Analisis Hibridisasi Pencarian Lokal Dengan Populasi Dalam Travelling Salesman Problem (TSP)
|
|
- Lanny Sumadi
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Analisis Hibridisasi Pencarian Lokal Dengan Populasi Dalam Travelling Salesman Problem (TSP) Erdiwansyah*, Yeni Yanti, Munawir, Raihan Islamadina Teknik Informatika, Fakultas Teknik, Universitas Serambi Mekkah Jl. Tgk. Imum Lueng Bata Desa Bathoh, Kota Banda Aceh, Propinsi Aceh, Indonesia *Koresponden Abstrak. Traveling Salesman Problem (TSP) merupakan sebuah permasalah optimasi yang dapat diterapkan pada berbagai kegiatan seperti pendistribusian barang, pengambilan tagihan listirk dan pedagang keliling. Masalah optimasi pada TSP sangat terkenal dan telah menjadi standar untuk mencoba algoritma yang komputational. Pokok dari permasalahan TSP adalah bagaimana seorang salesman harus dapat mengunjungi sejumlah kota yang telah diketahui jarak kota satu dengan yang lainnya. Algoritma Local search merupakan metode pencarian solusi berdasarkan neighborhood dari solusi awal. Metode ini dikenal dengan nama iterative improvement. Algoritma ini mencari solusi disekitar solusi awal untuk memperbaiki solusi. Algoritma hybrid menggunakan fungsi random sehingga menyebabkan algoritma hybrid menjadi suatu algoritma berbasis komputer yang menghasilkan solusi yang lebih optimal. Hasil penelitian menunjukan hibridisasi lebih baik dari pencarian lokal maupun populasi murni. Kata Kunci: Analisis Hibridisasi, Pencarian Lokal, Populasi, Hibridisasi ABPLPB. Abstract. Traveling Salesman Problem (TSP) is an optimization problems that can be applied to a variety of activities such as distribution of goods, making burning electricity bills and pitchman. TSP optimization problem in a very famous and has become the standard to try algorithm komputational. Highlights of the TSP problem is how a salesman should be able to visit a number of cities within the city that have known each other. Local search algorithm is a method of finding a solution based on the neighborhood of the initial solution. This method is known as iterative improvement. These algorithms look for solutions around the initial solution to fixing solutions. Hybrid algorithm uses a random function resulting hybrid algorithm into a computer-based algorithm that generates more optimal solution. The results showed better hybridization of local search as well as pure populations. Keywords: Evolutionary Algorithms, Local Search, Population Hybrid LS end Population. 1. Pendahuluan Traveling Salesman Problem (TSP) merupakan sebuah permasalah optimasi yang dapat diterapkan pada berbagai kegiatan seperti pendistribusian barang, pengambilan tagihan listirk dan pedagang keliling. Masalah optimasi pada TSP sangat terkenal dan telah menjadi standar untuk mencoba algoritma yang komputational. Pokok dari permasalahan TSP adalah bagaimana seorang salesman harus dapat mengunjungi sejumlah kota yang telah diketahui jarak kota satu dengan yang lainnya. Dari semua kota yang ada harus dikunjungi oleh salesman dan kota tersebut hanya boleh dikunjungi tepat satu kali saja dan kembali lagi kekota asal keberangkatannya. Yang menjadi permasalahannya adalah bagaimana salesman tersebut dapat mengatur rute perjalanannya sehingga jarak yang ditempuh merupakan jarak yang paling minimum (G. Ramani, N. Bouvanasilan, and V. Seenuvasan, 2009). Telah banyak metode algoritma yang dapat digunakan untuk dapat menyelesaikan TSP diantaranya Hill Climbing Method, Ant Colony System. Metode lain yang dapat digunakan untuk menyelesaikan TSP seperti algoritma berevolusi. Algoritma berevolusi merupakan sebuah algoritma yang meniru cara kerja proses alam pada makhluk hidup, dimana terdapat proses seleksi, rekombinasi dan mutasi untuk mendapatkan kromosom yang 165
2 terbaik pada suatu generasi (Sri, Y.; Nurmaulidar; dan Taufiq, A.G, 2011). Dengan meniru teori evolusi, algoritma berevolusi dapat digunakan untuk mencari solusi permasalahan dalam dunia nyata. Sebelum algoritma dapat dijalankan, maka sebuah kode yang sesuai pada persoalan harus dirancang, Untuk ini maka solusi ruang permasalahan di kodekan dalam bentuk kromosom yang terdiri atas komponen genetika terkecil yaitu gen. Dengan teori evolusi dan teori genetika, di dalam penerapan nya algoritma berevolusi akan melibatkan beberapa operator, diantaranya reproduksi, crossover, dan mutasi. Algoritma Pencarian lokal (local search) merupakan metode pencarian solusi berdasarkan neighborhood dari solusi awal (W. Maharani, 2009). Metode ini dikenal dengan nama iterative improvement. Algoritma ini mencari solusi disekitar solusi awal untuk memperbaiki solusi. Jika ditemukan solusi yang lebih baik maka solusi itu akan menggantikan solusi awal dan local search akan diteruskan, langkah ini akan terus dilakukan sampai tidak ada kemungkinan untuk memperbaiki solusi lagi. Pada saat itu algoritma akan berhenti dan kondisi saat itu akan mencapai lokal optimum. Untuk memenuhi spesifikasi algoritma Local Search diperlukan pemeriksaan skema neighborhood. Bagaimana skema pencarian neighborhood dan neighbor yang mana yang akan menggantikan solusi awal, aturan ini disebut pivoting rule. Macammacam pivoting rule antara lain : 1. the best-improvement rule 2. the first-improvement rule. Jika k-opt neighborhood maka solusi tetangga yang berbeda paling banyak k busur. Algoritma hybrid merupakan gabungan metode-metode heuristik lain ke dalam algoritma berevolusi dengan harapan mampu meningkatkan kinerja algoritma local search (Zne-Jung Lee, 2004). Pada prinsipnya hibridisasi ini diharapkan mampu memberikan solusi lain yang lebih baik disekitar lokal optimum yang diberikan oleh algoritma evolusi atau dikenal dengan istilah local search. Algoritma hybrid menggunakan fungsi random sehingga menyebabkan algoritma hybrid menjadi suatu algoritma berbasis komputer. Best Improvement Local Search adalah memperhatikan semua solusi tepat diantara semua lingkungan solusi. Dan mengambil solusi yang terbaik diantara semua solusi. 