Prosiding Matematika ISSN:
|
|
- Ida Hartanto
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Prosiding Matematika ISSN: Representasi Matriks untuk Proses Crossover Pada Algoritma Genetika untuk Optimasi Travelling Salesman Problem Matrix Representation for The Crossover on Genetic Algorithm for Optimization Travelling Salesman Problem 1 Ismi Fadhilah, 2 Yurika Permanasari, 3 Erwin Harahap 1,2,3 Prodi Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Islam Bandung, Jl. Tamansari No.1 Bandung ismi17fadhilah@gmail.com, 2 yurikakoe@gmail.com, 3 erwin2h@gmail.com Abstract. Travelling Salesman Problem (TSP) is one of combinatorial optimization problems in everyday life. TSP is about someone who had to visit all the cities exactly once and return to the initial city with minimal distances. TSP can be solved using Genetic Algorithms. In a Genetic Algorithm, a matrix representation represents chromosomes which indicates a journey. If in the course of the past n number of city will set up a matrix n x n. The matrix element Mij with row i and column j where entry M (i, j) will be equal to 1 if and only if the city i before the city j visited in one trip. In addition to the M (i, j) = 0. Crossover is a mechanism that is owned by the Genetic Algorithm to combine the two chromosomes to produce offspring inherited basic characteristics of the parent. Genetic Algorithms in addition to involve the population early in the optimization process will also generate new populations through the crossover process, so as to provide optimal number of variables is not just a single solution. From the results of the crossover process in the case of TSP passing through six cities, there are two the best offspring with the same finess value which is Genetic Algorithms can be stopped on the second generation due to successive received the highest fitness value unchanged. Keywords: Travelling Salesman Program (TSP), Genetic Algorithm, Matrix Representation, Crossover Process Abstrak. Travelling Salesman Problem (TSP) merupakan salah satu permasalahan optimasi kombinatorial yang biasa terjadi dalam kehidupan sehari-hari. Permasalahan TSP yaitu mengenai seseorang yang harus mengunjungi semua kota tepat satu kali dan kembali ke kota awal dengan jarak tempuh minimal. TSP dapat diselesaikan dengan menggunakan metode Algoritma Genetika. Dalam Algoritma Genetika, representasi matriks merupakan representasi kromosom yang menunjukan sebuah perjalanan. Jika dalam perjalanan tersebut melewati n kota maka akan dibentuk matriks n x n. Matriks elemen M ij dengan baris i dan kolom j dimana entry M( i,j ) akan bernilai 1 jika dan hanya jika kota i dikunjungi sebelum kota j dalam satu perjalanan tersebut, selain itu M( i,j )=0. Crossover adalah mekanisme yang dimiliki algoritma genetika dengan menggabungkan dua kromosom sehingga menghasilkan anak kromosom yang mewarisi ciri-ciri dasar dari parent. Algoritma Genetika selain melibatkan populasi awal dalam proses optimasi juga membangkitkan populasi baru melalui proses crossover, sehingga dapat memberikan daftar variabel yang optimal bukan hanya solusi tunggal. Dari hasil proses crossover dalam contoh kasus TSP melewati 6 kota, terdapat 2 kromosom anak terbaik dengan nilai finess yang sama yaitu Algoritma Genetika dapat berhenti pada generasi II karena berturut-turut mendapat nilai fitness tertinggi yang tidak berubah Kata kunci : Travelling Salesman Program (TSP), Algoritma Genetika, Representasi Matriks, Proses Crossover 158
