PENERAPAN ALGORITMA GENETIKA DALAM PENYELESAIAN TRAVELLING SALESMAN PROBLEM WITH PRECEDENCE CONSTRAINTS (TSPPC)
|
|
- Veronika Kusumo
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PENERAPAN ALGORITMA GENETIKA DALAM PENYELESAIAN TRAVELLING SALESMAN PROBLEM WITH PRECEDENCE CONSTRAINTS (TSPPC) Yayun Hardianti 1, Purwanto 2 Universitas Negeri Malang yayunimoet@gmail.com ABSTRAK: Travelling Salesam Problem (TSP) merupakan permasalahan seorang sales yang harus mengunjungi beberapa kota dan harus melalui setiap kota tersebut tepat satu kali dan kembali lagi ke kota awal dengan jarak tempuh dan biaya minimal. Permasalahn TSP selama ini hanya melihat jarak antara depot dengan pelanggan, tetapi pada kenyataanya permasalahan TSP tidak hanya pada jarak, tetapi juga adanya urutan titik yang harus dikunjungi terlebih dahulu sebelum titik yang lain. Untuk memecahkan masalah tersebut TSP dikembangkan menjadi TSPPC atau Travelling Salesman Problem with Precedence Constraints. TSPPC merupakan permasalahan untuk mencari perjalanan terpendek melalui semua titik dan tiap titik dilewati tepat satu kali dengan tambahan kendala precedence constraints. TSPPC dapat dimodelkan dalam bentuk graph network. Dengan titik sebagai kota dan sisi berarah sebagai precedence relation. Salah satu metode yang digunakan dalam menyelesaiakan TSPPC adalah dengan menggunakan algoritma genetika yang digabungkan dengan konsep topological sort dalam menentukan lintasan yang fisibel.tahapan penyelesaian TSPPC dengan algoritma genetika yaitu: tahap inisialisasi (pembentukan populasi awal), tahap perhitungan nilai fitnes, tahap pemilihan (seleksi) dengan Roullete Wheel, tahap pindah silang dengan moon crossover, dan tahap mutasi (swapping mutation). Topological sort adalah teknik mengurutkan titik-titik pada graph berarah, sedemikian sehingga jika terdapat lintasan dari v i ke v j maka v j dilalui setelah v i. Untuk memudahkan dalam mencari penyelesaian TSPPC terutama saat harus mengunjungi banyak kota, algoritma genetika diimplementasikan dalam bahasa pemrograman Borland Delphi 7. Dari hasil analisis didapat bahwa algoritma genetika yang digabungkan dengan konsep topological sort mampu manghasilkan lebih dari satu alternative solusi untuk TSPPC. Kata Kunci: Algoritma Genetika, Travelling Salesma Problem With Precedence Constraints (TSPPC) Terapan pada teori graph sering digunakan dalam bidang pendistribusian. Dalam aplikasi dunia usaha, distribusi merupakan proses yang sangat berpengaruh pada keberlangsungan suatu usaha. Dengan pengoptimalan biaya distribusi dapat menambah keuntungan bagi perusahaan. Pengoptimalan biaya distribusi dapat dilakukan dengan mencari jalur-jalur distribusi yang paling efisien. Karena dengan diperolehnya rute-rute yang optimal dapat meminimasi biaya distribusi. Salah satu metode untuk mencari rute terpendek dalam pendistribusian adalah Travelling Salesmen Problem (TSP). Definisi dari traveling salesman problem adalah sebagai 1. Yayun Hardianti adalah mahasiswa jurusan matematika FMIPA Universitas Negeri Malang 2. Purwanto adalah dosen jurusan Matematika FMIPA Universitas Negeri Malang
2 suatu permasalahan untuk menemukan sikel Hamilton pada graph komplit berbobot yang memiliki total bobot sisi minimum. Salah satu metode yang dapat digunakan untuk menyelesaikan permasalahan TSP adalah dengan menggunakan algoritma genetika. Menurut Kusumadewi (2003:278), Algoritma genetika merupakan metode yang adaptif yang biasa digunakan untuk memecahkan suatu pencarian nilai dalam suatu masalah optimasi. Algoritma ini bekerja dengan suatu populasi yang terdiri dari individu-individu, yang masing-masing individu mempresentasikan suatu solusi yang mungkin bagi persoalan yang ada. Dalam kaitan ini, individu dilambangkan dengan suatu nilai fitness yang akan digunakan untuk mencari solusi terbaik dari persoalan yang ada. Permasalahan Travelling Salesman Problem (TSP) yang telah dibahas dalam skripsi-skripsi sebelumnya hanya memperhatikan kendala jarak waktu Akan tetapi pada kenyataanya permasalahan Travelling Salesman Problem (TSP) tidak hanya pada jarak dan waktu saja, tetapi juga adanya kendala urutan