PEMANFAATAN METODE HEURISTIK DALAM PENCARIAN JALUR TERPENDEK DENGAN ALGORITMA SEMUT DAN ALGORITMA GENETIKA
|
|
- Sudomo Setiawan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 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 Teori, Universitas Islam Indonesia ABSTRAKSI Tanpa program omputer hanyalah menjadi sebuah ota yang ta berguna. Secara umum, pencarian jalur terpende dapat dibagi menjadi dua metode yaitu metode onvensional dan heuristi. Pemanfaatan metode heuristi yang diharapan dapat menyelesaian masalah pencarian jalur terpende dengan hasil yang lebih variatif dan dengan watu perhitungan yang lebih singat. Pada metode onvensional logia yang dipaai hanya dengan membandingan jara masing-masing node dan emudian mencari jara yang terpende. Namun, elemahan metode onvesional pada eauratan hasil yang didapatan serta tingat esalahan yang dihasilan pada perhitungan. Hal tersebut tida aan menjadi masalah jia data yang dibutuhan hanya sediit, sebalinya maa aan menyebaban peningatan tingat esalahan perhitungan dan penurunan eauratan. Pemanfaatan tenologi informasi pada pencarian jalur terpende menghasilan suatu hasil atau eluaran yang aurat dan tepat, untu pilihan perjalanan seseorang dengan mempertimbangan beberapa parameter yang lain. Untu asus yang berbeda algoritma aan memberian hasil yang berbeda, tida dapat dipastian bahwa algoritma semut atau geneti yang terbai. Secara onsep algoritma, metode onvesional lebih mudah untu dipahami tetapi, hasil yang diperoleh dari metode heuristi lebih variatif. Dengan metode heuristi, watu perhitungan yang diperluan lebih cepat 30% dibandingan dengan menggunaan metode onvensional. Kata unci: Pencarian jalur terpende, Heuristi, Algoritma Semut, Algoritma Genetia 1. PENDAHULUAN Untu menggunaan atau memfungsian sebuah omputer maa harus terdapat program yang terdistribusi di dalamnya, tanpa program omputer hanyalah menjadi sebuah ota yang ta berguna. Program yang terdapat pada omputer sangat bervariasi dan setiap program pasti menggunaan algoritma. Algoritma merupaan umpulan perintah untu menyelesaian suatu masalah. Perintahperintahnya dapat diterjemahan secara bertahap dari awal hingga ahir. Masalah tersebut dapat berupa apapun dengan catatan untu setiap masalah memilii riteria ondisi awal yang harus dipenuhi sebelum menjalanan algoritma. Dalam ehidupan, sering dilauan perjalanan dari satu tempat atau ota e tempat yang lain dengan mempertimbangan efisiensi, watu dan biaya sehingga diperluan etepatan dalam menentuan jalur terpende antar suatu ota. Hasil penentuan jalur terpende aan menjadi pertimbangan dalam pengambilan eputusan untu menununjuan jalur yang aan ditempuh dan yang didapatan juga membutuhan ecepatan dan eauratan dengan bantuan omputer. Secara umum, pencarian jalur terpende dapat dibagi menjadi dua metode, yaitu metode onvensional dan metode heuristi. Metode onvensional cenderung lebih mudah dipahami daripada metode heuristi, tetapi jia dibandingan, hasil yang diperoleh dari metode heuristi lebih variatif dan watu perhitungan yang diperluan lebih singat. a. Rumusan Masalah Seringali penyelesaian masalah jalur terpende masih menggunaan metode onvensional bahan menggunaan perhitungan manual. Pemanfaatan metode heuristi masih sangat jarang digunaan, Sehingga dapat dirumusan sebuah masalah yaitu dengan pemanfaatan metode heuristi yang diharapan nantinya dapat menyelesaian masalah pencarian jalur terpende dengan hasil yang lebih variatif dan dengan watu perhitungan yang lebih singat. b. Batasan Masalah Dari latar belaang dan rumusan masalah yang telah delasan, penelitian dibatasi pada dua jenis algoritma yang digunaan dalam metode heuristi, yaitu algoritma genetia (Genetic Algorithm, GA) dan algoritma semut (Ant Colony Algorithm, Antco). c. Tujuan Penelitian Penelitian bertujuan menyelesaian masalah rute menggunaan metode heuristi, hususnya algoritma genetia dan algoritma semut, mencoba mengimplementasian dengan sebuah asus sederhana, dan mempelajari lebih dalam tentang cabang dari ilmu ecerdasan buatan. B-33
2 d. Manfaat Penelitian Manfaat yang dapat diambil dari penelitian adalah: 1. Menawaran penyelesaian yang lebih mudah dalam perhitungan (sesuai dengan tujuan algoritma heuristi) untu pencarian jalur terpende 2. Dapat diapliasian menjadi sebuah perangat luna 2. LANDASAN TEORI a. Pencarian jalur terpende Secara umum penyelesaian masalah pencarian jalur terpende dapat dilauan menggunaan dengan dua buah metode, yaitu metode algoritma onvensional dan metode heuristi. Metode algoritma onvensional diterapan dengan cara perhitungan matematis seperti biasa, sedangan metode heuristi diterapan dengan perhitungan ecerdasan buatan, dengan menentuan basis pengetahuan dan perhitungannya. a. Metode onvensional Metode onvensional berupa algoritma yang menggunaan perhitungan matematis biasa. Ada beberapa metode onvensional yang biasa digunaan untu melauan pencarian jalur terpende, diantaranya algoritma Djistraa, algoritma Floyd-Warshall, dan algoritma Bellman-Ford b. Metode heuristi Adalah sub bidang dari ecerdasan buatan yang digunaan untu melauan pencarian dan penentuan jalur terpende. Ada beberapa algoritma pada metode heuristi yang biasa digunaan dalam pencarian jalur terpende. Namun dalam penelitian dibatasi hanya membahas dua macam algoritma yaitu