PENEMPATAN MAHASISWA PESERTA MATA KULIAH UMUM DENGAN ALGORITMA GENETIK DI UNIVERSITAS KATOLIK PARAHYANGAN
|
|
- Hendra Agusalim
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PENEMPATAN MAHASISWA PESERTA MATA KULIAH UMUM DENGAN ALGORITMA GENETIK DI UNIVERSITAS KATOLIK PARAHYANGAN Nico Saputro dan Guntur Setia Negara Jurusan Ilmu Komputer Universitas Katolik Parahyangan Abstrak Penempatan Mahasiswa peserta suatu Mata Kuliah Umum (MKU) di Universitas Katolik Parahyangan (Unpar) perlu dilakukan secara khusus karena pesertanya berasal dari beragam fakultas. Mahasiswa peserta suatu kuliah MKU perlu ditempatkan sedemikian rupa sehingga jadwal kuliah MKU seorang mahasiswa tidak bentrok dengan jadwal kuliah mahasiswa tersebut di fakultas. Pada makalah ini, penempatan seorang mahasiswa ke satu kelas MKU tertentu dilakukan oleh algoritma genetik. Penempatan mahasiswa yang dilakukan oleh algoritma genetik selanjutnya diperbaiki oleh suatu fungsi heuristik sehingga didapatkan penempatan mahasiswa yang lebih baik. Hasil eksperimen yang dilakukan menunjukkan fungsi heuristik yang diusulkan mampu memperbaiki penempatan mahasiswa yang dilakukan oleh algoritma genetik. Kata Kunci: algoritma genetik, fungsi heuristik, penempatan mahasiswa. 1. PENDAHULUAN Mata Kuliah Umum (MKU) di Universitas Katolik Parahyangan di kelola terpusat di tingkat Universitas. Untuk setiap satu mata kuliah MKU, akan disediakan sejumlah kelas paralel yang dijadwalkan ada dari hari Senin sampai hari Sabtu. Terdapat sejumlah ruangan kuliah yang disediakan untuk kuliah MKU dan setiap ruang memiliki daya tampung berbeda. Jadwal kuliah untuk setiap mata kuliah MKU telah ditentukan terlebih dahulu baik waktu maupun ruang yang digunakan. Selanjutnya berdasarkan mata kuliah MKU yang diambil mahasiswa, jadwal mata kuliah MKU yang telah disusun, dan jadwal kuliah mahasiswa di fakultas masing-masing, dilakukan penempatan mahasiswa peserta suatu kuliah MKU ke suatu kelas tertentu sedemikian hingga tidak ada jadwal yang bentrok. Disamping itu, di setiap kelas MKU diharapkan pesertanya berasal dari berbagai jurusan. Penggunaan algoritma genetik sebagai algoritma pencarian dalam penjadwalan dan timetabling telah dilakukan antara lain oleh Fang [1], Burke et al. [2] [3], Supardjo [4], dan Saputro [5]. Pada makalah ini, algoritma genetik digunakan untuk menempatkan mahasiswa ke suatu kelas mata kuliah MKU sesuai dengan mata kuliah MKU yang diambilnya. Penempatan tersebut dilakukan sedemikian rupa sehingga tidak menimbulkan bentrok dengan jadwal kuliah lainnya dari mahasiswa yang bersangkutan. 2. Pemodelan Algoritma Genetik Agar penempatan mahasiswa ke kelas-kelas MKU dapat dilakukan oleh algoritma genetik, terlebih dahulu perlu direpresentasikan penempatan tersebut ke dalam algoritma genetik. Ada 3 hal yang saling terkait dan perlu diperhatikan yaitu pemilihan -1-
2 teknik encoding dan decoding, disain operator genetik, dan pemilihan fungsi fitness. Teknik encoding yang dipilih menggunakan representasi value encoding.[6] Satu kromosom akan terdiri dari n gen, dengan n = total daya tampung seluruh kelas MKU. Posisi gen (locus) mewakili urutan penempatan mahasiswa ke kelas MKU tertentu dan nilai gen (allele) mewakili kode mata kuliah dan kelasnya. Nilai gen ini akan dibuat sebanyak daya tampung mahasiswa dari suatu kelas MKU. Sebagai ilustrasi, bila terdapat 2 kelas Agama dan 2 kelas Pancasila dengan daya tampung per kelas seperti pada tabel 1 dan mahasiswa yang mengambil masing-masing mata kuliah umum seperti pada tabel 2. Tabel 1. Mata kuliah Umum (MKU) dan Daya tampung Mata kuliah Umum (MKU) Daya Kelas Ruangan Kode Nama tampung 1 Agama 2 Pancasila Total 4 10 A 3 Ruang-1 B 2 Ruang-2 A 2 Ruang-3 B 3 Ruang-1 Tabel 2. Mahasiswa peserta MKU Agama Pancasila Berdasarkan tabel 1, total kelas ada 4 dan total daya tampung adalah 10. Pada kasus ini, satu kromosom akan terdiri dari 10 gen. Nilai gen 1-A (kode mata kuliah 1 yaitu Agama, kelas A) akan muncul sebanyak 3 kali (sesuai daya tampung ruang-1 yang dipakai oleh Kelas A yaitu 3 orang), nilai gen 2-B akan muncul 2 kali, dan seterusnya. 