BAB 2 LANDASAN TEORI. 2.1 Algoritma Genetika

Ukuran: px
Mulai penontonan dengan halaman:

Download "BAB 2 LANDASAN TEORI. 2.1 Algoritma Genetika"

Transkripsi

1 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 Charles Darwin. (Kusumadewi, 2003). Algoritma genetika pertama kali ditemukan oleh John Holland, itu dapat dilihat dalam bukunya yang berjudul Adaption in Natural and Artificial Systems pada tahun 1960-an dan kemudian dikembangkan bersama murid dan rekan kerjanya di Universitas Michigan pada tahun 1960-an sampai 1970-an. Tujuan Holland mengembangkan Algoritma Genetika saat itu bukan untuk mendesain suatu algoritma yang dapat memecahkan suatu masalah, namun lebih mengarah ke studi mengenai fenomena adaptasi di alam dan mencoba menerapkan mekanisme adaptasi alam tersebut ke dalam sistem komputer. (Fariza, dkk 2006). Algoritma Genetika yang dibuat Holland merupakan sebuah metode untuk memisahkan satu populasi kromosom (terdiri dari bit-bit 1 dan 0) ke populasi baru dengan menggunakan seleksi alam dan operator genetik seperti crossover, mutation, invertion. Crossover menukar bagian kecil dari dua kromosom, mutation mengganti secara acak nilai gen di beberapa lokasi pada kromosom, invertion membalikkan urutan beberapa gen yang berurutan dalam kromosom. Dasar teori inilah yang menjadi dasar kebanyakan program yang menggunakan algoritma genetika pada saat ini. (Fariza, dkk 2006). Hal-hal yang harus dilakukan dalam menggunakan algoritma genetika adalah: 1. Mendefinisikan individu, dimana individu menyatakan salah satu solusi (penyelesaian) yang mungkin dari permasalahan yang diangkat. 2. Mendefinisikan nilai fitness, yang merupakan ukuran baik-tidaknya sebuah individu atau baik-tidaknya solusi yang didapatkan. 3. Menentukan proses pembangkitan populasi awal. Hal ini biasanya dilakukan dengan menggunakan pembangkitan acak seperti random-walk.

2 7 4. Menentukan proses seleksi yang akan digunakan. 5. Menentukan proses perkawinan silang (cross-over). 6. Mutasi gen yang akan digunakan Teknik Encoding Proses encoding adalah salah satu proses yang sulit dalam algoritma genetika. Hal ini disebabkan karena proses encoding untuk setiap permasalahan berbeda karena tidak semua teknik encoding cocok untuk setiap permasalahan. Proses encoding menghasilkan string yang kemudian disebut kromosom. String terdiri dari sekumpulan bit yang dikenal sebagai gen. Jadi satu kromosom terdiri dari sejumlah gen. Ada bermacam-macam teknik encoding yang dapat dilakukan dalam algoritma genetika. Beberapa teknik encoding itu antara lain adalah binary encoding, permutation encoding, value encoding serta tree encoding. Teknik encoding yang digunakan pada Traveling Salesman Problem adalah permutation encoding. Selain digunakan pada Traveling Salesman Problem, teknik ini juga dapat digunakan pada Task Ordering Problem. Pada permutation encoding, kromosom-kromosom adalah kumpulan angka yang mewakili posisi dalam sebuah rangkaian. Dalam permutation encoding, setiap kromosom adalah sebuah string dari nomor-nomor seperti dibawah ini. Kromosom (Rute Kota) A B C D E F G H I Gen (Jarak) Pada TSP kromosom mengambarkan rute kota yang dikunjungi salesman, sedangkan jarak antar kota menggambarkan gen. (Obitko, 1998). Pada contoh diatas adalah: Kromosom (rute kota) A-B-C-D-E-F-G-H-I dengan jarak 1, 5, 3, 2, 6, 4, 7, 9, 8.

3 Proses Seleksi Proses seleksi adalah proses yang memegang peranan penting dalam algoritma genetika. Proses seleksi ini digunakan agar hanya kromosom-kromosom yang berkualitas yang dapat melanjutkan peranannya dalam proses algoritma genetika berikutnya. Ada bermacam-macam teknik untuk melakukan proses seleksi pada suatu permasalahan. Teknik seleksi yang akan digunakan tergantung pada permasalahan yang akan diselesaikan. Ada bermacam-macam teknik seleksi, diantaranya adalah Roulette Wheel Selection, Rank Base Selection, dan Steady State Selection. Proses penseleksian ini menggunakan teknik peringkat atau Rank Base Selection. Pada proses penseleksian digunakan suatu parameter yang disebut kesesuaian atau fitness. Fitness digunakan untuk menentukan seberapa baik kromosom akan bertahan hidup. Makin tinggi nilai 0 fitness 1, suatu kromosom maka makin baik kromosom itu akan bertahan hidup. Nilai fitness tertinggi merepresentasikan jawab terbaik atas persoalan itu sendiri. Penentuan berapa besar nilai fitness suatu kromosom berdasarkan fungsi fitness yang didefinisikan tersendiri. Pada Rank Base Selection, hanya kromosom yang mempunyai nilai fitness yang tinggilah yang dapat bertahan pada generasi berikutnya, sebaliknya yang mempunyai nilai fitness rendah akan hilang pada generasi berikutnya. Untuk mempertahankan jumlah kromosom tetap pada satu generasi maka perlu dibangkitkan kromosom baru yang merupakan hasil penyilangan dari kromosom yang hidup. Untuk itu dilakukan proses rekombinasi. (Samuel, dkk 2005) Proses Rekombinasi Proses rekombinasi atau yang lebih dikenal dengan nama proses crossover adalah menyilangkan dua kromosom sehingga membentuk kromosom baru yang harapannya lebih baik dari pada induknya. Tidak semua kromosom pada suatu populasi akan mengalami proses rekombinasi. Kemungkinan suatu kromosom mengalami proses rekombinasi didasarkan pada probabilitas crossover yang telah ditentukan terlebih dahulu. Probabilitas crossover menyatakan peluang suatu

4 9 kromosom akan mengalami crossover (Samuel, dkk 2005). Teknik rekombinasi yang digunakan adalah teknik order crossover. Order crossover (OX) diperkenalkan oleh Davis. (Samuel, dkk 2005). Teknik ini diawali dengan membangkitkan dua bilangan acak. Kemudian gen yang berada diantara kedua bilangan acak akan disalin ke offspring dengan posisi yang sama. Langkah berikutnya untuk mendapatkan offspring pertama adalah mengurutkan gen yang berada pada parent kedua dengan urutan gen yang berada pada posisi setelah bilangan acak kedua diikuti dengan gen yang berada pada posisi sebelum bilangan acak pertama dan diakhiri dengan gen yang berada pada posisi diantara kedua bilangan acak. Kemudian gen yang telah diurutkan tersebut dibandingkan dengan offspring pertama. Apabila gen tersebut ada pada offspring kedua maka abaikan gen tersebut dari urutan itu. Kemudian masukkan urutan yang baru saja didapat pada offspring dengan cara memasukkan urutan gen pada posisi setelah bilangan acak kedua terlebih dahulu dan sisanya dimasukkan pada posisi sebelum bilangan acak pertama. Begitu juga untuk menghasikan offspring kedua. Contoh order crossover adalah sebagai berikut: p1 = ( ) p2 = ( ) => copy segmen yang dipilih o1 = (x x x x x) o2 = (x x x x x) => p2 : pindahkan 4, 5, 6, 7 dan letakkan di o1 : o1 = (x x x x x) = ( ) dengan jalan yang sama buat o2 sehingga o2 = ( ) Keterangan: p1 = parent 1 p2 = parent 2 o1 = offspring 1 (anak ke 1) o2 = offspring 2 (anak ke 2) p1, p2, o1 dan o2 = bukan indeks