algoritma semut dan algoritma genetia. b. Algoritma semut Algoritma Semut diadopsi dari perilau oloni semut yang dienal sebagai sistem semut (Dorigo, 1996). Secara alamiah oloni semut mampu menemuan rute terpende dalam perjalanan dari sarang e tempat-tempat sumber maanan. L R L R (a) (b) L R L R (c) (d) Gambar 1. Perjalanan semut menemuan sumber maanan. Koloni semut dapat menemuan rute terpende antara sarang dan sumber maanan berdasaran jeja ai pada lintasan yang telah dilalui. Semain banya semut yang melalui suatu lintasan, maa semain jelas beas jeja ainya. Hal ini menyebaban lintasan yang dilalui semut dalam jumlah sediit, semain lama semain berurang epadatan semut yang melewatinya, atau bahan aan tida dilewati sama seali. Sebalinya lintasan yang dilalui semut dalam jumlah banya, semain lama aan semain bertambah epadatan semut yang melewatinya, atau bahan semua semut melalui lintasan tersebut. Gambar 1.a menujuan perjalanan semut dalam menemuan jalur terpende dari sarang e sumber maanan, terdapat dua elompo semut yang melauan perjalanan. Kelompo semut L berangat dari arah iri e anan dan elompo semut R berangat dari anan e iri. Kedua elompo berangat dari titi yang sama dan dalam posisi pengambilan eputusan jalan sebelah mana yang aan diambil. Kelompo L membagi dua elompo lagi. Sebagian melalui jalan atas dan sebagian melalui jalan bawah. Hal ini juga berlau pada elompo R. Gambar 1.b dan Gambar 1.c menunjuan bahwa elompo semut berjalan pada ecepatan yang sama dengan meninggalan feromon atau jeja ai di jalan yang telah dilalui. Feromon yang ditinggalan oleh umpulan semut yang melalui jalan atas telah mengalami banya penguapan arena semut yang melalui jalan atas berjumlah lebih sediit dari pada jalan yang di bawah. Hal ini disebaban jara yang ditempuh lebih panjang daripada jalan bawah. Sedangan feromon yang berada di jalan bawah penguapannya cenderung lebih lama. Karena semut yang melalui jalan bawah lebih banya daripada semut yang melalui jalan atas. Gambar 1.d menunjuan bahwa semut-semut yang lain pada ahirnya memutusan untu melewati jalan bawah arena feromon yang ditinggalan masih banya. Sedangan feromon pada jalan atas sudah banya menguap sehingga semut-semut tida memilih jalan atas tersebut. Semain banya semut yang melalui jalan maa semain banya semut yang mengiutinya, semain sediit semut yang melalui jalan, maa feromon yang ditinggalan semain berurang bahan hilang. Dari sinilah emudian terpilihlah jalur terpende antara sarang dan sumber maanan. Dalam algoritma semut, diperluan beberapa variabel dan langah-langah untu menentuan jalur terpende, yaitu: Langah 1: a. Inisialisasi harga parameter-parameter algoritma. Parameter-parameter yang di inisialisasian adalah: 1. Intensitas jeja semut antar ota dan perubahannya (τ ) B-34
3 2. Banya ota (n) termasu x dan y (oordinat) atau d (jara antar ota) 3. Tetapan silus-semut (Q) 4. Tetapan pengendali intensitas jeja semut (α) 5. Tetapan pengendali visibilitas (β) 6. Visibilitas antar ota = 1/d (η) 7. Banya semut (m) 8. Tetapan penguapan jeja semut (ρ) 9. Jumlah silus masimum (NCmax) bersifat tetap selama algoritma dalanan, sedangan τ aan selalu diperbaharui harganya pada setiap silus algoritma mulai dari silus pertama (NC=1) sampai tercapai jumlah silus masimum (NC=NCmax) atau sampai terjadi onvergensi. b. Inisialisasi ota pertama setiap semut. Setelah inisialisasi τ dilauan, emudian m semut ditempatan pada ota pertama tertentu secara aca. Langah 2: Pengisian ota pertama e dalam tabu list. Hasil inisialisasi ota pertama setiap semut dalam langah 1 harus diisian sebagai elemen pertama tabu list. Hasil dari langah ini adalah terisinya elemen pertama tabu list setiap semut dengan indes ota tertentu, yang berarti bahwa setiap tabu (1) bisa berisi indes ota antara 1 sampai n sebagaimana hasil inisialisasi pada langah 1. Langah 3: Penyusunan rute unjungan setiap semut e setiap ota. Koloni semut yang sudah terdistribusi e sejumlah atau setiap ota, aan mulai melauan perjalanan dari ota pertama masing-masing sebagai ota asal dan salah satu ota-ota lainnya sebagai ota tujuan. Kemudian dari ota edua masingmasing, oloni semut aan melanjutan perjalanan dengan memilih salah satu dari ota-ota yang tida terdapat pada tabu sebagai ota tujuan selanjutnya. Perjalanan oloni semut berlangsung terus menerus sampai semua ota satu persatu diunjungi atau telah menempati tabu. Jia s menyataan indes urutan unjungan, ota asal dinyataan sebagai tabu (s) dan ota-ota lainnya dinyataan sebagai {N-tabu }, maa untu menentuan ota tujuan digunaan persamaan probabilitas ota untu diunjungi sebagai beriut: α [ τ ] [ η ] β p = untu j {N-tabu } α [ τi' ] [ ηi' ] ' {N tabu } dan p = 0, untu j lainnya dengan i sebagai indes ota asal dan j sebagai indes ota tujuan. β Langah 4: a. Perhitungan panjang rute setiap semut. Perhitungan panjang rute tertutup (length closed tour) atau L setiap semut dilauan setelah satu silus diselesaian oleh semua semut. Perhitungan dilauan berdasaran tabu masing-masing dengan persamaan beriut: n 1 L = dtabu (n),tabu (1) + d tabu (s),tabu (s+ 1) s= 1 dengan d adalah jara antara ota i e ota j yang dihitung berdasaran persamaan: 2 2 d = ( xi x j ) + ( yi y j ) b. Pencarian rute terpende. Setelah L setiap semut dihitung, aan didapat harga minimal panjang rute tertutup