1-A 1-A 1-A 1-B 1-B 2-A 2-A 2-B 2-B 2-B Gambar 1. Kromosom awal Gambar 1 memperlihatkan kromosom awal. Karena nantinya algoritma genetik bekerja dalam populasi, populasi awal akan dibentuk dari kromosom awal tersebut. Algoritma untuk membangkitkan kromosom awal dan populuasi awal adalah sebagai berikut : // bentuk kromosom awal k 1 FOR i 1 TO TOTAL_KELAS DO FOR j 1 to MKU[i].daya_tampung DO KROMOSOM[k] MKU[i].Kode + MKU[i].Kelas; Inc(k); // bentuk populasi awal POP[1].KROMOSOM KROMOSOM; FOR m 2 to UKURAN_POPULASI DO POP[m].KROMOSOM KROMOSOM; FOR i 1 TO TOTAL_DAYA_TAMPUNG DO pos Random(1, TOTAL_DAYA_TAMPUNG); IF POP[m].KROMOSOM[i] <> POP[m].KROMOSOM[pos] THEN Swap(POP[m].KROMOSOM[i], POP[m].KROMOSOM[pos]); Teknik decoding yang digunakan memerlukan data peserta MKU dari tabel 2. Proses decoding dilakukan sebagai berikut : Untuk setiap allele dari kromosom, cari mahasiswa di tabel 2 yang mengambil mata kuliah umum sesuai dengan allele tersebut dan belum mendapat kelas. Tempatkan mahasiswa tersebut di kelas yang sesuai dengan allele. Sebagai ilustrasi, proses decoding kromosom di gambar 1 adalah mulai dari allele gen terkiri yaitu 1-A, mahasiswa yang mengambil mata kuliah Agama dan belum mendapatkan kelas diurutan teratas pada tabel 2 adalah mahasiswa dengan Nomor Pokok Mahasiswa (NPM) Mahasiswa tersebut akan ditempatkan ke kelas A. Allele berikutnya adalah 1-A, mahasiswa urutan berikutnya yang belum mendapatkan kelas adalah NPM Mahasiswa tersebut juga akan -2-
3 ditempatkan di kelas A. Demikian seterusnya sampai tidak ada lagi mahasiswa yang belum mendapatkan kelas. Jika jumlah mahasiswa lebih sedikit dari total daya tampung, sisa gen yang belum di-decoding diabaikan. Dalam hal ini, karena total peserta hanya ada 9 orang, gen terakhir diabaikan. Hasil akhir penempatan mahasiswa berdasarkan gambar 1 dapat dilihat di tabel 3. Tabel 3. peserta kuliah berdasarkan gambar 1 Mata kuliah Umum Kode Nama 1 Agama 2 Pancasila Kelas A B A B Peserta Berdasarkan teknik encoding yang digunakan, operator genetik yang dipilih adalah operator Reproduksi Rank Selection [6] dan Elitism [6]. Operator Crossover menggunakan Precedence Preservative Crossover (PPX) [8] [9]. Meskipun PPX biasanya digunakan pada permutation encoding, untuk kasus penempatan mahasiswa dengan value encoding masih tetap dapat digunakan dengan batasan, bila terdapat allele kembar, allele yang dihapus adalah allele yang pertama kali ditemukan dan terletak di locus paling kiri dari kromosom induk-kromosom induk. Operator mutasi bekerja dengan cara memilih 2 locus secara acak dan allele di kedua locus tersebut saling ditukarkan. Pertukaran dapat dilakukan dengan syarat allele di kedua locus tersebut tidak sama nilainya. Fungsi fitness diperoleh dengan memperhatikan hard constraint yaitu seorang mahasiswa tidak boleh mengikuti dua kuliah atau lebih dalam waktu yang sama. Setiap pelanggaran yang terjadi akan diberi penalty. Nilai fitness dihitung dengan rumus : n F( i, t) Penalty k.. (1) k 1 dengan F(i,t) adalah nilai fitness kromosom ke-i pada generasi ke-t, dan n adalah banyaknya mahasiswa yang melanggar hard constraint. Semakin kecil nilai fitness, semakin baik penempatan yang dilakukan. Nilai fitness terbaik adalah 0, yaitu tidak ada pelanggaran terhadap hard constraint yang ditetapkan. 3. Fungsi heuristik Fungsi heuristik ini digunakan untuk memperbaiki penempatan mahasiswa yang dihasilkan oleh Algoritma Genetik. Hasil akhir dari algoritma genetik adalah daftar mahasiswa per kelas MKU dan daftar mahasiswa yang jadwal kuliahnya bentrok (jika ada). Berdasarkan hasil akhir ini, fungsi heuristik melakukan optimasi penempatan sehingga mahasiswa yang jadwalnya bentrok seminimal mungkin. Sebagai ilustrasi bagaimana fungsi heuristik bekerja, misalkan hasil akhir algoritma genetik adalah daftar mahasiswa per kelas MKU seperti pada tabel 3, dan daftar mahasiswa bentrok seperti pada tabel 4. Selain itu, diperlukan juga timetable kuliah seperti pada tabel 5, dan daftar mata kuliah dari tiap mahasiswa seperti pada tabel 6. Tabel 4. Daftar Mahasiswa dengan Jadwal bentrok Mata kuliah Kode Nama Kelas Peserta 1 Pancasila A Agama A Mahasiswa dengan NPM jadwal kuliah MKU Agama kelas A bentrok dengan jadwal kuliah ASK-123, NPM bentrok jadwal kuliah MKU Pancasila kelas A dengan jadwal kuliah ASK
