OPTIMASI MULTI-OBJECTIVE UNTUK DISTRIBUSI BEBAN KERJA PEGAWAI MENGGUNAKAN NSGA-II AHMAD KHAIDIR TELEMATIKA CIO - TEKNIK ELEKTRO - ITS
|
|
- Inge Hadiman
- 7 tahun lalu
- Tontonan:
Transkripsi
1 OPTIMASI MULTI-OBJECTIVE UNTUK DISTRIBUSI BEBAN KERJA PEGAWAI MENGGUNAKAN NSGA-II AHMAD KHAIDIR TELEMATIKA CIO - TEKNIK ELEKTRO - ITS
2 LATAR BELAKANG Perbaikan kinerja aparatur pemerintah Optimasi distribusi beban kerja Optimasi multi-objective : distribusi berdasarkan kompetensi; dan keadilan kerja pegawai Penelitian sebelumnya : 1. Optimasi penugasan hanya berdasarkan kompetensi ataupun integrasi optimasi biaya (NSGA-II); 2. Eiselt dkk (2008), optimasi beban kerja dan kepuasan kerja kedalam sebuah fungsi aggregat (AOF).
3 PERUMUSAN MASALAH Analisa apakah NSGA-II memberikan solusi optimal untuk distribusi beban kerja berdasarkan keberhasilan dan keadilan kerja PNS di lingkungan BKD Kota Medan?
4 TUJUAN dan MANFAAT Analisa solusi yang dihasilkan optimasi multi-objective distribusi beban kerja menggunakan NSGA-II terhadap PNS BKD Kota Medan ; Mengatasi kejenuhan akibat pekerjaan monoton dan ketidakhadiran akibat tidak diberi pekerjaan; Bermanfaat menciptakan lingkungan kerja yang kondusif sehingga meningkatkan kinerja PNS BKD Kota Medan.
5 METODA PENELITIAN Pemodelan Sistem Terapkan Optimasi AOF Terapkan Optimasi Multi- Objective : NSGA-II Ukur Optimasi Sistem Lama Ukur Optimasi AOF Ukur Optimasi Multi- Objective : NSGA-II Perbandingan Pengukuran Kesimpulan
6 PEMODELAN SISTEM Modifikasi Model Eiselt dkk (2008) Dinotasikan : Pekerjaan i = 1.. m, Pegawai j = 1.. n, Keahlian k= 1.. p Didefinisikan parameter : r ik = tingkat keahlian k yang dibutuhkan pekerjaan i a jk = tingkat keahlian k yang dimiliki pegawai j t i = durasi waktu yang dibutuhkan untuk menyelesaikan pekerjaan i f i = frekuensi pekerjaan i x ij = jumlah pekerjaan i yang diselesaikan pegawai j Solusi : solusi x dapat dinyatakan sebagai himpunan parameter x ij x = {x 11, x 12,, x 1n, x 21,, x 2n,, x i1,, x mn }
7 PEMODELAN SISTEM Agar pekerjaan dapat diselesaikan dengan baik dan efisien dengan tingkat kebosanan rendah maka diminamilisasi ratarata relatif dari tingkat keahlian pegawai yang tidak terpakai Rata-rata relatif dari tingkat keahlian pegawai yang tidak terpakai : Fungsi Tujuan ke-1 : Min
8 PEMODELAN SISTEM Untuk meningkatkan keadilan kerja, maka diminimalisasi deviasi beban kerja pegawai dengan beban kerja rata-rata Beban kerja pegawai j : Beban kerja rata-rata : Deviasi beban kerja : Sehingga, Fungsi Tujuan ke-2 : Min
9 TAHAPAN NSGA-II Inisialisasi Populasi x ij diberi nilai bilangan bulat positif secara acak, namun tetap memenuhi pembatas : (Jumlah total pekerjaan i dikerjakan oleh seluruh pegawai harus sama dengan frekuensi pekerjaan)
10 TAHAPAN NSGA-II Non Dominated Sort Populasi diurutkan berdasarkan non domination menggunakan algoritma Fast Non-dominated Sorting (Deb,2002) Populasi terbagi atas beberapa tingkatan front yang berbeda. Solusi pada front pertama mendominasi solusi front berikutnya.
11 TAHAPAN NSGA-II Non Dominated Sort Definisi dominasi : Sebuah solusi x (1) mendominasi solusi yang lain x (2), jika : Solusi x (1) tidak lebih buruk dari x (2) untuk semua fungsi tujuan Solusi x (1) lebih baik dari x (2) minimal pada satu fungsi tujuan.
12 TAHAPAN NSGA-II Crowding Distance Pembanding antara dua individu dalam front yang sama, agar solusi yang dihasilkan dapat mewakili keseluruhan solusi pareto-optimal Perhitungan keliling cuboid yang dibentuk oleh solusi terdekat (Deb,2002)
13 TAHAPAN NSGA-II Seleksi Tournament Selection dengan Seleksi individu (Deb,2002) berdasarkan : Peringkat non-domination (front) Jika berasal dari front yang sama, pilih individu dengan crowding distance (Ƒ i ) yang lebih besar.