setiap silus atau L minnc dan harga minimal panjang rute tertutup secara eseluruhan adalah atau L min. c. Perhitungan perubahan harga intensitas jeja ai semut antar ota. Koloni semut aan meninggalan jeja-jeja ai pada lintasan antar ota yang dilaluinya. Adanya penguapan dan perbedaan jumlah semut yang lewat, menyebaban emunginan terjadinya perubahan harga intensitas jeja ai semut antar ota. Persamaan perubahan ini adalah: m τ = τ = 1 dengan τ adalah perubahan harga intensitas jeja ai semut antar ota setiap semut yang dihitung berdasaran persamaan Q τ =, L untu (i,j) ota asal dan ota tujuan dalam tabu τ = 0, untu (i,j) lainnya Langah 5: a. Perhitungan harga intensitas jeja ai semut antar ota untu silus selanjutnya. Harga intensitas jeja ai semut antar ota pada semua lintasan antar ota ada emunginan berubah arena adanya penguapan dan perbedaan jumlah semut yang melewati. Untu silus selanjutnya, semut yang aan melewati lintasan tersebut harga intensitasnya telah berubah. Harga intensitas jeja ai semut antar ota untu silus selanjutnya dihitung dengan persamaan: τ = ρ τ + τ b. Atur ulang harga perubahan intensitas jeja ai semut antar ota. B-35
4 Untu silus selanjutnya perubahan harga intensitas jeja semut antar ota perlu diatur embali agar memilii nilai sama dengan nol. Langah 6: Pengosongan tabu list, dan ulangi langah 2 jia diperluan. Tabu list perlu diosongan untu diisi lagi dengan urutan ota yang baru pada silus selanjutnya, jia jumlah silus masimum belum tercapai atau belum terjadi onvergensi. Algoritma diulang lagi dari langah 2 dengan harga parameter intensitas jeja ai semut antar ota yang sudah diperbaharui. c. Algoritma genetia Algoritma genetia adalah algoritma pencarian yang didasaran atas meanisme selesi alami dan evolusi biologis. Algoritma genetia mengombinasian antara deretan strutur dengan pertuaran informasi aca e bentu algoritma pencarian dengan beberapa perubahan baat pada manusia. Pada setiap generasi, himpunan baru dari deretan individu dibuat berdasaran ecocoan pada generasi sebelumnya (Goldberg,1989). Dalam algoritma genetia, diperluan beberapa proses untu menentuan jalur terpende, yaitu: a. Proses Pengodean (Encoding) Adalah salah suatu proses yang sulit dalam algoritma genetia. Hal ini disebaban Karena proses pengodean untu setiap permasalahan berbeda-beda arena tida semua teni pengodean coco untu setiap permasalahan. Proses pengodean ini menghasilan suatu deretan yang emudian disebut romosom. Kromosom terdiri dari seumpulan bit yang dienal sebagai gen. Ada beberapa macam teni pengodean yang dapat dilauan dalam algoritma genetia (Luas, 2005), diantaranya pengodean biner (binary encoding), pengodean permutasi (permutation encoding), pengodean nilai (value encoding) dan pengodean pohon (tree encoding). b. Proses Selesi Adalah proses untu menentuan individu mana saja yang aan dipilih untu dilauan reombinasi dan bagaimana eturunan terbentu dari individu-individu terpilih tersebut. Langah pertama yang dilauan dalam selesi adalah pencarian nilai fitness. Masing-masing individu dalam suatu wadah selesi aan menerima probabilitas reprodusi yang tergantung pada nilai obyetif dirinya sendiri terhadap nilai obyetif dari semua individu dalam wadah selesi tersebut. Nilai fitness emudian aan digunaan pada tahap selesi beriutnya. Ada beberapa macam proses selesi yang ada pada algoritma genetia, diantaranya (Kusumadewi, 2005): 1. Selesi dengan Roda Roulette (Roulette Wheel Selection), dengan memetaan individu-individu dalam suatu segmen garis secara berurutan sedemiian hingga tiap-tiap segmen individu memilii uuran yang sama dengan uuran fitness-nya. 2. Selesi berdasaran Raning Fitness (Ranbased Fitness), yaitu dengan cara mengurutan populasi menurut nilai obyetifnya. 3. Selesi Pengambilan Sampling Stocastic (Stocastic Universal Sampling), dengan memetaan individu-individu seperti halnya roda roulette, emudian memberian sejumlah pointer sebanya individu yang ingin diselesi pada garis tersebut. 4. Selesi Loal (Local Selection), selesi yang dilauan hanya pada onstrain tertentu. 5. Selesi dengan Pemotongan (Truncation Selection), selesi buatan yang biasanya digunaan oleh polulasi yang jumlahnya sangat besar. 6. Selesi dengan Turnamen (Tournament Selection), menetapan suatu nilai turnamen untu individu-individu yang dipilih secara aca dari suatu populasi. c. Proses Reombinasi Adalah proses untu menyilangan dua romosom sehingga membentu romosom baru yang harapannya lebih bai dari pada indunya. Reombinasi dienal juga dengan nama crossover. Tida semua romosom pada suatu populasi aan mengalami proses reombinasi. Kemunginan suatu romosom mengalami proses reombinasi didasaran pada probabilitas crossover yang telah ditentuan terlebih dahulu. Probabilitas crossover menyataan peluang suatu romosom aan mengalami crossover. Ada beberapa macam proses reombinasi yang ada pada algoritma genetia, diantaranya (Kusumadewi, 2005): 1. Reombinasi disret, dengan menuar nilai variabel antar romosom indu 2. Reombinasi menengah, merupaan metode reombinasi yang hanya digunaan untu variabel real dan variabel yang buan biner. 3. Reombinasi garis, memilii prinsip yang sama dengan reombinasi menengah, dengan nilai alpha sama untu semua variabel. 4. Penyilangan satu titi, dengan menuar variabelvariabel antar romosom pada satu titi untu menghasilan ana. 5. Penyilangan banya titi, dengan menuar variabel-variabel antar romosom pada banya titi untu menghasilan ana. 6. Penyilangan seragam, dengan membuat sebuah mas penyilangan sepanjang panjang romosom secara aca. 7. Penyilangan dengan permutasi, dengan cara memilih sub-barisan suatu turnamen dari satu B-36