2. Studi Literatur Pada bab ini akan dibahas mengenai penggunaan algoritma Local dan algoritma Population Based dala algoritma berevolusi untuk penyelesaian masalah jalur terpendek. Beberapa proses yang penting harus dilakukan dalam mengimplementasikan algoritma local dan algoritma populastion based dalam berevolusi untuk mencari jalur terpendek yaitu sebagai berikut : 1. Representasi kromosom. 2. Inisialisasi Populasi. 3. Fungsi evaluasi/fitness. 4. Seleksi. 5. Operator algoritma berevolusi, yaitu operator rekombinasi (crossover) dan mutasi. 6. Penentuan parameter, yaitu parameter control algoritma local, yaitu : ukuran populasi (popsize), peluang crossover (pc) dan peluang mutasi (pm) Dalam penentuan parameter ini dilakukan dengan proses sistem population untuk mendapatkan nilai yang akan digunakan sebagai parameter. Dalam hal ini kedua algoritma mempunyai proses berkesinambungan yang dimana pada algoritma population based hanya berbeda pada penentuan parameternya, oleh karena itu proses yang dilakukan sama dengan algoritma local (Erdiwansyah, 2016). 3. Metode Penelitian Pada penelitian ini, algoritma Local Search akan dibandingkan dengan Algoritma Population Based dalam algoritma berevolusi. Sedangkan parameter yang akan digunakan sebagai berikut : 1. Jumlah Populace = 100 individu 2. Proses Seleksi = Roulette Wheel 3. Proses Mutasi = Insertion dan Inversion 4. Probalitas Crossover = 0,5 5. Probalitas Mutasi = 0,8 Sedangkan data yang digunakan pada penelitian ini adalah dataset TSPLib95 yang di download secara gratis dengan format type EUC_2D dengan 166
3 Gambar 1. Flowchart Algoritma Pencarian Lokal julah data paling kecil 51 sampai dengan 127 node. Dikarenakan dataset tersebut adala TSP simetris yang hanya mendukung tipe EDGE_WEIGHT_ TYPE : EUC_2D, yaitu koordinat posisi dengan 2 dimensi sebagai alat perbandingan antara kedua metode yang akan dibandingkan. 4. Perancangan Algoritma Algoritma hybrid merupakan gabungan dari algoritma local search (pencarian lokal) dengan population Based (sekumpulan individu) yaitu best improvement search untuk menghasilkan solusi yang lebih optimal. Penyelesaian permasalahan dengan menggunakan Algoritma hybrid antara pencarian lokal dengan populasi ini melalui beberapa tahapan. Berikut tahapan-tahapan algoritma hybrid dalam algoritma berevolusi. 1. Inisialisasi populasi awal dengan merepresentasikan tiap rute atau kota dalam node. Salah satu cara dalam menghasilkan populasi awal secara acak adalah dengan menggunakan permutasi. Misalkan ada 7 kota, permutasi dapat dilakukan dengan menentukan node awal dan selang. Misalkan node awal adalah 3 dan selang adalah 2. Maka lintasan berangkat dari kota 3 selang 2 dari kota 3 adalah kota 5 (dengan asumsi bahwa kota 1 sampai kota 7 membentuk list). Kemudian kota 5 akan dihapus dari daftar, selang 2 kota 5 adalah kota 7. Proses ini diulang hingga terdapat satu jalur dalam daftar yang memuat semua node. Hasil dari mutasi ini adalah Validasi setiap rute untuk memperoleh lintasan yang akan dilalui dalam tiap rute. Evaluasi fungsi fitness dari tiap populasi. Untuk evaluasi kromosom-kromosom digunakan fungsi fitness yang merupakan fungsi obyektif dari jumlah jarak terpendek dari jumlah yang ada (Fv). Fv i =, dimana R adalah rute yang terbentuk f x = (I. H. Saputra, T. Octavia, and A. S. Chandra, 2009). Pilih sesuai dengan n individu terbaik dan masing-masing rute (individu) akan di local search (Best Improvement Local Search) dan pada akhir proses akan dibentuk kumpulan rute (populasi) baru. Best Gambar 2 Flowchart Algoritma Populasi 167
4 Gambar 3 Flowchart Algoritma Hibridisasi PL-PB Improvement Local Search adalah memperhatikan semua solusi yang tepat diantara dari semua lingkungan solusi. Dan mengambil solusi yang terbaik diantara semua rute. Validasi kendala waktu untuk memperoleh waktu yang dibutuhkan setiap rute yang akan dilalui. Seleksi dilakukan dengan seleksi roullete wheel. Seleksi yang digunakan untuk memilih individuindividu mana saja yang akan terpilih untuk proses kawin silang dan mutasi. Seleksi digunakan untuk mendapatkan induk yang baik. induk yang baik akan menghasilkan keturunan yang baik pula. Semakin tinggi nilai fitness suatu individu maka semakin besar kemungkinannya untuk terpilih. Selanjutnya akan dilakukan crossover dan mutasi pada setiap individu tersebut sehingga diperoleh rute yang baru serta akan divalidasi rute baru tersebut, dan dilakukan dengan local search, serta hitung nilai fitness-nya. Crossover bekerja pada pasangan solusi dan disusun ulang (recombines) yang menghasilkan satu kromosom. Fungsi dari crossover tergantung pada data yang disajikan. Pada dasarnya crossover dapat bekerja dengan menukar sebagian gen pada kromosom satu ke kromosom lainnya yang akan menghasilkan kromosom yang berbeda (I. H. Saputra, T. Octavia, and A. S. Chandra, 2009). 1. Beberapa operator berikut diantaranya crossover untuk representasi permutasi adalah metode simple random crossover, pindah silang satu titik, unifom crossover, order xrossover (E. Samana, B. Prihandono, and E. Noviani, 2015). Adapun mengenai probabilitas crossover yang baik, dari hasil penelitian yang dilakukan oleh Zbiniew Michalewics (1996) menyatakan bahwa probabilitas crossover yang baik berada dalam range 0.65 sampai dengan 1. Operator ini digunakan untuk memodifikasi suatu kromosom agar menghasilkan perubahan kromosom secara random. Cara yang paling sederhana dalam melakukan mutasi dengan mengubah satu atau lebih gen dalam kromosom. Fungsi mutasi untuk mengganti gen yang hilang pada saat proses seleksi dan menyediakan gen yang tidak terdapat pada populasi awal. Tingkat mutasi awal P m akan didefinisikan sebagai presentase dari jumlah gen pada populasi. Tingkat mutasi dapat mengontrol tingkat gen yang akan dimodifikasi. Jika tingkat mutasi rendah, banyak gen yang tidak dicoba. 2. Berikut beberapa operator mutasi untuk representasi permutasi adalah metode inversion mutation, insertion mutation, Displacement Mutation dan rechiprocal exchange mutation. Adapun mengenai probabilitas mutasi yang baik, dari hasil penelitian yang dilakukan oleh (S. Kumar, J. Kurmi, and S.P. Tiwari, 2015) menyatakan bahwa probabilitas mutasi yang baik yang berada pada range 0.01 sampai dengan Keturunan atau anak hasil dari crossover yang berupa rute baru dan rute lama tersebut 168
