Penjadwalan Dinas Pegawai Menggunakan Algoritma Evolution Strategies pada PT. Kereta Api Indonesia (KAI) DAOP 7 Stasiun Besar Kediri
|
|
- Yuliani Rachman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X Vol. 2, No. 8, Agustus 2018, hlm Penjadwalan Dinas Pegawai Menggunakan Algoritma Evolution Strategies pada PT. Kereta Api Indonesia (KAI) DAOP 7 Stasiun Besar Kediri Winda Fitri Astiti 1, Dian Eka Ratnawati 2, Mochammad Ali Fauzi 3 Program Studi Teknik Informatika, 1 windafitri20@gmail.com, 2 dian_ilkom@ub.ac.id, 3 moch.ali.fauzi@ub.ac.id Abstrak Penjadwalan dinas pegawai PT. Kereta Api Indonesia bertujuan untuk merencanakan jumlah pegawai yang dinas secara bergiliran berdasarkan setiap waktu kerja sehingga memenuhi prosedur operasional standar yang sudah ditetapkan. Permasalahan penjadwalan dinas pegawai mempunyai kompleksitas yang sangat tinggi karena didalam penjadwalan banyak faktor yang harus dipertimbangkan seperti aturan jam kerja serta jumlah pegawai yang diharuskan dinas setiap harinya. Data yang digunakan pada penelitian ini adalah data pegawai sebanyak 14 pegawai yang akan dijadwalkan dinas. Algoritme yang digunakan pada penelitian ini adalah Algoritme Evolution Strategies. Dalam proses Algoritme Evoluiton Strategies reperesntasi kromosom yang digunakan adalah representasi permutasi, dengan panjang 98, yang disesuaikan dengan jumlah pegawai dan jumlah hari untuk penjadwalan dinas pegawai. pada proses reproduksi, proses mutasi menggunakan insert mutation. Untuk evaluasi nilai fitness diperoleh dari perhitungan dari jumlah nilai pinalti dari setiap individu.sedangkan proses seleksi yang digunakan adalah elitism selection. Pada algoritme ini menghasilkan penjadwalan yang sesuai dengan aturan berdasarkan parameter optimal ukuran populasi sebesar 80 dan banyak generasi sebesar 70 dengan ratarata nilai fitness sebesar 0,2. Hasil pada sistem ini adalah penjadwalan untuk jadwal dinas pegawai selama tujuh hari yang sesuai dengan prosedur operasional standar yang ditetapkan. Kata kunci: Algoritme Evolution Strategies, Penjadwalan, Pegawai Abstract Scheduling employee service of PT. Kereta Api Indonesia aims to plan the number of employees on duty in turns based on each service time. Employee service scheduling is designed to meet scheduling in accordance with established standard operating procedures. The problem of scheduling the employee service has a very high complexity because in scheduling many factors must be considered such as the hours of work and the number of employees required by the office on a daily basis. The data used in this study is employee data of 14 employees who will be scheduled service. The algorithm used in this research is Algorithm Evolution Strategies. In the process of Evoluiton Strategies Algorithm the representation of chromosomes used is a representation of permutations, with length of gene 98, adjusted for the number of employees and the number of days for scheduling the employee service. The process of reproduction, mutation process using insert mutation. Process valuate the fitness value obtained from the calculation of the number of penalty value of each individual while the selection process used is elitism selection. In this algorithm generate scheduling according to the rules based on the optimal parameter of population size of 80 and many generations of 70 with average fitness value of 0.2. The result of this system is scheduling for a seven-day official schedule that complies with standard operating procedures established. Keywords: Evolution Strategies Algorithms, Scheduling, Employees 1. PENDAHULUAN Transportasi merupakan faktor penting dan strategis dalam upaya memperlancar roda perekonomian, mempererat persatuan dan kesatuan serta mempengaruhi berbagai aspek kehidupan bangsa Indonesia. Tingkat kepentingan akan sarana transportasi tersebut didorong dengan semakin meningkatnya kebutuhan akan jasa angkutan umum bagi mobilitas orang maupun barang dari dan ke seluruh pelosok tanak air. Untuk itu kebutuhan akan jenis transportasi massal yang efisien, cepat, nyaman, dan murah merupakan kebutuhan Fakultas Ilmu Komputer Universitas Brawijaya 2473
2 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2474 yang sangat penting bagi masyarakat Indonesia. Dengan upaya pengembangan perkeretaapian di Indonesia sebagai sarana transportasi massal untuk mengatasi berbagai permasalahan seperti kemacetan diperkotaan merupakan solusi yang sangat tepat (Direktorat Jendral Anggaran, 2015). Untuk memenuhi kebutuhan masyarakat akan sarana transportasi massal, maka PT. Kereta Api Indonesia (KAI) memberikan upaya peningkatan kualitas layanan bagi konsumen, dengan memberikan pelayanan selama 24 jam. Sehingga, menuntut pegawainya bekerja selama 24 jam dalam satu hari. Salah satu stasiun yang menerapkan waktu kerja 24 jam dalam satu hari adalah Stasiun Besar Kediri. Menurut Bagian Pelaksanaan Stasiun Besar