5 Proses Mutasi Proses mutasi ini dilakukan setelah proses rekombinasi dengan cara memilih kromosom yang akan dimutasi secara acak, dan kemudian menentukan titik mutasi pada kromosom tersebut secara acak pula. Banyaknya kromosom yang akan mengalami mutasi dihitung berdasarkan probabilitas mutasi yang telah ditentukan terlebih dahulu. Apabila probabilitas mutasi adalah 100% maka semua kromosom yang ada pada populasi tersebut akan mengalami mutasi. Sebaliknya, jika probabilitas mutasi yang digunakan adalah 0% maka tidak ada kromosom yang mengalami mutasi pada populasi tersebut. Ada bermacam-macam teknik mutasi yang dapat digunakan untuk menyelesaikan suatu masalah dengan algoritma genetika. Seperti pada teknik rekombinasi, teknik mutasi juga dirancang untuk digunakan pada suatu masalah yang spesifik sehingga tidak setiap teknik mutasi dapat diterapkan pada suatu masalah yang akan diselesaikan. Selain itu, teknik mutasi yang digunakan juga harus sesuai dengan teknik encoding yang digunakan untuk menyelesaikan permasalahan tersebut. Beberapa teknik mutasi yang dapat digunakan dalam penyelesaian Traveling Salesman Problem adalah inversion mutation, insertion mutation, dan reciprocal mutation. (Samuel, dkk 2005). Teknik mutasi yang digunakan dalam makalah adalah teknik insertion mutation. Teknik ini diawali dengan memilih dua bilangan acak kemudian gen yang berada pada posisi bilangan acak pertama ditukar dengan gen yang berada pada bilangan acak kedua. (Samuel, dkk 2005). Beberapa teknik mutasi adalah: a. Bit inversion pemilihan bit-bit yang di-inversi => b. Order changing dua nomor adalah dipilih dan dipertukarkan. ( ) => ( )

6 11 Penambahan sebuah nomor kecil untuk pemilihan angka adalah dengan penambahan atau pengambilan sebuah nomor yang terkecil. ( ) => ( ). Algoritma genetika memiliki beberapa karakteristik yang perlu diketahui sehingga dapat terbedakan dari prosedur pencarian atau optimasi yang lainnya Adapun karakteristik dari algoritma genetika adalah: 1. Bekerja dengan pengkodean dari himpunan solusi permasalahan berdasarkan parameter yang telah ditetapkan dan bukan parameter itu sendiri. 2. Melakukan pencarian pada sebuah populasi dari sejumlah individu-individu yang merupakan solusi pemasalahan bukan hanya dari sebuah individu. 3. Merupakan informasi fungsi objektif (fitness) sebagai cara untuk mengevaluasi individu yang mempunyai solusi terbaik, bukan turunan dari suatu fungsi. 4. Merupakan aturan peluang dan bukan aturan deterministik. Kelebihan algoritma genetika adalah sebagai berikut: a. Algoritma genetika tidak terlalu banyak memerlukan persyaratan matematika dalam penyelesaian proses optimasi dan dapat diaplikasikan pada beberapa jenis fungsi objektif dengan beberapa fungsi pembatas baik berbentuk liner maupun non liner. b. Operasi evolusi dari algoritma genetika sangat efektif untuk mengobservasi posisi global secara acak. c. Algoritma genetika mempunyai fleksibilitas untuk diimplementasikan secara efisien pada problematika tertentu. Dalam proses pengerjaan Algoritma Genetika menggunakan 5 tahapan sebagai berikut: a. Pengkodean (encoding) b. Seleksi (selection) c. Persilangan (crossover) d. Mutasi (mutation) e. Decoding

7 Kawin Silang Single point crossover pemilihan satu titik crossover, string binary dari awal chromosome untuk titik crossover adalah di-copy dari orang tua pertama dan sisanya di-copy dari orang tua kedua = Two point crossover pemilihan dua titik crossover, string binary dari awal dari chromosome untuk titik pertama crossover di-copy dari orang tua pertama, bagian dari the first untuk titik crossover yang kedua di-copy dari orang tua kedua dan sisanya di-copy dari orang tua pertama = Uniform crossover bit-bit secara acak di-copy dari orang tua pertama atau kedua = Arithmetic crossover - beberapa operasi arithmetic adalah ditampilkan untuk membuat offspring yang baru = (AND)

8 13 Hal yang dapat dilihat dari perpindahan bilangan biner di atas adalah kawin silang (crossover) dapat dilakukan dengan empat cara yaitu single point crossover, two point crossover, uniform crossover dan arithmetic crossover. Dari keempat cara tersebut didapat bahwa arithmetic crossover merupakan cara yang lebih cepat untuk menyelesaikan perkawinan silang (crossover). 2.2 Meknisme Algoritma Genetika Algoritma genetika dimulai dengan pembentukan sejumlah solusi yang dilakukan secara acak. Sebuah solusi yang dibangkitkan dalam algoritma genetika disebut sebagai kromosom, sedangkan kumpulan kromosom tersebut disebut sebagai populasi. Sebuah kromosom dibentuk dari komponen penyusun disebut dengan gen dan nilainya dapat berupa bilangan numerik, biner, simbol ataupun karakter tergantung dari permasalahan yang ingin diselesaikan. Secara umum blok diagram dari mekanisme kerja algoritma genetika adalah seperti pada gambar 2.1. Bangkitkan populasi awal Evaluasi fungsi tujuan Kriteria optimasi tercapai Ya Individuindividu terbaik Mulai Tidak Selesai Seleksi Bangkitkan Populasi awal Persilangan Mutasi Gambar 2.1 Meknisme Algoritma Genetika

9 Travelling Salesman Problem (TSP) Masalah optimasi TSP terkenal dan telah menjadi standar untuk mencoba algoritma yang komputational. Pokok permasalahan dari TSP adalah seorang salesman harus mengunjungi sejumlah kota yang diketahui jaraknya satu dengan yang lainnya. Semua kota yang ada harus dikunjungi oleh salesman tersebut dengan memilih rute yang terpendek dan kota tersebut hanya boleh dikunjungi tepat satu kali sehingga jarak yang ditempuhnya merupakan jarak minimum. Algoritma genetik merupakan sebuah algoritma yang meniru cara kerja proses genetika pada makhluk hidup, dimana terdapat proses seleksi, rekombinasi dan mutasi untuk mendapatkan kromosom terbaik pada suatu generasi. Pada tulisan ini membahas bagaimana algoritma genetik menyelesaikan TSP dengan menggunakan metode order crossover sebagai teknik rekombinasi dan metode insertion mutation sebagai teknik mutasi yang digunakan pada algoritma genetik. Untuk mengetahui bagaimana penerapan algoritma genetika dalam menyelesaikan traveling salesman problem, dibuatkan sebuah program simulasi sederhana dengan menggunakan piranti lunak Microsoft Visual Basic 6.0. Dalam program simulasi tersebut, traveling salesman problem yang akan digunakan adalah Symmetric Traveling Salesman Problem dimana jarak kota A ke kota B adalah sama dengan jarak kota B ke kota A. Masalah penilaian metode yang terbaik sulit untuk dilakukan karena metodemetode yang sangat berkaitan erat satu sama lain tidak dapat dinilai hanya melalui perbandingan yang sederhana. Sepertinya perlu dilakukan pertimbangan ulang untuk menentukan kriteria perbandingan antar metode tersebut. Oleh karena itu, penilaian yang lebih baik harus mengesampingkan hasil contoh kasus kecil seperti di atas karena contoh kasus tersebut dapat diselesaikan oleh seluruh teknik penyelesaian yang baik. Sejauh ini, jika diberikan sejumlah n kota, penilaian seharusnya difokuskan pada n-kota yang benar-benar sulit untuk diselesaikan dengan menggunakan metode yang diajukan yang nantinya akan diuji mana yang lebih baik. Dengan pendekatan ini, kita kemudian dapat menentukan apakah metode A lebih baik daripada metode B jika diberikan persoalan n-kota dengan n sebuah bilangan yang besar.

