PENYELESAIAN PERMASALAHAN TRAVELLING SALESMAN PROBLEM MENGGUNAKAN ALGORITMA DIFFERENTIAL EVOLUTION
|
|
- Devi Dharmawijaya
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PENYELESAIAN PERMASALAHAN TRAVELLING SALESMAN PROBLEM MENGGUNAKAN ALGORITMA DIFFERENTIAL EVOLUTION Heri Awalul Ilhamsah Jurusan Teknik Industri Universitas Trunojoyo ABSTRAK Penelitian ini membahas penyelesaian permasalahan Travelling Salesman Problem (TSP) menggunakan algoritma Differential Evolution (DE). Karakteristik persoalan TSP yang digunakan adalah persoalan TSP simetris, sehingga jarak antara dua titik adalah sama, tidak terpengaruh oleh arahnya. Untuk meningkatkan performansi algoritma DE dalam menemukan solusi optimal, maka digunakan algoritma nearest neigbour. Data test yang digunakan untuk menguji kemampuan algoritma menggunakan data test dengan kode gr48, eil51, kroa100, pcb44 dan pa561. Hasil penelitian ini mengkonfirmasikan, untuk mendapatkan hasil optimal dari algoritma DE dalam menyelesaikan persoalan TSP perlu di kombinasikan dengan algoritma heuristik lainnya. Kata kunci : Travelling Salesman Problem, Algoritma Differential Evolution, Algoritma Nearest Neighbour. ABSTRACT This study discusses the problem solving Traveling Salesman Problem (TSP) using the algorithm Differential Evolution (DE). Characteristics of TSP problem used is a symmetric TSP problem, so the distance between two points is the same, is not affected by the direction. To increase the performance of DE algorithm in finding the optimal solution, used the nearest neigbour algorithm. The data test are used to measure the ability of the algorithm. Using data test with the code gr48, eil51, kroa100, pcb44 and pa561. The results of this study confirm, in order to obtain optimum results from the DE algorithm to solve TSP problems need to be combined with other heuristic algorithms. Keywords : Travelling Salesman Problem, Differential Evolution Algorithm, Nearest Neighbour Algorithm. PENDAHULUAN Travelling Salesman Problem (TSP) merupakan salah satu contoh persoalan kombinatorial, dimana ada sejumlah N kota yang harus dikunjungi satu kali. Tingkat kerumitan akan semakin meningkat seiring dengan bertambahnya kota yang harus di kunjungi. Penentuan rute kota yang harus dikunjungi didasarkan atas jarak terpendek diantara koordinat kota yang harus dikunjungi. Penyelesaian secara eksak persoalan TSP masih mungkin dilakukan jika jumlah kota yang harus dikunjungi berjumlah kurang dari 9 kota, jika jumlah kota yang harus dikunjungi lebih dari 9 kota maka metode eksak akan kesulitan untuk menghitungnya. Kombinasi jalur rute dengan melewati semua kota yang ada bisa di A-3-1
2 deteksi dengan (N-1)!. Kemudian jalur rute terpendek bisa di tentukan dengan eliminasi jalurjalur rute terbentuk dengan nilai jarak yang tidak sesuai dengan harapan. Penelitian permasalahan TSP telah banyak dilakukan para peneliti antara lain oleh Yu- Hsin Liu (2007), menggunakan hybrid scatter untuk pencarian jalur rute terpendeknya. Dalam penelitian tersebut Liu menggabungkan nearest neighbour dengan teknik crossover sebagai salah satu cara menemukan kombinasi kota yang mampu memberikan jarak terpendek. Yannis dan Magdelene (2010) menggunakan hybrid multi particle swarm optimization algorithm untuk menemukan kombinasi kota yang mampu memberikan jarak terpendek. Teknik pencarian solusinya menggabungkan teknik metaheuristik particle swarm optimization (PSO) dengan algoritma greedy. Hasil penelitian tersebut menunjukkan penambahan prosedur algoritma greedy mampu meningkatkan kinerja algoritma (PSO). Penggunaan teknik heuristik dimaksudkan untuk mendapatkan hasil yang secara komputasi lebih cepat dengan konsekuensi mengurangi kepresisian atau keakuratan hasil solusi tadi. Jadi kecepatan penghitungan biasanya lebih baik (dibandingkan optimasi eksak) dengan sedikit mengorbankan akurasi solusi yang didapatkan. Pendekatan heuristik ini sifatnya spesifik sehingga untuk persoalan tertentu diperlukan teknik heuristik