meminimalkan error dan memecahkan permasalahan bad diversity. 1 dari 1
115 Simpulan dan Saran 1. Simpulan 1. Metode IWO-SC mampu melakukan optimasi pada permasalahan tujuan ganda 2. Metode IWO-SC berhasil meminimalkan error dan memecahkan permasalahan bad diversity. 3. Metode IWO-SC mampu menghasilkan distribusi yang baik dan mampu meminimalkan bad distribution. 1 dari 1
116 Simpulan dan Saran 1. Simpulan 1. Metode IWO-SC mampu melakukan optimasi pada permasalahan tujuan ganda 2. Metode IWO-SC berhasil meminimalkan error dan memecahkan permasalahan bad diversity. 3. Metode IWO-SC mampu menghasilkan distribusi yang baik dan mampu meminimalkan bad distribution. 4. Performa metode usulan (IWO-SC) lebih baik dari (IWO-MO). 1 dari 1
117 Simpulan dan Saran 1. Simpulan 1. Metode IWO-SC mampu melakukan optimasi pada permasalahan tujuan ganda 2. Metode IWO-SC berhasil meminimalkan error dan memecahkan permasalahan bad diversity. 3. Metode IWO-SC mampu menghasilkan distribusi yang baik dan mampu meminimalkan bad distribution. 4. Performa metode usulan (IWO-SC) lebih baik dari (IWO-MO). 2. Saran 1. Disarankan penelitian pada permasalahan tujuan ganda yang lebih kompleks 1 dari 1
118 PENUTUP 1. Daftar pustaka
119 DAFTAR PUSTAKA 1. Chiu, S. "Fuzzy model identification based on cluster estimation." Jurnal of Intelligent and Fuzzy System, 1994: Hallam, Nasreddine, Peter Blanchfield, and Graham Kendall. "Handling Diversity in Evolutionary Multiobjective Optimistion." Evolutionary Computation, 2005: Kukkonen, Saku, and Kalyanmoy Deb. "Improved Pruning of Non-Dominated Solutions Based on Crowding Distance for Bi-Objective Optimization Problems." Evolutionary Computation, 2006: Kundu, Debarati, Kaushik Suresh, Sayan Ghosh, Swagatam Das, B.K. Panigrahi, and Sanjoy Das. "Multi-objective optimization with artificial weed colonies." information Science, 2010: (1) 5. Mehrabian, A.R. "A Novel Numerical optimization algorithm inspired from weed colonization." ecological informatics, 2006: Q., Zhang, Zhou A., Zhao S.Z., Suganthan P.N., Liu W., and Tiwari S. Multi Objective OPtimization Test Instance for the CEC 2009 Special Session and Competition. Technical Report CES-887, Univerisity of Essex Nanyang Technology University 2008, Sbalzariniy, Ivo F., Sibylle Mullery, and Petros Koumoutsakosyz. "Multiobjective optimization using evolutionary algorithms." Center for Turbulence Research Proceedings of the Summer Program (2) 8. Sigalingging, Daswati. Pendekatan Maksimasi Diversitas Untuk Optimasi Tujuan Ganda (Multi-Objective). Thesis Master, Medan: Univesitas Sumatera Utara, Wang, Yuping, Chuangyin Dang, Hecheng Li, Lixian Han, and Jingxuan Wei. "A clustering multi-objective evolutionary algorithm based on orthogonal and uniform design." IEEE Congress on Evolutionary Computing (CEC). Trondheim,Norway,, Zio, E., and R. Bazzo. "A clustering procedure for reducing the number of representative solutions in the Pareto Front of multiobjective optimization problems." European Journal of Operational Research, 2011: (4) 11. Zitzler, Eckart, Marco Laumanns, and Stefan Bleuler. "A tutorial on Evolutionary Multiobjective Optimization." Zurich Switzerland, n.d. (3) DAFTAR PUSTAKA 2 dari 2
120 TERIMA KASIH
PENENTUAN KOMPOSISI BAHAN PAKAN IKAN LELE YANG OPTIMAL DENGAN MENGGUNAKAN METODE IWO-SUBTRACTIVE CLUSTERING
PENENTUAN KOMPOSISI BAHAN PAKAN IKAN LELE YANG OPTIMAL DENGAN MENGGUNAKAN METODE IWO-SUBTRACTIVE CLUSTERING Agus Muliantara Jurusan Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas
BAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Penjadwalan dan Penjadwalan Flow shop Menurut Kumar (2011), jadwal merupakan rencana sistematis yang umumnya menceritakan hal-hal yang akan dikerjakan. Menurut Pinedo (2005),
METODOLOGI BARU UNTUK PERENCANAAN PENGGUNAAN LAHAN INDUSTRI BIODISEL BERKELANJUTAN DENGAN MENGGUNAKAN ALGORITME GENETIKA TUJUAN JAMAK
METODOLOGI BARU UNTUK PERENCANAAN PENGGUNAAN LAHAN INDUSTRI BIODISEL BERKELANJUTAN DENGAN MENGGUNAKAN ALGORITME GENETIKA TUJUAN JAMAK Firdaus Prawiradisastra 1), Yandra Arkeman 2), Agus Buono 3) 1) Departemen