5 indu dengan tetap menjaga urutan dan posisi sejumlah ota yang mungin terhadap indu lainnya. d. Proses Mutasi Adalah proses penambahan nilai aca yang sangat ecil dengan probabilitas rendah pada variabel eturunan. Peluang mutasi didefinisian sebagai persentasi dari jumlah total gen pada populasi yang mengalami mutasi. Peluang mutasi mengendalian banyanya gen baru yang aan dimunculan untu dievaluasi. Jia peluang mutasi terlalu ecil, banya gen yang mungin berguna tida dievaluasi, tetapi bila peluang mutasi ini terlalu besar maa aan terlalu banya gangguan aca, sehingga ana aan ehilangan emiripan dari indunya dan algoritma juga aan ehilangan emampuan untu belajar dari history pencarian (Kusumadewi, 2005). Ada beberapa macam proses mutasi yang ada pada algritma genetia, diantaranya: 1. Mutasi bilangan real, dengan mendefinisian uuran langah mutasi, ecil atau besar. 2. Mutasi biner, dengan mengganti satu atau beberapa nilai gen dari romosom. Beriut adalah langah algoritma genetia sederhana untu pencarian jalur terpende: Langah 1 Inisialisasi generasi awal. Generasi awal harus diinisialisasi osong, sehingga belum ada generasi. Generasi = 0. Langah 2 Inisialisasi populasi awal, P (generasi) secara aca. Populasi yang ditentuan di inisialisasi secara aca. Langah 3 Evaluasi nilai fitness pada setiap individu dalam P (generasi). Nilai fitness adalah nilai yang menunjuan ualitas suatu romosom dalam populasi. Langah 4 a. Menambahan generasi baru dengan persamaan: generasi = generasi+1 b. Selesi populasi tersebut untu mendapatan andidat indu P (generasi) c. Lauan crossover pada P (generasi). d. Lauan mutasi pada P (generasi). e. Lauan evaluasi fitness setiap individu pada P (generasi). f. Bentu populasi baru, P (generasi) = {P(generasi1) yang bertahan, P (generasi)}. 3. METODE PENELITIAN Pada penelitian ini, terdapat beberapa metode pengumpulan data yang digunaan, yaitu: 1. Metode epustaaan Metode pengumpulan data epustaaan dilauan dengan mengumpulan data-data dari sumber atau buu yang relevan terhadap penelitian. 2. Metode wawancara Metode wawancara dilauan dengan cara tatap mua dan menanyaan langsung epada obje yang pernah melauan penelitian sebelumnya. 4. PEMBAHASAN 4.1 Pencarian jalur terpende Gambar 2. Ilustrasi Jalur Terpende dengan Jara Pada dasarnya permasalahan pencarian jalur terpende antar ota merupaan pencarian jalur terpende antar titi yang telah dietahui oordinatnya. Dengan mengetahui onsep pencarian jalur terpende antar titi, untu selanjutnya dapat diterapan pada pencarian jalur terpende pada berbagai ota yang ingin dietahui. Contoh asus yang aan diambil adalah pencarian jalur terpende antara titi A dan titi E. Terdapat dua jenis asus yang bisa diturunan dari gambar di atas. Kasus pertama adalah mengetahui jara antar node yang ditunjuan dengan garis penghubung antar titi.. Kasus yang edua adalah dengan dengan mengetahui oordinat titi saja. Gambar 2 merupaan jenis asus yang pertama yaitu dengan mengetahui jara antar titi. Sedangan gambar 3 merupaan jenis asus yang edua, yaitu dengan mengetahui titi oordinatnya saja. Untu asus pertama, penyelesaian cenderung lebih mudah arena jara antar titi telah dietahui sebagai beriut: Tabel 1. Tabel Jara antar Titi A B C D E A B C D E Sedangan untu asus edua yang telah ditunjuan pada Gambar 3. Dari gambar 3 di atas, misalnya titi titi yang telah ditentuan mempunyai oordinat sebagaimana tabel 2. B-37
6 Gambar 3. Ilustrasi Jalur Terpende tanpa Jara Tabel 2. Koordinat titi antar ota X Y A B C D E Karena belum dietahui jara antar titinya dan hanya dietahui titi oordinat saja, Maa perhitungan dimulai dari penentuan jara antar simpul titi dengan dengan menggunaan titi yang dietahui. Titi yang dietahui menggunaan oordinat sumbu X dan Y. Langah di atas merupaan langah yang harus dilauan untu semua metode. Penyelesaian asus diatas dapat dilauan dengan dua metode seperti yang telah delasan pada bab II, yaitu metode onvensional dan metode heuristi. Pada metode onvensional, logia yang dipaai sangat sederhana. Yaitu hanya dengan membandingan jara masing-masing node dan emudian mencari jara yang terpende. Namun, elemahan metode onvesional ini adalah pada eauratan hasil yang didapatan serta tingat esalahan yang dihasilan pada perhitungan. Hal tersebut tida aan menjadi masalah jia data yang dibutuhan hanya sediit, sebalinya maa aan menyebaban peningatan tingat esalahan perhitungan dan penurunan eauratan. Penelitian ini aan membahas mengenai penyelesaian jalur terpende menggunaan metode heuristi dengan algortima semut dan algoritma genetia. 