lainnya. Salah satu bentuk pengembangan dari teknik heuristik adalah metaheuristik, yaitu bentuk pencarian solusi yang memadukan prosedur pencarian dengan strategi tertentu agar dapat keluar dari solusi yang sifatnya lokal optima sehingga dihasilkan solusi yang sifatnya global optima. Metaheuristik biasanya berupa prosedur umum yang bisa diterapkan untuk berbagai problem. Tentu saja diperlukan berbagai modifikasi agar suatu metoda metaheuristik sesuai dapat menyelesaikan masalah khusus yang dihadapi. Selain itu, dalam metaheuristik ada prosedur yang memanfaatkan satu atau lebih titik-titik tetangga (neighborhood s tructures) sebagai acuan menuju solusi lain. Di dalam metaheuristik biasanya ada heuristik di dalamnya. Dalam Penelitian ini akan mencoba mengaplikasikan teknik nearest neighbour yang dipadukan teknik metaheuristik differensial evolution untuk menyelesaikan permasalahan Travelling Salesman Problem. METODOLOGI Differential evolution (DE) merupakan salah satu metode optimasi evolusioner terbaru yang diperkenalkan oleh Storn dan Price (1995). Seperti halnya dengan algoritma tipe evolusioner lainnya, differential evolution merupakan algoritma yang didasarkan pada populasi dan stochastic global optimizer. Dalam algoritma (DE) kandidat solusi direpresentasikan oleh kromosom yang didasarkan pada floating-point numbers. awal dinamakan populasi target ( target solution). Proses mutasi dilakukan dengan cara memilih tiga anggota populasi awal secara acak, kemudian memberikan bobot pada perbedaan dua anggota populasi, untuk ditambahkan pada anggota populasi yang ketiga. Kemudian dilanjutkan proses crossover, operator crossover akan mengkombinasikan solusi hasil mutasi dengan solusi target (target solution). Hasil dari proses crossover dinamakan solusi percobaan (trial solution). Setelah itu dilakukan seleksi antara target solution dengan trial solution dengan membandingkan fitness function value nya. Solusi yang memiliki fitness function value yang lebih baik akan bertahan untuk generasi berikutnya (Babu, dkk, 2003). Prosedur dalam algoritma differential evolution adalah sebagai berikut: Tahap Pembangkitan Inisial Solusi dengan Fungsi Random Tahap pembangkitan solusi dengan fungsi random dijalankan dengan membangkitkan bilangan random antara 1-0. Bilangan random dibangkitkan dengan fungsi rand, dimana bilangan yang dihasilkan terletak antara (0, 1). Angka 0 menunjukkan batas bawah dari A-3-2
3 bilangan random yang dihasilkan sedangkan angka 1 menunjukkan batas atasnya. Indeks j menunjukkan variabel ke j. Dalam kasus minimasi fungsi dengan 2 variabel, maka j akan bernilai 1 dan 2. Penentuan batas atas dan batas bawah sangat tergantung pada permasalahan yang dihadapi. Jika nilai yang dicari sulit ditentukan posisinya, maka rentang batas atas dan batas bawah bisa dibuat lebih lebar, atau sebaliknya jika titik-titik calon solusi sudah bisa di duga maka batas atas dan batas bawah bisa dipersempit. Xj(0,1) = lbj + randj (0, 1)(ubj lbj ) Mutasi Setelah tahapan inisialisasi, DE akan memutasi dan mengkombinasi populasi awal untuk menghasilkan populasi dengan ukuran N vektor percobaan. Dalam DE, mutasi dilakukan dengan cara menambahkan perbedaan dua vektor terhadap vektor ketiga dengan cara random. vi,g = xr0,g + F.(xr1,g xr2,g) Faktor skala, F Є (0, 1+) adalah bilangan real positif yang mengendalikan tingkat pertumbuhan populasi. Crossover Pada tahap ini DE menyilangkan setiap vektor, xi,g, dengan vektor mutan, vi,g, untuk membentuk vektor hasil persilangan, ui,g. u i, g Probabilitas crosover, Cr Є (0,1) adalah nilai yang didefinisikan untuk mengendalikan fraksi nilai parameter yang disalin dari mutan. Selection Jika trial vector, ui,g, mempunya fungsi tujuan lebih kecil dari fungsi tujuan vektor targetnya, xi,g, maka ui,g akan menggantikan posisi xi,g dalam populasi pada generasi berikutnya. Sebaliknya target akan tetap pada posisinya dalam populasi. x u i, g 1 j, i, g v j, i, g x j, i, u i, g x i, g g if ( rand if ( f ( u i, g ) sebaliknya j (0,1) Cr, sebaliknya f ( x i, g or ) j j Proses akan diulang sampai stopping criterion tertentu dicapai. Berikut disajikan alur algoritma differential evolution. rand ) A-3-3