Kediri, seluruh pegawai operasional Stasiun Besar Kediri memiliki pembagian jam dinas masing-masing, namun penjadwalan dinas pegawai masih belum sesuai dengan prosedur operasional standar yang ditetapkan. Terdapat berbagai permasalahan di Stasiun Besar Kediri terkait penjadwalan waktu dinas pegawai operasional selama 24 jam, antara lain penjadwalan dinas pegawai operasional tidak sesuai dengan prosedur operasional standar yang telah ditetapkan. Misalnya dalam penjadwalan harus ada enam pegawai yang dijadwalkan dinas pagi namun pada penjadwalan dinas pegawai operasional masih belum memenuhi kriteria tersebut, seperti hanya ada lima pegawai yang dijadwalkan dinas pagi atau melebihi dari prosedur yang telah ditetapkan. Sehingga perlu dilakukan penjadwalan secara otomatis berdasarkan prosedur operasional standar. Dengan demikian, berdasarkan permasalahan yang ada pada penjadwalan dinas pegawai di Stasiun Besar Kediri, dibangunlah sebuah sistem penjadwalan dinas pegawai yang memiliki tujuan utama yaitu membuat penjadwalan dinas pegawai operasional yang akan datang sesuai dengan prosedur operasional standar yang ditetapkan. Pada penelitian ini sistem penjadwalan dinas pegawai dibangun dengan menggunakan algoritme Evolution Strategies. Algoritme Evolution Strategies merupakan bentuk genetik dari algoritme optimasi heuristic berbasis populasi yaitu teknik memecahkan permasalahan optimasi yang rumit dengan menirukan proses evolusi mahkluk hidup (Widodo, 2010). Algoritme Evolution Strategies dipilih karena algortima tersebut lebih menekankan pada proses mutasi sehingga proses penjadwalan akan berlangsung lebih singkat (Mahmudy, 2013). Untuk penelitian Algoritme Evolution Strategies yang telah dilakukan sebelumnya oleh Munawaroh, F., (2015) mengenai optimasi distribusi pupuk menggunakan algortima Evolution Strategies yang memiliki tujuan mempercepat pengiriman dan pemerataan pupuk di berbagai daerah dengan biaya yang semininal mungkin dengan memaksimalkan rute dan kapasitas kendaraan. Berdasarkan hasil penelitian ini, parameter dengan nilai fitness terbaik adalah ukuran populasi 80, jumlah keturunan 5, jumlah generasi 80, dan komposisi adalah 30% dari segmen 1, 20% dari segmen 2, dan 50 % untuk kedua segmen. Dengan demikian Algoritme Evolution Strategies dipilih karena mampu memberikan solusi yang optimal dari suatu permasalahan seperti pada permasalahan penjadwalan dinas pegawai Stasiun Besar Kediri secara otomatis agar lebih efektif dan efisien. 2. LANDASAN KEPUSTAKAAN 2.1 Penjadwalan Penjadwalan adalah sebuah proses pengambilan keputusan untuk mengalokasikan sumber daya manusia yang berkaitan dengan pekerjaan dalam suatu waktu yang sudah ditentukan dan tujuannya untuk mengoptimalkan satu tujuan atau lebih, misalnya adalah penjadwalan pegawai (Husen, 2008). Masalah penjadwalan pegawai secara umum adalah masalah dalam penentuan waktu pekerjaan. Setiap pekerjaan mempunyai prioritas yang berbeda dan waktu memulai dan berakhirnya sebuah pekerjaan. Sumber daya manusia adalah komponen yang terpenting diantara semua bidang organisasi baik di industri ataupun jasa, menjadwalkan pegawai adalah masalah yang umum pada semua bidang organisasi (Evrim Didem Gunes, 1999). Di dalam penjadwalan pegawai untuk kriteria penjadwalan didasarkan pada prosedur operasional standar yang sudah ditetapkan. Untuk penjadwalan pegawai yang dibagi oleh jam kerja yang disebut dengan dinas pegawai maka untuk penjadwalan pegawai harus memperhatikan jadwal dinas pegawai satu dengan yang lainnya 2.2 Algoritme Evolution Strategies Evolution Strategies merupakan salah satu
3 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2475 cabang dari Evolutionary Algorithms (EAs). EA merupakan bentuk genetik dari algoritme optimasi meta-heuristic berbasis populasi. ES adalah suatu algoritme pencarian yang berbasis pada mekanisme seleksi alam dan genetika. ES menggunakan mutasi pada proses perhitungan. Beda dengan Algortima Genetika yang sebelum melakukan mutasi harus ada proses crossover. Pada Algoritme Evolution Strategies prosesnya lebih sedikit singkat dibandingkan dengan Algortima Genetika pada umumnya. Berikut adalah diagram alir untuk optimasi algoritme evolution strategies dapat dilihat pada Gambar 1. Start Input : Data Pegawai Pembangkitan Populasi Awal For i=1 to jumlah generasi Mutasi Evaluasi Seleksi Hasil Populasi baru i Output : Penjadwalan Dinas Pegawai Gambar 2 Pseudocode Algoritme Evolution Strategies Sumber (Mahmudy, 2013) Struktur dasar dari algoritme evolution strategies yaitu terdiri dari miu (µ), lambda (λ) dan sigma/strategy parameters (σ). Miu (µ) yang digunakan untuk menentukan jumlah individu dalam populasi, pada lamda (λ) digunakan untuk menentukan jumlah offspring, dan pada sigma/strategy parameters (σ) yang digunakan untuk menentukan level mutasi yang dilakukan. Pada sigma (σ) merupakan bilangan random dengan interval random yang telah ditetapkan sebelumnya. Pada