5 diurutkan berdasarkan fungsi fitness-nya. 4. Selanjutnya rute dengan fungsi fitness yang terbaik tersebut kemudian dievaluasi jaraknya. Jika sudah memenuhi semua kendala dalam hybrid LPBSAB dipilih n rute terbaik. Adapaun tahapan-tahapan algoritma hybrid ini, bisa dilihat dari flowchart diagram alir dari algoritma hybrid Local dan Populatiaon Based Search dalam Algoritma Berevolusi. Berikut penjelasan dan tahapan-tahapan dalam menyelesaikan hibridisasi pencarian lokal dengan populasi dalam algoritma berevolusi : a. Inisialisasi parameter dengan LS: Intensitas pheromone (τij). Tetapan siklus rute (q0). Tetapan pengendali intensitas visibilitas (β), nilai β 0. Tetapan pengendali pheromone (α), nilai α 0. Jumlah ants (m). Tetapan penguapan pheromone (ρ), nilai ρ harus > 0 dan < 1. Jumlah siklus maksimum (NCmax). b. Memberikan nilai bobot (w) untuk jarak. c. Menghitung visibilitas antar individu dengan Populasi. d. Mentukan individu selanjutnya, ulangi proses sampai individu tercapai. Dengan menggunakan persamaan (4) atau persamaan (4) dapat ditentukan individu mana yang akan dituju yaitu dengan : Jika q q0 maka pemilihan individu (aturan transisi) yang akan dituju menggunakan persamaan (3.). Jika q > q0 maka pemilihan individu yang akan dituju (aturan transisi) menggunakan persamaan (4) 169
6 Apabila telah memilih individu yang terbaik, individu tersebut disimpan ke dalam daftar list untuk menyatakan bahwa individu berikutnya. Setelah itu intensitas pheromone di sisi tersebut diubah dengan menggunakan persamaan (5). Perubahan pheromone tersebut dinamakan perubahan pheromone local. Aturan transissi kembali dilakukan sampai individu terbaik. Apabila individu terbaik telah dicapai, panjang rute dari masing-masing akan dilakukan perangkingan dengan metode Populasi untuk mencari individu yang terbaik. Pembaruan pheromone pada individu yang termuat dalam daftar terbaik tersebut menggunakan persamaan (6). Perubahan pheromone ini dinamakan perubahan pheromone secara global. Pengosongan daftar list, daftar list perlu dikosongkan untuk diisi lagi dengan urutan individu yang baru. Algoritma diulang lagi dari langkah 2 dengan parameter intensitas pheromone yang sudah di perbarui. Setelah semua proses telah dilalui (jumlah iterasi maksimum sudah terpenuhi) maka akan di dapatkan solusi terbaik. 5. Hasil Penelitian Pada bab ini, akan dilakukan analisis pengujian terhadap implementasi sebelum dan sesudah digabungkan antara pencarian lokal dengan populasi dalam pencarian jarak terpendek dengan algoritma berevolusi dalam TSP. parameter yang digunakan dalam penelitian ini adalah jumlah populasi, jumlah offspring, dan jumlah generasi. Pengujian dilakukan 10 kali untuk setiap dataset yang digunkan serta masing-masing metode. Dataset yang digunakan dalam analisis data adalah dataset TSPLib95 (Data TSPLib, 2016). Pengujian pertama dilakukan pada metode pencarian lokal dengan jumlah 13 dataset setiap dataset akan diuji sebanyak 10 kali untuk mendatkan nilai yang paling minimum. Hasil dari 10 kali iterasi dari masing-masing dataset denganmetode pencarian lokal seperti yang ditampilkan pada Tabel 1. Berdasarkan Tabel 1, dapat dijelaskan bahwa nilai tersebut diambil dari nilai minimum, nilai maximum, nilai rata-rata, dan nilai diversity dari hasil 10 kali pengujian. Tabel 2. adalah hasil dari 10 kali iterasi dari masing-masing dataset, maka dapat diperoleh hasil seperti dalam tabel 2 tersebut. Hasil yang diperoleh tersebut diambil dari nilai yang paling minimum, sehingga dengan data tersebut dapat memudahkan untuk menganalisis data. Tabel 3 tersebut adalah hasil dari penggabungan antara pencarian lokal dengan populasi dengan masing-masing 10 kali iterasi pengujian. Hasil tersebut diambil dari nilai yang paling minimum. Dengan hasil tersebut, maka dapat dirumuskan bahwa metode hibridisasi pencarian lokal dengan popuasi lebih baik dapa pada pencarian lokal murni maupun populasi sendiri. Berdasarkan tabel 4 di atas dapat adalah perbandingan dari nilai minimum dari masingmasing metode yang telah dijelaskan sebelumnya. Hasil tersebut dapat dijelaskan bahwa metode hibridisasi atau penggabungan antara pencarian lokal dengan populasi lebih baik dalam pencarian jarak terpendek, dari 13 dataset yang digunakan dalam penelitian ini umumnya lebih baik, hanya satu dataset saja yang tidak baik sehingga dapat diambil kesimpulan bahwa metode yang diusulkan lebih baik dalam pencarian jarak terpendek dari pada metode pencarian lokal maupun populasi. 6. Kesimpulan Berdasarkan hasil pengujian dan pembahasan diatas dapat diambil kesimpulan sebagai berikut. 1. Algoritma pencarian lokal lebih baik dengan nilai yang paling minimum, namu tidak baik dalam diversisynya. 2. Algoritma populasi memiliki nilai diversity yang lebih baik tetapi kurang optimal. 3. Hasil implementasi algoritma hybrid pencarian lokal dengan populasi yang diusulkan pada penelitan ini lebih baik dalam hal optimalisasi maupun diversitynya. 7. Daftar Pustaka Data TSPLib [Online] : http// heidelberg.de/groups/comopt/software/tsp 170