2 Representasi Matriks untuk Proses Crossover pada Algoritma Genetika untuk A. Pendahuluan Travelling Salesman Problem (TSP) merupakan salah satu permasalahan optimasi kombinatorial yang biasa terjadi. Permasalahan TSP yaitu mengenai seseorang yang harus mengunjungi semua kota tepat satu kali dan kembali ke kota awal dengan jarak tempuh dan biaya minimal. Perjalanan dalam penjualan tersebut dapat dimodelkan dalam bentuk graf. Graf adalah himpunan yang terdiri dari verteks dan garis. Verteks merepresentasikan kota, garis merepresentasikan jalan yang menghubungkan dua kota, dan bobot merepresentasikan biaya, jarak tempuh, atau waktu perjalanan. TSP dapat diselesaikan dengan menggunakan metode Algoritma Genetika. Algoritama Genetika adalah algoritma pencarian optimasi yang didasarkan atas mekanisme evolusi biologis yaitu genetik dan seleksi alam. Variabel solusi dikodekan kedalam struktur gen, yang merupakan karakteristik dari solusi. Himpunan solusi pada algoritma genetika yang dihasilkan secara acak disebut populasi, sedangkan setiap individu dalam populasi disebut kromosom yang merupakan representasi dari solusi. Kromosom-kromosom berevolusi dalam suatu proses iterasi berkelanjutan yang disebut generasi. Pada setiap generasi, kromosom akan melalui proses evaluasi dengan menggunakan alat ukur yaitu fungsi fitness. Nilai fitness suatu kromosom akan menunjukkan kualitas kromosom dalam populasi tersebut. Generasi berikutnya dikenal dengan istilah anak (offspring) yang terbentuk dari gabungan dua kromosom generasi sekarang yang bertindak sebagai induk (parent) dengan menggunakan operator penyilangan (crossover). Cara merepresentasikan permasalahan dalam kromosom merupakan suatu hal yang penting dalam Algoritma Genetika. Ada beberapa model representasi kromosom yang dipergunakan untuk proses croosover Algoritma Genetika, salah satunya adalah representasi matriks. Berdasarkan latar belakang yang telah diuraikan, maka perumusan masalah dalam penelitian ini sebagai berikut: Bagaimana proses dan hasil crossover dengan representasi matriks pada Algoritma Genetika untuk meyelesaikan TSP?. Selanjutnya, tujuan dalam penelitian ini diuraikan dalam pokok-pokok sebagai berikut: 1. Untuk memahami representasi matriks Traveling Salesman Problem pada Algoritma Genetika. 2. Untuk mengetahui proses crossover dengan representasi matriks pada Algoritma Genetika.. 3. Untuk mengetahui hasil crossover yang menghasilkan kromosom anak terbaik pada suatu generasi. B. Landasan Teori Algoritma genetika pertama kali dikembangkan oleh John Holland dari Univeristas Michigan (1975). John Holland mengatakan bahwa setiap masalah yang berbentuk adaptasi (alami maupun buatan) dapat diformulasikan dalam terminologi genetika. Algoritma genetika adalah simulasi dari proses evolusi Darwin dan operasi genetika atas kromosom. Pada algoritma ini, teknik pencarian dilakukan sekaligus atas sejumlah solusi yang mungkin yang dikenal dengan istilah populasi. Individu yang terdapat dalam suatu populasi disebut dengan kromosom. Kromosom ini merupakan suatu solusi yang masih berbentuk simbol. Populasi awal dibangun secara acak, Selanjutnya, kromosom untuk generasi berikutnya diperoleh dengan melakukan operasi genetika (Crossover dan Mutasi). Matematika, Gelombang 2, Tahun Akademik
3 160 Ismi Fadhilah, et al. Operasi genetika ini dilakukan dengan tujuan untuk dapat menghasilkan sejumlah kromosom baru (offspring) yang memberikan solusi lebih baik. Evaluasi terhadap masing-masing kromosom dilakukan dengan menghitung nilai fitness kromosom tersebut. Salah satu nilai fitness yang bisa dipakai adalah dengan menghitung nilai fungsi tujuan. Umumnya jika diasumsikan bahwa nilai fitness semakin besar, maka sistem yang dihasilkan semakin baik. Sangat mungkin pada generasi awal, kromosom yang dibangkitkan akan memiliki nilai fitness yang kecil. Proses seleksi dilakukan untuk memperoleh kromosom generasi berikutnya. Salah satu metode seleksi yang sering digunakan adalah Roulette Wheel. Pada umumnya, proses seleksi bertujuan agar populasi kromosom pada generasi berikutnya mempunyai nilai fitness yang lebih baik. Proses pembentukan generasi baru dengan operasi genetika dilakukan hingga terpenuhi kriteria pemberhentian. Ada beberapa kriteria pemberhentian yang sering digunakan diantaranya: 1. Berhenti pada generasi tertentu (maximum generation). 