penelitian ini, interval sigma yang ditetapkan adalah [0-3] Representasi Kromosom Kromosom dalam penelitian ini berupa representasi permutasi dengan jumlah gen sebanyak 98. Kromosom tersebut dibangkitkan dari bilangan random dengan range 1 sampai 14, setiap gen yang dibangkitkan mewakili nomor pegawai. Setiap 6 gen pertama menunjukkan dinas pagi, 5 gen berikutnya menunjukkan dinas siang, 1 gen berikutnya menunjukkan dinas malam dan 2 gen terakhir menunjukkan dinas libur sehingga 14 gen menunjukkan kebutuhan dinas pegawai dalam satu hari seterusnya sampai hari ke 7 dan berjumlah 98. Untuk proses pembentukan populasi awal yaitu membuat individu baru secara acak. Untuk representasi kromosom dapat dilihat pada Gambar 3. Stop Gambar 1 Diagram Alir Algoritme Evolution Strategies Untuk proses Algoritme Evolution Strategies dapat dilihat pada pseudocode Gambar 2. procedure EvolutionStrategies begin t = 0 inisialisasi P(t): generate μ individu while (bukan kondisi berhenti) do recombinasi: produksi C(t) mutasi C(t) seleksi P(t+1) dari P(t) dan C(t) t = t + 1 end while end Gambar 3 Representasi Kromosom Reproduksi Reproduksi dilakukan untuk mendapatkan individu baru dalam populasi. Proses reproduksi dengan menggunakan mutasi untuk membentuk offspring (λ) dibentuk sesuai dengan ukuran populasi (µ) atau (λ=µ). Metode mutasi dalam penelitian ini adalah insert mutation yang dilakukan dengan memilih induk secara random serta memilih satu posisi gen (selected point) secara random kemudian mengambil dan menyisipkan nilainya pada posisi yang dipilih (insertion point) secara random. Misalnya, terpilih satu induk secara random yaitu P3 dan terpilih gen 9 yang akan dilakukan proses mutasi dengan penyisipan nilai gen 41. Setelah proses
4 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2476 insert mutation dan terbentuklah individu baru. Proses mutasi pada Gambar 4. Gambar 4 Insert Mutation Evaluasi Evaluasi merupakan tahap perhitungan nilai fitness. Proses evaluasi dilakukan setelah proses inisialisasi dan proses mutasi dilakukan. Nilai fitness digunakan untuk mengukur solusi terbaik yang dibawa suatu individu. Nilai fitness yang baik cenderung kan menghasilkan solusi yang terbaik. Fungsi nilai fitness untuk masalah optimasi penjadwalan pegawai ini adalah menghitung jumlah nilai pinalti yang kemudian nantinya akan dipilih nilai pinalti yang terendah untuk membentuk induk terbaru pada iterasi selanjutnya. Fungsi nilai fitness untuk kasus ini ditunjukkan pada persamaan 1 di bawah ini. fitness = Seleksi 1 Pinalti (1) Proses seleksi akan menghasilkan induk populasi baru. Setalah perhitungan nilai fitness maka akan dipilih dari beberapa induk dengan nilai fitness yang mempunyai nilai tertinggi yang kemudian akan dijadikan induk populasi terbaru. Induk populasi terbaru akan digunakan untuk perhitungan iterasi selanjutnya sampai dihasilkan induk dengan optimasi terbaik. Gambar 5 Implementasi Beranda Gambar 6 Implementasi Browse Data 3.2 Implementasi Tampil Data Pada implementasi antarmuka tampil data merupakan halaman untuk menampilkan data pegawai yang berhasil dimasukkan oleh pengguna. Data tersebut berupa nama pegawai dan NIPP. Implementasi antarmuka tampil data dapat dilihat pada Gambar IMPLEMENTASI 3.1 Implementasi Beranda Pada implementasi antarmuka beranda terdapat form input data pegawai, serta button browse untuk memasukkan data pegawai berupa file dalam bentuk excel dapat dilihat pada Gambar 6. Pada data tersebut berisi nama pegawai dan NIPP. Apabila data berhasil di masukkan maka data akan muncul pada tabel data pegawai. Implementasi antarmuka beranda dapat dilihat pada Gambar 5. Gambar 7 Implementasi Tampil Data 3.3 Implementasi Hasil Perhitungan Implementasi antarmuka hasil perhitungan digunakan untuk menampilkan hasil perhitungan dengan menggunakan Algoritme Evolution Strategies. Hasil perhitungan tersebut menampilkan hasil ukuran populasi, banyak generasi, kromosom terbaik yang terpilih hasil dari optimasi dan hasil nilai fitness terbaik. Implementasi antarmuka hasil perhitungan dapat
5 Rata-rata fitness Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2477 dilihat pada Gambar 8. Gambar 8 Implementasi Hasil Perhitungan 3.4 Implementasi Hasil Penjadwalan Pada implementasi antarmuka hasil penjadwalan menampilkan hasil penjadwalan dinas pegawai setelah proses perhitungan. Hasil penjadwalan akan menampilkan penjadwalan selama tujuh hari berupa tabel penjadwalan dinas pagi, dinas siang, dinas malam dan dinas libur. Pada tabel tersebut akan menampilkan nama pegawai sesuai dengan penjadwalan dinas. Implementasi antarmuka penjadwalan dapat dilihat pada Gambar 9. menciptakan individu-individu baru. Kemudian mengambil nilai fitness terbaik setiap melakukan sebanyak percobaan yang sudah ditentukan, kemudian dari nilai fitness yang telah diperoleh akan dihitung nilai rata-rata fitnes. Apabila hasil pengujian sudah mulai mengalami konvergensi, maka