LAMPIRAN A PERHITUNGAN SIMPLE CASE SECARA MANUAL E
|
|
|
- Yenny Oesman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 LAMPIRAN A PERHITUNGAN SIMPLE CASE SECARA MANUAL E
2 Simple Case Contoh kasus line balancing : O - 7 O O - 1 O - 2 O - 5 O - 6 O - 9 O - 10 O - 11 O O - 3 O - 4 Target produksi : 300 unit/hari Jam kerja : 8 jam kerja/hari Waktu siklus (C) = Jenis Mesin Operasi Waktu (detik) A B C D = 96 detik Parameter algoritma genetika : Ukuran populasi = 4 Jumlah generasi = 2 Probabilitas crossover (Pc) = 0.95 Probabilitas mutasi (Pm) = 0.10 Langkah-langkah pengerjaan simple case secara manual adalah : Langkah 1 : Menentukan Encoding generasi ke-0 Dalam proses encoding ini terbentuk 4 buah kromosom sebagai populasi awal sesuai dengan ukuran populasi yang telah ditentukan di awal. Berdasarkan precedence diagram yang telah dibentuk, maka semua elemen kerja ditugaskan dalam masing-masing kromosom dengan memperhatikan : Lampiran A-1
3 Waktu setiap stasiun kerja tidak boleh melebihi waktu siklus aktual. Jenis mesin yang digunakan dalam satu stasiun kerja adalah sama. Urutan penugasan elemen kerja dalam suatu stasiun kerja tidak boleh ada yang backtrack. Berikut ini adalah kromosom-kromosom yang terbentuk : Kromosom Kromosom Kromosom Kromosom Berdasarkan kromosom yang telah terbentuk diatas, maka didapatkan hasil penugasan elemen kerja untuk setiap kromosom sebagai berikut : 1. Kromosom 1 Stasiun Kerja Mesin Operasi ti Cum ti 1 A A B 4 A B C D Kromosom 2 Stasiun Kerja Mesin Operasi ti Cum ti 1 A A A B C D Lampiran A-2
4 3. Kromosom 3 Stasiun Kerja Mesin Operasi ti Cum ti 1 A A A B C D Kromosom 4 Stasiun Kerja Mesin Operasi ti Cum ti 1 A A B 4 A B C D Lampiran A-3
5 Langkah 2 : Menghitung Decoding Ukuran dari fitness value yang digunakan adalah efisiensi lintasan total (ELT), sebab dengan semakin besarnya nilai ELT, maka suatu lintasan produksi dapat dikatakan lebih efisien. Berikut ini adalah nilai decoding dari setiap kromosom awal : 1. Efisiensi Kromosom 1 Stasiun Kerja Mesin Operasi ti Cum ti Efisiensi Stasiun (%) 1 A A B A B C D Efisiensi Total Efisiensi Kromosom 2 Stasiun Kerja Mesin Operasi ti Cum ti Efisiensi Stasiun (%) 1 A A A B C D Efisiensi Total Lampiran A-4
6 3. Efisiensi Kromosom 3 Stasiun Kerja Mesin Operasi ti Cum ti Efisiensi Stasiun (%) 1 A A A B C D Efisiensi Total Efisiensi Kromosom 4 Stasiun Kerja Mesin Operasi ti Cum ti Efisiensi Stasiun (%) 1 A A B A B C D Efisiensi Total Langkah 3 : Melakukan Crossover Langkah-langkah untuk melakukan proses crossover dari semua parent yang ada adalah sebagai berikut : Menetapkan probabilitas crossover (Pc). Bangkitkan bilangan random untuk setiap kromosom yang ada, lalu dibandingkan dengan nilai Pc yang telah ditentukan diatas. Jika nilai bilangan random pada suatu kromosom lebih kecil dari nilai Pc, maka kromosom tersebut dapat menjadi parent untuk proses crossover. Menentukan pasangan parent yang akan di crossover secara acak. Lampiran A-5
7 Tentukan crossing site secara acak dengan menggunakan metode partialmapped crossover, kemudian tukarkan nilai yang ada dalam crossing site tersebut pada masing-masing pasangan parent. Kromosom baru hasil proses crossover dinamakan offspring crossover. Bilangan random untuk Pc kromosom 1 : Bilangan random untuk Pc kromosom 2 : Bilangan random untuk Pc kromosom 3 : Bilangan random untuk Pc kromosom 4 : Bilangan random yang diperoleh untuk crossing site pasangan kromosom 1 dan 4 adalah : 6 dan 9. Bilangan random yang diperoleh untuk crossing site pasangan kromosom 2 dan 3 adalah : 5 dan 9. Kromosom Kromosom Kromosom Kromosom Hasil crossover dari kedua pasangan kromosom tersebut adalah : Offspring Crossover Kromosom Tidak Valid Offspring Crossover Kromosom Tidak Valid Offspring Crossover Kromosom Valid Offspring Crossover Kromosom Valid Suatu kromosom dikatakan valid apabila kromosom tersebut memenuhi kriteria sebagai berikut : Waktu proses total setiap stasiun kerja waktu siklus aktual. Semua elemen kerja dalam satu stasiun kerja menggunakan jenis mesin yang sama. Lampiran A-6
8 Offspring crossover kromosom 1 dikatakan tidak valid, karena waktu stasiun 2 melebihi waktu siklus aktual yang ada. Sementara Offspring crossover kromosom 4 juga dikatakan tidak valid, karena waktu stasiun 1 melebihi waktu siklus aktual yang ada. Hasil offspring crossover kromosom yang valid adalah sebagai berikut : 1. Offspring Crossover Kromosom 2 Stasiun Kerja Mesin Operasi ti Cum ti 1 A A A B C D Offspring Crossover Kromosom 3 Stasiun Kerja Mesin Operasi ti Cum ti 1 A A A B C D Lampiran A-7