10 15 Agar ide perbandingan metode-metode di atas dapat diaplikasikan maka dapat menganalisis metode penyelesaian yang diberikan untuk dapat memberikan jaminan bahwa setiap n akan memakan waktu sejumlah f(n) untuk berapapun n-kota TSP, dimana f(n) ialah sebuah fungsi yang menghasilkan waktu yang dibutuhkan untuk menyelesaikan persoalan TSP n-kota. Sekarang untuk membandingkan dua buah metode penyelesaian, membandingkan fungsi mana yang menghasilkan hasil yang terbaik yang diberikan di antara dua buah solusi penyelesaian tersebut. Hal ini tentu saja menghasilkan hasil perhitungan yang salah karena sebuah metode penyelesaian yang benar-benar baik namun dianalisis dengan buruk akan terlihat buruk jika dibandingkan dengan metode penyelesaian lain yang dianalisis dengan baik. Pada beberapa persoalan komputasi, bagaimanapun juga studi mengenai algoritma dan fungsi telah memberikan hasil yang baik yang penting bagi pengembangan untuk penyelesaian persoalan praktis. Hal ini telah menjadi subjek studi utama di dalam bidang ilmu komputer. Dalam metode penyelesaian persoalan TSP, mudah untuk mengembangkan metode penyelesaian yang memiliki fungsi yang memiliki f(n) = (n-1)! = (n-1) x (n- 2) x (n-3) x 3 x 2 x 1 dan jumlah jalur perjalanan antar kota yang mungkin terjadi ialah (n-1)!/2. Hasil yang lebih telah dikembangkan pada tahun 1962 oleh Michael Held dan Richard Karp, yang menemukan algoritma yang menghasilkan f(n) yang memiliki proporsi n 2 2 n, yaitu n x n x 2 x 2 x 2 x x 2, dimana ada sebanyak n perkalian 2. Untuk setiap n yang bernilai besar, fungsi f(n) Held-Karp akan selalu lebih kecil jika dibandingkan dengan (n-1). Bagi setiap orang yang tertarik untuk menyelesaikan persoalan TSP yang besar, ada sebuah kabar buruk bahwa selama 45 tahun sejak Held dan Karp menemukan fungsi f(n) = n 2 2 n ternyata tidak ditemukan fungsi f(n) yang lebih baik. Hal ini tentu saja mengecewakan karena dengan n = 30 fungsi f(n) Held-Karp menghasilkan nilai yang sangat besar. Dan untuk n = 100, adalah suatu hal yang mustahil untuk menyelesaikan persoalan ini dengan kemampuan yang dimiliki komputer yang ada saat ini. Perkembangan fungsi f(n) dalam TSP yang sangat lambat ini mungkin memang tidak dapat kita hindari dengan kemampuan komputer yang ada saat ini, bisa jadi memang tidak ada metode penyelesaian persoalan yang menghasilkan f(n) memiliki tingkat performasi yang baik, misal n c dimana c ialah sebuah konstanta, oleh karena

11 16 itu, n x n x n x x n dimana n muncul sebanyak c kali. Diskusi mengenai teknis permasalahan ini dapat dilihat pada tulisan Stephen Cook s dan Institut Matematika Clay menawarkan hadiah sebesar satu juta US dolar bagi siapa pun yang dapat menemukan metode yang lebih baik. Persoalan kompleksitas TSP ialah sebuah pertanyaan yang mendalam dalam bidang matematik. Tetapi situasinya ialah sekarang kita mendapatkan sedikit informasi yang berguna dengan melihat pada kasus dengan tingkat performansi terburuk dari metode penyelesaian masalah TSP. Dengan sedikit pilihan baik yang tersedia, para peneliti TSP telah berusaha untuk mengukur perkembangan dengan cara melihat bagaimana implementasi pada komputer dari metode-metode penyelesaian tersebut menyelesaikan persoalan pada contoh kasus yang diberikan. Maksudnya ialah bahwa dengan memperbesar ukuran dan variasi contoh kasus yang dapat diselesaikan dan akan memperoleh kemajuan pada solusi praktis dari TSP. Walaupun pergantian proses perbandingan untuk mendapatkan perbandingan yang baik seperti yang kami tawarkan di awal lemah, tes komputasi praktis ini telah membawa para peneliti TSP kepada metode penyelesaian TSP kepada perkembangan yang jauh lebih baik. Dan yang lebih penting lagi, usaha-usaha tersebut telah mengarahkan penelitian ke dalam pengembangan alat optimasi yang bersifat umum.

PENERAPAN ALGORITMA GENETIKA UNTUK TRAVELING SALESMAN PROBLEM DENGAN MENGGUNAKAN METODE ORDER CROSSOVER DAN INSERTION MUTATION

PENERAPAN ALGORITMA GENETIKA UNTUK TRAVELING SALESMAN PROBLEM DENGAN MENGGUNAKAN METODE ORDER CROSSOVER DAN INSERTION MUTATION 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 terperinci

BAB 2 DASAR TEORI. 2.1 Teka-Teki Silang

BAB 2 DASAR TEORI. 2.1 Teka-Teki Silang BAB 2 DASAR TEORI 2.1 Teka-Teki Silang Teka-teki silang atau disingkat TTS adalah suatu permainan yang mengharuskan penggunanya untuk mengisi ruang-ruang kosong dengan huruf-huruf yang membentuk sebuah

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Travelling Salesman Problem (TSP) Travelling Salesmen Problem (TSP) termasuk ke dalam kelas NP hard yang pada umumnya menggunakan pendekatan heuristik untuk mencari solusinya.

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 7 BAB 2 LANDASAN TEORI 2.1 Penjadwalan Perkuliahan Penjadwalan memiliki pengertian durasi dari waktu kerja yang dibutuhkan untuk melakukan serangkaian untuk melakukan aktivitas kerja[10]. Penjadwalan juga

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 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 Charles

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.1 Algoritma Genetika Algoritma Genetika merupakan suatu algoritma yang terinspirasi dari teori evolusi Darwin yang menyatakan bahwa kelangsungan hidup suatu makhluk dipengaruhi

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA 2.1 Tinjauan Pustaka (Samuel, Toni & Willi 2005) dalam penelitian yang berjudul Penerapan Algoritma Genetika untuk Traveling Salesman Problem Dengan Menggunakan Metode Order Crossover

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI Pada bab ini akan membahas landasan atas teori-teori yang bersifat ilmiah untuk mendukung penulisan tugas akhir ini. Teori-teori yang dibahas mengenai pengertian penjadwalan, algoritma

Lebih terperinci

ALGORITMA GENETIKA Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning

ALGORITMA GENETIKA Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning ALGORITMA GENETIKA Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning Achmad Basuki Politeknik Elektronika Negeri Surabaya PENS-ITS Surabaya 2003 Algoritma Genetika Algoritma

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Latar Belakang Traveling Salesman Problem (TSP) adalah permasalahan dimana seorang salesman harus mengunjungi semua kota yang ada dan kota tersebut hanya boleh dikunjungi tepat satu

Lebih terperinci

Aplikasi Algoritma Genetika Untuk Menyelesaikan Travelling Salesman Problem (TSP)

Aplikasi Algoritma Genetika Untuk Menyelesaikan Travelling Salesman Problem (TSP) JTRISTE, Vol.1, No.2, Oktober 2014, pp. 50~57 ISSN: 2355-3677 Aplikasi Algoritma Genetika Untuk Menyelesaikan Travelling Salesman Problem (TSP) STMIK Handayani Makassar najirah_stmikh@yahoo.com Abstrak

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 18 BAB 2 LANDASAN TEORI 2.1 Pengertian Optimasi Optimasi adalah salah satu ilmu dalam matematika yang fokus untuk mendapatkan nilai minimum atau maksimum secara sistematis dari suatu fungsi, peluang maupun

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang

BAB I PENDAHULUAN. 1.1 Latar Belakang BAB I PENDAHULUAN 1.1 Latar Belakang Pada awal diciptakan, komputer hanya difungsikan sebagai alat hitung saja. Namun seiring dengan perkembangan zaman, maka peran komputer semakin mendominasi kehidupan.

