Penerapan algoritma evolution strategies untuk optimasi distribusi barang dua tahap
|
|
- Hengki Darmadi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Penerapan algoritma evolution strategies untuk optimasi distribusi barang dua tahap Candra Bella Vista 1, Wayan Firdaus Mahmudy 2 Program Studi Informatika / Ilmu Komputer Fakultas Ilmu Komputer Universitas Brawijaya, Malang 65145, Indonesia candrabellavista@gmail.com 1, wayanfm@ub.ac.id 2 ABSTRAK Distribusi adalah proses memindahkan barang hasil produksi dari produsen menuju konsumen. Pada perusahaan dengan wilayah pemasaran yang luas, penentuan jalur distribusi dan alokasi banyaknya barang hasil produksi yang dipindahkan dari produsen ke konsumen menjadi hal terpenting yang harus diperhatikan. Karena besarnya biaya distribusi akan semakin meningkat apabila jangkauan distribusi barang hasil produksi mencakup wilayah yang luas. Meningkatnya biaya distribusi ini tentu akan berdampak pada meningkatnya harga jual barang produksi, sehingga dapat mengurangi daya beli konsumen dan berdampak pada kerugian perusahaan. Untuk itu diperlukan distribusi dengan dua tahap untuk mengoptimalkan distribusi barang dari produsen ke konsumen. Pada penelitian ini distribusi dua tahap yang dimaksudkan adalah distribusi barang dari produsen ke agen dan dari agen ke sub agen. Permasalahan optimasi distribusi barang dua tahap diselesaikan dengan algoritma evolution strategies menggunakan representasi kromosom permutasi dua segmen, dimana segmen pertama merepresentasikan jalur distribusi tahap 1 dan segmen kedua merepresentasikan jalur distribusi tahap 2. Pada pengujian yang dilakukan pada kasus distribusi barang dua tahap dari 2 produsen ke 5 agen dan 10 sub agen diperoleh fitness solusi yang mendekati optimal sebesar 0, Fitness tersebut dihasilkan dari pengujian menggunakan parameter algoritma evolution strategies, yaitu ukuran populasi 100, ukuran offspring (λ) 5µ, perbandingan mutasi segmen 1: segmen 2: segmen 1 dan 2 adalah 20:30:50, dan jumlah generasi 50. Hasil akhir dari penelitian ini adalah jalur distribusi barang dua tahap dengan biaya distribusi yang optimal. Kata kunci : Evolution Strategies, Distribusi Dua Tahap. 1. PENDAHULUAN 1.1 Latar Belakang Distribusi merupakan proses untuk memindahkan barang hasil produksi dari tingkat produsen ke konsumen[11]. Distribusi menjadi aspek penting bagi perusahaan karena berkaitan dengan pemasaran barang hasil produksi. Pada perusahaan dengan wilayah pemasaran yang luas, penentuan jalur distribusi dan alokasi banyaknya barang hasil produksi yang dipindahkan dari produsen ke konsumen menjadi hal terpenting yang harus diperhatikan. Karena biaya distribusi akan semakin meningkat apabila jangkauan distribusi barang hasil produksi mencakup wilayah yang luas. Meningkatnya biaya distribusi ini tentu akan berdampak pada meningkatnya harga jual dari suatu barang hasil produksi itu sendiri. Dengan mahalnya harga jual barang hasil produksi dapat mengurangi daya beli konsumen dan berdampak pada kerugian perusahaan. Untuk itu distribusi dengan dua tahap dibutuhkan, agar biaya distribusi barang ke konsumen menjadi optimal. Pada distribusi dua tahap akan dibentuk sebuah distributor sebagai perantara antara produsen dan konsumen. Distrubutor dibangun sesuai dengan wilayah pemasaran yang dekat dengan lokasi agen atau konsumen. Barang hasil produksi dari produsen akan dikirimkan ke beberapa distributor dan selanjutnya distributor akan menyalurkan barang hasil produksi kepada beberapa agen atau konsumen yang berdekatan[9]. Sehingga memudahkan produsen untuk memenuhi permintaan konsumen dan dapat menekan biaya distribusi. Pada penelitian sebelumnya algoritma evolution strategies dapat digunakan untuk menyelesaikan permasalahan optimasi. Dimana ciri utama dari algoritma evolution
2 strategies adalah representasi solusi yang digunakan berupa vektor bilangan pecahan[8]. Dalam penerapanya algoritma evolution strategies terbukti dapat menyelesaikan Vehicle Routing Problem With Time Windows pada distribusi minuman soda XYZ dengan teknik mutasi exchange mutation[6], pencarian rute optimum dengan studi kasus layanan pesan antar Pizza Hut Delivery (PHD) yang memperoleh nilai fitness terbesar pada generasi 50 dan 100[4]. Oleh karena itu, pada penelitian ini menggunakan algoritma evolution strategies untuk menyelesaikan permasalahan optimasi distribusi barang dua tahap melalui penelitian yang berjudul Penerapan Algoritma Evolution Strategies untuk Optimasi Distribusi Barang Dua Tahap. Penelitian ini bertujuan memperoleh solusi mendekati optimal untuk permasalahan distribusi barang dua tahap, yaitu distribusi dari produsen ke beberapa agen, dan dari agen ke beberapa sub agen. 1.2 Rumusan Masalah Berdasarkan permasalahan yang diuraikan pada bagian latar belakang, maka dirumuskan permasalahan sebagai berikut: 1. Bagaimana menerapkan algoritma evolution strategies untuk optimasi distribusi barang dua tahap. 2. Bagaimana menentukan parameter algoritma evolution strategies yang tepat untuk permasalahan distribusi barang dua tahap. 3. Bagaimana pengaruh parameter algoritma evolution strategies terhadap fitness dari solusi yang dihasilkan algoritma evolution strategies untuk optimasi distribusi barang dua tahap. 1.3 Batasan Masalah Agar penelitian ini dapat terfokus, perlu dilakukan pembatasan masalah, antara lain: 1. Penelitian ini menerapkan algoritma evolution strategies untuk optimasi distribusi barang dua tahap. 2. Distribusi barang dua tahap yang diselesaikan adalah menentukan jalur distribusi optimal dengan meminimalkan biaya distribusi dari produsen ke beberapa agen dan dari agen ke beberapa sub agen. 3. Parameter penentuan optimasi adalah kapasitas produsen, kebutuhan agen dan sub agen, serta biaya distribusi tanpa memperhitungkan jadwal produksi, jumlah kendaraan, dan pengaruh lainnya. 4. Jumlah permintaan konsumen diasumsikan tidak lebih besar atau sama dengan persediaan produsen. 5. Data yang digunakan merupakan data dummy yang dibuat oleh peneliti sendiri. 6. Input data ke sistem terdiri dari parameter ES dan parameter kasus. Parameter ES adalah ukuran populasi (µ), offspring (λ), parameter a, range nilai sigma, jumlah generasi, dan perbandingan mutasi segmen. Sedangkan parameter kasus adalah banyaknya produsen, agen, dan sub agen, kapasitas produsen, kebutuhan agen dan sub agen, serta biaya distribusi dari produsen ke agen, maupun agen ke sub agen. 7. Output yang dihasilkan oleh sistem adalah jalur distribusi optimal, total biaya distribusi, dan nilai fitness dari solusi optimal. 1.4 Tujuan Tujuan yang ingin dicapai dari penelitian ini adalah: 1. Menerapkan algoritma evolution strategies untuk optimasi distribusi barang dua tahap. 2. Mengetahui parameter algoritma evolution strategies yang tepat untuk menyelesaikan permasalahan distribusi barang dua tahap. 3. Mengetahui pengaruh parameter algoritma evolution strategies terhadap fitness dari solusi yang dihasilkan algoritma evolution strategies untuk optimasi distribusi barang dua tahap. 1.5 Manfaat Manfaat dari hasil penelitian ini adalah dihasilkan suatu sistem yang menerapkan algoritma evolution strategies yang dapat membantu perusahan untuk menentukan jalur distribusi barang dua tahap yang optimal. 2. TINJAUAN PUSTAKA 2.1 Distribusi Dua Tahap Pada distribusi dua tahap perusahaan akan membangun sebuah distributor yang nantinya menjadi fasilitas perantara antara