ukuran populasi tersebut dapat digunakan sebagai parameter optimal untuk proses pengujian selanjutnya. Pengujian untuk ukuran populasi ditunjukkan pada Tabel 1. Tabel 1 Pengujian Ukuran Populasi Dari Tabel 1 pengujian ukuran populasi di atas dapat disimpulkan bahwa penambahan ukuran populasi tidak menjamin terjadinya kenaikan pada nilai fitness. Ini terjadi karena adanya proses random diwaktu pembangkitan kromosom awal. Hasil nilai fitness tertinggi sebesar 0,2. Dari hasil pengujian ukuran populasi 80 mulai mengalami konvergensi hingga ukuran populasi 100. Pengujian Ukuran Populasi Gambar 9 Implementasi Hasil Penjadwalan 4. PENGUJIAN 4.1 Pengujian Ukuran Populasi Pengujian terhadap ukuran populasi dilakukan untuk memperoleh hasil ukuran populasi terbaik untuk digunakan sebagai parameter proses pengujian selanjutnya. Pengujian terhadap ukuran populasi dilakukan sebanyak 10 kali pengujian. Parameter yang digunakan dalam pengujian ukuran populasi yaitu: a. Ukuran populasi : b. Banyak generasi : 70 Pengujian ukuran populasi dilakukan dengan menentukan pembentukan populasi awal sebanyak yang sudah ditentukan untuk 0,205 0,2 0,195 0,19 0,185 0,18 0, Ukuran Populasi Gambar 10 Grafik Pengujian Ukuran Populasi 4.2 Pengujian Banyak Generasi Pengujian terhadap banyaknya generasi dilakukan untuk memperoleh hasil generasi terbaik yang digunakan sebagai parameter yang optimal. Pengujian ukuran populasi mendapatkan hasil mulai konvergen sebesar 80. Dari parameter tersebut dapat dijadikan acuan dalam pengujian generasi. Pengujian terhadap banyaknya generasi akan dilakukan sebanyak 10
6 Rata-rata fitness Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2478 kali pengujian. Parameter yang digunakan dalam pengujian banyaknya generasi yaitu: a. Ukuran populasi : 80 b. Banyak generasi : Pengujian banyaknya generasi dilakukan dengan mengambil nilai fitness terbaik dari setiap percobaan yang sudah ditentukan, kemudian dari nilai fitness yang telah diperoleh akan dihitungi nilai rata-rata fitness untuk setiap banyaknya generasi. Ketika hasil pengujian sudah konvergensi. Pengujian untuk generasi ditunjukkan pada Tabel 2. Tabel 2 Pengujian Banyaknya Generasi Berdasarkan hasil pengujian terhadap banyaknya generasi seperti pada Tabel 2 diperoleh hasil bahwa semakin banyak generasi bisa mengalami penurunan dan kenaikan nilai fitness. Pada banyak generasi 10 hingga 30 mengalami penurunan rata-rata nilai fitness tetapi pada generasi 40 hingga 70 mengalami kenaikan rata-rata nilai fitness. Konvergensi pada pengujian banyak generasi mulai banyak generasi sebanyak 80 sampai percobaan dengan banyak generasi 100 dengan nilai fitness sebesar 0,2. Banyak generasi tidak hanya mempengaruhi nilai fitness yang akan dihasilkan, apabila banyak generasi semakin bertambah maka waktu komputasi juga akan bertambah baik. Semakin besar banyak generasi maka akan semakin lama waktu komputasinya. Pengujian Banyak Generasi 0,205 0,2 0,195 0,19 0,185 0, Banyak Generasi Gambar 11 Grafik Pengujian Banyak Generasi 5. PENUTUP Berdasarkan hasil analisis dan perancangan sistem, implementasi sistem, dan pengujian sistem pada penjadwalan dinas pegawai stasiun menggunakan Algoritme Evolution Strategies terdapat beberapa kesimpulan yaitu: 1. Algoritme Evolution Strategies dapat diterapkan pada penjadwalan dinas pegawai stasiun. Pembangkitan populasi awal dilakukan secara random menggunakan representasi kromosom permutasi. Kromosom yang dibangkitkan dengan range 1-14 yaitu jumlah pegawai sebanyak 14 untuk penjadwalan dalam satu hari. Kromosom dengan jumlah gen sebanyak 98 untuk penjadwalan selama tujuh hari. Setelah itu akan diproses dengan cara proses mutasi menggunakan insert mutation yaitu dari individu kromosom akan dikembangkan untuk menghasilkan individu baru dengan cara mengubah satu gen pada individu secara acak. Lalu proses penggabungan seluruh individu yang akan dihitung nilai fitness. Setelah proses mutasi adalah proses evaluasi yaitu perhitungan nilai fitness. Pada perhitungan nilai fitness akan dihitung pinalti dari masing-masing individu. Dari nilai fitness yang sudah dihitung dari seluruh individu akan dilakukan proses seleksi untuk pemilihan individu dengan nilai fitness tertinggi sebanyak ukuran populasi. Kromosom terbaik yang terpilih dengan nilai fitness tertinggi akan ditampilkan dan terpilih sebagai hasil penjadwalan dinas pegawai stasiun. 2. Hasil penjadwalan dinas pegawai yang dihasilkan oleh Algoritma Evolution Strategies masih mengalami kesalahan yaitu ada pegawai yang masih mendapatkan jam dinas lebih dari satu dinas. Pada penjadwalan lainnya sudah sesuai aturan yang sudah ditetapkan. DAFTAR PUSTAKA Beyer, H. G, Schwefel, H.P Evolution Strategies: A Comprehensive Introduction. Journal Natural Computing 1, 2002, Endarwati, DA, Mahmudy, WF & Ratnawati, DE Pencarian Rute optimum dengan Evoluiton Strategies. Reposity Jurnal Mahasiswa PTIIK Universitas Brawijaya. Malang.
