ALGORITMA GENETKA PADA MULTI DEPOT VEHICLE ROUTING PROBLEM (MDVRP)
|
|
- Sucianty Liana Muljana
- 7 tahun lalu
- Tontonan:
Transkripsi
1
2 ALGORITMA GENETKA PADA MULTI DEPOT VEHICLE ROUTING PROBLEM (MDVRP) Igusta Wibis Vidi Abar Purwanto 2 FMIPA Universitas Negeri Malang wibis.roccity@gmail.com Abstra: Multi Depot Vehicle Routing Problem (MDVRP)adalah perluasan dari Vehicle Routing Problem (VRP)Multiple Depot Vehicle routing problem ini berembang etia sejumlah endaraan dari beberapa depot (lebih dari satu) aan melauan pendistribusian e beberapa customer dan embali e depot yang sama dengan jara pendistribusian yang minimum tanpa melanggar endala apasitas dari endaraan. Algoritma Genetia pada MDVRP dibagi menjadi tiga tahap, yaitu grouping, routing dan scheduling. Pada tahap grouping, customer-customer dielompoan e depot terdeat, pada tahap ini dapat digunaan algoritma pada Shortest Path. Kemudian pada tahap Grouping, customer-customer dielompoan e sejumlah rute. Selanjutnya pada tahap Scheduling dilauan proses genetia, diantaranya selesi dengan metode Roulette, pindah silang dengan Order Crossover(OX) dan mutasi dengan Inversion Mutation. Pada contoh diperoleh solusi dengan total jara 285 m, dan dengan Algoritma Clar and Wright diperoleh solusi dengan total jara 5m. Sedangan pada contoh 2 diperoleh 4 rute sebagai solusi dengan total jara yang sama dengan Algoritma Clar and Wright, yaitu 797 m. Jadi, pada Algoritma Genetia dimunginan diperoleh lebih dari satu solusi dengan fitness yang sama, sehingga diperoleh alternatif solusi. Kata unci: algoritma genetia, Multi Depot Vehicle Routing Problem(MDVRP), Order Crossover(OX). Pada sebagian besar industri, biaya pendistribusian hasil produsi memegang proporsi yang besar dari rata-rata nilai penjualan. Perancangan sistem distribusi yang efetif dapat menghasilan penghematan biaya distribusi yang cuup signifian bagi perusahaan. Potensi peghematan biaya dapat dihasilan dari distribusi produ e beberapa customer yang diombinasian e dalam beberapa rute sehingga diperoleh jalur pendistribusian yang optimal. Salah satu cabang ilmu matematia yang dapat digunaan untu menyelesaian permasalahan tersebut adalah teori graph. Salah satu terapan dari teori graph yang banya digunaan untu menyelesaian permasalahan adalah Multi Depot Vehicle Routing Problem (MDVRP) yang merupaan perluasan dari Vehicle Routing Problem (VRP). Multi Depot Vehicle routing problem (MDVRP) ini berembang etia sejumlah endaraan dari beberapa depot (lebih dari satu) aan melauan pendistribusian e beberapa customer dan embali e depot yang sama dengan jara pendistribusian yang minimum tanpa melanggar endala apasitas dari endaraan (Sureha dan Sumathi, 20). Salah satu algoritma yang dapat digunaan untu menyelesaian Multi Depot Vehicle Routing Problem (MDVRP) adalah Algoritma Genetia. Sureha dan Sumanthi (20) dalam jurnal Solution to Multi Depot Vehicle Routing Problem Using Genetic Algorithms menulisan bahwa Algoritma Genetia pada Multi Depot Vehicle Routing Problem (MDVRP) dibagi e dalam 3 tahap, yaitu grouping, raouting, scheduling. Dalam tahap grouping, customer dielompoan e depot terdeat berdasaran jara antara customer dan depot. Kemudian. Igusta Wibis Vidi Abar adalah mahasiswa jurusan Matematia FMIPA Universitas Negeri Malang 2. Purwanto adalah dosen jurusan Matematia FMIPA Universitas Negeri Malang
3 2 customer-customer pada depot yang sama dielompoan e sejumlah rute pada tahap routing dan rute tersebut dievaluasi pada tahap scheduling. Tulisan ini membahas bagaimana Algoritma Genetia menyelesaian MDVRP dengan menggunaan Order Crossover sebagi metode pindah silang dan inversion mutation sebagai metode mutasi. Dan emudian solusi dari algoritna Genetia tersebut dibandingan dengan solusi dengan Algoritma Clar and Wright. HASIL DAN PEMBAHASAN Aldous dan Wilson (2000: 6) mengungapan gagasan tentang graph, yaitu diagram yang merepresentasian titi yang disebut vertes sebagai obje dan garis yang disebut sisi merepresentasian hubungan antar obje. Graph yang digunaan untu masalah pencarian rute endaraan adalah graph omplit yang telah diberi bobot yaitu bilangan yang berasosiasi pada setiap sisi. Graph omplit adalah graph yang setiap dua titi yang berbeda dihubungan oleh satu sisi. Graph omplit berbobot digunaan sebagai model dalam Multi Depot Vehicle Routing Problem (MDVRP). Multi Depot Vehicle Routing Problem (MDVRP) Multi Depot Vehicle Routing Problem (MDVRP) adalah suatu perluasan dari VRP yang merupaan permasalahan menentuan semua rute untu sejumlah endaraan dari depot-depot(lebih dari satu) untu himpunan customer dan embali e depot yang sama. Langah-langah pada MDVRP dapat dielompoan menjadi Grouping, Routing dan Scheduling. Dalam Grouping, customer dielompoane depot terdeat berdasaran jara antara customer dan depot. Selanjutnya dilauan tahap Routing, yaitu customer-customer pada depot yang sama dielompoan untu sejumlah rute. Tujuan dari Routing adalah untu meminimalisasi jumlah rute tanpa melanggar batas apasitas. Dan emudian ruterute diurutan dalam tahap Scheduling sehingga diperoleh rute dengan jara yang minimum. Sureha dan Sumathi(20) menulisan bahwa: D = adalah himpunan semua depot I = adalah himpunan semua customer K = adalah himpunan semua endaraan V = adalah jumlah endaraan d = adalah indes depot i = adalah indes customer = adalah indes endaraan/rute C id = adalah jara antara titi i dan d, i, d ε I D Q d = adalah apasitas masimum depot d q i = adalah permintaan dari customer i Q = adalah apasitas endaraan Fungsi tujuan Min iεi D dεi D εk C id X id
