Aplikasi Algoritma Genetika Untuk Menyelesaikan Travelling Salesman Problem (TSP)

Ukuran: px
Mulai penontonan dengan halaman:

Download "Aplikasi Algoritma Genetika Untuk Menyelesaikan Travelling Salesman Problem (TSP)"

Transkripsi

1 JTRISTE, Vol.1, No.2, Oktober 2014, pp. 50~57 ISSN: Aplikasi Algoritma Genetika Untuk Menyelesaikan Travelling Salesman Problem (TSP) STMIK Handayani Makassar Abstrak Penelitian ini bertujuan untuk merancang Algoritma Genetika (GA) dalam menyelesaikan Travelling Salesman Problem (TSP), menerapkannya ke dalam bentuk aplikasi pemrograman, dan mencari hal-hal yang dapat mempengaruhi kinerja GA. Hasil yang diperoleh dari aplikasi algoritma genetika bahwa komposisi chromosome yang digunakan tergantung pada banyaknya jumlah node yang akan dikunjungi tepat satu kali dalam sebuah graph. Kemampuan GA untuk menemukan solusi optimal, dalam hal ini pencarian jalur terpendek secara signifikan dipengaruhi oleh jumlah komposisi chromosome pada masing masing individu yang digunakan. Semakin panjang komposisi chromosome yang digunakan, semakin berkurang peluang GA untuk menemukan solusi optimal. Solusi optimal yang ditemukan berdasarkan nilai fitness terbesar. Kata Kunci : Algoritma Genetika, TSP 1. Pendahuluan Travelling Salesman Problem (TSP) merupakan suatu masalah untuk menentukan jalur terpendek dalam sebuah rute perjalanan seorang sales yang mana dalam tiap node hanya dapat disinggahi tepat satu kali dalam satu kali perjalanan kemudian kembali ke titik awal dimana sales tersebut memulai perjalanannya. Dalam sebuah perjalanan terdapat jalan yang menghubungkan antar kota yang ingin dituju dengan jarak jalan yang telah diketahui. Perjalanan yang ditempuh oleh seorang sales mulai dari titik awal melakukan perjalanan hingga kembali ke titik awal tersebut, membentuk sebuah graph. Dalam sebuah graph terdiri dari node (titik) dan edge (garis). TSP dinyatakan dalam sebuah graph tertutup yang mana tidak boleh ada edge yang bersilangan dari satu node ke node yang lainnya. TSP dikatakan efisien jika ditemukan jalur terpendek yang membentuk kurva tertutup. e1 N2 e2 N3 e3 N4 e4 N1 e6 N6 e5 N5 Gambar 1. Ilustrasi TSP Pada Gambar di atas dapat dilihat bahwa dalam sebuah graph terdiri dari node dan edge. Edge merupakan jarak antara satu node ke node yang lainnya. Sebuah graph dalam TSP dikatakan berbobot apabila total nilai dari bobot edge dalam graph tersebut memiliki nilai yang minimal.

2 JTRISTE ISSN: Pada prosesnya TSP menyerupai GA, dalam menentukan populasi awal yang akan dijadikan sebagai parent menggunakan proses pembangkitan bilangan acak (random) yang kemudian dilakukan proses crossover untuk menghasilkan generasi yang baru yang akan dijadikan sebagai parent pada generasi berikutnya. Dalam kasus TSP ini GA akan dimodifikasi sehingga dapat disesuaikan dengan masalah spesifik TSP yang diimplementasikan pada desain pemetaan kurva tertutup dalam sekumpulan node untuk menentukan jalur minimal sebagai solusi optimal. Modifikasi GA akan dilakukan sehingga masalah TSP dapat diselesaikan. Setiap solusi direpresentasikan sebagai individu yang nantinya akan menjadi operan pada setiap operasi GA. Untuk pencapaian hasil yang optimal, maka digunakan suatu metode untuk menyelesaikan masalah TSP yaitu algoritma genetika atau genetic algorithms (GA). Masalah TSP merupakan sebuah permasalahan fungsi diskrit minimum. TSP dikenal sebagai sebuah masalah pencarian jalur terpendek untuk mengunjungi semua node tepat satu kali dalam sebuah graph. a. Algoritma Genetika Algoritma genetika adalah algoritma pencarian data dan optimasi yang didasari pada proses mekanisme alamiah, dimana sifat-sifat suatu spesies sangat bergantung pada gen-gen dan susunannya [1]. Evolusi alamiah membangkitkan minat John Holland untuk menciptakan GA. Holland percaya bahwa jika ia menggunakan GA yang terkomputasi, maka akan menghasilkan suatu teknik pemecahan masalah yang baik dengan meniru proses evolusi alami. Holland kemudian mencoba algoritma yang dimaksud dengan menggunakan bit-bit biner (0 dan 1) sebagai chromosome. Dan hasil dari pengkodean bit-bit biner tersebut adalah terjadi pemilihan chromosome yang terbaik dalam proses reproduksi. Dan chromosome yang terbaik (fit) lebih sering memproduksi dibandingkan yang tidak baik. Dari populasi baru yang dihasilkan dilakukan replacement dari satu set operator genetika dari crossover dan mutasi. Setiap chromosome terdiri dari gen yaitu bit-bit dimana setiap gen merepresentasikan suatu partikel, representasi partikel-partikel tersebut bisa dengan bilangan biner, float, integer, character. GA bekerja dari populasi yang merupakan himpunan solusi yang dihasilkan secara acak. Setiap anggota himpunan merepresentasikan satu solusi persoalan yang dinamakan chromosome. Chromosome-chromosome dalam suatu populasi berevolusi dalam iterasi yang dinamakan generasi. Secara umum GA mempunyai lima komponen dasar yaitu : 1. Suatu penyajian solusi genetika pada sebuah masalah. 2. Suatu cara untuk menciptakan populasi awal dari solusi. 3. Suatu fungsi evaluasi yang menilai apakah solusi yang dihasilkan fit atau tidak. 4. Operator genetika yang mengubah komposisi genetika. Semua keturunan selama reproduksi. 5. Nilai untuk parameter-parameter dari GA. Pada prinsipnya ada dua jenis operasi algoritma genetika: (1) operasi genetika: crossover dan mutasi (2) operasi evolusi dan seleksi [2]. Operasi genetika meniru proses penurunan gen untuk menghasilkan new generation pada setiap generasi. Operasi evolusi meniru proses evolusi Darwin untuk menghasilkan populasi dari generasi ke generasi. b. Operator-Operator Genetika Operator-operator ini digunakan pada parent untuk melahirkan new generation. Operator-operator tersebut adalah: binary (crossover) operator yang memilih dua parent yang akan melahirkan new generation yang identik terhadap keduanya, dan unary (mutation) operator yang mengambil satu individu untuk dimodifikasi menjadi bentuk selayaknya sebuah individu [3]. 1). Operator crossover. Operator dasar GA adalah crossover yang mengkombinasikan dua individu dengan harapan akan melahirkan individu yang lebih baik. Menurut Michalewicz (1996), ada 3 (tiga) teknik crossover pada TSP yaitu Partially-Mapped Crossover (PMX), Order Crossover (OX), Cycle Crossover (CX).