2. Berhenti setelah dalam beberapa generasi berturut-turut didapatkan nilai fitness tertinggi tidak berubah. 3. Berhenti bila dalam beberapa generasi berikutnya tidak didapatkan perubahan nilai fitness yang lebih tinggi. Representasi Kromosom Pada implementasi Algoritma Genetika, suatu hal yang pertama kali harus dipertimbangkan adalah representasi kandidat solusi (kromosom) yang sesuai untuk persoalan yang akan diselesaikan. Proses ini dikenal dengan istilah encoding. Kita harus menyatakan karakteristik dari persoalan dalam bentuk sekumpulan string (bilangan atau alphabet). Representasi kromosom ini merupakan struktur data yang mempresentikan kandidat solusi. Representasi yang baik haruslah mampu mempresentasikan semua parameter dan solusi yang mungkin untuk persoalan yang akan diselesaikan. Penentuan metode representasi sangat berpengaruh pada komponen-komponen Algoritma Genetika misalnya evaluasi, crossover, mutasi dan seleksi. Karenanya, metode representasi mempunyai peran yang sangat penting terhadap efektifitas dan efisiensi dari Algoritma Genetika. Contoh kromosom yang menggunakan metode representasi permutasi dapat dilihat pada Gambar 1: Gambar 1. Contoh Kromosom Representasi Permutasi Nilai Fitness Fitness adalah nilai yang dimiliki oleh masing-masing individu untuk menentukan tingkat kesesuaian individu tersebut dengan kriteria atau tujuan (obyektif) permasalahan yang ingin dicapai. Nilai fitness suatu kromosom menggambarkan kualitas kromosom dalam populasi tersebut Pada pembahasan ini nilai fitness dapat dihitung dengan rumus : eval(v i )= 8 Volume 2, No.2, Tahun 2016
4 Representasi Matriks untuk Proses Crossover pada Algoritma Genetika untuk Seleksi Proses seleksi adalah proses untuk menyaring calon generasi yang baru. Induk yang baik akan mampu untuk menghasilkan anak yang baik. Semakin tinggi nilai fitness dari suatu individu maka semakin besar kemungkinannya untuk terpilih. Kemampuan algoritma genetika untuk memproduksi kromosom yang lebih baik secara progresif tergantung pada penekanan selektif (selective pressure) yang diterapkan ke populasi. Penekanan selektif dapat diterapkan dalam dua cara. Cara pertama adalah membuat lebih banyak kromosom anak yang dipelihara dalam populasi dan memilih hanya kromosom-kromosom terbaik bagi generasi berikutnya. Walaupun orang tua dipilih secara acak, metode ini akan terus menghasilkan kromosom yang lebih baik. Cara lain menerapkan penekanan selektif adalah memilih orang tua yang lebih baik ketika membuat keturunan baru. Dengan metode ini, hanya kromosom sejumlah populasi yang akan disimpan untuk generasi selanjutnya. Metode untuk seleksi yang sering digunakan salah satunya adalah seleksi roda roulet (roulette wheel selection). Metode seleksi roulette wheel merupakan metode yang paling sederhana serta paling banyak digunakan, dan sering juga dikenal dengan nama stochastic sampling with replacement. Pada metode ini, orangtua dipilih berdasarkan nilai fitness, semakin baik nilai fitness maka semakin besar kemungkinannya untuk terpilih. Diandaikan semua kromosom diletakkan pada sebuah roda roulet, besarnya kemungkinan bagi setiap kromosom adalah tergantung dari nilai fitness. Dalam Algoritma Genetika Parameter genetika berguna dalam pengendalian operator-operator genetika yang digunakan. Pemilihan nilai-nilai parameter sangat berpengaruh terhadap kinerja Algoritma Genetika. Parameter yang sering digunakan adalah ukuran populasi, Probabilitas Crossover, Probabilitas Mutasi. C. Hasil Penelitian dan Pembahasan Diberikan sebuah kasus perjalanan yang harus melewati 6 kota dan kembali ke kota asal. Jika edge merepresentasikan satu kota terhubung ke kota lain dengan bobot edge menunjukkan jarak antar kota tersebut maka dibentuk graf sebagai berikut: Ditetapkan p_c = 0.25, didapatkan kromosom yang terpilih untuk proses Matematika, Gelombang 2, Tahun Akademik