14 TAHAPAN NSGA-II Operator Genetika a. Simulated Binary Crossover (SBX) (Deb & Agrawal,1995; Deb & Kumar, 1995) 1. Tentukan bilangan acak u antara 0 s.d 1 2. Cari nilai b : dengan hc = index distribusi crossover
15 TAHAPAN NSGA-II Operator Genetika a. Simulated Binary Crossover (SBX) (sambungan) 3. Hasil crossover : dimana c i,k adalah variabel ke-k dari anak ke-i, dan p i,k adalah parent yang dipilih
16 TAHAPAN NSGA-II Operator Genetika b. Polynomial Mutation (Deb, 2001) 1. Tentukan bilangan acak r antara 0 s.d 1 2. Cari nilai d : dengan h m = index distribusi mutasi
17 TAHAPAN NSGA-II Operator Genetika b. Polynomial Mutation (sambungan) 3. Hasil mutasi : dimana c k adalah variabel ke-k dari anak mutasi, dan p k adalah parent yang dipilih
18 TAHAPAN NSGA-II Rekombinasi Gabungan populasi induk dengan hasil crossover dan mutasi kemudian dipilih dengan Non-Dominated Sort dan Crowding Distance untuk mendapatkan populasi generasi berikutnya.
19 DIAGRAM ALIR NSGA-II Mulai Seleksi Inisialisasi Populasi Crossover Non Dominated Sort Mutasi Crowding Distance Rekombinasi Selesai Ya Kondisi berhenti terpenuhi? Tidak
20 HASIL PENELITIAN Data penelitian Diperoleh melalui kuesioner yang diisi pejabat eselon IV pada Badan Kepegawaian Daerah (BKD) Kota Medan. BKD Kota Medan terdiri dari 32 orang PNS jabatan staf dengan 51 jenis pekerjaan yang membutuhkan 29 jenis keahlian.
21 HASIL PENELITIAN Optimasi AOF Kedua fungsi tujuan digabung menjadi fungsi tujuan baru dengan operator penjumlahan (+) dan bobot a antara 0..1 Fungsi Tujuan Baru : Min Diselesaikan menggunakan algoritma genetika, dengan operator genetika SBX dan Polynomial Mutation Dilakukan penelitian untuk menentukan nilai a antara 0.1, 0.5 dan 0.9 yang memberikan nilai Z terbaik
22 HASIL PENELITIAN Optimasi AOF (sambungan) Untuk setiap nilai a dilakukan 5 kali percobaan untuk menghitung nilai Z Menggunakan Uji Statistik (Uji Kolmogorov Smirnov dan Uji Shapiro Wilk untuk Uji Normalitas, Uji Levene untuk Uji Homogenitas, Uji ANOVA atau Uji Welch atau Uji Kruskal Wallis untuk membandingkan nilai rata-rata Z) Hasil Uji Statistik menunjukkan bahwa nilai rata-rata Z untuk ketiga nilai a adalah sama
23 HASIL PENELITIAN Optimasi AOF (sambungan) Perubahan populasi setiap generasi : Populasi Awal Populasi Generasi Ke-5 Populasi Generasi Ke-10 Populasi Generasi Ke-15
24 HASIL PENELITIAN Optimasi NSGA-II Dilakukan penelitian untuk menentukan jumlah generasi terkecil untuk mendapatkan solusi pareto-optimal Membandingkan kualitas beberapa kumpulan solusi paretooptimal menggunakan indikator hypervolume Indikator hypervolume diestimasi dengan pendekatan Monte Carlo (While dkk, 2006), yaitu : Menormalisasi nilai semua fungsi tujuan antara 0 dan 1 Membangkitkan sekumpulan nilai acak Menguji setiap nilai acak tersebut apakah didominasi salah solusi pareto-optimal
25 HASIL PENELITIAN Optimasi NSGA-II (sambungan) Menggunakan Uji Statistik (Uji Kolmogorov Smirnov dan Uji Shapiro Wilk untuk Uji Normalitas, Uji Levene untuk Uji Homogenitas, Uji ANOVA atau Uji Welch atau Uji Kruskal Wallis untuk membandingkan estimasi rata-rata Hypervolume) Hasil Uji Statistik menunjukkan bahwa estimasi rata-rata nilai hypervolume terbagi atas 2 kelompok generasi yang sama, yaitu kelompok 1 : generasi 100 dan 1000, sedangkan kelompok 2 : generasi 3000, 5000, 7000 dan 10000
26 HASIL PENELITIAN Optimasi NSGA-II (sambungan) Perubahan populasi (generasi = 3000): Populasi Awal Populasi Generasi ke-300 Populasi Generasi ke-750 Populasi Generasi ke-1500 Populasi Generasi ke-2250 Populasi Generasi ke-3000
27 KESIMPULAN Model matematis pendistribusian beban kerja dimodifikasi dari model Eiselt (2008). Solusi pareto-optimal yang terbaik telah didapatkan pada populasi generasi ke Solusi pareto-optimal NSGA-II lebih baik dengan mendominasi 100 % solusi dari sistem yang lama dan solusi yang dihasilkan Algoritma Genetika dengan Aggregat of Function (AOF).
28 SARAN Penelitian terhadap parameter yang mempengaruhi solusi NSGA-II seperti Probabilitas Crossover, Pobabilitas Mutasi, Index Distribusi Crossover dan Index Distribusi Mutasi. Penelitian terhadap operator genetika lain yang dapat diterapkan pada permasalahan pendistribusian beban kerja PNS dengan NSGA-II. Pengembangan lebih lanjut untuk permasalahan pendistribusian beban kerja lebih kompleks, seperti pendistribusian beban kerja PNS mempertimbangkan perubahan kompetensi dan pembelajaran.
BAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Penjadwalan dan Penjadwalan Flow shop Menurut Kumar (2011), jadwal merupakan rencana sistematis yang umumnya menceritakan hal-hal yang akan dikerjakan. Menurut Pinedo (2005),
Lebih terperinciOPTIMALISASI SOLUSI TERBAIK DENGAN PENERAPAN NON-DOMINATED SORTING II ALGORITHM
OPTIMALISASI SOLUSI TERBAIK DENGAN PENERAPAN NON-DOMINATED SORTING II ALGORITHM Poetri Lestari Lokapitasari Belluano poe3.setiawan@gmail.com Universitas Muslim Indonesia Abstrak Non Dominated Sorting pada
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Fuzzy Local Binary Pattern (FLBP) Fuzzifikasi pada pendekatan LBP meliputi transformasi variabel input menjadi variabel fuzzy, berdasarkan pada sekumpulan fuzzy rule. Dalam
Lebih terperinciOPTIMASI MULTI-OBJECTIVE MENGGUNAKAN NSGA-II DALAM PENJADWALAN MESIN PRODUKSI FLOW SHOP
OPTIMASI MULTI-OBJECTIVE MENGGUNAKAN NSGA-II DALAM PENJADWALAN MESIN PRODUKSI FLOW SHOP TESIS Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Magister Teknik Informatika FIFIN SONATA
Lebih terperinciBAB III PEMBAHASAN. diperoleh menggunakan algoritma genetika dengan variasi seleksi. A. Model Matematika CVRPTW pada Pendistribusian Raskin di Kota
BAB III PEMBAHASAN Pada bab ini akan dibahas mengenai model matematika pada pendistribusian raskin di Kota Yogyakarta, penyelesaian model matematika tersebut menggunakan algoritma genetika serta perbandingan
Lebih terperinciPenerapan Algoritma Genetika Multi-objective NSGA-II Pada Optimasi Portofolio Saham
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.2 Agustus 2015 Page 6841 Penerapan Algoritma Genetika Multi-objective NSGA-II Pada Optimasi Portofolio Saham Sherly Isnaeni 1, Deni Saepudin 2,
Lebih terperinciERWIEN TJIPTA WIJAYA, ST.,M.KOM
ERWIEN TJIPTA WIJAYA, ST.,M.KOM DEFINISI ALGEN adalah algoritma yang memanfaatkan proses seleksi alamiah yang dikenal dengan evolusi Dalam evolusi, individu terus menerus mengalami perubahan gen untuk
Lebih terperinciDiterima : 13 Februari 2016 Direvisi : 19 April 2016 Disetujui : 20 Juni 2016 ABSTRAK
JURNAL TEKNOLOGI INFORMASI DAN KOMUNIKASI Vol. 5 No. 1, Juni 2016 : 1-12 OPTIMASI MAKESPAN DAN TOTAL TARDINESS DALAM PENJADWALAN MESIN PRODUKSI TYPE FLOW SHOP MENGGUNAKAN METODE NON-DOMINATED SORTING GENETIC
Lebih terperinciBAB II KAJIAN PUSTAKA. Pada bab kajian pustaka berikut ini akan dibahas beberapa materi yang meliputi
BAB II KAJIAN PUSTAKA Pada bab kajian pustaka berikut ini akan dibahas beberapa materi yang meliputi graf, permasalahan optimasi, model matematika dari objek wisata di Yogyakarta, dan algoritma genetika
Lebih terperinciBAB 2 DASAR TEORI. 2.1 Teka-Teki Silang
BAB 2 DASAR TEORI 2.1 Teka-Teki Silang Teka-teki silang atau disingkat TTS adalah suatu permainan yang mengharuskan penggunanya untuk mengisi ruang-ruang kosong dengan huruf-huruf yang membentuk sebuah
Lebih terperinciAlgoritma Evolusi Real-Coded GA (RCGA)
Algoritma Evolusi Real-Coded GA (RCGA) Imam Cholissodin imam.cholissodin@gmail.com Pokok Bahasan 1. Siklus RCGA 2. Alternatif Operator Reproduksi pada Pengkodean Real 3. Alternatif Operator Seleksi 4.
Lebih terperinciAplikasi Algoritma Genetika Untuk Menyelesaikan Travelling Salesman Problem (TSP)
JTRISTE, Vol.1, No.2, Oktober 2014, pp. 50~57 ISSN: 2355-3677 Aplikasi Algoritma Genetika Untuk Menyelesaikan Travelling Salesman Problem (TSP) STMIK Handayani Makassar najirah_stmikh@yahoo.com Abstrak
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Travelling Salesman Problem (TSP) Travelling Salesmen Problem (TSP) termasuk ke dalam kelas NP hard yang pada umumnya menggunakan pendekatan heuristik untuk mencari solusinya.
Lebih terperinciBAB III PEMBAHASAN. harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017.