9 Langkah 4 : Menghitung Decoding Decoding hasil crossover generasi ke-1 yang valid adalah : 1. Offspring crossover Kromosom 2 Stasiun Kerja Mesin Operasi ti Cum ti Efisiensi Stasiun (%) 1 A A A B C D Efisiensi Total Offspring crossover Kromosom 3 Stasiun Kerja Mesin Operasi ti Cum ti Efisiensi Stasiun (%) 1 A A A B C D Efisiensi Total Langkah 5 : Melakukan Mutasi Langkah-langkah untuk melakukan proses mutasi dari semua kromosom ada adalah sebagai berikut : Menetapkan probabilitas mutasi (Pm). Bangkitkan bilangan random untuk setiap nilai gen yang berada dalam setiap kromosom, lalu dibandingkan dengan nilai Pm. Lampiran A-8
10 Jika bilangan random lebih kecil dari Pm, maka kromosom tersebut mengalami mutasi. Proses mutasi dilakukan menggunakan metode order-based mutation, dengan ketentuan sebagai berikut : Jika nilai bilangan random lebih kecil atau sama dengan ½ Pm, maka kurangi nilai gen dengan satu. Jika nilai gen tersebut adalah satu, maka tambahkan nilai gen tersebut dengan satu. Jika nilai bilangan random lebih besar dari ½ Pm hingga nilai Pm, maka tambahkan nilai gen tersebut dengan satu. Kromosom baru hasil proses mutasi dinamakan offspring mutasi. Berikut ini adalah bilangan random yang dibangkitkan untuk setiap gen pada semua kromosom : Kromosom Kromosom Kromosom Kromosom Offspring Crossover Kromosom Offspring Crossover Kromosom Semua kromosom tidak mengalami mutasi, karena nilai setiap bilangan randomnya lebih besar dari nilai Pm yakni Langkah 6 : Menghitung Decoding Hasil dari offspring mutasi yang valid, dihitung decodingnya. Pada contoh kasus yang dihitung oleh penulis, tidak ada kromosom yang mengalami mutasi, maka tidak dilakukan perhitungan decoding untuk hasil mutasi. Lampiran A-9
11 Langkah 7 : Melakukan seleksi generasi 1 Hasil efisiensi total dari setiap kromosom yang valid adalah: No. Kromosom Efisiensi Lintasan Total (%) 1 Kromosom Kromosom Kromosom Kromosom Offspring Crossover Kromosom Offspring Crossover Kromosom Karena ukuran populasi adalah 4, maka kromosom yang dipilih untuk dilakukan generasi ke-2 adalah 4 buah hasil kromosom terbaik. Untuk kasus ini, kromosom yang dipilih adalah : No. Kromosom Efisiensi Lintasan Total (%) 1 Kromosom Kromosom Offspring Crossover Kromosom Offspring Crossover Kromosom Langkah 8 : Melakukan Crossover untuk generasi 2 Bilangan random untuk Pc kromosom 2 : Bilangan random untuk Pc kromosom 3 : Bilangan random untuk Pc offspring crossover kromosom 2 : Bilangan random untuk Pc offspring crossover kromosom 3 : Bilangan random yang diperoleh untuk crossing site pasangan kromosom 2 dan 3 adalah : 1 dan 11. Bilangan random yang diperoleh untuk crossing site pasangan offspring crossover kromosom 2 dan offspring crossover 3 adalah : 5 dan 11. Kromosom Kromosom Offspring Crossover Kromosom Offspring Crossover Kromosom Lampiran A-10
12 Hasil crossover dari kedua pasangan kromosom tersebut adalah : Offspring Crossover Kromosom 2 Generasi Valid Offspring Crossover Kromosom 3 Generasi Valid Offspring Crossover 2 Kromosom 2 Generasi Valid Offspring Crossover 2 Kromosom 3 Generasi Valid Suatu kromosom dikatakan valid apabila kromosom tersebut memenuhi kriteria sebagai berikut : Waktu proses total setiap stasiun kerja waktu siklus aktual. Semua elemen kerja dalam satu stasiun kerja menggunakan jenis mesin yang sama. Hasil offspring crossover kromosom yang valid adalah sebagai berikut : 1. Offspring Crossover Kromosom 2 Generasi ke-2 Stasiun Kerja Mesin Operasi ti Cum ti 1 A A A B C D Lampiran A-11
13 2. Offspring Crossover Kromosom 3 Generasi ke-2 Stasiun Kerja Mesin Operasi ti Cum ti 1 A A A B C D Offspring Crossover 2 Kromosom 2 Generasi ke-2 Stasiun Kerja Mesin Operasi ti Cum ti 1 A A A B C D Offspring Crossover 2 Kromosom 3 Generasi ke-2 Stasiun Kerja Mesin Operasi ti Cum ti 1 A A B B C D Lampiran A-12
14 Langkah 9 : Menghitung Decoding Decoding hasil crossover generasi ke-2 yang valid adalah : 1. Offspring crossover Kromosom 2 Generasi 2 Stasiun Kerja Mesin Operasi ti Cum ti Efisiensi Stasiun (%) 1 A A A B C D Efisiensi Total Offspring crossover Kromosom 3 Generasi 2 Stasiun Kerja Mesin Operasi ti Cum ti Efisiensi Stasiun (%) 1 A A A B C D Efisiensi Total Lampiran A-13
15 3. Offspring crossover 2 Kromosom 2 Generasi 2 Stasiun Kerja Mesin Operasi ti Cum ti Efisiensi Stasiun (%) 1 A A A B C D Efisiensi Total Offspring crossover 2 Kromosom 3 Generasi 2 Stasiun Kerja Mesin Operasi ti Cum ti Efisiensi Stasiun (%) 1 A A B B C D Efisiensi Total Langkah 10 : Melakukan Mutasi generasi 2 Langkah-langkah untuk melakukan proses mutasi dari semua kromosom ada adalah sebagai berikut : Menetapkan probabilitas mutasi (Pm). Bangkitkan bilangan random untuk setiap nilai gen yang berada dalam setiap kromosom, lalu dibandingkan dengan nilai Pm. Jika bilangan random lebih kecil dari Pm, maka kromosom tersebut mengalami mutasi. Lampiran A-14