7 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2479 Harun, I.A., Mahmudy, W.F., dan Yudistira, N., 2014, Implementasi evolution strategies untuk penyelesaian vehicle routing problem with time windows pada distribusi minuman soda XYZ. Jurnal Mahasiswa PTIIK Universitas Brawijaya, vol. 4, no. 1. Kurniawan, Robby Optimasi Tebar Benih dan Pakan pada Suatu Kolam menggunakan Algoritme Evoluiton Strategies. FT UMRAH. Mahmudy, WF Algoritme Evolusi.Program Teknologi Informasi dan Ilmu Komputer. Universitas Brawijaya. Malang. Mahmudy, WF, Marian, RM & Luong, LHS a, Real coded genetic algorithms for solving flexiblejob-shop scheduling problem Part II: optimization', Advanced Materials Research, 701, Milah, H & Mahmudy, WF Implementasi Algoritme Evoluiton Strategies untuk Optimasi Komposisi Pakan Ternak Sapi Potong. Uiversitas Brawijaya. Malang. Munawaroh, F. dan Mahmudy, W.F., 2015, Penerapan algoritme evolution strategies untuk meminimumkan biaya distribusi barang. Jurnal Mahasiswa PTIIK Universitas Brawijaya, vol. 5, no. 11. Putri, A.M.D.A., Mahmudy, W.F., dan Cholissodin, I., 2015, Optimasi model fuzzy AHP dengan menggunakan algoritme evolution strategies (studi kasus: pemilihan calon penerima beasiswa PTIIK Universitas Brawijaya). Jurnal Mahasiswa PTIIK Universitas Brawijaya, vol. 5, no. 15. Ilmi, R., Rifqy, Mahmudy, W.F., dan Ratnawati, D.E., 2016, Optimasi Penjadwalan Perawat menggunakan Algoritma Genetika. Jurnal Mahasiswa PTIIK Universitas Brawijaya vol 5, no.13. Rifqi, N., Warih, M., dan Shaufiah Analisis dan Implementasi Klasifikasi Data Mining Menggunakan Jaringan Syaraf Tiruan dan Evolution Srategies. Bali.
Penerapan algoritma evolution strategies untuk optimasi distribusi barang dua tahap
Penerapan algoritma evolution strategies untuk optimasi distribusi barang dua tahap Candra Bella Vista 1, Wayan Firdaus Mahmudy 2 Program Studi Informatika / Ilmu Komputer Fakultas Ilmu Komputer Universitas
Lebih terperinciOPTIMASI DISTRIBUSI PUPUK MENGGUNAKAN EVOLUTION STRATEGIES
Journal of Environmental Engineering & Sustainable Technology Vol. 02 No. 02, November 2015, Pages 89-96 JEEST http://jeest.ub.ac.id OPTIMASI DISTRIBUSI PUPUK MENGGUNAKAN EVOLUTION STRATEGIES Fauziatul
Lebih 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 terperinciOPTIMASI TEBAR BENIH DAN PAKAN PADA SUATU KOLAM MENGGUNAKAN ALGORITMA EVOLUTION STRATEGIES
OPTIMASI TEBAR BENIH DAN PAKAN PADA SUATU KOLAM MENGGUNAKAN ALGORITMA EVOLUTION STRATEGIES Robby Kurniawan Mahasiswa Program Studi Teknik Informatika, FT UMRAH Nerfita Nikentari, ST., M.Cs Dosen Program
Lebih terperinciPENCARIAN RUTE OPTIMUM DENGAN EVOLUTION STRATEGIES
PENCARIAN RUTE OPTIMUM DENGAN EVOLUTION STRATEGIES Diah Arum Endarwati 1,Wayan Firdaus Mahmudy, Dian Eka Ratnawati Program Studi Informatika/ Ilmu Komputer, Program Teknologi Informasi dan Ilmu Komputer
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 terperinciIMPLEMENTASI ALGORITMA EVOLUTION STRATEGIES UNTUK OPTIMASI KOMPOSISI PAKAN TERNAK SAPI POTONG
IMPLEMENTASI ALGORITMA EVOLUTION STRATEGIES UNTUK OPTIMASI KOMPOSISI PAKAN TERNAK SAPI POTONG Himyatul Milah 1), Wayan Firdaus Mahmudy 2), Mahasiswa Program Studi Informatika / Ilmu Komputer Universitas
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 terperinciAlgoritma Evolusi Evolution Strategies (ES)
Algoritma Evolusi Evolution Strategies (ES) Imam Cholissodin imam.cholissodin@gmail.com Pokok Bahasan 1. Struktur Dasar Evolution Strategies (ES) 2. Siklus ES (µ, λ) 3. Siklus ES (µ/r + λ) 4. Studi Kasus
Lebih terperinciOPTIMASI MODEL FUZZY AHP DENGAN MENGGUNAKAN ALGORITMA EVOLUTION STRATEGIES
OPTIMASI MODEL FUZZY AHP DENGAN MENGGUNAKAN ALGORITMA EVOLUTION STRATEGIES (STUDI KASUS: PEMILIHAN CALON PENERIMA BEASISWA PTIIK UNIVERSITAS BRAWIJAYA) Anis Maulida Dyah Ayu Putri 1, Wayan Firdaus Mahmudy
Lebih terperinciPencarian Rute Terpendek pada Jalur Perlombaan Robot Pemadam Api dengan Algoritma Evolution Strategies
Pencarian Rute Terpendek pada Jalur Perlombaan Robot Pemadam Api dengan Algoritma Evolution Strategies Benny Ermawan Mahasiswa Program Studi Teknik Informatika, FT UMRAH Hendra Kurniawan, S.Kom., M.Sc.Eng
Lebih terperinciOptimasi distribusi barang dengan algoritma genetika
Optimasi distribusi barang dengan algoritma genetika Yasmin Ghassani Panharesi 1, Wayan Firdaus Mahmudy 2 Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email : yasminghassani@gmail.com 1,
Lebih 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 terperinciOptimasi Komposisi Pakan Kambing Boer Menggunakan Algoritme Evolution Strategies