kota atau depot yang harus dikunjungi terlebih dahulu sebelum kota atau depot yang lain. Untuk menangani permasalahan Travelling Salesman Problem TSP dengan tambahan kendala urutan titik TSP dikembangkan menjadi Travelling Salesman Problem With Precedence Constraints (TSPPC). Moon dkk. dalam jurnalnya yang berjudul An Efficient Genetic Algorithm for the Travelling Salesman Problem with Precedence Constraints menggunakan algoritma genetika yang digabungkan dengan konsep topological sort untuk menyelesaikan permasalahan Travelling Salesman Problem with Precedence Constraints (TSPPC). PEMBAHASAN Definisi Travelling Salesman Problem With Precedence Constraints (TSPPC) Travelling Salesman Problem with Precedence Constraints merupakan permasalahan untuk mencari perjalanan terpendek melalui semua titik dan tiap titik dilewati tepat satu kali dengan tambahan kendala yaitu adanya urutan titik yang harus dikunjungi terlebih dahulu (precedence constraints). Permasalahan TSPPC dapat dimodelkan dalam bentuk network, dengan titik sebagai kota dan sisi berarah sebagai precedence relation. TSPPC Pada TSPPC diketahui himpunan titik-titik dan waktu perpindahan antar titik dan permasalahannya adalah menemukan suatu perjalanan yang melewati setiap titik-titik tersebut tepat satu kali tanpa harus kembali ke titik awal dengan panjang minimal dengan menempatkan precedence constraints yang diberikan ke dalam perhitungan. Pada TSPPC diberikan suatu urutan kota-kota dan kota-kota tersebut dikunjungi hanya dalam urutan yang ditentukan. Perhatikan Gambar 1, misal dari titik v 1 ke titik v 2 terdapat precedence relation (hubungan urutan titik) yang digambarkan sebagai sisi berarah dari titik v 1 ke titik v 2, maka titik v 1 harus dikunjungi terlebih dahulu sebelum titik v 2, v 1 v 2 Gambar 1. Contoh Graph dengan Precedence Relation
3 Algoritma Genetika untuk Penyelesaian Travelling Salesman Problem With Precedence Constraints (TSPPC) Langkah-langkah dalam mencari penyelesaian masalah Travelling Salesman Problem With Precedence Constraints (TSPPC) dengan menggunakan algoritma genetika tersebut adalah sebagai berikut: a. Penentuan Parameter Genetika Jumlah populasi (pop_size) merupakan angka yang menunjukkan jumlah kromosom. Jumlah generasi (max_gen) merupakan angka yang menunjukkan jumlah generasi yang diproses Probabilitas crossover (Pc) menunjukkan kemungkinan kromosom dalam satu populasi untuk melakukan pindah silang. Probabilias mutasi (Pm) digunakan untuk menunjukkan kemungkinan banyak gen yang akan mengalami mutasi b. Tahap Inisialisasi (Pembentukan Populasi Awal) Teknik pengkodean yang digunakan pada TSPPC adalah konsep pengkodean dengan bilangan bulat. Pada pengkodean ini setiap struktur kromosom merupakan sebuah string bilangan bulat dari 1 sampai banyaknya titik. Misalkan pada tiap kromosom berisi 7 gen, maka pengkodean gen pada kromosom diperlihatkan pada Tabel 3.1 berikut: Tabel 1. Pengkodean Bilangan Bulat dengan Tujuh Titik Titik v 1 v 2 v 3 v 4 v 5 v 6 v 7 Prioritas Dari kromosom yang ditunjukkan dengan string bilangan bulat dari 1 sampai banyaknya titik dapat dibuat lintasan fisibel dengan menggunakan topological sort. Topological sort adalah teknik mengurutkan titik-titik pada graph berarah, sedemikian sehingga jika terdapat lintasan dari v i ke v j maka v j dilalui setelah v i. Perhatikan Tabel 1 baris kedua merupakan prioritas titik ketika ada lebih dari satu titik tanpa sisi masuk akan dipilih saat pencarian lintasan dengan topological sort. Dan algoritma pencarian lintasan fisibel dengan topological sort adalah sebagai berikut: 1. Pilih titik yang tidak mempunyai sisi masuk. Jika semua titik mempunyai sisi masuk maka proses berhenti. Jika ada satu titik yang tidak mempunyai sisi masuk, maka pilih titik tersebut. Jika ada lebih dari satu titik yang tidak mempunyai sisi masuk, maka pilih titik yang mempunyai prioritas lebih besar. Prioritas titik dapat diketahui dari kromosom. 2. Inputkan titik yang terpilih pada lintasan 3. Hapus sisi yang terkait dengan titik tersebut. 4. Ulangi langkah 1,2,3 hingga terbentuk lintasan yang melewati setiap titik tepat satu kali (Moon, dkk, 2001).