16 Proses mutasi dilakukan menggunakan metode order-based mutation, dengan ketentuan sebagai berikut : Jika nilai bilangan random lebih kecil atau sama dengan ½ Pm, maka kurangi nilai gen dengan satu. Jika nilai gen tersebut adalah satu, maka tambahkan nilai gen tersebut dengan satu. Jika nilai bilangan random lebih besar dari ½ Pm hingga nilai Pm, maka tambahkan nilai gen tersebut dengan satu. Kromosom baru hasil proses mutasi dinamakan offspring mutasi. Elemen Kerja Kromosom Kromosom Offspring Crossover Kromosom Offspring Crossover Kromosom Offspring Crossover Kromosom 2 Generasi Offspring Crossover Kromosom 3 Generasi Offspring Crossover Kromosom 2 Generasi Offspring Crossover Kromosom 3 Generasi Gen yang mengalami mutasi menggunakan metode order-based mutation dari kromosom diatas adalah : 1. Offspring crossover kromosom 2 generasi 1 Elemen kerja ke-5 dengan nilai bilangan random sebesar > ½ Pm, maka elemen kerja tersebut yang seharusnya dikerjakan di stasiun 2 menjadi dikerjakan di stasiun Offspring crossover kromosom 3 generasi 2 Elemen kerja ke-2 dengan nilai bilangan random sebesar ½ Pm, maka elemen kerja tersebut yang seharusnya dikerjakan di stasiun 2 menjadi dikerjakan di stasiun 1. Lampiran A-15
17 Elemen kerja ke-4 dengan nilai bilangan random sebesar > ½ Pm, maka elemen kerja tersebut yang seharusnya dikerjakan di stasiun 1 menjadi dikerjakan di stasiun 2. Jadi, hasil mutasi generasi ke-2 adalah : Offspring Mutasi Crossover Kromosom Offspring Mutasi Crossover Kromosom 3 Generasi Berdasarkan hasil mutasi, penugasan elemen kerja untuk kromosom offspringnya adalah sebagai berikut : 1. Offspring Mutasi Crossover Kromosom 2 Stasiun Kerja Mesin Operasi ti Cum ti 1 A A A B C D Offspring Mutasi Crossover Kromosom 3 Generasi 2 Stasiun Kerja Mesin Operasi ti Cum ti 1 A A B B C D Lampiran A-16
18 Langkah 11 : Menghitung Decoding Berikut ini adalah hasil offspring mutasi untuk setiap kromosom yang terbentuk untuk mengetahui efisiensi lintasannya : 1. Offspring Mutasi Crossover Kromosom 2 Generasi 1 Stasiun Kerja Mesin Operasi ti Cum ti Efisiensi Stasiun (%) 1 A A A B C D Efisiensi Total Offspring Mutasi Crossover Kromosom 3 Generasi 2 Stasiun Kerja Mesin Operasi ti Cum ti Efisiensi Stasiun (%) 1 A A B B C D Efisiensi Total Langkah 12 : Melakukan seleksi generasi 2 Hasil efisiensi total dari setiap kromosom yang valid adalah: No. Kromosom Efisiensi Lintasan Total (%) 1 Kromosom 2 Generasi ke Kromosom 3 Generasi ke Offspring Crossover Kromosom 2 Generasi ke Offspring Crossover Kromosom 3 Generasi ke Offspring Crossover Kromosom 2 Generasi ke Offspring Crossover Kromosom 3 Generasi ke Offspring Crossover Kromosom 2 Generasi ke Offspring Crossover Kromosom 3 Generasi ke Offspring Mutasi Crossover Kromosom 2 Generasi ke Lampiran A-17
19 Kromosom yang terpilih menjadi populasi baru generasi ke-2 adalah : No. Kromosom Efisiensi Lintasan Total (%) 1 Kromosom 3 Generasi ke Offspring Crossover Kromosom 3 Generasi ke Offspring Crossover Kromosom 3 Generasi ke Offspring Mutasi Crossover Kromosom 2 Generasi ke Maka kromosom yang terpilih adalah yang memiliki efisiensi lintasan total terbesar yaitu offspring Mutasi Crossover Kromosom 2 generasi ke-2 sebesar %. Lampiran A-18
20 LAMPIRAN B HASIL PERHITUNGAN SIMPLE CASE MENGGUNAKAN SOFTWARE
21 Output hasil perhitungan Simple Case menggunakan software yang telah dibuat adalah sebagai berikut : Operasi Generasi Populasi Efisiensi Kromosom % % % % C2&3-5& % C2&3-5& % % % % % C1&2-1& % C1&2-1& % C4&3-5& % C4&3-5& % M % M % % % % % Lampiran B-1
22 Keterangan : Pada generasi ke-1, terlihat penulisan C 2&3 5&10, yang berarti : kromosom 2 dan 3 dari hasil generasi ke-0 (encoding) dilakukan proses crossover dengan nilai crossing site adalah 5 dan 9 (10-1). Pada generasi ke-2, terlihat penulisan m3, yang berarti : mutasi dilakukan pada kromosom 3 dari generasi 1. Sedangkan m8 berarti : mutasi dilakukan pada hasil crossover kromosom 4 dari generasi ke-2. Hasil crossover dan mutasi yang ditampilkan oleh software adalah hanya hasil decoding kromosom yang valid. Dari tabel rangkuman hasil output software, terlihat bahwa nilai efisiensi tertinggi adalah sebesar 77.08%, dengan susunan kromosom sebagai berikut : Stasiun Kerja Mesin Operasi ti Cum ti Efisiensi Stasiun (%) 1 A A A B C D Efisiensi Total Lampiran B-2
23 LAMPIRAN C LANGKAH-LANGKAH PENYELESAIAN KASUS PERUSAHAAN MENGGUNAKAN SOFTWARE
24 Langkah-langkah untuk menyelesaikan kasus efisiensi lintasan perusahaan menggunakan software yang telah dibuat, adalah sebagai berikut : 1. Tampilan awal dari software Tampilan menu awal terdiri dari 2 bagian yaitu : input product dan proses. Sebelum memproses, terlebih dahulu melakukan input data dengan mengklik menu input product, kemudian memasukan data awal yang dibutuhkan untuk proses perhitungan untuk mendapatkan efisiensi suatu lintasan produksi, sedangkan menu Proses digunakan untuk melihat efisiensi lintasan yang paling tinggi. 2. Pilih menu input product Pada input product akan menampilkan suatu jendela input seperti : target produksi, jumlah jam kerja, jenis operasi, jenis mesin yang digunakan, operasi pendahulu, operasi pengikut, dan waktu operasi. Lampiran C-1