4 Jam ke 1 Tabel 5. Timetable Kuliah Ruang Agama (A) 2 ASK Pancasila (B) Agama (B) ASK-123 Pancasila (A) Tabel 6. Daftar mahasiswa dan mata kuliahnya No NPM Mata Kuliah di ambil Agama, ASK Agama, ASK Agama Agama, ASK Agama Pancasila, ASK Pancasila Pancasila Pancasila Fungsi heuristik melakukan optimasi untuk NPM dengan cara sebagai berikut: cari kelas MKU Pancasila lainnya (kelas B), periksa apakah kapasitas kelas B masih sangguh menampung mahasiswa tersebut. Karena dalam hal ini Pancasila kelas B baru terisi 2 peserta (dari kapasitas 3 peserta), mahasiswa tersebut dapat dipindahkan ke kelas B. Cara yang sama dilakukan juga untuk NPM Berhubung kelas MKU Agama kelas B sudah penuh, dicari mahasiswa di kelas B yang dapat ditukar jadwalnya tanpa menyebabkan bentrok. Dalam hal ini, tidak dapat tukar jadwal dengan NPM karena menyebabkan NPM menjadi bentrok jadwalnya tetapi dengan NPM Hasil akhir optimasi dapat dilihat pada tabel 7. Tabel 7. Peserta kuliah hasil optimasi Mata kuliah Umum Kode Nama 1 Agama 2 Pancasila Kelas Peserta A B A B Hasil Percobaan dan Pembahasan Ada 3 percobaan yang dilakukan, 2 percobaan mengenai parameter genetik yaitu ukuran populasi dan jumlah generasi dan 1 percobaan mengenai banyaknya mahasiswa yang perlu ditempatkan di kelas-kelas MKU. Percobaan mengenai ukuran populasi dan jumlah generasi akan menggunakan data mahasiswa yang sama. Dalam ketiga percobaan ini, akan diukur lamanya waktu pencarian (dalam satuan menit). Waktu yang diukur adalah waktu pencarian oleh algoritma genetik saja. Jadi waktu optimasi yang dilakukan oleh fungsi heuristik tidak dimasukkan dalam percobaan. Spesifikasi perangkat keras yang digunakan selama percobaan adalah sebagai berikut : prosesor Intel Pentium GHz, memori DDRAM 256MB Legend, dan Harddisk 20 GB IBM DPTA rpm. Pada percobaan penambahan generasi, jumlah mahasiswa yang akan ditempatkan 100 mahasiswa. Parameter genetik yang digunakan adalah ukuran populasi 20 kromosom, Probabilitas Crossover (Pc) = 0.6, Probabilitas Mutasi (Pm) = 0.2 dan jumlah elitism = 5. Setiap pelanggaran terhadap hard constraint akan diberi penalti Percobaan dilakukan satu kali dan hasil percobaan diringkas pada tabel
5 Tabel 8. Hasil percobaan terhadap penambahan generasi Waktu Generasi Fitness (detik) , , , , ,87 Pada percobaan penambahan ukuran populasi, jumlah mahasiswa yang akan ditempatkan 100 mahasiswa. Parameter genetik yang digunakan adalah jumlah generasi = 20, Probabilitas Crossover (Pc) = 0.6, Probabilitas Mutasi (Pm) = 0.2 dan jumlah elitism = 5. Setiap pelanggaran terhadap hard constraint akan diberi penalti Percobaan dilakukan satu kali dan hasil percobaan diringkas pada tabel 9. Tabel 9. Hasil percobaan terhadap ukuran populasi Waktu Populasi Fitness (detik) , , , , ,15 Banyaknya solusi yang diperiksa oleh algoritma genetik pada percobaan penambahan generasi dan percobaan penambahan ukuran populasi adalah sama. Hal ini dapat terjadi dengan menetapkan salah satu parameter. Sebagai contoh, saat percobaan penambahan generasi, ukuran populasi ditetapkan 20 kromosom. Dengan demikian, untuk jumlah generasi 20, 40, 60, 80, dan 100 banyaknya solusi yang diperiksa oleh algoritma genetik masing-masing adalah 20 kromosom x 20 generasi = 400 solusi, 20 kromosom x 40 generasi = 800 solusi, 20 kromosom x 60 generasi = 1200 solusi, 20 kromosom x 80 generasi = 1600 solusi, dan 20 kromosom x 100 generasi = 2000 solusi. Perhitungan yang sama juga berlaku untuk percobaan ukuran populasi. Berdasarkan hasil dari kedua percobaan dapat disimpulkan bahwa lebih baik untuk memperbanyak ukuran populasi dibandingkan menambah jumlah generasi karena waktu pencariannya lebih cepat. Pada percobaan banyaknya