4 c. Tahap Perhitungan Nilai Fitnes Setelah diperoleh lintasan yang fisibel, tahap selanjutnya adalah perhitungan nilai fitness. Nilai fitnes dari masing-masing lintasan ditentukan dengan fungsi fitnes yaitu: dengan merupakan waktu perpindahan dari titik i ke titik j dan 0,1,, dengan ketentuan 1, 0, d. Pemilihan (Seleksi) Metode pemilihan yang digunakan adalah Seleksi Roda Roullete. Cara kerja metode ini adalah sebagai berikut: 1. Menghitung fitness relative masing-masing kromosom. Rumus untuk menentukan fitness relative kromosom ke-k adalah fitness kromosom ke-k dibagi dengan total fitness. 2. Menghitung fitness kumulatif q[k], dengan ketentuan Untuk k = 1 maka q[1] = p[1] Untuk k 1 maka q[k] = p[k-1] +p[k] 3. Memilih kromosom yang akan direkomendasikan untuk ikut serta dalam tahap selanjutnya dengan cara: Membangkitkan bilangan random r sebanyak pop_size. Menentukan populasi baru yang terbentuk, dengan ketentuan jika bilangan acak r[k] kurang dari suatu fitnes kumulatif q[k}, maka kromosom ke-k diganti dengan kromosom yang mempunyai nilai fitnes kumulatif q[k ] tersebut. Misal r[1] kurang dari q[3] maka kromosom K[1] diganti dengan kromosom K[3] pada populasi awal. e. Pindah Silang Titik (Crossover) Proses rekombinasi pindah silang atau crossover adalah menyilangkan dua kromosom sehingga membentuk kromosom baru yang harapannya lebih baik daripada kromosom sebelumnya. Tidak semua kromosom pada suatu himpunan akan mengalami proses rekombinasi. Kemungkinan suatu kromosom akan akan mengalami proses pindah silang didasarkan pada probabilitas pindah silang yang telah ditemukan terlebih dahulu. Probablitas crossover dapat menyatakan banyaknya kromosom yang akan dilakukan crossover. Teknik pindah silang yang digunakan adalah moon crossover.. Contoh proses moon crossover diilustrasikan pada Gambar 32. Anggap dua kromosom yang akan dipindahsilangkan adalah p a = [ ] dan p b = [ ]. Pertama,
5 pilih substring dari p a secara acak. Pada contoh ini, substring yang terpilih sebagai osp = [7 2]. Kemudian diperoleh sub_p b = [ ] dari p b. Selanjutnya, g 2 = 1 dan q 1 = 3 karena i 3-1 dan k 0+1. Offspring menjadi osp = [ ]. Dengan cara yang sama, tambahkan g 1 dan q 2, dan Offspring menjadi osp = [ ]. Selanjutnya adalah g 7 = 3 dan q 3 =1 titik-titik tersebut sudah muncul pada offspring sehingga tidak dapat ditambahkan titik-titik tersebut pada offspring. Dan terakhir letakkan q 4 pada offspring sehingga menjadi osp = [ ]. Dan dengan menggunakan prosedur yang sama, dapat dihasilakan offspring kedua yaitu [ ] (Moon, 2001). Procedure : moon crossover Begin Osp null; k 0; select two random chromosome p a and p b, where p a = g 1 g 2 g 3 g 4... g j, and p b = q 1 q 2 q 3 q 4... q j, select two random genes from the p a at random. The substring defined by the two genes; osp the substring between g i and g j selected from the p a; if the length of osp = J then end; else sub_p b the remaining substring results from the delecting genes which are already selected from the p a, ie., sub_p b = p a osp; end_if while (length of osp J) do if i=i then I = J+1; i i 1; k k + 1, k = 1,2,..., length of sub_p b; if g i q k, then osp <osp, g i, q k >; else g i = q k, then osp <osp, g i >; else if j =J then i i 1; k k + 1, k = 1,2,..., length of sub_p b; if g i q k, then osp <, q k, g i, osp >; else g i = q k, then osp < g i, osp >; else i i 1; k k + 1, k = 1,2,..., length of sub_p b; if g i q k, then osp <, g i, osp, q k >; else g i = q k, then osp < g i, osp >; end_if End_while. End_procedure (Moon, dkk, 2001). f. Mutasi (Mutation) Proses mutasi atau pertukaran titik dilakukan setelah proses rekombinasi atau crossover dengan cara memilih kromosom yang akan ditukar secara acak kemudian menentukan titik pertukaran pada kromosom tersebut. Banyaknya gen yang akan mengalami pertukaran dihitung berdasarkan probabilitas mutasi yang telah ditentukan terlebih dahulu. Apabila probabilitas mutasi adalah 100% maka semua gen yang ada pada himpunan tersebut akan mengalami pertukaran. Sebaliknya, jika probabilitas
6 pertukaran yang digunakan adalah 0% maka tidak ada gen yang mengalami pertukaran. Teknik pertukaran yang digunakan dalam penulisan skripsi ini adalah Swapping Mutation. Cara kerja metode ini adalah sebagai berikut: Membangkitkan bilangan acak sebanyak total bit (jumlah kromosom dikalikan dengan pop_size) untuk menentukan gen yang termutasi. Bilangan acak yang dibangkitkan adalah bilangan real antara 0 sampai 1. Mencari letak bilangan acak yang kurang dari probabilitas mutasi. Menukarkan gen dengan bilangan acak kurang dari probabilitas mutasi dengan gen sesudahnya. Sebagai contoh untuk proses swapping mutation, misal bilangan acak yang kurang dari probabilitas mutasi terletak pada bit ke-2 pada suatu kromosom, maka posisi gen ke-2 ditukar dengan posisi gen ke-3. Ilustrasi untuk proses ini terdapat pada Gambar Setelah ditukar kromosom menjadi Gambar 2. Proses Swap Mutation Metode seleksi dalam algoritma genetika dilakukan secara random, sehingga ada kemungkinan bahwa kromosom yang sebenarnya sudah baik tidak bisa turut serta pada generasi berikutnya karena tidak lolos seleksi. Untuk itu perlu kiranya ada pelestarian kromosom-kromosom terbaik, sehingga kromosom-kromosom yang sudah baik tersebut bisa lolos seleksi. Muhlenbein mengusulkan adanya perbaikan pada algoritma genetika yang dikenal dengan nama Breeder Gas (BGA). Pada BGA ini digunakan parameter r yang menunjukkan kromosom-kromosom terbaik. Kromosom-kromosom ini akan tetap dipertahankan pada generasi berikutnya dengan cara menggantikan sebanyak r kromosom pada generasi tersebut secara acak (Kusumadewi, 2003:313). Penyelesaian dengan algoritma genetika menghasilkan pilihan alternatif solusi lebih dari satu, sehingga jika salah satu solusi tidak dimungkinkan untuk diterapkan, maka masih terdapat solusi lain yang bisa dilakukan. PENYELESAIAN DENGAN ALAT BANTU PROGRAM Untuk mempermudah dalam pencarian solusi TSPPC dengan algoritma genetika maka dibuat program dengan Borland Delphi sebagai alat bantu. Gambar 3 adalah flowchart penyelesaian TSPPC dengan Algoritma genetika.