3 pabrik dan konsumen. Distributor dibangun sesuai dengan wilayah pemasaran yang dekat dengan lokasi agen atau konsumen[10]. Mekanisme distribusi dua tahap ini adalah dengan memindahkan barang hasil produksi dari pabrik dikirimkan ke beberapa distributor, selanjutnya distributor akan menyalurkan barang sesuai permintaan kepada beberapa agen atau konsumen yang lokasinya berdekatan dengan gudang distributor[2]. Tujuan dari distribusi dua tahap adalah mengoptimalkan biaya transportasi pada proses distribusi. Model distribusi dua tahap ditunjukkan pada Gambar 2.1. Fungsi tersebut memiliki beberapa batasan (constraint) dimana distribusi barang tidak melebihi maksimal kapasitas produksi seperti yang ditunjukkan pada Persamaan 2.2 dan Jumlah distributor yang dimiliki perusahaan tidak melebihi jumlah maksimal distributor yang ditentukan, dinyatakan pada Persamaan Barang yang dikirimkan dari distributor menuju konsumen tidak boleh kurang dari permintaan konsumen, dinyatakan pada Persamaan Gambar Model Distribusi Dua Tahap Sumber : (Chun & Yi, 2009) Berdasarkan Gambar 2.1 biaya optimal distribusi dua tahap dapat dimodelkan secara matematis dengan fungsi yang dinyatakan oleh Gen dalam Prabowo (2011). Fungsi pencarian biaya optimal distribusi dua tahap dinyatakan pada Persamaan 2.1. dimana, 2.1 i : Jumlah pabrik (i= 1,2,...i). k : Jumlah konsumen (k= 1,2,...k). j : Jumlah distributor (j= 1,2,...j). a i : Jumlah kapasitas produksi. b j : Jumlah kapasitas jual ditributor. x ij : Jumlah barang yang dikirimkan dari pabrik menuju distributor. y jk : Jumlah barang yang dikirimkan dari distributor menuju konsumen. d k : Jumlah permintaan dari konsumen k. t ij : Biaya perjalanan dari pabrik menuju distributor. c jk : Biaya perjalanan dari distributor menuju konsumen. W: Jumlah maksimal distributor yang ditentutan. Penawaran total dari pabrik diasumsikan tidak nol atau sama dengan permintaan total dari konsumen, dinyatakan pada Persamaan 2.6 dan Algoritma Evolution Strategies 2.7 Algoritma Evolution Strategies (ES) pertama kali dikembangkan oleh Schwefel and Rechenberg dari University of Berlin sekitar tahun 1960-an[7]. Algoritma evolution strategies sangat tepat digunakan untuk menyelesaikan permasalahan optimasi karena menghasilkan solusi yang mendekati optimal dari suatu permasalahan yang kompleks[1]. Struktur umum algoritma evolution strategies menggunakan notasi µ (miu) menyatakan ukuran populasi, λ (lamda) menyatakan banyaknya offspring, dan r yang menyatakan operator rekombinasi [8] pada literatur lain ditulis sebagai ρ (rho)[5]. Terdapat empat tipe dalam algoritma evolution strategies, yaitu[8]:
4 1. (µ, λ) Proses reproduksi tidak menggunakan rekombinasi. Seleksi hanya melibatkan individu dalam offspring (λ). 2. (µ+λ) Proses reproduksi tidak menggunakan rekombinasi. Seleksi melibatkan individu induk dalam populasi (µ) dan individu dalam offspring (λ). 3. (µ/r, λ) Reproduksi melibatkan proses rekombinasi. Seleksi melibatkan individu dalam offspring (λ) dalam proses seleksi. 4. (µ/r+ λ) Reproduksi menggunakan rekombinasi. Seleksi melibatkan individu induk dalam populasi (µ) dan individu dalam offspring (λ). Siklus penyelesaian masalah dengan menggunakan algoritma evolution strategies adalah sebagai berikut: 1. Representasi Kromosom Kromosom tersusun dari sejumlah gen yang merepresentasikan variabel-variabel solusi[7]. Pada algoritma evolution strategies, representasi kromosom disertai dengan fungsi fitness yang menyatakan kebaikan dari solusi, dan strategy parameters yang menyatakan level mutasi. Ada beberapa bentuk representasi kromosom, seperti representasi biner, integer, real, dan permutasi[8]. Pada penelitian ini menggunakan representasi permutasi untuk menyatakan solusi pada permasalahan distribusi barang dua tahap menggunakan algoritma evolution strategies. Setiap gen pada kromosom berupa angka integer yang menyatakan nomer dari setiap node. Gambar 2.2 merupakan contoh representasi permutasi. Node Kromosom Gambar 2.2 Representasi Permutasi 2. Reproduksi Proses reproduksi merupakan suatu proses dalam algoritma evolution strategies untuk membentuk suatu individu baru. Reproduksi pada ES (µ+λ) hanya menggunakan proses mutasi. Proses mutasi yang digunakan pada penelitian ini adalah exchange mutation. Metode mutasi exchange mutation bekerja dengan memilih dua posisi (exchange point/ XP) secara random, kemudian menukarkan nilai pada posisi tersebut[8]. Proses mutasi dengan metode exchange mutation dijelaskan pada Gambar 2.5. Parent Offspring Gambar 2.5 Proses Exchange Mutation Pada algoritma evolution strategies individu yang dibangkitkan disertai dengan nilai strategy parameters yang menyatakan level mutasi. Mekanisme self adaptation yang digunakan untuk mengontrol nilai strategy parameters menggunakan aturan 1/5, dimana nilai σ (strategy parameter) dinaikkan jika terdapat paling sedikit 1/5 atau 20% hasil mutasi yang menghasilkan individu yang lebih baik dari induknya, jika tidak maka nilai σ diturunkan. Aturan 1/5 ditunjukkan pada Persamaan 2.8[1]. { 2.8 Jika jumlah generasi lebih besar dari 30, maka nilai a yang direkomendasikan antara 0.85 a 1[1]. Offspring (λ) yang dihasilkan pada proses algoritma evolution strategies diperoleh dari perkalian populasi awal (µ) dengan suatu constanta dalam rentang nilai [0, 10], seperti yang ditunjukkan pada Persamaan 2.9[8] Seleksi Seleksi yang digunakan pada ES adalah elitism selection, yaitu seleksi dengan mengurutkan individu-individu yang memiliki nilai fitness tinggi ke rendah. Seleksi menghasilkan individu terbaik dengan nilai fitness tertinggi sesuai dengan jumlah populasi sebelumnya. 4. Menghitung nilai fitness Fungsi fitness digunakan untuk mengukur kebaikan solusi yang dibawa oleh suatu individu. Fungsi fitness yang digunakan untuk masalah optimasi