OPTIMALISASI SOLUSI TERBAIK DENGAN PENERAPAN NON-DOMINATED SORTING II ALGORITHM
OPTIMALISASI SOLUSI TERBAIK DENGAN PENERAPAN NON-DOMINATED SORTING II ALGORITHM Poetri Lestari Lokapitasari Belluano poe3.setiawan@gmail.com Universitas Muslim Indonesia Abstrak Non Dominated Sorting pada
PERANCANGAN KONFIGURASI JARINGAN DISTRIBUSI PRODUK BISKUIT MENGGUNAKAN METODE ALGORITMA GENETIKA (Studi Kasus: PT. EP)
PERANCANGAN KONFIGURASI JARINGAN DISTRIBUSI PRODUK BISKUIT MENGGUNAKAN METODE ALGORITMA GENETIKA (Studi Kasus: PT. EP) Rezki Susan Ardyati dan Dida D. Damayanti Program Studi Teknik Industri Institut Teknologi
OPTIMASI MULTI-OBJECTIVE UNTUK DISTRIBUSI BEBAN KERJA PEGAWAI MENGGUNAKAN NSGA-II AHMAD KHAIDIR TELEMATIKA CIO - TEKNIK ELEKTRO - ITS
OPTIMASI MULTI-OBJECTIVE UNTUK DISTRIBUSI BEBAN KERJA PEGAWAI MENGGUNAKAN NSGA-II AHMAD KHAIDIR 2210206725 TELEMATIKA CIO - TEKNIK ELEKTRO - ITS LATAR BELAKANG Perbaikan kinerja aparatur pemerintah Optimasi
Penerapan Algoritma Invasive Weed Optimnization untuk Penentuan Titik Pusat Klaster pada K-Means
IJCCS, Vol.9, No.1, January 2015, pp. 65~76 ISSN: 1978-1520 65 Penerapan Algoritma Invasive Weed Optimnization untuk Penentuan Titik Pusat Klaster pada K-Means I Putu Adi Pratama* 1, Agus Harjoko 2 1 Program
BAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Fuzzy Local Binary Pattern (FLBP) Fuzzifikasi pada pendekatan LBP meliputi transformasi variabel input menjadi variabel fuzzy, berdasarkan pada sekumpulan fuzzy rule. Dalam
BAB I PENDAHULUAN BAB I. PENDAHULUAN
BAB I PENDAHULUAN BAB I. PENDAHULUAN 1.1 Latar Belakang dan Permasalahan Clustering merupakan proses pengelompokan data menjadi kelompokkelompok atau klaster sehingga data-data yang berada dalam satu klaster
Penyelesaian {0,1}-Knapsack Problem dengan Algoritma Soccer League Competition
Penyelesaian {0,1}-Knapsack Problem dengan Algoritma Soccer League Competition Muji Prasetyo Iryanto, Sri Mardiyati Departemen Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Indonesia,
Prosiding Seminar Nasional Matematika dan Pendidikan Matematika ISBN: Tuban, 24 Mei 2014
Prosiding Seminar Nasional Matematika dan Pendidikan Matematika PENCARIAN PROPORSI PENAMBAHAN BEKATUL PADA MO- CORIN YANG BAIK DIKONSUMSI OLEH PENDERITA KOLES- TEROL DENGAN MENGGUNAKAN ALGORITMA GENETIK
BAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI
BAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Vehicle Routing Problem Vehicle Routing Problem merupakan permasalahan distribusi yang mencari serangkaian rute untuk sejumlah kendaraan dengan kapasitas tertentu
Penerapan Adaptive Genetic Algorithm dengan Fuzzy Logic Controller pada Capacitated Vehicle Routing Problem
Penerapan Adaptive Genetic Algorithm dengan Fuzzy Logic Controller pada Capacitated Vehicle Routing Problem Tri Kusnandi Fazarudin 1, Rasyid Kurniawan 2, Mahmud Dwi Sulistiyo 3 1,2 Prodi S1 Teknik Informatika,
OPTIMASI MULTI-OBJECTIVE MENGGUNAKAN NSGA-II DALAM PENJADWALAN MESIN PRODUKSI FLOW SHOP
OPTIMASI MULTI-OBJECTIVE MENGGUNAKAN NSGA-II DALAM PENJADWALAN MESIN PRODUKSI FLOW SHOP TESIS Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Magister Teknik Informatika FIFIN SONATA
PENINGKATAN KINERJA ALGORITMA K-MEANS DENGAN FUNGSI KERNEL POLYNOMIAL UNTUK KLASTERISASI OBJEK DATA
PENINGKATAN KINERJA ALGORITMA K-MEANS DENGAN FUNGSI KERNEL POLYNOMIAL UNTUK KLASTERISASI OBJEK DATA Heri Awalul Ilhamsah Jurusan Teknik Industri Universitas Trunojoyo Madura Kampus Universitas Trunojoyo
PENYELESAIAN PERMASALAHAN MULTI-OBJECTIVE HYBRID FLOW SHOP SCHEDULING DENGAN ALGORITMA MODIFIED PARTICLE SWARM OPTIMIZATION
PENYELESAIAN PERMASALAHAN MULTI-OBJECTIVE HYBRID FLOW SHOP SCHEDULING DENGAN ALGORITMA MODIFIED PARTICLE SWARM OPTIMIZATION Fiqihesa Putamawa 1), Budi Santosa 2) dan Nurhadi Siswanto 3) 1) Program Pascasarjana
BAB I PENDAHULUAN 1.1. Latar Belakang dan Rumusan Masalah
1 BAB I PENDAHULUAN Pada bagian ini akan dijelaskan latar belakang dan rumusan masalah, tujuan dan manfaat penelitian, tinjauan pustaka, metode penelitian, serta sistematika penulisan. 1.1. Latar Belakang
PENERAPAN 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