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 10, Oktober 2018, hlm. 3796-3801 http://j-ptiik.ub.ac.id Optimasi Komposisi Pakan Kambing Boer Menggunakan Algoritme
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 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 terperinciOptimasi Penjadwalan Mata Pelajaran Menggunakan Algoritme Genetika (Studi Kasus: SMK Negeri 2 Kediri)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 10, Oktober 2017, hlm. 1066-1072 http://j-ptiik.ub.ac.id Optimasi Penjadwalan Mata Pelajaran Menggunakan Algoritme
Lebih terperinciPENJADWALAN KAPAL PENYEBERANGAN MENGGUNAKAN ALGORITMA GENETIKA
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol. 3, No. 1, Maret 2016, hlm. 48-55 PENJADWALAN KAPAL PENYEBERANGAN MENGGUNAKAN ALGORITMA GENETIKA Ria Febriyana 1, Wayan Firdaus Mahmudy 2 Program
Lebih terperinciOptimasi 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 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 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 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 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 terperinciImplementasi Algoritma Genetika Untuk Penjadwalan Customer Service (Studi Kasus: Biro Perjalanan Kangoroo)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol., No. 6, Juni 207, hlm. 456-465 http://j-ptiik.ub.ac.id Implementasi Algoritma Genetika Untuk Penjadwalan Customer Service
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 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 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 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 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 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 terperinciJurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 11, November 2017, hlm. 1152-1159 http://j-ptiik.ub.ac.id Implementasi Algoritma Genetika Pada Metode AHP dan SAW
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 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 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 terperinciPENERAPAN ALGORITMA GENETIKA UNTUK TRAVELING SALESMAN PROBLEM DENGAN MENGGUNAKAN METODE ORDER CROSSOVER DAN INSERTION MUTATION
PENERAPAN ALGORITMA GENETIKA UNTUK TRAVELING SALESMAN PROBLEM DENGAN MENGGUNAKAN METODE ORDER CROSSOVER DAN INSERTION MUTATION Samuel Lukas 1, Toni Anwar 1, Willi Yuliani 2 1) Dosen Teknik Informatika,
Lebih terperinciPenerapan 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 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 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 terperinciPenjadwalan Job Shop pada Empat Mesin Identik dengan Menggunakan Metode Shortest Processing Time dan Genetic Algorithm
Jurnal Telematika, vol.9 no.1, Institut Teknologi Harapan Bangsa, Bandung ISSN: 1858-251 Penjadwalan Job Shop pada Empat Mesin Identik dengan Menggunakan Metode Shortest Processing Time dan Genetic Algorithm
Lebih terperinciPenentuan Lokasi Pasang Baru Wifi.id Corner Menggunakan Metode AHP dan Algoritma Genetika (Studi Kasus : PT. Telkom Witel Kediri)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 12, Desember 2017, hlm. 1742-1749 http://j-ptiik.ub.ac.id Penentuan Lokasi Pasang Baru Wifi.id Corner Menggunakan
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 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 MENENTUKAN BIAYA MINIMAL DISTRIBUSI BARANG TIGA TAHAP PT. SEMEN TONASA
PENERAPAN ALGORITMA GENETIKA UNTUK MENENTUKAN BIAYA MINIMAL DISTRIBUSI BARANG TIGA TAHAP PT. SEMEN TONASA Andi Baharuddin 1, Aidawayati Rangkuti 2, Armin Lawi 3 Program Studi Matematika, Jurusan Matematika,
Lebih terperinciPenerapan Genetic Algorithm Untuk Optimasi Peningkatan Laba Persediaan Produksi Pakaian
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 6, Juni 218, hlm. 2168-2172 http://j-ptiik.ub.ac.id Penerapan Genetic Algorithm Untuk Optimasi Peningkatan Laba Persediaan
Lebih terperinciBAB 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 terperinciPenerapan Algoritma Genetika untuk Penjadwalan Asisten Praktikum
Penerapan Algoritma Genetika untuk Penjadwalan Asisten Praktikum Okky Cintia Devi 1, Wayan Fidaus Mahmudy 2, Budi Darma Setiawan 3 Teknik Informatika, Program Teknologi Informasi dan Ilmu Komputer, Universitas
Lebih terperinciIMPLEMENTASI ALGORITMA FUZZY EVOLUSI PADA PENJADWALAN PERKULIAHAN
IMPLEMENTASI ALGORITMA FUZZY EVOLUSI PADA PENJADWALAN PERKULIAHAN Herny Wulandari Pangestu. Kartika Yulianti, Rini Marwati Departemen Pendidikan Matematika FPMIPA UPI *Surel: hernyw@ymail.com ABSTRAK.