BAB III PEMBAHASAN Data yang digunakan dalam bab ini diasumsikan sebagai data perkiraan harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017. Dengan demikian dapat disusun model Fuzzy
Lebih terperinciBAB 2 LANDASAN TEORI. 2.1 Algoritma Genetika
6 BAB 2 LANDASAN TEORI 2.1 Algoritma Genetika Algoritma genetika merupakan metode pencarian yang disesuaikan dengan proses genetika dari organisme-organisme biologi yang berdasarkan pada teori evolusi
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Pustaka. Penelitian serupa mengenai penjadwalan matakuliah pernah dilakukan oleh penelliti yang sebelumnya dengan metode yang berbeda-neda. Berikut
Lebih terperinciOptimasi Multi Travelling Salesman Problem (M-TSP) Menggunakan Algoritma Genetika
Optimasi Multi Travelling Salesman Problem (M-TSP) Menggunakan Algoritma Genetika Wayan Firdaus Mahmudy (wayanfm@ub.ac.id) Program Studi Ilmu Komputer, Universitas Brawijaya, Malang, Indonesia Abstrak.
Lebih terperinciZbigniew 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 terperinciBAB II KAJIAN TEORI. memindahkan barang dari pihak supplier kepada pihak pelanggan dalam suatu supply
BAB II KAJIAN TEORI Berikut diberikan beberapa teori pendukung untuk pembahasan selanjutnya. 2.1. Distribusi Menurut Chopra dan Meindl (2010:86), distribusi adalah suatu kegiatan untuk memindahkan barang
Lebih terperinciLingkup Metode Optimasi
Algoritma Genetika Lingkup Metode Optimasi Analitik Linier Non Linier Single Variabel Multi Variabel Dgn Kendala Tanpa Kendala Numerik Fibonacci Evolusi Complex Combinasi Intelijen/ Evolusi Fuzzy Logic
Lebih terperinciBAB III. Metode Penelitian
BAB III Metode Penelitian 3.1 Diagram Alir Penelitian Secara umum diagram alir algoritma genetika dalam penelitian ini terlihat pada Gambar 3.1. pada Algoritma genetik memberikan suatu pilihan bagi penentuan
Lebih terperinciALGORITMA GENETIKA PADA PEMROGRAMAN LINEAR DAN NONLINEAR
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 5, No. 03(2016), hal 265 274. ALGORITMA GENETIKA PADA PEMROGRAMAN LINEAR DAN NONLINEAR Abdul Azis, Bayu Prihandono, Ilhamsyah INTISARI Optimasi
Lebih terperinciBab II Konsep Algoritma Genetik
Bab II Konsep Algoritma Genetik II. Algoritma Genetik Metoda algoritma genetik adalah salah satu teknik optimasi global yang diinspirasikan oleh proses seleksi alam untuk menghasilkan individu atau solusi
Lebih terperinciAlgoritma Evolusi Evolution Strategies (ES)
Algoritma Evolusi Evolution Strategies (ES) Imam Cholissodin imam.cholissodin@gmail.com Pokok Bahasan 1. Struktur Dasar Evolution Strategies (ES) 2. Siklus ES (µ, λ) 3. Siklus ES (µ/r + λ) 4. Studi Kasus
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN APLIKASI
27 BAB 3 ANALISIS DAN PERANCANGAN APLIKASI 3.1 Analisis Pada subbab ini akan diuraikan tentang analisis kebutuhan untuk menyelesaikan masalah jalur terpendek yang dirancang dengan menggunakan algoritma
Lebih terperinciPENENTUAN JARAK TERPENDEK PADA JALUR DISTRIBUSI BARANG DI PULAU JAWA DENGAN MENGGUNAKAN ALGORITMA GENETIKA. Abstraksi
PENENTUAN JARAK TERPENDEK PADA JALUR DISTRIBUSI BARANG DI PULAU JAWA DENGAN MENGGUNAKAN ALGORITMA GENETIKA I Dewa Made Adi Baskara Joni 1, Vivine Nurcahyawati 2 1 STMIK STIKOM Indonesia, 2 STMIK STIKOM
Lebih terperinciPENERAPAN ALGORITMA GENETIKA PADA PERENCANAAN LINTASAN KENDARAAN Achmad Hidayatno Darjat Hendry H L T
PENERAPAN ALGORITMA GENETIKA PADA PERENCANAAN LINTASAN KENDARAAN Achmad Hidayatno Darjat Hendry H L T Abstrak : Algoritma genetika adalah algoritma pencarian heuristik yang didasarkan atas mekanisme evolusi
Lebih terperinciOptimasi Portofolio Saham Dengan Memperhitungkan Biaya Transaksi Menggunakan Algoritma Genetika Multi-Objective
ISSN : 2355-9365 e-proceeding of Engineering : Vol.3, No.1 April 2016 Page 1156 Optimasi Portofolio Saham Dengan Memperhitungkan Biaya Transaksi Menggunakan Algoritma Genetika Multi-Objective Almaya Sofariah
Lebih terperinciAPLIKASI UNTUK PREDIKSI JUMLAH MAHASISWA PENGAMBIL MATAKULIAH DENGAN MENGGUNAKAN ALGORITMA GENETIKA, STUDI KASUS DI JURUSAN TEKNIK INFORMATIKA ITS