Jl. Raya Dukuhwaluh Purwokerto )
Sistem Klasterisasi Menggunakan Metode K-Means dalam Menentukan Posisi Access Point Berdasarkan Posisi Hotspot di Universitas Muhammadiyah Purwokerto (Clustering System Using K-Means Method in Determining
OPTIMASI 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
ABSTRAK. 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
Penerapan Algoritma Genetika Multi-objective NSGA-II Pada Optimasi Portofolio Saham
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.2 Agustus 2015 Page 6841 Penerapan Algoritma Genetika Multi-objective NSGA-II Pada Optimasi Portofolio Saham Sherly Isnaeni 1, Deni Saepudin 2,
Algoritma Genetika Ganda (AGG) untuk Capacitated Vehicle Routing Problem (CVRP)
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2015 T 6 Algoritma Genetika Ganda (AGG) untuk Capacitated Vehicle Routing Problem (CVRP) Daryono Budi Utomo, Mohammad Isa Irawan, Muhammad Luthfi
Analisis Perbandingan Algoritma Fuzzy C-Means dan K-Means
Analisis Perbandingan Algoritma Fuzzy C-Means dan K-Means Yohannes Teknik Informatika STMIK GI MDD Palembang, Indonesia Abstrak Klasterisasi merupakan teknik pengelompokkan data berdasarkan kemiripan data.
1 Deskripsi METODE KOMUNIKASI PADA JARINGAN AD-HOC BERUPA PROTOKOL DIVERSITAS KOOPERATIF Bidang Teknik Invensi Invensi ini berhubungan dengan metode komunikasi pada jaringan ad-hoc berupa protokol diversitas
Algoritma Genetika Ganda untuk Capacitated Vehicle Routing Problem
JURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) 2337-3520 (2301-928X Print) A-19 Algoritma Genetika Ganda untuk Capacitated Vehicle Routing Problem Muhammad Luthfi Shahab dan Mohammad Isa Irawan Matematika,
APLIKASI KOMPRESI CITRA BERBASIS ROUGH FUZZY SET
APLIKASI KOMPRESI CITRA BERBASIS ROUGH FUZZY SET Anny Yuniarti 1), Nadya Anisa Syafa 2), Handayani Tjandrasa 3) 1,2,3) Jurusan Teknik Informatika Institut Teknologi Sepuluh Nopember (ITS) Surabaya Surabaya
BAB I PENDAHULUAN 1.1 Latar Belakang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Pembentukan kelas belajar merupakan kegiatan rutin yang dilakukan oleh setiap sekolah pada setiap tahun ajaran baru. Pembentukan kelas biasanya dilakukan dengan membagi
Penyusun Tugas Akhir : Ivan Hardiyanto (NRP : ) Dosen Pembimbing : Yudhi Purwananto, S.Kom, M.Kom Rully Soelaiman, S.Kom, M.
PRESENTASI TUGAS AKHIR KI091391 IMPLEMENTASI SEGMENTASI CITRA DENGAN MENGGUNAKAN METODE GENERALIZED FUZZY C- MEANS CLUSTERING ALGORITHM WITH IMPROVED FUZZY PARTITIONS (Kata kunci: Algoritma Fuzzy Clustering,
BAB 1. PENDAHULUAN. 1.1 Latar Belakang
BAB 1. PENDAHULUAN 1.1 Latar Belakang Sejalan dengan tuntutan persaingan bisnis, banyak perusahaan menyadari bahwa keunggulan teknologi dan produk yang dihasilkan semata tidak lagi dapat diandalkan menjadi
Prosiding SENATEK 2015 Fakultas Teknik, Universitas Muhammadiyah Purwokerto Purwokerto, 28 November 2015, ISBN
SISTEM KLASTERISASI MENGGUNAKAN METODE K-MEANS DALAM MENENTUKAN POSISI ACCESS POINT BERDASARKAN POSISI PENGGUNA HOTSPOT DI UNIVERSITAS MUHAMMADIYAH PURWOKERTO Achmad Fauzan*, Abid Yanuar Badharudin, Feri
ALGORITMA MODIFIKASI BROYDEN-FLETCHER-GOLDFARB-SHANNO (MBFGS) PADA PERMASALAHAN OPTIMASI
ALGORITMA MODIFIKASI BROYDEN-FLETCHER-GOLDFARB-SHANNO (MBFGS) PADA PERMASALAHAN OPTIMASI Nama Mahasiswa : Rahmawati Erma.S. NRP : 1208100030 Jurusan : Matematika Dosen Pembimbing : 1. Subchan, M.Sc, Ph.D
Simulasi Coverage Pada Wireless Sensor Network dengan Menggunakan Algoritma Genetika Pareto
Simulasi Coverage Pada Wireless Sensor Network dengan Menggunakan Algoritma Genetika Pareto Umi Fitria P, Tri Budi Santoso, Prima Kristalina Jurusan Telekomunikasi, Politeknik Elektronika Negeri Surabaya
IMPLEMENTASI SELF-ADAPTIVE DIFFERENTIAL EVOLUTION WITH NEIGHBORHOOD SEARCH (SANSDE) UNTUK OPTIMASI SISTEM POMPA AIR
IMPLEMENTASI SELF-ADAPTIVE DIFFERENTIAL EVOLUTION WITH NEIGHBORHOOD SEARCH (SANSDE) UNTUK OPTIMASI SISTEM POMPA AIR Isnani Pramusinto 1 1 Jurusan Teknik Informatika, Fakultas Teknologi Industri,Universitas
Optimasi 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.