3 52 ISSN: Crossover yang digunakan dalam penyelesaian kasus ini adalah Order Crossover (OX). Metode OX ini diusulkan oleh Davis dalam menghasilkan new generation dilakukan proses pembangkitan bilangan acak pada parent (P1 dan P2), kemudian P1 dan P2 dikawinkan yang menghasilkan 1 (satu) offspring (anak). 2). Operator mutasi. Mutasi memperkenalkan materi genetika baru kepada populasi GA untuk menjaga keragaman dan menjelajahi wilayah baru. Beberapa operator mutasi yang umum digunakan adalah sebagai berikut : - Uniform mutation - Non-uniform mutation. Berikut akan diberikan gambaran mengenai proses mutasi: P1 P Gambar 2 Sebelum Dilakukan Proses Mutasi Dari ilustrasi diatas terlihat bahwa kombinasi Chromosome pada P1 dan P2 sama setelah proses pembangkitan bilangan secara acak. Jika kedua individu tersebut memiliki Chromosome yang sama, maka tidak dapat dilakukan proses Crossover. Agar tidak memiliki Chromosome yang sama, maka pada P2 dilakukan proses mutasi secara acak, sehingga diperoleh hasil sebagai berikut: P P NG Gambar 3 Sesudah dilakukan proses mutasi Setelah dilakukan proses mutasi pada P2, maka kedua individu (P1 dan P2) tersebut dapat dilakukan proses Crossover dan menghasilkan new generation seperti yang terlihat pada gambar diatas. 2. Metode Penelitian Secara umum langkah-langkah GA dapat dituliskan dalam bentuk prosedur pemrograman, sebagai berikut : Procedure : Genetic Algorithms Begin t O; initializise P(t); evaluate P(t); while (not termination condition) do Begin Recombine P(t) to yield C(t); Evaluate C(t); Select P(t+1) from P(t) and C(t); t t + 1; Gambar 4 Procedure algoritma genetika JTRISTE Vol. 1, No. 2, 2014

4 JTRISTE ISSN: Inisialisasi (penyusunan populasi awal); 2. Pengecekan kelayakan chromosome jika perlu; 3. Perhitungan nilai evaluasi (fitness) dari setiap chromosome; 4. Penskalaan fitness; 5. Pemilihan chromosome-chromosome untuk membentuk new generation; 6. Operasi crossover dan mutasi; 7. Pembentukan suatu populasi untuk generasi berikutnya; 8. Jika prosesnya konvergen atau jumlah generasinya sama dengan batas (input), proses selesai dan chromosome terbaik sebagai solusi. Jika tidak kembali ke langkah 2. Proses mutasi dilakukan apabila didalam satu populasi parent (dalam hal ini P2) terdapat chromosome yang identik dengan P1 agar diperoleh individu baru sebagai solusi optimal. Sedangkan pada new generation (NG) sebagai hasil dari proses crossover, mutasi dilakukan apabila terdapat nilai fitness yang identik. Solusi awal Populasi baru kromosom 1 pengkodean Replacement kawin silang mutasi solusi pengkodean evaluasi Gambar 5 Diagram alir algoritma genetika secara umum Dari individu yang dihasilkan, maka akan dilakukan evaluasi dengan memperhatikan perhitungan nilai fitness yang terbesar. Setelah diperoleh nilai fitness, maka dilakukan proses pengurutan pada NG sebagai hasil dari crossover mulai dari nilai fitness yang terbesar, kemudian dilakukan replacement dari jumlah individu yang dihasilkan untuk memperoleh new generation yang kemudian dijadikan sebagai parent. Langkah-langkah GA Inisialisasi P1 sebagai populasi awal, kemudian dievaluasi berdasarkan nilai fitness terbesar. 1. Nilai fitness terbesar disimpan sebagai solusi sementara pada variabel solusi. 2. Inisialisai P2 sebagai pasangan populasi P1. Jika terdapat individu pada P2 yang chromosomenya identik dengan individu pada P1 pada indeks yang sama, maka akan dilakukan proses mutasi kemudian diurut berdasarkan nilai fitnessnya. 3. Nilai fitness terbesar pada P2 dibandingkan dengan nilai fitness yang sudah terdapat pada variabel solusi, jika nilai fitness solusi pada P2 tersebut lebih besar, maka nilai fitness pada variabel solusi digantikan oleh individu.

5 54 ISSN: P1 P2 3 Peluang Mutasi 5 solusi 6 10 Crossover 9 NG 8 Peluang Mutasi 7 Gambar 6 Langkah-langkah GA secara umum 4. Mutasi terjadi pada P2 jika individu pada P2 yang indeksnya sama pada individu P1 memiliki chromosome yang identik. 5. Dilakukan proses crossover antara P1 dan P2 menghasilkan NG. 6. Mutasi terjadi pada NG, jika terdapat individu yang nilai fitnessnya sama. 7. Evaluasi populasi NG 8. Nilai fitness solusi pada NG dibandingkan dengan nilai fitness pada variabel solusi. Jika individu terbaik pada NG nilai fitnessnya lebih besar dibandingkan dengan nilai fitness solusi, maka akan digantikan sebagai variabel solusi. 9. Jumlah NG yang dihasilkan diambil seluruhnya untuk dijadikan sebagai populasi awal untuk reproduksi berikutnya. 3. Pembahasan a. Modul Utama Modul utama Travelling Salesman Problem ini akan memanggil beberapa procedure untuk kebutuhan inisialisasi, diantaranya penentuan jumlah node yang akan ditentukan pada proses pencarian atau penentuan jalur terpendek nantinya, penentuan nilai BestFit, penentuan nilai Populasi, PairPopulasi, NewGeneration serta nilai Fitness pada masing-masing Populasi, PairPopulasi dan NewGeneration. Pada inisialisasi populasi, akan dimasukkan nilai secara acak kedalam chromosome individu sebanyak jumlah populasi, dilanjutkan operasi GA: PairPopulasi (penentuan populasi baru sebagai pasangan populasi awal), selanjutnya akan dilakukan crossover terhadap dua Populasi dan PairPopulasi yang akan menghasilkan NewGeneration. Dan melakukan pengurutan dan seleksi berdasarkan nilai fitness terhadap NewGeneration dimana yang diambil adalah setengah dari NewGeneration yang terbaik untuk menggantikan secara keseluruhan populasi awal (replacement). b. Penentuan Jalur Terpendek Dari jumlah node yang ditentukan maka akan digunakan metode GA dimana mula-mula akan ditentukan node keberapa yang pertama digunakan sebagai posisi awal akan dikunjungi, setelah itu penentuan node-node yang akan dikunjungi selanjutnya tepat satu kali sampai ditemukan jalur terpendek dan akhirnya kembali ke titik awal. Sehingga jalur yang terbentuk merupakan sebuah kurva tertutup. JTRISTE Vol. 1, No. 2, 2014