5 162 Ismi Fadhilah, et al. crossover yaitu v 5 = v 10 = v 16 = v 24 = v 28 = v 34 = v 39 = v 48 = v 49 = v 54 = Dari kromosom tersebut dapat dilakukan proses Crossover. Untuk crossover pertama dipilih Parent 1 = v 5 = Parent 2 = v 10 = Kromosom yang terpilih diubah kedalam representasi Matriks, menjadi M1 dan M2. Parent 1 dibentuk menjadi M1. Parent 2 dibentuk menjadi M Gambar 2. Matriks Gambar 3. Matriks 2 Selanjutnya di bentuk Matriks 3 dari irisan Matriks 1 dan Matriks 2 ditunjukkan pada gambar Gambar 4. Matriks 3 Selanjutnya memilih salah satu parent dari M1 dan M2 untuk menjadi Matriks Volume 2, No.2, Tahun 2016
6 Representasi Matriks untuk Proses Crossover pada Algoritma Genetika untuk lalu beberapa elemen 1 dari M4 dan elemen 1 baru di tambahkan pada Matriks M3, sehingga jumlah elemen 1 pada M3 sebanyak menunjukkan perjalanan akhir yang mungkin. Matriks M4 dipilih M1, ditunjukkan pada Gambar Kromosom anak pertama adalah Gambar 5. Matriks Gambar 6. Matriks kromosom anak pertama Matriks kromosom anak pertama menunjukkan perjalanan Untuk matriks 4 (M4) dipilih M2, ditunjukkan pada Gambar Gambar 7. Matriks 4 Kromosom anak kedua adalah Gambar 8. Matriks kromosom anak kedua Matriks kromosom anak kedua menujukkan perjalanan Matematika, Gelombang 2, Tahun Akademik
7 164 Ismi Fadhilah, et al. Dengan cara yang sama dapat dilakukan untuk mencari offspring dari parent yang berbeda. Sehingga diperoleh hasil crossover dari representasi matriks sebagai berikut: v 1 = v 2 = v 3 = v 4 = v 5 = v 6 = v 7 = v 8 = v 9 = v 10 = Setelah nilai fitness dihitung, ditunjukkan pada tabel 1 Tabel 1. Populasi Baru dan Nilai Fitness Populasi Baru Nilai Fitness v 1 = v 2 = v 3 = v 4 = v 5 = v 6 = v 7 = v 8 = v 9 = v 10 = Dari tabel 1 menunjukkan urutan jalur terbaik untuk metode crossover dengan menggunakan representasi matriks adalah Memiliki nilai Fitness dengan panjang perjalanan 71.3 km. Dengan cara yang sama bisa dilakukan untuk generasi selanjutnya, Yang terpilih menjadi parent adalah v 1 dan v 6. v 1 = v 6 = Urutan jalur terbaik untuk metode crossover dengan menggunakan representasi matriks adalah , Memiliki nilai Fitness dengan panjang perjalanan 71.3 km. Volume 2, No.2, Tahun 2016
8 Representasi Matriks untuk Proses Crossover pada Algoritma Genetika untuk D. Kesimpulan Dalam Algoritma Genetika, representasi matriks merupakan representasi kromosom yang menunjukan sebuah perjalanan. Jika dalam perjalanan tersebut melewati n kota maka akan dibentuk matriks n x n. Matriks elemen M ij dengan baris i dan kolom j dimana entry M( i,j ) akan bernilai 1 jika dan hanya jika kota i dikunjungi sebelum kota j dalam satu perjalanan tersebut, selain itu M( i,j )=0 Proses crossover dengan representasi matriks yaitu mekanisme yang dimiliki algoritma genetika dengan menggabungkan dua kromosom yang direpresentasikan kedalam matriks dengan operator irisan sehingga menghasilkan anak kromosom yang mewarisi ciri-ciri dasar dari parent. Dari hasil proses crossover dalam contoh kasus TSP melewati 6 kota, terdapat 2 kromosom anak terbaik dengan nilai finess yang sama yaitu dengan jarak perjalanan 71.3 km. Kedua jalur tersebut diperoleh setelah dua generasi. Algoritma Genetika dapat berhenti pada generasi II karena berturut-turut mendapat nilai fitness tertinggi yang tidak berubah. Daftar Pustaka Dajan, Anto Pengantar Metode Statistik Jilid II. Jakarta : PT Pustaka Indonesia LP3ES Indonesia. Lipschuts, S. Lipson, M Schaums s Outliner Matematika Diskrit, Edisi ketiga. Jakarta : Erlangga. Mischalewicz, Z Genetic Algoritms + Data Structures = Evolution Programs, Third, Revised and Extended Edition. Berlin, Heidelberg, New York: Springer- Verlag. Munir, R Matematika Diskrit. Bandung :Informatika. Syamsudin, Aries Pengenalan Algoritma Genetik. (IlmuKomputer.com). Syarif, A Algoritma Genetika Teori dan Aplikasi Edisi 2. Yogyakarta: Graha Ilmu. Matematika, Gelombang 2, Tahun Akademik
