Peramalan Jumlah Pengunjung Wisata Menggunakan Fuzzy Logical Relationship dan Algoritme Genetika (Studi Kasus Wisatawan Kabupaten Banyuwangi)
|
|
- Doddy Jayadi
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X Vol. 2, No. 3, Maret 2018, hlm Peramalan Jumlah Pengunjung Wisata Menggunakan Fuzzy Logical Relationship dan Algoritme Genetika (Studi Kasus Wisatawan Kabupaten Banyuwangi) Irma Lailatul Khoiriyah 1, Imam Cholissodin 2, Budi Darma Setiawan 3 Program Studi Teknik Informatika, 1 irma.lailatul31@gmail.com, 2 imamcs@ub.ac.id, 3 s.budidarma@ub.ac.id Abstrak Pariwisata merupakan salah satu sektor penting di Kabupaten Banyuwangi. Peningkatan jumlah wisatawan yang tidak terduga menyebabkan kesulitan bagi para pelaku pariwisata dalam memberikan pelayanan terbaiknya. Sebaliknya, jika terjadi penurunan akan menyebabkan turunnya tingkat hunian serta sektor pariwisata yang ada. Peramalan jumlah wisawatan dibutuhkan untuk mengetahui jumlah wisatawan di masa mendatang, sehingga dapat digunakan sebagai antisipasi solusi sedini mungkin ketika jumlah wisatawan melebihi atau kurang dari yang ditargetkan. Peramalan yang dilakukan pada penelitian ini menggunakan Fuzzy Logical Relationship dan Algoritme Genetika. Fuzzy Logical Relationship digunakan untuk melakukan peramalan jumlah pengunjung wisatawan berdasarkan histori data jumlah wisatawan, kemudian Algoritme Genetika digunakan untuk melakukan optimasi pembagian interval yang akan digunakan pada Fuzzy Logical Relationship. Data yang digunakan sebanyak 144 data dari bulan Januari Desember 2016, data didapatkan dari Dinas Kebudayaan dan Pariwisata Kabupaten Banyuwangi. Hasil pengujian yang dilakukan terhadap peramalan jumlah pengunjung wisata menggunakan FLR dan GA menghasilkan nilai sebesar 280x10-9 dalam fitness yang artinya selisih rata-rata antara data aktual dengan hasil peramalan sebesar dalam MSE. Kata kunci: peramalan, wisatawan, Fuzzy Logical Relationship, Algoritme Genetika, MSE. Abstract Tourism is one of the important sectors in Banyuwangi Regency. An unexpected increase in the number of tourists makes it difficult for tourism department to give their best service. On the contrary, if there is a reduction, it will cause the decrease of the occupancy rate and the tourism sector that already exist. Forecasting the number of tourists is needed to determine the number of visitors in the future, so the solution can be anticipated as early as possible when number of tourists is more or less than the targeted. Forecasting that conducted in this study was using Fuzzy Logical Relationship and Genetic Algorithm. Fuzzy Logical Relationship is used to forecast the number of tourist based on tourist data history, then Genetic Algorithm is used to perform optimization interval distribution that will be used on Fuzzy Logical Relationship. Data that were used as many as 144 historical data from January 2005 to December 2016, number of tourist data was achieved from the Department of Culture and Tourism of Banyuwangi Regency. The results of the tests that was conducted on forecasting the number of visitors using the FLR and GA equations produce 280x10-9 in fitness which means the difference between the average of actual data and the result of forecasting is in MSE. Keywords: forecasting, tourist, Fuzzy Logical Relationship, Genetic Algorithm, MSE. 1. PENDAHULUAN Pariwisata merupakan aktifitas sekumpulan orang menuju wilayah di luar lingkungan mereka, baik untuk tujuan pribadi maupun tujuan bisnis (UNWTO, 2014). Perkembangan pariwisata akan membawa perkembangan Fakultas Ilmu Komputer Universitas Brawijaya 1109 ekonomi yang positif pada negara dan secara umum memperbaiki kualitas hidup warganya (Mansor & Ishak, 2015). Salah satu Dinas yang terdapat di wilayah Banyuwangi yakni Dinas Kebudayaan dan Pariwisata (DISBUDPAR) bertidak mengelola berbagai bidang pelayanan di kabupaten Banyuwangi, salah satunya ialah bidang pariwisata.
2 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1110 Peramalan adalah perkiraan nilai yang tidak terlihat dari beberapa urutan informasi yang telah didapatkan sebelumnya (Amjad, et al., 2012). Pariwisata merupakan salah satu sektor penting di kabupaten Banyuwangi. Data dari sejumlah kunjungan wisatawan digunakan sebagai tolak ukur keberhasilan pembangunan wisata. Keberhasilan pembangunan tersebut dapat dilihat dari jumlah kedatangan wisatawan, baik domestik maupun mancanegara. Tidak hanya itu, data juga digunakan untuk memperkirakan target jumlah pengunjung pada masa mendatang, sehingga dapat dilakukan pengembangan potensi wisata. Dengan demikian data kunjungan wisatawan menjadi hal yang penting dalam pembangunan, pengelolaan dan pengembangan wisata demi meningkatkan ketertarikan serta minat pengunjung wisata. Namun, belum ada sistem yang digunakan untuk melakukan peramalan jumlah kunjungan, karena target jumlah kunjungan hanya diperkirakan menggunakan estimasi, sehingga tidak ada proses pembelajaran dari data yang ada sebelumnya. Fluktuasi tinggi rendanya jumlah kunjungan juga mempengaruhi pelayanan terhadap wisatawan. Jumlah kunjungan terbanyak sepanjang tahun sejumlah dan jumlah kunjungan terkecil sejumlah Adanya peningkatan jumlah pengunjung pariwisata yang tidak terduga menyebabkan kesulitan bagi para pelaku pariwisata dalam memberikan pelayanan terbaiknya. Sebaliknya, jika terjadi penurunan akan jumlah wisatawan, maka akan berdampak pada turunnya tingkat hunian serta sektor-sektor pariwisata yang ada. Jika terjadi dalam kurun waktu yang lama, hal ini dapat mengancam sektor perekonomian di kabupaten Banyuwangi hingga berdampak pada adanya pengangguran. Oleh karena itu, diajukan solusi untuk menangani permasalahan peramalan jumlah wisatawan berupa sistem yang dapat digunakan untuk memperkirakan jumlah wisatawan di masa yang akan datang, dengan acuan data jumlah kunjungan yang ada sebelumnya. Salah satu teknik peramalan yang dapat digunakan ialah Fuzzy time series (FTS) yang pertama kali diterapkan oleh Song dan Chissom (Song & Chissom, 1993). Metode FTS ini terbukti mampu menyelesaikan permasalahan peramalan dengan hasil yang baik. Hal tersebut di dukung oleh penelitian Anggodo dan Mahmudy (2016) yang mampu menyelesaikan permasalahan kebutuhan hidup minimum menggunakan automatic clustering dan fuzzy logical relationship dengan nilai evaluasi MSE sebesar dan 0, sebagai hasil nilai koofisien korelasi. Penelitian lain oleh Qiu et al (2015) menggunakan generalisasi metode automatic clustering dan fuzzy logical relationship dapat menyelesaikan peramalan jumlah mahasiswa universitas Alabama dengan hasil nilai kesalahan yang lebih rendah dari penelitian sebelumnya. Pada kasus serupa pengembangan metode fuzzy logical relationship dengan beberapa metode lain menghasilkan nilai kesalahan yang paling rendah dibandingkan penelitian yang ada sebelumnya yakni 84,68 menggunakan RMSE (Root Mean Square Error), sehingga dapat disimpulkan bahwa permasalahan peramalan dapat diselesaikan menggunakan metode fuzzy logical relationship yang berdiri sendiri atau dengan berbagai kombinasi metode (Cheng, et al., 2016). Berbeda dengan Chai et al (2013) melakukan optimasi pada permasalahan peramalan saham menggunakan algoritme genetika pada metode fuzzy logical relationship. Penggunaan metode ini terbukti mendapatkan hasil yang signifikan dengan nilai RMSE terkecil yakni 79,7. Selain itu optimasi yang sama juga dilakukan pada generalisasi metode fuzzy logical relationship hasil akurasi yang lebih baik dari penelitian sebelumnya sebesar 80,27 dengan RMSE (Sachdev & Sharma, 2015). Dari beberapa penelitian tersebut, penggunaan metode fuzzy logical relationship dan algoritme genetika menghasilkan akurasi yang lebih signifikan dan nilai kesalahan yang lebih rendah dibandingkan dengan metode konvensional lainnya. Berdasarkan penjabaran tersebut implementasi yang akan dilakukan pada penelitian ini menggunakan fuzzy logical relationship dan algoritme genetika (studi kasus wisatawan Banyuwangi). Metode fuzzy logical relationship digunakan untuk melakukan peramalan, dan algoritme genetika digunakan untuk melakukan optimasi parameter pada fuzzy logical relationship. 2. TINJAUAN PUSTAKA 2.1 Wisatawan Wisatawan adalah setiap orang yang mengunjungi negara diluar lingkungan tempat