4 3 Dengan, jia endaraan dijalanan dari titi i e d X id = 0, untu yang lain, jia customer i dialoasian untu depot d Z id = 0, untu yang lain U l adalah batasan untu eliminasi sub-tour Dengan batasan-batasan sebagai beriut: Batasan : Setiap customer hanya diunjungi satu ali dan hanya oleh satu endaraan εk iεi D X id =, i N/{d} Batasan 2: Total permintaan dari setiap customer dalam satu rute tida boleh melebihi apasitas endaraan i I q i d I D X id Q, K Batasan 3: sub-tour eliminasi yang baru U l U i + VX id V, l, i I, K Batasan 4: setiap endaraan harus meninggalan customer yang telah diunjungi. i I D X id i I D X di = 0, i I D, K Batasan 5: Setiap rute dilayani satu ali. dεd iεi X id, K Batasan 6: Batasan apasitas untu depot yang diberian i I q i Z id Q d, d D Batasan 7: Sebuah customer dapat ditempatan pada suatu depot jia terdapat rute dari depot dan melalui customer tersebut. Z id + u I D (X ud + X id ), Batasan 8: Nilai positif untu variabel bantu U l 0, l I, K d D, i, u I D, K Algoritma Genetia pada Multi Depot Vehicle Routing Problem (MDVRP) Algoritma sebagai cabang dari Algoritma Evolusi merupaan metode adaptive yang biasa digunaan untu memecahan suatu pencarian nilai dalam
5 4 suatu masalah optimasi. Algoritma ini didasaran pada proses genetic yang ada dalam mahlu hidup, yaitu prembangan generasi dalam sebuah populasi yang alami, secara lambat laun mengiuti prinsip selesi alam atau siapa yang uat, dia yang bertahan (survivve). Dengan meniru teori evolusi ini, Algoritma Genetia dapat digunaan untu mencari solusi permasalahan-permasalahan dalam dunia nyata(basui, Achmad, 2003) Pada proses algoritma genetia terdapat beberapa hal yang harus dilauan, yaitu pengodean (encoding), mendefinisian nilai fitness, pembangitan populasi awal, selesi (selection), persilangan (crossover), mutasi (mutation). Pertama-tama, proses encoding adalah suatu proses odifiasi atas solusi dari permasalahannya, prose ini juga bias disebut sebagai endefinisian individu. Hasil encoding adalah berbentu string yang merupaan representasi dari suatu romosom atau individu. Proses selection menentuan romosom mana yang tetap tinggal pada generasi beriutnya. Proses crossover aan menghasilan romosom baru yang merupaan pengganti dari romosom yang hilang sehinga total romosom pada satu generasi berjumlah tetap. Proses mutation memunginan terjadinya romosom baru secara unpredictable. Keseluruhan proses tersebut aan menghasilan populasi baru, yang emudian aan digunaan sebagai populasi awal pada proses iterasi selanjutnya.. Pendefinisian individu(encoding) Teni encoding yang digunaan pada Multi Depot Vehicle Routing Problem adalah permutation encoding. Pada permutation encoding, romosomromosom adalah umpulan anga yang mewaili posisi customer atau depot pada suatu rute. 2. Pendefinisian Nilai Finess Pada evolusi di dunia nyata, individu bernilai fitness tinggi aan bertahan hidup, sedangan individu bernilai fitness rendah aan mati. Pada Algoritma Genetia, suatu individu dievaluasi berdasaran suatu fungsi tertentu sebagai uuran nilai fitness-nya. Pada masalah optimasi, jia masalahnya adalah meminimalan fungsi h(masalah minimasi), maa fungsinya adalah f = h, artinya semain ecil nilai h semain besar nilai f. Oleh arena itu digunaan fungsi fitness f = total jara. 3. Pembentuan populasi Salah satu cara dalam menghasilan poulasi awal adalah dengan menggunaan Permutasi Josephus. Misalan ada ota dari sampai 9. Permutasi dari lintasan dapat dilauan dengan menentuan titi awal dan selang. Misalnya titi awal adalah 6 dan selang adalah 5. Maa lintasan berangat dari ota 6, selang 5 dari ota 6 adalah ota 2 (dengan asumsi ota sampai 9 membentu circular list). Kota 2 dihapus dari list. Selang 5 emudian adalah ota 7. Proses ini diulang hingga semua ota terpilih. Hasil dari permutasi ini adalah
6 5 4. Selesi Pada tahap selesi digunaan metode roulette whell selection. Cara erja metode ini adalah sebagai beriut: a) Menghitung nilai fitness dari masing-masing individu (f i dimana i adalah individu e- sampai dengan e-n). b) Menghitung total fitness semua individu. c) Menghitung probabilitas masing-masing individu. d) Dari probabilitas tersebut, dihitung jatah masing-masing individu pada anga 0 sampai. e) Bangitan bilangan random antara 0 sampai. Dari bilangan random yang dihasilan, ditentuan individu mana yang aan terpilih dalam proses selesi. 5. Crossover Pada tahap pindah silang(crossover) digunaan metode Order Crossover(OX). Pada proses crossover terlebih dahulu membangitan bilangan aca antara 0 dan sebanya romosom dalam populasi. Jia nilai bilangan aca romosom lebih ecil atau sama dengan probabilitas crossover p c, maa romosom tersebut aan mengalami proses crossover. Selanjutnya romosom terpilih aan mengalami proses crossover dengan langah sebagai beriut.. Menentuan dua posisi secara random pada romosom sebagai substring. 2. Menyalin gen yang berada diantara substring tersebut e eturunan dengan posisi yang sama. 3. Mengurutan gen yang berada pada parent edua dengan urutan gen yang berada setelah posisi random edua diiuti dengan gen yang berada pada sebelum posisi random pertama dan diahiri dengan gen yang berada pada posisi diantara substring. 4. Kemudian gen yang telah diurutan tersebut dibandingan dengan parent pertama. Apabila gen tersebut ada pada parent pertama maa abaian gen tersebut dari urutan itu. 5. Kemudian memasuan urutan yang baru saja didapat pada eturunan dengan cara memasuan urutan gen pada posisi setelah posisi random edua terlebih dahulu dan sisanya dimasuan pada posisi sebelum posisi random pertama. Mengulangi langah 3 sampai 5 untu menghasilan eturunan edua. 6. Mutasi Metode mutasi yang digunaan adalah Inversion Mutation, yaitu memilih dua posisi dalam romosom secara random, emudian menginversian substring diantara dua posisi tersebut. Contoh Multi Depot Vehicle Routing Problem (MDVRP) dengan Algoritma Genetia Suatu perusahaan aan melauan pengiriman barang epada customer yang tersebar di berbagai daerah. Perusahaan tersebut memilii 2 depot yang terleta diantara customer-customer, yaitu depot 0 dan depot. Adapun daftar permintaan tiap customer seperti pada Tabel beriut:
7 6 Tabel Jumlah permintaan tiap customer Customer permintaan dan jara depot e customer dan antar customer dapat dilihat pada Tabel 2 beriut: Tabel 2 Jara depot e customer dan antar customer Dengan jumlah populasi adalah 6, probabilitas crossover (p c = 0,65), probabilitas mutasi (p m = 0,3) dan masimum generasi adalah 2, diperoleh hasil sebagai beriut : Rute untu depot 0 adalah dan dengan total jara 338 m. Atau dan dengan total jara 338 m. Rute untu depot adalah dan 7 8 dengan total jara 459 m. Atau dan 7 8 dengan total jara 459 m. Selain contoh diatas, telah diselesaian contoh lain dengan 3 depot dan 8 customer. Dan solusi dari masing-masing contoh dibandingan dengan solusi menggunaan Algoritma Clar and Wright(Masruroh, Annisa, 202). Solusi yang diperoleh dari masing-masing contoh disajian dalam Tabel 3 beriut:
8 7 Tabel 3 Perbandingan solusi dengan Algoritma Genetia dan Algoritma Clar and Wright Contoh Algoritma depot Rute jara 2 Genetia Clar and Wright Genetia Clar and Wright Atau Atau Total jara Terlihat bahwa dengan Algoritma Genetia dimunginan diperoleh beberapa solusi dengan total jara yang sama-sama minimum, seperti solusi pada contoh, diperoleh 4 rute dengan total jara yang sama. Namun solusi pada Algoritma Genetia tida selalu merupaan solusi yang terbai, arena solusi diperoleh dari solusi terbai pada iterasi terahir, seperti terlihat pada contoh 2, solusi pada Algoritma Genetia urang optimum jia dibandingan dengan solusi menggunaan Algoritma Clar and Wright. Dan untu contoh dengan banya titi aan diperluan jumlah iterasi atau masimum generasi yang banya pula, hal ini aan membutuhan watu pengerjaan yang lebih lama. PENUTUP Kesimpulan Berdasaran pembahasan diperoleh esimpulan sebagai beriut:. Model permasalahan yang aan diselesaian menggunaanmdvrp dengan Algoritma Genetia digambaran sebagai Graph omplit K n, dengan n adalah jumlah depot dan customer.algoritma Genetia pada MDVRP dapat dibagi e dalam 3 tahap, yaitu Grouping, Routing, dan Scheduling. Pada tahap Grouping, customer-customer dielompoan e depot dengan jara terdeat. Kemudian pada tahap Grouping, dibangun sejumlah rute dengan Permutasi Josephus untu customer-customer pada depot yang sama,
9 8 sehingga sejumlah rute tersebut aan menjadi populasi awal. Selanjutnya, pada tahap Scheduling dilauan proses-proses genetia, diantaranya selesi dengan metode roulette berdasaran nilai finess dari masing-masing romosom, emudian pindah silang (crossover) dengan metode Order Crossover(OX) dan mutasi dengan metode Inversion Mutation. Setelah itu, romosom-romosom awal dan romosom hasil pindah silang maupun mutasi diumpulan dan dipilih sejumlah romosom terbai sebagai hasil dari iterasi, dan nantinya aan digunaan sebagai populasi awal pada iterasi beriutnya. Proses ini aan dilauan berulang-ulang sampai batas masimum iterasi telah tercapai, sehingga romosom dengan fitness terbai(dengan jara minimum) pada iterasi terahir aan menjadi solusi dari Algoritma Genetia pada MDVRP. 2. Jia dibandingan dengan Algoritma Clar and Wright, solusi pada Algoritma Genetia pada MDVRP tida selalu merupaan solusi yang terbai, arena pencarian dilauan dengan cara random, namun hasil yang diperoleh pada algoritma Genetia bisa lebih dari satu solusi atau beragam, sehinngga diperoleh alternatif solusi. Seperti pada contoh 2 diperoleh alternatif solusi dengan total jara yang sama, yaitu dan 0 5 6, dan 5 0 6, dan 0 5 6, dan 5 0 6, dengan total jara yang sama yaitu 797 m. Saran Dalam tulisan ini, metode pindah silang yang digunaan adalah OX dan metode mutasi yang digunaan adalah Inversion Mutation, dimunginan bagi pembaca untu menganalisa hasil penyelesaian menggunaan metode pindah silang dan metode mutasi yang lain. Dan belum diaji bagaimana Implementasi Algoritma Genetia pada suatu program tertentu, dimunginan bagi pembaca untu mengaji Implementasi Algoritma Genetia pada Bahasa pemrograman tertentu. DAFTAR PUSTAKA Aldous, Joan M. and Wilson, Robin J Graphs and Applications An Introductory Approach. Great Britain: Springer. Basui, Achmad Algoritma Genetia. (Online) ( diases pada 2 Januari 203. Desiani, Anita dan Arhani, Muhammad Konsep Kecerdasan Buatan. Andi Publisher. Larson, Richard C., and Odini, Amedeo R Urban Operations Research. Massachusetts: Prentice-Hall. (Online), ( diases 0 Mei 203.
10 9 Masruroh, Annisa Algoritma Clar and Wright pada Multi Depot Vehicle Routing Problem. Sripsi tida diterbitan. Malang: Faultas Matematia dan Ilmu Pengetahuan Alam Universitas Negeri Malang. Sureha, P. & Sumathi, S. 20. Solution To Multi-Depot Vehicle Routing Problem Using Genetic Algorithms. WAP Journal, (Online), (3) : 8-3, ( Depot%20Vehicle%20Routing%20Problem%20Using%20Genetic%20Al gorithms.pdf), diases 2 Januari 203. Sarwadi & KSW, Anjar Algoritma Genetia untu Penyelesaian Masalah Vehicle Routing. Jurnal Matematia dan Komputer, (Online), 7(2) : -0, ( diases 3 Januari 203.
BAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Masalah untu mencari jalur terpende di dalam graf merupaan salah satu masalah optimisasi. Graf yang digunaan dalam pencarian jalur terpende adalah graf yang setiap sisinya
Lebih terperinciBAB IV Solusi Numerik
BAB IV Solusi Numeri 4. Algoritma Genetia Algoritma Genetia (AG) [2] merupaan teni pencarian stoasti yang berdasaran pada meanisme selesi alam dan prinsip penurunan genetia. Algoritma genetia ditemuan
Lebih terperinciBAB II LANDASAN TEORI. Graf adalah kumpulan simpul (nodes) yang dihubungkan satu sama lain
8 BAB II LANDASAN TEORI 2.1 Teori Graf 2.1.1 Definisi Graf Graf adalah umpulan simpul (nodes) yang dihubungan satu sama lain melalui sisi/busur (edges) (Zaaria, 2006). Suatu Graf G terdiri dari dua himpunan
Lebih terperinciPEMANFAATAN METODE HEURISTIK DALAM PENCARIAN JALUR TERPENDEK DENGAN ALGORITMA SEMUT DAN ALGORITMA GENETIKA
PEMANFAATAN METODE HEURISTIK DALAM PENCARIAN JALUR TERPENDEK DENGAN ALGORITMA SEMUT DAN ALGORITMA GENETIKA Iing Mutahiroh, Fajar Saptono, Nur Hasanah, Romi Wiryadinata Laboratorium Pemrograman dan Informatia
Lebih terperinciPERBANDINGAN PERFORMANSI ALGORITMA GENETIKA DAN ALGORITMA SEMUT UNTUK PENYELESAIAN SHORTEST PATH PROBLEM
Seminar Nasional Sistem dan Informatia 2007; Bali, 16 November 2007 PERBANDINGAN PERFORMANSI ALGORITMA GENETIKA DAN ALGORITMA SEMUT UNTUK PENYELESAIAN SHORTEST PATH PROBLEM Fajar Saptono 1) I ing Mutahiroh
Lebih terperinciOptimasi Non-Linier. Metode Numeris
Optimasi Non-inier Metode Numeris Pendahuluan Pembahasan optimasi non-linier sebelumnya analitis: Pertama-tama mencari titi-titi nilai optimal Kemudian, mencari nilai optimal dari fungsi tujuan berdasaran
Lebih terperinciImplementasi Algoritma Pencarian k Jalur Sederhana Terpendek dalam Graf
JURNAL TEKNIK POMITS Vol. 2, No., (203) ISSN: 2337-3539 (230-927 Print) Implementasi Algoritma Pencarian Jalur Sederhana Terpende dalam Graf Anggaara Hendra N., Yudhi Purwananto, dan Rully Soelaiman Jurusan
Lebih terperinciBAB VII ALGORITMA GENETIKA
BAB VII ALGORITMA GENETIKA Kompetensi : 1. Mahasiswa memahami onsep Algoritma Genetia Sub Kompetensi : 1. Dapat mengerti dasar metode Algoritma Genetia 2. Dapat memahami tahapan operator dalam Algoritma
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Model Loglinier adalah salah satu asus husus dari general linier model untu data yang berdistribusi poisson. Model loglinier juga disebut sebagai suatu model statisti
Lebih terperinciBAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK
BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK Proses pengenalan dilauan dengan beberapa metode. Pertama
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Statisti Inferensia Tujuan statisti pada dasarnya adalah melauan desripsi terhadap data sampel, emudian melauan inferensi terhadap data populasi berdasaran pada informasi yang
Lebih terperinciModifikasi ACO untuk Penentuan Rute Terpendek ke Kabupaten/Kota di Jawa
187 Modifiasi ACO untu Penentuan Rute Terpende e Kabupaten/Kota di Jawa Ahmad Jufri, Sunaryo, dan Purnomo Budi Santoso Abstract This research focused on modification ACO algorithm. The purpose of this
Lebih terperinciPENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT
Seminar Nasional Apliasi Tenologi Informasi 2007 (SNATI 2007) ISSN: 1907-5022 Yogyaarta, 16 Juni 2007 PENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT I ing Mutahiroh, Indrato, Taufiq Hidayat Laboratorium
Lebih terperinciPELABELAN FUZZY PADA GRAF. Siti Rahmah Nurshiami, Suroto, dan Fajar Hoeruddin Universitas Jenderal Soedirman.
JMP : Volume 6 Nomor, Juni 04, hal. - PELABELAN FUZZY PADA GRAF Siti Rahmah Nurshiami, Suroto, dan Fajar Hoeruddin Universitas Jenderal Soedirman email : oeytea0@gmail.com ABSTRACT. This paper discusses
Lebih terperinciIII DESKRIPSI DAN FORMULASI MASALAH PENGANGKUTAN SAMPAH DI JAKARTA PUSAT
III DESKRIPSI DAN FORMULASI MASALAH PENGANGKUTAN SAMPAH DI JAKARTA PUSAT 3.1 Studi Literatur tentang Pengelolaan Sampah di Beberapa Kota di Dunia Kaian ilmiah dengan metode riset operasi tentang masalah
Lebih terperinciBAB 3 LANGKAH PEMECAHAN MASALAH
BAB 3 LANGKAH PEMECAHAN MASALAH 3.1 Penetapan Kriteria Optimasi Gambar 3.1 Bagan Penetapan Kriteria Optimasi Sumber: Peneliti Determinasi Kinerja Operasional BLU Transjaarta Busway Di tahap ini, peneliti
Lebih terperinciPenggunaan Induksi Matematika untuk Mengubah Deterministic Finite Automata Menjadi Ekspresi Reguler
Penggunaan Indusi Matematia untu Mengubah Deterministic Finite Automata Menjadi Espresi Reguler Husni Munaya - 353022 Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung,
Lebih terperinciMODEL REGRESI INTERVAL DENGAN NEURAL FUZZY UNTUK MEMPREDIKSI TAGIHAN AIR PDAM
MODEL REGRESI INTERVAL DENGAN NEURAL FUZZY UNTUK MEMPREDIKSI TAGIHAN AIR PDAM 1,2 Faultas MIPA, Universitas Tanjungpura e-mail: csuhery@sisom.untan.ac.id, email: dedi.triyanto@sisom.untan.ac.id Abstract
Lebih terperinciBAB II TINJAUAN PUSTAKA. Gambar 2.1 Graf dengan 4 node dan 5 edge
BAB II TINJAUAN PUSTAKA 2.1. Teori Graf Graf digunaan untu merepresentasian obje-obje disrit dan hubungan antara obje-obje tersebut (Munir, 2005). Dalam menggambar graf, simpul digambaran dengan lingaran
Lebih terperinciRANCANG BANGUN VEHICLE ROUTING PROBLEM MENGGUNAKAN ALGORITMA TABU SEARCH
JURNAL FOURIER Otober 2015, Vol. 4, No. 2, 155 167 ISSN: 2252-763X RANCANG BANGUN VEHICLE ROUTING PROBLEM MENGGUNAKAN ALGORITMA TABU SEARCH Sulistiono 1, Noor Saif Muhammad Mussafi 2 1 Program Studi Matematia
Lebih terperinciNeural Network menyerupai otak manusia dalam dua hal, yaitu:
2.4 Artificial Neural Networ 2.4.1 Konsep dasar Neural Networ Neural Networ (Jaringan Saraf Tiruan) merupaan prosesor yang sangat besar dan memilii ecenderungan untu menyimpan pengetahuan yang bersifat
Lebih terperinciPENENTUAN MATCHING MAKSIMUM PADA GRAPH BIPARTISI BERBOBOT DENGAN MENGGUNAKAN ALGORITMA GENETIKA
PENENTUAN MATCHING MAKSIMUM PADA GRAPH BIPARTISI BERBOBOT DENGAN MENGGUNAKAN ALGORITMA GENETIKA,, Universitas Negeri Malang E-mail: love_nisza@yahoo.co.id ABSTRAK: Matching berguna untuk menyelesaikan
Lebih terperincimungkin muncul adalah GA, GG, AG atau AA dengan peluang masing-masing
. DISTRIUSI INOMIL pabila sebuah oin mata uang yang memilii dua sisi bertulisan ambar () dan nga () dilempar satu ali, maa peluang untu mendapatan sisi ambar adalah,5 atau. pabila oin tersebut dilempar
Lebih terperinciPENERAPAN ALGORITMA GENETIK UNTUK OPTIMASI TRANSFER DAYA PADA SISTEM SENSOR GAS METANA
Jurnal Neutrino Vol., No. April 010 108 PENERAPAN AGORITMA GENETIK UNTUK OPTIMAI TRANFER DAYA PADA ITEM ENOR GA METANA. Muthmainnah 1), Melania uweni Muntini ). Abstra: Pada penguuran perubahan gejala
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belaang Di aman searang sebuah adal yang tersusun rapi merupaan ebutuhan bagi setiap individu. Namun masalah penyusunan sebuah adal merupaan sebuah masalah umum yang teradi,
Lebih terperinciI. PENDAHULUAN. Teori graf merupakan salah satu bagian ilmu dari matematika dan merupakan
I. PENDAHULUAN. Latar Belaang Teori graf merupaan salah satu bagian ilmu dari matematia dan merupaan poo bahasan yang relatif muda jia dibandingan dengan cabang ilmu matematia yang lain seperti aljabar
Lebih terperinciIMPLEMENTASI DAN ANALISIS ALGORITMA PENCARIAN RUTE TERPENDEK DI KOTA SURABAYA
94 IMPLEMENTASI DAN ANALISIS ALGORITMA PENCARIAN RUTE TERPENDEK DI KOTA SURABAYA Yudhi Purwananto 1, Diana Purwitasari 2, Agung Wahyu Wibowo Jurusan Teni Informatia, Institut Tenologi Sepuluh Nopember
Lebih terperinciVariasi Spline Kubik untuk Animasi Model Wajah 3D
Variasi Spline Kubi untu Animasi Model Wajah 3D Rachmansyah Budi Setiawan (13507014 1 Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung, Jl. Ganesha 10 Bandung 40132,
Lebih terperinciPENERAPAN DYNAMIC PROGRAMMING DALAM WORD WRAP Wafdan Musa Nursakti ( )
PENERAPAN DYNAMIC PROGRAMMING DALAM WORD WRAP Wafdan Musa Nursati (13507065) Program Studi Teni Informatia, Seolah Teni Eletro dan Informatia, Institut Tenologi Bandung Jalan Ganesha No. 10 Bandung, 40132
Lebih terperinciPEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA
PEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA Sear Wulandari, Nur Salam, dan Dewi Anggraini Program Studi Matematia Universitas Lambung Mangurat
Lebih terperinciANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE)
Seminar Nasional Matematia dan Apliasinya, 1 Otober 17 ANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE) DALAM PENGENDALIAN KUALITAS PRODUKSI FJLB (FINGER JOINT LAMINATING BOARD)
Lebih terperinciPENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL SUTRIANI HIDRI
PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL SUTRIANI HIDRI Jurusan Matematia, FMIPA, Universitas Negeri Maassar Email: nanni.cliq@gmail.com Abstra. Pada artiel ini dibahas
Lebih terperinciStudi dan Analisis mengenai Hill Cipher, Teknik Kriptanalisis dan Upaya Penanggulangannya
Studi dan Analisis mengenai Hill ipher, Teni Kriptanalisis dan Upaya enanggulangannya Arya Widyanaro rogram Studi Teni Informatia, Institut Tenologi Bandung, Jl. Ganesha 10 Bandung Email: if14030@students.if.itb.ac.id
Lebih terperinciPenentuan Nilai Ekivalensi Mobil Penumpang Pada Ruas Jalan Perkotaan Menggunakan Metode Time Headway
Rea Racana Jurnal Online Institut Tenologi Nasional Teni Sipil Itenas No.x Vol. Xx Agustus 2015 Penentuan Nilai Eivalensi Mobil Penumpang Pada Ruas Jalan Perotaan Menggunaan Metode Time Headway ENDI WIRYANA
Lebih terperinciPENENTUAN JENIS PRODUK KOSMETIK PILIHAN BERDASARKAN FAKTOR USIA DAN WARNA KULIT MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN
PENENTUAN JENIS PRODUK KOSMETIK PILIHAN BERDASARKAN FAKTOR USIA DAN WARNA KULIT MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN Amethis Otaorora 1, Bilqis Amaliah 2, Ahmad Saihu 3 Teni Informatia, Faultas Tenologi
Lebih terperinciPENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL. Sutriani Hidri. Ja faruddin. Syafruddin Side, ABSTRAK
PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL Syafruddin Side, Jurusan Matematia, FMIPA, Universitas Negeri Maassar email:syafruddinside@yahoo.com Info: Jurnal MSA Vol. 3
Lebih terperinciANALISIS KERJA ALGORITMA TABU SEARCH PADA VEHICLE ROUTING PROBLEM WITH BACKHAUL (VRPB) DENGAN PERBAIKAN 2-OPT
1 ANALISIS KERJA ALGORITA TABU SEARH PADA VEHILE ROUTING PROBLE WITH BAKHAUL (VRPB) DENGAN PERBAIKAN 2-OPT Berlian Trifal ahendra 1 Sapti Wahyuningsih 2 FIPA Universitas Negeri alang E-mail: vecchiasignora8@gmail.com
Lebih terperinciANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI DENGAN VARIASI JUMLAH TINGKAT
Jurnal Sipil Stati Vol. No. Agustus (-) ISSN: - ANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI - DENGAN VARIASI JUMLAH TINGKAT Revie Orchidentus Francies Wantalangie Jorry
Lebih terperinciBAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA
BAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA Pada penelitian ini, suatu portfolio memilii seumlah elas risio. Tiap elas terdiri dari n, =,, peserta dengan umlah besar, dan
Lebih terperinciISSN : e-proceeding of Engineering : Vol.4, No.2 Agustus 2017 Page 2892
ISSN : 2355-9365 e-proceeding of Engineering : Vol.4, No.2 Agustus 2017 Page 2892 PENENTUAN RUTE ARADA ENGGUNAKAN ALOGARITA TABU SEARCH PADA HOOGENUS FLEET VEHICLE ROUTING PROBLE WITH TIE WINDOWS DI PT.