Lebih terperinci

Lingkup Metode Optimasi

Lingkup Metode Optimasi Algoritma Genetika Lingkup Metode Optimasi Analitik Linier Non Linier Single Variabel Multi Variabel Dgn Kendala Tanpa Kendala Numerik Fibonacci Evolusi Complex Combinasi Intelijen/ Evolusi Fuzzy Logic

Lebih terperinci

PENENTUAN JARAK TERPENDEK PADA JALUR DISTRIBUSI BARANG DI PULAU JAWA DENGAN MENGGUNAKAN ALGORITMA GENETIKA. Abstraksi

PENENTUAN JARAK TERPENDEK PADA JALUR DISTRIBUSI BARANG DI PULAU JAWA DENGAN MENGGUNAKAN ALGORITMA GENETIKA. Abstraksi PENENTUAN JARAK TERPENDEK PADA JALUR DISTRIBUSI BARANG DI PULAU JAWA DENGAN MENGGUNAKAN ALGORITMA GENETIKA I Dewa Made Adi Baskara Joni 1, Vivine Nurcahyawati 2 1 STMIK STIKOM Indonesia, 2 STMIK STIKOM

Lebih terperinci

BAB 2 TINJAUAN PUSTAKA

BAB 2 TINJAUAN PUSTAKA 5 BAB 2 TINJAUAN PUSTAKA 2.1. Algoritma Genetika Pada tahun 1975, John Holland, di dalam bukunya yang berjudul Adaption in Natural and Artificial Systems, mengemukakan komputasi berbasis evolusi. Tujuannya

Lebih terperinci

ALGORITMA GENETIKA. Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning

ALGORITMA GENETIKA. Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning ALGORITMA GENETIKA Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning Disusun oleh: Achmad Basuki Politeknik Elektronika Negeri Surabaya, PENS ITS Surabaya 2003 Algoritma

Lebih terperinci

Algoritma Genetika dan Penerapannya dalam Mencari Akar Persamaan Polinomial

Algoritma Genetika dan Penerapannya dalam Mencari Akar Persamaan Polinomial Algoritma Genetika dan Penerapannya dalam Mencari Akar Persamaan Polinomial Muhammad Abdy* 1, Maya Sari Wahyuni* 2, Nur Ilmi* 3 1,2,3 Jurusan Matematika, Universitas Negeri Makassar e-mail: * 1 m.abdy@unm.ac.id,

Lebih terperinci

BAB III. Metode Penelitian

BAB III. Metode Penelitian BAB III Metode Penelitian 3.1 Diagram Alir Penelitian Secara umum diagram alir algoritma genetika dalam penelitian ini terlihat pada Gambar 3.1. pada Algoritma genetik memberikan suatu pilihan bagi penentuan

Lebih terperinci

BAB 2 TINJAUAN PUSTAKA

BAB 2 TINJAUAN PUSTAKA BAB 2 TINJAUAN PUSTAKA 2.1 Penjadwalan Penjadwalan kegiatan belajar mengajar pada suatu lembaga pendidikan biasanya merupakan salah satu pekerjaan yang tidak mudah dan menyita waktu. Pada lembaga pendidikan

Lebih terperinci

BAB II KAJIAN PUSTAKA. Pada bab kajian pustaka berikut ini akan dibahas beberapa materi yang meliputi

BAB II KAJIAN PUSTAKA. Pada bab kajian pustaka berikut ini akan dibahas beberapa materi yang meliputi 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 terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA 2.1. Pendahuluan Pada bab ini akan dibahas tentang travelling salesman problem (TSP), metodemetode yang digunakan dalam penyelesaian TSP. Khusus penggunaan metode algoritma genetika

Lebih terperinci

ERWIEN TJIPTA WIJAYA, ST.,M.KOM

ERWIEN TJIPTA WIJAYA, ST.,M.KOM ERWIEN TJIPTA WIJAYA, ST.,M.KOM DEFINISI ALGEN adalah algoritma yang memanfaatkan proses seleksi alamiah yang dikenal dengan evolusi Dalam evolusi, individu terus menerus mengalami perubahan gen untuk

Lebih terperinci

BAB III IMPLEMENTASIALGORITMA GENETIK DAN ACS PADA PERMASALAHAN TRAVELLING SALESMAN PROBLEM

BAB III IMPLEMENTASIALGORITMA GENETIK DAN ACS PADA PERMASALAHAN TRAVELLING SALESMAN PROBLEM BAB III IMPLEMENTASIALGORITMA GENETIK DAN ACS PADA PERMASALAHAN TRAVELLING SALESMAN PROBLEM 3.1 TRAVELLING SALESMAN PROBLEM Sebelum membahas pencarian solusi Travelling Salesman Problem menggunakan algoritma

Lebih terperinci

BAB 3 ANALISIS DAN PERANCANGAN APLIKASI

BAB 3 ANALISIS DAN PERANCANGAN APLIKASI 27 BAB 3 ANALISIS DAN PERANCANGAN APLIKASI 3.1 Analisis Pada subbab ini akan diuraikan tentang analisis kebutuhan untuk menyelesaikan masalah jalur terpendek yang dirancang dengan menggunakan algoritma

Lebih terperinci

BAB I PENDAHULUAN. kehidupan sehari-hari dan juga merupakan disiplin ilmu yang berdiri sendiri serta

BAB I PENDAHULUAN. kehidupan sehari-hari dan juga merupakan disiplin ilmu yang berdiri sendiri serta BAB I PENDAHULUAN A. Latar Belakang Matematika adalah cabang ilmu pengetahuan yang dapat digunakan dalam kehidupan sehari-hari dan juga merupakan disiplin ilmu yang berdiri sendiri serta tidak merupakan

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.1 Penjadwalan Penjadwalan adalah penempatan sumber daya (resource) dalam satu waktu. Penjadwalan mata kuliah merupakan persoalan penjadwalan yang umum dan sulit dimana tujuannya

Lebih terperinci

OPTIMASI PENJADWALAN KEGIATAN BELAJAR MENGAJAR DENGAN ALGORITMA GENETIK

OPTIMASI PENJADWALAN KEGIATAN BELAJAR MENGAJAR DENGAN ALGORITMA GENETIK OPTIMASI PENJADWALAN KEGIATAN BELAJAR MENGAJAR DENGAN ALGORITMA GENETIK Usulan Skripsi S-1 Jurusan Matematika Diajukan oleh 1. Novandry Widyastuti M0105013 2. Astika Ratnawati M0105025 3. Rahma Nur Cahyani

Lebih terperinci

BAB I PENDAHULUAN. wisata budaya, wisata belanja, hingga wisata Alam. Untuk menarik minat

BAB I PENDAHULUAN. wisata budaya, wisata belanja, hingga wisata Alam. Untuk menarik minat BAB I PENDAHULUAN A. Latar Belakang Masalah Objek pariwisata di Yogyakarta sudah semakin beragam mulai dari wisata budaya, wisata belanja, hingga wisata Alam. Untuk menarik minat wisatawan dapat dibuat

Lebih terperinci

BAB II KAJIAN TEORI. memindahkan barang dari pihak supplier kepada pihak pelanggan dalam suatu supply

BAB 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 terperinci

BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI

BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Pustaka. Penelitian serupa mengenai penjadwalan matakuliah pernah dilakukan oleh penelliti yang sebelumnya dengan metode yang berbeda-neda. Berikut

Lebih terperinci

IMPLEMENTASI ALGORITMA GENETIKA DALAM OPTIMASI JALUR PENDISTRIBUSIAN KERAMIK PADA PT. CHANG JUI FANG

IMPLEMENTASI ALGORITMA GENETIKA DALAM OPTIMASI JALUR PENDISTRIBUSIAN KERAMIK PADA PT. CHANG JUI FANG IMPLEMENTASI ALGORITMA GENETIKA DALAM OPTIMASI JALUR PENDISTRIBUSIAN KERAMIK PADA PT. CHANG JUI FANG Adnan Buyung Nasution 1 1,2 Sistem Infomasi, Tehnik dan Ilmu Komputer, Universitas Potensi Utama 3 Universitas

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI 27 BAB II LANDASAN TEORI 2.1. Penelitian Terkait Penelitian terkait yang menggunakan algoritma genetika untuk menemukan solusi dalam menyelesaikan permasalahan penjadwalan kuliah telah banyak dilakukan.