4 Start A B Pembangkitan inisial solusi dengan nearest neighbour dan fungsi random Lakukan cross over dari individu hasil mutasi Urutkan solusi berdasarkan fungsi objektif yaitu total jarak Bentuk rangking berdasarkan total jarak masing-masing solusi Lakukan mutasi solusi berdasarkan syarat : vi,g = xr0,g + F.(xr1,g xr2,g) baru terkumpul Stopping Criteria terpenuhi Ambil solusi terbaik sebagai hasil akhir Finish Ya Tidak A B Penerapan differensial evolution untuk menemukan solusi pada persoalan TSP dapat dijelaskan sebagai berikut : 1. Misalnya ada 10 kota dengan koordinat sebagai berikut : Tabel 1. Koordinat kota Kota Koordinat X Koordinat Y Menghitung jarak masing-masing kota dengan kota lainnya menggunakan eucledian distance, dirumuskan sebagai berikut : A-3-4
5 3. Tentukan jumlah populasi, misal 5 populasi dengan crossover rate (Cr) = 0.5 F = 0.6, dengan batas bawah = 0 dan batas atas = 1 4. Bangkitkan bilangan random sebanyak populasi, dengan jumlah individu pada masingmasing populasi sebanyak 9 kota (kota 1 sebagai awal dan akhir rute) sesuai dengan jumlah kota yang ada. Tabel 2. Bilangan random untuk masing-masing kota Urutkan bilangan random pada masing-masing individu dari nilai terkecil ke nilai terbesar dihasilkan sebagai berikut : Tabel 3. Urutan bilangan random untuk masing-masing kota Penentuan individu populasi berdasarkan indeks awal setelah bilangan random diurutkan (Tasgestiren, 2007). Tabel 4. Kombinasi kota/populasi berdasarkan urutan bilangan random Indeks Kota Dengan menambah 1 pada masing-masing indeks kota didapatkan kombinasi individu pada populasi sebagai berikut : Tabel 5. Kombinasi kota setelah menambahkan kota asal Kota Nilai fitness populasi adalah sebagai berikut : 1 = A-3-5
6 2 = = = = (Nilai jarak terendah) 6. Lakukan proses mutasi untuk mendapatkan vektor ketiga : Tabel 6. Nilai vektor hasil mutasi Urutkan bilangan random hasil mutasi pada masing-masing individu dari nilai terkecil ke nilai terbesar dihasilkan sebagai berikut : Tabel 7. Bilangan random masing-masing kota setelah proses mutasi Penentuan individu populasi hasil mutasi berdasarkan indeks awal setelah bilangan random diurutkan. Tabel 8. Kombinasi kota hasil mutasi Indeks Kota Dengan menambah 1 pada masing masing indek kota didapatkan kombinasi individu pada populasi hasil mutasi sebagai berikut : Tabel 9. Kombinasi kota lengkap hasil proses mutasi Kota Nilai fitness populasi hasil mutasi adalah sebagai berikut : 1 = = A-3-6
7 3 = (Nilai fitnes terkecil) 4 = = Lakukan proses crossover dengan membangkitkan bilangan random sebanyak populasi. Jika bilangan random yang didapatkan suatu populasi kurang dari nilai Cr maka anggota populasi tersebut merupakan hasil mutasi, jika bilangan random yang di dapatkan lebih besar Cr maka anggota populasi tersebut merupakan hasil populasi pembangkitan pertama. Bilangan random populasi 1 = Bilangan random populasi 2 = Bilangan random populasi 3 = Bilangan random populasi 4 = Bilangan random populasi 5 = Dihasilkan Tabel 10. Bilangan random masing-masing kota hasil proses crossover Urutkan bilangan random hasil crossover pada masing-masing individu dari nilai terkecil ke nilai terbesar dihasilkan sebagai berikut : Tabel 11. Urutan bilangan random hasil crossover Penentuan individu populasi hasil mutasi berdasarkan indeks awal setelah bilangan random diurutkan. Tabel 12. Kombinasi hasil proses crossover Indek Kota Dengan menambah 1 pada masing masing indek kota didapatkan kombinasi individu pada populasi hasil crossover sebagai berikut : Tabel 13. Kombinasi kota lengkap hasil proses crossover A-3-7