5 distribusi barang dua tahap, yaitu fungsi fitness untuk minimasi, dimana nilai fitness terbesar dari F(x) yang paling kecil. Fungsi fitness untuk minimasi ditunjukkan pada Persamaan 2.10 dan 2.11[8] C merupakan constanta yang ditentukan sebelumnya. 3. METODOLOGI PENELITIAN 3.1 Formulasi Masalah Dalam penelitian ini data parameter kasus yang digunakan adalah data dummy, yang dibuat oleh peneliti sendiri. Data tersebut berupa data kapasitas produsen, kebutuhan agen dan sub agen, serta biaya distribusi. Tabel 3.1 merupakan tabel data kapasitas produsen dan kebutuhan agen dan sub agen. Tabel 3.2 menjelaskan tabel biaya distribusi tahap 1, yaitu dari produsen ke agen. Tabel 3.3 adalah tabel biaya distribusi tahap 2, yaitu dari agen ke sub agen. Tabel 3.1 Tabel Kapasitas Produsen dan Kebutuhan Agen dan Sub Agen Node Produsen Agen Sub Agen Total Tabel 3.2 Tabel Biaya Distribusi Tahap 1 Agen1 Agen2 Agen3 Produsen Produsen Tabel 3.3 Tabel Biaya Distribusi Tahap 2 Sub1 Sub2 Sub3 Sub4 Agen Agen Agen Sedangkan untuk data parameter es yang digunakan untuk contoh perhitungan manual ditetapkan sebagai berikut: 1. 2 produsen, 3 agen, dan 4 sub agen 2. Ukuran populasi = 5 3. Ukuran offspring = 2µ 4. Parameter a = 0,85 5. Sigma (σ) = [1-3] 6. Jumlah generasi = 1 7. Rasio mutasi segmen = 50 : 30 : Representasi Kromosom Representasi kromosom yang digunakan untuk merepresentasikan solusi optimasi distribusi barang dua tahap adalah representasi permutasi dua segmen. Segmen pertama sepanjang 6 gen merepresentasikan distribusi dari produsen ke agen. Segmen kedua terdiri 12 gen yang merepresentasikan distribusi dari agen ke sub agen. Posisi gen pada kromosom segmen 1 dan segmen 2 ditunjukkan pada Gambar 3.2 dan Gambar 3.3. Agen1 Agen2 Agen3 Produsen Produsen Gambar 3.2 Posisi Gen pada Kromosom Segmen 1 Sub1 Sub2 Sub3 Sub4 Agen Agen Agen Gambar 3.3 Posisi Gen pada Kromosom Segmen 2 Inisalisasi kromosom dibentuk dengan menyusun posisi gen secara random. Setiap gen pada kromosom menyatakan prioritas distribusi. Gambar 3.4 adalah contoh kromosom yang dihasilkan. Tahap 1 Tahap 2 Posisi Kromo som Gambar 3.4 Representasi Kromosom 3.3 Perhitungan Fitness Fitness solusi yang dihasilkan sesuai dengan persamaan 2.11, dimana constanta bernilai 1 dan f(x) adalah total biaya distribusi dua tahap. Tabel 3.4 dan 3.5 menjelaskan pencarian jalur dan perhitungan biaya
6 distribusi untuk menghitung nilai fitness kromosom pada Gambar Tabel 3.4 Pencarian Jalur dan Biaya Distribusi Tahap 1 P1 segmen1 Produsen Agen Jalur Biaya (1,2) (2,1) (1,3) (2,3) Total Tabel 3.5 Pencarian Jalur dan Biaya Distribusi Tahap 2 P1 segmen2 Agen Sub Agen Jalur Biaya (1,3) (1,1) (3,2) (3,4) (2,1) Total Dari total biaya yang diperoleh pada Tabel 3.4 dan 3.5, selanjutnya dapat dihitung nilai fitness dari kromosom sebagai berikut: 3.4 Reproduksi Dalam penelitian ini proses ES yang digunakan adalah (µ+λ), sehingga pembentukan offspring menggunakan proses mutasi tanpa rekombinasi. Metode mutasi yang digunakan adalah exchange mutation. Strategy parameter menyatakan banyaknya proses mutasi yang dilakukan untuk menghasilkan 1 offspring. Gambar 3.5, 3.6, dan 3.7 menunjukkan proses mutasi P1, P3, dan P5 untuk menghasilkan offspring C1, C6, dan C9. P Proses Proses C Gambar 3.5 Proses Mutasi P1 Menghasilkan C1 Pada Gambar 3.5 terlihat bahwa mutasi P1 dilakukan pada segmen 1. Nilai strategy parameter P1 adalah atau dibulatkan menjadi 2. Hal ini berarti untuk menghasilkan C1, P1 harus melewati proses mutasi sebanyak 2 kali. P Proses Proses C Gambar 3.2 Proses Mutasi P3 Menghasilkan C6 Pada Gambar 3.6 terlihat bahwa mutasi P3 dilakukan pada segmen 2. Nilai strategy parameter P1 adalah atau dibulatkan menjadi 2. Hal ini berarti untuk menghasilkan C6, P3 harus melewati proses mutasi sebanyak 2 kali. P Proses C Gambar 3.7 Proses Mutasi P5 Menghasilkan C9 Pada Gambar 3.7 terlihat bahwa mutasi P5 dilakukan pada segmen 1 dan 2. Nilai strategy parameter P5 adalah atau dibulatkan menjadi 1. Hal ini berarti untuk menghasilkan C9, P5 harus melewati proses mutasi sebanyak 1 kali. 3.5 Seleksi Proses seleksi merupakan proses terakhir dalam satu generasi, dimana pada proses ini sistem menghasilkan populasi baru yang akan bereproduksi pada generasi berikutnya. Proses ES yang digunakan dalam penelitian ini adalah (µ+λ), sehingga proses seleksi melibatkan baik individu parent maupun individu dalam offspring. Metode yang digunakan adalah elitism selection, dimana memilih individu dengan nilai fitness terbaik sebanyak populasi yang ditentukan sebelumnya. Pada perhitungan manual ini populasi awal yang dibangkitkan sebanyak 5 individu, sehingga 5 individu yang terpilih untuk melalui proses ES pada generasi selanjutnya ditunjukkan pada Tabel 3.9. Tabel 3.6 Tabel Hasil Seleksi
7 P(t+1) Kromosom Tahap 1 Tahap 2 σ Fitness C ,1604 0,4139 P ,5417 0,4139 C ,4534 0,3436 C ,4534 0,3436 P ,3814 0, IMPLEMENTASI Proses perhitungan menggunakan algoritma evolution strategies dibagi menjadi beberapa tahapan, yaitu inisialisasi populasi awal, reproduksi, seleksi, dan pembangkitan populasi baru. Pada tab parent pada halaman proses perhitungan menampilkan inisialisasi populasi awal, seperti yang ditunjukkan pada Gambar 4.1. Hasil seleksi pada generasi ke-n ditunjukkan pada Gambar 4.4. Gambar 4.4 Implementasi Hasil Seleksi Populasi Generasi Ke-n Jalur optimal distribusi dua tahap ditampilkan pada tab optimal seperti yang ditunjukkan pada Gambar 4.5. Gambar 4.1 Implementasi Inisialisasi Populasi Awal Halaman proses perhitungan juga menampilkan hasil reproduksi pada tab offspring, seperti pada Gambar 4.2. Gambar 4.2 Implementasi Proses Reproduksi Pada tab seleksi menampilkan hasil seleksi, seperti yang ditunjukkan pada Gambar 4.3. Gambar 4.5 Implementasi Output Jalur Distribusi Optimal 5. PENGUJIAN DAN ANALISIS 5.1 Hasil Pengujian Ukuran Populasi Pengujian ukuran populasi (µ) bertujuan untuk mengetahui pengaruh ukuran populasi (µ) terhadap rata-rata nilai fitness dari solusi yang dihasilkan. Pengujian dilakukan pada ukuran populasi antara 20 hingga 100 dengan ukuran offspring 5µ dan jumlah generasi 50 serta perbandingan mutasi segmen 1: segmen 2: segmen 1 dan 2 adalah 50:30:20. Pengujian dilakukan sebanyak 10 kali percobaan. Pada setiap percobaan dicatat nilai fitness terbaik yang dihasilkan, kemudian dihitung rata-rata fitness untuk mengetahui ukuran populasi yang menghasilkan rata-rata nilai fitness terbaik. Tabel 6.1 merupakan hasil pengujian ukuran populasi. Gambar 4.3 Implementasi Proses Seleksi