6 JTRISTE ISSN: Diberikan dua contoh penggunaan sistem untuk menentukan jalur terpendek yang masing-masing terdiri dari 10 titik dan 20 titik yang akan dikunjungi, yang mana terdapat perbedaan dalam proses pencapaian nilai optimal yang dapat dilihat Tabel Jarak antar titik untuk 10 titik Kasus Dalam kasus ini dibatasi hanya untuk 30 generasi. Pada tabel tersebut diperoleh kombinasi individu yang terbaik dari tiap generasinya yang kemudian diperoleh total nilai minimum serta nilai fitness berdasarkan tabel bobot diatas. Nilai fitness pada 10 titik yang optimal didapat pada generasi ke-17 sedangkan nilai fitness yang terdapat pada 20 titik selama 30 iterasi belum mencapai nilai optimal atau selalu terjadi perubahan ditiap iterasi. c. Modul Inisialisasi Populasi Inisialisasi populasi dilakukan dengan memasukkan secara acak chromosome untuk semua kumpulan individu yang akan menjadi bagian dari populasi awal. Dimana komposisi chromosome untuk masing-masing individu tidak boleh sama. Untuk field kedua dan ketiga individu ini adalah nilai fitness dan fungsi objective akan dihitung. Fitness adalah jarak terjauh dari solusi ke setiap individu dalam populasi. Sedangkan untuk nilai fungsi objective pada sistem ini tidak dihitung karena tidak diperlukan dalam proses pencarian solusi pada sistem ini. Proses ini akan dilakukan sampai mencapai jumlah iterasi yang ditentukan. Setelah itu akan dicari individu yang paling fit dari populasi ini untuk nantinya dijadikan pasangan individu NewGeneration terbaik. d. Modul Penentuan Pasangan Populasi (PairPopulasi) Setelah populasi awal ditentukan, langkah selanjutnya yang dilakukan adalah mengurutkan Populasi awal, berikutnya ditentukan populasi pasangannya (PairPopulasi) yang merupakan individu-individu yang chromosomenya juga dibangkitkan secara acak.

7 56 ISSN: Procedure Inisialisasi; for I := 1 to npop do begin for J := 1 to JumN do Unik[j]:=false; for J := 1 to JumN do begin repeat k:= Random(JumN)+1; until unik[k]=false; Populasi[i].Kromosom[j]:=k; Unik[k]:=True; Populasi[i].Fitness:=HitungFitness(Populasi[i]); Gambar 7 Modul inisialisasi populasi Jika chromosomenya sama dengan chromosome populasi awal maka dilakukan proses mutasi pada PairPopulasi agar keragaman populasi tetap terjaga. Karena jika ada peluang terdapat individu yang identik, maka ada kemungkinan akan terjadi populasi yang identik sehingga pencarian individu yang lebih fit akan terhambat. e. Modul Mutasi Setelah disilangkan dengan operator crossover, chromosome individu pada NewGeneration akan dimutasikan dengan membandingkan nilai fitness yang ada pada tiap-tiap offspring yang dihasilkan, jika nilai fitnessnya sama maka komposisi chromosomenya dibangkitkan lagi secara acak. Untuk keperluan ini digunakan procedure Mutasi dimana terdapat peluang mutasi didalamnya Mutasi individu yang dilakukan untuk menjaga keragaman populasi yang diberlakukan pada PairPopulasi. Peluang mutasi yang terjadi selama proses GA terjadi pada PairPopulasi jika terdapat Chromosome yang sama pada populasi awal (Populasi), sedangkan mutasi terjadi pada NewGeneration jika terdapat individu yang nilai fitnessnya sama Procedure Mutasi;.. repeat i:= Random(JumN)+1; j:= Random(JumN)+1; until i <> j; temp:=a.kromosom[i]; A.Kromosom[i]:=A.Kromosom[j]; A.Kromosom[j]:=Temp; Gambar 8 Modul mutasi individu f. Modul Seleksi Setelah operasi crossover dan mutasi dilakukan, NewGeneration sebanyak 30 yang telah diurut berdasarkan fitness, individu yang paling fit akan berada paling atas. Kemudian individu-individu yang ada pada populasi secara menyeluruh digantikan sebanyak populasi dari NewGeneration. JTRISTE Vol. 1, No. 2, 2014