25 Cara menginput data awal ke dalam menu input product adalah: Langkah 1 : Pada kolom input produk berisi jumlah elemen kerja yang diinginkan, Kemudian mengisi jumlah produksi atau target produksi yang ingin dicapai. Lalu pilih simpan produk. Langkah 2 : Pada kolom input mesin, kita melakukan input terhadap semua jenis mesin yang akan digunakan dalam proses produksi semua elemen kerja tersebut. Setiap memasukkan nama mesin, pilih menu simpan mesin. Kemudian masukkan nama mesin berikutnya dan pilih menu simpan mesin sampai semua jenis mesin selesai di input. Lampiran C-2
26 Langkah 3 : Jumlah elemen kerja akan ditampilkan sesuai dengan angka yang dimasukkan ke jumlah operasi pada input produk. Lakukan pengisian pada nama operasi. Operasi pendahulu (Predecessor) merupakan no. operasi pendahulu dari jenis operasi yang bersangkutan sesuai dengan urutan dalam precedence diagram. Operasi pengikut (followers) merupakan no. operasi pengikut dari jenis operasi yang bersangkutan sesuai dengan urutan dalam precedence diagram. Waktu proses merupakan waktu dari elemen kerja. Jenis mesin dipilih berdasarkan operasi yang menggunakan jenis mesin tersebut. Langkah 4 : Setelah semua data dimasukkan, maka pilih menu save kasus untuk melakukan penyimpanan semua data awal yang dibutuhkan untuk perhitungan efisiensi lintasan. Lampiran C-3
27 Setelah data disimpan, keluar (exit) ke menu utama dan pilih menu proses. Cara melakukan proses data adalah sebagai berikut : Langkah 1 : Melakukan load case dengan mengetik nama file yang sama saat di save kasus pada menu input product. Maka total operasi dan jumlah produksi akan tampil sesuai yang telah di input di menu input product.. Langkah 2 : Melakukan load parameter pada algoritma genetika. Melakukan input terhadap jumlah generasi dan jumlah populasi yang diinginkan. Menentukan probabilitas crossover (Pc) dan probabilitas mutasi (Pm). Lampiran C-4
28 Menyimpan (save) parameter genetika algoritma yang digunakan untuk memproses data. Langkah 3 : Melakukan proses untuk mendapatkan efisiensi lintasan tertinggi. Replikasi berguna untuk melakukan pengulangan proses data dengan menggunakan parameter yang sama, sesuai dengan yang kita inginkan. Berdasarkan penugasan elemen kerja ke dalam stasiun kerja menggunakan software genetika algoritma (GA) yang diusulkan, dengan menggunakan parameter sebagai berikut : Ukuran populasi : 5 Jumlah generasi : 10 Probabilitas Crossover (Pc) : 0.95 Probabilitas Mutasi (Pm) : 0.10 Lampiran C-5
29 Maka didapatkan efisiensi lintasan total yang paling tinggi adalah sebesar 55.18%, dengan susunan kromosom adalah sebagai berikut : Stasiun Mesin Operasi ti Cum ti Efisiensi Stasiun (%) 1 Mesin Jahit Mesin Jahit Mesin Obras Mesin Jahit Mesin Jahit Mesin Obras Mesin Jahit Mesin Obras Mesin Jahit Mesin Obras Mesin Rantai Mesin Jahit Mesin Jahit Gunting Manual Steam Manual Efisiensi Lintasan Total Lampiran C-6
30 DATA PENULIS Nama : Fenndy Halim Tempat/Tanggal Lahir : Pematangsiantar/04 Desember 1989 Alamat : Jl. Prambanan No. 68 Pematangsiantar, Sumatera Utara No. Handphone : Alamat fenndyhalim_89@yahoo.com Pendidikan : SMA Methodist Pematangsiantar Teknik Industri Universitas Kristen Maranatha Nilai Tugas Akhir : 3.58 (A) Tanggal USTA : 1 July 2011
31 KOMENTAR DOSEN PENGUJI Nama Mahasiswa : Fenndy Halim NRP : Tanggal USTA : 01 July 2011 Judul Tugas Akhir : Upaya Perbaikan Lintasan Produksi CV. Watoo-Watoo Garment Bandung Menggunakan Pendekatan Algoritma Genetika Komentar dan Saran Dosen Penguji I (Ir. Kartika Suhada, MT.) : 1. Pertimbangkan kembali penempatan stasiun kerja, karena terlihat crowded alirannya.
32 KOMENTAR DOSEN PENGUJI Nama Mahasiswa : Fenndy Halim NRP : Tanggal USTA : 01 July 2011 Judul Tugas Akhir : Upaya Perbaikan Lintasan Produksi CV. Watoo-Watoo Garment Bandung Menggunakan Pendekatan Algoritma Genetika Komentar dan Saran Dosen Penguji II (Vivi Arisandhy, ST., MT.) : 1. Pertimbangkan kembali penempatan stasiun kerja, karena terlihat crowded alirannya. 2. Presentasi : - Suara jelas. - Slide cukup baik, hanya ada tabel-tabel yang tulisannya kurang jelas (mungkin karena warna background & ukuran huruf kecil tp warna huruf tipis). 3. Buat Diagram Alir untuk kondisi saat ini. 4. Perbaiki layout usulan, karena alirannya agak susah kalau mau diterapkan Bagaimana material handlingnya? 5. Lini dipadatkan di 1 meja Cek kelebihan & kekurangannya.