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 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 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 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 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 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 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 terperinciBAB 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 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 terperinciBAB 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 terperinciPENERAPAN 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 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 terperinciBAB 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 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 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 terperinciPENGGUNAAN ALGORITMA GENETIKA UNTUK MENENTUKAN LINTASAN TERPENDEK STUDI KASUS : LINTASAN BRT (BUS RAPID TRANSIT) MAKASSAR
PENGGUNAAN ALGORITMA GENETIKA UNTUK MENENTUKAN LINTASAN TERPENDEK STUDI KASUS : LINTASAN BRT (BUS RAPID TRANSIT) MAKASSAR Karels, Rheeza Effrains 1), Jusmawati 2), Nurdin 3) karelsrheezaeffrains@gmail.com
Lebih terperinciPERANCANGAN 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 terperinciBAB 3 ANALISIS DAN PERANCANGAN APLIKASI
27 BAB 3 ANALISIS DAN PERANCANGAN APLIKASI 3.1 Analisis Pada subbab ini akan diuraikan tentang analisis kebutuhan untuk menyelesaikan masalah jalur terpendek yang dirancang dengan menggunakan algoritma
Lebih terperinciBAB 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 terperinciPEMAMPATAN MATRIKS JARANG DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL
Jurnal Matematika UNAND Vol. 3 No. 1 Hal. 98 106 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMAMPATAN MATRIKS JARANG DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL YOSI PUTRI, NARWEN
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Penjadwalan Perkuliahan Penjadwalan memiliki pengertian durasi dari waktu kerja yang dibutuhkan untuk melakukan serangkaian untuk melakukan aktivitas kerja[10]. Penjadwalan juga
Lebih 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 terperinciPENYELESAIAN 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 terperinciTEKNIK PENJADWALAN KULIAH MENGGUNAKAN METODE ALGORITMA GENETIKA. Oleh Dian Sari Reski 1, Asrul Sani 2, Norma Muhtar 3 ABSTRACT
TEKNIK PENJADWALAN KULIAH MENGGUNAKAN METODE ALGORITMA GENETIKA Oleh Dian Sari Reski, Asrul Sani 2, Norma Muhtar 3 ABSTRACT Scheduling problem is one type of allocating resources problem that exist to
Lebih terperinciAPLIKASI ALGORITMA GENETIKA UNTUK PENENTUAN TATA LETAK MESIN
APLIKASI ALGORITMA GENETIKA UNTUK PENENTUAN TATA LETAK MESIN Hari Purnomo, Sri Kusumadewi Teknik Industri, Teknik Informatika Universitas Islam Indonesia Jl. Kaliurang Km 4,5 Yogyakarta ha_purnomo@fti.uii.ac.id,
Lebih terperinciKeywords Algoritma, Genetika, Penjadwalan I. PENDAHULUAN
Optimasi Penjadwalan Mata Kuliah Dengan Algoritma Genetika Andysah Putera Utama Siahaan Universitas Pembangunan Pancabudi Jl. Gatot Subroto Km. 4,5, Medan, Sumatra Utara, Indonesia andiesiahaan@gmail.com
Lebih terperinciSTUDI KOMPARATIF ALGORITMA ANT DAN ALGORITMA GENETIK PADA TRAVELLING SALESMAN PROBLEM