8 JTRISTE ISSN: Procedure Seleksi;. UrutPopulasi(NewGeneration); npcros:= (pcros*npop) div 100; j:=0; For i := npop downto (npop-npcros) do begin inc(j); Populasi[i]:=NewGeneration[j] CariElitist(NewGeneration); Gambar 9 Modul seleksi g. Modul Pengurutan Individu Pada bagian ini dilakukan pengurutan individu berdasarkan nilai fitnessnya sebagai bagian proses evaluasi. Pengurutan yang digunakan adalah teknik quick sort, dimana individu yang memiliki nilai fitness terbesar akan berada pada indeks pertama. Individu pada indeks pertama ini dianggap sebagai solusi terbaik sementara sampai ditemukan solusi yang lebih baik selama iterasi yang ditentukan sedang berlangsung. Proses pengurutan ini terjadi pada Populasi, Pairpopulasi dan NewGeneration Setelah semua proses tersebut sebagaimana yang telah dijelaskan pada masing-masing sub bagian yang ada maka proses GA akan terus berlanjut sesuai dengan jumlah iterasi yang telah ditentukan sampai mendapatkan sebuah solusi yang optimal dalam hal ini jalur terpendek yang akan dilalui. 4. Kesimpulan 1. Komposisi chromosome yang digunakan tergantung pada banyaknya jumlah node yang akan dikunjungi tepat satu kali dalam sebuah graph. 2. Kemampuan GA untuk menemukan solusi optimal, dalam hal ini pencarian jalur terpendek secara signifikan dipengaruhi oleh jumlah komposisi chromosome pada masing masing individu yang digunakan. Ditemukan bahwa semakin panjang komposisi chromosome yang digunakan, semakin berkurang peluang GA untuk menemukan solusi optimal.. Daftar Pustaka [1]. Iwan Aang Soenandi, Konsep Algoritma Genetik Biner untuk optimasi perencanaan jadwal kegiatan perkuliahan, Jurnal Teknik dan Ilmu Komputer, Vol.2 No. 7, 2013 [2] M. Aria, Aplikasi Algoritma Genetik untuk Optimasi Penjadwalan Mata Kuliah. Universitas Komputer Indonesia, [3]. Mahmudy, WF 2006, 'Penerapan algoritma genetika pada optimasi model penugasan', Natural, vol. 10, no. 3 [4]. Nanda Bagus Pradnyana, Perancangan dan Pembuatan Aplikasi Penjadwalan Perkuliahan Menggunakan Algoritma Genetik dan Teknologi Java API for XML Web Service pada Platform Android, Jurnal Teknik POMITS Vol.1, 2012

BAB 2 LANDASAN TEORI. 2.1 Algoritma Genetika

BAB 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 terperinci

Optimasi Multi Travelling Salesman Problem (M-TSP) Menggunakan Algoritma Genetika

Optimasi Multi Travelling Salesman Problem (M-TSP) Menggunakan Algoritma Genetika Optimasi Multi Travelling Salesman Problem (M-TSP) Menggunakan Algoritma Genetika Wayan Firdaus Mahmudy (wayanfm@ub.ac.id) Program Studi Ilmu Komputer, Universitas Brawijaya, Malang, Indonesia Abstrak.

Lebih terperinci

Lingkup Metode Optimasi

Lingkup Metode Optimasi Algoritma Genetika Lingkup Metode Optimasi Analitik Linier Non Linier Single Variabel Multi Variabel Dgn Kendala Tanpa Kendala Numerik Fibonacci Evolusi Complex Combinasi Intelijen/ Evolusi Fuzzy Logic

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 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 terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang

BAB 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 terperinci

PENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN TRAVELLING SALESMAN PROBLEM (TSP)

PENERAPAN 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 terperinci

BAB III. Metode Penelitian

BAB 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 terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Latar Belakang Traveling Salesman Problem (TSP) adalah permasalahan dimana seorang salesman harus mengunjungi semua kota yang ada dan kota tersebut hanya boleh dikunjungi tepat satu

Lebih terperinci

BAB 2 DASAR TEORI. 2.1 Teka-Teki Silang

BAB 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 terperinci

DAFTAR ISI. Tim Redaksi... i Kata Pengantar... ii Daftar Isi... iii

DAFTAR ISI. Tim Redaksi... i Kata Pengantar... ii Daftar Isi... iii DAFTAR ISI Tim Redaksi... i Kata Pengantar... ii Daftar Isi... iii Faiz Rafdh Ch SISTEM INFORMASI ZAKAT BERBASIS WEB MENGGUNAKAN PHP DAN MYSQL PADA RUMAH ZAKATINDONESIA 1-7 Abdul Jamil Syamsul Bachtiar

Lebih terperinci

PENGGUNAAN 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 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 terperinci

PENERAPAN 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 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 terperinci

Algoritma Evolusi Dasar-Dasar Algoritma Genetika

Algoritma 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 terperinci

BAB 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 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 terperinci

BAB II TINJAUAN PUSTAKA

BAB 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 terperinci

PENERAPAN ALGORITMA GENETIKA DALAM PENYELESAIAN TRAVELLING SALESMAN PROBLEM WITH PRECEDENCE CONSTRAINTS (TSPPC)

PENERAPAN 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 terperinci

Optimasi Penjadwalan Ujian Menggunakan Algoritma Genetika

Optimasi 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 terperinci

Optimalisasi Pengantaran Barang dalam Perdagangan Online Menggunakan Algoritma Genetika

Optimalisasi 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 terperinci

BAB 1 PENDAHULUAN. 1 Randy L Haupt & Sue Ellen Haupt, Practical Genetic Algorithms second edition, Wiley Interscience,2004.

BAB 1 PENDAHULUAN. 1 Randy L Haupt & Sue Ellen Haupt, Practical Genetic Algorithms second edition, Wiley Interscience,2004. BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Seseorang salesman tentu akan sangat kesulitan jika harus mengunjungi semua kota sendirian, oleh karena itu dibutuhkan beberapa orang salesman untuk membagi

Lebih terperinci

PENENTUAN JARAK TERPENDEK PADA JALUR DISTRIBUSI BARANG DI PULAU JAWA DENGAN MENGGUNAKAN ALGORITMA GENETIKA. Abstraksi

PENENTUAN JARAK TERPENDEK PADA JALUR DISTRIBUSI BARANG DI PULAU JAWA DENGAN MENGGUNAKAN ALGORITMA GENETIKA. Abstraksi PENENTUAN JARAK TERPENDEK PADA JALUR DISTRIBUSI BARANG DI PULAU JAWA DENGAN MENGGUNAKAN ALGORITMA GENETIKA I Dewa Made Adi Baskara Joni 1, Vivine Nurcahyawati 2 1 STMIK STIKOM Indonesia, 2 STMIK STIKOM

Lebih terperinci

PENDAHULUAN. Latar Belakang

PENDAHULUAN. Latar Belakang Latar Belakang PENDAHULUAN Pada saat sekarang ini, setiap perusahaan yang ingin tetap bertahan dalam persaingan dengan perusahaan lainnya, harus bisa membuat semua lini proses bisnis perusahaan tersebut

Lebih terperinci

Algoritma Evolusi Real-Coded GA (RCGA)

Algoritma 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 terperinci

IMPLEMENTASI ALGORITMA GENETIKA DALAM OPTIMASI JALUR PENDISTRIBUSIAN KERAMIK PADA PT. CHANG JUI FANG

IMPLEMENTASI ALGORITMA GENETIKA DALAM OPTIMASI JALUR PENDISTRIBUSIAN KERAMIK PADA PT. CHANG JUI FANG IMPLEMENTASI ALGORITMA GENETIKA DALAM OPTIMASI JALUR PENDISTRIBUSIAN KERAMIK PADA PT. CHANG JUI FANG Adnan Buyung Nasution 1 1,2 Sistem Infomasi, Tehnik dan Ilmu Komputer, Universitas Potensi Utama 3 Universitas