APLIKASI UNTUK PREDIKSI JUMLAH MAHASISWA PENGAMBIL MATAKULIAH DENGAN MENGGUNAKAN ALGORITMA GENETIKA, STUDI KASUS DI JURUSAN TEKNIK INFORMATIKA ITS Hafid Hazaki 1, Joko Lianto Buliali 2, Anny Yuniarti 2
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tinjauan Pustaka (Samuel, Toni & Willi 2005) dalam penelitian yang berjudul Penerapan Algoritma Genetika untuk Traveling Salesman Problem Dengan Menggunakan Metode Order Crossover
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Pada saat sekarang ini, setiap perusahaan yang ingin tetap bertahan dalam persaingan dengan perusahaan lainnya, harus bisa membuat semua lini proses bisnis perusahaan tersebut
Lebih terperinciALGORITMA GENETIKA. Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning
ALGORITMA GENETIKA Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning Disusun oleh: Achmad Basuki Politeknik Elektronika Negeri Surabaya, PENS ITS Surabaya 2003 Algoritma
Lebih terperinciSEKOLAH PASCA SARJANA - INSTITUT PERTANIAN BOGOR
i PEMBENTUKAN PORTOFOLIO REKSADANA SAHAM YANG OPTIMAL MENGGUNAKAN ALGORITMA GENETIKA MULTI OBJEKTIF AKHMAD YUSUF DEPARTEMEN ILMU KOMPUTER SEKOLAH PASCA SARJANA - INSTITUT PERTANIAN BOGOR 2012 ii PERNYATAAN
Lebih terperinciIMPLEMENTASI ALGORITMA GENETIKA DALAM OPTIMASI JALUR PENDISTRIBUSIAN KERAMIK PADA PT. CHANG JUI FANG
IMPLEMENTASI ALGORITMA GENETIKA DALAM OPTIMASI JALUR PENDISTRIBUSIAN KERAMIK PADA PT. CHANG JUI FANG Adnan Buyung Nasution 1 1,2 Sistem Infomasi, Tehnik dan Ilmu Komputer, Universitas Potensi Utama 3 Universitas
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pada awal diciptakan, komputer hanya difungsikan sebagai alat hitung saja. Namun seiring dengan perkembangan zaman, maka peran komputer semakin mendominasi kehidupan.
Lebih terperinciAlgoritma 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 terperinciBAB III PEMBAHASAN. menggunakan model Fuzzy Mean Absolute Deviation (FMAD) dan penyelesaian
BAB III PEMBAHASAN Dalam bab ini akan dibahas mengenai pembentukan portofolio optimum menggunakan model Fuzzy Mean Absolute Deviation (FMAD) dan penyelesaian model Fuzzy Mean Absolute Deviation (FMAD)
Lebih terperinci8. 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 terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Penjadwalan Perkuliahan Penjadwalan memiliki pengertian durasi dari waktu kerja yang dibutuhkan untuk melakukan serangkaian untuk melakukan aktivitas kerja[10]. Penjadwalan juga
Lebih terperinciTugas Mata Kuliah E-Bisnis REVIEW TESIS
Tugas Mata Kuliah E-Bisnis REVIEW TESIS Desain Algoritma Genetika Untuk Optimasi Penjadwalan Produksi Meuble Kayu Studi Kasus Pada PT. Sinar Bakti Utama (oleh Fransiska Sidharta dibawah bimbingan Prof.Kudang
Lebih 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 terperinciTeam project 2017 Dony Pratidana S. Hum Bima Agus Setyawan S. IIP
Hak cipta dan penggunaan kembali: Lisensi ini mengizinkan setiap orang untuk menggubah, memperbaiki, dan membuat ciptaan turunan bukan untuk kepentingan komersial, selama anda mencantumkan nama penulis
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN CERDAS UNTUK OPTIMISASI PERMASALAHAN MULTI OBYEKTIF PADA SERIOUS GAME: ECONOMIC AND EMISSION DISPATCH
SISTEM PENDUKUNG KEPUTUSAN CERDAS UNTUK OPTIMISASI PERMASALAHAN MULTI OBYEKTIF PADA SERIOUS GAME: ECONOMIC AND EMISSION DISPATCH I.G.P. Asto Buditjahjanto NRP : 2207 301 702 Latar Belakang Perkembangan
Lebih terperinciOPTIMISASI PENEMPATAN TURBIN ANGIN DI AREA LAHAN ANGIN
OPTIMISASI PENEMPATAN TURBIN ANGIN DI AREA LAHAN ANGIN MENGGUNAKAN ALGORITMA GENETIKA Azimatul Khulaifah 2209 105 040 Bidang Studi Sistem Tenaga Jurusan Teknik Elektro FTI ITS Dosen Pembimbing : Dosen
Lebih terperinciPencarian Rute Terpendek untuk Pengoptimalan Ditribusi Sales Rokok Gudang Garam di kecamatan Wuluhan Kabupaten Jember Menggunakan Algoritma Genetika
Pencarian Rute Terpendek untuk Pengoptimalan Ditribusi Sales Rokok Gudang Garam di kecamatan Wuluhan Kabupaten Jember Menggunakan Algoritma Genetika Priza Pandunata, Rachmad Agung Bagaskoro, Agung Ilham