Lebih terperinciSistem Navigasi Perjalanan Berbasis Web Dengan Algoritma Koloni Semut (Ant Colony Algorithm)
Sistem Navigasi Perjalanan Berbasis Web Dengan Algoritma Koloni Semut (Ant Colony Algorithm) Arna Fariza 1, Entin Martiana 1, Fidi Wincoo Putro 2 Dosen 1, Mahasiswa 2 Politeni Eletronia Negeri Surabaya
Lebih terperincikhazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika
hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Program
Lebih terperincikhazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika
hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Departemen
Lebih terperinciPenggunaan Metode Bagi Dua Terboboti untuk Mencari Akar-akar Suatu Persamaan
Jurnal Penelitian Sains Volume 16 Nomor 1(A) Januari 013 Penggunaan Metode Bagi Dua Terboboti untu Menari Aar-aar Suatu Persamaan Evi Yuliza Jurusan Matematia, FMIPA, Universitas Sriwijaya, Indonesia Intisari:
Lebih terperinciKLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE
KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE Warih Maharani Faultas Teni Informatia, Institut Tenologi Telom Jl. Teleomuniasi No.1 Bandung 40286 Telp. (022) 7564108
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 terperinciPENERAPAN FUZZY GOAL PROGRAMMING DALAM PENENTUAN INVESTASI BANK
PENERAPAN FUZZY GOAL PROGRAMMING DALAM PENENTUAN INVESTASI BANK Nurul Khotimah *), Farida Hanum, Toni Bahtiar Departemen Matematia FMIPA, Institut Pertanian Bogor Jl. Meranti, Kampus IPB Darmaga, Bogor
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Teori Fuzzy 2.1.1 Dasar-Dasar Teori Fuzzy Secara prinsip, di dalam teori fuzzy set dapat dianggap sebagai estension dari teori onvensional atau crisp set. Di dalam teori crisp
Lebih terperinciAplikasi diagonalisasi matriks pada rantai Markov
J. Sains Dasar 2014 3(1) 20-24 Apliasi diagonalisasi matris pada rantai Marov (Application of matrix diagonalization on Marov chain) Bidayatul hidayah, Rahayu Budhiyati V., dan Putriaji Hendiawati Jurusan
Lebih terperinciBAB III METODE SCHNABEL
BAB III METODE SCHNABEL Uuran populasi tertutup dapat diperiraan dengan teni Capture Mar Release Recapture (CMRR) yaitu menangap dan menandai individu yang diambil pada pengambilan sampel pertama, melepasan
Lebih terperinciCATATAN KULIAH RISET OPERASIONAL
CATATAN KULIAH RISET OPERASIONAL Pertemuan minggu pertama ( x 50 menit) Pemrograman Bulat Linear (Integer Linear Programming - ILP) Tuuan Instrusional Umum : Mahasiswa dapat menggunaan algoritma yang
Lebih terperinciPENINGKATAN EFISIENSI & EFEKTIFITAS PENGOLAHAN DATA PERCOBAAN PETAK BERJALUR
PENINGKATAN EFISIENSI & EFEKTIFITAS PENGOLAHAN DATA PERCOBAAN PETAK BERJALUR Ngarap Im Mani 1) dan Lim Widya Sanjaya ), 1) & ) Jurs. Matematia Binus University PENGANTAR Perancangan percobaan adalah suatu
Lebih terperinciAPLIKASI PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF RADIAL BASIS FUNCTION DENGAN METODE PEMBELAJARAN HYBRID
APLIKASI PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF RADIAL BASIS FUNCTION DENGAN METODE PEMBELAJARAN HYBRID Ferry Tan, Giovani Gracianti, Susanti, Steven, Samuel Luas Jurusan Teni Informatia, Faultas
Lebih terperinciMODEL OPTIMASI PEMETAAN MATA KULIAH BERPRASYARAT UNTUK RENCANA STUDI MAHASISWA (STUDI KASUS PROGRAM STUDI MATEMATIKA FMIPA UT)
MODEL OPTIMASI PEMETAAN MATA KULIAH BERPRASYARAT UNTUK RENCANA STUDI MAHASISWA (STUDI KASUS PROGRAM STUDI MATEMATIKA FMIPA UT) Asmara Iriani Tarigan (asmara@ut.ac.id) Sitta Alief Farihati Jurusan Matematia
Lebih terperinciPENGENALAN POLA DENGAN MENGGUNAKAN METODE BACKPROPAGATION MENGGUNAKAN MATLAB
PENGENALAN POLA DENGAN MENGGUNAKAN METODE BACKPROPAGATION MENGGUNAKAN MATLAB Wirda Ayu Utari Universitas Gunadarma utari.hiaru@gmail.com ABSTRAK Program pengenalan pola ini merupaan program yang dibuat
Lebih terperinciSTUDI PENYELESAIAN PROBLEMA MIXED INTEGER LINIER PROGRAMMING DENGAN MENGGUNAKAN METODE BRANCH AND CUT OLEH : RISTA RIDA SINURAT
TUGAS AKHIR STUDI PENYELESAIAN PROBLEMA MIXED INTEGER LINIER PROGRAMMING DENGAN MENGGUNAKAN METODE BRANCH AND CUT OLEH : RISTA RIDA SINURAT 040803023 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU
Lebih terperinciUji Alternatif Data Terurut Perbandingan antara Uji Jonckheere Terpstra dan Modifikasinya Ridha Ferdhiana 1 Statistics Peer Group
Uji Alternatif Data Terurut Perbandingan antara Uji Joncheere Terpstra dan Modifiasinya Ridha Ferdhiana Statistics Peer Group Jurusan Matematia FMIPA Universitas Syiah Kuala Banda Aceh, Aceh, 23 email:
Lebih terperinciVARIASI NILAI BATAS AWAL PADA HASIL ITERASI PERPINDAHAN PANAS METODE GAUSS-SEIDEL
SEMINAR NASIONAL PENDIDIKAN SAINS Peningatan Kualitas Pembelajaran Sains dan Kompetensi Guru melalui Penelitian & Pengembangan dalam Menghadapi Tantangan Abad-1 Suraarta, Otober 016 VARIASI NILAI BATAS
Lebih terperinciPenempatan Optimal Phasor Measurement Unit (PMU) dengan Integer Programming
JURAL TEKIK POMITS Vol. 2, o. 2, (2013) ISS: 2337-3539 (2301-9271 Print) B-137 Penempatan Optimal Phasor Measurement Unit (PMU) dengan Integer Programming Yunan Helmy Amrulloh, Rony Seto Wibowo, dan Sjamsjul
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 terperinciDESKRIPSI SISTEM ANTRIAN PADA BANK SULUT MANADO
DESKRIPSI SISTEM ANTRIAN PADA BANK SULUT MANADO 1 Selvia Hana, Tohap Manurung 1 Jurusan Matematia, FMIPA, Universitas Sam Ratulangi Jurusan Matematia, FMIPA, Universitas Sam Ratulangi Abstra Antrian merupaan