8 Tabel 5.1 Hasil Pengujian Ukuran Populasi Ukuran Populasi percobaan ke rata-rata fitness 20 0, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , Hasil Pengujian Ukuran Populasi rata-rata fitness Ukuran Populasi Gambar 5.1 Grafik hasil Pengujian Ukuran Populasi Dari hasil pengujian menjelaskan bahwa ukuran populasi mempengaruhi fitness solusi yang dihasilkan. Berdasarkan Tabel 5.1 dan Gambar 5.1 terlihat bahwa ukuran populasi 100 menghasilkan rata-rata nilai fitness terbesar, yaitu 0, Sedangkan rata-rata nilai fitness terkecil dihasilkan dari ukuran populasi 20 dengan rata-rata nilai fitness 0, Berdasarkan hasil pengujian dapat dikatakan bahwa penambahan ukuran populasi tidak menjamin kenaikan rata-rata nilai fitness. Karena adanya konsep random dalam algoritma evolution strategies, dimana pembangkitan kromosom awal dan nilai strategy parameter serta penentuan titik mutasi dilakukan secara acak. Pada umumnya semakin kecil ukuran populasi menyebabkan ruang pelacakan solusi yang semakin sempit. Sebaliknya semakin besar ukuran populasi memberikan peluang pelacakan solusi lebih luas sehingga membuka peluang menghasilkan lebih banyak variasi individu. Namun, baik pada ukuran populasi besar maupun ukuran populasi kecil belum tentu menghasilkan solusi dengan fitness yang lebih baik karena adanya kemungkinan terjadi konvergensi. Pada saat konvergensi, proses pelacakan solusi tidak berjalan dengan baik dan menimbulkan kemungkinan offspring yang dihasilkan mirip dengan parentnya[8]. 5.2 Hasil Pengujian Ukuran Offspring Pengujian ukuran offspring (λ) bertujuan untuk mengetahui pengaruh ukuran offspring (λ) terhadap nilai fitness yang dihasilkan. Pengujian dilakukan pada ukuran offspring antara 1µ hingga 10µ dengan ukuran populasi yang merupakan hasil terbaik dari pengujian ukuran populasi, yaitu 80 dan jumlah generasi 50 serta perbandingan mutasi segmen 1: segmen 2: segmen 1 dan 2 adalah 50:30:20. Pengujian pada masing-masing ukuran offspring dilakukan sebanyak 10 kali percobaan. Pada akhir percobaan akan dihitung rata-rata nilai fitness terbaik dari
9 solusi dihasilkan untuk mengetahui ukuran offspring yang menghasilkan rata-rata nilai fitness terbaik. Tabel 5.2 merupakan hasil pengujian ukuran offspring. Ukuran O ffspring Tabel 5.2 Hasil Pengujian Ukuran Offspring Percobaan ke- umumnya penambahan ukuran offspring memungkinkan menghasilkan lebih banyak Rata-rata Fitness µ 0,2231 0,2233 0,2239 0,2216 0,2229 0,2242 0,2231 0,2219 0,2234 0,2244 0, µ 0,2169 0,2244 0,2231 0,2244 0,2244 0,2244 0,2244 0,2242 0,2237 0,2233 0, µ 0,2244 0,2244 0,2242 0,2244 0,2244 0,2244 0,2231 0,2193 0,2244 0,2242 0, µ 0,2244 0,2231 0,2244 0,2244 0,2244 0,2244 0,2244 0,2244 0,2242 0,2242 0, µ 0,2233 0,2244 0,2244 0,2244 0,2244 0,2244 0,2244 0,2242 0,2244 0,2244 0, µ 0,2244 0,2244 0,2244 0,2237 0,2244 0,2244 0,2231 0,2244 0,2244 0,2231 0, µ 0,2244 0,2244 0,2244 0,2237 0,2233 0,2244 0,2244 0,2244 0,2244 0,2244 0, µ 0,2242 0,2231 0,2242 0,2242 0,2242 0,2242 0,2242 0,2242 0,2242 0,2244 0, µ 0,2244 0,2244 0,2244 0,2244 0,2244 0,2242 0,2242 0,2237 0,2237 0,2244 0, µ 0,2244 0,2244 0,2244 0,2231 0,2242 0,2242 0,2244 0,2244 0,2244 0,2244 0, Hasil Pengujian Ukuran Offspring 1µ 2µ 3µ 4µ 5µ 6µ 7µ 8µ 9µ 10µ Ukuran Offspring rata-rata fitness Gambar 5.2 Grafik hasil Pengujian Ukuran Offspring Dari hasil pengujian menjelaskan bahwa ukuran populasi mempengaruhi fitness solusi yang dihasilkan. Berdasarkan hasil pengujian ukuran offspring yang tersaji baik dalam Tabel 5.2 maupun Gambar 5.2 terlihat bahwa ukuran offspring 5µ menghasilkan ratarata nilai fitness terbesar, yaitu 0, Sedangkan ukuran offspring 1µ menghasilkan rata-rata nilai fitness terkecil, yaitu 0, Berdasarkan Gambar 5.2 grafik hubungan ukuran offspring dengan rata-rata nilai fitness cenderung naik kecuali pada ukuran offspring 6µ dan 8µ. Hal ini menunjukkan bahwa semakin besar ukuran offspring tidak menjamin menghasilkan ratarata nilai fitness yang semakin besar. Pada variasi individu baru. Namun belum pasti menghasilkan solusi yang lebih baik karena pemilihan titik mutasi pada algoritma evolution strategies dilakukan secara acak. Selain itu juga dipengaruhi oleh nilai sigma (strategy parameter) parent yang dibangkitkan secara acak pada rentang yang sempit, yaitu antara 1 sampai 3. Sehingga menimbukan kemungkinan tidak menghasilkan solusi dengan nilai fitness yang lebih baik atau offspring yang dihasilkan identik dengan parentnya.
10 5.3 Hasil Pengujian Mutasi Segmen Pada penelitian ini mutasi dilakukan baik pada segmen 1, segmen 2, maupun pada segmen 1 dan 2. Pengujian mutasi segmen bertujuan untuk mengetahui perbandingan mutasi segmen yang dapat menghasilkan ratarata nilai fitness terbaik. Pengujian dilakukan pada ukuran populasi terbaik hasil pengujian ukuran populasi, yaitu 80 dengan ukuran offspring terpilih dari hasil pengujian ukuran offspring, yaitu 5µ dan jumlah generasi 50. Tabel 5.3 Hasil Pengujian Mutasi Segmen Pengujian dilakukan sebanyak 10 kali percobaan. Pada setiap percobaan dicatat nilai fitness terbaik yang dihasilkan, kemudian dihitung rata-rata fitness untuk mengetahui ukuran populasi yang menghasilkan rata-rata nilai fitness terbaik. Tabel 5.3 merupakan hasil pengujian mutasi segmen. Mutasi Percobaan ke- rata-rata Segmen fitness 100:0:0 0,1953 0,1979 0,196 0,2055 0,1925 0,1994 0,1995 0,2071 0,2116 0,201 0, :100:0 0, , ,2227 0, , ,22 0, ,2217 0, , , :0:100 0, , , , , , , , ,2242 0,2242 0, :30:20 0, , , , , , , , , , , :20:30 0, , , ,2231 0,2233 0, , , ,2242 0, , :50:20 0, , , ,2242 0,2231 0, , ,2242 0, , , :20:50 0, , , , , ,2242 0,2231 0, , , , :50:30 0, ,2231 0,2242 0, , ,2234 0, , , , , :30:50 0, , ,2242 0, ,2234 0, , , , , , Hasil Pengujian Mutasi Segmen :0:0 0:100:0 0:0:100 50:30:20 50:20:30 30:50:20 30:20:50 20:50:30 20:30:50 Perbandingan Mutasi Segmen Gambar 5.3 Grafik hasil Pengujian Mutasi Segmen Dari hasil pengujian menjelaskan bahwa penentuan titik mutasi pada segmen tertentu mempengaruhi nilai fitness yang dihasilkan. Berdasarkan hasil pengujian yang tersaji baik dalam Tabel 5.3 dan Gambar 5.3, perbandingan mutasi segmen 1: segmen 2: segmen 1 dan 2 yang menghasilkan rata-rata nilai fitness tertinggi adalah 20:30:50 dengan rata-rata nilai fitness sebesar 0, Sedangkan rata-rata nilai fitness terkecil adalah 0, dengan perbandingan mutasi segmen 1: segmen 2: segmen 1 dan 2 adalah 100:0:0 atau dengan kata lain mutasi dilakukan hanya pada segmen 1. Pada Gambar 5.3 terlihat bahwa ratarata nilai fitness kecuali pada perbandingan mutasi segmen 1: segmen 2: segmen 1 dan 2 100:0:0 memiliki selisih yang tidak terlalu besar dan rentang nilai fitness yang dihasilkan tergolong sempit, yaitu antara 0,223 dan 0,224. Hal ini menjelaskan bahwa pemilihan kombinasi titik mutasi selain mutasi hanya pada segmen 1, sudah menghasilkan solusi yang mendekati optimal. 5.4 Hasil Pengujian Jumlah Generasi Pengujian jumlah generasi bertujuan untuk mengetahui pengaruh ukuran jumlah generasi terhadap nilai fitness yang dihasilkan.