4.2 Penyelesaian pencarian jalur terpende a. Algoritma semut Berdasaran contoh asus yang ada, maa langah yang harus dilauan adalah: 1. Menginisialisasi parameter-parameter yang diperluan, yaitu: a. τ (intensitas jeja semut antar ota) dan perubahannya, parameter ini berfungsi menentuan jumlah intensitas jeja semut antar ota sehingga dietahui jalur terpende yang dihasilan. b. n (banya ota) termasu x dan y (oordinat) atau d (jara antar ota), pada contoh asus di atas, jumlah n = 5 dan mempunyai oordinat atau jara yang telah ditentuan. c. Q (tetapan silus-semut), α (tetapan pengendali intensitas jeja semut), β (tetapan pengendali visibilitas), η (visibilitas antar ota=1/d ), dan ρ (tetapan penguapan jeja semut), nilai dari parameter harus didefinisian dahulu arena bersifat sebagai onstanta. d. m (banya semut), jumlah semut yang aan digunaan untu menyelusuri jalur bisa bernilai sembarang tergantung oleh pengguna. Contoh asus diatas menggunaan 100 semut. e. NC max (jumlah silus masimum), adalah jumlah masimum silus yang ingin di jalanan, hingga menemuan hasil yang terbai. Misal masimum silus 10 ali, maa perhitungan aan dilauan masimal 10 ali hingga menemuan hasil yang terpende. 2. Menempatan elompo semut tersebut pada ota pertama. Pemilihan ota pertama dilauan secara aca. 3. Setelah menempatan ota pertama dalam tabu list, dimulailah perjalanan semut-semut tersebut dari ota pertama menuju ota tujuan yang telah ditentuan berdasaran persamaan probabilitas pada bagian dua. Jara yang dicari adalah jara dari ota A e ota E, dengan mencari jalur terpende dan hasil jalur yang didapatan tida harus melewati semua ota. 4. Menghitung panjang perjalanan dari masingmasing semut dan emudian ditentuan jalur terpende berdasaran T (harga intensitas jeja ai semut ). 5. Langah 1 sampai langah 4 aan diulang sebanya Ncmax atau jia telah mengalami onvergen. Setiap dimulainya silus baru,maa harga T di-reset ulang bernilai sama dengan nol. b. Algoritma genetia Berdasaran contoh asus di atas, maa langah yang harus dilauan adalah: 1. Menginisialisasi parameter-parameter yang diperluan, yaitu: a. Popsize (uuran populasi): uuran populasi yang aan digunaan untu perhitungan. Contoh pada asus diatas ditentuan uuran populasi sebanya 10. b. pc (peluang crossover): peluang terjadinya reombinasi atau persilangan pada suatu romosom. Contoh pada asus diatas ditentuan peluang crossover sebesar c. pm (peluang mutasi): persentasi dari jumlah total gen pada populasi yang mengalami mutasi. Contoh pada asus diatas ditentuan peluang mutasi sebesar B-38
7 d. b (peluang pelestarian): peluang pelestarian dari populasi yang ada. Contoh pada asus diatas ditentuan peluang pelestarian sebesar e. MaxGen (masimum generasi): masimum generasi yang aan ada pada perhitungan. Contoh pada asus diatas ditentuan masimum jumlah generasi sebanya 50 f. (panjang romosom): panjang romosom yang diinginan. Contoh pada asus diatas ditentuan panjang romosom adalah 5 2. Melauan selesi sesuai dengan metode yang dibutuhan. Misalan pada asus, dilauan selesi menggunaan metode Roda Roulette, maa langah-langah yang harus dierjaan: a. Mencari nilai fitness relatif dan fitness umulatif. Misalan Total Fitness = 12,5720. Maa dapat dicari fitness relatif (p) dari tiap-tiap romosom: 1. p1=f1/total Fitness=0,902/12,5720=0, p2=f1/total Fitness=0,823/12,5720=0, p3=f1/total Fitness=0,627/12,5720=0,049. dan seterusnya sampai sebanya uuran populasi. Fitness umulatif (q) dapat dicari sebagai beriut: 1. q1 = p1 = 0, q2 = q1 + p2 = 0, ,065 = q3 = q2 + p3 = 0, ,049 dan seterusnya sampai sebanya uuran populasi. b. Membangitan bilangan aca sebanya uuran populasi = 10. Bilangan aca beruuran Melauan persilangan sesuai dengan metode yang dibutuhan. a. Membangitan bilangan aca antara 0-1 sebanya uuran populasi, yaitu 10 buah untu memilih romosom mana saja yang aan dilauan persilangan. b. Memilih bilangan aca yang urang dari peluang crossover, sehingga romosomnya dapat disilangan.. 4. Melauan mutasi sesuai dengan metode yang dibutuhan. a. Menghitung jumlah bit yang ada pada populasi, dengan rumus Popsize*L = 10*6=60. b. Membangitan bilangan aca antara 0-1 sebanya jumlah bit (360 buah). c. Kromosom yang terecil daripada peluang mutasi, aan terena mutasi. d. Populasi ahir setelah dilauan mutasi aan dadian sebagai populasi awal untu generasi beriutnya. e. Ulangi langah a sampai d sebanya uuran masimum gen = 50. f. Temuan nilai fitness terbai 5. KESIMPULAN a. Pemanfaatan tenologi informasi pada pencarian jalur terpende menghasilan suatu hasil atau eluaran yang aurat dan tepat, untu pilihan perjalanan seseorang dengan mempertimbangan beberapa parameter yang lain. b. Untu asus yang berbeda algoritma aan memberian hasil yang berbeda, tida dapat dipastian bahwa algoritma semut atau geneti yang terbai. c. Secara onsep algoritma, metode onvesional lebih mudah untu dipahami. Namun, hasil yang diperoleh dari metode heuristi lebih variatif. d. Dengan metode heuristi, watu perhitungan yang diperluan lebih cepat 30% dibandingan dengan menggunaan metode onvensional. 6. SARAN a. Diharapan ada penelitian lebih lanjut untu mengetahui efisiensi dari pencarian jalur terpende menggunaan Metode heuristi. b. Diharapan adanya penelitian yang dapat membandingan antar metode heuristi yang lain. PUSTAKA Goldberg, D.E., Genetic Algorithms in Search, Optimization & Machine Learning, New Yor: Addison-Wesley, 1989 Kusumadewi, S., Artificial Intelligence (Teni dan Apliasinya), Yogyaarta: Graha Ilmu, 2003 Kusumadewi, S., dan H., Purnomo, Penyelesaian Masalah Optimasi dengan Teni-teni Heuristi, Yogyaarta: Graha Ilmu, 2005 Luas, d., Penerapan Algoritma Genetia untu Travelling Salesman Problem dengan Menggunaan Metode Order Crossover dan Insertion Mutation, Seminar Nasional Apliasi Tenologi Informasi, hlm: 1 s/d 5, 2005 Efendi, R., Penerapan algoritma semut untu pemecahan masalah spanning tree pada asus pemasangan jaringan abel telepon. Tugas Ahir, Jurusan Teni Informatia, Universitas Islam Indonesia, B-39