PREPROCESSING DATA DAN REPRESENTASI ORGANISME ALGORITMA SYMBIOTIC ORGANISMS SEARCH PADA PERMASALAHAN PENJADWALAN PRAKTIKUM PERGURUAN TINGGI
PREPROCESSING DATA DAN REPRESENTASI ORGANISME ALGORITMA SYMBIOTIC ORGANISMS SEARCH PADA PERMASALAHAN PENJADWALAN PRAKTIKUM PERGURUAN TINGGI Hendrawan Armanto 1), C. Pickerling 2), Eka Rahayu Setyaningsih
PEMILIHAN SUPPLIER DENGAN PENDEKATAN POSSIBILITY FUZZY MULTI-OBJECTIVE PROGRAMMING
PEMILIHAN SUPPLIER DENGAN PENDEKATAN POSSIBILITY FUZZY MULTI-OBJECTIVE PROGRAMMING Oleh : Heny Nurhidayanti 1206 100 059 Dosen Pembimbing : Drs. Sulistiyo, MT Jurusan Matematika Fakultas Matematika dan
OPTIMASI 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
Optimasi (Unequal) Site Layout Menggunakan Multi-Objectives Function Pada Proyek Pembangunan Apartemen Puncak Kertajaya Surabaya
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6 1 Optimasi (Unequal) Site Layout Menggunakan Multi-Objectives Function Pada Proyek Pembangunan Apartemen Puncak Kertajaya Surabaya Daniel Tri Effendi, Tri
FUNGSI GRIEWANK DAN PENENTUAN NILAI OPTIMUMNYA MENGGUNAKAN ALGORITMA STROBERI. Tri Nadiani Solihah
Prosiding Seminar Nasional Matematika dan Terapannya 2016 p-issn : 2550-0384; e-issn : 2550-0392 FUNGSI GRIEWANK DAN PENENTUAN NILAI OPTIMUMNYA MENGGUNAKAN ALGORITMA STROBERI Tri Nadiani Solihah trinadianisolihah@gmail.com
PENENTUAN JALUR TERPENDEK PADA APLIKASI OJEK ONLINE GO-JEK DENGAN PROBABILISTIC NEURAL NETWORK (PNN) DAN PARTICLE SWARM OPTIMIZATION (PSO)
PENENTUAN JALUR TERPENDEK PADA APLIKASI OJEK ONLINE GO-JEK DENGAN PROBABILISTIC NEURAL NETWORK (PNN) DAN PARTICLE SWARM OPTIMIZATION (PSO) Levina Fitri Rahmawati, Isnandar Slamet, dan Diari Indriati Program
Analisis Komparasi Genetic Algorithm dan Firefly Algorithm pada Permasalahan Bin Packing Problem
Analisis Komparasi Genetic Algorithm dan Firefly Algorithm pada Permasalahan Bin Packing Problem Adidtya Perdana Sekolah Tinggi Teknik Harapan Medan Jl. H.M. Jhoni No. 70 C Medan adid.dana@gmail.com Abstrak
PENJADWALAN MESIN BERTIPE JOB SHOP UNTUK MEMINIMALKAN MAKESPAN DENGAN METODE ALGORITMA GENETIKA (STUDI KASUS PT X)
PENJADWALAN MESIN BERTIPE JOB SHOP UNTUK MEMINIMALKAN MAKESPAN DENGAN METODE ALGORITMA GENETIKA (STUDI KASUS PT X) Ria Krisnanti 1, Andi Sudiarso 2 1 Jurusan Teknik Mesin dan Industri, Fakultas Teknik,
Optimasi Fungsi Tanpa Kendala Menggunakan Algoritma Genetika Dengan Kromosom Biner dan Perbaikan Kromosom Hill-Climbing
Optimasi Fungsi Tanpa Kendala Menggunakan Algoritma Genetika Dengan Kromosom Biner dan Perbaikan Kromosom Hill-Climbing Wayan Firdaus Mahmudy, (wayanfm@ub.ac.id) Program Studi Ilmu Komputer, Universitas
Optimisasi Dynamic Economic Dispatch Menggunakan Algoritma Artificial Bee Colony