Lebih terperinciPerancangan Dan Pembuatan Aplikasi Rekomendasi Jadwal Perkuliahan Pada Institut Informatika Indonesia Memanfaatkan Algoritma Genetika
Perancangan Dan Pembuatan Aplikasi Rekomendasi Jadwal Perkuliahan Pada Institut Informatika Indonesia Memanfaatkan Algoritma Genetika Hermawan Andika, S.Kom., M.Kom. Jurusan Teknik Informatika Institut
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 terperinciPENGEMBANGAN APLIKASI PENJADWALAN KULIAH SEMESTER I MENGGUNAKAN ALGORITMA GENETIKA
PENGEMBANGAN APLIKASI PENJADWALAN KULIAH SEMESTER I MENGGUNAKAN ALGORITMA GENETIKA Bagus Priambodo Program Studi Sistem Informasi Fakultas Ilmu Komputer Universitas Mercu Buana e- mail : bagus.priambodo@mercubuana.ac.id
Lebih terperinciBAB 2 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 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 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 terperinciOptimasi Komposisi Pakan Sapi Perah Menggunakan Algoritma Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 1, Januari 2017, hlm. 69-74 http://j-ptiik.ub.ac.id Optimasi Komposisi Pakan Sapi Perah Menggunakan Algoritma Genetika
Lebih terperinciOptimasi Fungsi Keanggotaan Fuzzy Menggunakan Algoritma Genetika Dalam Penentuan Kebutuhan Gizi Bayi MPASI
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 7, Juli 218, hlm. 276-2712 http://j-ptiik.ub.ac.id Optimasi Fungsi Keanggotaan Fuzzy Menggunakan Algoritma Genetika
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 terperinciJurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 9, September 2018, hlm. 2957-2964 http://j-ptiik.ub.ac.id Optimasi Batasan Fungsi Keanggotaan Fuzzy Tsukamoto Menggunakan
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 terperinciOptimasi Persediaan Barang Dalam Produksi Jilbab Menggunakan Algoritma Genetika
Optimasi Persediaan Barang Dalam Produksi Jilbab Menggunakan Algoritma Genetika Maretta Dwi Tika Ramuna 1), Wayan Firdaus Mahmudy 2) Program Studi Informatika / Ilmu Komputer Program Teknologi Informasi
Lebih 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 terperinciImplementasi Sistem Penjadwalan Akademik Fakultas Teknik Universitas Tanjungpura Menggunakan Metode Algoritma Genetika
Jurnal Sistem dan Teknologi Informasi (JUSTIN) Vol. 1, No. 2, (2017) 28 Implementasi Sistem Penjadwalan Akademik Fakultas Teknik Universitas Tanjungpura Menggunakan Metode Algoritma Genetika Andreas Christian
Lebih 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 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 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 terperinciAPLIKASI ALGORITMA GENETIKA DALAM PENENTUAN DOSEN PEMBIMBING SEMINAR HASIL PENELITIAN DAN DOSEN PENGUJI SKRIPSI
Prosiding Seminar Nasional Matematika dan Terapannya 2016 p-issn : 2550-0384; e-issn : 2550-0392 APLIKASI ALGORITMA GENETIKA DALAM PENENTUAN DOSEN PEMBIMBING SEMINAR HASIL PENELITIAN DAN DOSEN PENGUJI
Lebih terperinciOptimasi Asupan Makanan Harian Ibu Hamil Penderita Hipertensi Menggunakan Algoritme Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 9, September 2018, hlm. 2892-2901 http://j-ptiik.ub.ac.id Optimasi Asupan Makanan Harian Ibu Hamil Penderita Hipertensi
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 terperinciOptimasi Penjadwalan Moving Class Menggunakan Algoritma Genetika (Studi Kasus: SMA Negeri 1 Turatea)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 4, Juli 2018, hlm. 1768-1777 http://j-ptiik.ub.ac.id Optimasi Penjadwalan Moving Class Menggunakan Algoritma Genetika
Lebih terperinciOptimasi Fungsi Tanpa Kendala Menggunakan Algoritma Genetika Dengan Kromosom Biner dan Perbaikan Kromosom Hill-Climbing
Optimasi Fungsi Tanpa Kendala Menggunakan Algoritma Genetika Dengan Kromosom Biner dan Perbaikan Kromosom Hill-Climbing Wayan Firdaus Mahmudy, (wayanfm@ub.ac.id) Program Studi Ilmu Komputer, Universitas
Lebih terperinciJurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: -X Vol., No., Maret 0, hlm. - http://j-ptiik.ub.ac.id Optimasi Penjadwalan Asisten Praktikum pada Laboratorium Pembelajaran Menggunakan
Lebih 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 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 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 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 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 terperinciBAB III PEMBAHASAN. menggunakan model Fuzzy Mean Absolute Deviation (FMAD) dan penyelesaian
BAB III PEMBAHASAN Dalam bab ini akan dibahas mengenai pembentukan portofolio optimum menggunakan model Fuzzy Mean Absolute Deviation (FMAD) dan penyelesaian model Fuzzy Mean Absolute Deviation (FMAD)
Lebih terperinciSatrio Agung Wicaksono 1, R. Arief Setiyawan 1, Budi Darma Setiyawan 1, Ari Hernawan 1, Rizal Setya Perdana 1