33 KOMENTAR DOSEN PENGUJI Nama Mahasiswa : Fenndy Halim NRP : Tanggal USTA : 01 July 2011 Judul Tugas Akhir : Upaya Perbaikan Lintasan Produksi CV. Watoo-Watoo Garment Bandung Menggunakan Pendekatan Algoritma Genetika Komentar dan Saran Dosen Penguji III (Victor Suhandi, ST., MT.) : 1. Penguasaan teori. 2. Susunan stasiun kerja agak semerawut.
ABSTRAK. Universitas Kristen Maranatha
ABSTRAK PT. Citra Bandung Laksana merupakan perusahaan yang bergerak dalam bidang manufaktur yang memproduksi furniture, khususnya kursi yang terbuat dari bahan baku logam dengan merek dagang Fortuner.
Abstrak. Kata Kunci : Penyeimbangan Lintasan, Algoritma Genetika, Efisiensi
Usulan Perbaikan Lintasan Produksi Produk Kemeja Lengan Panjang Dewasa Dalam Upaya Mencapai Target Produksi Dengan Menggunakan Algoritma Genetika (Studi Kasus Di CV Mitra Abadi Sejahtera Bandung) Proposed
ABSTRAK. Universitas Kristen Maranatha
ABSTRAK CV WATTOO WATTOO GARMENT merupakan perusahaan yang bergerak di bidang industri garment. Dalam kegiatan produksinya, CV WATTOO WATTOO GARMENT ini memproduksi bermacam-macam pakaian anak-anak sesuai
ABSTRAK. Universitas Kristen Maranatha
ABSTRAK Perusahaan X merupakan salah satu perusahaan manufaktur yang memproduksi berbagai macam produk berbahan baku besi dan stainless steel. Produk yang dihasilkan seperti cabinet, trolley, pagar, tangki
ABSTRAK. iv Universitas Kristen Maranatha
ABSTRAK PT. Chitose Indonesia MFG merupakan suatu perusahaan yang bergerak pada bidang industri manufaktur dengan produk utamanya berupa kursi yang terbuat dari bahan baku logam. Perusahaan menerapkan
Vincent Nataprawira, Kartika Suhada Jurusan Teknik Industri Universitas Kristen Maranatha
Perbaikan Lintasan Produksi dalam Upaya Mencapai Target Produksi dengan Menggunakan Metode Rank Positional Weight, Region Approach dan Algoritma Genetika (Studi Kasus di CV Surya Advertising and T-Shirt,
ABSTRAK. Universitas Kristen Maranatha
ABSTRAK CV SURYA ADVERTISING & T SHIRT merupakan perusahaan yang bergerak di bidang industri garment. Jenis produk yang diproduksi perusahaan meliputi kemeja lengan panjang, kemeja lengan pendek, kaos
Usulan Line Balancing Menggunakan Genetic Algorithm (Studi Kasus di PT Multi Garmenjaya, Bandung)
Usulan Line Balancing Menggunakan Genetic Algorithm (Studi Kasus di PT Multi Garmenjaya, Bandung) Proposal of Line Balancing Using Genetic Algorithm (Case Study at PT Multi Garmenjaya, Bandung) Rainisa
ABSTRAK. Laporan Tugas Akhir. Universitas Kristen Maranatha
ABSTRAK PT. Kerta Laksana adalah perusahaan manufaktur yang bergerak di bidang pembuatan mesin, dimana pesanan pada perusahaan ini bersifat Job Order. Dalam menjadwalkan pesanan yang diterima, perusahaan
ABSTRAK. iii. Universitas Kristen Maranatha
ABSTRAK Di era globalisasi ini, fashion merupakan tuntutan dari gaya hidup berbagai kalangan di masyarakat. Oleh karena itu, perusahaan yang bergerak di industri pakaian berlomba untuk menghasilkan produk
ABSTRAK. v Universitas Kristen Maranatha
ABSTRAK PD BLESSING adalah sebuah perusahaan di Kota Bandung yang memproduksi pakaian bayi (Jumper). Perusahaan memproduksi barang sesuai dengan pesanan konsumen (job order). Pesanan dari konsumen dikumpulkan
ABSTRAK. Universitas Kristen Maranatha
ABSTRAK PT. Press Metal Indo Jaya merupakan salah satu perusahaan besar yang memproduksi produk teknologi dengan bahan utama logam, terutama spare part motor. Berdasarkan pengamatan yang dilakukan di perusahaan
LAMPIRAN 1 HASIL PERBANDINGAN TINGKAT UTILISASI MESIN METODE PERUSAHAAN, USULAN KARYA SAMUEL YUNARDI, ALGORITMA GENETIKA, DAN HELGESON-BIRNIE
LAMPIRAN 1 HASIL PERBANDINGAN TINGKAT UTILISASI MESIN METODE PERUSAHAAN, USULAN KARYA SAMUEL YUNARDI, ALGORITMA GENETIKA, DAN HELGESON-BIRNIE APPROACH LAMPIRAN 2 HASIL PENGOLAHAN DATA MENGGUNAKAN METODE
Universitas Kristen Maranatha
ABSTRAK PT Sinar Terang Logamjaya merupakan salah satu perusahaan yang memproduksi sparepart motor yang berbahan utama logam. Perusahaan menerapkan layout lantai produksi berupa layout by process. oleh
PERANCANGAN TATA LETAK FASILITAS BAGIAN PRODUKSI MENGGUNAKAN METODE ALGORITMA GENETIK DI PT. PUTRA SEJAHTERA MANDIRI
PERANCANGAN TATA LETAK FASILITAS BAGIAN PRODUKSI MENGGUNAKAN METODE ALGORITMA GENETIK DI PT. PUTRA SEJAHTERA MANDIRI TUGAS SARJANA Diajukan Untuk Memenuhi Sebagian Dari Syarat-Syarat Memperoleh Gelar Sarjana
Penyeimbangan Lintasan Produk Jaket di CV Surya Advertising & T Shirt Menggunakan Algoritma Genetika
Penyeimbangan Lintasan Produk Jaket di CV Surya Advertising & T Shirt Menggunakan Algoritma Genetika Proposal of Jacket Production Line Balancing at CV Surya Advertising & T Shirt Using Genetic Algorithm
ABSTRAK. i Universitas Kristen Maranatha
ABSTRAK PT Multi Garmenjaya merupakan perusahaan yang bergerak di bidang industri garment. Penulis melakukan pengamatan pada lini produksi produk celana jeans yang diproduksi secara mass production. Masalah
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,
PERFORMANCE ALGORITMA GENETIKA (GA) PADA PENJADWALAN MATA PELAJARAN
PERFORMANCE ALGORITMA GENETIKA (GA) PADA PENJADWALAN MATA PELAJARAN Eva Desiana, M.Kom Pascasarjana Teknik Informatika Universitas Sumatera Utara, SMP Negeri 5 Pematangsianta Jl. Universitas Medan, Jl.