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI Pada bab ini akan membahas landasan atas teori-teori yang bersifat ilmiah untuk mendukung penulisan skripsi ini. Teori-teori yang dibahas mengenai optimisasi, pengertian penjadwalan,

Lebih terperinci

PERBANDINGAN KINERJA ALGORITMA GENETIK DAN ALGORITMA BRANCH AND BOUND PADA TRAVELLING SALESMAN PROBLEM

PERBANDINGAN KINERJA ALGORITMA GENETIK DAN ALGORITMA BRANCH AND BOUND PADA TRAVELLING SALESMAN PROBLEM PERBANDINGAN KINERJA ALGORITMA GENETIK DAN ALGORITMA BRANCH AND BOUND PADA TRAVELLING SALESMAN PROBLEM Nico Saputro dan Suryandi Wijaya Jurusan Ilmu Komputer Universitas Katolik Parahyangan nico@home.unpar.ac.id

Lebih terperinci

Bab II Konsep Algoritma Genetik

Bab II Konsep Algoritma Genetik Bab II Konsep Algoritma Genetik II. Algoritma Genetik Metoda algoritma genetik adalah salah satu teknik optimasi global yang diinspirasikan oleh proses seleksi alam untuk menghasilkan individu atau solusi

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.1 Travelling Salesman Problem (TSP) Persoalan TSP merupakan salah satu persoalan optimasi kombinatorial (kombinasi permasalahan). Banyak permasalahan yang dapat direpresentasikan

Lebih terperinci

BAB II LANDASAN TEORI. Tahun 2001 pemilik CV. Tunas Jaya membuka usaha di bidang penjualan dan

BAB II LANDASAN TEORI. Tahun 2001 pemilik CV. Tunas Jaya membuka usaha di bidang penjualan dan BAB II LANDASAN TEORI 2.1 Sejarah Perusahaan Tahun 2001 pemilik CV. Tunas Jaya membuka usaha di bidang penjualan dan pengadaan suku cadang computer. Dalam bidang tersebut diharuskan berbadan hukum PD,

Lebih terperinci

Optimasi Multi Travelling Salesman Problem (M-TSP) Menggunakan Algoritma Genetika

Optimasi Multi Travelling Salesman Problem (M-TSP) Menggunakan Algoritma Genetika Optimasi Multi Travelling Salesman Problem (M-TSP) Menggunakan Algoritma Genetika Wayan Firdaus Mahmudy (wayanfm@ub.ac.id) Program Studi Ilmu Komputer, Universitas Brawijaya, Malang, Indonesia Abstrak.

Lebih terperinci

BAB II LANDASAN TEORI. Evolutionary Algorithm merupakan terminologi umum yang menjadi payung

BAB II LANDASAN TEORI. Evolutionary Algorithm merupakan terminologi umum yang menjadi payung BAB II LANDASAN TEORI 2.1 Algoritma Genetika Evolutionary Algorithm merupakan terminologi umum yang menjadi payung bagi empat istilah : algoritma genetika (genetic algorithm), pemrograman genetika (genetic

Lebih terperinci

Algoritma Evolusi Dasar-Dasar Algoritma Genetika

Algoritma Evolusi Dasar-Dasar Algoritma Genetika Algoritma Evolusi Dasar-Dasar Algoritma Genetika Imam Cholissodin imam.cholissodin@gmail.com Pokok Bahasan 1. Pengantar 2. Struktur Algoritma Genetika 3. Studi Kasus: Maksimasi Fungsi Sederhana 4. Studi

Lebih terperinci

PENERAPAN ALGORITMA GENETIKA PADA PERENCANAAN LINTASAN KENDARAAN Achmad Hidayatno Darjat Hendry H L T

PENERAPAN ALGORITMA GENETIKA PADA PERENCANAAN LINTASAN KENDARAAN Achmad Hidayatno Darjat Hendry H L T PENERAPAN ALGORITMA GENETIKA PADA PERENCANAAN LINTASAN KENDARAAN Achmad Hidayatno Darjat Hendry H L T Abstrak : Algoritma genetika adalah algoritma pencarian heuristik yang didasarkan atas mekanisme evolusi

Lebih terperinci

Pencarian Rute Terpendek untuk Pengoptimalan Ditribusi Sales Rokok Gudang Garam di kecamatan Wuluhan Kabupaten Jember Menggunakan Algoritma Genetika

Pencarian Rute Terpendek untuk Pengoptimalan Ditribusi Sales Rokok Gudang Garam di kecamatan Wuluhan Kabupaten Jember Menggunakan Algoritma Genetika Pencarian Rute Terpendek untuk Pengoptimalan Ditribusi Sales Rokok Gudang Garam di kecamatan Wuluhan Kabupaten Jember Menggunakan Algoritma Genetika Priza Pandunata, Rachmad Agung Bagaskoro, Agung Ilham

Lebih terperinci

PENERAPAN ALGORITMA GENETIK UNTUK OPTIMASI DENGAN MENGUNAKAN PENYELEKStAN RODA ROULETTE

PENERAPAN ALGORITMA GENETIK UNTUK OPTIMASI DENGAN MENGUNAKAN PENYELEKStAN RODA ROULETTE PENERAPAN ALGORTMA GENETK UNTUK OPTMAS DENGAN MENGUNAKAN PENYELEKStAN RODA ROULETTE Samuel Lukas, M.Tech." Abstract The purpose of this paper is to introducing genetic algorithm. This algorithm is one

Lebih terperinci

Penjadwalan kegiatan merupakan pekerjaan yang tidak mudah, karena dalam. penyusunannya memerlukan perencanaan yang matang agar kegiatan tersebut

Penjadwalan kegiatan merupakan pekerjaan yang tidak mudah, karena dalam. penyusunannya memerlukan perencanaan yang matang agar kegiatan tersebut BAB I PENDAHULUAN A. Latar Belakang Penjadwalan kegiatan merupakan pekerjaan yang tidak mudah, karena dalam penyusunannya memerlukan perencanaan yang matang agar kegiatan tersebut terlaksana dengan optimal.