3 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1111 tinggalnya, hal ini dapat di dorong oleh beberapa kepentingan tanpa ada maksud untuk mendapatkan penghasilan dari tempat yang dikunjungi tersebut. Definisi ini terdiri dari dua kategori yakni, pertama wisatawan (tourism) ialah pengunjung dengan pengertian seperti di atas dan bertempat tinggal setidaknya dua puluh empat jam, namun tidak boleh lebih dari enam bulan dengan maksud kunjungan seperti liburan atau olahraga. Kedua Pelancong (excursionist) ialah pengunjung dengan pengertian seperti di atas yang bertempat tinggal kurang dari dua puluh empat jam, yang akan disebut juga sebagai cruise passanger yaitu pengunjung yang berada di suatu negara dengan kapal atau kereta api, akan tetapi mereka tidak menginap atau bertempat tinggal di akomodasi yang tersedia di negara tersebut. (WTO,2014). 2.2 Fuzzy Logical Relationship Dalam proses peramalan menggunakan fuzzy time series, fuzzy logical relationship menjadi salah satu faktor paling kritis yang mempengaruhi keakuratan peramalan (Qiu, et al., 2015). Peramalan menggunakan model fuzzy logical relationship dilakukan langkahlangkah sebagai berikut (Cheng, et al., 2016): 1. Mendefinisikan himpunan semesta atau universe od discourse dan membagi histori dari data menjadi interval-interval serta menghitung titik tengah (midpoin) setiap interval. 2. Mengasumsikan terdapat n interval, u1, u2, u3,, u n. Kemudian membentuk himpunan fuzzy A i, dimana 1 i n, sehingga terbentuk himpunan fuzzy sebagai berikut: A 1 = 1/u /u 2 + 0/u 3 + 0/u 4 + 0/u 5 + 0/u 6 + 0/u 7 A 2 = 0.5/u 1 + 1/u 2 + 0/u 3 + 0/u 4 + 0/u 5 + 0/u 6 + 0/u A n = 0/u 1 + 0/u 2 + 0/u 3 + 0/u 4 + 0/u /u n-1 + 0/u n (1) 3. Melakukan fuzzifikasi terhadap setiap data dari histori data menjadi himpunan fuzzy. Apabila datum merupakan u i, dimana 1 i n. Maka akan dilakukan proses fuzzifikasi menjadi A i. 4. Membangun fuzzy logical relationship (FLR) berdasarkan pada hasil fuzzifikasi di langkah ke-3. Jika hasil dari fuzzifikasi tahun t dan t+1 adalah A j dan A k. Maka hasil FLR untuk setiap tahun secara berturut-turut dapat dibangun menjadi A j A k, dimana A j disebut dengan current state dan A k disebut dengan next state. Berdasarkan current state pada fuzzy logical relationship, kemudian dilakukan pembagian FLR menjadi fuzzy logical relationship group (FLRG), dimana FLR yang memiliki current state yang sama dimasukkan ke dalam FLRG yang sama. 5. Menghitung nilai peramalan berdasarkan prinsip-prinsip berikut (Chen, et al., 2009): Prinsip 1: jika hasil fuzzifikasi tahun t ialah A j dan terdapat satu fuzzy logical relationship di fuzzy logical relationship group dimana current state adalah A j, yang ditunjukkan sebagai berikut: A i A k (2) maka nilai peramalan pada tahun t+1 ialah m k, dan m k merupakan midpoin dari interval u k dan nilai maksimum dari keanggotaan himpunan fuzzy A k dari interval u k. Prinsip 2: jika fuzzifikasi pada tahun t adalah A i dan terdapat beberapa fuzzy logical relationship di fuzzy logical relationship group dimana current state adalah A j, yang ditunjukkan sebagai berikut: A j A k1 (x 1 ), A k2 (x2),., A kp (x p ) (3) maka peramalan pada tahun t+1 dihitung dengan Persamaan (4) sebagai berikut: x 1 m k1 +x 2 m k x p m kp (4) x 1+x xp dan x i merupakan nomor dari FLR A j A k di FLRG dengan, 1 i p; m k1, m k2,..., m kp merupakan titik tengah pada interval u k1, u k2,..., u kp, secara berurutan dan nilai maksimum keanggotaan pada himpunan fuzzy A k1, A k2,..., A kp dari interval u k1, u k2,..., u kp, secara berurutan. Prinsip 3: jika fuzzifikasi pada tahun t adalah A j dan terdapat satu fuzzy logical relationship di fuzzy logical relationship group dimana current state adalah A j, dengan kondisi sebagai berikut: A i # (5) dimana symbol # merupakan nilai yang tidak terdefinisi atau tidak diketahui, maka hasil peramalan pada tahun t+1 adalah m j, dan m j merupakan titik tengah pada interval u j dan nilai maksimum keanggotaan pada himpunan fuzzy A j dari interval u j. 2.3 Algoritme Genetika Algoritme genetika merupakan salah satu metode pencarian heuristik yang berdasarkan suatu proses perubahan genetika pada garis
4 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1112 evolusi. Adanya keanekaragaman pada proses biologi merupakan hasil perubahan yang terbentuk antar individu satu dengan individu lainnya. Keragaman kromosom ini dapat mempengaruhi tingkat reproduksi serta kemampuan makhluk hidup untuk tetap bertahan hidup (Kusumadei, 2003). Crossover merupakan proses pembangkitan solusi baru dalam jumlah yang banyak. Proses ini dilakukan dengan melakukan pemilihan dua induk secara acak dari suatu populasi. Terdapat berbagai variasi metode crossover yang dapat digunakan, salah satunya ialah extended intermediate crossover. Metode ini menghasilkan offspring yang memiliki nilai kombinasi dari dua induk. Sebagai contoh P 1 dan P 2 merupakan dua kromosom yang telah melalui seleksi untuk melakukan proses crossover, maka offspring C 1 dan C 2 dapat dibangkitkan seperti berikut (Muhlenbein & Schlierkamp-Voosen, 1993): C 1 = P 1 + a (P 2-P 1) (6) C 2 = P 2 + a (P 1 -P 2 ) (7) Keterangan: C 1 = hasil anak 1 C 2 = hasil anak 2 P 1 = induk 1 P 2 = induk 2 a = variabel yang dibangkitkan secara acak Seperti halnya operator crossover pada mutasi juga memiliki berbagai jenis metode, salah satunya ialah variation mutation. Mutasi ini dapat dilakukan dengan mengganti satu nilai dari gen pada kromosom. Adapun langkahlangkah variation mutation antara lain (Zhao, et al., 2015): 1. Memilih kromosom yang akan dimutasi secara acak. 2. Memilih gen dari kromosom yang juga dipilih secara acak untuk dilakukan proses mutasi. 3. Sistem mengacak nilai dengan batasan [0,1] untuk dibandingkan dengan nilai mr (mutation rate). 4. Jika nilai probabilitas yang didaatkan lebih besar dari nilai mr maka gen yang terpilih akan diganti dengan nilai lain yang dibangkitkan secara acak. 5. Jika nilai probabilitas kurang dari atau sama dengan nilai mr maka gen yang terpilih tetap menempati susunan dalam kromosom. didapatkan tidak selamanya benar karena teknik yang diterapkan belum tentu akan sesuai dengan sifat data yang digunakan. Untuk itu, adanya pengawasan peramalan dilakukan dengan membandingkan kenyataan yang ada dengan hasil peramalan. Sehingga dengan penggunaan teknik peramalan yang paling sesuai akan dapat menghasilkan penyimpangan terkecil hasil peramalan (Jumingan, 2009). Jilani et al (2007) menggunakan metode MSE (mean square error) untuk mengetahui besarnya penyimpangan pada data aktual dan data hasil peramalan. MSE (mean square error) merupakan nilai kuadrat dari nilai rata-rata kesalahan. Berikut adalah persamaan (8) yang menunjukkan cara perhitungan menggunakan MSE: MSE = i=1 n (Ai F i ) 2 n Keterangan: A i = data aktual pada data ke-i F i = nilai hasil peramalan data ke-i n = banyaknya data time series 3. METODOLOGI (8) Pada bagian ini akan menjelaskan tentang metode penelitian yang digunakan dalam peramalan jumlah pengunjung wisata kabupaten Banyuwangi menggunakan fuzzy logical relationship dan algoritme genetika. Dalam penerapannya, proses metodologi dilakukan dengan beberapa tahapan, antara lain studi literatur, pengumpulan data, analisa dan perancangan, implementasi sistem, pengujian dan kesimpulan. Gambar 1 sebagai berikut adalah tahapan-tahapan dalam penelitian yang dapat diilustrasikan dengan diagram blok metodologi penelitian. 2.4 Nilai Kesalahan Dalam teknik peramalan, hasil yang