OPTIMASI 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
Hlm DESEMBER 2014
Volume 4 Hlm.101-210 15 DESEMBER 2014 Volume 4 Hlm.101-210 15 DESEMBER 2014 Puji syukur kami panjatkan ke hadirat Tuhan Yang Maha Esa atas diterbitkannya Jurnal Integra Volume 4 No 2 ini. Dalam Jurnal
T I N J A U A N P U S T A K A Algoritma Genetika [5]
![T I N J A U A N P U S T A K A Algoritma Genetika [5]](/thumbs/62/48018749.jpg "T 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
BAB 3 PERANCANGAN PROGRAM. dari OOP (Object Oriented Programming) di mana dalam prosesnya, hal-hal
BAB 3 PERANCANGAN PROGRAM 3.1 Spesifikasi Rumusan Rancangan Program Algoritma Genetika dirancang dengan mengikuti prinsip-prinsip dan sifatsifat dari OOP (Object Oriented Programming) di mana dalam prosesnya,
1. Pendahuluan 1.1. Latar Belakang
1. Pendahuluan 1.1. Latar Belakang Perkembangan teknologi informasi yang begitu pesat sekarang ini memberikan dampak yang besar terhadap kinerja manusia khususnya dalam bekerja. Segala sesuatu yang dahulu
ABSTRAK. Universitas Kristen Maranatha
ABSTRAK PT. Kerta Laksana merupakan perusahaan yang bergerak di bidang manufaktur mesin. Sistem produksi yang diterapkan perusahaan ialah job shop karena perusahaan ini memproduksi banyak variasi mesin
BAB 3 ANALISIS DAN PERANCANGAN
BAB 3 ANALISIS DAN PERANCANGAN 3.1. Analisis Sistem Berjalan 3.1.1. Penyusunan Menu Makanan Dalam penyusunan menu makanan banyak hal yang perlu diperhatikan, terutama jika menu makanan yang disusun untuk
3.2.3 Resiko, Keuntungan dan Kerugian Forex Metode Prediksi dalam Forex MetaTrader 4 sebagai Platform Trading dalam Forex...
DAFTAR ISI HALAMAN PENGESAHAN... iii PERNYATAAN... iv HALAMAN MOTTO DAN PERSEMBAHAN... v PRAKATA... vi DAFTAR ISI... viii DAFTAR GAMBAR... xi DAFTAR TABEL... xiv DAFTAR PERSAMAAN... xv DAFTAR LAMPIRAN...
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
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
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
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
Keywords Algoritma, Genetika, Penjadwalan I. PENDAHULUAN
Optimasi Penjadwalan Mata Kuliah Dengan Algoritma Genetika Andysah Putera Utama Siahaan Universitas Pembangunan Pancabudi Jl. Gatot Subroto Km. 4,5, Medan, Sumatra Utara, Indonesia andiesiahaan@gmail.com
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:
BAB III ANALISA MASALAH DAN RANCANGAN PROGRAM
BAB III ANALISA MASALAH DAN RANCANGAN PROGRAM III.1. Analisa Masalah Perkembangan game dari skala kecil maupun besar sangat bervariasi yang dapat dimainkan oleh siapa saja tanpa memandang umur, dari anak
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
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
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
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
APLIKASI 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,
Proposal of Genetic Algorithm Method Implementation in 4 Seats Water Tank Job Shop Production System to Minimize Makepan at PT Megah Steel
Usulan Penerapan Metode Genetic Algorithm dalam Penjadwalan Sistem Produksi Jobshop Produk Tangki Air dengan 4 Dudukan Untuk Meminimasi Makespan di PT Megah Steel Proposal of Genetic Algorithm Method Implementation
2.16. Keaslian Penelitian BAB III ANALISIS DAN PERANCANGAN Analisa sistem Observasi Wawancara
DAFTAR ISI HALAMAN JUDUL... i HALAMAN PENGESAHAN PEMBIMBING... ii HALAMAN PENGESAHAN PENGUJI... iii BERITA ACARA DEMO SOFTWARE TUGAS AKHIR... iv SURAT PERNYATAAN KARYA ASLI TUGAS AKHIR...v ABSTRAK.....vi
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
BAB III KONSEP DAN PERANCANGAN APLIKASI
BAB III KONSEP DAN PERANCANGAN APLIKASI 3.1 Konsep Pada bab ini penulis akan membahas konsep mengenai perangkat lunak yang digunakan serta akan dibahas mengenai tujuan, kegunaan dan untuk siapa aplikasi
komputasi dan memori yang rendah), mampu memecahkan permasalahan dengan area fasilitas yang sama atau tidak sama (equal and unequal area), dan
BAB 1 PENDAHULUAN 1.1. Latar Belakang Permasalahan tata letak fasilitas merupakan salah satu area penting dalam merancang sistem produksi sekaligus merupakan kunci untuk meningkatkan produktivitas pabrik.