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol. 1, No. 2, Oktober 214 hlm. 78-82 PENJADWALAN PERKULIAHAN DENGAN PENDEKATAN EVOLUTIONARY ALGORITHM (STUDI KASUS: SISTEM INFORMASI AKADEMIK (SIAKAD)
Lebih terperinciDenny Hermawanto
Algoritma Genetika dan Contoh Aplikasinya Denny Hermawanto d_3_nny@yahoo.com http://dennyhermawanto.webhop.org Lisensi Dokumen: Seluruh dokumen di IlmuKomputer.Com dapat digunakan, dimodifikasi dan disebarkan
Lebih terperinciTAKARIR. algorithm algoritma/ kumpulan perintah untuk menyelesaikan suatu masalah. kesalahan program
TAKARIR advanced tingkat lanjut algorithm algoritma/ kumpulan perintah untuk menyelesaikan suatu masalah alleles nilai suatu gen. bug kesalahan program chromosome kromosom crossover penyilangan kromosom
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 terperinciPenerapan Algoritma Genetika untuk Optimasi Vehicle Routing Problem with Time Window (VRPTW) Studi Kasus Air Minum Kemasan
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 2, Februari 2017, hlm. 100-107 http://j-ptiik.ub.ac.id Penerapan Algoritma Genetika untuk Optimasi Vehicle Routing
Lebih 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 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 terperinciIMPLEMENTASI ALGORITMA GENETIKA PADA PENJADWALAN PERKULIAHAN
IMPLEMENTASI ALGORITMA GENETIKA PADA PENJADWALAN PERKULIAHAN Uning Lestari 2, Naniek Widyastuti 3, Desti Arghina Listyaningrum 1 1,2,3 Teknik Informatika, Fakultas Teknologi Industri, IST AKPRIND Yogyakarta
Lebih terperinciPENERAPAN ALGORITMA GENETIK UNTUK OPTIMASI DENGAN MENGUNAKAN PENYELEKStAN RODA ROULETTE
PENERAPAN ALGORTMA GENETK UNTUK OPTMAS DENGAN MENGUNAKAN PENYELEKStAN RODA ROULETTE Samuel Lukas, M.Tech." Abstract The purpose of this paper is to introducing genetic algorithm. This algorithm is one
Lebih terperinciBAB 3 PERANCANGAN PROGRAM. dari OOP (Object Oriented Programming) di mana dalam prosesnya, hal-hal
BAB 3 PERANCANGAN PROGRAM 3.1 Spesifikasi Rumusan Rancangan Program Algoritma Genetika dirancang dengan mengikuti prinsip-prinsip dan sifatsifat dari OOP (Object Oriented Programming) di mana dalam prosesnya,
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 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 terperinciIMPLEMENTASI ALGORITMA GENETIKA PADA OPTIMASI BIAYA PEMENUHAN KEBUTUHAN GIZI
IMPLEMENTASI ALGORITMA GENETIKA PADA OPTIMASI BIAYA PEMENUHAN KEBUTUHAN GIZI Monica Intan Pratiwi 1, Wayan Fidaus Mahmudy, Candra Dewi Teknik Informatika, Program Teknologi Informasi dan Ilmu Komputer,
Lebih terperinciMODEL PENYELESAIAN JOB SHOP SCHEDULING PROBLEM MENGGUNAKAN METODE LOCAL SEARCH ALGORITHM DENGAN CROSS OVER
MODEL PENYELESAIAN JOB SHOP SCHEDULING PROBLEM MENGGUNAKAN METODE LOCAL SEARCH ALGORITHM DENGAN CROSS OVER Amiluddin Zahri Dosen Universtas Bina Darma Jalan Ahmad Yani No.3 Palembang Sur-el: amiluddin@binadarma.ac.id
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. 10, Oktober 2018, hlm. 4229-4237 http://j-ptiik.ub.ac.id Optimasi Kandungan Gizi Dan Biaya Bahan Pangan Pada Makanan
Lebih terperinciSIMULASI PENGENDALIAN KECEPATAN MOBIL OTOMATIS MENGGUNAKAN LOGIKA FUZZY DAN ALGORITMA GENETIKA
SIMULASI PENGENDALIAN KECEPATAN MOBIL OTOMATIS MENGGUNAKAN LOGIKA FUZZY DAN ALGORITMA GENETIKA Helmy Thendean, M.Kom 1) Albert, S.Kom 2) Dra.Chairisni Lubis, M.Kom 3) 1) Program Studi Teknik Informatika,Universitas
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 terperinciOptimasi Pemodelan Regresi Linier Berganda Pada Prediksi Jumlah Kecelakaan Sepeda Motor Dengan Algoritme Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 5, Mei 2018, hlm. 1932-1939 http://j-ptiik.ub.ac.id Optimasi Pemodelan Regresi Linier Berganda Pada Prediksi Jumlah
Lebih terperinciPenyelesaian Penjadwalan Flexible Job Shop Problem dengan menggunakan Real Coded Genetic Algorithm
Penyelesaian Penjadwalan Flexible Job Shop Problem dengan menggunakan Real Coded Genetic Algorithm M. C. C. Utomo 1, Wayan Firdaus Mahmudy 2, Marji Program Teknologi Informasi dan Ilmu Komputer, Universitas
Lebih 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 terperinciPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
SISTEM PENJADWALAN KARYAWAN PARUH WAKTU DENGAN ALGORITMA GENETIKA (Studi Kasus : Kedai 24 Jam) SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer (S.Kom) Program Studi
Lebih terperinciAnalisis Aplikasi Algoritma Genetika Untuk Pencarian Nilai Fungsi Maksimum Djunaedi Kosasih 1) Rinaldo 2)
Analisis Aplikasi Algoritma Genetika Untuk Pencarian Nilai Fungsi Maksimum Djunaedi Kosasih 1) Rinaldo 2) Abstrak Algoritma genetika yang pertama kali diperkenalkan secara terpisah oleh Holland dan De
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 terperinciBAB II LANDASAN TEORI
27 BAB II LANDASAN TEORI 2.1. Penelitian Terkait Penelitian terkait yang menggunakan algoritma genetika untuk menemukan solusi dalam menyelesaikan permasalahan penjadwalan kuliah telah banyak dilakukan.
Lebih terperinci