7 Lib95, di akses 20 Februari E. Samana, B. Prihandono, and E. Noviani. Aplikasi Simulated Annealing Untuk Menyelesaikan Travelling Salesman Problem. Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 03, No Erdiwansyah dan Taufik. A.G. Analisis Perbandingan Metode Local Search dan Population Based Dalam Algoritma Berevolusi untuk Penyelesaian Travelling Salesman Problem (TSP). Jurnal Serambi Engineering, Vol. 1, No.1, Agustus G. Ramani, N. Bouvanasilan, and V. Seenuvasan, A Perspective View on Travelling Salesman Problem Using Genetic Algorithm, Nature & Biologically Inspired Computing in Congress IEEE International Conference on, vol., no., pp.356,361, 9-11 Dec I. H. Saputra, T. Octavia, and A. S. Chandra, Tabu Searchsebagai Local Searchpada Algoritma Ant Colony. JTI, Vol.11, No.2, pp Desember S. Kumar, J. Kurmi, and S.P. Tiwari., Hibrida Ant Colony Optimization and Cuckoo Search Algorithm for Travelling Salesman Problem. International Journal of Scientific and Research Publications, Volume 5, Issue 6, June Sri, Y.; Nurmaulidar; dan Taufiq, A.G., Pengaruh elitism dalam penyelesaian permasalahan Penjadwalan mesin dengan menggunakan algoritma Berevolusi, Konferensi Nasional Sistem dan Informatika 2011; Bali, November 12, T. Mustafa, and R. Abiyev, Hibrida Local Search Based Genetic Algorithm and Its Practical Application. International Journal of Soft Computing and Engineering (IJSCE) ISSN: , Volume-5, Issue-2, May W. Maharani, Analisis Algoritma Hybrid Ant Colony Optimization (Aco) Dan Local Search Untuk Optimasipemotongan Bahan Baku. Seminar Nasional Aplikasi Teknologi Informasi Zne-Jung Lee, A hibrida algorithm applied to travelling salesman problem Networking, Sensing and Control, 2004 IEEE International Conference, vol. 1, no.pp.237, 242 Vol. 1, March
Hibridisasi Simulated Annealing dengan Algorithm Evolutionary dalam Penyelesaian Travelling Salesman problem (TSP)
Hibridisasi Simulated Annealing dengan Algorithm Evolutionary dalam Penyelesaian Travelling Salesman problem (TSP) Erdiwansyah *1, Taufik A. Gani *2, Yuwaldi Away *3 # Magister Teknik Elektro Program Pascasarjana
Lebih terperinciAnalisis Perbandingan Metode Local Search dan Population Based Dalam Algoritma Berevolusi untuk Penyelesaian Travelling Salesman Problem (TSP)
Analisis Perbandingan Metode Local Search dan Population Based Dalam Algoritma Berevolusi untuk Penyelesaian Travelling Salesman Problem (TSP) Erdiwansyah 1, Taufik A. Gani 2 Teknik Informatika, Fakultas
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 terperinciPENERAPAN ALGORITMA GENETIKA UNTUK TRAVELING SALESMAN PROBLEM DENGAN MENGGUNAKAN METODE ORDER CROSSOVER DAN INSERTION MUTATION
PENERAPAN ALGORITMA GENETIKA UNTUK TRAVELING SALESMAN PROBLEM DENGAN MENGGUNAKAN METODE ORDER CROSSOVER DAN INSERTION MUTATION Samuel Lukas 1, Toni Anwar 1, Willi Yuliani 2 1) Dosen Teknik Informatika,
Lebih terperinciIMPLEMENTASI ALGORITMA GENETIKA HYBRID (BEST IMPROVEMENT SEARCH) PADA VEHICLE ROUTING PROBLEM WITH TIME WINDOW
IMPLEMENTASI ALGORITMA GENETIKA HYBRID (BEST IMPROVEMENT SEARCH) PADA VEHICLE ROUTING PROBLEM WITH TIME WINDOW Fitria Dwi Rosi, Purwanto, dan Mohammad Yasin Universitas Negeri Malang ABSTRAK: Vehicle Routing
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 terperinciANALISIS ALGORITMA ANT SYSTEM (AS) PADA KASUS TRAVELLING SALESMAN PROBLEM (TSP)
Buletin Ilmiah Math. Stat. dan Terapannya (Bimaster) Volume 04, No. 3 (2015), hal 201 210. ANALISIS ALGORITMA ANT SYSTEM (AS) PADA KASUS TRAVELLING SALESMAN PROBLEM (TSP) Cindy Cipta Sari, Bayu Prihandono,
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 terperinciBAB IV ANALISIS MASALAH
BAB IV ANALISIS MASALAH 4.1 Tampilan Program Persoalan TSP yang dibahas pada tugas akhir ini memiliki kompleksitas atau ruang solusi yang jauh lebih besar dari TSP biasa yakni TSP asimetris dan simetris.
Lebih terperinciBAB 2 LANDASAN TEORI. 2.1 Algoritma Genetika
6 BAB 2 LANDASAN TEORI 2.1 Algoritma Genetika Algoritma genetika merupakan metode pencarian yang disesuaikan dengan proses genetika dari organisme-organisme biologi yang berdasarkan pada teori evolusi
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tinjauan Pustaka (Samuel, Toni & Willi 2005) dalam penelitian yang berjudul Penerapan Algoritma Genetika untuk Traveling Salesman Problem Dengan Menggunakan Metode Order Crossover
Lebih 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 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 terperinciDesain Rute Terpendek untuk Distribusi Koran Dengan Algoritma Ant Colony System
Desain Rute Terpendek untuk Distribusi Koran Dengan Algoritma Ant Colony System Jan Alif Kreshna, Satria Perdana Arifin, ST, MTI., Rika Perdana Sari, ST, M.Eng. Politeknik Caltex Riau Jl. Umbansari 1 Rumbai,
Lebih terperinciERWIEN TJIPTA WIJAYA, ST.,M.KOM
ERWIEN TJIPTA WIJAYA, ST.,M.KOM DEFINISI ALGEN adalah algoritma yang memanfaatkan proses seleksi alamiah yang dikenal dengan evolusi Dalam evolusi, individu terus menerus mengalami perubahan gen untuk
Lebih terperinciAPLIKASI SIMULATED ANNEALING UNTUK MENYELESAIKAN TRAVELLING SALESMAN PROBLEM
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 03, No. 1 (2015), hal 25 32. APLIKASI SIMULATED ANNEALING UNTUK MENYELESAIKAN TRAVELLING SALESMAN PROBLEM Edi Samana, Bayu Prihandono, Evi Noviani
Lebih terperinciAplikasi Algoritma Genetika Untuk Menyelesaikan Travelling Salesman Problem (TSP)
JTRISTE, Vol.1, No.2, Oktober 2014, pp. 50~57 ISSN: 2355-3677 Aplikasi Algoritma Genetika Untuk Menyelesaikan Travelling Salesman Problem (TSP) STMIK Handayani Makassar najirah_stmikh@yahoo.com Abstrak
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pada awal diciptakan, komputer hanya difungsikan sebagai alat hitung saja. Namun seiring dengan perkembangan zaman, maka peran komputer semakin mendominasi kehidupan.