8 Kota Nilai jarak untuk kombinasi kota diatas adalah sebagai berikut : 2 = = = = = Pilih nilai fitness terendah dari masing-masing proses tadi didapat hasil yang berasal dari populasi pembangkitan solusi sebelum proses mutasi dan crossover. Didapatkan kombinasi rute sebagai berikut : Cek hasil yang di dapat jika hasilnya masih dibawah dari kriteria yang harus dipenuhi (best known solusi) kembali ke proses pembangkitan bilangan random untuk menyusun formasi rute baru, jika sudah selesai, stop. HASIL DAN DISKUSI Algoritma yang diusulkan akan diujicobakan pada data test TSP yang dapat dilihat di TSP library. Selanjutnya, solusi yang didapatkan dari perhitungan algoritma akan dibandingkan dengan best known solusi yang pernah didapatkan. Gap solusi dihitung dengan menggunakan rumus dibawah: = 100% Data test yang digunakan terdiri dari gr48 terdiri dari 48 titik, eil51 terdiri dari 51 titik, kroa100 terdiri dari 100 titik dan pa561 terdiri dari 561 titik. Hasil running algoritma differential evolution dengan parameter fraksi mutasi (Fr) = 0.8 dan fraksi crossover sebesar (Cr) = 0.3 dihasilkan nilai solusi sebagai berikut : A-3-8
9 Kasus Jumlah Titik Best Known Solution Solusi oleh Improve DE dengan Nearest Neighbour Gap Solusi Improve DE dengan Nearest Neighbour Solusi oleh DE Gap Solusi DE dengan Best Known gr % % eil % % kroa % % pcb % % pa % % Hasil running algoritma differential evolution yang di gabung dengan nearest neigbour diatas menunjukkan kinerja mampu bersaing dengan algoritma-algoritma lain dalam menemukan solusi sesuai dengan data test yang digunakan. Inisial parameter yang digunakan dengan menggunakan nilai F sebesar 0.8 dengan fraksi crossover sebesar 0.4. Pada jumlah titik dibawah 100 algoritma ini mampu menunjukkan kinerja yang memuaskan, namum pada jumlah titik sebanyak 561 di dapatkan gap solusi sebesar 7.23%. Gap tersebut relatif lebih rendah bila dibandingkan hasil solusi dari algoritma DE tanpa menggunakan algoritma nearest nighbour, dengan algoritma DE didapatkan gap sebesar 21.72%. KESIMPULAN DAN SARAN Dari hasil dan diskusi penyelesaian TSP dengan algoritma DE maka dapat diambil kesimpulan, untuk meningkatkan kinerja algoritma DE dalam menemukan solusi persoalan TSP perlu di gunakan algoritma heuristik lainnya, dalam penelitian ini diusulkan penggunaan algoritma nearest neighbour sebagai salah satu pembangkit inisial solusinya. Untuk penelitian selanjutnya bisa digunakan algoritma pembangkitan inisial lainnya misalnya digunakan tabu search. DAFTAR PUSTAKA Liu. Y.H. (2007) A Hybrid Scatter Search for the Probabilistic Travelling Salesman Problem. International Journal of Computer & Operation Research (34), Chao D., Cheng Y., He M. (2007) Two-Level Genetic Algorithm for Clustered Traveling Salesman Problem with Application in Large-Scale TSP Journal Of Tsinghua Science and Technology. ISSN /20 pp Volume 12, Number 4. Babu, B.,V., Mathew M., Jehan, Lenus, Differential Evolution for Multi-Objective Optimization, India, Stron, R., Price, K. (1997). Differential Evolution a Simple and Efficient Heuristic for Global Optimization over Continuous Space. Journal of Global Optimization (11), TSP Library : di akses tanggal 2 Desember 2011 A-3-9
10 Tvrdik, J. (2006). Differential Evolution: Competitive Setting of Control Parameters. Proceedings of the International Multi Conference on Computer Science and Information Technology. ISSN pp A-3-10
PENGEMBANGAN ALGORITMA DIFFERENTIAL EVOLUTION UNTUK PENJADWALAN FLOW SHOP MULTI OBYEKTIF DENGAN BANYAK MESIN ABSTRAK
PENGEMBANGAN ALGORITMA DIFFERENTIAL EVOLUTION UNTUK PENJADWALAN FLOW SHOP MULTI OBYEKTIF DENGAN BANYAK MESIN Rudi Nurdiansyah Jurusan Teknik Industri, Fakultas Teknologi Industri, Institut Teknologi Sepuluh
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 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 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 terperinciKOMBINASI ALGORITMA DIFFERENTIAL EVOLUTION DENGAN ITERATED GREEDY UNTUK PERMASALAHAN TRAVELING SALESMAN PROBLEM (TSP)
KOMBINASI ALGORITMA DIFFERENTIAL EVOLUTION DENGAN ITERATED GREEDY UNTUK PERMASALAHAN TRAVELING SALESMAN PROBLEM (TSP) Ong Andre Wahju Riyanto * ABSTRAKSI Penelitian ini ditujukan untuk memperbaiki kelemahan