5 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1113 Landasan kepustakaan u 4 =[183994,186778] u 9 =[ , ] u 5 =[186778,244134] Pengumpulan data jumlah pengunjung wisata Mendefinisikan universe of discource Analisis dan perancangan dengan metode fuzzy logical relationship dan algoritme genetika Implementasi Pengujian (pengujian jumlah fuzzy set, jumlah populasi, kombinasi cr & mr, jumlah generasi) Membangun fuzzy logical relationship Membangun fuzzy logical relationship group Melakukan defuzzifikasi Melakukan peramalan Menggunakan GA untuk membagi interval Inisialisasi kromosom Reproduksi dengan crossover Reproduksi dengan mutasi Kesimpulan dan saran Menghitung MSE Menghitung fitness Gambar 1. Diagram Blok Penelitian 4. PERANCANGAN Bagian ini menjalaskan tentang penyelesaian permasalahan peramalan jumlah pengunjung wisata menggunakan Fuzzy Logical Relationship dan Algoritme Genetika. Perancangan proses peramalan ditunjukkan pada Gambar 2. Langkah pertama pada implementasi ini yakni membagi himpunan semesta menjadi sejumlah interval oleh algoritme genetika, dengan nilai himpunan semesta U=[1941, ]. Pada penelitian ini digunakan sejumlah 9 fuzzy set yang berarti pada representasi kromosom digunakan sebanyan 9-1 gen atau 8 gen. Representasi kromosom agoritme genetika yang teridiri dari 8 gen titunjukkan pada Tabel 1. Gambar 2. Proses Peramalan menggunakan Fuzzy Logical Relationship dan Algoritme Genetika Untuk perhitungan nilai fitness digunakan persamaan sebagai berikut: Fitness = 1 1+MSE Keterangan: MSE = hasil perhitungan nilai kesalahan 5. IMPLEMENTASI (9) Implementasi antarmuka sistem peramalan jumlah pengunjung wisata menggunakan Fuzzy Logical Relationship dan algoritme genetika ditunjukkan pada Gambar 3. Tabel 1. Representasi kromosom 8 gen Berdasarkan hasil representasi kromosom pada Tabel 1 maka dapat dibuat pembagian interval sebagai berikut: u 1 =[1941,48547] u 6 =[244134,325005] u 2 =[48547,95339] u 7 =[325005,868951] u 3 =[95339,183994] u 8 =[868951, ] Gambar 3. Hasil impelemtasi antarmuka
6 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer PENGUJIAN Pengujian yang dilakukan pada penelitian ini terdiri dari dua macam pengujian yakni pengujian perbandingan jumlah fuzzy set untuk fuzzy logical relationship. terhadap parameter algoritme genetika. 6.1 Pengujian Jumlah fuzzy Set Berdasarkan Gambar 4, hasil pengujian dengan rata-rata fitness terbesar didapatkan pada fuzzy set sejumlah 9. Jumlah fuzzy set yang semakin banyak atau semakin sedikit belum tentu memberikan nilai fitness yang semakin baik. Hal ini dikarenakan jumlah fuzzy set mempengaruhi hasil proses pembagian interval. Sehingga akan mempengaruhi hasil akhir peramalan karena digunakan nilai titik tengah interval dan bobot pada proses peramalan. Jika fuzzy set lebih kecil dari 9 maka range interval akan terlalu besar dan data dengan selisih yang besar akan berada dalam satu interval yang sama, sehingga berdampak pada nilai fitness yang rendah dibandingkan jumlah fuzzy set 9 seperti pada grafik dengan banyak fuzzy set 7 dan 8. Sedangkan jika fuzzy set lebih besar dari 9, maka range interval akan terlalu kecil dan data dengan selisih yang kecil akan berada dalam interval yang berbeda sehingga nilai fitness yang dihasilkan lebih rendah dari fuzzy set 9 yang ditunjukkan pada grafik dengan fuzzy set Hal ini berdampak pada keberadaan data dalam interval yang memberikan hasil peramalan yang kurang optimal. Gambar 4. Hasil pengujian jumlah fuzzy set Pada pengujian ini 7 fuzzy set digunakan sebagai nilai awal karena dalam beberapa penelitian jumlah tersebut memberikan hasil kesalahan terkecil dibandingkan metode fuzzy time series lainnya. Hal ini dibuktikan dengan penelitian oleh Cheng et al (2007), Stevenson (2009) dan Cheng et al (2015). Dan seperti yang terlihat, hasil pengujian dengan mulai dari 11 fuzzy set memiliki perbedaan nilai yang tidak terlalu jauh, sehingga jumlah fuzzy set yang digunakan hanya sebanyak 16. Pada kasus tertentu, kenaikan jumlah fuzzy set dari 5 menjadi 9 akan mengakibatkan penurunan ratarata nilai kesalahan lebih dari 25% (Sah & Degtiarev, 2005). 6.2 Pengujian Jumlah Populasi Berdasarkan hasil pengujian pada Gambar 5, dapat dilihat bahwa grafik cenderung naik. Rata-rata nilai fitness terkecil didapatkan pada ukuran populasi sebanyak 50. Karena ukuran populasi masih sedikit, maka area ekplorasi menjadi sempit dan solusi yang ditemukan tidak terlalu baik. Dengan demikian, tentu akan mempengaruhi keragaman dari populasi. Sedangkan rata-rata nilai fitness terbesar didapatkan pada ukuran populasi sebanyak 300. Karena algoritme genetika menggunakan stochastic operator dengan membangkitan kromosom secara random, maka bisa jadi induk yang dibangkitkan dengan jumlah sedikit memiliki peluang dalam menghasilkan solusi yang optimal. Selain itu, operator yang bersifat probabilistik juga terdapat di beberapa proses lain seperti pemilihan induk secara acak pada proses crossover dan mutasi, pembangkitan variabel a secara acak pada proses crossover, pembangkitan variabel probabilitas baru secara random pada proses mutasi, serta pembangkitan nilai gen baru secara acak pada proses mutasi. Sehingga, offspring yang dihasilkan dari proses acak tersebut mampu memberikan hasil fitness yang lebih baik maupun lebih buruk dari induk. Ketika nilai offspring lebih baik, maka nilai dari induk tersebut akan digantikan. Dengan demikian, memberikan kemungkinan pada jumlah populasi 300 menghasilkan fitness yang lebih baik dibandingkan jumlah populasi yang lebih dari 300. Seperti yang tertera pada Grafik 6.2 hasil menunjukkan bahwa nilai yang konvergen didapatkan sejak ukuran populasi sebanyak 350. Mengingat waktu komputasi yang diperlukan berbeda namun dengan hasil yang mendekati sama maka jumlah yang digunakan pada pengujian hanya sampai 500. Ukuran populasi yang kecil, menyebabkan kandidat parent akan memiliki variasi terbatas, dan anak yang dihasilkan bisa jadi memiliki sifat yang mirip dengan nilai fitness yang hampir dekat (Mahmudy & Suprayogi, 2015). Nilai fitness pada jumlah populasi yang besar belum tentu
7 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1115 lebih baik dari jumlah populasi yang lebih kecil (Saputro, et al., 2014). keragaman populasi guna mendapatkan solusi yang optimum. Dalam menentukan kombinasi terbaik crossover rate dan mutation rate memerlukan beberapa percobaan pendahuluan dan merupakan pekerjaan yang sulit (Mahmudy, et al., 2013). Gambar 5. Hasil pengujian ukuran populasi 6.3 Pengujian kombinasi cr & mr Berdasarkan pada Gambar 6.3, hasil menunjukkan bahwa rata-rata nilai fitness terbesar didapatkan oleh kombinasi probabilitas crossover 0,8 dan probabilitas mutasi 0,2 sebagai puncak nilai terbaik. Karena nilai crossover rate lebih tinggi maka terjadi penurunan keragaman sehingga nilai offspring yang dihasilkan memiliki kemiripan yang tinggi dengan induknya. Sehingga menyebabkan kurangnya eksplorasi area lain dalam ruang pencarian. Namun karena mutation rate yang digunakan lebih rendah, maka akan terjadi ekploitasi yang tinggi dalam area pencarian dari hasil yang didapatkan. Sedangkan nilai rerata terendah didapatkan oleh kombinasi 0;1. Artinya proses reproduksi hanya mengandalkan operator mutasi dan solusi yang didapatkan terjebak dalam daerah optimum lokal. Hal ini dikarenakan crossover rate lebih rendah sehingga offspring tidak bisa belajar dari generasi sebelumnya dan ruang pencarian tidak dapat dieksploitasi secara efektif. Jika cr tinggi dan mr rendah maka GA mengalami penurunan keragaman populasi yang menyebabkan konvergensi dini sehingga kehilangan kesempatan dalam melakukan eksplorasi pada area lain di dalam ruang pencarian (Mahmudy, 2013). Dapat diperhatikan, probabilitas crossover rate 0,8 ternyata lebih besar dari mutation rate 0,2. Dengan demikian, dapat disimpulkan bahwa nilai crossover rate yang lebih besar menghasilkan solusi optimal. Namun pada kombinasi lain dengan nilai crossover rate yang lebih besar yakni 1;00, 0,9;0,1, 0,7;0,3 dan 0,6;0,4 ternyata tidak menghasilkan fitness yang lebih baik dari kombinasi 0,8;0,2. Hal ini dikarenakan kombinasi tersebut tidak lebih baik dari kombinasi 0,8;0,2 dalam menghasilkan Gambar 6. Hasil pengujian kombinasi cr & mr 6.4 Pengujian jumlah generasi Berdasarkan hasil pengujian, grafik menunjukkan bahwa dengan 10 kali percobaan hasil fitness terendah didapatkan pada jumlah generasi sebanyak 100. Pada Gambar 7 bisa terlihat grafik cenderung menghasilkan nilai fitness semakin tinggi ketika jumlah generasi semakin besar. Dengan nilai fitness tertinggi didapatkan oleh generasi sebanyak 500. Seperti yang terlihat pada grafik, hasil menunjukan nilai yang konvengen sejak generasi 600. Sehingga pada pengujian ini nilai generasi terbanyak yang digunakan hanya sampai generasi. Namun terlalu banyak jumlah generasi belum tentu membuat algoritme genetika menjadi lebih optimal, selain nilai fitness yang akan dihasilkan belum tentu bisa lebih baik dari generasi yang lebih rendah, waktu proses yang dibutuhkan pun akan lebih lama (Mahmudy & Suprayogi, 2015). Gambar 7. Hasil pengujian jumlah generasi 6.5 Analisis global Berdasarkan analisis dari keseluruhan