7 Star Tentukan Inisialisasi Pilih titik yang tidak mempunyai Inputkan titik yang terpilih pada Membentuk Lintasan Populasi Baru Populasi Pilih titik yang tidak mempunyai sisi masuk Inputkan titik yang terpilih pada lintasan Hapus sisi yang terkait dengan titik tersebut Hapus sisi yang terkait dengan Tidak Apakah semua titik Ti Apakah semua titik sudah Mutasi (Swap Mutation) Tidak YA Apakah lintasan yang tebentuk sudah sebanyak Ti Y Apakah lintasan yang tebentuk Pindah silang (Moon Crossover) Hitung nilai Y Hitung nilai Seleksi (Roda Roullete) Cari Nilai Fitnes Apakah jumlah generasi sudah terpenuhi? Belum Sudah Selesai Gambar 3. Flowchart Algeritma Genetika pada TSPPC Salah satu contoh kasus permasalahan TSPPC adalah seorang sales akan melakukan perjalanan ke 6 kota untuk mengirim barang. Sales tersebut berangkat dari satu kota ke kota lainnya. Setiap kota dikunjungi tepat satu kali, dan salesman tersebut tidak boleh melanggar ketentuan kota-kota mana yang harus terlebih dahulu dikunjungi sebelum kota yang lain (salesman tidak boleh melanggar precedence constraints). Permasalahan ini dapat diselesaikan dengan alat bantu program GA-
8 TSPPC. Gambar 4 berikut merupakan graph permasalahan dan Tabel 2 menunjukkan waktu perjalanan dari satu titik ke titik lain. Tabel 2. Waktu Perjalanan Gambar 4. Graph Permasalahan Dan dari program diperoleh hasil solusi lintasana yaitu v0 v2 v5 v1 v3 v4 seperti yang terlihat pada Gambar 5 dengan nilai fitnes 39. Gambar 5. Graph Solusi PENUTUP Kesimpulan 1. Langkah-langkah penyelesaian algoritma genetika yang digabungkan dengan konsep topological sort dalam Travelling Salesman Problem with Precedence Constraints (TSPPC) yaitu: tahap inisialisasi, tahap perhitungan nilai fitnes, tahap pemilihan dengan Roullete Wheel, tahap crossover dengan moon crossover, tahap mutasi dengan swapping mutation. 2. Contoh permasalahan Travelling Salesman Problem with Precedence Constraints (TSPPC) yang diselesaikan dengan algoritma genetika adalah pada kasus sales yang akan melakukan perjalanan ke beberapa kota untuk mengirim barang. Sales tersebut harus mengunjungi tiap kota tepat satu kali dan tidak boleh melanggar ketentuan kota mana yang harus terlebih dahulu dikunjungi sebelum kota yang lain.. 3. Implementasi program GA-TSPPC dalam penyelesaian Travelling Salesman Problem with Precedence Constraints (TSPPC) diawali dengan menginputkan data. Data input/masukan yang terdiri dari data jumlah titik, data hubungan urutan
9 titik, data waktu perpindahan antar titik, parameter genetika (ukuran populasi, probabilitas crossover, probabilitas mutasi, jumlah generasi). Proses yang dijalankan setelah menginputkan data adalah membangkitkan populasi awal, dari populasi awal ditentukan lintasan, selanjutnya perhitungan nilai fitnes untuk masing-masing kromosom,selanjutnya dilakukan proses seleksi, crossover, mutasi dan pelestarian kromosom terbaik. Proses tersebut berlanjut sampai mencapai generasi yang ditentukan. Dan dihasilkan data output/ keluaran yang berupa solusi lintasan dengan total waktu perjalanan beserta graphnya. Saran 1. Program GA-TSPPC dapat digunakan untuk menacari lintasan pendistribusian yang memperhatikan urutan kota atau depot yang harus dikunjungi terlebih dahulu dengan titik maksimal 50 titik. 2. Selain algoritma genetika, TSPPC dapat diselesaikan dengan algoritma-algoritma lain seperti algoritma Branch-and-Bound dan program dynamic. TSPPC tidak hanya dapat diaplikasikan pada masalah pendistribusian saja, tetapi TSPPC dapat diaplikasikan pada masalah lain seperti: pengambilan keputusan dan urutan proses mesin. DAFTAR RUJUKAN Kusumadewi, Sri Artificial Intelegence: Teknik dan Aplikasinya. Yogyakarta: Graha Ilmu. Moon, C., Kim, J., Choi, G., Seo, Y An Efficient Genetic Algorithm for The Travelling Salesman Problem With Precedence Constraints. European Journal of Operational Research, (Online), vol 140, , ( diakses tanggal 15 November Razali, N.M., Geraghty, J Genetic Algorithm to Solve Process Sequencing Modelled as The Travelling Salesman Problem with Precedence Constraints. Malaysia: University Malaysia Pahang. Setyananda, Darmawan Petunjuk Praktikum Struktur Data. Buku tidak diterbitkan. Malang: Universitas Negeri Malang. Uktaviya, Rina Penerapan Metode Pindah Silang Cycle Crossover (CX) Untuk Travelling Salesman Problem (TSP). Skripsi tidak diterbitkan. Malang: Universitas Negeri Malang.