Lebih terperinci

PRESENTASI TUGAS AKHIR

PRESENTASI 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 terperinci

PENERAPAN 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 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 terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA 2.1. Pendahuluan Pada bab ini akan dibahas tentang travelling salesman problem (TSP), metodemetode yang digunakan dalam penyelesaian TSP. Khusus penggunaan metode algoritma genetika

Lebih terperinci

PENGEMBANGAN APLIKASI PENJADWALAN KULIAH SEMESTER I MENGGUNAKAN ALGORITMA GENETIKA

PENGEMBANGAN 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 terperinci

Pencarian Rute Terpendek untuk Pengoptimalan Ditribusi Sales Rokok Gudang Garam di kecamatan Wuluhan Kabupaten Jember Menggunakan Algoritma Genetika

Pencarian Rute Terpendek untuk Pengoptimalan Ditribusi Sales Rokok Gudang Garam di kecamatan Wuluhan Kabupaten Jember Menggunakan Algoritma Genetika Pencarian Rute Terpendek untuk Pengoptimalan Ditribusi Sales Rokok Gudang Garam di kecamatan Wuluhan Kabupaten Jember Menggunakan Algoritma Genetika Priza Pandunata, Rachmad Agung Bagaskoro, Agung Ilham

Lebih terperinci

KONSEP ALGORITMA GENETIK BINER UNTUK OPTIMASI PERENCANAAN JADWAL KEGIATAN PERKULIAHAN

KONSEP 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 terperinci

BAB 3 ANALISIS DAN PERANCANGAN APLIKASI

BAB 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 terperinci

PERBANDINGAN 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 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 terperinci

ALGORITMA GENETIKA Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning

ALGORITMA GENETIKA Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning ALGORITMA GENETIKA Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning Achmad Basuki Politeknik Elektronika Negeri Surabaya PENS-ITS Surabaya 2003 Algoritma Genetika Algoritma

Lebih terperinci

Seminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004

Seminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004 Seminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004 Perbandingan Metode-Metode dalam Algoritma Genetika untuk Travelling Salesman Problem Irving Vitra P. Jurusan Teknik Informatika,

Lebih terperinci

Perbandingan 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 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 terperinci

BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI

BAB 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 terperinci

Denny Hermawanto

Denny 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 terperinci

BAB II KAJIAN TEORI. memindahkan barang dari pihak supplier kepada pihak pelanggan dalam suatu supply

BAB II KAJIAN TEORI. memindahkan barang dari pihak supplier kepada pihak pelanggan dalam suatu supply BAB II KAJIAN TEORI Berikut diberikan beberapa teori pendukung untuk pembahasan selanjutnya. 2.1. Distribusi Menurut Chopra dan Meindl (2010:86), distribusi adalah suatu kegiatan untuk memindahkan barang

Lebih terperinci

ERWIEN TJIPTA WIJAYA, ST.,M.KOM

ERWIEN 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 terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI Pada bab ini akan membahas landasan atas teori-teori yang bersifat ilmiah untuk mendukung penulisan tugas akhir ini. Teori-teori yang dibahas mengenai pengertian penjadwalan, algoritma

Lebih terperinci

OPTIMASI PENJADWALAN KEGIATAN BELAJAR MENGAJAR DENGAN ALGORITMA GENETIK

OPTIMASI 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 terperinci

2 TINJAUAN PUSTAKA. 2.1 Peringkasan Teks

2 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 terperinci

BAB 2 TINJAUAN PUSTAKA

BAB 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 terperinci

Bab II Konsep Algoritma Genetik

Bab 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 terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 7 BAB 2 LANDASAN TEORI 2.1 Penjadwalan Perkuliahan Penjadwalan memiliki pengertian durasi dari waktu kerja yang dibutuhkan untuk melakukan serangkaian untuk melakukan aktivitas kerja[10]. Penjadwalan juga

Lebih terperinci

BAB II LANDASAN TEORI

BAB 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

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.1 Algoritma Genetika Algoritma Genetika merupakan suatu algoritma yang terinspirasi dari teori evolusi Darwin yang menyatakan bahwa kelangsungan hidup suatu makhluk dipengaruhi

Lebih terperinci

PENERAPAN ALGORITMA GENETIKA PADA PERSOALAN PEDAGANG KELILING (TSP)

PENERAPAN 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 terperinci

ALGORITMA GENETIKA. Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning

ALGORITMA GENETIKA. Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning ALGORITMA GENETIKA Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning Disusun oleh: Achmad Basuki Politeknik Elektronika Negeri Surabaya, PENS ITS Surabaya 2003 Algoritma

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI Pada bab ini akan membahas landasan atas teori-teori yang bersifat ilmiah untuk mendukung penulisan skripsi ini. Teori-teori yang dibahas mengenai optimisasi, pengertian penjadwalan,

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 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 terperinci

BAB 2 TINJAUAN PUSTAKA

BAB 2 TINJAUAN PUSTAKA BAB 2 TINJAUAN PUSTAKA 2.1 Penjadwalan Penjadwalan kegiatan belajar mengajar pada suatu lembaga pendidikan biasanya merupakan salah satu pekerjaan yang tidak mudah dan menyita waktu. Pada lembaga pendidikan

Lebih terperinci

Generator Jadwal Perkuliahan Menggunakan Algoritma Genetika

Generator Jadwal Perkuliahan Menggunakan Algoritma Genetika Generator Jadwal Perkuliahan Menggunakan Algoritma Genetika Zainal Akbar 1), Muh. Fajri Raharjo 2), Eddy Tungadi 3) CAIR, Politeknik Negeri Ujung Pandang Jl. Perintis Kemerdekaan km. 10, Tamalanrea Makassar,

Lebih terperinci

BAB III PERANCANGAN. Gambar 3.1 di bawah ini mengilustrasikan jalur pada TSP kurva terbuka jika jumlah node ada 10:

BAB 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 terperinci

TEKNIK 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 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 terperinci

BAB III IMPLEMENTASIALGORITMA GENETIK DAN ACS PADA PERMASALAHAN TRAVELLING SALESMAN PROBLEM

BAB III IMPLEMENTASIALGORITMA GENETIK DAN ACS PADA PERMASALAHAN TRAVELLING SALESMAN PROBLEM BAB III IMPLEMENTASIALGORITMA GENETIK DAN ACS PADA PERMASALAHAN TRAVELLING SALESMAN PROBLEM 3.1 TRAVELLING SALESMAN PROBLEM Sebelum membahas pencarian solusi Travelling Salesman Problem menggunakan algoritma