mahasiswa yang perlu ditempatkan, dilakukan penempatan mahasiswa dari 500 mahasiswa sampai 5000 mahasiswa. Parameter genetik yang digunakan adalah ukuran populasi = 10, jumlah generasi = 10, probabilitas crossover (Pc) = 0.5, probabilitas mutasi (Pm) = 0.5, dan jumlah elitism = 5. Setiap pelanggaran terhadap hard constraint akan diberi penalti Untuk setiap jumlah mahasiswa tertentu, akan dilakukan lima kali percobaan. Hasil percobaan dapat dilihat pada tabel 10. Waktu yang dituliskan pada tabel 10 adalah waktu rata-rata dari lima kali percobaan. Tabel 10. Perbandingan waktu pencarian dengan jumlah mahasiswa bervariasi Banyak Mahasiswa Waktu (detik) Jumlah Kenaikan *) Waktu Kenaikan *) ,98 1, ,34 5, ,09 8, ,35 13, ,59 17, ,57 22,6 *) dengan angka dasar hasil dari 500 mahasiswa, dihitung dengan rumus Kenaikan = Jumlah/500 atau Kenaikan = Waktu/286,98. Pada percobaan banyaknya mahasiswa yang perlu ditempatkan, dengan 100 solusi yang diperiksa, nilai fitness yang dihasilkan masih sangat tinggi. Selain itu waktu yang diperlukan juga cukup lama. Modul pembentukan populasi awal seperti dijelaskan di subbab 2. berpengaruh terhadap lamanya proses pencarian. Fungsi heuristik yang digunakan mampu melakukan optimasi terhadap hasil dari algoritma genetik. Seluruh hasil percobaan yang disajikan ditabel 9 selanjutnya dapat dioptimasi oleh fungsi heuristik sehingga diperoleh nilai fitness = 0 atau dengan kata lain tidak ada mahasiswa yang bentrok jadwal kuliahnya. -5-
6 5. KESIMPULAN Berdasarkan hasil pemodelan ke algoritma genetik dan percobaan yang dilakukan, dapat ditarik kesimpulan sebagai berikut : Masalah penempatan mahasiswa ke kelas-kelas MKU dapat dimodelkan dan dicari solusinya dengan algoritma genetik. Lebih baik memperbanyak ukuran populasi dibandingkan menambah jumlah generasi karena waktu pencariannya lebih cepat. Fungsi heuristik yang diusulkan mampu memperbaiki hasil penempatan yang dilakukan oleh algoritma genetik. Teknologi Informasi Universitas Tarumanagara Jakarta, 2005 [6] Obitko, Marek, Introduction to Genetic Algorithms, [7] Goldberg, David E., Genetic Algorithms in Search, Optimization & Machine Learning, Addison Wesley, [8] Bierwirth, C., Mattfield, D.C., Production Scheduling and Rescheduling with Genetic Algorithm, Evolutionary Computation, 7 (1), 1-17, [9] Saputro, N., Yento, Pemakaian Algoritma Genetik untuk Penjadwalan Job Shop Dinamis Non Deterministik, Jurnal Teknik Industri, Vol. 6, no. 1, hlm , DAFTAR PUSTAKA [1] Fang. Hsiao-Lan : Genetic Algorithms in Timetabling and Scheduling, Ph.D Dissertation, Department of Artificial Intelligence, University of Edinburgh, 1994, [2] Burke, E. K, D. G.Elliman, R. F. Weare, The Automation of the Timetabling Process in Higher Education, publications/pdf/jets.pdf. [3] Burke, E. K, J. P. Newall, R. F. Weare, A Memetic Algorithm for University Exam Timetabling, atat95_algorithm.pdf, Tanggal akses : 16 September [4] Supardjo, Joni, Studi Pemodelan Penjadwalan Matakuliah dengan Algoritma Genetik (Studi Kasus Matakuliah Ilmu Komputer Universitas Katolik Parahyangan), Jurusan Ilmu Komputer, Universitas Katolik Parahyangan, [5] Saputro, N., Yunita Limijati, Penjadwalan Ujian memakai Algoritma Genetik, Prosiding Seminar Nasional Teknologi Informasi (SNTI), Vol. 2 No. 1, ISSN : , Penerbit Fakultas -6-
ALTERNATIF MODEL PEMAMPATAN MATRIKS JARANG DENGAN MENGGUNAKAN ALGORITMA GENETIK
ALTERNATIF MODEL PEMAMPATAN MATRIKS JARANG DENGAN MENGGUNAKAN ALGORITMA GENETIK Nico Saputro dan Ruth Beatrix Yordan Jurusan Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Katolik
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 terperinciPEMAKAIAN ALGORITMA GENETIK UNTUK PENJADWALAN JOB SHOP DINAMIS NON DETERMINISTIK
PEMAKAIAN ALGORITMA GENETIK UNTUK PENJADWALAN JOB SHOP DINAMIS (Nico Saputro, et al.) PEMAKAIAN ALGORITMA GENETIK UNTUK PENJADWALAN JOB SHOP DINAMIS NON DETERMINISTIK Nico Saputro, Yento Jurusan Ilmu Komputer
Lebih terperinciALGORITMA GENETIK SEBAGAI FUNGSI PRUNING ALGORITMA MINIMAX PADA PERMAINAN TRIPLE TRIAD CARD.