PENCARIAN 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 terperinciBAB 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 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 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 terperinciPEMANFAATAN METODE HEURISTIK DALAM PENCARIAN MINIMUM SPANNING TREE DENGAN ALGORITMA SEMUT
PEMANFAATAN METODE HEURISTIK DALAM PENCARIAN MINIMUM SPANNING TREE DENGAN ALGORITMA SEMUT Alamsyah* * Abstract Without a program, computer is just a useless box. In general, the search for the minimum
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 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 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 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 terperinciPENENTUAN JALUR TERPENDEK MENGGUNAKAN TEKNOLOGI GOOGLE MAPS MASHUPS DENGAN MOBILE SYSTEM ANDROID
menciptaan apliasi merea sendiri untu digunaan oleh bermacam peranti bergera, oleh arena itu Android memilii omunitas besar Satria Prasamya, Ary Mazharuddin pengembang S., S.Kom, M.Comp.Sc program apliasi
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 terperinciALGORITMA GENETKA PADA MULTI DEPOT VEHICLE ROUTING PROBLEM (MDVRP)
ALGORITMA GENETKA PADA MULTI DEPOT VEHICLE ROUTING PROBLEM (MDVRP) Igusta Wibis Vidi Abar Purwanto 2 FMIPA Universitas Negeri Malang E-mail: wibis.roccity@gmail.com Abstra: Multi Depot Vehicle Routing
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 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 terperinciPERANCANGAN ALGORITMA GENETIKA UNTUK MENENTUKAN JALUR TERPENDEK. Kata kunci: Algoritma Genetika, Shortest Path Problem, Jalur Terpendek
PERANCANGAN ALGORITMA GENETIKA UNTUK MENENTUKAN JALUR TERPENDEK Fajar Saptono 1, Taufiq Hidayat 2 Laboratorium Pemrograman dan Informatika Teori Jurusan Teknik Informatika, Fakultas Teknologi Industri,
Lebih terperinciPENERAPAN ALGORITMA 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
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 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 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 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 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 terperincipada Permasalahan Traveling Salesman Problem
Studi Perbandingan Algoritma Ant Colony System dan Algoritma Ant System Leonardo Z Tomarere Laboratorium Ilmu dan Reayasa Komputasi Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Jl. Ganesa
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 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 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 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 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 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 terperinciISSN: TEKNOMATIKA Vol.1, No.2, JANUARI
ISSN: 1979-7656 TEKNOMATIKA Vol.1, No.2, JANUARI 2009 25 PERANCANGAN DAN IMPLEMENTASI JARINGAN SYARAF TIRUAN UNTUK MENDIAGNOSA JENIS PENYAKIT KANDUNGAN Bambang Yuwono Jurusan Teni Informatia UPN Veteran
Lebih terperinciPENCARIAN RUTE TERBAIK MENGGUNAKAN LOGIKA FUZZYDAN ALGORITMA SEMUT
PENCARIAN RUTE TERBAIK MENGGUNAKAN LOGIKA FUZZYDAN ALGORITMA SEMUT Syaiful Anam 1) 1) Program Studi Matematia, Jurusan Matematia, FMIPA, Universitas Brawaya Email: syaiful@ub.ac.id Abstra Rute terbai pada
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 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 terperinciBAB IV ANALISIS MASALAH
BAB IV ANALISIS MASALAH 4.1 Tampilan Program Persoalan TSP yang dibahas pada tugas akhir ini memiliki kompleksitas atau ruang solusi yang jauh lebih besar dari TSP biasa yakni TSP asimetris dan simetris.
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 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 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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Landasan Teori Tentang Permasalahan Merupaan landasan teori yang terdapat pada permasalahan yang dibahas. 2.1.1 Masalah tranportasi Masalah tranportasi dalam dunia distribusi
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 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 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 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 terperinciANALISIS KEPUASAN KONSUMEN TERHADAP PELAYANAN PELAYANAN JASA PENGIRIMAN PAKET (KURIR) DENGAN MENGGUNAKAN METODE TOPSIS FUZZY
Jurnal Manti Penusa Vol No Desember ISSN 88-9 ANALISIS EPUASAN ONSUMEN TERHADAP PELAYANAN PELAYANAN JASA PENGIRIMAN PAET (URIR DENGAN MENGGUNAAN METODE TOPSIS FUZZY Desi Vinsensia Program Studi Teni Informatia
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 terperinciPENDAHULUAN TINJAUAN PUSTAKA
1 Latar Belaang PENDAHULUAN Sistem biometri adalah suatu sistem pengenalan pola yang melauan identifiasi personal dengan menentuan eotentian dari arateristi fisiologis dari perilau tertentu yang dimilii
Lebih terperinciAPLIKASI METODE FUZZY MULTI CRITERIA DECISION MAKING (FMCDM) UNTUK OPTIMALISASI PENENTUAN LOKASI PROMOSI PRODUK