Lebih terperinci

PENGEMBANGAN APLIKASI PENJADWALAN KULIAH SEMESTER I MENGGUNAKAN ALGORITMA GENETIKA

PENGEMBANGAN APLIKASI PENJADWALAN KULIAH SEMESTER I MENGGUNAKAN ALGORITMA GENETIKA PENGEMBANGAN APLIKASI PENJADWALAN KULIAH SEMESTER I MENGGUNAKAN ALGORITMA GENETIKA Bagus Priambodo Program Studi Sistem Informasi Fakultas Ilmu Komputer Universitas Mercu Buana e- mail : bagus.priambodo@mercubuana.ac.id

Lebih terperinci

ALGORITMA GENETIKA DENGAN PENDEKATAN MODEL PULAU PADA PERMASALAHAN TRAVELLING SALESMAN

ALGORITMA GENETIKA DENGAN PENDEKATAN MODEL PULAU PADA PERMASALAHAN TRAVELLING SALESMAN ALGORITMA GENETIKA DENGAN PENDEKATAN MODEL PULAU PADA PERMASALAHAN TRAVELLING SALESMAN Hardy STMIK Mikroskil Jl. Thamrin No. 112, 124, 140 Medan 20212 hardy@mikroskil.ac.id Abstrak Algoritma genetika telah

Lebih terperinci

GENETIKA UNTUK MENENTUKAN RUTE LOPER KORAN DI AGEN SURAT KABAR

GENETIKA UNTUK MENENTUKAN RUTE LOPER KORAN DI AGEN SURAT KABAR MULTI TRAVELING SALESMAN PROBLEM (MTSP) DENGAN ALGORITMA Abstrak GENETIKA UNTUK MENENTUKAN RUTE LOPER KORAN DI AGEN SURAT KABAR Oleh : Fitriana Yuli Saptaningtyas,M.Si. Jurusan Pendidikan Matematika FMIPA

Lebih terperinci

BAB I PENDAHULUAN. telah diadopsi untuk mengurangi getaran pada gedung-gedung tinggi dan struktur

BAB I PENDAHULUAN. telah diadopsi untuk mengurangi getaran pada gedung-gedung tinggi dan struktur BAB I PENDAHULUAN 1.1 Latar Belakang Tuned mass damper (TMD) telah banyak digunakan untuk mengendalikan getaran dalam sistem teknik mesin. Dalam beberapa tahun terakhir teori TMD telah diadopsi untuk mengurangi

Lebih terperinci

BAB II KAJIAN TEORI. berbeda di, melambangkan rusuk di G dan jika adalah. a. dan berikatan (adjacent) di. b. rusuk hadir (joining) simpul dan di

BAB II KAJIAN TEORI. berbeda di, melambangkan rusuk di G dan jika adalah. a. dan berikatan (adjacent) di. b. rusuk hadir (joining) simpul dan di 1. Teori graf BAB II KAJIAN TEORI 1. Definisi Graf G membentuk suatu graf jika terdapat pasangan himpunan ) )), dimana ) (simpul pada graf G) tidak kosong dan ) (rusuk pada graf G). Jika dan adalah sepasang

Lebih terperinci

PERANCANGAN ALGORITMA GENETIKA UNTUK MENENTUKAN JALUR TERPENDEK. Kata kunci: Algoritma Genetika, Shortest Path Problem, Jalur Terpendek

PERANCANGAN 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 terperinci

BAB 2 TINJAUAN PUSTAKA

BAB 2 TINJAUAN PUSTAKA BAB 2 TINJAUAN PUSTAKA 2.1 Algoritma Genetika Algoritma genetika merupakan algoritma pencarian heuristik ysng didasarkan atas mekanisme seleksi alami dan genetika alami (Suyanto, 2014). Adapun konsep dasar

Lebih terperinci

Pengantar Kecerdasan Buatan (AK045218) Algoritma Genetika

Pengantar 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 terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 36 BAB 2 LANDASAN TEORI 2.1 Pengurutan Pekerjaan (Job Sequencing) 2.1.1 Deskripsi Umum Dalam industri manufaktur, tujuan penjadwalan ialah untuk meminimasikan waktu dan biaya produksi, dengan cara mengatur

Lebih terperinci

BAB III PEMBAHASAN. Berikut akan diberikan pembahasan mengenai penyelesaikan CVRP dengan

BAB III PEMBAHASAN. Berikut akan diberikan pembahasan mengenai penyelesaikan CVRP dengan BAB III PEMBAHASAN Berikut akan diberikan pembahasan mengenai penyelesaikan CVRP dengan Algoritma Genetika dan Metode Nearest Neighbour pada pendistribusian roti di CV. Jogja Transport. 3.1 Model Matetematika

Lebih terperinci

ABSTRAK. Universitas Kristen Maranatha

ABSTRAK. 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 terperinci

Implementasi Algoritma Genetika dalam Pembuatan Jadwal Kuliah

Implementasi Algoritma Genetika dalam Pembuatan Jadwal Kuliah Implementasi Algoritma Genetika dalam Pembuatan Jadwal Kuliah Leonard Tambunan AMIK Mitra Gama Jl. Kayangan No. 99, Duri-Riau e-mail : leo.itcom@gmail.com Abstrak Pada saat ini proses penjadwalan kuliah

Lebih terperinci

BAB 2 LANDASAN TEORI. 2.1 Algoritma

BAB 2 LANDASAN TEORI. 2.1 Algoritma 13 BAB 2 LANDASAN TEORI 2.1 Algoritma Dalam matematika dan komputasi, algoritma merupakan kumpulan perintah untuk menyelesaikan suatu masalah. Perintah-perintah ini dapat diterjemahkan secara bertahap

Lebih terperinci

BAB III MODEL DAN TEKNIK PEMECAHAN

BAB III MODEL DAN TEKNIK PEMECAHAN BAB III MODEL DAN TEKNIK PEMECAHAN III.1. Diskripsi Sistem Sistem pendistribusian produk dalam penelitian ini adalah berkaitan dengan permasalahan vehicle routing problem (VRP). Berikut ini adalah gambar

Lebih terperinci

T I N J A U A N P U S T A K A Algoritma Genetika [5]

T I N J A U A N P U S T A K A Algoritma Genetika [5] Algoritma Genetika [5] Fitness adalah nilai yang menyatakan baik-tidaknya suatu jalur penyelesaian dalam permasalahan TSP,sehingga dijadikan nilai acuan dalam mencari jalur penyelesaian optimal dalam algoritma

Lebih terperinci

Genetic Algorithme. Perbedaan GA

Genetic Algorithme. Perbedaan GA Genetic Algorithme Algoritma ini bekerja dengan sebuah populasi yang terdiri atas individu-individu (kromosom). Individu dilambangkan dengan sebuah nilai kebugaran (fitness) yang akan digunakan untuk mencari

Lebih terperinci

Tugas Mata Kuliah E-Bisnis REVIEW TESIS

Tugas Mata Kuliah E-Bisnis REVIEW TESIS Tugas Mata Kuliah E-Bisnis REVIEW TESIS Desain Algoritma Genetika Untuk Optimasi Penjadwalan Produksi Meuble Kayu Studi Kasus Pada PT. Sinar Bakti Utama (oleh Fransiska Sidharta dibawah bimbingan Prof.Kudang

Lebih terperinci

BAB II LANDASAN TEORI. digunakan sebagai alat pembayaran yang sah di negara lain. Di dalam

BAB II LANDASAN TEORI. digunakan sebagai alat pembayaran yang sah di negara lain. Di dalam BAB II LANDASAN TEORI 2.1 Valuta Asing Valuta asing dapat diartikan sebagai mata uang yang dikeluarkan dan digunakan sebagai alat pembayaran yang sah di negara lain. Di dalam hukum ekonomi bila terdapat

Lebih terperinci

BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI

BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Konsep Umum Optimasi Optimasi merupakan suatu cara untuk menghasilkan suatu bentuk struktur yang aman dalam segi perencanaan dan menghasilkan struktur yang

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Penjadwalan Kampanye Penjadwalan memiliki pengertian durasi dari waktu kerja yang dibutuhkan untuk melakukan serangkaian aktivitas kerja (Jiupe, 2008). Penjadwalan juga merupakan

Lebih terperinci

PRESENTASI TUGAS AKHIR

PRESENTASI TUGAS AKHIR PRESENTASI TUGAS AKHIR Travelling Salesman Problem menggunakan Algoritma Genetika Via GPS berbasis Android (kata kunci : android,gps,google Maps, Algoritma Genetika, TSP) Penyusun Tugas Akhir : Azmi Baharudin