Lebih terperinci

Algoritma Genetika dan Penerapannya dalam Mencari Akar Persamaan Polinomial

Algoritma Genetika dan Penerapannya dalam Mencari Akar Persamaan Polinomial Algoritma Genetika dan Penerapannya dalam Mencari Akar Persamaan Polinomial Muhammad Abdy* 1, Maya Sari Wahyuni* 2, Nur Ilmi* 3 1,2,3 Jurusan Matematika, Universitas Negeri Makassar e-mail: * 1 m.abdy@unm.ac.id,

Lebih terperinci

ABSTRAK. Universitas Kristen Maranatha

ABSTRAK. Universitas Kristen Maranatha ABSTRAK Dalam beberapa tahun terakhir ini, peranan algoritma genetika terutama untuk masalah optimisasi, berkembang dengan pesat. Masalah optimisasi ini beraneka ragam tergantung dari bidangnya. Dalam

Lebih terperinci

ABSTRAK. Kata kunci : Aplikasi, Penjadwalan, Algoritma Genetika. viii

ABSTRAK. Kata kunci : Aplikasi, Penjadwalan, Algoritma Genetika. viii ABSTRAK Di program studi Teknik Informatika UPN Veteran Yogyakarta, mahasiswa yang akan melakukan pendadaran tidak bisa menentukan jadwal pendadarannya sendiri. Mahasiswa hanya menunggu jadwal pendadaran

Lebih terperinci

ALGORITMA GENETIKA DENGAN PENDEKATAN MODEL PULAU PADA PERMASALAHAN TRAVELLING SALESMAN

ALGORITMA GENETIKA DENGAN PENDEKATAN MODEL PULAU PADA PERMASALAHAN TRAVELLING SALESMAN ALGORITMA GENETIKA DENGAN PENDEKATAN MODEL PULAU PADA PERMASALAHAN TRAVELLING SALESMAN Hardy STMIK Mikroskil Jl. Thamrin No. 112, 124, 140 Medan 20212 hardy@mikroskil.ac.id Abstrak Algoritma genetika telah

Lebih terperinci

BAB I PENDAHULUAN. wisata budaya, wisata belanja, hingga wisata Alam. Untuk menarik minat

BAB 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 terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.1 Penjadwalan Penjadwalan adalah penempatan sumber daya (resource) dalam satu waktu. Penjadwalan mata kuliah merupakan persoalan penjadwalan yang umum dan sulit dimana tujuannya

Lebih terperinci

Genetic Algorithme. Perbedaan GA

Genetic Algorithme. Perbedaan GA Genetic Algorithme Algoritma ini bekerja dengan sebuah populasi yang terdiri atas individu-individu (kromosom). Individu dilambangkan dengan sebuah nilai kebugaran (fitness) yang akan digunakan untuk mencari

Lebih terperinci

Jl. Ahmad Yani, Pontianak Telp./Fax.: (0561)

Jl. Ahmad Yani, Pontianak Telp./Fax.: (0561) APLIKASI PENCARIAN RUTE TERPENDEK MENGGUNAKANALGORITMA GENETIKA (Studi Kasus: Pencarian Rute Terpendek untuk Pemadam Kebakaran di Wilayah Kota Pontianak) [1] Putri Yuli Utami, [2] Cucu Suhery, [3] Ilhamsyah

Lebih terperinci

PERBANDINGAN 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 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 terperinci

GENETIKA UNTUK MENENTUKAN RUTE LOPER KORAN DI AGEN SURAT KABAR

GENETIKA 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 terperinci

OPTIMASI PENJADWALAN CERDAS MENGGUNAKAN ALGORITMA MEMETIKA

OPTIMASI PENJADWALAN CERDAS MENGGUNAKAN ALGORITMA MEMETIKA OPTIMASI PENJADWALAN CERDAS MENGGUNAKAN ALGORITMA MEMETIKA Muhammad Arief Nugroho 1, Galih Hermawan, S.Kom., M.T. 2 1, 2 Universitas Komputer Indonesia Jl. Dipatiukur No. 112-116, Bandung 40132 E-mail

Lebih terperinci

BAB II TINJAUAN PUSTAKA. Khowarizmi. Algoritma didasarkan pada prinsiup-prinsip Matematika, yang

BAB II TINJAUAN PUSTAKA. Khowarizmi. Algoritma didasarkan pada prinsiup-prinsip Matematika, yang BAB II TINJAUAN PUSTAKA A. ALGORITMA Algoritma adalah metode langkah demi langkah pemecahan dari suatu masalah. Kata algoritma berasal dari matematikawan Arab ke sembilan, Al- Khowarizmi. Algoritma didasarkan

Lebih terperinci

Implementasi Algoritma Genetika dalam Pembuatan Jadwal Kuliah

Implementasi Algoritma Genetika dalam Pembuatan Jadwal Kuliah Implementasi Algoritma Genetika dalam Pembuatan Jadwal Kuliah Leonard Tambunan AMIK Mitra Gama Jl. Kayangan No. 99, Duri-Riau e-mail : leo.itcom@gmail.com Abstrak Pada saat ini proses penjadwalan kuliah

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.1 Travelling Salesman Problem (TSP) Persoalan TSP merupakan salah satu persoalan optimasi kombinatorial (kombinasi permasalahan). Banyak permasalahan yang dapat direpresentasikan

Lebih terperinci

BAB I PENDAHULUAN. sejumlah aktivitas kuliah dan batasan mata kuliah ke dalam slot ruang dan waktu

BAB I PENDAHULUAN. sejumlah aktivitas kuliah dan batasan mata kuliah ke dalam slot ruang dan waktu 18 BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Penjadwalan merupakan kegiatan administrasi utama di berbagai institusi. Masalah penjadwalan merupakan masalah penugasan sejumlah kegiatan dalam periode

Lebih terperinci

BAB II LANDASAN TEORI. Suatu graph merupakan suatu pasangan { E(G), V(G) } dimana :

BAB II LANDASAN TEORI. Suatu graph merupakan suatu pasangan { E(G), V(G) } dimana : BAB II LANDASAN TEORI 2.1 Defenisi Graph Suatu graph merupakan suatu pasangan { E(G), V(G) } dimana : V(G) adalah sebuah himpunan terhingga yang tidak kosong ( non empty finite set) yang elemennya disebut