Lebih terperinciBAB 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 terperinciOPTIMASI PENJADWALAN KEGIATAN BELAJAR MENGAJAR DENGAN ALGORITMA GENETIK
OPTIMASI PENJADWALAN KEGIATAN BELAJAR MENGAJAR DENGAN ALGORITMA GENETIK Usulan Skripsi S-1 Jurusan Matematika Diajukan oleh 1. Novandry Widyastuti M0105013 2. Astika Ratnawati M0105025 3. Rahma Nur Cahyani
Lebih terperinciPERANCANGAN TATA LETAK FASILITAS BAGIAN PRODUKSI MENGGUNAKAN METODE ALGORITMA GENETIK DI PT. PUTRA SEJAHTERA MANDIRI
PERANCANGAN TATA LETAK FASILITAS BAGIAN PRODUKSI MENGGUNAKAN METODE ALGORITMA GENETIK DI PT. PUTRA SEJAHTERA MANDIRI TUGAS SARJANA Diajukan Untuk Memenuhi Sebagian Dari Syarat-Syarat Memperoleh Gelar Sarjana
Lebih terperinciGenetic Algorithme. Perbedaan GA
Genetic Algorithme Algoritma ini bekerja dengan sebuah populasi yang terdiri atas individu-individu (kromosom). Individu dilambangkan dengan sebuah nilai kebugaran (fitness) yang akan digunakan untuk mencari
Lebih terperinciBAB 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 terperinciBAB 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 terperinciDenny Hermawanto
Algoritma Genetika dan Contoh Aplikasinya Denny Hermawanto d_3_nny@yahoo.com http://dennyhermawanto.webhop.org Lisensi Dokumen: Seluruh dokumen di IlmuKomputer.Com dapat digunakan, dimodifikasi dan disebarkan
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK TRAVELING SALESMAN PROBLEM DENGAN MENGGUNAKAN METODE ORDER CROSSOVER DAN INSERTION MUTATION
PENERAPAN ALGORITMA GENETIKA UNTUK TRAVELING SALESMAN PROBLEM DENGAN MENGGUNAKAN METODE ORDER CROSSOVER DAN INSERTION MUTATION Samuel Lukas 1, Toni Anwar 1, Willi Yuliani 2 1) Dosen Teknik Informatika,
Lebih terperinciBAB II LANDASAN TEORI
27 BAB II LANDASAN TEORI 2.1. Penelitian Terkait Penelitian terkait yang menggunakan algoritma genetika untuk menemukan solusi dalam menyelesaikan permasalahan penjadwalan kuliah telah banyak dilakukan.
Lebih terperinciPenerapan Algoritma Genetika Multi-objective SPEA-II Pada Optimasi Portofolio Saham
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.3 Desember 2015 Page 7929 Penerapan Algoritma Genetika Multi-objective SPEA-II Pada Optimasi Portofolio Saham Sheila Nur Fadhila 1, Deni Saepudin
Lebih terperinciBAB II LANDASAN TEORI. Suatu graph merupakan suatu pasangan { E(G), V(G) } dimana :
BAB II LANDASAN TEORI 2.1 Defenisi Graph Suatu graph merupakan suatu pasangan { E(G), V(G) } dimana : V(G) adalah sebuah himpunan terhingga yang tidak kosong ( non empty finite set) yang elemennya disebut
Lebih terperinciALGORITMA GENETIKA Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning
ALGORITMA GENETIKA Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning Achmad Basuki Politeknik Elektronika Negeri Surabaya PENS-ITS Surabaya 2003 Algoritma Genetika Algoritma
Lebih terperinciImplementasi Algoritma Genetika dalam Pembuatan Jadwal Kuliah
Implementasi Algoritma Genetika dalam Pembuatan Jadwal Kuliah Leonard Tambunan AMIK Mitra Gama Jl. Kayangan No. 99, Duri-Riau e-mail : leo.itcom@gmail.com Abstrak Pada saat ini proses penjadwalan kuliah
Lebih terperinciBAB III MODEL DAN TEKNIK PEMECAHAN
BAB III MODEL DAN TEKNIK PEMECAHAN III.1. Diskripsi Sistem Sistem pendistribusian produk dalam penelitian ini adalah berkaitan dengan permasalahan vehicle routing problem (VRP). Berikut ini adalah gambar
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Hemofilia Hemofilia adalah gangguan produksi faktor pembekuan yang diturunkan, hemofilia berasal dari bahasa Yunani yaitu haima yang artinya darah dan philein yang artinya mencintai
Lebih terperinciDETEKSI MAHASISWA BERPRESTASI DAN BERMASALAH DENGAN METODE K- MEANS KLASTERING YANG DIOPTIMASI DENGAN ALGORITMA GENETIKA
DETEKSI MAHASISWA BERPRESTASI DAN BERMASALAH DENGAN METODE K- MEANS KLASTERING YANG DIOPTIMASI DENGAN ALGORITMA GENETIKA Akmal Hidayat 1) & Entin Martiana 2) 1) Teknik Elektro Politeknik Bengkalis Jl.