Lebih terperinci

PENDAHULUAN. Latar Belakang

PENDAHULUAN. Latar Belakang Latar Belakang PENDAHULUAN Pada saat sekarang ini, setiap perusahaan yang ingin tetap bertahan dalam persaingan dengan perusahaan lainnya, harus bisa membuat semua lini proses bisnis perusahaan tersebut

Lebih terperinci

Analisis Operator Crossover pada Permasalahan Permainan Puzzle

Analisis Operator Crossover pada Permasalahan Permainan Puzzle Analisis Operator Crossover pada Permasalahan Permainan Puzzle Kun Siwi Trilestari [1], Ade Andri Hendriadi [2] Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Singaperbanga Karawang

Lebih terperinci

PENERAPAN ALGORITMA GENETIKA DALAM PENYELESAIAN TRAVELLING SALESMAN PROBLEM WITH PRECEDENCE CONSTRAINTS (TSPPC)

PENERAPAN ALGORITMA GENETIKA DALAM PENYELESAIAN TRAVELLING SALESMAN PROBLEM WITH PRECEDENCE CONSTRAINTS (TSPPC) PENERAPAN ALGORITMA GENETIKA DALAM PENYELESAIAN TRAVELLING SALESMAN PROBLEM WITH PRECEDENCE CONSTRAINTS (TSPPC) Yayun Hardianti 1, Purwanto 2 Universitas Negeri Malang E-mail: yayunimoet@gmail.com ABSTRAK:

Lebih terperinci

PENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN TRAVELLING SALESMAN PROBLEM (TSP)

PENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN TRAVELLING SALESMAN PROBLEM (TSP) PENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN TRAVELLING SALESMAN PROBLEM (TSP) Mohamad Subchan STMIK Muhammadiyah Banten e-mail: moh.subhan@gmail.com ABSTRAK: Permasalahan pencarian rute terpendek dapat

Lebih terperinci

ALGORITMA GENETIKA PADA PEMROGRAMAN LINEAR DAN NONLINEAR

ALGORITMA 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 terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA 2.1 Konsep Dasar Sistem dan Informasi 2.1.1 Sistem Menurut Sutabri (2004), bahwa sistem adalah sekelompok unsur yang erat hubungannya satu dengan yang lainnya berfungsi untuk mencapai

Lebih terperinci

PERANCANGAN ALGORITMA GENETIKA DALAM PENYUSUNAN TEKA-TEKI SILANG

PERANCANGAN ALGORITMA GENETIKA DALAM PENYUSUNAN TEKA-TEKI SILANG PERANCANGAN ALGORITMA GENETIKA DALAM PENYUSUNAN TEKA-TEKI SILANG Afen Prana Utama 1, Edison Sinaga 1 D-3 Manajemen Informatika - STMIK Mikroskil Medan afen@mikroskil.ac.id Abstrak Teka-teki silang merupakan

Lebih terperinci

KNAPSACK PROBLEM DENGAN ALGORITMA GENETIKA

KNAPSACK PROBLEM DENGAN ALGORITMA GENETIKA LAPORAN TUGAS BESAR ARTIFICIAL INTELLEGENCE KNAPSACK PROBLEM DENGAN ALGORITMA GENETIKA Disusun Oleh : Bayu Kusumo Hapsoro (113050220) Barkah Nur Anita (113050228) Radityo Basith (113050252) Ilmi Hayyu

Lebih terperinci

BAB 2 TINJAUAN PUSTAKA

BAB 2 TINJAUAN PUSTAKA 20 BAB 2 TINJAUAN PUSTAKA 2.1. Pengantar Algoritma genetika merupakan algoritma yang lahir dari sebuah inspirasi teori evolusi Darwin yang mengatakan anggota dari spesies yang lemah lambat laun akan mengalami

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI 17 BAB II LANDASAN TEORI 2.1 Algoritma Dalam matematika dan komputasi, algoritma merupakan kumpulan perintah untuk menyelesaikan suatu masalah. Perintah-perintah ini dapat diterjemahkan secara bertahap

Lebih terperinci

PENYELESAIAN MINIMUM SPANNING TREE (MST) PADA GRAF LENGKAP DENGAN ALGORITMA GENETIKA MENGGUNAKAN TEKNIK PRUFER SEQUENCES

PENYELESAIAN MINIMUM SPANNING TREE (MST) PADA GRAF LENGKAP DENGAN ALGORITMA GENETIKA MENGGUNAKAN TEKNIK PRUFER SEQUENCES J~ICON, Vol. 2 No. 2, Oktober 2014, pp. 84 ~ 91 84 PENYELESAIAN MINIMUM SPANNING TREE (MST) PADA GRAF LENGKAP DENGAN ALGORITMA GENETIKA MENGGUNAKAN TEKNIK PRUFER SEQUENCES Emsi M. Y. Monifani 1, Adriana

Lebih terperinci

BAB III PERANCANGAN. Gambar 3.1 di bawah ini mengilustrasikan jalur pada TSP kurva terbuka jika jumlah node ada 10:

BAB III PERANCANGAN. Gambar 3.1 di bawah ini mengilustrasikan jalur pada TSP kurva terbuka jika jumlah node ada 10: BAB III PERANCANGAN Pada bagian perancangan ini akan dipaparkan mengenai bagaimana mencari solusi pada persoalan pencarian rute terpendek dari n buah node dengan menggunakan algoritma genetika (AG). Dari

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI 6 BAB II LANDASAN TEORI 2.1 Penjadwalan Menurut Dian (2011), penjadwalan merupakan proses untuk menyusun suatu jadwal atau urutan proses yang diperlukan dalam sebuah persoalan. Persoalan penjadwalan biasanya

Lebih terperinci

BAB II TINJAUAN PUSTAKA. Khowarizmi. Algoritma didasarkan pada prinsiup-prinsip Matematika, yang

BAB II TINJAUAN PUSTAKA. Khowarizmi. Algoritma didasarkan pada prinsiup-prinsip Matematika, yang BAB II TINJAUAN PUSTAKA A. ALGORITMA Algoritma adalah metode langkah demi langkah pemecahan dari suatu masalah. Kata algoritma berasal dari matematikawan Arab ke sembilan, Al- Khowarizmi. Algoritma didasarkan

Lebih terperinci

Prosiding Matematika ISSN:

Prosiding Matematika ISSN: Prosiding Matematika ISSN: 2460-6464 Representasi Matriks untuk Proses Crossover Pada Algoritma Genetika untuk Optimasi Travelling Salesman Problem Matrix Representation for The Crossover on Genetic Algorithm

Lebih terperinci

BAB II KAJIAN TEORI. berkaitan dengan optimasi, pemrograman linear, pemrograman nonlinear, quadratic

BAB II KAJIAN TEORI. berkaitan dengan optimasi, pemrograman linear, pemrograman nonlinear, quadratic BAB II KAJIAN TEORI Kajian teori pada bab ini membahas tentang pengertian dan penjelasan yang berkaitan dengan optimasi, pemrograman linear, pemrograman nonlinear, quadratic programming dan algoritma genetika.

Lebih terperinci

Optimalisasi Pengantaran Barang dalam Perdagangan Online Menggunakan Algoritma Genetika

Optimalisasi Pengantaran Barang dalam Perdagangan Online Menggunakan Algoritma Genetika Optimalisasi Pengantaran Barang dalam Perdagangan Online Menggunakan Algoritma Genetika Rozak Arief Pratama 1, Esmeralda C. Djamal, Agus Komarudin Jurusan Informatika, Fakultas MIPA Universitas Jenderal

Lebih terperinci

PEMAMPATAN MATRIKS JARANG DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL

PEMAMPATAN MATRIKS JARANG DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL Jurnal Matematika UNAND Vol. 3 No. 1 Hal. 98 106 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMAMPATAN MATRIKS JARANG DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL YOSI PUTRI, NARWEN

Lebih terperinci

Zbigniew M., Genetic Alg. + Data Structures = Evolution Program, Springler-verlag.