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 I PENDAHULUAN. wisata budaya, wisata belanja, hingga wisata Alam. Untuk menarik minat
BAB I PENDAHULUAN A. Latar Belakang Masalah Objek pariwisata di Yogyakarta sudah semakin beragam mulai dari wisata budaya, wisata belanja, hingga wisata Alam. Untuk menarik minat wisatawan dapat dibuat
Lebih 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 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 terperinciPENGGUNAAN METODE CODEQ UNTUK MENYELESAIKAN PERMASALAHAN CAPACITATED VEHICLE ROUTING PROBLEM
PENGGUNAAN METODE CODEQ UNTUK MENYELESAIKAN PERMASALAHAN CAPACITATED VEHICLE ROUTING PROBLEM Dosen Pembimbing: Ir. Budi Santosa, M.Sc., Ph.D Y Giri N (2503 100 061) Latar Belakang Metode CODEQ merupakan
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 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 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 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 terperinciDosen Pembimbing : Ir. Budi Santosa, M.S., Ph.D Oleh : Sas Wahid Hamzah
Artificial Immune System untuk Penyelesaian Vehicle Routing Problem with Time Windows Dosen Pembimbing : Ir. Budi Santosa, M.S., Ph.D Oleh : Sas Wahid Hamzah 2507100054 Pendahuluan Pendahuluan Fungsi Objektif
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 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 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 terperinciPENERAPAN ALGORITMA GENETIKA PADA PERSOALAN PEDAGANG KELILING (TSP)
Abstrak PENERAPAN ALGORITMA GENETIKA PADA PERSOALAN PEDAGANG KELILING (TSP) Aulia Fitrah 1, Achmad Zaky 2, Fitrasani 3 Program Studi Informatika, Sekolah Teknik Elektro dan Informatika, Institut Teknologi
Lebih 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 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 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 terperinciProsiding Seminar Nasional Manajemen Teknologi XIV Program Studi MMT-ITS, Surabaya 23 Juli 2011
PENGEMBANGAN ALGORITMA DIFFERENTIAL EVOLUTION UNTUK PENYELESAIAN PERMASALAHAN VEHICLE ROUTING PROBLEM SIMULTANEOUS DELIVERIES PICK-UP WITH TIME WINDOWS (VRPSDPTW) Heri Awalul, Budi Santosa, Stefanus Eko
Lebih terperinciALGORITMA OPTIMASI UNTUK PENYELESAIAN TRAVELLING SALESMAN PROBLEM (Optimization Algorithm for Solving Travelling Salesman Problem)
ALGORITMA OPTIMASI UNTUK PENYELESAIAN TRAVELLING SALESMAN PROBLEM (Optimization Algorithm for Solving Travelling Salesman Problem) Dian Tri Wiyanti Program Studi Teknik Informatika, Jurusan Teknologi Informasi
Lebih 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 terperinciAlgoritma Evolusi Dasar-Dasar Algoritma Genetika
Algoritma Evolusi Dasar-Dasar Algoritma Genetika Imam Cholissodin imam.cholissodin@gmail.com Pokok Bahasan 1. Pengantar 2. Struktur Algoritma Genetika 3. Studi Kasus: Maksimasi Fungsi Sederhana 4. Studi
Lebih terperinciBAB 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 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 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 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 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 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 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 terperinciBAB I PENDAHULUAN. lebih efektif dan efisien karena akan melewati rute yang minimal jaraknya,
BAB I PENDAHULUAN A. Latar Belakang Distribusi merupakan proses penyaluran produk dari produsen sampai ke tangan masyarakat atau konsumen. Kemudahan konsumen dalam mendapatkan produk yang diinginkan menjadi
Lebih terperinciBAB 1 PENDAHULUAN. Pengiriman barang dari pabrik ke agen atau pelanggan, yang tersebar di berbagai
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Pengiriman barang dari pabrik ke agen atau pelanggan, yang tersebar di berbagai tempat, sering menjadi masalah dalam dunia industri sehari-hari. Alokasi produk
Lebih terperinciZbigniew M., Genetic Alg. + Data Structures = Evolution Program, Springler-verlag.