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 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 terperinciKAJIAN KARAKTERISTIK SOLUSI VARIAN TRAVELING SALESMAN PROBLEM (TSP) DAN APLIKASINYA
KAJIAN KARAKTERISTIK SOLUSI VARIAN TRAVELING SALESMAN PROBLEM (TSP) DAN APLIKASINYA Sapti Wahyuningsih 1, Darmawan Satyananda 2, Dahliatul Hasanah 3 1 Jurusan Matematika FMIPA UM Malang, sapti.wahyuningsih.fmipa@um.ac.id
Lebih terperinciPencarian Rute Terpendek untuk Pengoptimalan Ditribusi Sales Rokok Gudang Garam di kecamatan Wuluhan Kabupaten Jember Menggunakan Algoritma Genetika
Pencarian Rute Terpendek untuk Pengoptimalan Ditribusi Sales Rokok Gudang Garam di kecamatan Wuluhan Kabupaten Jember Menggunakan Algoritma Genetika Priza Pandunata, Rachmad Agung Bagaskoro, Agung Ilham
Lebih 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 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 terperinciUniversitas Negeri Surabaya 25 April 2015 iii
Keynote Speaker: 1. dr. H. A. A. van Eerde (Universiteit Utrecht) 2. drs. F. H. J. van Galen (Universiteit Utrecht) 3. Dr. Eng. Anto Satriyo Nugroho, M. Eng. (BPPT) Cetakan Pertama Edisi kedua Mei 2015
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 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 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 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 terperinciPENENTUAN MATCHING MAKSIMUM PADA GRAPH BIPARTISI BERBOBOT DENGAN MENGGUNAKAN ALGORITMA GENETIKA
PENENTUAN MATCHING MAKSIMUM PADA GRAPH BIPARTISI BERBOBOT DENGAN MENGGUNAKAN ALGORITMA GENETIKA,, Universitas Negeri Malang E-mail: love_nisza@yahoo.co.id ABSTRAK: Matching berguna untuk menyelesaikan
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 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 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 terperinciBAB III PERANCANGAN. Gambar 3.1 di bawah ini mengilustrasikan jalur pada TSP kurva terbuka jika jumlah node ada 10:
BAB III PERANCANGAN Pada bagian perancangan ini akan dipaparkan mengenai bagaimana mencari solusi pada persoalan pencarian rute terpendek dari n buah node dengan menggunakan algoritma genetika (AG). Dari
Lebih terperinciBAB I PENDAHULUAN an berkembang algoritma genetika (genetic algorithm) ketika I. Rochenberg dalam bukunya yang berjudul Evolution Strategies
BAB I PENDAHULUAN A. Latar Belakang Perkembangan teori graf sangat pesat dari tahun ke tahun, pada tahun 1960-an berkembang algoritma genetika (genetic algorithm) ketika I. Rochenberg dalam bukunya yang
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 terperinciPENENTUAN JARAK TERPENDEK PADA JALUR DISTRIBUSI BARANG DI PULAU JAWA DENGAN MENGGUNAKAN ALGORITMA GENETIKA. Abstraksi
PENENTUAN JARAK TERPENDEK PADA JALUR DISTRIBUSI BARANG DI PULAU JAWA DENGAN MENGGUNAKAN ALGORITMA GENETIKA I Dewa Made Adi Baskara Joni 1, Vivine Nurcahyawati 2 1 STMIK STIKOM Indonesia, 2 STMIK STIKOM
Lebih 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
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 terperinciBAB 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 terperinciBAB II KAJIAN PUSTAKA
BAB II KAJIAN PUSTAKA Pengertian-pengertian dasar yang digunakan sebagai landasan pembahasan pada Bab II yaitu masalah ditribusi, graf, Travelling Salesman Problem (TSP), Vehicle Routing Problem (VRP),
Lebih terperinciBAB III. Metode Penelitian
BAB III Metode Penelitian 3.1 Diagram Alir Penelitian Secara umum diagram alir algoritma genetika dalam penelitian ini terlihat pada Gambar 3.1. pada Algoritma genetik memberikan suatu pilihan bagi penentuan
Lebih terperinciPENERAPAN ALGORITMA GENETIKA 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 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 GENETIKA PADA PEMROGRAMAN LINEAR DAN NONLINEAR
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 5, No. 03(2016), hal 265 274. ALGORITMA GENETIKA PADA PEMROGRAMAN LINEAR DAN NONLINEAR Abdul Azis, Bayu Prihandono, Ilhamsyah INTISARI Optimasi
Lebih 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 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 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 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 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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Traveling Salesman Problem (TSP) adalah permasalahan dimana seorang salesman harus mengunjungi semua kota yang ada dan kota tersebut hanya boleh dikunjungi tepat satu
Lebih 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 terperinciIMPLEMENTASI ALGORITMA GENETIKA DALAM OPTIMASI JALUR PENDISTRIBUSIAN KERAMIK PADA PT. CHANG JUI FANG