APLIKASI METODE FUZZY MULTI CRITERIA DECISION MAKING (FMCDM) UNTUK OPTIMALISASI PENENTUAN LOKASI PROMOSI PRODUK Novhirtamely Kahar, ST. 1, Nova Fitri, S.Kom. 2 1&2 Program Studi Teni Informatia, STMIK
Lebih terperinciModel Pembelajaran Off-Line Menggunakan Jaringan Syaraf Tiruan Untuk Pengemudian Otomatis pada Kendaraan Beroda Jurusan Teknik Elektronika PENS 2009
Model Pembelaaran Off-Line Menggunaan Jaringan Syaraf Tiruan Untu Pengemudian Otomatis pada Kendaraan Beroda Jurusan Teni Eletronia PENS 2009 Arie Setya Wulandari#, Eru Puspita S.T., M.Kom#2 # Jurusan
Lebih terperinciBAB III DESAIN DAN APLIKASI METODE FILTERING DALAM SISTEM MULTI RADAR TRACKING
Bab III Desain Dan Apliasi Metode Filtering Dalam Sistem Multi Radar Tracing BAB III DESAIN DAN APLIKASI METODE FILTERING DALAM SISTEM MULTI RADAR TRACKING Bagian pertama dari bab ini aan memberian pemaparan
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1 Penjadwalan 2.1.1 Jadwal Secara Umum Menurut Kamus Besar Bahasa Indonesia (KBBI), jadwal adalah pembagian watu berdasaran rencana pengaturan urutan erja, daftar atau tabel egiatan
Lebih terperinci( s) PENDAHULUAN tersebut, fungsi intensitas (lokal) LANDASAN TEORI Ruang Contoh, Kejadian dan Peluang
Latar Belaang Terdapat banya permasalahan atau ejadian dalam ehidupan sehari hari yang dapat dimodelan dengan suatu proses stoasti Proses stoasti merupaan permasalahan yang beraitan dengan suatu aturan-aturan
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 terperinciANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS
Jurnal Teni dan Ilmu Komputer ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS AN ANALYSIS OF THE VARIATION PARAMETERS OF THE ARTIFICIAL NEURAL NETWORK
Lebih terperinci( x) LANDASAN TEORI. ω Ω ke satu dan hanya satu bilangan real X( ω ) disebut peubah acak. Ρ = Ρ. Ruang Contoh, Kejadian dan Peluang
LANDASAN TEORI Ruang Contoh Kejadian dan Peluang Suatu percobaan yang dapat diulang dalam ondisi yang sama yang hasilnya tida dapat dipredisi secara tepat tetapi ita dapat mengetahui semua emunginan hasil
Lebih terperinciPENERAPAN METODE PARTICLE SWARM OPTIMIZATION PADA METODE K-HARMONIC MEANS UNTUK DATA CLUSTERING
PENERAPAN METODE PARTICLE SWARM OPTIMIZATION PADA METODE K-HARMONIC MEANS UNTUK DATA CLUSTERING Yoe Ota a, Ahmad Saihu, S.Si,MT. b Jurusan Teni Informatia, Faultas Tenologi Informasi, Institut Tenologi
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 IV APLIKASI PADA MATRIKS STOKASTIK
BAB IV : ALIKASI ADA MARIKS SOKASIK 56 BAB IV ALIKASI ADA MARIKS SOKASIK Salah satu apliasi dari eori erron-frobenius yang paling terenal adalah penurunan secara alabar untu beberapa sifat yang dimilii
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 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 terperinciMakalah Seminar Tugas Akhir
Maalah Seminar ugas Ahir Simulasi Penapisan Kalman Dengan Kendala Persamaan Keadaan Pada Kasus Penelusuran Posisi Kendaraan (Vehicle racing Problem Iput Kasiyanto [], Budi Setiyono, S., M. [], Darjat,
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 terperinciMakalah Seminar Tugas Akhir. Aplikasi Kendali Adaptif pada Pengendalian Plant Pengatur Suhu dengan Self Tuning Regulator (STR)
Maalah Seminar ugas Ahir Apliasi Kendali Adaptif pada Pengendalian Plant Pengatur Suhu dengan Self uning Regulator (SR) Oleh : Muhammad Fitriyanto e-mail : D_3_N2@yahoo.com Maalah Seminar ugas Ahir Apliasi
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 terperinciBAB 2 TEORI PENUNJANG
BAB EORI PENUNJANG.1 Konsep Dasar odel Predictive ontrol odel Predictive ontrol P atau sistem endali preditif termasu dalam onsep perancangan pengendali berbasis model proses, dimana model proses digunaan
Lebih terperinciLANDASAN TEORI. Bab Konsep Dasar Graf. Definisi Graf
Bab 2 LANDASAN TEORI 2.1. Konsep Dasar Graf Definisi Graf Suatu graf G terdiri atas himpunan yang tidak kosong dari elemen elemen yang disebut titik atau simpul (vertex), dan suatu daftar pasangan vertex
Lebih terperinciIII. METODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN 3.1 Keranga Pemiiran Pemerintah ahir-ahir ini sering dihadapan pada masalah persediaan pupu bersubsidi yang daya serapnya rendah dan asus elangaan di berbagai loasi di Indonesia.
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 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 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 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 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 terperinciADAPTIVE NOISE CANCELING MENGGUNAKAN ALGORITMA LEAST MEAN SQUARE (LMS) Anita Nardiana, SariSujoko Sumaryono ABSTRACT
Jurnal Teni Eletro Vol. 3 No.1 Januari - Juni 1 6 ADAPTIVE NOISE CANCELING MENGGUNAKAN ALGORITMA LEAST MEAN SQUARE (LMS) Anita Nardiana, SariSujoo Sumaryono ABSTRACT Noise is inevitable in communication
Lebih terperinciRINGKASAN SKRIPSI MODUL PERKALIAN
RINGKASAN SKRIPSI MODUL PERKALIAN SAMSUL ARIFIN 04/177414/PA/09899 DEPARTEMEN PENDIDIKAN NASIONAL UNIVERSITAS GADJAH MADA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM YOGYAKARTA 2008 HALAMAN PENGESAHAN
Lebih terperinciABSTRAK. Universitas Kristen Maranatha
ABSTRAK Dalam beberapa tahun terakhir ini, peranan algoritma genetika terutama untuk masalah optimisasi, berkembang dengan pesat. Masalah optimisasi ini beraneka ragam tergantung dari bidangnya. Dalam