Zbigniew M., Genetic Alg. + Data Structures = Evolution Program, Springler-verlag. 12/11/2009 1 Ditemukan oleh Holland pada tahun 1975. Didasari oleh fenomena evolusi darwin. 4 kondisi yg mempengaruhi
Lebih 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 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 terperinciOPTIMALISASI SOLUSI TERBAIK DENGAN PENERAPAN NON-DOMINATED SORTING II ALGORITHM
OPTIMALISASI SOLUSI TERBAIK DENGAN PENERAPAN NON-DOMINATED SORTING II ALGORITHM Poetri Lestari Lokapitasari Belluano poe3.setiawan@gmail.com Universitas Muslim Indonesia Abstrak Non Dominated Sorting pada
Lebih terperinci2 TINJAUAN PUSTAKA. 2.1 Peringkasan Teks
4 2 TINJAUAN PUSTAKA 2.1 Peringkasan Teks Peringkasan teks adalah proses pemampatan teks sumber ke dalam versi lebih pendek namun tetap mempertahankan informasi yang terkandung didalamnya (Barzilay & Elhadad
Lebih terperinciPENENTUAN JALUR TERPENDEK PADA APLIKASI OJEK ONLINE GO-JEK DENGAN PROBABILISTIC NEURAL NETWORK (PNN) DAN PARTICLE SWARM OPTIMIZATION (PSO)
PENENTUAN JALUR TERPENDEK PADA APLIKASI OJEK ONLINE GO-JEK DENGAN PROBABILISTIC NEURAL NETWORK (PNN) DAN PARTICLE SWARM OPTIMIZATION (PSO) Levina Fitri Rahmawati, Isnandar Slamet, dan Diari Indriati Program
Lebih terperinciPRESENTASI TUGAS AKHIR KI091391
PRESENTASI TUGAS AKHIR KI091391 PENDEKATAN CROSSOVER TERBARU UNTUK MENYELESAIKAN MULTIPLE TRAVELLING SALESMEN PROBLEM MENGGUNAKAN ALGORITMA GENETIKA (Kata kunci: multiple salemen problem, algoritma genetika,
Lebih terperinciAnalisis Komparasi Genetic Algorithm dan Firefly Algorithm pada Permasalahan Bin Packing Problem
Analisis Komparasi Genetic Algorithm dan Firefly Algorithm pada Permasalahan Bin Packing Problem Adidtya Perdana Sekolah Tinggi Teknik Harapan Medan Jl. H.M. Jhoni No. 70 C Medan adid.dana@gmail.com Abstrak
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 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 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 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 terperinciPRESENTASI TUGAS AKHIR
PRESENTASI TUGAS AKHIR Travelling Salesman Problem menggunakan Algoritma Genetika Via GPS berbasis Android (kata kunci : android,gps,google Maps, Algoritma Genetika, TSP) Penyusun Tugas Akhir : Azmi Baharudin
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
5 BAB 2 TINJAUAN PUSTAKA 2.1. Algoritma Genetika Pada tahun 1975, John Holland, di dalam bukunya yang berjudul Adaption in Natural and Artificial Systems, mengemukakan komputasi berbasis evolusi. Tujuannya
Lebih terperinciBAB II KAJIAN TEORI 2.1 Kajian Penelitian Sebelumnya
5 BAB II KAJIAN TEORI 2.1 Kajian Penelitian Sebelumnya Traveling salesman problem (TSP) merupakan salah satu permasalahan yang telah sering diangkat dalam berbagai studi kasus dengan penerapan berbagai
Lebih 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 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 terperinciPENJADWALAN TRUK PADA SISTEM CROSS DOCKING DENGAN PENYIMPANAN SEMENTARA DENGAN ALGORITMA HYBRID CROSS ENTROPY GENETIC ALGORITHM
PENJADWALAN TRUK PADA SISTEM CROSS DOCKING DENGAN PENYIMPANAN SEMENTARA DENGAN ALGORITMA HYBRID CROSS ENTROPY GENETIC ALGORITHM PENELITI : Pristi Dwi Puspitasari 2507 100 003 DOSEN PEMBIMBING : Ir. Budi
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 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 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 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 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 terperinciIMPLEMENTASI ALGORITMA GENETIKA UNTUK MENYELESAIKAN TRAVELLING SALESMAN PROBLEM
Info Artikel UJM 2 (2) (2013) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm IMPLEMENTASI ALGORITMA GENETIKA UNTUK MENYELESAIKAN TRAVELLING SALESMAN PROBLEM Firar Anitya Sari,
Lebih terperinciPenentuan Rute Belanja dengan TSP dan Algoritma Greedy
Penentuan Rute Belanja dengan TSP dan Algoritma Greedy Megariza 13507076 1 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jl. Ganesha 10 Bandung 40132,