ALGORITMA GENETIK SEBAGAI FUNGSI PRUNING ALGORITMA MINIMAX PADA PERMAINAN TRIPLE TRIAD CARD. Nico Saputro [1] dan Erico Darmawan Handoyo [2] Jurusan Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan
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 terperinciPengukuran Kualitas Jadwal Awal Pada Penjadwalan Job Shop Dinamis Non Deterministik Berbasis Algoritma Genetik
Yogyakarta, 27 April 2006 Pengukuran Kualitas Jadwal Awal Pada Penjadwalan Job Shop Dinamis Non Deterministik Berbasis Algoritma Genetik Jurusan Ilmu Komputer, FMIPAUniversitas Katolik Parahyangan J1.
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 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 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 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 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 terperinciCRYPTANALYSIS HOMOPHONIC SUBSTITUTION CIPHER DENGAN ALGORITMA GENETIK
CRYPTANALYSIS HOMOPHONIC SUBSTITUTION CIPHER DENGAN ALGORITMA GENETIK Ronald Wisnu H Nico Saputro 1) Jurusan Ilmu Komputer, Universitas Katolik Parahyangan, Bandung nico@home.unpar.ac.id 1) ABSTRACT This
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 terperinciR.Fitri 1, S.Novani 1, M.Siallagan 1
Abstract Penjadwalan Perkuliahan Dengan Pengujian Tabel Waktu (Time-Table) Menggunakan Algoritma Genetika Studi Kasus Sistem Perkuliahan Jurusan Teknik Infomatika Universitas Komputer Indonesia R.Fitri
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 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 terperinciTAKARIR. algorithm algoritma/ kumpulan perintah untuk menyelesaikan suatu masalah. kesalahan program
TAKARIR advanced tingkat lanjut algorithm algoritma/ kumpulan perintah untuk menyelesaikan suatu masalah alleles nilai suatu gen. bug kesalahan program chromosome kromosom crossover penyilangan kromosom
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 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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Travelling Salesman Problem (TSP) Travelling Salesmen Problem (TSP) termasuk ke dalam kelas NP hard yang pada umumnya menggunakan pendekatan heuristik untuk mencari solusinya.
Lebih terperinciBAB 3 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 terperinciPerancangan Sistem Penjadwalan Asisten Dosen Menggunakan Algoritma Genetika (Studi Kasus: STIKOM Bali)
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Perancangan Sistem Penjadwalan Asisten Dosen Menggunakan Algoritma Genetika (Studi Kasus: STIKOM Bali) I Made Budi Adnyana
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 terperinciBAB I PENDAHULUAN. sejumlah aktivitas kuliah dan batasan mata kuliah ke dalam slot ruang dan waktu
18 BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Penjadwalan merupakan kegiatan administrasi utama di berbagai institusi. Masalah penjadwalan merupakan masalah penugasan sejumlah kegiatan dalam periode
Lebih terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) 45 Edisi... Volume..., Bulan 20.. ISSN :
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) 45 IMPLEMENTASI ALGORITMA GENETIKA UNTUK PENJADWALAN MATA PELAJARAN DI SMAN 1 CIWIDEY Rismayanti 1, Tati Harihayati 2 Teknik Informatika Universitas Komputer
Lebih terperinciPENJADWALAN UJIAN AKHIR SEMESTER DENGAN ALGORITMA GENETIKA (STUDI KASUS JURUSAN TEKNIK INFORMATIKA UNESA)
Penjadwalan Ujian Akhir Semester dengan Algoritma Genetika PENJADWALAN UJIAN AKHIR SEMESTER DENGAN ALGORITMA GENETIKA (STUDI KASUS JURUSAN TEKNIK INFORMATIKA UNESA) Anita Qoiriah Jurusan Teknik Informatika,