Lebih terperinciIMPLEMENTASI ALGORITMA KOLONI SEMUT PADA PROSES PENCARIAN JALUR TERPENDEK JALAN PROTOKOL DI KOTA YOGYAKARTA
Seminar Nasional Informatia 2009 (semnasif 2009) ISSN: 1979-2328 UPN Veteran Yogyaarta, 23 Mei 2009 IMPLEMENTASI ALGORITMA KOLONI SEMUT PADA PROSES PENCARIAN JALUR TERPENDEK JALAN PROTOKOL DI KOTA YOGYAKARTA
Lebih terperinciKORELASI ANTARA DUA SINYAL SAMA BERBEDA JARAK PEREKAMAN DALAM SISTEM ADAPTIF. Sri Arttini Dwi Prasetyawati 1. Abstrak
KORELASI ANARA DUA SINYAL SAMA BERBEDA JARAK PEREKAMAN DALAM SISEM ADAPIF Sri Arttini Dwi Prasetyawati 1 Abstra Masud pembahasan tentang orelasi dua sinyal adalah orelasi dua sinyal yang sama aan tetapi
Lebih terperinciVI. PEMILIHAN MODA (Modal Split/Choice)
VI. PEMILIHAN MODA (Modal Split/Choice) 6.. UMUM Tujuan: Mengetahui proporsi pengaloasian perjalanan e berbagai moda transportasi. Ada dua emunginan situasi yang dihadapi dalam meramal pemilihan moda:
Lebih terperinciMateri. Menggambar Garis. Menggambar Garis 9/26/2008. Menggambar garis Algoritma DDA Algoritma Bressenham
Materi IF37325P - Grafia Komputer Geometri Primitive Menggambar garis Irfan Malii Jurusan Teni Informatia FTIK - UNIKOM IF27325P Grafia Komputer 2008 IF27325P Grafia Komputer 2008 Halaman 2 Garis adalah
Lebih terperinciII. TINJAUAN PUSTAKA. sebuah teknik yang baru yang disebut analisis ragam. Anara adalah suatu metode
3 II. TINJAUAN PUSTAKA 2.1 Analisis Ragam (Anara) Untu menguji esamaan dari beberapa nilai tengah secara sealigus diperluan sebuah teni yang baru yang disebut analisis ragam. Anara adalah suatu metode
Lebih terperinciKumpulan soal-soal level seleksi provinsi: solusi:
Kumpulan soal-soal level selesi provinsi: 1. Sebuah bola A berjari-jari r menggelinding tanpa slip e bawah dari punca sebuah bola B berjarijari R. Anggap bola bawah tida bergera sama seali. Hitung ecepatan
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENENTU NILAI INTERVAL KADAR LEMAK TUBUH MENGGUNAKAN REGRESI INTERVAL DENGAN NEURAL FUZZY
SISTEM PENDUKUNG KEPUTUSAN PENENTU NILAI INTERVAL KADAR LEMAK TUBUH MENGGUNAKAN REGRESI INTERVAL DENGAN NEURAL FUZZY Tedy Rismawan dan Sri Kusumadewi Laboratorium Komputasi dan Sistem Cerdas, Jurusan Teni
Lebih terperinciINTEGRAL NUMERIK KUADRATUR ADAPTIF DENGAN KAIDAH SIMPSON. Makalah. Disusun guna memenuhi tugas Mata Kuliah Metode Numerik. yang dibimbing oleh
INTEGRAL NUMERIK KUADRATUR ADAPTIF DENGAN KAIDAH SIMPSON Maalah Disusun guna memenuhi tugas Mata Kuliah Metode Numeri yang dibimbing oleh Dr. Nur Shofianah Disusun oleh: M. Adib Jauhari Dwi Putra 146090400111001
Lebih terperinciOPTIMASI PENGATURAN RUTE KENDARAAN DENGAN MUATAN KONTAINER PENUH MENGGUNAKAN METODE DEKOMPOSISI LAGRANGIAN
OIMASI ENGAURAN RUE KENARAAN ENGAN MUAAN KONAINER ENUH MENGGUNAKAN MEOE EKOMOSISI LAGRANGIAN Ahmed ata Fardiaz Rully Soelaiman S.Kom M.Kom Jurusan eni Informatia Faultas enologi Informasi Institut enologi
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK TRAVELING SALESMAN PROBLEM DENGAN MENGGUNAKAN METODE ORDER CROSSOVER DAN INSERTION MUTATION
PENERAPAN ALGORITMA GENETIKA UNTUK TRAVELING SALESMAN PROBLEM DENGAN MENGGUNAKAN METODE ORDER CROSSOVER DAN INSERTION MUTATION Samuel Lukas 1, Toni Anwar 1, Willi Yuliani 2 1) Dosen Teknik Informatika,
Lebih terperinciKARAKTERISTIK POHON FUZZY
KARAKTERISTIK POHON FUZZY Yuli Stiawati 1, Dwi Juniati 2, 1 Jurusan Matematia, Faultas Matematia dan Ilmu Pengetahuan Alam, Universitas Negeri Surabaya, 60231 2 Jurusan Matematia, Faultas Matematia dan
Lebih terperinciPENERAPAN PROGRAM DINAMIS UNTUK MENGHITUNG ANGKA FIBONACCI DAN KOEFISIEN BINOMIAL
PENERAPAN PROGRAM DINAMIS UNTUK MENGHITUNG ANGKA FIBONACCI DAN KOEFISIEN BINOMIAL Reisha Humaira NIM 13505047 Program Studi Teni Informatia Institut Tenologi Bandung Jl. Ganesha 10, Bandung E-mail : if15047@students.if.itb.ac.id
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN A. Tempat dan Watu Penelitian Penelitian ini dilauan di Jurusan Matematia Faultas Matematia dan Ilmu Pengetahuan Alam Universitas Lampung. Watu penelitian dilauan selama semester
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN APLIKASI
27 BAB 3 ANALISIS DAN PERANCANGAN APLIKASI 3.1 Analisis Pada subbab ini akan diuraikan tentang analisis kebutuhan untuk menyelesaikan masalah jalur terpendek yang dirancang dengan menggunakan algoritma
Lebih 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 3 PRINSIP SANGKAR BURUNG MERPATI
BAB 3 PRINSIP SANGKAR BURUNG MERPATI 3. Pengertian Prinsip Sangar Burung Merpati Sebagai ilustrasi ita misalan terdapat 3 eor burung merpati dan 2 sangar burung merpati. Terdapat beberapa emunginan bagaimana
Lebih terperinciPenerapan Sistem Persamaan Lanjar untuk Merancang Algoritma Kriptografi Klasik
Penerapan Sistem Persamaan Lanjar untu Merancang Algoritma Kriptografi Klasi Hendra Hadhil Choiri (135 08 041) Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung,
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 terperinciDeret Pangkat. Ayundyah Kesumawati. June 23, Prodi Statistika FMIPA-UII
Keonvergenan Kesumawati Prodi Statistia FMIPA-UII June 23, 2015 Keonvergenan Pendahuluan Kalau sebelumnya, suu suu pada deret ta berujung berupa bilangan real maa ali ini ita embangan suu suunya dalam
Lebih terperinciMENGHITUNG PELUANG PERSEBARAN TRUMP DALAM PERMAINAN CONTRACT BRIDGE
MENGHITUNG PELUANG PERSEBARAN TRUMP DALAM PERMAINAN CONTRACT BRIDGE Desfrianta Salmon Barus - 350807 Jurusan Teni Informatia, Institut Tenologi Bandung Bandung e-mail: if807@students.itb.ac.id ABSTRAK