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
Usulan Perancangan Tata Letak Lantai Produksi Menggunakan Algoritma Genetika (Studi Kasus di PT. X, Bandung)
Usulan Perancangan Tata Letak Lantai Produksi Menggunakan Algoritma Genetika (Studi Kasus di PT. X, Bandung) Recommendation of Production Floor Layout Design Using Genetic Algorithm (Case Study at PT.
Penjadwalan 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
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
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.
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
USULAN PENERAPAN PENJADWALAN DENGAN MENGGUNAKAN METODE ALGORITMA GENETIKA DI PD BLESSING
USULAN PENERAPAN PENJADWALAN DENGAN MENGGUNAKAN METODE ALGORITMA GENETIKA DI PD BLESSING Santoso 1*, Eldad Dufan Sopater Subito 2 1,2 Jurusan Teknik Industri, Fakultas Teknik, Universitas Kristen Maranatha
BAB 3 ANALISIS DAN PERANCANGAN SISTEM
BAB 3 ANALISIS DAN PERANCANGAN SISTEM Perancangan program aplikasi dalam skripsi ini menggunakan aturan linear sequential atau waterfall. Metode ini terdiri dari empat tahapan, yaitu : analisis, perancangan,
BAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN.. Pengumpulan data dan informasi Pengumpulan data digunakan untuk mengumpulkan informasi dan data yang digunakan untuk melakukan analisis dan perancangan sistem informasi penjadwalan
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
TAKARIR. 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
Entity Menunjukan entity/bagian yang terlibat. Arus Data Menunjukan arus informasi antar entity. Entity Menunjukan entity/bagian yang terlibat
Simbol-Simbol yang Digunakan A. Proses Bisnis No Simbol Keterangan 1 Entity Menunjukan entity/bagian yang terlibat 2 Arus Data Menunjukan arus informasi antar entity B. Diagram Sistem Aliran Informasi
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
BAB 4 IMPLEMENTASI DAN EVALUASI. Berikut ini merupakan spesifikasi perangkat keras dan perangkat lunak yang
BAB IMPLEMENTASI DAN EVALUASI. Implementasi Sistem Berikut ini merupakan spesifikasi perangkat keras dan perangkat lunak yang diperlukan agar program simulasi Tata Letak Tempat Sampah dengan Algoritma
BAB 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
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
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
ABSTRAK. Universitas Kristen Maranatha
ABSTRAK PT. Tenda Trijaya Indonesia merupakan salah satu perusahaan tenda yang terpercaya kualitasnya. Perusahaan ini menjadi pemasok ke departemen sosial, perusahaan-perusahaan besar di Indonesia, bahkan
BAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Alur Penelitian Menentukan lokasi dan kapasitas optimal SVC pada sistem transmisi 150 kv subsistem Bandung Selatan dan New Ujungberung menggunakan algoritma genetika membutuhkan
PENERAPAN ALGORITMA GENETIK UNTUK OPTIMASI POLA PENYUSUNAN BARANG DALAM RUANG TIGA DIMENSI ABSTRAK
PENERAPAN ALGORITMA GENETIK UNTUK OPTIMASI POLA PENYUSUNAN BARANG DALAM RUANG TIGA DIMENSI Eddy Triswanto Setyoadi, ST., M.Kom. ABSTRAK Melakukan optimasi dalam pola penyusunan barang di dalam ruang tiga
Peramalan Kebutuhan Beban Sistem Tenaga Listrik Menggunakan Algoritma Genetika
Peramalan Kebutuhan Beban Sistem Tenaga Listrik Menggunakan Algoritma Genetika M. Syafrizal, Luh Kesuma Wardhani, M. Irsyad Jurusan Teknik Informatika - Universitas Islam Negeri Sultan Syarif Kasim Riau
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
BAB 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
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
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
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
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.
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
PENERAPAN ALGORITMA GENETIKA UNTUK PENJADWALAN UJIAN TUGAS AKHIR PADA JURUSAN TEKNIK INFORMATIKA UNIVERSITAS MUHAMMADIYAH MALANG
PENERAPAN ALGORITMA GENETIKA UNTUK PENJADWALAN UJIAN TUGAS AKHIR PADA JURUSAN TEKNIK INFORMATIKA UNIVERSITAS MUHAMMADIYAH MALANG TUGAS AKHIR Sebagai Persyaratan Guna Meraih Sarjana Strata 1 Teknik Informatika
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
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
OPTIMASI PENJADWALAN MATA KULIAH DENGAN MENGGUNAKAN ALGORITMA GENETIKA (STUDI KASUS : PROGRAM STUDI TEKNIK INFORMATIKA) (UNIVERSITAS DARMA PERSADA)
OPTIMASI PENJADWALAN MATA KULIAH DENGAN MENGGUNAKAN ALGORITMA GENETIKA (STUDI KASUS : PROGRAM STUDI TEKNIK INFORMATIKA) (UNIVERSITAS DARMA PERSADA) diajukan oleh Rachmat Fauzi NIM: 2008230007 JURUSAN TEKNIK
Optimasi Kendali Distribusi Tegangan pada Sistem Tenaga Listrik dengan Pembangkit Tersebar
Optimasi Kendali Distribusi Tegangan pada Sistem Tenaga Listrik dengan Pembangkit Tersebar Soni Irawan Jatmika 2210 105 052 Pembimbing : 1. Prof. Dr. Ir. Adi Soeprijanto, MT. 2. Heri Suryoatmojo, ST. MT.