IMPLEMENTASI ALGORITMA GENETIKA DALAM OPTIMASI JALUR PENDISTRIBUSIAN KERAMIK PADA PT. CHANG JUI FANG Adnan Buyung Nasution 1 1,2 Sistem Infomasi, Tehnik dan Ilmu Komputer, Universitas Potensi Utama 3 Universitas
Lebih terperinciOPTIMASI JALUR TRANSPORTASI PRODUK HOUSING CLUTCH DENGAN MENGGUNAKAN METODE ALGORITMA GENETIKA PADA PT. SUZUKI INDOMOBIL MOTOR PLANT CAKUNG
OPTIMASI JALUR TRANSPORTASI PRODUK HOUSING CLUTCH DENGAN MENGGUNAKAN METODE ALGORITMA GENETIKA PADA PT. SUZUKI INDOMOBIL MOTOR PLANT CAKUNG Disusun Oleh : Nama : Mochammad Brananta Arya Lasmono NPM : 34412653
Lebih terperinciDAFTAR ISI. Tim Redaksi... i Kata Pengantar... ii Daftar Isi... iii
DAFTAR ISI Tim Redaksi... i Kata Pengantar... ii Daftar Isi... iii Faiz Rafdh Ch SISTEM INFORMASI ZAKAT BERBASIS WEB MENGGUNAKAN PHP DAN MYSQL PADA RUMAH ZAKATINDONESIA 1-7 Abdul Jamil Syamsul Bachtiar
Lebih terperinciAPLIKASI ALGORITMA GENETIKA UNTUK PENENTUAN TATA LETAK MESIN
APLIKASI ALGORITMA GENETIKA UNTUK PENENTUAN TATA LETAK MESIN Hari Purnomo, Sri Kusumadewi Teknik Industri, Teknik Informatika Universitas Islam Indonesia Jl. Kaliurang Km 4,5 Yogyakarta ha_purnomo@fti.uii.ac.id,
Lebih terperinciBAB III PEMBAHASAN. Berikut akan diberikan pembahasan mengenai penyelesaikan CVRP dengan
BAB III PEMBAHASAN Berikut akan diberikan pembahasan mengenai penyelesaikan CVRP dengan Algoritma Genetika dan Metode Nearest Neighbour pada pendistribusian roti di CV. Jogja Transport. 3.1 Model Matetematika
Lebih terperinciBAB II LANDASAN TEORI
27 BAB II LANDASAN TEORI 2.1. Penelitian Terkait Penelitian terkait yang menggunakan algoritma genetika untuk menemukan solusi dalam menyelesaikan permasalahan penjadwalan kuliah telah banyak dilakukan.
Lebih terperinciOptimalisasi Pengantaran Barang dalam Perdagangan Online Menggunakan Algoritma Genetika
Optimalisasi Pengantaran Barang dalam Perdagangan Online Menggunakan Algoritma Genetika Rozak Arief Pratama 1, Esmeralda C. Djamal, Agus Komarudin Jurusan Informatika, Fakultas MIPA Universitas Jenderal
Lebih terperinciBAB 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 terperinciPENYELESAIAN MINIMUM SPANNING TREE (MST) PADA GRAF LENGKAP DENGAN ALGORITMA GENETIKA MENGGUNAKAN TEKNIK PRUFER SEQUENCES
J~ICON, Vol. 2 No. 2, Oktober 2014, pp. 84 ~ 91 84 PENYELESAIAN MINIMUM SPANNING TREE (MST) PADA GRAF LENGKAP DENGAN ALGORITMA GENETIKA MENGGUNAKAN TEKNIK PRUFER SEQUENCES Emsi M. Y. Monifani 1, Adriana
Lebih terperinciBAB 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 terperinciGenetic Algorithme. Perbedaan GA
Genetic Algorithme Algoritma ini bekerja dengan sebuah populasi yang terdiri atas individu-individu (kromosom). Individu dilambangkan dengan sebuah nilai kebugaran (fitness) yang akan digunakan untuk mencari
Lebih terperinciPENGEMBANGAN MODUL PENERAPAN TEORI GRAPH BERBASIS ICT SEBAGAI PEDOMAN PRAKTEK KERJA LAPANGAN (PKL) MAHASISWA JURUSAN MATEMATIKA DI INDUSTRI
PENGEMBANGAN MODUL PENERAPAN TEORI GRAPH BERBASIS ICT SEBAGAI PEDOMAN PRAKTEK KERJA LAPANGAN (PKL) MAHASISWA JURUSAN MATEMATIKA DI INDUSTRI Sapti Wahyuningsih 1 Darmawan Satyananda 2 1 Universitas Negeri
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 terperinci8. 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 terperinciOptimasi Penjadwalan Ujian Menggunakan Algoritma Genetika
Optimasi Penjadwalan Ujian Menggunakan Algoritma Genetika Nia Kurnia Mawaddah Wayan Firdaus Mahmudy, (wayanfm@ub.ac.id) Jurusan Matematika, FMIPA Universitas Brawijaya, Malang 65145 Abstrak Penjadwalan
Lebih terperinciPENYELESAIAN TRAVELLING SALESMAN PROBLEM ( TSP ) DENGAN MENGGUNAKAN ARTIFICIAL BEE COLONY
PENYELESAIAN TRAVELLING SALESMAN PROBLEM ( TSP ) DENGAN MENGGUNAKAN ARTIFICIAL BEE COLONY Rendra Firman Pratama, Purwanto, dan Mohammad Yasin e-mail: Ren_mr07@yahoo.com Universitas Negeri Malang ABSTRAK:
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 III PEMBAHASAN. diperoleh menggunakan algoritma genetika dengan variasi seleksi. A. Model Matematika CVRPTW pada Pendistribusian Raskin di Kota
BAB III PEMBAHASAN Pada bab ini akan dibahas mengenai model matematika pada pendistribusian raskin di Kota Yogyakarta, penyelesaian model matematika tersebut menggunakan algoritma genetika serta perbandingan
Lebih terperinciMatematika dan Statistika
ISSN 1411-6669 MAJALAH ILMIAH Matematika dan Statistika DITERBITKAN OLEH: JURUSAN MATEMATIKA FMIPA UNIVERSITAS JEMBER Majalah Ilmiah Matematika dan Statistika APLIKASI ALGORITMA SEMUT DAN ALGORITMA CHEAPEST