11 Pengujian dilakukan pada jumlah generasi antara 10 hingga 100 dengan ukuran populasi yang merupakan hasil terbaik dari pengujian ukuran populasi, yaitu 80 dan ukuran offspring terpilih dari pengujian ukuran offspring, yaitu 5µ serta perbandingan mutasi segmen 1: segmen 2: segmen 1 dan 2 adalah 20:30:50 yang merupakan kombinasi terbaik berdasarkan pengujian mutasi segmen. Pengujian pada masing-masing jumlah generasi dilakukan sebanyak 10 kali percobaan. Setiap percoban akan dicatat nilai fitness yang dihasilkan kemudian dihitung rata-rata nilai fitnes untuk mengetahui jumlah generasi yang menghasilkan rata-rata nilai fitness terbaik. Tabel 5.4 merupakan hasil pengujian jumlah generasi. Generasi Tabel 5.4 Hasil Pengujian Jumlah Generasi Percobaan Ke Rata-rata fitness 10 0,2159 0,2189 0,2244 0,2221 0,2202 0,2232 0,2217 0,2168 0,2203 0,2208 0, ,2203 0,2244 0,2231 0,2242 0,2244 0,2242 0,2244 0,2201 0,2244 0,2244 0, ,2244 0,2244 0,2233 0,2244 0,2235 0,2235 0,2244 0,2244 0,2242 0,2244 0, ,2242 0,2235 0,2244 0,2244 0,2242 0,2242 0,2244 0,2244 0,2242 0,2244 0, ,2244 0,2244 0,2244 0,2244 0,2242 0,2244 0,2244 0,2244 0,2242 0,2244 0, ,2244 0,2242 0,2244 0,2235 0,2235 0,2242 0,2244 0,2244 0,2244 0,2244 0, ,2244 0,2244 0,2242 0,2242 0,2244 0,2244 0,2242 0,2242 0,2242 0,2242 0, Hasil Pengujian Jumlah Generasi Axis Title rata-rata fitness Gambar 5.4 Grafik hasil Pengujian Jumlah Generasi Dari hasil pengujian menjelaskan bahwa jumlah generasi mempengaruhi nilai fitness yang dihasilkan. Berdasarkan hasil pengujian jumlah generasi yang tersaji baik dalam Tabel 6.4 maupun Gambar 6.4 terlihat bahwa jumlah generasi 50 menghasilkan ratarata nilai fitness terbesar, yaitu 0, Sedangkan rata-rata nilai fitness terkecil adalah 0, dihasilkan oleh generasi 10. Sebaliknya semakin sedikit jumlah generasi kemungkinan menghasilkan variasi individu baru lebih kecil. Namun untuk menghasilkan rata-rata nilai fitness yang lebih baik menjadi tidak pasti karena konsep random dalam algoritma evolution strategies, dimana pembangkitan kromosom awal dan nilai strategy parameter serta penentuan titik mutasi dilakukan secara acak. Penambahan jumlah generasi berpengaruh pada semakin lama waktu komputasi yang diperlukan. Sehingga pengujian jumlah generasi dilakukan sampai generasi PENUTUP 6.1. Kesimpulan Berdasarkan pembahasan pada Bab sebelumnya, kesimpulan yang dapat diambil dari penelitia penerapan algoritma evolution
12 strategies untuk optimasi distribusi barang dua tahap adalah sebagai berikut: 1. Algoritma evolution strategies dapat diterapkan dalam menyelesaikan permasalahan optimasi distribusi barang dua tahap dengan meminimalkan total biaya distribusi dua tahap. Dalam penelitian ini representasi kromosom yang digunakan untuk merepresentasikan solusi adalah representasi permutasi dua segmen, dimana segmen pertama merepresentasikan distribusi pada tahap 1, yaitu distribusi dari produsen ke agen dan segmen 2 merupakan representasi distribusi tahap 2, yaitu distribusi dari agen ke sub agen. 2. Dari hasil pengujian dapat disimpulkan bahwa ukuran populasi, ukuran offspring, penentuan titik mutasi pada segmen tertentu, dan jumlah generasi mempengaruhi fitness solusi yang dihasilkan. Penambahan ukuran populasi, ukuran offspring, dan jumlah generasi memungkinkan area pelacakan solusi yang luas serta membutuhkan waktu komputasi yang lama. Namun penambahan ukuran populasi, ukuran offspring, dan jumlah generasi tidak menjamin kenaikan nilai rata-rata fitness yang signifikan. Karena konsep random dalam algoritma evolution strategies, dimana pembangkitan kromosom awal dan nilai strategy parameter serta penentuan titik mutasi dilakukan secara acak. 3. Dari hasil pengujian diperoleh parameter algoritma evolution strategies yang menghasilkan fitness mendekati optimal, yaitu ukuran populasi 100, ukuran offspring (λ) 5µ, perbandingan mutasi segmen 1: segmen 2: segmen 3 adalah 20:30:50, dan jumlah generasi 50. Dengan menggunakan parameter tersebut diperoleh nilai fitness sebesar 0, Saran Berdasarkan penelitian yang telah dilakukan terdapat beberapa saran yang dapat bermanfaat bagi pengembangan penelitian ini: 1. Persoalan distribusi yang diselesaikan merupakan persoalan distribusi seimbang (jumlah permintaan tidak melebihi persediaan produsen). Padahal dalam kenyataan tidak dapat dipastikan bahwa jumlah permintaan akan selalu sama dan tidak melebihi persediaan produsen. Sehingga pada penelitian selanjutnya dapat dilakukan pada persoalan distribusi yang tidak seimbang. 2. Penelitian ini menggunakan siklus ES (µ+λ), penelitian selanjutnya dapat dilakukan menggunakan siklus lain dari algoritma evolution strategies. 7. Daftar Pustaka [1] Beyer, H.G. and Schwefel, H.P Evolution Strategies: A Comprehensive Introduction. Natural Computing 1: 3-52 [2] Chun, Feng and Yi, Zhang A Genetic Algorithm of Two-stage Supply Chain Distribution Problem Associated with Fixed Charge and Multiple Transportation Modes. Fifth International Conference on Natural Computation. [3] Eiben, A.E. & Smith, J.E Introduction to Evolutionary Computing. gusz/eebook/eebook.html. diakses pada 31 September [4] Endarwati, DA, Mahmudy, WF & Ratnawati, DE Pencarian Rute Optimum dengan Evolution Strategies. DORO: Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya, vol 4, n [5] Hansen, N., Arnold, D. V., Auger A Evolution Strategies. diakses tanggal 1 November [6] Harun, IA, Mahmudy, WF & Yudistira, N Implementasi Evolution Strategies untuk Penyelesaian Vehicle Routing Problem With Time Windows pada Distribusi Minuman Soda XYZ. DORO: Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya, vol 4, no. 1.
13 [7] Lange, Sacha Evolutionary Algorithms. Machine Learning Laboratory. University of Freiburg. _evolution.pdf. diakses pada tanggal 30 Oktober [8] Mahmudy, WF Algoritma Evolusi. Program Teknologi Informasi dan Ilmu Komputer, Universitas Brawijaya, Malang. [9] Ningrum, Lidya Agung Pencarian Biaya Minimum Pendistribusian Suatu Komoditi dengan Transportasi Dua Tahap Menggunakan Algoritma Genetik. Skripsi FMIPA Universitas Brawijaya, Malang [10] Prabowo, Ari K Penerapan Algoritma Genetik Dua Populasi pada Kasus Transportasi Dua Tahap. Skripsi FMIPA Universitas Brawijaya, Malang. [11] Pujawan, I Nyoman dan Mahendrawati Supply Chain Management. Surabaya: Penerbit Guna Widya.