Zbigniew M., Genetic Alg. + Data Structures = Evolution Program, Springler-verlag. Zbigniew M., Genetic Alg. + Data Structures = Evolution Program, Springler-verlag. 12/11/2009 1 Ditemukan oleh Holland pada tahun 1975. Didasari oleh fenomena evolusi darwin. 4 kondisi yg mempengaruhi

Lebih terperinci

PENGGUNAAN ALGORITMA GENETIKA UNTUK MENENTUKAN LINTASAN TERPENDEK STUDI KASUS : LINTASAN BRT (BUS RAPID TRANSIT) MAKASSAR

PENGGUNAAN ALGORITMA GENETIKA UNTUK MENENTUKAN LINTASAN TERPENDEK STUDI KASUS : LINTASAN BRT (BUS RAPID TRANSIT) MAKASSAR PENGGUNAAN ALGORITMA GENETIKA UNTUK MENENTUKAN LINTASAN TERPENDEK STUDI KASUS : LINTASAN BRT (BUS RAPID TRANSIT) MAKASSAR Karels, Rheeza Effrains 1), Jusmawati 2), Nurdin 3) karelsrheezaeffrains@gmail.com

Lebih terperinci

IMPLEMENTASI ALGORITMA GENETIKA UNTUK PENCARIAN RUTE PALING OPTIMUM

IMPLEMENTASI ALGORITMA GENETIKA UNTUK PENCARIAN RUTE PALING OPTIMUM IMPLEMENTASI ALGORITMA GENETIKA UNTUK PENCARIAN RUTE PALING OPTIMUM Anies Hannawati, Thiang, Eleazar Fakultas Teknologi Industri, Jurusan Teknik Elektro, Universitas Kristen Petra Jl. Siwalankerto 121-131,

Lebih terperinci

Seminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004

Seminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004 Seminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004 Perbandingan Metode-Metode dalam Algoritma Genetika untuk Travelling Salesman Problem Irving Vitra P. Jurusan Teknik Informatika,

Lebih terperinci

OPTIMASI PENJADWALAN CERDAS MENGGUNAKAN ALGORITMA MEMETIKA

OPTIMASI PENJADWALAN CERDAS MENGGUNAKAN ALGORITMA MEMETIKA OPTIMASI PENJADWALAN CERDAS MENGGUNAKAN ALGORITMA MEMETIKA Muhammad Arief Nugroho 1, Galih Hermawan, S.Kom., M.T. 2 1, 2 Universitas Komputer Indonesia Jl. Dipatiukur No. 112-116, Bandung 40132 E-mail

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA 2.1. Algoritma Genetika Algoritma genetika sebagai cabang dari algoritma evolusi merupakan metode yang digunakan untuk memecahkan suatu pencarian nilai dalam permasalahan-permasalahan

Lebih terperinci

BAB II LANDASAN TEORI. Suatu graph merupakan suatu pasangan { E(G), V(G) } dimana :

BAB II LANDASAN TEORI. Suatu graph merupakan suatu pasangan { E(G), V(G) } dimana : BAB II LANDASAN TEORI 2.1 Defenisi Graph Suatu graph merupakan suatu pasangan { E(G), V(G) } dimana : V(G) adalah sebuah himpunan terhingga yang tidak kosong ( non empty finite set) yang elemennya disebut

Lebih terperinci

Keywords Algoritma, Genetika, Penjadwalan I. PENDAHULUAN

Keywords Algoritma, Genetika, Penjadwalan I. PENDAHULUAN Optimasi Penjadwalan Mata Kuliah Dengan Algoritma Genetika Andysah Putera Utama Siahaan Universitas Pembangunan Pancabudi Jl. Gatot Subroto Km. 4,5, Medan, Sumatra Utara, Indonesia andiesiahaan@gmail.com

Lebih terperinci

BAB II KAJIAN PUSTAKA

BAB II KAJIAN PUSTAKA BAB II KAJIAN PUSTAKA Pengertian-pengertian dasar yang digunakan sebagai landasan pembahasan pada Bab II yaitu masalah ditribusi, graf, Travelling Salesman Problem (TSP), Vehicle Routing Problem (VRP),

Lebih terperinci

Jl. Ahmad Yani, Pontianak Telp./Fax.: (0561)

Jl. Ahmad Yani, Pontianak Telp./Fax.: (0561) APLIKASI PENCARIAN RUTE TERPENDEK MENGGUNAKANALGORITMA GENETIKA (Studi Kasus: Pencarian Rute Terpendek untuk Pemadam Kebakaran di Wilayah Kota Pontianak) [1] Putri Yuli Utami, [2] Cucu Suhery, [3] Ilhamsyah

Lebih terperinci

PENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM

PENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM PENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM (CVRP) UNTUK DISTRIBUSI SURAT KABAR KEDAULATAN RAKYAT DI KABUPATEN SLEMAN SKRIPSI Diajukan Kepada Fakultas Matematika

Lebih terperinci

BAB 1 PENDAHULUAN. 1 Randy L Haupt & Sue Ellen Haupt, Practical Genetic Algorithms second edition, Wiley Interscience,2004.

BAB 1 PENDAHULUAN. 1 Randy L Haupt & Sue Ellen Haupt, Practical Genetic Algorithms second edition, Wiley Interscience,2004. BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Seseorang salesman tentu akan sangat kesulitan jika harus mengunjungi semua kota sendirian, oleh karena itu dibutuhkan beberapa orang salesman untuk membagi

Lebih terperinci

8. Evaluasi Solusi dan Kriteria Berhenti Perumusan Masalah METODE PENELITIAN Studi Pustaka Pembentukan Data

8. Evaluasi Solusi dan Kriteria Berhenti Perumusan Masalah METODE PENELITIAN  Studi Pustaka Pembentukan Data Gambar 4 Proses Swap Mutation. 8. Evaluasi Solusi dan Kriteria Berhenti Proses evaluasi solusi ini akan mengevaluasi setiap populasi dengan menghitung nilai fitness setiap kromosom sampai terpenuhi kriteria

Lebih terperinci

2 TINJAUAN PUSTAKA. 2.1 Peringkasan Teks

2 TINJAUAN PUSTAKA. 2.1 Peringkasan Teks 4 2 TINJAUAN PUSTAKA 2.1 Peringkasan Teks Peringkasan teks adalah proses pemampatan teks sumber ke dalam versi lebih pendek namun tetap mempertahankan informasi yang terkandung didalamnya (Barzilay & Elhadad

Lebih terperinci

PENERAPAN ALGORITMA GENETIK UNTUK OPTIMASI POLA PENYUSUNAN BARANG DALAM RUANG TIGA DIMENSI ABSTRAK

PENERAPAN ALGORITMA GENETIK UNTUK OPTIMASI POLA PENYUSUNAN BARANG DALAM RUANG TIGA DIMENSI ABSTRAK PENERAPAN ALGORITMA GENETIK UNTUK OPTIMASI POLA PENYUSUNAN BARANG DALAM RUANG TIGA DIMENSI Eddy Triswanto Setyoadi, ST., M.Kom. ABSTRAK Melakukan optimasi dalam pola penyusunan barang di dalam ruang tiga

Lebih terperinci

PERFORMANCE ALGORITMA GENETIKA (GA) PADA PENJADWALAN MATA PELAJARAN

PERFORMANCE ALGORITMA GENETIKA (GA) PADA PENJADWALAN MATA PELAJARAN PERFORMANCE ALGORITMA GENETIKA (GA) PADA PENJADWALAN MATA PELAJARAN Eva Desiana, M.Kom Pascasarjana Teknik Informatika Universitas Sumatera Utara, SMP Negeri 5 Pematangsianta Jl. Universitas Medan, Jl.

Lebih terperinci