Lebih 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 terperinciPENCARIAN RUTE TERPENDEK OBJEK WISATA DI MAGELANG MENGGUNAKAN ANT COLONY OPTIMIZATION (ACO)
PENCARIAN RUTE TERPENDEK OBJEK WISATA DI MAGELANG MENGGUNAKAN ANT COLONY OPTIMIZATION (ACO) Bagus Fatkhurrozi *, Ika Setyowati Jurusan Teknik Elektro, Fakultas Teknik, Universitas Tidar Jl. Kapten Suparman
Lebih terperinciMakalah Seminar Tugas Akhir
Maalah Seminar Tugas Ahir PENDETEKSI POSISI MENGGUNAKAN SENSOR ACCELEROMETER MMA7260Q BERBASIS MIKROKONTROLER ATMEGA 32 Muhammad Riyadi Wahyudi, ST., MT. Iwan Setiawan, ST., MT. Abstract Currently, determining
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 terperinciMEKANIKA TANAH HIDROLIKA TANAH DAN PERMEABILITAS MODUL 3
MEKANIKA TANAH MODUL 3 HIDROLIKA TANAH DAN PERMEABILITAS UNIVERSITAS PEMBANGUNAN JAYA Jl. Boulevard Bintaro Setor 7, Bintaro Jaya Tangerang Selatan 15224 Silus hidrologi AIR TANAH DEFINISI : air yang terdapat
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 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 terperinciANALISIS KINERJA ALGORITMA FOLD-GROWTH DAN FP-GROWTH PADA PENGGALIAN POLA ASOSIASI
Seminar Nasional Apliasi Tenologi Informasi 26 (SNATI 26) ISSN: 97-522 Yogyaarta, 7 Juni 26 ANALISIS KINERJA ALGORITMA FOLD-GROWTH DAN FP-GROWTH PADA PENGGALIAN POLA ASOSIASI Rully Soelaiman, Ni Made Arini
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 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 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 terperinciJARINGAN SARAF TIRUAN PROPAGASI BALIK UNTUK KLASIFIKASI DATA
JARINGAN SARAF TIRUAN PROPAGASI BALIK UNTUK KLASIFIKASI DATA Giri Dhaneswara 1) dan Veronica S. Moertini 2) Jurusan Ilmu Komputer, Universitas Katoli Parahyangan, Bandung Email: 1) rebirth_82@yahoo.com,
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 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 terperinciMAKALAH SEMINAR TUGAS AKHIR
1 MAKALAH SEMINAR TUGAS AKHIR PENGENALAN POLA GEOMETRI WAJAH MENGGUNAKAN JARINGAN SYARAF TIRUAN PERAMBATAN BALIK Muhamad Tonovan *, Achmad Hidayatno **, R. Rizal Isnanto ** Abstra - Pengenalan waah adalah
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 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 terperinciPREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN MULTILAYER FEEDFORWARD NETWORK DENGAN ALGORITMA BACKPROPAGATION
Konferensi Nasional Sistem dan Informatia 2008; Bali, November 5, 2008 PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN MULTILAYER FEEDFORWARD NETWORK DENGAN ALGORITMA BACKPROPAGATION Wahyudi Setiawan
Lebih terperinciSISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT GAGAL GINJAL DENGAN MENGGUNAKAN METODE BAYES
Pelita Informatia Budi Darma, Volume : IV, Nomor: 3, Agustus 203 ISSN : 230-425 SISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT GAGAL GINJAL DENGAN MENGGUNAKAN METODE BAYES Sri Rahayu 044) Mahasiswa Program Studi
Lebih terperinciOPTIMASI RUTE ARMADA KEBERSIHAN KOTA GORONTALO MENGGUNAKAN ANT COLONY OPTIMIZATION. Zulfikar Hasan, Novianita Achmad, Nurwan
OPTIMASI RUTE ARMADA KEBERSIHAN KOTA GORONTALO MENGGUNAKAN ANT COLONY OPTIMIZATION Zulfikar Hasan, Novianita Achmad, Nurwan ABSTRAK Secara umum, penentuan rute terpendek dapat dibagi menjadi dua metode,
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Latar Belaang Keadaan dunia usaha yang selalu berubah membutuhan langah-langah untu mengendalian egiatan usaha di suatu perusahaan. Perencanaan adalah salah satu langah yang diperluan
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 terperinciPERTEMUAN 02 PERBEDAAN ANTARA SISTEM DISKRIT DAN SISTEM KONTINU
PERTEMUAN 2 PERBEDAAN ANTARA SISTEM DISKRIT DAN SISTEM KONTINU 2. SISTEM WAKTU DISKRET Sebuah sistem watu-disret, secara abstra, adalah suatu hubungan antara barisan masuan dan barisan eluaran. Sebuah
Lebih terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) PENYELESAIAN MASALAH MINIMUM SPANNING TREE (MST) MENGGUNAKAN ANT COLONY SYSTEM (ACS)
Volume. I Nomor. 2, Bulan Otober 2012 - ISSN :2089-9033 35 PENYELESAIAN MASALAH MINIMUM SPANNING TREE (MST) MENGGUNAKAN ANT COLONY SYSTEM (ACS) Irawan Afrianto 1, Euis Wiiani Jamilah 2 1,2 Program Stui
Lebih terperinciEstimasi Konsentrasi Polutan Sungai Menggunakan Metode Reduksi Kalman Filter dengan Pendekatan Elemen Hingga
JURNAL SAINS DAN SENI POMITS ol. 2, No.1, (2013) 2337-3520 (2301-928X Print) 1 Estimasi Konsentrasi Polutan Sungai Menggunaan Metode Redusi Kalman Filter dengan Pendeatan Elemen Hingga Muyasaroh, Kamiran,
Lebih terperinciAPLIKASI ALGORITMA CONJUGATE GRADIENT PADA JARINGAN SYARAF TIRUAN PERAMBATAN BALIK. Tesis
APLIKASI ALGORITMA CONJUGATE GRADIENT PADA JARINGAN SYARAF TIRUAN PERAMBATAN BALIK Tesis Program Studi Teni Eletro Jurusan Ilmu-ilmu Teni disusun oleh : Wiwien Widyastuti 8475/I-/820/02 PROGRAM PASCASARJANA
Lebih terperinciAnalisa Drop Tegangan dan Susut Daya pada Jaringan Listrik Penyulang Renon Menggunakan Metode Artificial Neural Network
Analisa Drop Tegangan dan Susut Daya pada Jaringan Listri Penyulang Renon Menggunaan Metode Artificial Neural Networ I Gede Dyana Arana Jurusan Teni Eletro Faultas Teni, Universitas Udayana Denpasar, Bali,
Lebih terperinci