PENERAPAN ALGORITMA GENETIKA UNTUK PERMASALAHAN OPTIMASI DISTRIBUSI BARANG DUA TAHAP
PENERAPAN ALGORITMA GENETIKA UNTUK PERMASALAHAN OPTIMASI DISTRIBUSI BARANG DUA TAHAP Riska Sulistiyorini ), Wayan Firdaus Mahmudy ), Program Studi Teknik Informatika Program Teknologi Informasi dan Ilmu
Lebih terperinciOPTIMASI DISTRIBUSI PUPUK MENGGUNAKAN EVOLUTION STRATEGIES
Journal of Environmental Engineering & Sustainable Technology Vol. 02 No. 02, November 2015, Pages 89-96 JEEST http://jeest.ub.ac.id OPTIMASI DISTRIBUSI PUPUK MENGGUNAKAN EVOLUTION STRATEGIES Fauziatul
Lebih terperinciPENCARIAN RUTE OPTIMUM DENGAN EVOLUTION STRATEGIES
PENCARIAN RUTE OPTIMUM DENGAN EVOLUTION STRATEGIES Diah Arum Endarwati 1,Wayan Firdaus Mahmudy, Dian Eka Ratnawati Program Studi Informatika/ Ilmu Komputer, Program Teknologi Informasi dan Ilmu Komputer
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK MENENTUKAN BIAYA MINIMAL DISTRIBUSI BARANG TIGA TAHAP PT. SEMEN TONASA
PENERAPAN ALGORITMA GENETIKA UNTUK MENENTUKAN BIAYA MINIMAL DISTRIBUSI BARANG TIGA TAHAP PT. SEMEN TONASA Andi Baharuddin 1, Aidawayati Rangkuti 2, Armin Lawi 3 Program Studi Matematika, Jurusan Matematika,
Lebih terperinciAlgoritma Evolusi Evolution Strategies (ES)
Algoritma Evolusi Evolution Strategies (ES) Imam Cholissodin imam.cholissodin@gmail.com Pokok Bahasan 1. Struktur Dasar Evolution Strategies (ES) 2. Siklus ES (µ, λ) 3. Siklus ES (µ/r + λ) 4. Studi Kasus
Lebih terperinciOPTIMASI TEBAR BENIH DAN PAKAN PADA SUATU KOLAM MENGGUNAKAN ALGORITMA EVOLUTION STRATEGIES
OPTIMASI TEBAR BENIH DAN PAKAN PADA SUATU KOLAM MENGGUNAKAN ALGORITMA EVOLUTION STRATEGIES Robby Kurniawan Mahasiswa Program Studi Teknik Informatika, FT UMRAH Nerfita Nikentari, ST., M.Cs Dosen Program
Lebih terperinciOptimasi Penataan Barang pada Proses Distribusi Menggunakan Algoritme Evolution Strategies
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 5, Mei 2018, hlm. 1874-1882 http://j-ptiik.ub.ac.id Optimasi Penataan Barang pada Proses Distribusi Menggunakan Algoritme
Lebih terperinciPenjadwalan Dinas Pegawai Menggunakan Algoritma Evolution Strategies pada PT. Kereta Api Indonesia (KAI) DAOP 7 Stasiun Besar Kediri
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 8, Agustus 2018, hlm. 2473-2479 http://j-ptiik.ub.ac.id Penjadwalan Dinas Pegawai Menggunakan Algoritma Evolution
Lebih terperinciOPTIMASI MODEL FUZZY AHP DENGAN MENGGUNAKAN ALGORITMA EVOLUTION STRATEGIES
OPTIMASI MODEL FUZZY AHP DENGAN MENGGUNAKAN ALGORITMA EVOLUTION STRATEGIES (STUDI KASUS: PEMILIHAN CALON PENERIMA BEASISWA PTIIK UNIVERSITAS BRAWIJAYA) Anis Maulida Dyah Ayu Putri 1, Wayan Firdaus Mahmudy
Lebih 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 terperinciPencarian Rute Terpendek pada Jalur Perlombaan Robot Pemadam Api dengan Algoritma Evolution Strategies
Pencarian Rute Terpendek pada Jalur Perlombaan Robot Pemadam Api dengan Algoritma Evolution Strategies Benny Ermawan Mahasiswa Program Studi Teknik Informatika, FT UMRAH Hendra Kurniawan, S.Kom., M.Sc.Eng
Lebih terperinciOptimalisasi Pengantaran Barang dalam Perdagangan Online Menggunakan Algoritma Genetika
Optimalisasi Pengantaran Barang dalam Perdagangan Online Menggunakan Algoritma Genetika Rozak Arief Pratama 1, Esmeralda C. Djamal, Agus Komarudin Jurusan Informatika, Fakultas MIPA Universitas Jenderal
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK MEMAKSIMALKAN LABA PRODUKSI JILBAB
Journal of Environmental Engineering & Sustainable Technology Vol. 02 No. 01, July 2015, Pages 06-11 JEEST http://jeest.ub.ac.id PENERAPAN ALGORITMA GENETIKA UNTUK MEMAKSIMALKAN LABA PRODUKSI JILBAB Samaher
Lebih terperinciPenerapan Evolution Strategies untuk Optimasi Travelling Salesman Problem With Time Windows pada Sistem Rekomendasi Wisata Malang Raya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 7, Juli 2018, hlm. 2487-2493 http://j-ptiik.ub.ac.id Penerapan Evolution Strategies untuk Optimasi Travelling Salesman
Lebih terperinciOptimasi distribusi barang dengan algoritma genetika
Optimasi distribusi barang dengan algoritma genetika Yasmin Ghassani Panharesi 1, Wayan Firdaus Mahmudy 2 Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email : yasminghassani@gmail.com 1,
Lebih terperinciIMPLEMENTASI ALGORITMA EVOLUTION STRATEGIES UNTUK OPTIMASI KOMPOSISI PAKAN TERNAK SAPI POTONG
IMPLEMENTASI ALGORITMA EVOLUTION STRATEGIES UNTUK OPTIMASI KOMPOSISI PAKAN TERNAK SAPI POTONG Himyatul Milah 1), Wayan Firdaus Mahmudy 2), Mahasiswa Program Studi Informatika / Ilmu Komputer Universitas
Lebih 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 terperinciOPTIMASI JADWAL MENGAJAR ASISTEN LABORATORIUM MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI JADWAL MENGAJAR ASISTEN LABORATORIUM MENGGUNAKAN ALGORITMA GENETIKA Indana Zulfa 1, Wayan Firdaus Mahmudy 2, Budi Darma Setiawan 3 Teknik Informatika, Program Teknologi Informasi dan Ilmu Komputer,
Lebih 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 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 terperinciOPTIMASI PERSEDIAAN BAJU MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI PERSEDIAAN BAJU MENGGUNAKAN ALGORITMA GENETIKA andra Aditya 1), Wayan Firdaus Mahmudy 2) 1) Program Studi Teknik Informatika, Fakultas Ilmu Komputer Malang Jl. Veteran, Malang 65145, Indonesia
Lebih terperinciPREDIKSI TIME SERIES TINGKAT INFLASI INDONESIA MENGGUNAKAN EVOLUTION STRATEGIES
PREDIKSI TIME SERIES TINGKAT INFLASI INDONESIA MENGGUNAKAN EVOLUTION STRATEGIES Universitas Telkom Jl.Telekomunikasi No. 1, Terusan Buah Batu, Bandung ritaris@telkomuniversity.ac.id Abstrak Prediksi tingkat
Lebih 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 terperinciOptimasi Komposisi Pakan Kambing Boer Menggunakan Algoritme Evolution Strategies
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 10, Oktober 2018, hlm. 3796-3801 http://j-ptiik.ub.ac.id Optimasi Komposisi Pakan Kambing Boer Menggunakan Algoritme
Lebih terperinciUSULAN RANCANGAN RUTE TRANSPORTASI MULTI TRIP
USULAN RANCANGAN RUTE TRANSPORTASI MULTI TRIP UNTUK MEMINIMASI BIAYA TRANSPORTASI DENGAN HETEROGENEOUS FLEET DAN TIME WINDOW MENGGUNAKAN METODE ALGORITMA GENETIKA DI PT.XYZ Muhammad Zuhdi Aiman Anka 1,
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 terperinciPENJADWALAN KAPAL PENYEBERANGAN MENGGUNAKAN ALGORITMA GENETIKA
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol. 3, No. 1, Maret 2016, hlm. 48-55 PENJADWALAN KAPAL PENYEBERANGAN MENGGUNAKAN ALGORITMA GENETIKA Ria Febriyana 1, Wayan Firdaus Mahmudy 2 Program
Lebih terperinciOPTIMASI PENJADWALAN CERDAS MENGGUNAKAN ALGORITMA MEMETIKA
OPTIMASI PENJADWALAN CERDAS MENGGUNAKAN ALGORITMA MEMETIKA Muhammad Arief Nugroho 1, Galih Hermawan, S.Kom., M.T. 2 1, 2 Universitas Komputer Indonesia Jl. Dipatiukur No. 112-116, Bandung 40132 E-mail