Lebih 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 terperinciDAFTAR ISI. Tim Redaksi... i Kata Pengantar... ii Daftar Isi... iii
DAFTAR ISI Tim Redaksi... i Kata Pengantar... ii Daftar Isi... iii Faiz Rafdh Ch SISTEM INFORMASI ZAKAT BERBASIS WEB MENGGUNAKAN PHP DAN MYSQL PADA RUMAH ZAKATINDONESIA 1-7 Abdul Jamil Syamsul Bachtiar
Lebih terperinciPENERAPAN ALGORITMA GENETIKA DALAM PENYELESAIAN TRAVELLING SALESMAN PROBLEM WITH PRECEDENCE CONSTRAINTS (TSPPC)
PENERAPAN ALGORITMA GENETIKA DALAM PENYELESAIAN TRAVELLING SALESMAN PROBLEM WITH PRECEDENCE CONSTRAINTS (TSPPC) Yayun Hardianti 1, Purwanto 2 Universitas Negeri Malang E-mail: yayunimoet@gmail.com ABSTRAK:
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN APLIKASI
27 BAB 3 ANALISIS DAN PERANCANGAN APLIKASI 3.1 Analisis Pada subbab ini akan diuraikan tentang analisis kebutuhan untuk menyelesaikan masalah jalur terpendek yang dirancang dengan menggunakan algoritma
Lebih terperinciBAB III IMPLEMENTASIALGORITMA GENETIK DAN ACS PADA PERMASALAHAN TRAVELLING SALESMAN PROBLEM
BAB III IMPLEMENTASIALGORITMA GENETIK DAN ACS PADA PERMASALAHAN TRAVELLING SALESMAN PROBLEM 3.1 TRAVELLING SALESMAN PROBLEM Sebelum membahas pencarian solusi Travelling Salesman Problem menggunakan algoritma
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 terperinciSTUDI KOMPARATIF ALGORITMA ANT DAN ALGORITMA GENETIK PADA TRAVELLING SALESMAN PROBLEM
Jurnal Computech & Bisnis, Vol. 3, No. 1, Juni 2009, 30-36 ISSN Studi 1978-9629 Komparatif Algoritma Ant...(Bambang Siswoyo & Andrianto) STUDI KOMPARATIF ALGORITMA ANT DAN ALGORITMA GENETIK PADA TRAVELLING
Lebih terperinciPERFORMANCE ALGORITMA GENETIKA (GA) PADA PENJADWALAN MATA PELAJARAN
PERFORMANCE ALGORITMA GENETIKA (GA) PADA PENJADWALAN MATA PELAJARAN Eva Desiana, M.Kom Pascasarjana Teknik Informatika Universitas Sumatera Utara, SMP Negeri 5 Pematangsianta Jl. Universitas Medan, Jl.
Lebih 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 terperinciBAB III PERANCANGAN. Gambar 3.1 di bawah ini mengilustrasikan jalur pada TSP kurva terbuka jika jumlah node ada 10:
BAB III PERANCANGAN Pada bagian perancangan ini akan dipaparkan mengenai bagaimana mencari solusi pada persoalan pencarian rute terpendek dari n buah node dengan menggunakan algoritma genetika (AG). Dari
Lebih terperinciBAB II TINJAUAN PUSTAKA
6 BAB II TINJAUAN PUSTAKA Pada bagian pada bagian ini akan diuraikan tentang tinjauan pustaka dan landaran teori yang sesuai dengan ACO dan AG. 2.1 Algoritma Ant Colony Optimization Secara umum pencarian
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 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 terperinciSeminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004
Seminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004 Perbandingan Metode-Metode dalam Algoritma Genetika untuk Travelling Salesman Problem Irving Vitra P. Jurusan Teknik Informatika,
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 terperinciGambar 1.1 Contoh Ilustrasi Kasus CVRP 13
BAB I PENDAHULUAN 1.1. Latar Belakang Vehicle Routing Problem (VRP) merupakan konsep umum yang digunakan untuk semua permasalahan yang melibatkan perancangan rute optimal untuk armada kendaraan yang melayani
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Pustaka. Penelitian serupa mengenai penjadwalan matakuliah pernah dilakukan oleh penelliti yang sebelumnya dengan metode yang berbeda-neda. Berikut
Lebih terperinciALGORITMA GENETIKA PADA PEMROGRAMAN LINEAR DAN NONLINEAR
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 5, No. 03(2016), hal 265 274. ALGORITMA GENETIKA PADA PEMROGRAMAN LINEAR DAN NONLINEAR Abdul Azis, Bayu Prihandono, Ilhamsyah INTISARI Optimasi
Lebih terperinciPENENTUAN JARAK TERPENDEK PADA JALUR DISTRIBUSI BARANG DI PULAU JAWA DENGAN MENGGUNAKAN ALGORITMA GENETIKA. Abstraksi
PENENTUAN JARAK TERPENDEK PADA JALUR DISTRIBUSI BARANG DI PULAU JAWA DENGAN MENGGUNAKAN ALGORITMA GENETIKA I Dewa Made Adi Baskara Joni 1, Vivine Nurcahyawati 2 1 STMIK STIKOM Indonesia, 2 STMIK STIKOM
Lebih 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 2 DASAR TEORI. 2.1 Teka-Teki Silang
BAB 2 DASAR TEORI 2.1 Teka-Teki Silang Teka-teki silang atau disingkat TTS adalah suatu permainan yang mengharuskan penggunanya untuk mengisi ruang-ruang kosong dengan huruf-huruf yang membentuk sebuah
Lebih terperinciDINAMISASI PARAMETER ALGORITMA GENETIKA MENGGUNAKAN POPULATION RESIZING ON FITNESS IMPROVEMENT FUZZY EVOLUTIONARY ALGORITHM (PROFIFEA)
DINAMISASI PARAMETER ALGORITMA GENETIKA MENGGUNAKAN POPULATION RESIZING ON FITNESS IMPROVEMENT FUZZY EVOLUTIONARY ALGORITHM (PROFIFEA) Syafiul Muzid Program Studi Sistem Informasi, Fakulktas Teknik, Universitas
Lebih terperinciANALISIS PERBANDINGAN ALGORITMA GENETIKA DAN ALGORITMA FUZZY EVOLUSI DALAM PENYELESAIAN TRAVELING SALESMAN PROBLEM
ANALISIS PERBANDINGAN ALGORITMA GENETIKA DAN ALGORITMA FUZZY EVOLUSI DALAM PENYELESAIAN TRAVELING SALESMAN PROBLEM Tedi Sefuro, Slamet Sudaryanto N., ST, M. Kom Teknik Informatika, Ilmu Komputer, Universitas
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 terperinciPEMANFAATAN ALGORITMA FUZZY EVOLUSI UNTUK PENYELESAIAN KASUS TRAVELLING SALESMAN PROBLEM
PEMANFAATAN ALGORITMA FUZZY EVOLUSI UNTUK PENYELESAIAN KASUS TRAVELLING SALESMAN PROBLEM Syafiul Muzid Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia, Yogyakarta E-mail:
Lebih terperinciPERANCANGAN ALGORITMA GENETIKA UNTUK MENENTUKAN JALUR TERPENDEK. Kata kunci: Algoritma Genetika, Shortest Path Problem, Jalur Terpendek
PERANCANGAN ALGORITMA GENETIKA UNTUK MENENTUKAN JALUR TERPENDEK Fajar Saptono 1, Taufiq Hidayat 2 Laboratorium Pemrograman dan Informatika Teori Jurusan Teknik Informatika, Fakultas Teknologi Industri,
Lebih terperinciPenggabungan Metode Replacement Strategy Steady State dan Generational Dalam Algoritma Berevolusi untuk Penyelesaian TSP
Penggabungan Metode Replacement Strategy Steady State dan Generational Dalam Algoritma Berevolusi untuk Penyelesaian TSP Munawir 1, Taufiq A. Gani 2 1 Prodi Teknik Informatika, Fakultas Teknik Universitas
Lebih terperinciBAB 2 LANDASAN TEORI
18 BAB 2 LANDASAN TEORI 2.1 Pengertian Optimasi Optimasi adalah salah satu ilmu dalam matematika yang fokus untuk mendapatkan nilai minimum atau maksimum secara sistematis dari suatu fungsi, peluang maupun
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 terperinciPENYELESAIAN TRAVELLING SALESMAN PROBLEM MENGGUNAKAN METODE SIMPLE HILL CLIMBING
Buletin Ilmiah Math. Stat. dan Terapannya (Bimaster) Volume 0, No. (2015), hal 17 180. PENYELESAIAN TRAVELLING SALESMAN PROBLEM MENGGUNAKAN METODE SIMPLE HILL CLIMBING Kristina Karunianti Nana, Bayu Prihandono,
Lebih terperinciMatematika dan Statistika
ISSN 1411-6669 MAJALAH ILMIAH Matematika dan Statistika DITERBITKAN OLEH: JURUSAN MATEMATIKA FMIPA UNIVERSITAS JEMBER Majalah Ilmiah Matematika dan Statistika APLIKASI ALGORITMA SEMUT DAN ALGORITMA CHEAPEST
Lebih terperinciIMPLEMENTASI ALGORITMA GENETIK UNTUK MENYELESAIKAN MASALAH TRAVELING SALESMAN PROBLEM (STUDI KASUS: SATUAN KERJA PERANGKAT DAERAH KOTA MEDAN)
IMPLEMENTASI ALGORITMA GENETIK UNTUK MENYELESAIKAN MASALAH TRAVELING SALESMAN PROBLEM (STUDI KASUS: SATUAN KERJA PERANGKAT DAERAH KOTA MEDAN) DRAFT SKRIPSI RAJO PANANGIAN HARAHAP 111421045 PROGRAM STUDI
Lebih terperinciSTUDI PERBANDINGAN ALGORITMA CHEAPEST INSERTION HEURISTIC DAN ANT COLONY SYSTEM DALAM PEMECAHAN TRAVELLING SALESMAN PROBLEM
Seminar Nasional Aplikasi Teknologi Informasi (SNATI ) ISSN: `1907-5022 Yogyakarta, 19 Juni STUDI PERBANDINGAN ALGORITMA CHEAPEST INSERTION HEURISTIC DAN ANT COLONY SYSTEM DALAM PEMECAHAN TRAVELLING SALESMAN
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Algoritma Genetika Algoritma genetika merupakan algoritma pencarian heuristik ysng didasarkan atas mekanisme seleksi alami dan genetika alami (Suyanto, 2014). Adapun konsep dasar
Lebih terperinciPenerapan Adaptive Genetic Algorithm dengan Fuzzy Logic Controller pada Capacitated Vehicle Routing Problem
Penerapan Adaptive Genetic Algorithm dengan Fuzzy Logic Controller pada Capacitated Vehicle Routing Problem Tri Kusnandi Fazarudin 1, Rasyid Kurniawan 2, Mahmud Dwi Sulistiyo 3 1,2 Prodi S1 Teknik Informatika,
Lebih terperinciPARALEL ALGORITMA GENETIKA UNTUK MENYELESAIKAN TRAVELING SALESMAN PROBLEM MENGGUNAKAN MPI
ISSN : 2355-9365 e-proceeding of Engineering : Vol.3, No.1 April 2016 Page 1214 PARALEL ALGORITMA GENETIKA UNTUK MENYELESAIKAN TRAVELING SALESMAN PROBLEM MENGGUNAKAN MPI PARALLEL GENETIC ALGHORITM TO SOLVE
Lebih terperinciPENGGUNAAN ALGORITMA GENETIKA UNTUK MENENTUKAN LINTASAN TERPENDEK STUDI KASUS : LINTASAN BRT (BUS RAPID TRANSIT) MAKASSAR
PENGGUNAAN ALGORITMA GENETIKA UNTUK MENENTUKAN LINTASAN TERPENDEK STUDI KASUS : LINTASAN BRT (BUS RAPID TRANSIT) MAKASSAR Karels, Rheeza Effrains 1), Jusmawati 2), Nurdin 3) karelsrheezaeffrains@gmail.com
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Pada saat sekarang ini, setiap perusahaan yang ingin tetap bertahan dalam persaingan dengan perusahaan lainnya, harus bisa membuat semua lini proses bisnis perusahaan tersebut
Lebih terperinciIMPLEMENTASI ALGORITMA GENETIKA DALAM OPTIMASI JALUR PENDISTRIBUSIAN KERAMIK PADA PT. CHANG JUI FANG
IMPLEMENTASI ALGORITMA GENETIKA DALAM OPTIMASI JALUR PENDISTRIBUSIAN KERAMIK PADA PT. CHANG JUI FANG Adnan Buyung Nasution 1 1,2 Sistem Infomasi, Tehnik dan Ilmu Komputer, Universitas Potensi Utama 3 Universitas
Lebih 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 terperinciIMPLEMENTASI ALGORITMA GENETIKA UNTUK PENCARIAN RUTE OPTIMUM OBJEK WISATA DI KABUPATEN PEMALANG
IMPLEMENTASI ALGORITMA GENETIKA UNTUK PENCARIAN RUTE OPTIMUM OBJEK WISATA DI KABUPATEN PEMALANG SKRIPSI Oleh: Indra Surada J2A 605 060 PROGRAM STUDI MATEMATIKA JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN
Lebih terperinciAlgoritma 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
Lebih terperinciPenjadwalan Mata Kuliah Menggunakan Metode Hybrid Algoritma Genetika Dan Algoritma Koloni Semut
ISSN : 2355-9365 e-proceeding of Engineering : Vol.3, No.2 Agustus 2016 Page 3711 OPEN ACCESS ISSN XXXX-XXXX IND. SYMPOSIUM ON COMPUTING VOL. XX, NO. XX, SEPT 2016 SOCJ.TELKOMUNIVERSITY.AC.ID/INDOSC Penjadwalan
Lebih terperinciIMPLEMENTASI ALGORITMA GENETIKA UNTUK PENCARIAN RUTE PALING OPTIMUM
IMPLEMENTASI ALGORITMA GENETIKA UNTUK PENCARIAN RUTE PALING OPTIMUM Anies Hannawati, Thiang, Eleazar Fakultas Teknologi Industri, Jurusan Teknik Elektro, Universitas Kristen Petra Jl. Siwalankerto 121-131,
Lebih terperinciProsiding Matematika ISSN:
Prosiding Matematika ISSN: 2460-6464 Representasi Matriks untuk Proses Crossover Pada Algoritma Genetika untuk Optimasi Travelling Salesman Problem Matrix Representation for The Crossover on Genetic Algorithm
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan membahas landasan atas teori-teori yang bersifat ilmiah untuk mendukung penulisan tugas akhir ini. Teori-teori yang dibahas mengenai pengertian penjadwalan, algoritma
Lebih terperinciANALISA KEBUTUHAN WAKTU PADA PROSES PENYELESAIAN TRAVELING SALESMAN PROBLEM
ANALISA KEBUTUHAN WAKTU PADA PROSES PENYELESAIAN TRAVELING SALESMAN PROBLEM Hari Murti 1, R. Soelistijadi 2, Sugiyamto 3 Program Studi Sistem Informasi, Fakultas Teknologi Informasi, Universitas Stikubank
Lebih terperinciGENETIKA UNTUK MENENTUKAN RUTE LOPER KORAN DI AGEN SURAT KABAR
MULTI TRAVELING SALESMAN PROBLEM (MTSP) DENGAN ALGORITMA Abstrak GENETIKA UNTUK MENENTUKAN RUTE LOPER KORAN DI AGEN SURAT KABAR Oleh : Fitriana Yuli Saptaningtyas,M.Si. Jurusan Pendidikan Matematika FMIPA
Lebih terperinciPENERAPAN ALGORITMA GENETIKA PADA PERENCANAAN LINTASAN KENDARAAN Achmad Hidayatno Darjat Hendry H L T
PENERAPAN ALGORITMA GENETIKA PADA PERENCANAAN LINTASAN KENDARAAN Achmad Hidayatno Darjat Hendry H L T Abstrak : Algoritma genetika adalah algoritma pencarian heuristik yang didasarkan atas mekanisme evolusi
Lebih 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 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 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 terperinciALGORITMA GENETIKA Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning
ALGORITMA GENETIKA Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning Achmad Basuki Politeknik Elektronika Negeri Surabaya PENS-ITS Surabaya 2003 Algoritma Genetika Algoritma
Lebih terperinciPENERAPAN KOMBINASI ALGORITMA GEOMETRIC DIFFERENTIAL EVOLUTION DAN SISTEM FUZZY DALAM PENYELESAIAN TRAVELLING SALESMAN PROBLEM (TSP) TUGAS AKHIR
PENERAPAN KOMBINASI ALGORITMA GEOMETRIC DIFFERENTIAL EVOLUTION DAN SISTEM FUZZY DALAM PENYELESAIAN TRAVELLING SALESMAN PROBLEM (TSP) TUGAS AKHIR Diajukan sebagai salah satu syarat untuk memperoleh gelar
Lebih terperinciPERANCANGAN APLIKASI PENJADWALAN TRAVELING SALESMAN PROBLEM DENGAN ALGORITMA GENETIKA
PERANCANGAN APLIKASI PENJADWALAN TRAVELING SALESMAN PROBLEM DENGAN ALGORITMA GENETIKA Hendy Tannady; Andrew Verrayo Limas Industrial Engineering Department, Faculty of Engineering, Binus University Jl.
Lebih terperinciBAB III PEMBAHASAN. Berikut akan diberikan pembahasan mengenai penyelesaikan CVRP dengan
BAB III PEMBAHASAN Berikut akan diberikan pembahasan mengenai penyelesaikan CVRP dengan Algoritma Genetika dan Metode Nearest Neighbour pada pendistribusian roti di CV. Jogja Transport. 3.1 Model Matetematika
Lebih terperinciAlgoritma 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,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Traveling Salesman Problem (TSP) adalah permasalahan dimana seorang salesman harus mengunjungi semua kota yang ada dan kota tersebut hanya boleh dikunjungi tepat satu
Lebih terperinciImplementasi Algoritma Genetika Untuk Pencarian Rute Berdasarkan Waktu Tercepat Objek Wisata Di Kabupaten Ngawi. Makalah
Implementasi Algoritma Genetika Untuk Pencarian Rute Berdasarkan Waktu Tercepat Objek Wisata Di Kabupaten Ngawi Makalah Disusun sebagai salah satu syarat menyelesaikan Program Studi Strata I pada Jurusan
Lebih terperinciBab II Konsep Algoritma Genetik
Bab II Konsep Algoritma Genetik II. Algoritma Genetik Metoda algoritma genetik adalah salah satu teknik optimasi global yang diinspirasikan oleh proses seleksi alam untuk menghasilkan individu atau solusi
Lebih terperinciPENYELESAIAN MINIMUM SPANNING TREE (MST) PADA GRAF LENGKAP DENGAN ALGORITMA GENETIKA MENGGUNAKAN TEKNIK PRUFER SEQUENCES
J~ICON, Vol. 2 No. 2, Oktober 2014, pp. 84 ~ 91 84 PENYELESAIAN MINIMUM SPANNING TREE (MST) PADA GRAF LENGKAP DENGAN ALGORITMA GENETIKA MENGGUNAKAN TEKNIK PRUFER SEQUENCES Emsi M. Y. Monifani 1, Adriana
Lebih terperinciOPTIMASI QUERY DATABASE MENGGUNAKAN ALGORITMA GENETIK
Seminar Nasional Aplikasi Teknologi Informasi 2008 (SNATI 2008) ISSN 1907-5022 OPTIMASI QUERY DATABASE MENGGUNAKAN ALGORITMA GENETIK Manahan Siallagan, Mira Kania Sabariah, Malanita Sontya Jurusan Teknik
Lebih terperinciIMPLEMENTASI REPLACEMENT STRATEGY STEADY STATE DAN GENERATIONAL DALAM ALGORITMA BEREVOLUSI UNTUK PENYELESAIAN TSP
IMPLEMENTASI REPLACEMENT STRATEGY STEADY STATE DAN GENERATIONAL DALAM ALGORITMA BEREVOLUSI UNTUK PENYELESAIAN TSP Munawir *1, Taufiq A. Gani *2, Yuwaldi Away *3 # Magister Teknik Elektro Program Pascasarjana
Lebih terperinciOPTIMASI PENJADWALAN KEGIATAN BELAJAR MENGAJAR DENGAN ALGORITMA GENETIK
OPTIMASI PENJADWALAN KEGIATAN BELAJAR MENGAJAR DENGAN ALGORITMA GENETIK Usulan Skripsi S-1 Jurusan Matematika Diajukan oleh 1. Novandry Widyastuti M0105013 2. Astika Ratnawati M0105025 3. Rahma Nur Cahyani
Lebih terperinciPencarian Rute Terpendek untuk Pengoptimalan Ditribusi Sales Rokok Gudang Garam di kecamatan Wuluhan Kabupaten Jember Menggunakan Algoritma Genetika
Pencarian Rute Terpendek untuk Pengoptimalan Ditribusi Sales Rokok Gudang Garam di kecamatan Wuluhan Kabupaten Jember Menggunakan Algoritma Genetika Priza Pandunata, Rachmad Agung Bagaskoro, Agung Ilham
Lebih terperinciABSTRAK. Job shop scheduling problem merupakan salah satu masalah. penjadwalan yang memiliki kendala urutan pemrosesan tugas.