8 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1116 pengujian yang telah dilakukan, dapat disimpulkan bahwa permasalahan peramalan menggunakan FLRGA menghasilkan nilai terbaik sejumlah 280x10-9 dalam fitness yang artinya selisih rata-rata antara data aktual dengan hasil peramalan sebesar dalam MSE. Berdasarkan hasil pengujian dan analisis untuk parameter jumlah fuzzy set, didapatkan hasil terbaik pada fuzzy set sejumlah 9, untuk parameter ukuran populasi memberikan hasil terbaik pada ukuran sejumlah 300, untuk parameter kombinasi cr & mr memberikan hasil terbaik pada kombinasi 0,8;0,2 dan untuk parameter jumlah generasi memberikan hasil terbaik pada generasi sebanyak 500. Sedangkan dari hasil pengujian dan analisis permasalahan peramalan menggunakan pencarian brute force menghasilkan nilai terbaik sejumlah 0,21x10-9 dalam fitness yang artinya selisih rata-rata antara data aktual dengan hasil peramalan adalah dalam MSE. Pada pengujian ini digunakan nilai terbaik parameter sesuai dengan hasil pengujian yang telah dilakukan. Untuk parameter jumlah fuzzy set digunakan sejumlah 9, untuk jumlah individu yang digunakan sebanyak 300. Dalam pencarian brute force ini tidak dilakukan proses algoritme genetika. Dapat dilihat bahwa hasil data ramalan menunjukkan perbedaan yang tidak terlalu jauh dengan histori data aktual. Sedangkan hasil peramalan jumlah pengunjung wisata menggunakan pencarian brute force memberikan perbedaan hasil yang jauh lebih besar. Dapat diperhatikan juga bahwa hasil keduanya memiliki kesamaan grafik, namun memiliki ketiggian yang berbeda. Hal tersebut dikarenakan jumlah fuzzy set yang digunakan pada kedua pengujian memiliki nilai yang sama yakni sejumlah 9 fuzzy set. Dimana nilai tersebut merupakan jumlah terbaik pada pengujian jumlah fuzzy set. Dilihat dari hasil nilai terbaik keduanya, permasalahan peramalan jumlah pengunjung wisata memberikan hasil yang lebih baik ketika menggunakan FLRGA, hal ini karena dengan nilai MSE yang didapatkan lebih rendah dibandingkan dengan hasil pencarian menggunakan brute force. Grafik hasil peramalan dan tabel perbedaan menggunakan FLRGA dan pencarian brute force dapat dilihat pada Gambar 8 dan Tabel 2 sebagai berikut: Tabel 2. Perbedaan hasil FLRGA & brute force Perbedaan FLRGA Brute Force MSE Fitness 279x x10-9 Jumlah pengunjung Selisih MSE Selisih fitness 258x10-9 Selisih jumlah pengunjung Gambar 8. Grafik perbedaan hasil FLRGA dan brite force 7. KESIMPULAN Metode fuzzy logical relationship dan algoritme genetika dapat diterapkan dalam permasalahan peramalan jumlah pengunjung wisata di kabupaten Banyuwangi. Berdasarkan hasil implementasi dan pengujian didapatkan nilai parameter-parameter terbaik dengan hasil nilai fitness tertinngi. Pengujian pertama adalah pengujian jumlah fuzzy set untuk metode FLR, dengan hasil pengujian jumlah fuzzy set optimal sebanyak 9. Pengujian selanjutnya adalah parameter-parameter pada algoritme genetika yakni pengujian jumlah populasi dengan hasil terbaik sebanyak 300, pengujian kombinasi nilai cr dan mr dengan hasil terbaik berturutturut 0,8 dan 0,2, serta pengujian jumlah generasi dengan hasil terbaik sejumlah 500. Berdasarkan hasil peramalan menggunakan nilai parameter tersebut didapatkan hasil sebesar 280x10-9 dalam fitness yang artinya selisih rata-rata antara data aktual dengan hasil peramalan sebesar dalam MSE. Dalam penelitian ini tidak digunakan metode optimasi untuk menentukan jumlah fuzzy set, proses optimasi difokuskan terhadap interval. Namun digunakan pengujian untuk membandingkan hasil dari jumlah fuzzy set yang berbeda. Untuk itu, diharapkan adanya metode tertentu untuk melakukan optimasi terhadap jumlah fuzzy set agar mendapatkan
9 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1117 hasil yang lebih optimal pada penelitian selanjutnya. Berdasarkan hasil pengujian dan analisis yang dilakukan, hasil pengujian kombinasi cr & mr terjebak dalam lokal optimum yakni pada kombinasi 0;1. Hal ini dikarenakan cr lebih rendah dari mr sehingga offspring tidak bisa belajar dari generasi sebelumnya dan ruang pencarian tidak bisa dieksploitasi secara efektif. Oleh karena itu, ada penelitian selanjutnya dapat menggunakan operator crossover dan mutasi adaptif agar didapatkan hasil yang lebih baik. 8. DAFTAR PUSTAKA Amjad, U., Jilani, T. A. & Yasmeen, F., A Two Phase Algorithm for Fuzzy Time Series Forecasting using Genetic Algorithm and Particle Swarm Optimization Techniques. s.l.:international Journal of Computer Applications ( ). Anggodo, Y. P. & Mahmudy, W. F., Peramalan Butuhan Hidup Minimum Menggunakan Automatic Clustering dan Fuzzy Logical Relatioship. s.l.:jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK). Buffa, S., Elwood, Rakesh & K, S., Modern Production and Operation Management. Eight Edition ed. s.l.:john Willey and Son Inc. London. Cai, Q., Zhang, D., Wu, B. & Leung, S. C., A Novel Stock Forecasting Model Based on Fuzzy Time Series and Genetic Algorithm. s.l.:international Conference on Computer Science. Cheng, S. H., Chen, S. M. & Jian, W. S., A novel fuzzy time series forecasting method based on fuzzy logical relationships and similarity measures. s.l.:ieee International Conference on Systems, Man, and Cybernetics. Cheng, S. H., Chen, S. M. & Jian, W. S., Fuzzy time series forecasting based on fuzzy logical relationships and similarity measures ed. s.l.:information Science. Cheng, S. H., Chen, S. M. & Jian, W. S., Fuzzy time series forecasting based on fuzzy logical relationships and similarity measures. s.l.:information Sciences. Chen, S. M., Wang, N. Y. & Pan, J. S., Forecasting enrollments using automatic clustering techniques and fuzzy. s.l.:expert Systems with Applications. Huarng, K., Heuristic models of fuzzy time series for forecasting. s.l.:fuzzy Sets & Systems. Jumingan, Studi Kelayakan Bisnis-Teori dan Pembuatan Proposal Kelayakan. Jakarta: PT. Bumi Aksara. Mahmudy, W. F., Algoritma Evolusi. s.l.:program Teknologi Informasi dan Ilmu Komputer (PTIIK). Mahmudy, W. F., Marian, R. M. & Luong, L. H., Solving part type selection and loading problem in flexible manufacturing system using real coded genetic algorithms. Part I: modeling ed. s.l.:world Academy of Science, Engineering and Technology. Mahmudy, W. F. & Suprayogi, D. A., Penerapan Algoritma Genetika Travelling Salesman Problem with Time Window: Studi Kasus Rute Antar Jemput Laundry. s.l.:jurnal Buana Informatika. Mansor, K. A. & Ishak, W. I., Forecasting Tourist Arrivals to Langkawi Island Malaysia. Malaysia: Cross-Cultural Management Journal.. Qiu, W., Zang, P. & Wang, Y., Fuzzy time series forecasting model based on automatic clustering techniques and generalized fuzzy logical relationship. s.l.:hindawi Publishing Corporation Mathematical Problems in Engineering. Saayman, A. & Saayman, M., Forecasting Tourist Arrivals In South Africa. s.l.:acta Commerci. Sachdev, A. & Sharma, V., Stock Forecasting Model Based on Combined Fuzzy Time Series and Genetic Algorithm. s.l.:international Conference on Computational Intelligence and Communication Network. Sah, M. & Degtiarev, K. Y., Forecasting Enrollment Model Based on First- Order Fuzzy Time Series. Volume 1 ed. s.l.:proceedings OF WORLD ACADEMY OF SCIENCE, ENGINEERING AND TECHNOLOGY.