Lebih terperinci

PRESENTASI TUGAS AKHIR KI091391

PRESENTASI 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 terperinci

BAB III PEMBAHASAN. Berikut akan diberikan pembahasan mengenai penyelesaikan CVRP dengan

BAB III PEMBAHASAN. Berikut akan diberikan pembahasan mengenai penyelesaikan CVRP dengan BAB III PEMBAHASAN Berikut akan diberikan pembahasan mengenai penyelesaikan CVRP dengan Algoritma Genetika dan Metode Nearest Neighbour pada pendistribusian roti di CV. Jogja Transport. 3.1 Model Matetematika

Lebih terperinci

Penentuan Optimalisasi TSP (Travelling Salesman Problem) Distribusi Barang Menggunakan Algoritma Genetika Di Buka Mata Adv

Penentuan Optimalisasi TSP (Travelling Salesman Problem) Distribusi Barang Menggunakan Algoritma Genetika Di Buka Mata Adv Penentuan Optimalisasi TSP (Travelling Salesman Problem) Distribusi Barang Menggunakan Algoritma Genetika Di Buka Mata Adv Teguh Nurhadi Suharsono 1, Muhamad Reza Saddat 2 1 Program Studi Teknik Informatika

Lebih terperinci

PENYELESAIAN MINIMUM SPANNING TREE (MST) PADA GRAF LENGKAP DENGAN ALGORITMA GENETIKA MENGGUNAKAN TEKNIK PRUFER SEQUENCES

PENYELESAIAN MINIMUM SPANNING TREE (MST) PADA GRAF LENGKAP DENGAN ALGORITMA GENETIKA MENGGUNAKAN TEKNIK PRUFER SEQUENCES J~ICON, Vol. 2 No. 2, Oktober 2014, pp. 84 ~ 91 84 PENYELESAIAN MINIMUM SPANNING TREE (MST) PADA GRAF LENGKAP DENGAN ALGORITMA GENETIKA MENGGUNAKAN TEKNIK PRUFER SEQUENCES Emsi M. Y. Monifani 1, Adriana

Lebih terperinci

Analisis Operator Crossover pada Permasalahan Permainan Puzzle

Analisis Operator Crossover pada Permasalahan Permainan Puzzle Analisis Operator Crossover pada Permasalahan Permainan Puzzle Kun Siwi Trilestari [1], Ade Andri Hendriadi [2] Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Singaperbanga Karawang

Lebih terperinci

8. Evaluasi Solusi dan Kriteria Berhenti Perumusan Masalah METODE PENELITIAN Studi Pustaka Pembentukan Data

8. Evaluasi Solusi dan Kriteria Berhenti Perumusan Masalah METODE PENELITIAN  Studi Pustaka Pembentukan Data Gambar 4 Proses Swap Mutation. 8. Evaluasi Solusi dan Kriteria Berhenti Proses evaluasi solusi ini akan mengevaluasi setiap populasi dengan menghitung nilai fitness setiap kromosom sampai terpenuhi kriteria

Lebih terperinci

Penjadwalan kegiatan merupakan pekerjaan yang tidak mudah, karena dalam. penyusunannya memerlukan perencanaan yang matang agar kegiatan tersebut

Penjadwalan kegiatan merupakan pekerjaan yang tidak mudah, karena dalam. penyusunannya memerlukan perencanaan yang matang agar kegiatan tersebut BAB I PENDAHULUAN A. Latar Belakang Penjadwalan kegiatan merupakan pekerjaan yang tidak mudah, karena dalam penyusunannya memerlukan perencanaan yang matang agar kegiatan tersebut terlaksana dengan optimal.

Lebih terperinci

BAB II LANDASAN TEORI. Evolutionary Algorithm merupakan terminologi umum yang menjadi payung

BAB II LANDASAN TEORI. Evolutionary Algorithm merupakan terminologi umum yang menjadi payung BAB II LANDASAN TEORI 2.1 Algoritma Genetika Evolutionary Algorithm merupakan terminologi umum yang menjadi payung bagi empat istilah : algoritma genetika (genetic algorithm), pemrograman genetika (genetic

Lebih terperinci

ISSN VOL. 12, NO. 2, OKTOBER 2011

ISSN VOL. 12, NO. 2, OKTOBER 2011 ANALISIS OPTIMASI PENJADWALAN JAGA DOKTER RESIDEN PENYAKIT DALAM PADA RUMAH SAKIT PENDIDIKAN Erlanie Sufarnap 1, Sudarto 2 STMIK Mikroskil Jl. Thamrin No. 112, 124, 140 Medan 20212 airlanee@yahoo.com 1,

Lebih terperinci

APLIKASI UNTUK PREDIKSI JUMLAH MAHASISWA PENGAMBIL MATAKULIAH DENGAN MENGGUNAKAN ALGORITMA GENETIKA, STUDI KASUS DI JURUSAN TEKNIK INFORMATIKA ITS

APLIKASI UNTUK PREDIKSI JUMLAH MAHASISWA PENGAMBIL MATAKULIAH DENGAN MENGGUNAKAN ALGORITMA GENETIKA, STUDI KASUS DI JURUSAN TEKNIK INFORMATIKA ITS APLIKASI UNTUK PREDIKSI JUMLAH MAHASISWA PENGAMBIL MATAKULIAH DENGAN MENGGUNAKAN ALGORITMA GENETIKA, STUDI KASUS DI JURUSAN TEKNIK INFORMATIKA ITS Hafid Hazaki 1, Joko Lianto Buliali 2, Anny Yuniarti 2

Lebih terperinci

Penerapan Algoritma Genetika dalam Job Shop Scheduling Problem

Penerapan Algoritma Genetika dalam Job Shop Scheduling Problem Penerapan Algoritma Genetika dalam Job Shop Scheduling Problem Haris Sriwindono Program Studi Ilmu Komputer Universitas Sanata Dharma Paingan, Maguwoharjo, Depok Sleman Yogyakarta, Telp. 0274-883037 haris@staff.usd.ac.id

Lebih terperinci

BAB 2 TINJAUAN PUSTAKA

BAB 2 TINJAUAN PUSTAKA BAB 2 TINJAUAN PUSTAKA 2.1.Pendahuluan Bab ini menjelaskan secara singkat tentang review untuk mengidentifikasikasi dalam penyelesaian pencarian rute terpendek dengan adanya lintasan terlarang (Forbidden

Lebih terperinci

KNAPSACK PROBLEM DENGAN ALGORITMA GENETIKA

KNAPSACK 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 terperinci

Implementasi Sistem Penjadwalan Akademik Fakultas Teknik Universitas Tanjungpura Menggunakan Metode Algoritma Genetika