Optimisasi Dynamic Economic Dispatch Menggunakan Algoritma Artificial Bee Colony Nurlita Gamayanti 1, Abdullah Alkaff 2, Amien Karim 3 Jurusan Teknik Elektro Institut Teknologi Sepuluh Nopember (ITS) Surabaya,
PENERAPAN METODE ANT COLONY OPTIMIZATION PADA METODE K-HARMONIC MEANS UNTUK KLASTERISASI DATA HALAMAN JUDUL
PENERAPAN METODE ANT COLONY OPTIMIZATION PADA METODE K-HARMONIC MEANS UNTUK KLASTERISASI DATA KOMPETENSI JARINGAN KOMPUTER SKRIPSI HALAMAN JUDUL I MADE KUNTA WICAKSANA NIM : 0708605050 PROGRAM STUDI TEKNIK
OPTIMASI PEMROGRAMAN KUADRATIK DENGAN MENGGUNAKAN ALGORITMA PRIMAL-DUAL INTERIOR POINT
TUGAS AKHIR CF 1380 OPTIMASI PEMROGRAMAN KUADRATIK DENGAN MENGGUNAKAN ALGORITMA PRIMAL-DUAL INTERIOR POINT NIKE DWI WINARTI NRP 5202 100 028 Dosen Pembimbing Rully Soelaiman, S.Kom, M.Kom JURUSAN SISTEM
Analisis 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
UNIVERSITAS BINA NUSANTARA. Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Genap tahun 2006/2007
UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Genap tahun 2006/2007 SEGMENTASI CITRA SPOT DENGAN MENGGUNAKAN PENDEKATAN FUZZY C-MEANS Jimmy Johan / 0700708953
ALGORITMA GENETIK SEBAGAI FUNGSI PRUNING ALGORITMA MINIMAX PADA PERMAINAN TRIPLE TRIAD CARD.
ALGORITMA GENETIK SEBAGAI FUNGSI PRUNING ALGORITMA MINIMAX PADA PERMAINAN TRIPLE TRIAD CARD. Nico Saputro [1] dan Erico Darmawan Handoyo [2] Jurusan Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan
SIMULASI PENGENDALIAN KECEPATAN MOBIL OTOMATIS MENGGUNAKAN LOGIKA FUZZY DAN ALGORITMA GENETIKA
SIMULASI PENGENDALIAN KECEPATAN MOBIL OTOMATIS MENGGUNAKAN LOGIKA FUZZY DAN ALGORITMA GENETIKA Helmy Thendean, M.Kom 1) Albert, S.Kom 2) Dra.Chairisni Lubis, M.Kom 3) 1) Program Studi Teknik Informatika,Universitas
APLIKASI 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
BAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dalam industri secara umum terdapat dua proses pendistribusian barang. Pendistribusian pertama adalah pendistribusian bahan baku dari beberapa sumber (origin)
SISTEM PENDUKUNG KEPUTUSAN CERDAS UNTUK OPTIMISASI PERMASALAHAN MULTI OBYEKTIF PADA SERIOUS GAME: ECONOMIC AND EMISSION DISPATCH
SISTEM PENDUKUNG KEPUTUSAN CERDAS UNTUK OPTIMISASI PERMASALAHAN MULTI OBYEKTIF PADA SERIOUS GAME: ECONOMIC AND EMISSION DISPATCH I.G.P. Asto Buditjahjanto NRP : 2207 301 702 Latar Belakang Perkembangan
Optimasi Kendali Distribusi Tegangan pada Sistem Tenaga Listrik dengan Pembangkit Tersebar
Optimasi Kendali Distribusi Tegangan pada Sistem Tenaga Listrik dengan Pembangkit Tersebar Soni Irawan Jatmika 2210 105 052 Pembimbing : 1. Prof. Dr. Ir. Adi Soeprijanto, MT. 2. Heri Suryoatmojo, ST. MT.