Lebih terperinciFUNGSI BANTU NONPARAMETRIK BARU UNTUK MENYELESAIKAN OPTIMASI GLOBAL
Seminar Nasional Matematia dan Apliasinya, 2 Otober 27 FUNGSI BANTU NONPARAMETRIK BARU UNTUK MENYELESAIKAN OPTIMASI GLOBAL Ridwan Pandiya #, Emi Iryanti #2 # S Informatia, Faultas Tenologi Industri dan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Tinjauan Pustaa Untu menacapai tujuan penulisan sripsi, diperluan beberapa pengertian dan teori yang relevan dengan pembahasan. Karena itu, dalam subbab ini aan diberian beberapa
Lebih terperinciALGORITMA GENETIKA PADA PEMROGRAMAN LINEAR DAN NONLINEAR
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 5, No. 03(2016), hal 265 274. ALGORITMA GENETIKA PADA PEMROGRAMAN LINEAR DAN NONLINEAR Abdul Azis, Bayu Prihandono, Ilhamsyah INTISARI Optimasi
Lebih terperinciMetode Penggerombolan Berhirarki
4 TINJAUAN PUSTAKA Analisis gerombol dalam bidang riset pemasaran sering diistilahan sebagai analisis segmentasi, merupaan alat statistia peubah ganda yang bertujuan untu mengelompoan n indiidu data e
Lebih terperinciSISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER. Abstrak
SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER Oleh : Pandapotan Siagia, ST, M.Eng (Dosen tetap STIKOM Dinamia Bangsa Jambi) Abstra Sistem pengenal pola suara atau yang lebih dienal dengan
Lebih terperinciSISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER
SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER Pandapotan Siagian, ST, M.Eng Dosen Tetap STIKOM Dinamia Bangsa - Jambi Jalan Sudirman Theoo Jambi Abstra Sistem pengenal pola suara atau
Lebih terperinciUJI BARTLETT. Elty Sarvia, ST., MT. Fakultas Teknik Jurusan Teknik Industri Universitas Kristen Maranatha Bandung. Scheffe Multiple Contrast Procedure
8/9/01 UJI TUKEY UJI DUNCAN UJI BARTLETT UJI COCHRAN UJI DUNNET Elty Sarvia, ST., MT. Faultas Teni Jurusan Teni Industri Universitas Kristen Maranatha Bandung Macam Metode Post Hoc Analysis The Fisher
Lebih terperinciPencitraan Tomografi Elektrik dengan Elektroda Planar di Permukaan
Abstra Pencitraan omografi Eletri dengan Eletroda Planar di Permuaan D. Kurniadi, D.A Zein & A. Samsi KK Instrumentasi & Kontrol, Institut enologi Bandung Jl. Ganesa no. 10 Bandung Received date : 22 November2010
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 terperinciESTIMASI TRAJECTORY MOBILE ROBOT MENGGUNAKAN METODE ENSEMBLE KALMAN FILTER SQUARE ROOT (ENKF-SR)
SEMINAR NASIONAL PASCASARJANA SAL ESIMASI RAJECORY MOBILE ROBO MENGGUNAKAN MEODE ENSEMBLE KALMAN FILER SQUARE ROO (ENKF-SR) eguh Herlambang Zainatul Mufarrioh Firman Yudianto Program Studi Sistem Informasi
Lebih terperinciPEMODELAN OPTIMALISASI PRODUKSI UNTUK MEMAKSIMALKAN KEUNTUNGAN DENGAN MENGGUNAKAN METODE PEMROGRAMAN LINIER
PEMODELAN OPTIMALISASI PRODUKSI UNTUK MEMAKSIMALKAN KEUNTUNGAN DENGAN MENGGUNAKAN METODE PEMROGRAMAN LINIER Tantri Windarti Program Studi Sistem Informasi STMIK Surabaya Jl Raya Kedung Baru 98, Surabaya
Lebih terperinciGENERALISASI METODE TALI BUSUR UNTUK MENYELESAIKAN PERSAMAAN TAK LINEAR SUNARSIH
GENERALISASI METODE TALI BUSUR UNTUK MENYELESAIKAN PERSAMAAN TAK LINEAR SUNARSIH DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011 ABSTRACT SUNARSIH.
Lebih terperinciPENENTUAN FAKTOR KALIBRASI ACCELEROMETER MMA7260Q PADA KETIGA SUMBU
PENENTUAN FAKTOR KALIBRASI ACCELEROMETER MMA7260Q PADA KETIGA SUMBU Wahyudi 1, Adhi Susanto 2, Sasongo P. Hadi 2, Wahyu Widada 3 1 Jurusan Teni Eletro, Faultas Teni, Universitas Diponegoro, Tembalang,
Lebih terperinciPENENTUAN FAKTOR SELEKTIFITAS PENISILIN G TERHADAP FENILASETAT SECARA EKSTRAKSI MEMBRAN CAIR EMULSI DENGAN MENGGUNAKAN CARRIER DIOKTILAMIN
PENENTUAN FAKTOR SELEKTIFITAS PENISILIN G TERHADAP FENILASETAT SECARA EKSTRAKSI MEMBRAN CAIR EMULSI DENGAN MENGGUNAKAN CARRIER DIOKTILAMIN Imam Santoso, Tritiyatma Hadinugraha Ningsih urusan Kimia, Faultas
Lebih terperinciALGORITMA PENYELESAIAN PERSAMAAN DINAMIKA LIQUID CRYSTAL ELASTOMER
ALGORITMA PENYELESAIAN PERSAMAAN DINAMIKA LIQUID CRYSTAL ELASTOMER Oleh: Supardi SEKOLAH PASCA SARJANA JURUSAN ILMU FISIKA UNIVERSITAS NEGERI YOGYAKARTA 2012 1 PENDAHULUAN Liquid Crystal elastomer (LCE
Lebih terperinciSOLUSI KESTABILAN PADA MASALAH MULTIPLIKATIF PARAMETRIK (STABILITY SOLUTION OF PARAMETRIC MULTIPLICATIVE PROBLEMS)
Prosiding Semirata15 bidang MIPA BKS-PTN Barat Hal 357-36 SOLUSI KESTABILAN PADA MASALAH MULTIPLIKATIF PARAMETRIK STABILITY SOLUTION OF PARAMETRIC MULTIPLICATIVE PROBLEMS) Budi Rudianto 1, Narwen Jurusan
Lebih terperinciBAB I PENDAHULUAN. Universitas Sumatera Utara
BAB I PENDAHULUAN 1.1 Latar Belakang Setelah berkembangnya AI (Artifical Intelligence), banyak sekali ditemukan sejumlah algoritma yang terinspirasi dari alam. Banyak persoalan yang dapat diselesaikan
Lebih terperinciBAB IV PERHITUNGAN HARGA PREMI BERDASARKAN FUNGSI PERMINTAAN PADA TITIK KESETIMBANGAN
BAB IV PERHITUNGAN HARGA PREMI BERDASARKAN FUNGSI PERMINTAAN PADA TITIK KESETIMBANGAN Berdasaran asumsi batasan interval pada bab III, untu simulasi perhitungan harga premi pada titi esetimbangan, maa
Lebih terperinciBAB I PENDAHULUAN. lebih efektif dan efisien karena akan melewati rute yang minimal jaraknya,
BAB I PENDAHULUAN A. Latar Belakang Distribusi merupakan proses penyaluran produk dari produsen sampai ke tangan masyarakat atau konsumen. Kemudahan konsumen dalam mendapatkan produk yang diinginkan menjadi
Lebih terperinci