Implementasi 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 terperinci

Pendekatan Algoritma Genetika pada Peminimalan Fungsi Ackley menggunakan Representasi Biner

Pendekatan Algoritma Genetika pada Peminimalan Fungsi Ackley menggunakan Representasi Biner Vol. 7, 2, 108-117, Januari 2011 Pendekatan Algoritma Genetika pada Peminimalan Fungsi Ackley menggunakan Representasi Biner Jusmawati Massalesse Abstrak Tulisan ini dimaksudkan untuk memperlihatkan proses

Lebih terperinci

PENYELSAIAN MULTI TRAVELING SALESMAN PROBLEM DENGAN ALGORITMA GENETIKA

PENYELSAIAN MULTI TRAVELING SALESMAN PROBLEM DENGAN ALGORITMA GENETIKA E-Jurnal Matematika Vol. 6 (1) pp. 1-6 ISSN: 2303-1751 PENYELSAIAN MULTI TRAVELING SALESMAN PROBLEM DENGAN ALGORITMA GENETIKA Ni Kadek Mayuliana 1, Eka N. Kencana 2, Luh Putu Ida Harini 3 1 Program Studi

Lebih terperinci

PERANCANGAN APLIKASI PENJADWALAN TRAVELING SALESMAN PROBLEM DENGAN ALGORITMA GENETIKA

PERANCANGAN APLIKASI PENJADWALAN TRAVELING SALESMAN PROBLEM DENGAN ALGORITMA GENETIKA PERANCANGAN APLIKASI PENJADWALAN TRAVELING SALESMAN PROBLEM DENGAN ALGORITMA GENETIKA Hendy Tannady; Andrew Verrayo Limas Industrial Engineering Department, Faculty of Engineering, Binus University Jl.

Lebih terperinci

Prosiding Matematika ISSN:

Prosiding 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 terperinci

BAB 2 TINJAUAN PUSTAKA

BAB 2 TINJAUAN PUSTAKA 20 BAB 2 TINJAUAN PUSTAKA 2.1. Pengantar Algoritma genetika merupakan algoritma yang lahir dari sebuah inspirasi teori evolusi Darwin yang mengatakan anggota dari spesies yang lemah lambat laun akan mengalami

Lebih terperinci

BAB I PENDAHULUAN. kehidupan sehari-hari dan juga merupakan disiplin ilmu yang berdiri sendiri serta

BAB I PENDAHULUAN. kehidupan sehari-hari dan juga merupakan disiplin ilmu yang berdiri sendiri serta BAB I PENDAHULUAN A. Latar Belakang Matematika adalah cabang ilmu pengetahuan yang dapat digunakan dalam kehidupan sehari-hari dan juga merupakan disiplin ilmu yang berdiri sendiri serta tidak merupakan

Lebih terperinci

PENGENALAN ALGORITMA GENETIK

PENGENALAN ALGORITMA GENETIK PENGENALAN ALGORITMA GENETIK Aries Syamsuddin ariesmipa@psyon.org Lisensi Dokumen: Seluruh dokumen di IlmuKomputer.Com dapat digunakan, dimodifikasi dan disebarkan secara bebas untuk tujuan bukan komersial

Lebih terperinci

BAB II KAJIAN TEORI. berbeda di, melambangkan rusuk di G dan jika adalah. a. dan berikatan (adjacent) di. b. rusuk hadir (joining) simpul dan di

BAB II KAJIAN TEORI. berbeda di, melambangkan rusuk di G dan jika adalah. a. dan berikatan (adjacent) di. b. rusuk hadir (joining) simpul dan di 1. Teori graf BAB II KAJIAN TEORI 1. Definisi Graf G membentuk suatu graf jika terdapat pasangan himpunan ) )), dimana ) (simpul pada graf G) tidak kosong dan ) (rusuk pada graf G). Jika dan adalah sepasang

Lebih terperinci

BAB 2 TINJAUAN PUSTAKA

BAB 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 terperinci

Zbigniew M., Genetic Alg. + Data Structures = Evolution Program, Springler-verlag.

Zbigniew 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 terperinci

PENERAPAN ALGORITMA GENETIKA DALAM OPTIMASI PENDISTRIBUSIAN PUPUK DI PT PUPUK ISKANDAR MUDA ACEH UTARA

PENERAPAN ALGORITMA GENETIKA DALAM OPTIMASI PENDISTRIBUSIAN PUPUK DI PT PUPUK ISKANDAR MUDA ACEH UTARA TECHSI ~ Jurnal Penelitian Teknik Informatika Universitas Malikussaleh, Lhokseumawe Aceh Penelitian ini membahas tentang Implementasi Persoalan Optimasi Rute Terpendek Pendistribusia n Pupuk pada PT. Sayed

Lebih terperinci

PERANCANGAN ALGORITMA GENETIKA UNTUK MENENTUKAN JALUR TERPENDEK. Kata kunci: Algoritma Genetika, Shortest Path Problem, Jalur Terpendek

PERANCANGAN ALGORITMA GENETIKA UNTUK MENENTUKAN JALUR TERPENDEK. Kata kunci: Algoritma Genetika, Shortest Path Problem, Jalur Terpendek PERANCANGAN ALGORITMA GENETIKA UNTUK MENENTUKAN JALUR TERPENDEK Fajar Saptono 1, Taufiq Hidayat 2 Laboratorium Pemrograman dan Informatika Teori Jurusan Teknik Informatika, Fakultas Teknologi Industri,

Lebih terperinci

Tugas Mata Kuliah E-Bisnis REVIEW TESIS

Tugas Mata Kuliah E-Bisnis REVIEW TESIS Tugas Mata Kuliah E-Bisnis REVIEW TESIS Desain Algoritma Genetika Untuk Optimasi Penjadwalan Produksi Meuble Kayu Studi Kasus Pada PT. Sinar Bakti Utama (oleh Fransiska Sidharta dibawah bimbingan Prof.Kudang

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA 2.1. Algoritma Genetika Algoritma genetika sebagai cabang dari algoritma evolusi merupakan metode yang digunakan untuk memecahkan suatu pencarian nilai dalam permasalahan-permasalahan

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI 6 BAB II LANDASAN TEORI 2.1 Penjadwalan Menurut Dian (2011), penjadwalan merupakan proses untuk menyusun suatu jadwal atau urutan proses yang diperlukan dalam sebuah persoalan. Persoalan penjadwalan biasanya

Lebih terperinci