10 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1118 Saputro, H. A., Mahmudy, W. F. & Dewi, C., Implementasi Algoritma Genetika untuk Optimasi Lahan Pertanian. s.l.:doro: Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya. Song, Q. & Chissom, B. S., Forecasting enrollments with fuzzy time series. s.l.:fuzzy Sets and Systems. Tsaur, R. C., Yang, J. C. & Wang, W. H., Fuzzy relation analysis in fuzzy time series model. s.l.:computers and Mathematics with Applications. World Tourism Organization, Glossary of Tourism Terms. Tersedia di : < Glossary+of+terms.pdf> [Diakses pada 8 Februari 2017]. Zhao, J., Watada, J. & Matsumoto, Y., A fuzzy time-series prediction by GA based rough sets model. s.l.:ieee Conference Publication.
Peramalan Produksi Gula Pasir Menggunakan Fuzzy Time Series Dengan Optimasi Algoritma Genetika (Studi Kasus PG Candi Baru Sidoarjo)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 8, Agustus 2018, hlm. 2542-2548 http://j-ptiik.ub.ac.id Pe Produksi Gula Pasir Menggunakan Fuzzy Time Series Dengan
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK PENENTUAN BATASAN FUNGSI KENGGOTAAN FUZZY TSUKAMOTO PADA KASUS PERAMALAN PERMINTAAN BARANG
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol. 3, No. 3, September 2016, hlm. 169-173 PENERAPAN ALGORITMA GENETIKA UNTUK PENENTUAN BATASAN FUNGSI KENGGOTAAN FUZZY TSUKAMOTO PADA KASUS PERAMALAN
Lebih terperinciImplementasi Algoritme Average Time Based Fuzzy Time Series Untuk Peramalan Tingkat Inflasi Berdasarkan Kelompok Pengeluaran
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 10, Oktober 2018, hlm. 3533-3537 http://j-ptiik.ub.ac.id Implementasi Algoritme Average Time Based Fuzzy Time Series
Lebih terperinciPenentuan Portofolio Saham Optimal Menggunakan Algoritma Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 1, Januari 2017, hlm. 63-68 http://j-ptiik.ub.ac.id Penentuan Portofolio Saham Optimal Menggunakan Algoritma Genetika
Lebih terperinciOptimasi Multiple Travelling Salesman Problem Pada Pendistribusian Air Minum Menggunakan Algoritme Genetika (Studi Kasus: UD.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 9, Juni 2017, hlm. 849-858 http://j-ptiik.ub.ac.id Optimasi Multiple Travelling Salesman Problem Pada Pendistribusian
Lebih terperinciPrediksi Kebutuhan Air PDAM Kota Malang Menggunakan Metode Fuzzy Time Series Dengan Algoritma Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 1, Januari 2018, hlm. 133-142 http://j-ptiik.ub.ac.id Prediksi Kebutuhan Air PDAM Kota Malang Menggunakan Metode
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK MEMAKSIMALKAN LABA PRODUKSI JILBAB
Journal of Environmental Engineering & Sustainable Technology Vol. 02 No. 01, July 2015, Pages 06-11 JEEST http://jeest.ub.ac.id PENERAPAN ALGORITMA GENETIKA UNTUK MEMAKSIMALKAN LABA PRODUKSI JILBAB Samaher
Lebih 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 terperinciOleh : Rahanimi Pembimbing : Dr. M Isa Irawan, M.T
PERAMALAN JUMLAH MAHASISWA PENDAFTAR PMDK JURUSAN MATEMATIKA MENGGUNAKAN METODE AUTOMATIC CLUSTERING DAN RELASI LOGIKA FUZZY (STUDI KASUS di INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA) Oleh : Rahanimi
Lebih terperinciOPTIMASI PERSEDIAAN BAJU MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI PERSEDIAAN BAJU MENGGUNAKAN ALGORITMA GENETIKA andra Aditya 1), Wayan Firdaus Mahmudy 2) 1) Program Studi Teknik Informatika, Fakultas Ilmu Komputer Malang Jl. Veteran, Malang 65145, Indonesia
Lebih terperinciPrediksi Jumlah Pengangguran Terbuka di Indonesia menggunakan Metode Genetic-Based Backpropagation
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 4, April 2017, hlm. 341-351 http://j-ptiik.ub.ac.id Prediksi Jumlah Pengangguran Terbuka di Indonesia menggunakan
Lebih terperinciOptimasi Pemilihan Pekerja Bangunan Proyek Pada PT. Citra Anggun Pratama Menggunakan Algoritma Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 2, Februari 2017, hlm. 80-84 http://j-ptiik.ub.ac.id Optimasi Pemilihan Pekerja Bangunan Proyek Pada PT. Citra Anggun
Lebih terperinciJurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 8, Agustus 2018, hlm. 2560-2568 http://j-ptiik.ub.ac.id Optimasi Fuzzy Times Series Untuk Memprediksi Besar Nilai
Lebih terperinciANALISIS METODE FIRST ORDER AND TIME INVARIANT MODEL UNTUK PERAMALAN HARGA SAHAM
ANALISIS METODE FIRST ORDER AND TIME INVARIANT MODEL UNTUK PERAMALAN HARGA SAHAM Reny Fitri Yani 1, Luh Kesuma Wardhani 2, Febi Yanto 3 Jurusan Teknik Informatika, Fakultas Sains dan Teknologi Universitas
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Travelling Salesman Problem (TSP) Travelling Salesmen Problem (TSP) termasuk ke dalam kelas NP hard yang pada umumnya menggunakan pendekatan heuristik untuk mencari solusinya.
Lebih terperinciOPTIMASI PENJADWALAN CERDAS MENGGUNAKAN ALGORITMA MEMETIKA
OPTIMASI PENJADWALAN CERDAS MENGGUNAKAN ALGORITMA MEMETIKA Muhammad Arief Nugroho 1, Galih Hermawan, S.Kom., M.T. 2 1, 2 Universitas Komputer Indonesia Jl. Dipatiukur No. 112-116, Bandung 40132 E-mail
Lebih terperinciPenjadwalan Dinas Pegawai Menggunakan Algoritma Genetika Pada PT Kereta Api Indonesia (KAI) Daerah Operasi 7 Stasiun Besar Kediri
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 11, November 2018, hlm. 4371-4376 http://j-ptiik.ub.ac.id Penjadwalan Dinas Pegawai Menggunakan Algoritma Genetika
Lebih terperinciPENJADWALAN KAPAL PENYEBERANGAN MENGGUNAKAN ALGORITMA GENETIKA
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol. 3, No. 1, Maret 2016, hlm. 48-55 PENJADWALAN KAPAL PENYEBERANGAN MENGGUNAKAN ALGORITMA GENETIKA Ria Febriyana 1, Wayan Firdaus Mahmudy 2 Program
Lebih terperinciPeramalan Menggunakan Metode Fuzzy Time Series Cheng. Forecasting Using Fuzzy Time Series Cheng Method
Jurnal EKSPONENSIAL Volume 8, Nomor, Mei 07 ISSN 085-789 Peramalan Menggunakan Metode Fuzzy Time Series Cheng Forecasting Using Fuzzy Time Series Cheng Method Sumartini, Memi Nor Hayati, dan Sri Wahyuningsih
Lebih terperinciOPTIMASI JADWAL MENGAJAR ASISTEN LABORATORIUM MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI JADWAL MENGAJAR ASISTEN LABORATORIUM MENGGUNAKAN ALGORITMA GENETIKA Indana Zulfa 1, Wayan Firdaus Mahmudy 2, Budi Darma Setiawan 3 Teknik Informatika, Program Teknologi Informasi dan Ilmu Komputer,
Lebih terperinciPERAMALAN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN RUNTUN WAKTU FUZZY DENGAN PARTISI INTERVAL BERDASARKAN FREKUENSI DENSITAS
PERAMALAN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN RUNTUN WAKTU FUZZY DENGAN PARTISI INTERVAL BERDASARKAN FREKUENSI DENSITAS Sylvia Swidaning Putri, Winita Sulandari dan Muslich Program Studi Matematika
Lebih terperinciOptimasi Penjadwalan Mata Pelajaran Menggunakan Algoritma Genetika (Studi Kasus : SMPN 1 Gondang Mojokerto)
Optimasi Penjadwalan Mata Pelajaran Menggunakan Algoritma Genetika (Studi Kasus : SMPN 1 Gondang Mojokerto) Dianita Dwi Permata Sari 1, Wayan Firdaus Mahmudy 2, Dian Eka Ratnawati 3 Teknik Informatika,