Lebih terperinciBAB 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 terperinciANALISA ALGORITMA GENETIKA DALAM TRAVELLING SALESMAN PROBLEM SIMETRI. Lindawati Syam M.P.Siallagan 1 S.Novani 2
ANALISA ALGORITMA GENETIKA DALAM TRAVELLING SALESMAN PROBLEM SIMETRI Lindawati Syam M.P.Siallagan 1 S.Novani 2 Jurusan Teknik Informatika, FT, Jl. Dipati Ukur Bandung ABSTRAK Masalah Travelling Salesman
Lebih terperinciAlgoritma Evolusi Evolution Strategies (ES)
Algoritma Evolusi Evolution Strategies (ES) Imam Cholissodin imam.cholissodin@gmail.com Pokok Bahasan 1. Struktur Dasar Evolution Strategies (ES) 2. Siklus ES (µ, λ) 3. Siklus ES (µ/r + λ) 4. Studi Kasus
Lebih terperinciPERANCANGAN ALGORITMA GENETIKA UNTUK MENENTUKAN JALUR TERPENDEK. Kata kunci: Algoritma Genetika, Shortest Path Problem, Jalur Terpendek
PERANCANGAN ALGORITMA GENETIKA UNTUK MENENTUKAN JALUR TERPENDEK Fajar Saptono 1, Taufiq Hidayat 2 Laboratorium Pemrograman dan Informatika Teori Jurusan Teknik Informatika, Fakultas Teknologi Industri,
Lebih 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 terperinciAnalisis Operator Crossover pada Permasalahan Permainan Puzzle
Analisis Operator Crossover pada Permasalahan Permainan Puzzle Kun Siwi Trilestari [1], Ade Andri Hendriadi [2] Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Singaperbanga Karawang
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan membahas landasan atas teori-teori yang bersifat ilmiah untuk mendukung penulisan tugas akhir ini. Teori-teori yang dibahas mengenai pengertian penjadwalan, algoritma
Lebih terperinciPenyelesaian Puzzle Sudoku menggunakan Algoritma Genetik
Penyelesaian Puzzle Sudoku menggunakan Algoritma Genetik Afriyudi 1,Anggoro Suryo Pramudyo 2, M.Akbar 3 1,2 Program Studi Sistem Informasi Fakultas Ilmu Komputer. Universitas Bina Darma Palembang. email
Lebih terperinciBAB 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 terperinciBAB III METODE PENELITIAN. Penelitian dilakukan dilingkungan Jurusan Ilmu Komputer Fakultas Matematika
BAB III METODE PENELITIAN 3.1. Waktu dan Tempat Penelitian Penelitian dilakukan dilingkungan Jurusan Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Lampung. Waktu penelitian dilaksanakan
Lebih terperinciALGORITMA GENETIKA Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning
ALGORITMA GENETIKA Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning Achmad Basuki Politeknik Elektronika Negeri Surabaya PENS-ITS Surabaya 2003 Algoritma Genetika Algoritma
Lebih terperinciBAB 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 terperinciBAB I PENDAHULUAN. Universitas Sumatera Utara
BAB I PENDAHULUAN 1.1 Latar Belakang Setelah berkembangnya AI (Artifical Intelligence), banyak sekali ditemukan sejumlah algoritma yang terinspirasi dari alam. Banyak persoalan yang dapat diselesaikan
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 terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Pada saat sekarang ini, setiap perusahaan yang ingin tetap bertahan dalam persaingan dengan perusahaan lainnya, harus bisa membuat semua lini proses bisnis perusahaan tersebut
Lebih 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 III ALGORITMA MEMETIKA DALAM MEMPREDIKSI KURS VALUTA ASING. Untuk memberikan penjelasan mengenai prediksi valuta asing
BAB III ALGORITMA MEMETIKA DALAM MEMPREDIKSI KURS VALUTA ASING Untuk memberikan penjelasan mengenai prediksi valuta asing menggunakan algoritma memetika, akan diberikan contoh sebagai berikut. Contoh Misalkan
Lebih terperinciANALISIS ALGORITMA ANT SYSTEM (AS) PADA KASUS TRAVELLING SALESMAN PROBLEM (TSP)
Buletin Ilmiah Math. Stat. dan Terapannya (Bimaster) Volume 04, No. 3 (2015), hal 201 210. ANALISIS ALGORITMA ANT SYSTEM (AS) PADA KASUS TRAVELLING SALESMAN PROBLEM (TSP) Cindy Cipta Sari, Bayu Prihandono,
Lebih terperinciOptimasi Multiple Travelling Salesman Problem Pada Pendistribusian Air Minum Menggunakan Algoritme Genetika (Studi Kasus: UD.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 9, Juni 2017, hlm. 849-858 http://j-ptiik.ub.ac.id Optimasi Multiple Travelling Salesman Problem Pada Pendistribusian
Lebih terperinciBAB 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 terperinciOPTIMALISASI TRAVELLING SALESMAN WITH TIME WINDOWS (TSPTW) DENGAN ALGORITMA SEMUT
OPTIMALISASI TRAVELLING SALESMAN WITH TIME WINDOWS (TSPTW) DENGAN ALGORITMA SEMUT Budi Prasetyo Wibowo, Purwanto, dansusy Kuspambudi Andaini Universitas Negeri Malang ABSTRAK: Travelling Salesman Problem
Lebih terperinciBAB 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 terperinciPENERAPAN ALGORITMA GENETIK UNTUK OPTIMASI DENGAN MENGUNAKAN PENYELEKStAN RODA ROULETTE