Lingkup 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
1 BAB I PENDAHULUAN. 1.1 Latar Belakang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Listrik pada abad ini sudah merupakan kebutuhan primer yang tidak bisa tergantikan. Karena pentingnya listrik ini, sistem yang menyuplai dan mengalirkan listrik ini
Jurnal 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
Pendekatan 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
DOSEN PEMBIMBING Chastine Fatichah, S.Kom, M.Kom MAHASISWA Yudis Anggara P. ( )
Sidang Tugas Akhir September 2009 Implementasi Metode Ant Colony Optimization untuk Pemilihan Fitur pada Kategorisasi Dokumen Teks DOSEN PEMBIMBING Chastine Fatichah, S.Kom, M.Kom MAHASISWA Yudis Anggara
BAB I PENDAHULUAN Latar Belakang
1 BAB I PENDAHULUAN 1.1. Latar Belakang Clustering adalah proses di dalam mencari dan mengelompokkan data yang memiliki kemiripan karakteristik (similarity) antara satu data dengan data yang lain. Clustering
Peningkatan Kualitas Jaringan Distribusi Tegangan Menengah Dengan Optimasi Konfigurasi
Peningkatan Kualitas Jaringan Distribusi Tegangan Menengah Dengan Optimasi Konfigurasi Rizky Jefry Naibaho*, Dian Yayan Sukma** Program Studi Teknik Elektro S1, Fakultas Teknik Universitas Riau Kampus
BAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan Perkembangan teknologi informasi yang semakin pesat berdampak pada terjadinya penurunan substansial dalam biaya penyimpanan data, peningkatan pesat
PERBAIKAN INISIALISASI K-MEANS MENGGUNAKAN GRAF HUTAN YANG MINIMUM. Achmad Maududie 1 Wahyu Catur Wibowo 2. Abstrak
PERBAIKAN INISIALISASI K-MEANS MENGGUNAKAN GRAF HUTAN YANG MINIMUM Achmad Maududie 1 Wahyu Catur Wibowo 2 1 Program Studi Sistem Informasi, Universitas Jember 2 Fakultas Ilmu Komputer, Universitas Indonesia,
PENJADWALAN TRUK PADA SISTEM CROSS DOCKING DENGAN PENYIMPANAN SEMENTARA DENGAN ALGORITMA HYBRID CROSS ENTROPY GENETIC ALGORITHM
PENJADWALAN TRUK PADA SISTEM CROSS DOCKING DENGAN PENYIMPANAN SEMENTARA DENGAN ALGORITMA HYBRID CROSS ENTROPY GENETIC ALGORITHM PENELITI : Pristi Dwi Puspitasari 2507 100 003 DOSEN PEMBIMBING : Ir. Budi
PENDAHULUAN. 1.1 Latar Belakang
DAFTAR TABEL Tabel 3-1 Dokumen Term 1... 17 Tabel 3-2 Representasi... 18 Tabel 3-3 Centroid pada pengulangan ke-0... 19 Tabel 3-4 Hasil Perhitungan Jarak... 19 Tabel 3-5 Hasil Perhitungan Jarak dan Pengelompokkan
BABI PENDAHULUAN 1.1 Latar Belakang
BABI PENDAHULUAN 1.1 Latar Belakang Wireless Sensor Network (WSN) merupakan teknologi yang digunakan untuk pemantauan dan pengumpulan data secara langsung [1]. WSN mengalami perkembangan yang sangat pesat
Pemilihan Jalur Evakuasi Dalam Keadaan Darurat Menggunakan Algoritma Quantum Ant-Colony
Pemilihan Jalur Evakuasi Dalam Keadaan Darurat Menggunakan Algoritma Quantum Ant-Colony Path Selection In Emergency Evacuation Using Quantum Ant- Colony Algorithm Fransisca Arvevia I A 1, Jondri 2, Anditya
KLASTERISASI BERDASARKAN KESAMAAN POLA DENGAN MENGGUNAKAN ALGORITMA PCLUSTER (Kata kunci: Penggalian Data, Klasterisasi Kesamaan Pola)
PRESENTASI TUGAS AKHIR KI091391 KLASTERISASI BERDASARKAN KESAMAAN POLA DENGAN MENGGUNAKAN ALGORITMA PCLUSTER (Kata kunci: Penggalian Data, Klasterisasi Kesamaan Pola) Penyusun Tugas Akhir : Kartika Wijayati
PENERAPAN ALGORITMA GENETIKA UNTUK PENJADWALAN UJIAN TUGAS AKHIR PADA JURUSAN TEKNIK INFORMATIKA UNIVERSITAS MUHAMMADIYAH MALANG
PENERAPAN ALGORITMA GENETIKA UNTUK PENJADWALAN UJIAN TUGAS AKHIR PADA JURUSAN TEKNIK INFORMATIKA UNIVERSITAS MUHAMMADIYAH MALANG TUGAS AKHIR Sebagai Persyaratan Guna Meraih Sarjana Strata 1 Teknik Informatika
Perancangan Sistem Pembagian Kelas Kuliah Mahasiswa dengan Kombinasi Metode K-Means dan K-Nearest Neighbors
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Perancangan Sistem Pembagian Kelas Kuliah Mahasiswa dengan Kombinasi Metode K-Means dan K-Nearest Neighbors Gede Aditra
PRESENTASI TUGAS AKHIR KI091391
PRESENTASI TUGAS AKHIR KI091391 IMPLEMENTASI KD-TREE K-MEANS CLUSTERING PADA KLASTERISASI DOKUMEN (Kata kunci: KD-Tree K-Means Clustering, Klasterisasi Dokumen, K- Dimensional Tree, K-Means Clustering)
OPTIMASI PERENCANAAN JALUR PADA MOBILE ROBOT BERBASIS ALGORITMA GENETIKA MENGGUNAKAN POLA DISTRIBUSI NORMAL
OPTIMASI PERENCANAAN JALUR PADA MOBILE ROBOT BERBASIS ALGORITMA GENETIKA MENGGUNAKAN POLA DISTRIBUSI NORMAL Bayu Sandi Marta 1), Djoko Purwanto 2) 1), 2) Jurusan Teknik Elektro Institut Teknologi Sepuluh
JURNAL TEKNIK ITS Vol. 5, No. 2, (2016) ISSN: ( Print)
JURNAL TEKNIK ITS Vol. 5, No. 2, (216) ISSN: 2337-3539 (231-9271 Print) B27 Optimasi Aliran Daya Satu Phasa Pada Sistem Distribusi Radial 33 Bus IEEE dan Sistem Kelistrikan PT. Semen Indonesia Aceh Untuk
OPTIMISASI TOTAL TEMPUH NPC PADA RTS GAME MENGGUNAKAN HARMONY SEARCH ALGORITHM. Herti Miawarni 1* Jl. A. Yani 114, Surabaya 60231, Telp.