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
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
V. MENENTUKAN NILAI MINIMUM DARI SEBUAH FUNGSI OBJEKTIVE DGN MENGGUNAKAN ALGORITMA GENETIKA (GA)
V. MENENTUKAN NILAI MINIMUM DARI SEBUAH FUNGSI OBJEKTIVE DGN MENGGUNAKAN ALGORITMA GENETIKA (GA) 5.1 Pendahuluan Algoritma genetika baru-baru ini telah menjadi subjek yang sangat menarik dan relatif berkembang
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
Aplikasi 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
dan c C sehingga c=e K dan d K D sedemikian sehingga d K
2. Landasan Teori Kriptografi Kriptografi berasal dari kata Yunani kripto (tersembunyi) dan grafia (tulisan). Secara harfiah, kriptografi dapat diartikan sebagai tulisan yang tersembunyi atau tulisan yang
BAB 2 LANDASAN TEORI. 2.1 Algoritma
13 BAB 2 LANDASAN TEORI 2.1 Algoritma Dalam matematika dan komputasi, algoritma merupakan kumpulan perintah untuk menyelesaikan suatu masalah. Perintah-perintah ini dapat diterjemahkan secara bertahap
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
BAB 3 METODOLOGI PENELITIAN
34 BAB 3 METODOLOGI PENELITIAN 3.1. Pendahuluan Pengenalan pola (pattern recognition) adalah proses klasifikasi dari suatu objek atau pola menjadi beberapa kategori atau kelas, yang mana bertujuan untuk
2.3.1.b Himpunan Fuzzy Trapezodial dengan L Fuzzy Set 12
DAFTAR ISI Halaman Judul i Pernyataan Keaslian Tugas Akhir ii Lembar Pengesahan DosenPembimbingiii Lembar Pengesahan Dosen Penguji iv Halaman Persembahan Halaman Motto Kata Pengantar Abstraksi Daftar Isi
Crossover Probability = 0.5 Mutation Probability = 0.1 Stall Generation = 5
oleh pengguna sistem adalah node awal dan node tujuan pengguna. Lingkungan Pengembangan Sistem Implementasi Algoritme Genetika dalam bentuk web client menggunakan bahasa pemrograman PHP dan DBMS MySQL.
OPTIMISASI PENEMPATAN TURBIN ANGIN DI AREA LAHAN ANGIN
OPTIMISASI PENEMPATAN TURBIN ANGIN DI AREA LAHAN ANGIN MENGGUNAKAN ALGORITMA GENETIKA Azimatul Khulaifah 2209 105 040 Bidang Studi Sistem Tenaga Jurusan Teknik Elektro FTI ITS Dosen Pembimbing : Dosen
IMPLEMENTASI ALGORITMA GENETIK UNTUK MENYELESAIKAN MASALAH TRAVELING SALESMAN PROBLEM (STUDI KASUS: SATUAN KERJA PERANGKAT DAERAH KOTA MEDAN)
IMPLEMENTASI ALGORITMA GENETIK UNTUK MENYELESAIKAN MASALAH TRAVELING SALESMAN PROBLEM (STUDI KASUS: SATUAN KERJA PERANGKAT DAERAH KOTA MEDAN) DRAFT SKRIPSI RAJO PANANGIAN HARAHAP 111421045 PROGRAM STUDI
BAB III. Solusi Optimal Permasalahan Penjadwalan Perkuliahan Menggunakan Algoritma Fuzzy Evolusi
BAB III Solusi Optimal Permasalahan Penjadwalan Perkuliahan Menggunakan Algoritma Fuzzy Evolusi Pada bab ini dijelaskan mengenai penerapan dari algoritma fuzzy evolusi pada permasalahan penjadwalan perkuliahan.
Serealia, umbi, dan hasil olahannya Kacang-kacangan, bijibijian,
4 generasi, kromosom akan melalui proses evaluasi dengan menggunakan alat ukur yang disebut dengan fungsi fitness. Nilai fitness dari suatu kromosom akan menunjukkan kualitas kromosom dalam populasi tersebut.
ANALISIS PERBAIKAN KESEIMBANGAN LINI PERAKITAN TRANSMISI CURRENT DENGAN MENGGUNAKAN METODE KILLBRIDGE-WESTER
ANALISIS PERBAIKAN KESEIMBANGAN LINI PERAKITAN TRANSMISI CURRENT DENGAN MENGGUNAKAN METODE KILLBRIDGE-WESTER Disusun oleh: Nama : Eka Kurnia Npm : 32412408 Jurusan : Teknik Industri Pembimbing : I. Ir.
PENJADWALAN MESIN BERTIPE JOB SHOP UNTUK MEMINIMALKAN MAKESPAN DENGAN METODE ALGORITMA GENETIKA (STUDI KASUS PT X)
PENJADWALAN MESIN BERTIPE JOB SHOP UNTUK MEMINIMALKAN MAKESPAN DENGAN METODE ALGORITMA GENETIKA (STUDI KASUS PT X) Ria Krisnanti 1, Andi Sudiarso 2 1 Jurusan Teknik Mesin dan Industri, Fakultas Teknik,
METODA GENETIC ALGORITMA SEBAGAI PERENCANAAN LINTASAN ROBOT UNTUK APLIKASI PENGEBORAN PADA PCB ABSTRAK
METODA GENETIC ALGORITMA SEBAGAI PERENCANAAN LINTASAN ROBOT UNTUK APLIKASI PENGEBORAN PADA PCB 1)Adam Ridiantho M, 2 Djoko Purwanto 1,2) Program Studi Teknik Elektro, Program Pasca Sarjana, ITS Ruang B205,
Team project 2017 Dony Pratidana S. Hum Bima Agus Setyawan S. IIP
Hak cipta dan penggunaan kembali: Lisensi ini mengizinkan setiap orang untuk menggubah, memperbaiki, dan membuat ciptaan turunan bukan untuk kepentingan komersial, selama anda mencantumkan nama penulis
OPTIMASI PENATAAN SILINDER DALAM KONTAINER DENGAN ALGORITMA GENETIKA
OPTIMASI PENATAAN SILINDER DALAM KONTAINER DENGAN ALGORITMA GENETIKA Novita Wulan Sari 1, Yuliana Setyowati 2, S.Kom, M.Kom, Ira Prasetyaningrum 2, S. Si, M.T 1 Mahasiswa, 2 Dosen Pembimbing Politeknik
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
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,
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.