Lebih terperinciBAB 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 terperinciBAB III METODE PENELITIAN. Penelitian dilakukan dilingkungan Jurusan Ilmu Komputer Fakultas Matematika
BAB III METODE PENELITIAN 3.1. Waktu dan Tempat Penelitian Penelitian dilakukan dilingkungan Jurusan Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Lampung. Waktu penelitian dilaksanakan
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 terperinciOPTIMASI POLA PENYUSUNAN BARANG DALAM RUANG TIGA DIMENSI MENGGUNAKAN METODE GENETIC ALGORITHMS
OPTIMASI POLA PENYUSUNAN BARANG DALAM RUANG TIGA DIMENSI MENGGUNAKAN METODE GENETIC ALGORITHMS Kartika Gunadi, Irwan Kristanto Julistiono Fakultas Teknologi Industri, Jurusan Teknik Informatika, Universitas
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 terperinciIMPLEMENTASI SISTEM PENJADWALAN UJIAN AKHIR SEMESTER MENGGUNAKAN ALGORITMA GENETIKA (STUDI KASUS: STIKOM BALI)
I Made Budi Adnyana, Implementasi Sistem Jadwal Ujian 11 IMPLEMENTASI SISTEM PENJADWALAN UJIAN AKHIR SEMESTER MENGGUNAKAN ALGORITMA GENETIKA (STUDI KASUS: STIKOM BALI) I Made Budi Adnyana, Ni Ketut Dewi
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 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 terperinciUSULAN PENERAPAN PENJADWALAN DENGAN MENGGUNAKAN METODE ALGORITMA GENETIKA DI PD BLESSING
USULAN PENERAPAN PENJADWALAN DENGAN MENGGUNAKAN METODE ALGORITMA GENETIKA DI PD BLESSING Santoso 1*, Eldad Dufan Sopater Subito 2 1,2 Jurusan Teknik Industri, Fakultas Teknik, Universitas Kristen Maranatha
Lebih terperinciM. Ainul Yaqin 1,Totok Lisbiantoro 2, Jurusan Teknik Informatika, Fakultas Sains dan Teknologi Universitas Islam Negeri Maulana Malik Ibrahim Malang
OPTIMASI PENJADWALAN PERKULIAHAN JURUSAN TEKNIK INFORMATIKA UNIVERSITAS ISLAM NEGERI MAULANA MALIK IBRAHIM MALANG MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE SELEKSI RANK M. Ainul Yaqin 1,Totok Lisbiantoro
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 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 terperinciOptimasi Penjadwalan Mata Pelajaran Pada Kurikulum 2013 Dengan Algoritme Genetika (Studi Kasus: SMA Negeri 3 Surakarta)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 12, Desember 2017, hlm. 1535-1542 http://j-ptiik.ub.ac.id Optimasi Penjadwalan Mata Pelajaran Pada Kurikulum 2013
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 terperinciRANCANG BANGUN PERANGKAT LUNAK PENJADWALAN PERKULIAHAN MENGGUNAKAN METODE META- HEURISTIK (PENGGABUNGAN METODE ALGORITMA GENETIK DAN TABU SEARCH)
RANCANG BANGUN PERANGKAT LUNAK PENJADWALAN PERKULIAHAN MENGGUNAKAN METODE META- HEURISTIK (PENGGABUNGAN METODE ALGORITMA GENETIK DAN TABU SEARCH) TUGAS AKHIR Disusun Oleh : RIO PRAYOGA SUPRAYANA NPM. 06
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK MENYELESAIKAN PERMASALAHAN PENJADWALAN DOSEN DENGAN FUZZY
PENERAPAN ALGORITMA GENETIKA UNTUK MENYELESAIKAN PERMASALAHAN PENJADWALAN DOSEN DENGAN FUZZY Arief Kelik Nugroho Fakultas Teknik, Universitas PGR Yogyakarta e-mail : ariefkeliknugroho@gmail.com Abstrak
Lebih terperinciPENERAPAN METODE ALGORITMA GENETIKA UNTUK PERMASALAHAN PENJADWALAN PERAWAT (Nurse Schedulling Problem)
INFO TEKNIK Volume 16 No. 1 Juli 2015 (61-74) PENERAPAN METODE ALGORITMA GENETIKA UNTUK PERMASALAHAN PENJADWALAN PERAWAT (Nurse Schedulling Problem) Nadiya Hijriana Program Studi Teknik Informatika Universitas
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 terperinciCrossover Probability = 0.5 Mutation Probability = 0.1 Stall Generation = 5
oleh pengguna sistem adalah node awal dan node tujuan pengguna. Lingkungan Pengembangan Sistem Implementasi Algoritme Genetika dalam bentuk web client menggunakan bahasa pemrograman PHP dan DBMS MySQL.