ABSTRAK Job shop scheduling problem merupakan salah satu masalah penjadwalan yang memiliki kendala urutan pemrosesan tugas. Pada skripsi ini, metode yang akan digunakan untuk menyelesaikan job shop scheduling
Lebih terperinciVukovich dinamis yang digabungkan dengan model PRoFIGA didalamnya.
BAB I PENDAHULUAN 1.1. Latar Belakang Fuzzy Evolutionary Algorithm (FEA) merupakan salah satu model hybrid yang menggabungkan dua buah model soft computing yaitu algoritma genetika dan logika fuzzy. FEA
Lebih terperinciPencarian Rute Optimum Menggunakan Algoritma Genetika
Jurnal Teknik Elektro Vol. 2, No. 2, September 2002: 78-83 Pencarian Rute Optimum Menggunakan Algoritma Genetika Anies Hannawati, Thiang, Eleazar Fakultas Teknologi Industri, Jurusan Teknik Elektro, Universitas
Lebih terperinciThe Application of Fitness Sharing Method in Evolutionary Algorithm to Optimizing the Travelling Salesman Problem (TSP)
Jurnal Natural Vol. 14, No. 2, 23-32, September 2014 ISSN 1141-8513 The Application of Fitness Sharing Method in Evolutionary Algorithm to Optimizing the Travelling Salesman Problem (TSP) Nurmaulidar Jurusan
Lebih terperinciSWARM GENETIC ALGORITHM, SUATU HIBRIDA DARI ALGORITMA GENETIKA DAN PARTICLE SWARM OPTIMIZATION. Taufan Mahardhika 1
SWARM GENETIC ALGORITHM, SUATU HIBRIDA DARI ALGORITMA GENETIKA DAN PARTICLE SWARM OPTIMIZATION Taufan Mahardhika 1 1 Prodi S1 Kimia, Sekolah Tinggi Analis Bakti Asih 1 taufansensei@yahoo.com Abstrak Swarm
Lebih terperinciBAB 1 PENDAHULUAN. 1 Randy L Haupt & Sue Ellen Haupt, Practical Genetic Algorithms second edition, Wiley Interscience,2004.
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Seseorang salesman tentu akan sangat kesulitan jika harus mengunjungi semua kota sendirian, oleh karena itu dibutuhkan beberapa orang salesman untuk membagi
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 terperinciImplementasi Algoritma Genetika dalam Pembuatan Jadwal Kuliah
Implementasi Algoritma Genetika dalam Pembuatan Jadwal Kuliah Leonard Tambunan AMIK Mitra Gama Jl. Kayangan No. 99, Duri-Riau e-mail : leo.itcom@gmail.com Abstrak Pada saat ini proses penjadwalan kuliah
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
12 BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah penjadwalan secara umum adalah aktifitas penugasan yang berhubungan dengan sejumlah kendala, sejumlah kejadian yang dapat terjadi pada suatu periode waktu
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 terperinciPENYELESAIAN TRAVELLING SALESMAN PROBLEM DENGAN METODE TABU SEARCH
Buletin Ilmiah Mat. Stat. Dan Terapannya (Bimaster) Volume 04, No. 1 (2015), hal 17 24. PENYELESAIAN TRAVELLING SALESMAN PROBLEM DENGAN METODE TABU SEARCH Fatmawati, Bayu Prihandono, Evi Noviani INTISARI
Lebih terperinciPERBANDINGAN ALGORITMA EXHAUSTIVE, ALGORITMA GENETIKA DAN ALGORITMA JARINGAN SYARAF TIRUAN HOPFIELD UNTUK PENCARIAN RUTE TERPENDEK
PERBANDINGAN ALGORITMA EXHAUSTIVE, ALGORITMA GENETIKA DAN ALGORITMA JARINGAN SYARAF TIRUAN HOPFIELD UNTUK PENCARIAN RUTE TERPENDEK Rudy Adipranata 1) Felicia Soedjianto 2) Wahyudi Tjondro Teknik Informatika,
Lebih terperinciPENYELESAIAN TRAVELLING SALESMAN PROBLEM DENGAN ALGORITMA BRANCH AND BOUND
PENYEESAIAN TRAVEING SAESMAN PROBEM DENGAN AGORITMA BRANCH AND BOND Yogo Dwi Prasetyo Pendidikan Matematika, niversitas Asahan e-mail: abdullah.prasetyo@gmail.com Abstract The shortest route search by
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 terperinciBAB III PENERAPAN ALGORITMA MEMETIKA DAN GRASP DALAM MENYELESAIKAN PFSP
BAB III PENERAPAN ALGORITMA MEMETIKA DAN GRASP DALAM MENYELESAIKAN PFSP Prosedur AM dan GRASP dalam menyelesaikan PFSP dapat digambarkan oleh flowchart berikut: NEH GRASP SOLUSI NEH SOLUSI ELIT MEMETIKA
Lebih terperinciPerbandingan Algoritma Exhaustive, Algoritma Genetika Dan Algoritma Jaringan Syaraf Tiruan Hopfield Untuk Pencarian Rute Terpendek
Perbandingan Algoritma Exhaustive, Algoritma Genetika Dan Algoritma Jaringan Syaraf Tiruan Hopfield Untuk Pencarian Rute Terpendek Rudy Adipranata 1, Felicia Soedjianto 2, Wahyudi Tjondro Teknik Informatika,
Lebih terperinciOPTIMASI POLA PENYUSUNAN BARANG DALAM RUANG TIGA DIMENSI MENGGUNAKAN METODE GENETIC ALGORITHMS
OPTIMASI POLA PENYUSUNAN BARANG DALAM RUANG TIGA DIMENSI MENGGUNAKAN METODE GENETIC ALGORITHMS Kartika Gunadi, Irwan Kristanto Julistiono Fakultas Teknologi Industri, Jurusan Teknik Informatika, Universitas
Lebih terperinci