OPTIMISASI TOTAL TEMPUH NPC PADA RTS GAME MENGGUNAKAN HARMONY SEARCH ALGORITHM Herti Miawarni 1* 1 Program Studi Teknik Elektro, Fakultas Teknik, Universitas Bhayangkara Surabaya Jl. A. Yani 114, Surabaya
Analisis Penyelesaian Masalah Penjadwalan Kuliah Menggunakan Teknik Pewarnaan Graph Dengan Algoritma Koloni Lebah
Analisis Penyelesaian Masalah Penjadwalan Kuliah Menggunakan Teknik Pewarnaan Graph Dengan Algoritma Koloni Lebah Oleh : Heni Rachmawati 2209206810 Prof.Dr.Ir.Mauridhi Hery Purnomo,M.Eng Dr.I Ketut Eddy
BAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Penjadwalan didefinisikan sebagai pengambilan keputusan tentang penyesuaian aktivitas dan sumber daya dalam rangka menyelesaikan sekumpulan job / suatu proyek agar
BAB I PENDAHULUAN. jumlah ketersediaan yang semakin menipis dan semakin mahal, membuat biaya
BAB I PENDAHULUAN 1.1 Latar Belakang Pembangkit Listrik di Indonesia pada umumnya merupakan pembangkit listrik thermal. Kebutuhan pembangkit thermal terhadap bahan bakar fosil dengan jumlah ketersediaan
TUGAS AKHIR ALGORITMA MODIFIKASI BROYDEN-FLETCHER-GOLDFARB- SHANNO (MBFGS) PADA PERMASALAHAN OPTIMASI
TUGAS AKHIR ALGORITMA MODIFIKASI BROYDEN-FLETCHER-GOLDFARB- SHANNO (MBFGS) PADA PERMASALAHAN OPTIMASI (ALGORITHM OF MODIFIED BROYDEN-FLETCHER-GOLDFARB- SHANNO (MBFGS ) FOR OPTIMIZATION PROBLEM ) Oleh:
KLASTERISASI PADA SUBRUANG DENGAN ALGORITMA PEMBOBOTAN ENTROPI PADA K-MEANS PADA SPARSE DATA BERDIMENSI TINGGI
TUGAS AKHIR CI1599 KLASTERISASI PADA SUBRUANG DENGAN ALGORITMA PEMBOBOTAN ENTROPI PADA K-MEANS PADA SPARSE DATA BERDIMENSI TINGGI AHMAD DENI DWI PRANOTO NRP 5103 100 015 Dosen Pembimbing I Rully Soelaiman,
Perancangan Deteksi Citra USG Kepala Janin untuk mencari Biparetal Diameter dan Head Circumference
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Perancangan Deteksi Citra USG Kepala Janin untuk mencari Biparetal Diameter dan Head Circumference Putu Desiana Wulaning
Jaringan Syaraf Tiruan dengan Pembelajaran Algoritma Genetika dan Diversitas untuk Deteksi Kelas Penyakit
Jaringan Syaraf Tiruan dengan Pembelajaran Algoritma Genetika dan Diversitas untuk Deteksi Kelas Penyakit Abidatul Izzah 1), Ratih Kartika Dewi 2) 1)2) Jurusan Teknik Informatika ITS Surabaya Jl. Teknik
K-Means Clustering. Tim Asprak Metkuan. What is Clustering?
K-Means Clustering Tim Asprak Metkuan What is Clustering? Also called unsupervised learning, sometimes called classification by statisticians and sorting by psychologists and segmentation by people in
Blending Agregat Menggunakan Algoritma Genetika
JURNAL TEKNIK ITS Vol. 1, No. 1, (Sept. 212) ISSN: 231-9271 D-113 Blending Menggunakan Algoritma Genetika Yeni Rochsianawati, PujoAji dan Januarti Jaya Ekaputri Jurusan Teknik Sipil, Fakultas Teknik Sipil
IMPLEMENTASI METODE GENERATE AND TEST DALAM PENYELESAIAN PUZZLE 2048 BERBASIS MOBILE SKRIPSI
IMPLEMENTASI METODE GENERATE AND TEST DALAM PENYELESAIAN PUZZLE 2048 BERBASIS MOBILE SKRIPSI DEVINA PRATIWI HALIM 101401094 PROGRAM STUDI S1 ILMU KOMPUTER FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
PERFORMANCE 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.