Jurnal Computech & Bisnis, Vol. 3, No. 1, Juni 2009, 30-36 ISSN Studi 1978-9629 Komparatif Algoritma Ant...(Bambang Siswoyo & Andrianto) STUDI KOMPARATIF ALGORITMA ANT DAN ALGORITMA GENETIK PADA TRAVELLING
Lebih terperinciOPTIMASI PENDUGAAN PARAMETER DALAM ANALISIS STRESS DAN STRAIN TERHADAP MATERIAL MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI PENDUGAAN PARAMETER DALAM ANALISIS STRESS DAN STRAIN TERHADAP MATERIAL MENGGUNAKAN ALGORITMA GENETIKA Mike Susmikanti Pusat Pengembangan Informatika Nuklir, Badan Tenaga Nuklir Nasional Kawasan
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 terperinciPENGEMBANGAN 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 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 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 terperinciBAB 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 terperinciPERBANDINGAN 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 terperinciANALISIS PENGATURAN INDIVIDU CROSSOVER DAN MUTASI ALGORITMA GENETIKA STUDI KASUS TRAVELLING SALESMAN PROBLEM
ANALISIS PENGATURAN INDIVIDU CROSSOVER DAN MUTASI ALGORITMA GENETIKA STUDI KASUS TRAVELLING SALESMAN PROBLEM Sean Coonery Sumarta* 1 1 Program Studi Teknik Informatika, Universitas Atma Jaya Makassar,
Lebih terperinciPENERAPAN 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 terperinciOPTIMASI PENJADWALAN KEGIATAN BELAJAR MENGAJAR DENGAN ALGORITMA GENETIK
OPTIMASI PENJADWALAN KEGIATAN BELAJAR MENGAJAR DENGAN ALGORITMA GENETIK Usulan Skripsi S-1 Jurusan Matematika Diajukan oleh 1. Novandry Widyastuti M0105013 2. Astika Ratnawati M0105025 3. Rahma Nur Cahyani
Lebih terperinciBAB 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 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 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 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 terperinciIMPLEMENTASI ALGORITMA GENETIK UNTUK MENYELESAIKAN MASALAH TRAVELING SALESMAN PROBLEM (STUDI KASUS: SATUAN KERJA PERANGKAT DAERAH KOTA MEDAN)
IMPLEMENTASI ALGORITMA GENETIK UNTUK MENYELESAIKAN MASALAH TRAVELING SALESMAN PROBLEM (STUDI KASUS: SATUAN KERJA PERANGKAT DAERAH KOTA MEDAN) DRAFT SKRIPSI RAJO PANANGIAN HARAHAP 111421045 PROGRAM STUDI
Lebih terperinciMatematika dan Statistika
ISSN 1411-6669 MAJALAH ILMIAH Matematika dan Statistika DITERBITKAN OLEH: JURUSAN MATEMATIKA FMIPA UNIVERSITAS JEMBER Majalah Ilmiah Matematika dan Statistika APLIKASI ALGORITMA SEMUT DAN ALGORITMA CHEAPEST
Lebih terperinciANALISIS PERFORMANCE ATAS METODE ARITHMETIC CROSSOVER DALAM ALGORITMA GENETIKA TESIS ERIANTO ONGKO
1 ANALISIS PERFORMANCE ATAS METODE ARITHMETIC CROSSOVER DALAM ALGORITMA GENETIKA TESIS ERIANTO ONGKO 127038063 PROGRAM STUDI S2 TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS
Lebih terperinciAlgoritma 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 terperinciIMPLEMENTASI ALGORITMA FUZZY EVOLUSI PADA PENJADWALAN PERKULIAHAN
IMPLEMENTASI ALGORITMA FUZZY EVOLUSI PADA PENJADWALAN PERKULIAHAN Herny Wulandari Pangestu. Kartika Yulianti, Rini Marwati Departemen Pendidikan Matematika FPMIPA UPI *Surel: hernyw@ymail.com ABSTRAK.
Lebih terperinciPenjadwalan 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 terperinciPRESENTASI 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 terperinciSeminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004
Seminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004 Penyelesaian Masalah Penugasan dengan Algoritma Genetika Zainudin Zukhri Jurusan Teknik Informatika, Fakultas Teknologi Industri,
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 terperinciPERFORMANCE ALGORITMA GENETIKA (GA) PADA PENJADWALAN MATA PELAJARAN
PERFORMANCE ALGORITMA GENETIKA (GA) PADA PENJADWALAN MATA PELAJARAN Eva Desiana, M.Kom Pascasarjana Teknik Informatika Universitas Sumatera Utara, SMP Negeri 5 Pematangsianta Jl. Universitas Medan, Jl.