Lebih terperinciAPLIKASI ALGORITMA GENETIKA DALAM MENENTUKAN SPESIFIKASI PC BERDASARKAN KEMAMPUAN FINANSIAL KONSUMEN
APLIKASI ALGORITMA GENETIKA DALAM MENENTUKAN SPESIFIKASI PC BERDASARKAN KEMAMPUAN FINANSIAL KONSUMEN Eva Haryanty, S.Kom. ABSTRAK Komputer adalah salah satu peralatan yang pada saat ini banyak pula digunakan
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 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 terperinciPENGGUNAAN ALGORITMA GENETIKA PADA PENJADWALAN PRODUKSI DI PT DNP INDONESIA PULO GADUNG
PENGGUNAAN ALGORITMA GENETIKA PADA PENJADWALAN PRODUKSI DI PT DNP INDONESIA PULO GADUNG Suriadi AS, Ulil Hamida, N. Anna Irvani STMI Jakarta, Kementerian Perindustrian RI ABSTRAK Permasalahan yang terjadi
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
digilib.uns.ac.id BAB I PENDAHULUAN 1.1 Latar Belakang Jadwal merupakan daftar atau tabel kegiatan atau rencana kegiatan dengan pembagian waktu pelaksanaan yang terperinci. Universitas menggunakan tabel
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 terperinciCODING VOL.2 NO. 1 (2014), Hal ISSN: X
APLIKASI JADWAL PERKULIAHAN DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN VISUAL BASIC.NET (Studi Kasus: Fakultas Matematika dan Ilmu Pengetahuan Alam) Sella Erary [1],Beni Irawan [2], Ilhamsyah [3] [1][2][3]
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI
111 BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Implementasi Aplikasi otomatisasi penjadwalan yang dibuat merupakan aplikasi desktop. Dalam pengoperasiannya, dibutuhkan perangkat keras dan piranti lunak dengan
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 terperinciOptimasi Penjadwalan Mata Pelajaran Menggunakan Algoritma Genetika (Studi Kasus : SMPN 1 Gondang Mojokerto)
Optimasi Penjadwalan Mata Pelajaran Menggunakan Algoritma Genetika (Studi Kasus : SMPN 1 Gondang Mojokerto) Dianita Dwi Permata Sari 1, Wayan Firdaus Mahmudy 2, Dian Eka Ratnawati 3 Teknik Informatika,
Lebih terperinciBAB I PENDAHULUAN. hampir di seluruh dunia, termasuk Indonesia. Alat transportasi ini memiliki
BAB I PENDAHULUAN 1.1 Latar Belakang Kereta api merupakan alat transportasi darat utama yang digunakan hampir di seluruh dunia, termasuk Indonesia. Alat transportasi ini memiliki multi keunggulan komparatif,
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 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 terperinciPencarian Rute Optimum Menggunakan Algoritma Genetika
Jurnal Teknik Elektro Vol. 2, No. 2, September 2002: 78-83 Pencarian Rute Optimum Menggunakan Algoritma Genetika Anies Hannawati, Thiang, Eleazar Fakultas Teknologi Industri, Jurusan Teknik Elektro, Universitas
Lebih terperinciABSTRAK. Job shop scheduling problem merupakan salah satu masalah. penjadwalan yang memiliki kendala urutan pemrosesan tugas.
ABSTRAK Job shop scheduling problem merupakan salah satu masalah penjadwalan yang memiliki kendala urutan pemrosesan tugas. Pada skripsi ini, metode yang akan digunakan untuk menyelesaikan job shop scheduling
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 Penjadwalan Mata Pelajaran Menggunakan Algoritme Genetika (Studi Kasus: SMK Negeri 2 Kediri)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 10, Oktober 2017, hlm. 1066-1072 http://j-ptiik.ub.ac.id Optimasi Penjadwalan Mata Pelajaran Menggunakan Algoritme
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 terperinciPenyelesaian Puzzle Sudoku menggunakan Algoritma Genetik
Penyelesaian Puzzle Sudoku menggunakan Algoritma Genetik Afriyudi 1,Anggoro Suryo Pramudyo 2, M.Akbar 3 1,2 Program Studi Sistem Informasi Fakultas Ilmu Komputer. Universitas Bina Darma Palembang. email
Lebih terperinciBAB 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 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 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 terperinciANALISA KOMBINASI ALGORITMA GENETIKA DENGAN ALGORITMA PALGUNADI UNTUK PENJADWALAN MATA KULIAH DI UNIVERSITAS SEBELAS MARET
Analisa Kombinasi Algoritma Genetika dengan (Siswono dan Palgunadi) ANALISA KOMBINASI ALGORITMA GENETIKA DENGAN ALGORITMA PALGUNADI UNTUK PENJADWALAN MATA KULIAH DI UNIVERSITAS SEBELAS MARET Teno Siswono
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 terperinciSatrio Agung Wicaksono 1, R. Arief Setiyawan 1, Budi Darma Setiyawan 1, Ari Hernawan 1, Rizal Setya Perdana 1
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol. 1, No. 2, Oktober 214 hlm. 78-82 PENJADWALAN PERKULIAHAN DENGAN PENDEKATAN EVOLUTIONARY ALGORITHM (STUDI KASUS: SISTEM INFORMASI AKADEMIK (SIAKAD)