Lebih terperinciPenyelesaian Masalah Symmetric Traveling Salesman Problem Dengan Jaringan Saraf Continuous Hopfield Net
Penyelesaian Masalah Symmetric Traveling Salesman Problem Dengan Jaringan Saraf Continuous Hopfield Net Apul Prima S, Sri Suwarno, R. Gunawan Santosa Fakultas Teknologi Informasi, Program Studi Teknik
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. 5, Mei 2018, hlm. 2000-2006 http://j-ptiik.ub.ac.id Penyelesaian Multiple Travelling Salesman Problem (M-TSP) Dengan
Lebih terperinciOPTIMASI GENETIC ALGORITHM DENGAN SIMULATED ANNEALING UNTUK MULTIPLE DEPOT CAPACITATED VEHICLE ROUTING PROBLEM
OPTIMASI GENETIC ALGORITHM DENGAN SIMULATED ANNEALING UNTUK MULTIPLE DEPOT CAPACITATED VEHICLE ROUTING PROBLEM Aditya Permana 1, Mahmud Dwi Sulistiyo 2, Gia Septiana Wulandari 3 1,2,3 Prodi S1 Teknik Informatika,
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 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 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 terperinciImplementasi Metode Pairwise Comparison pada Uji Kinerja Varian Metode Kecerdasan Buatan pada Penyelesaian Masalah TSP
JURNAL TEKNIK POMITS Vol. 2, No. 1, (201) ISSN: 2337-3539 (2301-9271 Print) 1 Implementasi Metode Pairwise Comparison pada Uji Kinerja Varian Metode Kecerdasan Buatan pada Penyelesaian Masalah TSP Muhammad
Lebih terperinciKONSEP ALGORITMA GENETIK BINER UNTUK OPTIMASI PERENCANAAN JADWAL KEGIATAN PERKULIAHAN
Jurnal Teknik dan Ilmu Komputer KONSEP ALGORITMA GENETIK BINER UNTUK OPTIMASI PERENCANAAN JADWAL KEGIATAN PERKULIAHAN (Binary Genetic Algorithm Concept to Optimize Course Timetabling) Iwan Aang Soenandi
Lebih terperinciANALISIS PERFORMANCE ATAS METODE ARITHMETIC CROSSOVER DALAM ALGORITMA GENETIKA TESIS ERIANTO ONGKO
1 ANALISIS PERFORMANCE ATAS METODE ARITHMETIC CROSSOVER DALAM ALGORITMA GENETIKA TESIS ERIANTO ONGKO 127038063 PROGRAM STUDI S2 TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS
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 terperinciPENGEMBANGAN ALGORITMA HYBRID CROSS ENTROPY- TABU SEARCH UNTUK PENYELESAIAN TRAVELLING REPAIRMAN PROBLEM
PENGEMBANGAN ALGORITMA HYBRID CROSS ENTROPY- TABU SEARCH UNTUK PENYELESAIAN TRAVELLING REPAIRMAN PROBLEM Pembimbing : Ir. Budi Santosa, M.S., Ph.D NIP. 196905121994021001 LOGO Peneliti : Muchammad Aminuddin
Lebih terperinciBAB 6 KESIMPULAN DAN SARAN
BAB 6 KESIMPULAN DAN SARAN 6.1. Kesimpulan Berdasarkan hasil penelitian dan analisis data yang telah dilakukan, maka penulis dapat mengambil kesimpulan sebagai berikut : a. Representasi kromosom yang digunakan
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 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 terperinciT I N J A U A N P U S T A K A Algoritma Genetika [5]
Algoritma Genetika [5] Fitness adalah nilai yang menyatakan baik-tidaknya suatu jalur penyelesaian dalam permasalahan TSP,sehingga dijadikan nilai acuan dalam mencari jalur penyelesaian optimal dalam algoritma
Lebih terperinciPendekatan Algoritma Genetika pada Peminimalan Fungsi Ackley menggunakan Representasi Biner
Vol. 7, 2, 108-117, Januari 2011 Pendekatan Algoritma Genetika pada Peminimalan Fungsi Ackley menggunakan Representasi Biner Jusmawati Massalesse Abstrak Tulisan ini dimaksudkan untuk memperlihatkan proses
Lebih terperinciOPTIMASI METODE RABNET PADA PENYELESAIAN TRAVELLING SALESMAN PROBLEM
OPTIMASI METODE RABNET PADA PENYELESAIAN TRAVELLING SALESMAN PROBLEM Radhifan Prastiama 1, Yudhi Purwananto 2, Rully Soelaiman 3 Teknik Informatika, Fakultas Teknologi Informasi, ITS email : ipangprastiama@gmail.com
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 terperinciPENJADWALAN OPERASIONAL PEMBANGKIT BERBASIS ALGORITMA GENETIK PADA SISTEM PEMBANGKIT SUMATERA BAGIAN TENGAH
Penjadwalan Operasional Pembangkit Berbasis Algoritma Genetik (Dwi Ana dkk) PENJADWALAN OPERASIONAL PEMBANGKIT BERBASIS ALGORITMA GENETIK PADA SISTEM PEMBANGKIT SUMATERA BAGIAN TENGAH Rahmanul Ikhsan 1,
Lebih terperinciPENYELESAIAN PERMASALAHAN MULTI-OBJECTIVE HYBRID FLOW SHOP SCHEDULING DENGAN ALGORITMA MODIFIED PARTICLE SWARM OPTIMIZATION