Lebih terperinciPENERAPAN ALGORITMA GENETIKA PADA PERSOALAN PEDAGANG KELILING (TSP)
Abstrak PENERAPAN ALGORITMA GENETIKA PADA PERSOALAN PEDAGANG KELILING (TSP) Aulia Fitrah 1, Achmad Zaky 2, Fitrasani 3 Program Studi Informatika, Sekolah Teknik Elektro dan Informatika, Institut Teknologi
Lebih terperinciBAB III PEMBAHASAN. Berikut akan diberikan pembahasan mengenai penyelesaikan CVRP dengan
BAB III PEMBAHASAN Berikut akan diberikan pembahasan mengenai penyelesaikan CVRP dengan Algoritma Genetika dan Metode Nearest Neighbour pada pendistribusian roti di CV. Jogja Transport. 3.1 Model Matetematika
Lebih terperinciBAB 2 LANDASAN TEORI. dalam bentuk model untuk dipelajari, diuji, dan sebagainya. Banyak ahli memberikan
BAB 2 LANDASAN TEORI 2.1 Teknik Simulasi Teknik Simulasi merupakan cara meniru suatu sistem nyata yang kompleks dalam bentuk model untuk dipelajari, diuji, dan sebagainya. Banyak ahli memberikan definisi
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 terperinciPENJADWALAN MESIN BERTIPE JOB SHOP UNTUK MEMINIMALKAN MAKESPAN DENGAN METODE ALGORITMA GENETIKA (STUDI KASUS PT X)
PENJADWALAN MESIN BERTIPE JOB SHOP UNTUK MEMINIMALKAN MAKESPAN DENGAN METODE ALGORITMA GENETIKA (STUDI KASUS PT X) Ria Krisnanti 1, Andi Sudiarso 2 1 Jurusan Teknik Mesin dan Industri, Fakultas Teknik,
Lebih terperinciRancang Bangun Aplikasi Prediksi Jumlah Penumpang Kereta Api Menggunakan Algoritma Genetika
1 Rancang Bangun Aplikasi Prediksi Jumlah Penumpang Kereta Api Menggunakan Algoritma Genetika Annisti Nurul Fajriyah Politeknik Elektronika Negeri Surabaya Institut Teknologi Sepuluh Nopember (ITS) Surabaya
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 terperinciPENERAPAN 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 terperinciBAB 3 ANALISIS DAN PERANCANGAN
BAB 3 ANALISIS DAN PERANCANGAN 3.1. Analisis Sistem Berjalan 3.1.1. Penyusunan Menu Makanan Dalam penyusunan menu makanan banyak hal yang perlu diperhatikan, terutama jika menu makanan yang disusun untuk
Lebih terperinciAnalisis 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 terperinciT I N J A U A N P U S T A K A Algoritma Genetika [5]
Algoritma Genetika [5] Fitness adalah nilai yang menyatakan baik-tidaknya suatu jalur penyelesaian dalam permasalahan TSP,sehingga dijadikan nilai acuan dalam mencari jalur penyelesaian optimal dalam algoritma
Lebih terperinciBAB 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 terperinciBAB 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 terperinciPENERAPAN 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 terperinciBAB 2 LANDASAN TEORI
5 BAB 2 LANDASAN TEORI Pada bab ini akan dibicarakan beberapa model penyelesaian problema Knapsack dengan memakai beberapa metode yang telah ada yang akan digunakan pada bab pembahasan. 2. Problema Knapsack
Lebih terperinciPENENTUAN MATCHING MAKSIMUM PADA GRAPH BIPARTISI BERBOBOT DENGAN MENGGUNAKAN ALGORITMA GENETIKA
PENENTUAN MATCHING MAKSIMUM PADA GRAPH BIPARTISI BERBOBOT DENGAN MENGGUNAKAN ALGORITMA GENETIKA,, Universitas Negeri Malang E-mail: love_nisza@yahoo.co.id ABSTRAK: Matching berguna untuk menyelesaikan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1. Data Mining Data Mining adalah proses pencarian pengetahuan dari suatu data berukuran besar melalui metode statistik, machine learning, dan artificial algorithm. Hal yang paling
Lebih terperinciBAB 1. PENDAHULUAN. 1.1 Latar Belakang
BAB 1. PENDAHULUAN 1.1 Latar Belakang Sejalan dengan tuntutan persaingan bisnis, banyak perusahaan menyadari bahwa keunggulan teknologi dan produk yang dihasilkan semata tidak lagi dapat diandalkan menjadi
Lebih terperinciBab II. Tinjauan Pustaka
7 Bab II Tinjauan Pustaka 2.1 Penelitian Terdahulu Penelitian mengenai Visualisasi Rute Terpendek Jalur Angkutan Kota Dengan Algoritma Genetika membahas tentang perancangan dan pembuatan aplikasi yang
Lebih terperinciKNAPSACK PROBLEM DENGAN ALGORITMA GENETIKA
LAPORAN TUGAS BESAR ARTIFICIAL INTELLEGENCE KNAPSACK PROBLEM DENGAN ALGORITMA GENETIKA Disusun Oleh : Bayu Kusumo Hapsoro (113050220) Barkah Nur Anita (113050228) Radityo Basith (113050252) Ilmi Hayyu
Lebih terperinciBab 1. Pendahuluan. 1.1 Latar Belakang
Bab 1 Pendahuluan 1.1 Latar Belakang Pentingnya suatu jadwal dalam sebuah kegiatan tidak lain agar kegiatan tersebut berjalan dengan lancar tanpa adanya gangguan seperti bentroknya jadwal. Penyusunan jadwal
Lebih terperinciPenerapan Algoritma Genetika dalam Job Shop Scheduling Problem
Penerapan Algoritma Genetika dalam Job Shop Scheduling Problem Haris Sriwindono Program Studi Ilmu Komputer Universitas Sanata Dharma Paingan, Maguwoharjo, Depok Sleman Yogyakarta, Telp. 0274-883037 haris@staff.usd.ac.id
Lebih terperinciAnalisis Komparasi Genetic Algorithm dan Firefly Algorithm pada Permasalahan Bin Packing Problem
Analisis Komparasi Genetic Algorithm dan Firefly Algorithm pada Permasalahan Bin Packing Problem Adidtya Perdana Sekolah Tinggi Teknik Harapan Medan Jl. H.M. Jhoni No. 70 C Medan adid.dana@gmail.com Abstrak
Lebih terperinci2/6/2011. Data deret waktu. Metode : ARIMA. Tahapan : (1) identifikasi model, (2) estimasi model dan (3) validasi model.