Lebih terperinciPenerapan Adaptive Genetic Algorithm dengan Fuzzy Logic Controller pada Capacitated Vehicle Routing Problem
Penerapan Adaptive Genetic Algorithm dengan Fuzzy Logic Controller pada Capacitated Vehicle Routing Problem Tri Kusnandi Fazarudin 1, Rasyid Kurniawan 2, Mahmud Dwi Sulistiyo 3 1,2 Prodi S1 Teknik Informatika,
Lebih terperinciBAB 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 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 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 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 terperinciPenerapan Algoritma Genetika untuk Penjadwalan Asisten Praktikum
Penerapan Algoritma Genetika untuk Penjadwalan Asisten Praktikum Okky Cintia Devi 1, Wayan Fidaus Mahmudy 2, Budi Darma Setiawan 3 Teknik Informatika, Program Teknologi Informasi dan Ilmu Komputer, Universitas
Lebih 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 terperinciOptimasi Penjadwalan Mata Pelajaran Menggunakan Algoritma Genetika (Studi Kasus : SMPN 1 Gondang Mojokerto)
Optimasi Penjadwalan Mata Pelajaran Menggunakan Algoritma Genetika (Studi Kasus : SMPN 1 Gondang Mojokerto) Dianita Dwi Permata Sari 1, Wayan Firdaus Mahmudy 2, Dian Eka Ratnawati 3 Teknik Informatika,
Lebih 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 terperinciKeywords 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
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 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 terperinciPenjadwalan Dinas Pegawai Menggunakan Algoritma Genetika Pada PT Kereta Api Indonesia (KAI) Daerah Operasi 7 Stasiun Besar Kediri
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 11, November 2018, hlm. 4371-4376 http://j-ptiik.ub.ac.id Penjadwalan Dinas Pegawai Menggunakan Algoritma Genetika
Lebih terperinciIII. METODOLOGI PENELITIAN
A. KERANGKA PEMIKIRAN III. METODOLOGI PENELITIAN Produksi bunga krisan yang mengalami peningkatan dari tahun ke tahun memberikan kontribusi yang positif kepada petani dalam peningkatan kesejahteraan mereka.
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 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 terperinciPeramalan Kebutuhan Beban Sistem Tenaga Listrik Menggunakan Algoritma Genetika
Peramalan Kebutuhan Beban Sistem Tenaga Listrik Menggunakan Algoritma Genetika M. Syafrizal, Luh Kesuma Wardhani, M. Irsyad Jurusan Teknik Informatika - Universitas Islam Negeri Sultan Syarif Kasim Riau
Lebih 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 terperinciPENERAPAN ALGORITMA GENETIKA PADA PERENCANAAN LINTASAN KENDARAAN Achmad Hidayatno Darjat Hendry H L T
PENERAPAN ALGORITMA GENETIKA PADA PERENCANAAN LINTASAN KENDARAAN Achmad Hidayatno Darjat Hendry H L T Abstrak : Algoritma genetika adalah algoritma pencarian heuristik yang didasarkan atas mekanisme evolusi
Lebih terperinciBab II Konsep Algoritma Genetik
Bab II Konsep Algoritma Genetik II. Algoritma Genetik Metoda algoritma genetik adalah salah satu teknik optimasi global yang diinspirasikan oleh proses seleksi alam untuk menghasilkan individu atau solusi
Lebih 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 terperinciPerancangan Dan Pembuatan Aplikasi Rekomendasi Jadwal Perkuliahan Pada Institut Informatika Indonesia Memanfaatkan Algoritma Genetika
Perancangan Dan Pembuatan Aplikasi Rekomendasi Jadwal Perkuliahan Pada Institut Informatika Indonesia Memanfaatkan Algoritma Genetika Hermawan Andika, S.Kom., M.Kom. Jurusan Teknik Informatika Institut
Lebih 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 terperinciOPTIMASI PENJADWALAN PERAWAT MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI PENJADWALAN PERAWAT MENGGUNAKAN ALGORITMA GENETIKA Rifqy Rosyidah Ilmi 1, Wayan Firdaus Mahmudy 2, Dian Eka Ratnawati 2 1 Mahasiswa, 2 Dosen Pembimbing Informatika, Fakultas Ilmu Komputer, Universitas
Lebih 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 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 terperinciAlgoritma Evolusi Optimasi Masalah Kombinatorial
Algoritma Evolusi Optimasi Masalah Kombinatorial Imam Cholissodin imam.cholissodin@gmail.com Pokok Bahasan 1. Travelling Salesman Problem (TSP) 2. Flow-Shop Scheduling Problem (FSP) 3. Two-Stage Assembly
Lebih terperinciTEKNIK PENJADWALAN KULIAH MENGGUNAKAN METODE ALGORITMA GENETIKA. Oleh Dian Sari Reski 1, Asrul Sani 2, Norma Muhtar 3 ABSTRACT
TEKNIK PENJADWALAN KULIAH MENGGUNAKAN METODE ALGORITMA GENETIKA Oleh Dian Sari Reski, Asrul Sani 2, Norma Muhtar 3 ABSTRACT Scheduling problem is one type of allocating resources problem that exist to
Lebih terperinciOPTIMASI PENJADWALAN KEGIATAN BELAJAR MENGAJAR DENGAN ALGORITMA GENETIK
OPTIMASI PENJADWALAN KEGIATAN BELAJAR MENGAJAR DENGAN ALGORITMA GENETIK Usulan Skripsi S-1 Jurusan Matematika Diajukan oleh 1. Novandry Widyastuti M0105013 2. Astika Ratnawati M0105025 3. Rahma Nur Cahyani
Lebih terperinciBAB 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 terperinciPenentuan Portofolio Saham Optimal Menggunakan Algoritma Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 1, Januari 2017, hlm. 63-68 http://j-ptiik.ub.ac.id Penentuan Portofolio Saham Optimal Menggunakan Algoritma Genetika
Lebih terperinciOptimasi Penjadwalan Mata Pelajaran Menggunakan Algoritme Genetika (Studi Kasus: SMK Negeri 2 Kediri)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 10, Oktober 2017, hlm. 1066-1072 http://j-ptiik.ub.ac.id Optimasi Penjadwalan Mata Pelajaran Menggunakan Algoritme
Lebih terperinciBAB I PENDAHULUAN. hampir di seluruh dunia, termasuk Indonesia. Alat transportasi ini memiliki
BAB I PENDAHULUAN 1.1 Latar Belakang Kereta api merupakan alat transportasi darat utama yang digunakan hampir di seluruh dunia, termasuk Indonesia. Alat transportasi ini memiliki multi keunggulan komparatif,
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 terperinciOptimasi Fungsi Tanpa Kendala Menggunakan Algoritma Genetika Dengan Kromosom Biner dan Perbaikan Kromosom Hill-Climbing
Optimasi Fungsi Tanpa Kendala Menggunakan Algoritma Genetika Dengan Kromosom Biner dan Perbaikan Kromosom Hill-Climbing Wayan Firdaus Mahmudy, (wayanfm@ub.ac.id) Program Studi Ilmu Komputer, Universitas
Lebih 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 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 terperinciAPLIKASI ALGORITMA GENETIKA DALAM MENENTUKAN SPESIFIKASI PC BERDASARKAN KEMAMPUAN FINANSIAL KONSUMEN
APLIKASI ALGORITMA GENETIKA DALAM MENENTUKAN SPESIFIKASI PC BERDASARKAN KEMAMPUAN FINANSIAL KONSUMEN Eva Haryanty, S.Kom. ABSTRAK Komputer adalah salah satu peralatan yang pada saat ini banyak pula digunakan
Lebih terperinciPERFORMANCE ALGORITMA GENETIKA (GA) PADA PENJADWALAN MATA PELAJARAN
PERFORMANCE ALGORITMA GENETIKA (GA) PADA PENJADWALAN MATA PELAJARAN Eva Desiana, M.Kom Pascasarjana Teknik Informatika Universitas Sumatera Utara, SMP Negeri 5 Pematangsianta Jl. Universitas Medan, Jl.