Lebih terperinciPenerapan Genetic Algorithm Untuk Optimasi Peningkatan Laba Persediaan Produksi Pakaian
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 6, Juni 218, hlm. 2168-2172 http://j-ptiik.ub.ac.id Penerapan Genetic Algorithm Untuk Optimasi Peningkatan Laba Persediaan
Lebih terperinciPEMODELAN REGRESI NON LINEAR MENGGUNAKAN ALGORITMA GENETIKA UNTUK PREDIKSI KEBUTUHAN AIR PDAM KOTA MALANG
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol. 3, No. 1, Maret 2016, hlm. 59-65 PEMODELAN REGRESI NON LINEAR MENGGUNAKAN ALGORITMA GENETIKA UNTUK PREDIKSI KEBUTUHAN AIR PDAM KOTA MALANG Vitara
Lebih terperinciOptimalisasi Pengantaran Barang dalam Perdagangan Online Menggunakan Algoritma Genetika
Optimalisasi Pengantaran Barang dalam Perdagangan Online Menggunakan Algoritma Genetika Rozak Arief Pratama 1, Esmeralda C. Djamal, Agus Komarudin Jurusan Informatika, Fakultas MIPA Universitas Jenderal
Lebih terperinciANALISIS PENGATURAN INDIVIDU CROSSOVER DAN MUTASI ALGORITMA GENETIKA STUDI KASUS TRAVELLING SALESMAN PROBLEM
ANALISIS PENGATURAN INDIVIDU CROSSOVER DAN MUTASI ALGORITMA GENETIKA STUDI KASUS TRAVELLING SALESMAN PROBLEM Sean Coonery Sumarta* 1 1 Program Studi Teknik Informatika, Universitas Atma Jaya Makassar,
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK PERMASALAHAN OPTIMASI DISTRIBUSI BARANG DUA TAHAP
PENERAPAN ALGORITMA GENETIKA UNTUK PERMASALAHAN OPTIMASI DISTRIBUSI BARANG DUA TAHAP Riska Sulistiyorini ), Wayan Firdaus Mahmudy ), Program Studi Teknik Informatika Program Teknologi Informasi dan Ilmu
Lebih 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 terperinciOptimasi Pembagian Barang Alat Tulis Kantor Menggunakan Algoritme Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: -X Vol., No., Maret, hlm. - http://j-ptiik.ub.ac.id Optimasi Pembagian Barang Alat Tulis Kantor Menggunakan Algoritme Genetika Ardiansyah
Lebih terperinciPengujian Metode Fuzzy Time Series Chen dan Hsu Untuk Meramalkan Nilai Indeks Bursa Saham Syariahh Di Jakarta J Islamic Index (JII)
Pengujian Metode Fuzzy Time Series Chen dan Hsu Untuk Meramalkan Nilai Indeks Bursa Saham Syariahh Di Jakarta J Islamic Index (JII) Rizkaa Zulfikar, Prihatini Ade`Mayvita 1,2) Universitas Islam Kalimantan
Lebih terperinciJURNAL TEKNIK DINTEK, Vol. 10 No. 02, September 2017 : 21-31
ANALISIS PERBANDINGAN TINGKAT AKURASI METODE AVERAGE BASED FTS MARKOV CHAIN DENGAN AUTOMATIC CLAUSTERING FTS MARKOV CHAIN DALAM PERAMALAN DATA TIMESERIES Junaidi Noh Dosen Program Study Teknik Informatika
Lebih terperinciPENGGUNAAN METODE FUZZY TIME SERIES UNTUK MERAMALKAN HASIL PRODUKSI PADI KABUPATEN MAJALENGKA
PENGGUNAAN METODE FUZZY TIME SERIES UNTUK MERAMALKAN HASIL PRODUKSI PADI KABUPATEN MAJALENGKA Khanty Intan Lestari 1, Tine Soemartini 2, Resa Septiani Pontoh 3. Mahasiswa Program Studi Statistika Universitas
Lebih terperinciPERAMALAN BUTUHAN HIDUP MINIMUM MENGGUNAKAN AUTOMATIC CLUSTERING DAN FUZZY LOGICAL RELATIONSHIP
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol 3, No 2, Juni 2016, hlm 94-102 PERAMALAN BUTUHAN HIDUP MINIMUM MENGGUNAKAN AUTOMATIC CLUSTERING DAN FUZZY LOGICAL RELATIONSHIP Yusuf Priyo Anggodo
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 terperinciPERAMALAN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN FUZZY TIME SERIES TERBOBOT. 1. Pendahuluan
PERAMALAN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN FUZZY TIME SERIES TERBOBOT Dennis Frisca Ayudya, Dewi Retno Sari Saputro, Santoso Budi Wiyono Program Studi Matematika FMIPA UNS Abstrak. Indeks harga
Lebih terperinciModel Peramalan Jumlah Pernikahan Menggunakan Metode Fuzzy Time Series dengan Algoritma Average Based Length pada KUA
Model Peramalan Jumlah Pernikahan Menggunakan Metode Fuzzy Time Series dengan Algoritma Average Based Length pada KUA Solikhin 1, Martono 2, Puji Nugroho 3) 1,3 Program Studi Sistem Informasi, STMIK Himsya
Lebih terperinciPERBANDINGAN METODE PEMULUSAN EKSPONENSIAL TUNGGAL DAN FUZZY TIME SERIES UNTUK MEMPREDIKSI INDEKS HARGA SAHAM GABUNGAN
PERBANDINGAN METODE PEMULUSAN EKSPONENSIAL TUNGGAL DAN FUZZY TIME SERIES UNTUK MEMPREDIKSI INDEKS HARGA SAHAM GABUNGAN SKRIPSI Oleh : TAUFAN FAHMI J2E008056 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA
Lebih terperinciPEMBOBOTAN PENILAIAN UJIAN PILIHAN GANDA MENGGUNAKAN ALGORITMA GENETIKA
PEMBOBOTAN PENILAIAN UJIAN PILIHAN GANDA MENGGUNAKAN ALGORITMA GENETIKA Ida Wahyuni 1, Wayan Firdaus Mahmudy 2 1,2 Program Studi Magister Ilmu Komputer, Fakultas Ilmu Komputer, Universitas Brawijaya Jl.
Lebih terperinciPELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE SELEKSI TURNAMEN UNTUK DATA TIME SERIES
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 65-72 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE
Lebih terperinciPENERAPAN ALGORITMA GENETIKA 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 terperinciPeramalan Time Invariant Fuzzy Time Series Mahasiswa FT dan FKIP UMP
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 Peramalan Time Invariant Fuzzy Time Series Mahasiswa FT dan FKIP UMP Harjono 1, Malim Muhammad 2, Lukmanul Akhsani 3 Universitas Muhammadiyah Purwokerto
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 terperinciRancang Bangun Aplikasi Prediksi Jumlah Penumpang Kereta Api Menggunakan Algoritma Genetika
1 Rancang Bangun Aplikasi Prediksi Jumlah Penumpang Kereta Api Menggunakan Algoritma Genetika Annisti Nurul Fajriyah Politeknik Elektronika Negeri Surabaya Institut Teknologi Sepuluh Nopember (ITS) Surabaya
Lebih terperinciPenerapan Algoritme Genetika Untuk Penjadwalan Latihan Reguler Pemain Brass Marching Band (Studi Kasus: Ekalavya Suara Brawijaya)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 9, September 2018, hlm. 2950-2956 http://j-ptiik.ub.ac.id Penerapan Algoritme Genetika Untuk Penjadwalan Latihan
Lebih 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
BAB 2 LANDASAN TEORI Bab ini membahas teori penunjang yang berhubungan dengan penerapan metode average-based fuzzy time series pada sistem peramalan jumlah penjualan distributor telur. 2.1 Peramalan Peramalan
Lebih terperinciPeramalan Inflasi dengan Metode Weighted Fuzzy Time Series
Peramalan Inflasi dengan Metode Weighted Fuzzy Time Series Oleh: Dwi Ayu Lusia (1307 100 013) Pembimbing: Dr. Suhartono, M.Sc 1 seminar hasil Tugas Akhir S1 Statistika 24 Juni 2011 Latar belakang masalah
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 terperinciPERAMALAN NILAI TUKAR RUPIAH TERHADAP DOLAR AMERIKA MENGGUNAKAN MODEL RUNTUN WAKTU FUZZY -RANTAI MARKOV
PERAMALAN NILAI TUKAR RUPIAH TERHADAP DOLAR AMERIKA MENGGUNAKAN MODEL RUNTUN WAKTU FUZZY -RANTAI MARKOV oleh ERIKHA AJENG CHISWARI NIM. M0111028 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan
Lebih terperinciImplementasi Genetic Algorithm Dan Artificial Neural Network Untuk Deteksi Dini Jenis Attention Deficit Hyperactivity Disorder
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 2, Februari 2018, hlm. 688-694 http://j-ptiik.ub.ac.id Implementasi Genetic Algorithm Dan Artificial Neural Network
Lebih terperinciKNAPSACK PROBLEM DENGAN ALGORITMA GENETIKA
LAPORAN TUGAS BESAR ARTIFICIAL INTELLEGENCE KNAPSACK PROBLEM DENGAN ALGORITMA GENETIKA Disusun Oleh : Bayu Kusumo Hapsoro (113050220) Barkah Nur Anita (113050228) Radityo Basith (113050252) Ilmi Hayyu
Lebih terperinciPENYELESAIAN VEHICLE ROUTING PROBLEM WITH TIME WINDOWS (VRPTW) MENGGUNAKAN ALGORITMA GENETIKA HYBRID
JOURNAL OF ENVIRONMENTAL ENGINEERING & SUSTAINABLE TECHNOLOGY P-ISSN : 2356-3109 PENYELESAIAN VEHICLE ROUTING PROBLEM WITH TIME WINDOWS (VRPTW) MENGGUNAKAN ALGORITMA GENETIKA HYBRID Diah Anggraeni Pitaloka
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK TRAVELING SALESMAN PROBLEM DENGAN MENGGUNAKAN METODE ORDER CROSSOVER DAN INSERTION MUTATION
PENERAPAN ALGORITMA GENETIKA UNTUK TRAVELING SALESMAN PROBLEM DENGAN MENGGUNAKAN METODE ORDER CROSSOVER DAN INSERTION MUTATION Samuel Lukas 1, Toni Anwar 1, Willi Yuliani 2 1) Dosen Teknik Informatika,
Lebih terperinciPERBANDINGAN KINERJA ALGORITMA GENETIK DAN ALGORITMA BRANCH AND BOUND PADA TRAVELLING SALESMAN PROBLEM
PERBANDINGAN KINERJA ALGORITMA GENETIK DAN ALGORITMA BRANCH AND BOUND PADA TRAVELLING SALESMAN PROBLEM Nico Saputro dan Suryandi Wijaya Jurusan Ilmu Komputer Universitas Katolik Parahyangan nico@home.unpar.ac.id
Lebih terperinciPREDIKSI INDEKS HARGA SAHAM MENGGUNAKAN KOMBINASI ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO) DAN TIME VARIANT FUZZY TIME SERIES (TVFTS)
ISSN : 255-965 e-proceeding of Engineering : Vol.2, No.2 Agustus 205 Page 684 PREDIKSI INDEKS HARGA SAHAM MENGGUNAKAN KOMBINASI ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO) DAN TIME VARIANT FUZZY TIME SERIES
Lebih terperinciPenyelesaian Penjadwalan Flexible Job Shop Problem Menggunakan Real Coded Genetic Algorithm
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 1, Januari 2017, hlm 57-62 http://j-ptiik.ub.ac.id Penyelesaian Penjadwalan Flexible Job Shop Problem Menggunakan
Lebih terperinciPenerapan Algoritma Genetika Traveling Salesman Problem with Time Window: Studi Kasus Rute Antar Jemput Laundry
Suprayogi, Penerapan Algoritma Genetika Traveling Salesman Problem with Time Window: Studi Kasus Rute Antar Jemput Laundry 121 Penerapan Algoritma Genetika Traveling Salesman Problem with Time Window:
Lebih terperinciKOMBINASI ALGORITMA GENETIKA DAN ALGORITMA FUZZY TIME SERIES DALAM PREDIKSI JUMLAH CALON MAHASISWA BARU STIKOM DINAMIKA BANGSA JAMBI
KOMBINASI ALGORITMA GENETIKA DAN ALGORITMA FUZZY TIME SERIES DALAM PREDIKSI JUMLAH CALON MAHASISWA BARU STIKOM DINAMIKA BANGSA JAMBI M.Riza Pahlevi.B Program Studi Teknik Informatika, STIKOM Dinamika Bangsa,
Lebih terperinciABSTRAK. Kata kunci: IHSG, runtun waktu fuzzy, partisi interval berdasarkan frekuensi densitas. iii
ABSTRAK Sylvia Swidaning Putri. 2016. PERAMALAN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN RUNTUN WAKTU FUZZY DENGAN PARTISI INTERVAL BERDASARKAN FREKUENSI DENSITAS. Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciPrediksi Harga Saham Dengan Metode Fuzzy Time Series dan Metode Fuzzy
Prediksi Harga Saham Dengan Metode Fuzzy Time Series dan Metode Fuzzy Time Series-Genetic Algorithm (Studi Kasus: PT Bank Mandiri (persero) Tbk) Stock Price Prediction Using Fuzzy Time Series and Fuzzy
Lebih terperinciOptimasi Penjadwalan Kuliah Pengganti Menggunakan Algoritme Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol 2, No 9, September 218, hlm 2829-284 http://j-ptiikubacid Optimasi Penjadwalan Kuliah Pengganti Menggunakan Algoritme Genetika
Lebih terperinciPREDIKSI TIME SERIES TINGKAT INFLASI INDONESIA MENGGUNAKAN EVOLUTION STRATEGIES
PREDIKSI TIME SERIES TINGKAT INFLASI INDONESIA MENGGUNAKAN EVOLUTION STRATEGIES Universitas Telkom Jl.Telekomunikasi No. 1, Terusan Buah Batu, Bandung ritaris@telkomuniversity.ac.id Abstrak Prediksi tingkat
Lebih terperinciPenerapan Logika Samar dalam Peramalan Data Runtun Waktu
Penerapan Logika Samar dalam Peramalan Data Runtun Waktu Seng Hansun Program Studi Teknik Informatika, Universitas Multimedia Nusantara, Tangerang, Indonesia hansun@umn.ac.id Abstract Recently, there are
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 terperinciKata Kunci: Peramalan; metode Automatic Clustering And Fuzzy Logic Relationship Markov Chain;MAPE. 1. PENDAHULUAN
ISSN: 2528-463 PERAMALAN JUMLAH PENDAFTAR MAHASISWA BARU STMIK DUTA BANGSA SURAKARTA MENGGUNAKAN METODE AUTOMATIC CLUSTERING AND FUZZY LOGIC RELATIONSHIP MARKOV CHAIN Nurmalitasari¹ ), Sri Sumarlinda²
Lebih terperinciPenerapan Evolution Strategies untuk Optimasi Travelling Salesman Problem With Time Windows pada Sistem Rekomendasi Wisata Malang Raya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 7, Juli 2018, hlm. 2487-2493 http://j-ptiik.ub.ac.id Penerapan Evolution Strategies untuk Optimasi Travelling Salesman
Lebih 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 terperinciOPTIMASI VEHICLE ROUTING PROBLEM WITH TIME WINDOWS PADA DISTRIBUSI KATERING MENGGUNAKAN ALGORITMA GENETIKA
Seminar Nasional Sistem Informasi Indonesia, 2-3 November 2015 OPTIMASI VEHICLE ROUTING PROBLEM WITH TIME WINDOWS PADA DISTRIBUSI KATERING MENGGUNAKAN ALGORITMA GENETIKA Dwi Cahya Astriya Nugraha 1), Wayan
Lebih terperinciOptimasi Penjadwalan Mata Pelajaran Pada Kurikulum 2013 Dengan Algoritme Genetika (Studi Kasus: SMA Negeri 3 Surakarta)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 12, Desember 2017, hlm. 1535-1542 http://j-ptiik.ub.ac.id Optimasi Penjadwalan Mata Pelajaran Pada Kurikulum 2013
Lebih terperinciPEMBENTUKAN MODEL REGRESI HARGA SAHAM MENGGUNAKAN ALGORITMA GENETIKA
PEMBENTUKAN MODEL REGRESI HARGA SAHAM MENGGUNAKAN ALGORITMA GENETIKA Asyrofa Rahmi 1, Wayan Firdaus Mahmudy 1, Program Studi Magister Ilmu Komputer, Fakultas Ilmu Komputer, Universitas Brawijaya Jl. Veteran
Lebih terperinciTEKNIK PENJADWALAN KULIAH MENGGUNAKAN METODE ALGORITMA GENETIKA. Oleh Dian Sari Reski 1, Asrul Sani 2, Norma Muhtar 3 ABSTRACT
TEKNIK PENJADWALAN KULIAH MENGGUNAKAN METODE ALGORITMA GENETIKA Oleh Dian Sari Reski, Asrul Sani 2, Norma Muhtar 3 ABSTRACT Scheduling problem is one type of allocating resources problem that exist to
Lebih terperinciPeramalan Kebutuhan Beban Sistem Tenaga Listrik Menggunakan Algoritma Genetika
Peramalan Kebutuhan Beban Sistem Tenaga Listrik Menggunakan Algoritma Genetika M. Syafrizal, Luh Kesuma Wardhani, M. Irsyad Jurusan Teknik Informatika - Universitas Islam Negeri Sultan Syarif Kasim Riau
Lebih terperinciAlgoritma Evolusi Dasar-Dasar Algoritma Genetika
Algoritma Evolusi Dasar-Dasar Algoritma Genetika Imam Cholissodin imam.cholissodin@gmail.com Pokok Bahasan 1. Pengantar 2. Struktur Algoritma Genetika 3. Studi Kasus: Maksimasi Fungsi Sederhana 4. Studi