Lebih 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 terperinciSTUDI PERBANDINGAN ANTARA ALGORITMA BIVARIATE MARGINAL DISTRIBUTION DENGAN ALGORITMA GENETIKA
STUDI PERBANDINN ANTARA ALGORITMA BIVARIATE MARGINAL DISTRIBUTION DENN ALGORITMA GENETIKA Chastine Fatichah, Imam Artha Kusuma, Yudhi Purwananto Jurusan Teknik Informatika, Fakultas Teknologi Informasi
Lebih terperinciDAFTAR ISI. Tim Redaksi... i Kata Pengantar... ii Daftar Isi... iii
DAFTAR ISI Tim Redaksi... i Kata Pengantar... ii Daftar Isi... iii Faiz Rafdh Ch SISTEM INFORMASI ZAKAT BERBASIS WEB MENGGUNAKAN PHP DAN MYSQL PADA RUMAH ZAKATINDONESIA 1-7 Abdul Jamil Syamsul Bachtiar
Lebih terperinciOptimasi Penjadwalan Ujian Menggunakan Algoritma Genetika
Optimasi Penjadwalan Ujian Menggunakan Algoritma Genetika Nia Kurnia Mawaddah Wayan Firdaus Mahmudy, (wayanfm@ub.ac.id) Jurusan Matematika, FMIPA Universitas Brawijaya, Malang 65145 Abstrak Penjadwalan
Lebih terperinciPERBANDINGAN ALGORITMA EXHAUSTIVE, ALGORITMA GENETIKA DAN ALGORITMA JARINGAN SYARAF TIRUAN HOPFIELD UNTUK PENCARIAN RUTE TERPENDEK
PERBANDINGAN ALGORITMA EXHAUSTIVE, ALGORITMA GENETIKA DAN ALGORITMA JARINGAN SYARAF TIRUAN HOPFIELD UNTUK PENCARIAN RUTE TERPENDEK Rudy Adipranata 1) Felicia Soedjianto 2) Wahyudi Tjondro Teknik Informatika,
Lebih terperinciPerbandingan Algoritma Exhaustive, Algoritma Genetika Dan Algoritma Jaringan Syaraf Tiruan Hopfield Untuk Pencarian Rute Terpendek
Perbandingan Algoritma Exhaustive, Algoritma Genetika Dan Algoritma Jaringan Syaraf Tiruan Hopfield Untuk Pencarian Rute Terpendek Rudy Adipranata 1, Felicia Soedjianto 2, Wahyudi Tjondro Teknik Informatika,
Lebih terperinciBAB 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 terperinciPENERAPAN KOMBINASI ALGORITMA GEOMETRIC DIFFERENTIAL EVOLUTION DAN SISTEM FUZZY DALAM PENYELESAIAN TRAVELLING SALESMAN PROBLEM (TSP) TUGAS AKHIR
PENERAPAN KOMBINASI ALGORITMA GEOMETRIC DIFFERENTIAL EVOLUTION DAN SISTEM FUZZY DALAM PENYELESAIAN TRAVELLING SALESMAN PROBLEM (TSP) TUGAS AKHIR Diajukan sebagai salah satu syarat untuk memperoleh gelar
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 terperinciPENCOCOKAN KATA SECARA ACAK DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL
Jurnal Matematika UNAND Vol. 2 No. 2 Hal. 1 9 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENCOCOKAN KATA SECARA ACAK DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL MULIA AFRIANI KARTIKA
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Algoritma Genetika Algoritma genetika merupakan algoritma pencarian heuristik ysng didasarkan atas mekanisme seleksi alami dan genetika alami (Suyanto, 2014). Adapun konsep dasar
Lebih terperinciPENGAPLIKASIAN ALGORITMA GENETIKA DALAM MENENTUKAN JALUR JALAN OPTIMAL WILAYAH KOTA PARIAMAN DENGAN LINTASAN TERPENDEK (SHORTEST PATH) ABSTRAK
PENGAPLIKASIAN ALGORITMA GENETIKA DALAM MENENTUKAN JALUR JALAN OPTIMAL WILAYAH KOTA PARIAMAN DENGAN LINTASAN TERPENDEK (SHORTEST PATH) Rida Fadila 1, Eka Sabna 2, Erdisna 3 1,3 Universitas Putra Indonesia
Lebih terperinciKONSEP ALGORITMA GENETIK BINER UNTUK OPTIMASI PERENCANAAN JADWAL KEGIATAN PERKULIAHAN
Jurnal Teknik dan Ilmu Komputer KONSEP ALGORITMA GENETIK BINER UNTUK OPTIMASI PERENCANAAN JADWAL KEGIATAN PERKULIAHAN (Binary Genetic Algorithm Concept to Optimize Course Timetabling) Iwan Aang Soenandi
Lebih terperinciPERANCANGAN APLIKASI PENJADWALAN TRAVELING SALESMAN PROBLEM DENGAN ALGORITMA GENETIKA
PERANCANGAN APLIKASI PENJADWALAN TRAVELING SALESMAN PROBLEM DENGAN ALGORITMA GENETIKA Hendy Tannady; Andrew Verrayo Limas Industrial Engineering Department, Faculty of Engineering, Binus University Jl.