Lebih 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 Mata Pelajaran Pada Kurikulum 2013 Dengan Algoritme Genetika (Studi Kasus: SMA Negeri 3 Surakarta)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 12, Desember 2017, hlm. 1535-1542 http://j-ptiik.ub.ac.id Optimasi Penjadwalan Mata Pelajaran Pada Kurikulum 2013
Lebih terperinci2 TINJAUAN PUSTAKA. 2.1 Peringkasan Teks
4 2 TINJAUAN PUSTAKA 2.1 Peringkasan Teks Peringkasan teks adalah proses pemampatan teks sumber ke dalam versi lebih pendek namun tetap mempertahankan informasi yang terkandung didalamnya (Barzilay & Elhadad
Lebih terperinciPERBANDINGAN ALGORITMA EXHAUSTIVE, ALGORITMA GENETIKA DAN ALGORITMA JARINGAN SYARAF TIRUAN HOPFIELD UNTUK PENCARIAN RUTE TERPENDEK
PERBANDINGAN ALGORITMA EXHAUSTIVE, ALGORITMA GENETIKA DAN ALGORITMA JARINGAN SYARAF TIRUAN HOPFIELD UNTUK PENCARIAN RUTE TERPENDEK Rudy Adipranata 1) Felicia Soedjianto 2) Wahyudi Tjondro Teknik Informatika,
Lebih terperinciOptimasi Persediaan Barang Dalam Produksi Jilbab Menggunakan Algoritma Genetika
Optimasi Persediaan Barang Dalam Produksi Jilbab Menggunakan Algoritma Genetika Maretta Dwi Tika Ramuna 1), Wayan Firdaus Mahmudy 2) Program Studi Informatika / Ilmu Komputer Program Teknologi Informasi
Lebih terperinciBAB III MODEL DAN TEKNIK PEMECAHAN
BAB III MODEL DAN TEKNIK PEMECAHAN III.1. Diskripsi Sistem Sistem pendistribusian produk dalam penelitian ini adalah berkaitan dengan permasalahan vehicle routing problem (VRP). Berikut ini adalah gambar
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 terperinciALGORITMA GENETIKA. Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning
ALGORITMA GENETIKA Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning Disusun oleh: Achmad Basuki Politeknik Elektronika Negeri Surabaya, PENS ITS Surabaya 2003 Algoritma
Lebih 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 terperinciPEMAMPATAN MATRIKS JARANG DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL
Jurnal Matematika UNAND Vol. 3 No. 1 Hal. 98 106 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMAMPATAN MATRIKS JARANG DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL YOSI PUTRI, NARWEN
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 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 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 terperinciPendekatan Algoritma Genetika pada Peminimalan Fungsi Ackley menggunakan Representasi Biner
Vol. 7, 2, 108-117, Januari 2011 Pendekatan Algoritma Genetika pada Peminimalan Fungsi Ackley menggunakan Representasi Biner Jusmawati Massalesse Abstrak Tulisan ini dimaksudkan untuk memperlihatkan proses
Lebih 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 terperinciKNAPSACK PROBLEM DENGAN ALGORITMA GENETIKA
LAPORAN TUGAS BESAR ARTIFICIAL INTELLEGENCE KNAPSACK PROBLEM DENGAN ALGORITMA GENETIKA Disusun Oleh : Bayu Kusumo Hapsoro (113050220) Barkah Nur Anita (113050228) Radityo Basith (113050252) Ilmi Hayyu
Lebih terperinciOptimasi Pemilihan Pekerja Bangunan Proyek Pada PT. Citra Anggun Pratama Menggunakan Algoritma Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 2, Februari 2017, hlm. 80-84 http://j-ptiik.ub.ac.id Optimasi Pemilihan Pekerja Bangunan Proyek Pada PT. Citra Anggun
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK PENENTUAN BATASAN FUNGSI KENGGOTAAN FUZZY TSUKAMOTO PADA KASUS PERAMALAN PERMINTAAN BARANG
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol. 3, No. 3, September 2016, hlm. 169-173 PENERAPAN ALGORITMA GENETIKA UNTUK PENENTUAN BATASAN FUNGSI KENGGOTAAN FUZZY TSUKAMOTO PADA KASUS PERAMALAN
Lebih terperinciDenny Hermawanto
Algoritma Genetika dan Contoh Aplikasinya Denny Hermawanto d_3_nny@yahoo.com http://dennyhermawanto.webhop.org Lisensi Dokumen: Seluruh dokumen di IlmuKomputer.Com dapat digunakan, dimodifikasi dan disebarkan
Lebih 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 terperinciImplementasi Algoritma Genetika dalam Pembuatan Jadwal Kuliah
Implementasi Algoritma Genetika dalam Pembuatan Jadwal Kuliah Leonard Tambunan AMIK Mitra Gama Jl. Kayangan No. 99, Duri-Riau e-mail : leo.itcom@gmail.com Abstrak Pada saat ini proses penjadwalan kuliah
Lebih 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 terperinciImplementasi Sistem Penjadwalan Akademik Fakultas Teknik Universitas Tanjungpura Menggunakan Metode Algoritma Genetika
Jurnal Sistem dan Teknologi Informasi (JUSTIN) Vol. 1, No. 2, (2017) 28 Implementasi Sistem Penjadwalan Akademik Fakultas Teknik Universitas Tanjungpura Menggunakan Metode Algoritma Genetika Andreas Christian
Lebih terperinciModul Matakuliah Algoritma Evolusi oleh
Modul Matakuliah Algoritma Evolusi oleh Wayan Firdaus Mahmudy Program Teknologi Informasi dan Ilmu Komputer (PTIIK) Universitas Brawijaya September 2013 Kata Pengantar Buku ini disusun untuk mengisi kelangkaan
Lebih terperinciBAB I PENDAHULUAN 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 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 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 terperinciPenerapan Algoritma Genetika Untuk Vehicle Routing Problem with Time Window (VRPTW) Pada Kasus Optimasi Distribusi Beras Bersubsidi
Penerapan Algoritma Genetika Untuk Vehicle Routing Problem with Time Window (VRPTW) Pada Kasus Optimasi Distribusi Beras Bersubsidi Farah Bahtera Putri 1, Wayan Fidaus Mahmudy, Dian Eka Ratnawati Teknik
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 terperinciTugas Mata Kuliah E-Bisnis REVIEW TESIS
Tugas Mata Kuliah E-Bisnis REVIEW TESIS Desain Algoritma Genetika Untuk Optimasi Penjadwalan Produksi Meuble Kayu Studi Kasus Pada PT. Sinar Bakti Utama (oleh Fransiska Sidharta dibawah bimbingan Prof.Kudang
Lebih terperinciPenerapan Genetic Algorithm Untuk Optimasi Peningkatan Laba Persediaan Produksi Pakaian
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 6, Juni 218, hlm. 2168-2172 http://j-ptiik.ub.ac.id Penerapan Genetic Algorithm Untuk Optimasi Peningkatan Laba Persediaan
Lebih terperinciPenerapan Algoritme Genetika Untuk Penjadwalan Latihan Reguler Pemain Brass Marching Band (Studi Kasus: Ekalavya Suara Brawijaya)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 9, September 2018, hlm. 2950-2956 http://j-ptiik.ub.ac.id Penerapan Algoritme Genetika Untuk Penjadwalan Latihan
Lebih 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 terperinci