Data deret waktu Metode : ARIMA Tahapan : () identifikasi model, (2) estimasi model dan (3) validasi model. Jimmy Ludin 30920725 DOSEN PEMBIMBING : Prof. Dra. Susanti Linuwih, M.Stat., Ph.D Dr. Drs. Brodjol
Lebih terperinciPENGGUNAAN ALGORITMA GENETIKA UNTUK MENENTUKAN LINTASAN TERPENDEK STUDI KASUS : LINTASAN BRT (BUS RAPID TRANSIT) MAKASSAR
PENGGUNAAN ALGORITMA GENETIKA UNTUK MENENTUKAN LINTASAN TERPENDEK STUDI KASUS : LINTASAN BRT (BUS RAPID TRANSIT) MAKASSAR Karels, Rheeza Effrains 1), Jusmawati 2), Nurdin 3) karelsrheezaeffrains@gmail.com
Lebih terperinciOPTIMASI PENJADWALAN CERDAS MENGGUNAKAN ALGORITMA MEMETIKA
OPTIMASI PENJADWALAN CERDAS MENGGUNAKAN ALGORITMA MEMETIKA Muhammad Arief Nugroho 1, Galih Hermawan, S.Kom., M.T. 2 1, 2 Universitas Komputer Indonesia Jl. Dipatiukur No. 112-116, Bandung 40132 E-mail
Lebih terperinciBAB 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 terperinciBAB 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 terperinciBAB 2 LANDASAN TEORI
8 BAB 2 LANDASAN TEORI 2.1 Graph Rinaldi Munir (2003) menjelaskan bahwa graph merupakan kumpulan verteks yang dihubungkan satu sama lain melalui sisi/ busur (edges). Suatu graph G terdiri dari dua himpunan
Lebih terperinciBAB IV PENUTUP. algoritma genetika pada penyelesaian capacitated vehicle routing problem (CVRP)
BAB IV PENUTUP A. Kesimpulan Berdasarkan pembahasan mengenai penerapan algoritma sweep dan algoritma genetika pada penyelesaian capacitated vehicle routing problem (CVRP) untuk distribusi gula di Yogyakarta,
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK PERMASALAHAN OPTIMASI DISTRIBUSI BARANG DUA TAHAP
PENERAPAN ALGORITMA GENETIKA UNTUK PERMASALAHAN OPTIMASI DISTRIBUSI BARANG DUA TAHAP Riska Sulistiyorini ), Wayan Firdaus Mahmudy ), Program Studi Teknik Informatika Program Teknologi Informasi dan Ilmu
Lebih terperinciBAB 1 PENDAHULUAN. disebut Univesitas Timetabling Problems (UTP). Permasalahan ini dilihat dari sisi
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Penjadwalan perkuliahan merupakan suatu masalah yang sangat kompleks yang sering disebut Univesitas Timetabling Problems (UTP). Permasalahan ini dilihat dari sisi
Lebih terperinciPenjadwalan Job Shop pada Empat Mesin Identik dengan Menggunakan Metode Shortest Processing Time dan Genetic Algorithm
Jurnal Telematika, vol.9 no.1, Institut Teknologi Harapan Bangsa, Bandung ISSN: 1858-251 Penjadwalan Job Shop pada Empat Mesin Identik dengan Menggunakan Metode Shortest Processing Time dan Genetic Algorithm
Lebih terperinciBAB III METODOLOGI PENELITIAN. Metode yang digunakan dalam penelitian ini adalah metode eksperimen.
BAB III METODOLOGI PENELITIAN A. Metode Penelitian Metode yang digunakan dalam penelitian ini adalah metode eksperimen. Ruseffendi (1994: 32) mengartikan bahwa penelitian eksperimen atau percobaan (eksperimental
Lebih terperinciBAB 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 terperinciIMPLEMENTASI 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 terperinciBAB III. Solusi Optimal Permasalahan Penjadwalan Perkuliahan Menggunakan Algoritma Fuzzy Evolusi
BAB III Solusi Optimal Permasalahan Penjadwalan Perkuliahan Menggunakan Algoritma Fuzzy Evolusi Pada bab ini dijelaskan mengenai penerapan dari algoritma fuzzy evolusi pada permasalahan penjadwalan perkuliahan.
Lebih terperinciBAB II LANDASAN TEORI. berawal dari suatu ide untuk menyimpan segitiga Sierpinski menggunakan
BAB II LANDASAN TEORI Metode kompresi citra fraktal merupakan metode kompresi citra yang berawal dari suatu ide untuk menyimpan segitiga Sierpinski menggunakan Iterated Function System (IFS). Segitiga
Lebih terperinciOPTIMASI JALUR TRANSPORTASI PRODUK HOUSING CLUTCH DENGAN MENGGUNAKAN METODE ALGORITMA GENETIKA PADA PT. SUZUKI INDOMOBIL MOTOR PLANT CAKUNG
OPTIMASI JALUR TRANSPORTASI PRODUK HOUSING CLUTCH DENGAN MENGGUNAKAN METODE ALGORITMA GENETIKA PADA PT. SUZUKI INDOMOBIL MOTOR PLANT CAKUNG Disusun Oleh : Nama : Mochammad Brananta Arya Lasmono NPM : 34412653
Lebih terperinci