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 terperinciBAB 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 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 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 terperinciAPLIKASI ALGORITMA GENETIKA DALAM PENENTUAN DOSEN PEMBIMBING SEMINAR HASIL PENELITIAN DAN DOSEN PENGUJI SKRIPSI
Prosiding Seminar Nasional Matematika dan Terapannya 2016 p-issn : 2550-0384; e-issn : 2550-0392 APLIKASI ALGORITMA GENETIKA DALAM PENENTUAN DOSEN PEMBIMBING SEMINAR HASIL PENELITIAN DAN DOSEN PENGUJI
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 terperinciPendekatan Algoritma Genetika pada Peminimalan Fungsi Ackley menggunakan Representasi Biner
Vol. 7, 2, 108-117, Januari 2011 Pendekatan Algoritma Genetika pada Peminimalan Fungsi Ackley menggunakan Representasi Biner Jusmawati Massalesse Abstrak Tulisan ini dimaksudkan untuk memperlihatkan proses
Lebih terperinciMENGUKUR KINERJA ALGORITMA GENETIK PADA PEMAMPATAN MATRIKS JARANG
MENGUKUR KINERJA ALGORITMA GENETIK PADA PEMAMPATAN MATRIKS JARANG Nico Saputro dan Joice Aritonang Email : nico@home.unpar.ac.id, jo_aritonang@yahoo.com A matrix that has lots of zero elements is called
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 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 terperinciPENJADWALAN PERKULIAHAN MENGGUNAKAN ALGORITME GENETIKA
PENJADWALAN PERKULIAHAN MENGGUNAKAN ALGORITME GENETIKA Muhammad Syadid 1, Irman Hermadi 2, Sony Hartono Wijaya 2 1 Mahasiswa Departemen Ilmu Komputer, Fakultas Matematika dan IPA, Institut Pertanian Bogor
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 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 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 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. 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 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 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 terperinciBAB 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 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 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 terperinciALGORITMA 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 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 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 terperinciOptimasi Metode Fuzzy Dengan Algoritma Genetika Pada Kontrol Motor Induksi
Optimasi Metode Fuzzy Dengan Algoritma Genetika Pada Kontrol Motor Induksi Rahman Aulia Universitas Sumatera Utara Pasca sarjana Fakultas Ilmu Komputer Medan, Indonesia Rahmanaulia50@gmail.com Abstract
Lebih terperinciPENYELESAIAN TRAVELLING SALESMAN PROBLEM DENGAN ALGORITMA BRANCH AND BOUND
PENYEESAIAN TRAVEING SAESMAN PROBEM DENGAN AGORITMA BRANCH AND BOND Yogo Dwi Prasetyo Pendidikan Matematika, niversitas Asahan e-mail: abdullah.prasetyo@gmail.com Abstract The shortest route search by
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 terperinciPenentuan Optimalisasi TSP (Travelling Salesman Problem) Distribusi Barang Menggunakan Algoritma Genetika Di Buka Mata Adv
Penentuan Optimalisasi TSP (Travelling Salesman Problem) Distribusi Barang Menggunakan Algoritma Genetika Di Buka Mata Adv Teguh Nurhadi Suharsono 1, Muhamad Reza Saddat 2 1 Program Studi 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 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 terperinciPRESENTASI TUGAS AKHIR KI091391
PRESENTASI TUGAS AKHIR KI091391 PENDEKATAN CROSSOVER TERBARU UNTUK MENYELESAIKAN MULTIPLE TRAVELLING SALESMEN PROBLEM MENGGUNAKAN ALGORITMA GENETIKA (Kata kunci: multiple salemen problem, algoritma genetika,
Lebih terperinciOPTIMASI QUERY DATABASE MENGGUNAKAN ALGORITMA GENETIK
Seminar Nasional Aplikasi Teknologi Informasi 2008 (SNATI 2008) ISSN 1907-5022 OPTIMASI QUERY DATABASE MENGGUNAKAN ALGORITMA GENETIK Manahan Siallagan, Mira Kania Sabariah, Malanita Sontya Jurusan Teknik
Lebih terperinciPENENTUAN OPTIMALISASI TSP (TRAVELLING SALESMAN PROBLEM) DISTRIBUSI BARANG MENGGUNAKAN ALGORITMA GENETIKA DI BUKA MATA ADV
PENENTUAN OPTIMALISASI TSP (TRAVELLING SALESMAN PROBLEM) DISTRIBUSI BARANG MENGGUNAKAN ALGORITMA GENETIKA DI BUKA MATA ADV 1 Muhamad Reza Saddat 2 Teguh Nurhadi Suharsono 1 Program Studi Teknik Informatika
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 terperinciPemaksimalan Papan Sirkuit Di Pandang Sebagai Masalah Planarisasi Graf 2-Layer Menggunakan Algoritma Genetika
Vol. 14, No. 1, 19-27, Juli 2017 Pemaksimalan Papan Sirkuit Di Pandang Sebagai Masalah Planarisasi Graf 2-Layer Menggunakan Algoritma Genetika Jusmawati Massalesse dan Muh. Ali Imran Abstrak Tulisan ini
Lebih terperinci