Lebih terperinciOPTIMASI TRAVELLING SALESMAN PROBLEM WITH TIME WINDOWS (TSP-TW) PADA PENJADWALAN PAKET RUTE WISATA DI PULAU BALI MENGGUNAKAN ALGORITMA GENETIKA
Seminar Nasional Sistem Informasi Indonesia, 2-3 November 2015 OPTIMASI TRAVELLING SALESMAN PROBLEM WITH TIME WINDOWS (TSP-TW) PADA PENJADWALAN PAKET RUTE WISATA DI PULAU BALI MENGGUNAKAN ALGORITMA GENETIKA
Lebih terperinciBAB I PENDAHULUAN. wisata budaya, wisata belanja, hingga wisata Alam. Untuk menarik minat
BAB I PENDAHULUAN A. Latar Belakang Masalah Objek pariwisata di Yogyakarta sudah semakin beragam mulai dari wisata budaya, wisata belanja, hingga wisata Alam. Untuk menarik minat wisatawan dapat dibuat
Lebih terperinciISSN: X 77 IMPUTASI MISSING DATA DENGAN K-NEAREST NEIGHBOR DANALGORITMA GENETIKA
ISSN: 2088-687X 77 IMPUTASI MISSING DATA DENGAN K-NEAREST NEIGHBOR DANALGORITMA GENETIKA Ucik Mawarsari Badan Pusat Statistik Jl. Dr. Sutomo 6-8 Jakarta, ucik@bps.go.id ABSTRAK Permasalahan yang sering
Lebih terperinciMetode Automatic Clustering - Fuzzy logic relationships untuk Peramalan Data Univariate
Metode Automatic Clustering - Fuzzy logic relationships untuk Peramalan Data Univariate Oleh. ROBERT KURNIAWAN Pembimbing: Drs. Slamet Mulyono, M.Sc., P.hD Co. Pembimbing: Dr. Irhamah, M.Si Latar Belakang
Lebih terperinciOptimasi Cluster Pada Fuzzy C-Means Menggunakan Algoritma Genetika Untuk Menentukan Nilai Akhir
IJCCS, Vol.6, No.1, January 2012, pp. 101~110 ISSN: 1978-1520 101 Optimasi Cluster Pada Fuzzy C-Means Menggunakan Algoritma Genetika Untuk Menentukan Nilai Akhir Putri Elfa Mas`udia* 1, Retantyo Wardoyo
Lebih terperinciPENCOCOKAN KATA SECARA ACAK DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL
Jurnal Matematika UNAND Vol. 2 No. 2 Hal. 1 9 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENCOCOKAN KATA SECARA ACAK DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL MULIA AFRIANI KARTIKA
Lebih terperinciJurnal MIPA 38 (2) (2015): Jurnal MIPA.
Jurnal MIPA 38 (2) (2015): 186-196 Jurnal MIPA http://journal.unnes.ac.id/nju/index.php/jm PERAMALAN INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN METODE FUZZY TIME SERIES MARKOV CHAIN Y Aristyani 1 E Sugiharti
Lebih terperinciAnalisis Operator Crossover pada Permasalahan Permainan Puzzle
Analisis Operator Crossover pada Permasalahan Permainan Puzzle Kun Siwi Trilestari [1], Ade Andri Hendriadi [2] Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Singaperbanga Karawang
Lebih terperinciOptimasi Penataan Barang pada Proses Distribusi Menggunakan Algoritme Evolution Strategies
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 5, Mei 2018, hlm. 1874-1882 http://j-ptiik.ub.ac.id Optimasi Penataan Barang pada Proses Distribusi Menggunakan Algoritme
Lebih terperinciGenetic Algorithme. Perbedaan GA
Genetic Algorithme Algoritma ini bekerja dengan sebuah populasi yang terdiri atas individu-individu (kromosom). Individu dilambangkan dengan sebuah nilai kebugaran (fitness) yang akan digunakan untuk mencari
Lebih terperinciBAB 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
Lebih terperinciKeywords Algoritma, Genetika, Penjadwalan I. PENDAHULUAN
Optimasi Penjadwalan Mata Kuliah Dengan Algoritma Genetika Andysah Putera Utama Siahaan Universitas Pembangunan Pancabudi Jl. Gatot Subroto Km. 4,5, Medan, Sumatra Utara, Indonesia andiesiahaan@gmail.com
Lebih terperinciOptimasi 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 terperinciPrediksi Harga Emas Batang Menggunakan Feed Forward Neural Network Dengan Algoritme Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 8, Agustus 2018, hlm. 2317-2322 http://j-ptiik.ub.ac.id Prediksi Harga Emas Batang Menggunakan Feed Forward Neural
Lebih terperinciOPTIMASI PENEMPATAN KAPASITOR PADA SALURAN DISTRIBUSI 20 kv DENGAN MENGGUNAKAN METODE KOMBINASI FUZZY DAN ALGORITMA GENETIKA
OPTIMASI PENEMPATAN KAPASITOR PADA SALURAN DISTRIBUSI 20 kv DENGAN MENGGUNAKAN METODE KOMBINASI FUZZY DAN ALGORITMA GENETIKA I Made Wartana, Mimien Mustikawati Program Studi Teknik Elektro, Fakultas Teknologi
Lebih 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 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 terperinciALGORITMA OPTIMASI UNTUK PENYELESAIAN TRAVELLING SALESMAN PROBLEM (Optimization Algorithm for Solving Travelling Salesman Problem)
ALGORITMA OPTIMASI UNTUK PENYELESAIAN TRAVELLING SALESMAN PROBLEM (Optimization Algorithm for Solving Travelling Salesman Problem) Dian Tri Wiyanti Program Studi Teknik Informatika, Jurusan Teknologi Informasi
Lebih terperinciPERAMALAN DATA PRODUK DOMESTIK BRUTO DENGAN FUZZY TIME SERIES MARKOV CHAIN
PERAMALAN DATA PRODUK DOMESTIK BRUTO DENGAN FUZZY TIME SERIES MARKOV CHAIN Maria Titah Jatipaningrum Jurusan Statistika, Fakultas Sains Terapan Institut Sains & Teknologi AKPRIND Yogyakarta titahjp@akprind.ac.id
Lebih terperincioleh LILIS SETYORINI NIM. M SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains Matematika
PERAMALAN JUMLAH PEMINAT PROGRAM STUDI MATEMATIKA FMIPA UNS MENGGUNAKAN RUNTUN WAKTU FUZZY PADA PENENTUAN INTERVAL DENGAN METODE BERBASIS RATA-RATA DAN PENGELOMPOKAN OTOMATIS oleh LILIS SETYORINI NIM.
Lebih terperinciOPTIMASI PENJADWALAN PERAWAT MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI PENJADWALAN PERAWAT MENGGUNAKAN ALGORITMA GENETIKA Rifqy Rosyidah Ilmi 1, Wayan Firdaus Mahmudy 2, Dian Eka Ratnawati 2 1 Mahasiswa, 2 Dosen Pembimbing Informatika, Fakultas Ilmu Komputer, Universitas
Lebih terperinciPERAMALAN CADANGAN DEVISA INDONESIA MENGGUNAKAN METODE GRUP VARIASI FUZZY
PERAMALAN CADANGAN DEVISA INDONESIA MENGGUNAKAN METODE GRUP VARIASI FUZZY oleh MARISA RAMDHAYANTI M0110054 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains
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 terperinciMENGUKUR KINERJA ALGORITMA GENETIK PADA PEMAMPATAN MATRIKS JARANG
MENGUKUR KINERJA ALGORITMA GENETIK PADA PEMAMPATAN MATRIKS JARANG Nico Saputro dan Joice Aritonang Email : nico@home.unpar.ac.id, jo_aritonang@yahoo.com A matrix that has lots of zero elements is called
Lebih terperinciMEMBANGUN TOOLBOX ALGORITMA EVOLUSI FUZZY UNTUK MATLAB
MEMBANGUN TOOLBOX ALGORITMA EVOLUSI FUZZY UNTUK MATLAB Syafiul Muzid 1, Sri Kusumadewi 2 1 Sekolah Pascasarjana Magister Ilmu Komputer, Universitas Gadjah Mada, Yogyakarta e-mail: aakzid@yahoo.com 2 Jurusan
Lebih terperinciSeminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004
Seminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004 Penyelesaian Masalah Penugasan dengan Algoritma Genetika Zainudin Zukhri Jurusan Teknik Informatika, Fakultas Teknologi Industri,
Lebih terperinciBAB II KAJIAN TEORI 2.1 Kajian Penelitian Sebelumnya
5 BAB II KAJIAN TEORI 2.1 Kajian Penelitian Sebelumnya Traveling salesman problem (TSP) merupakan salah satu permasalahan yang telah sering diangkat dalam berbagai studi kasus dengan penerapan berbagai
Lebih terperinci