PENERAPAN ALGORTMA GENETK UNTUK OPTMAS DENGAN MENGUNAKAN PENYELEKStAN RODA ROULETTE Samuel Lukas, M.Tech." Abstract The purpose of this paper is to introducing genetic algorithm. This algorithm is one
Lebih terperinciPengantar Kecerdasan Buatan (AK045218) Algoritma Genetika
Algoritma Genetika Pendahuluan Struktur Umum Komponen Utama Seleksi Rekombinasi Mutasi Algoritma Genetika Sederhana Referensi Sri Kusumadewi bab 9 Luger & Subblefield bab 12.8 Algoritma Genetika 1/35 Pendahuluan
Lebih terperinciBAB III IMPLEMENTASIALGORITMA GENETIK DAN ACS PADA PERMASALAHAN TRAVELLING SALESMAN PROBLEM
BAB III IMPLEMENTASIALGORITMA GENETIK DAN ACS PADA PERMASALAHAN TRAVELLING SALESMAN PROBLEM 3.1 TRAVELLING SALESMAN PROBLEM Sebelum membahas pencarian solusi Travelling Salesman Problem menggunakan algoritma
Lebih 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 terperinciPENGENALAN ANGKA DENGAN MENGGUNAKAN ALGORITMA GENETIK. Fakultas Teknik dan Ilmu Komputer, Jurusan Teknik Informatika Universitas Komputer Indonesia
PENGENALAN ANGKA DENGAN MENGGUNAKAN ALGORITMA GENETIK Frengki Agus f124nk_85@yahoo.com Pembimbing I : Linda Salma, S.Si., M.T. Pembimbing II : Khusnul Novianingsih,M.Si Fakultas Teknik dan Ilmu Komputer,
Lebih terperinciPENYELESAIAN KNAPSACK PROBLEM MENGGUNAKAN ALGORITMA GENETIKA
PENYELESAIAN KNAPSACK PROBLEM MENGGUNAKAN ALGORITMA GENETIKA Kartina Diah KW1), Mardhiah Fadhli2), Charly Sutanto3) 1,2) Jurusan Teknik Komputer Politeknik Caltex Riau Pekanbaru Jl. Umban Sari No.1 Rumbai-Pekanbaru-Riau
Lebih terperinciPENYELSAIAN 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 terperinciPENERAPAN 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 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 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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Fuzzy Local Binary Pattern (FLBP) Fuzzifikasi pada pendekatan LBP meliputi transformasi variabel input menjadi variabel fuzzy, berdasarkan pada sekumpulan fuzzy rule. Dalam
Lebih terperinciPenjadwalan Job Shop pada Empat Mesin Identik dengan Menggunakan Metode Shortest Processing Time dan Genetic Algorithm
Jurnal Telematika, vol.9 no.1, Institut Teknologi Harapan Bangsa, Bandung ISSN: 1858-251 Penjadwalan Job Shop pada Empat Mesin Identik dengan Menggunakan Metode Shortest Processing Time dan Genetic Algorithm
Lebih 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 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 terperinciPEMANFAATAN ALGORITMA FUZZY EVOLUSI UNTUK PENYELESAIAN KASUS TRAVELLING SALESMAN PROBLEM
PEMANFAATAN ALGORITMA FUZZY EVOLUSI UNTUK PENYELESAIAN KASUS TRAVELLING SALESMAN PROBLEM Syafiul Muzid Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia, Yogyakarta E-mail:
Lebih terperinciOPTIMASI PENJADWALAN 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 terperinciJl. 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 terperinciPENERAPAN ALGORITMA GENETIKA DALAM MENEMUKAN RUTE TERPENDEK
PENERAPAN ALGORITMA GENETIKA DALAM MENEMUKAN RUTE TERPENDEK Diana.Fallo 1), Alb.Joko Santoso 2), Djoko Budiyanto 3) 1 Magister Teknik Informatika, Fakultas Teknologi Industri, Universitas Atma Jaya Yogyakarta
Lebih terperinciAlgoritma 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 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 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 terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) 45 Edisi... Volume..., Bulan 20.. ISSN :
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) 45 IMPLEMENTASI ALGORITMA GENETIKA UNTUK PENJADWALAN MATA PELAJARAN DI SMAN 1 CIWIDEY Rismayanti 1, Tati Harihayati 2 Teknik Informatika Universitas Komputer
Lebih terperinciTAKARIR. algorithm algoritma/ kumpulan perintah untuk menyelesaikan suatu masalah. kesalahan program
TAKARIR advanced tingkat lanjut algorithm algoritma/ kumpulan perintah untuk menyelesaikan suatu masalah alleles nilai suatu gen. bug kesalahan program chromosome kromosom crossover penyilangan kromosom
Lebih terperinciLAMPIRAN A PERHITUNGAN SIMPLE CASE SECARA MANUAL E
LAMPIRAN A PERHITUNGAN SIMPLE CASE SECARA MANUAL E Simple Case Contoh kasus line balancing : 35 35 O - 7 O - 8 20 20 30 40 20 25 50 25 O - 1 O - 2 O - 5 O - 6 O - 9 O - 10 O - 11 O - 12 40 30 O - 3 O -
Lebih terperinciOPTIMASI PENDUGAAN PARAMETER DALAM ANALISIS STRESS DAN STRAIN TERHADAP MATERIAL MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI PENDUGAAN PARAMETER DALAM ANALISIS STRESS DAN STRAIN TERHADAP MATERIAL MENGGUNAKAN ALGORITMA GENETIKA Mike Susmikanti Pusat Pengembangan Informatika Nuklir, Badan Tenaga Nuklir Nasional Kawasan
Lebih terperinci