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 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 terperinci2 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 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 terperinciArif Munandar 1, Achmad Lukman 2 1 Teknik Informatika STMIK El Rahma Yogyakarta, Teknik Informatika STMIK El Rahma Yogyakarta
PENJADWALAN MATAKULIAH DENGAN ALGORITMA GENETIKA MENGGUNAKAN FRAMEWORK CODEIGNITER (STUDI KAUS PROGRAM STUDI S PENDIDIKAN AGAMA ISLAM UNIVERSITAS ALMA ATA YOGYAKARTA) Arif Munandar, Achmad Lukman 2 Teknik
Lebih terperinciPenjadwalan Dinas Pegawai Menggunakan Algoritma Genetika Pada PT Kereta Api Indonesia (KAI) Daerah Operasi 7 Stasiun Besar Kediri
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 11, November 2018, hlm. 4371-4376 http://j-ptiik.ub.ac.id Penjadwalan Dinas Pegawai Menggunakan Algoritma Genetika
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 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 terperinciPENERAPAN 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 terperinciMODEL PENYELESAIAN JOB SHOP SCHEDULING PROBLEM MENGGUNAKAN METODE LOCAL SEARCH ALGORITHM DENGAN CROSS OVER
MODEL PENYELESAIAN JOB SHOP SCHEDULING PROBLEM MENGGUNAKAN METODE LOCAL SEARCH ALGORITHM DENGAN CROSS OVER Amiluddin Zahri Dosen Universtas Bina Darma Jalan Ahmad Yani No.3 Palembang Sur-el: amiluddin@binadarma.ac.id
Lebih terperinciPENYELESAIAN KNAPSACK PROBLEM MENGGUNAKAN ALGORITMA GENETIKA
PENYELESAIAN KNAPSACK PROBLEM MENGGUNAKAN ALGORITMA GENETIKA Kartina Diah KW1), Mardhiah Fadhli2), Charly Sutanto3) 1,2) Jurusan Teknik Komputer Politeknik Caltex Riau Pekanbaru Jl. Umban Sari No.1 Rumbai-Pekanbaru-Riau
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 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 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 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 terperinciPeramalan Kebutuhan Beban Sistem Tenaga Listrik Menggunakan Algoritma Genetika
Peramalan Kebutuhan Beban Sistem Tenaga Listrik Menggunakan Algoritma Genetika M. Syafrizal, Luh Kesuma Wardhani, M. Irsyad Jurusan Teknik Informatika - Universitas Islam Negeri Sultan Syarif Kasim Riau
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 terperinciPENJADWALAN KAPAL PENYEBERANGAN MENGGUNAKAN ALGORITMA GENETIKA
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol. 3, No. 1, Maret 2016, hlm. 48-55 PENJADWALAN KAPAL PENYEBERANGAN MENGGUNAKAN ALGORITMA GENETIKA Ria Febriyana 1, Wayan Firdaus Mahmudy 2 Program
Lebih terperinciSISTEM PENJADWALAN PERKULIAHAN MENGGUNAKAN ALGORITMA GENETIKA (STUDI KASUS PADA JURUSAN TEKNOLOGI INFORMASI FAKULTAS TEKNIK UNIVERSITAS TADULAKO)
JIMT Vol. 14 No. 2 Desember 2017 (Hal 242-255) ISSN : 2450 766X SISTEM PENJADWALAN PERKULIAHAN MENGGUNAKAN ALGORITMA GENETIKA (STUDI KASUS PADA JURUSAN TEKNOLOGI INFORMASI FAKULTAS TEKNIK UNIVERSITAS TADULAKO)
Lebih terperinciISSN IMPLEMENTASI ALGORITMA GENETIKA DALAM PENGEMBANGAN SISTEM APLIKASI PENJADWALAN KULIAH
ISSN 1829-5282 56 IMPLEMENTASI ALGORITMA GENETIKA DALAM PENGEMBANGAN SISTEM APLIKASI PENJADWALAN KULIAH Oleh : Komang Setemen Jurusan Manajemen Informatika Fakultas Teknik dan Kejuruan Universitas Pedidikan
Lebih terperinciAsri Maspupah Jurusan Informatika, Fakultas MIPA Universitas Jenderal Achmad Yani Jl. Terusan Sudirman, Cimahi
Perbandingan Jumlah Pinalti Alokasi Task pada Penjadwalan Kerja dengan Perhitungan Manual dan Algoritma Genetika Asri Maspupah Jurusan Informatika, Fakultas MIPA Universitas Jenderal Achmad Yani Jl. Terusan
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 III METODE PENELITIAN
digilib.uns.ac.id BAB III METODE PENELITIAN Penelitian ini sebelumnya diawali oleh pengumpulan litelatur dan pengumpulan data. Pengumpulan literatur merupakan pengumpulan bahan-bahan seperti jurnal, buku,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi yang pesat memberikan banyak kemudahan dalam penyelesaian masalah dan pencapaian hasil kerja yang memuaskan bagi kehidupan manusia. Salah satu
Lebih terperinciBAB 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 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 terperinciImplementasi Sistem Penjadwalan Akademik Fakultas Teknik Universitas Tanjungpura Menggunakan Metode Algoritma Genetika
Jurnal Sistem dan Teknologi Informasi (JUSTIN) Vol. 1, No. 2, (2017) 28 Implementasi Sistem Penjadwalan Akademik Fakultas Teknik Universitas Tanjungpura Menggunakan Metode Algoritma Genetika Andreas Christian
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 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 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 terperinci