PENYELESAIAN PERMASALAHAN MULTI-OBJECTIVE HYBRID FLOW SHOP SCHEDULING DENGAN ALGORITMA MODIFIED PARTICLE SWARM OPTIMIZATION Fiqihesa Putamawa 1), Budi Santosa 2) dan Nurhadi Siswanto 3) 1) Program Pascasarjana
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM 3.1 Analisis Permasalahan TSP merupakan suatu masalah klasik yang telah ada sejak tahun 1800-an, sejauh ini telah cukup banyak metode yang diciptakan untuk menyelesaikan
Lebih terperinciMODIFIKASI ALGORITMA SYMBIOTIC ORGANISMS SEARCH UNTUK TRAVELING SALESMAN PROBLEM
MODIFIKASI ALGORITMA SYMBIOTIC ORGANISMS SEARCH UNTUK TRAVELING SALESMAN PROBLEM Muhammad Isnaini Hadiyul Umam 1), Budi Santosa 2), dan Nurhadi Siswanto 3) 1) Program Magister Teknik Industri, Institut
Lebih terperinciPerformansi Algoritma CODEQ dalam Penyelesaian Vehicle Routing Problem
Jurnal Teknik Industri, Vol. 16, No. 1, Juni 2014, 51-56 ISSN 1411-2485 print / ISSN 2087-7439 online DOI: 10.9744/jti.16.1.51-56 Performansi Algoritma CODEQ dalam Penyelesaian Vehicle Routing Problem
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 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 terperinciBAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI
BAB TINJAUAN PUSTAKA DAN DASAR TEORI.1. Penelitian Terdahulu Archetti et al. (009) menggunakan sebuah metode eksak yaitu branch-and-price scheme dan dua metode metaheuristics yaitu algoritma Variable Neighborhood
Lebih terperinciFUNGSI GRIEWANK DAN PENENTUAN NILAI OPTIMUMNYA MENGGUNAKAN ALGORITMA STROBERI. Tri Nadiani Solihah
Prosiding Seminar Nasional Matematika dan Terapannya 2016 p-issn : 2550-0384; e-issn : 2550-0392 FUNGSI GRIEWANK DAN PENENTUAN NILAI OPTIMUMNYA MENGGUNAKAN ALGORITMA STROBERI Tri Nadiani Solihah trinadianisolihah@gmail.com
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 terperinciBAB I PENDAHULUAN. jumlah ketersediaan yang semakin menipis dan semakin mahal, membuat biaya
BAB I PENDAHULUAN 1.1 Latar Belakang Pembangkit Listrik di Indonesia pada umumnya merupakan pembangkit listrik thermal. Kebutuhan pembangkit thermal terhadap bahan bakar fosil dengan jumlah ketersediaan
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 terperinciALGORITMA GENETIK UNTUK MENYELESAIKAN MASALAH OPTIMASI FUNGSI BERKENDALA DENGAN PENGKODEAN BILANGAN BULAT
ALGORITMA GENETIK UNTUK MENYELESAIKAN MASALAH OPTIMASI FUNGSI BERKENDALA DENGAN PENGKODEAN BILANGAN BULAT Oleh : Yuliani Indrianingsih Jurusan Teknik Informatika Sekolah Tinggi Teknologi Adisutjipto (STTA)
Lebih terperinciModul Matakuliah Algoritma Evolusi oleh
Modul Matakuliah Algoritma Evolusi oleh Wayan Firdaus Mahmudy Program Teknologi Informasi dan Ilmu Komputer (PTIIK) Universitas Brawijaya September 2013 Kata Pengantar Buku ini disusun untuk mengisi kelangkaan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Pembentukan kelas belajar merupakan kegiatan rutin yang dilakukan oleh setiap sekolah pada setiap tahun ajaran baru. Pembentukan kelas biasanya dilakukan dengan membagi
Lebih terperinciPenerapan Algoritma Differential Evolution untuk Penyelesaian Permasalahan Vehicle Routing Problem with Delivery and Pick-up
JURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: 2301-9271 A-391 Penerapan Algoritma Differential Evolution untuk Penyelesaian Permasalahan Vehicle Routing Problem with Delivery and Pick-up Ika Ayu Fajarwati
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 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 terperinciProsiding Seminar Nasional Manajemen Teknologi XX Program Studi MMT-ITS, Surabaya 1 Februari 2014
PENGEMBANGAN ALGORITMA DIFFERENTIAL EVOLUTION (DE) UNTUK MENYELESAIKAN PERMASALAHAN TATA LETAK FASILITAS DENGAN LUAS AREA BERBEDA (UNEQUAL AREA FACILITY LAYOUT PROBLEM) M. Bisyrul Jawwad 1), Budi Santosa
Lebih terperinciPENERAPAN ALGORITMA CUCKOO SEARCH PADA TRAVELLING SALESMAN PROBLEM
Seminar Nasional Sistem Informasi Indonesia, 2-4 Desember 2013 PENERAPAN ALGORITMA CUCKOO SEARCH PADA TRAVELLING SALESMAN PROBLEM Hardy 1), Ng Poi Wong 2), Dedy Suwandi 3) 1,2,3 Teknik Informatika, STMIK
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 terperinci