OPTIMASI PENYUSUNAN BOX KOMPONEN PROGRAM SPIRIT DI DALAM CONTAINER UNTUK MEMINIMASI SPACE KOSONG MENGGUNAKAN METODE ALGORITMA GENETIKA
ISSN : 2355-9365 e-proceeding of Engineering : Vol.3, No.2 Agustus 2016 Page 2890 OPTIMASI PENYUSUNAN BOX KOMPONEN PROGRAM SPIRIT DI DALAM CONTAINER UNTUK MEMINIMASI SPACE KOSONG MENGGUNAKAN METODE ALGORITMA
SIMULASI OPTIMASI PENEMPATAN KAPASITOR MENGGUNAKAN LOGIKA FUZZY DAN ALGORITMA GENETIKA PADA SISTEM TEGANGAN MENENGAH REGION JAWA BARAT
SIMULASI OPTIMASI PENEMPATAN KAPASITOR MENGGUNAKAN LOGIKA FUZZY DAN ALGORITMA GENETIKA PADA SISTEM TEGANGAN MENENGAH REGION JAWA BARAT Gahara Nur Eka Putra NRP : 1022045 E-mail : bb.201smg@gmail.com ABSTRAK
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) OPTIMASI FUNGSI KEANGGOTAAN FUZZY BERBASIS ALGORITMA MODIFIED PARTICLE SWARM OPTIMIZATION
58 OPTIMASI FUNGSI KEANGGOTAAN FUZZY BERBASIS ALGORITMA MODIFIED PARTICLE SWARM OPTIMIZATION Rimbun Siringoringo, Zakarias Situmorang ringorbnsrg@gmail.com, zakarias65@yahoo.com Mahasiswa Magister Teknik
Penjadwalan Mata Kuliah Menggunakan Algoritma Genetika di Jurusan Sistem Informasi ITS
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) A-127 Mata Kuliah Menggunakan Algoritma Genetika di Jurusan Sistem Informasi ITS Wiga Ayu Puspaningrum, Arif Djunaidy, dan Retno
Optimasi 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
METODE HYBRID MAXIMUM TSALLIS ENTROPY DAN HONEY BEE MATING OPTIMIZATION UNTUK PENCARIAN MULTILEVEL THRESHOLD PADA CITRA GRAYSCALE
METODE HYBRID MAXIMUM TSALLIS ENTROPY DAN HONEY BEE MATING OPTIMIZATION UNTUK PENCARIAN MULTILEVEL THRESHOLD PADA CITRA GRAYSCALE Yufis Azhar, Maskur, Ali S. Kholimi Jurusan Teknik Informatika, Fakultas
OPTIMASI PREVENTIVE MAINTENANCE
OPTIMASI PREVENTIVE MAINTENANCE PADA SHIPPING PUMP DENGAN GENETIC ALGORITHM DI JOINT OPERATING BODY PERTAMINA PETROCHINA EAST JAVA (JOB P-PEJ) SOKO TUBAN Ahmad Asrori NRP. 2410100004 Pembimbing I, Dr.
PENERAPAN 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
IMPLEMENTASI METODE ANT COLONY OPTIMIZATION UNTUK PEMILIHAN FITUR PADA KATEGORISASI DOKUMEN TEKS
IMPLEMENTASI METODE ANT COLONY OPTIMIZATION UNTUK PEMILIHAN FITUR PADA KATEGORISASI DOKUMEN TEKS Yudis Anggara Putra Chastine Fatichah Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut
Diterima : 13 Februari 2016 Direvisi : 19 April 2016 Disetujui : 20 Juni 2016 ABSTRAK
JURNAL TEKNOLOGI INFORMASI DAN KOMUNIKASI Vol. 5 No. 1, Juni 2016 : 1-12 OPTIMASI MAKESPAN DAN TOTAL TARDINESS DALAM PENJADWALAN MESIN PRODUKSI TYPE FLOW SHOP MENGGUNAKAN METODE NON-DOMINATED SORTING GENETIC
Dosen Pembimbing : Ir. Budi Santosa, M.S., Ph.D Oleh : Sas Wahid Hamzah
Artificial Immune System untuk Penyelesaian Vehicle Routing Problem with Time Windows Dosen Pembimbing : Ir. Budi Santosa, M.S., Ph.D Oleh : Sas Wahid Hamzah 2507100054 Pendahuluan Pendahuluan Fungsi Objektif
BAB 1 PENDAHULUAN. bagian dalam pekerjaan. Dalam melakukan pemasangan kabel perlu
BAB 1 PENDAHULUAN 1.1 Latar Belakang Bagi perusahaan kontraktor perumahan, pemasangan kabel menjadi bagian dalam pekerjaan. Dalam melakukan pemasangan kabel perlu dilakukan perencanaan urutan rumah yang
OPTIMASI GENETIC ALGORITHM DENGAN SIMULATED ANNEALING UNTUK MULTIPLE DEPOT CAPACITATED VEHICLE ROUTING PROBLEM
OPTIMASI GENETIC ALGORITHM DENGAN SIMULATED ANNEALING UNTUK MULTIPLE DEPOT CAPACITATED VEHICLE ROUTING PROBLEM Aditya Permana 1, Mahmud Dwi Sulistiyo 2, Gia Septiana Wulandari 3 1,2,3 Prodi S1 Teknik Informatika,
BAB III PEMBAHASAN. menggunakan model Fuzzy Mean Absolute Deviation (FMAD) dan penyelesaian
BAB III PEMBAHASAN Dalam bab ini akan dibahas mengenai pembentukan portofolio optimum menggunakan model Fuzzy Mean Absolute Deviation (FMAD) dan penyelesaian model Fuzzy Mean Absolute Deviation (FMAD)