DIAGNOSA PENYAKIT SINUSITIS MENGGUNAKAN METODE ALGORITMA GENETIKA DAN BAYESIAN BERBASIS JSP
|
|
- Sudirman Santoso
- 7 tahun lalu
- Tontonan:
Transkripsi
1 DIAGNOSA PENYAKIT SINUSITIS MENGGUNAKAN METODE ALGORITMA GENETIKA DAN BAYESIAN BERBASIS JSP Angga Asfan Candra, Entin Martiana S.Kom, M.Kom. Jurusan Teknik Informatika, PENS - ITS Surabaya Jl. Raya ITS, Surabaya +62(31) ; Fax: +62(31) billibobo@student.eepis-its.edu, entin@eepis-its.edu ABSTRAK Saat ini di indonesia penyakit sinusitis merupakan penyakit dengan jumlah penderita cukup banyak. Selain itu masyarakat indonesia sedikit mengetahui gejala penyakit sinusitis karena hampir sama dengan gejala penyakit flu biasa. Hal ini bisa menyebabkan kesalahan dalam menindaklanjuti penyakit sinusitis dan bisa menyebabkan dampak yang lebih besar lagi. Dengan adanya sistem pakar untuk mediagnosa penyakit sinusits masyarakat diharapkan lebih waspada dalam penanganan penyakit sinusitis. Sistem ini menggunakan algoritma Genetika dan Bayesian yang dimaksudkan untuk membandingkan hasil solusi kedua algoritma tersebut dalam permasalahan yang telah dijelaskan diatas, algoritma mana yang lebih baik untuk menangani permasalahan tersebut. Sistem ini dibuat berdasarkan gejala mayor dan minor yang diadaptasi dari The Task Force On Rhinosinusitis Of The American Assosiation Of Otolaryngology Head And Neck Surgery. Kata kunci : Sinusitis, Algoritma Genetika, Bayesian, Diagnosa, Sistem Pakar. 1. PENDAHULUAN Pada saat ini, peranan teknologi informasi dan komunikasi sebagai alat bantu mutlak dibutuhkan dalam beberapa proses di bidang kesehatan. Aplikasi teknologi informasi di bidang kesehatan tumbuh begitu subur. Beberapa peralatan yang digunakan di laboratorium radiologi, laboritoum patologi dan sistem rekamedis elektronik. Dukungan perkembangan teknologi komunikasi semakin melengkapi dan memantapkan dibangunnya beberapa aplikasi di bidang informatika kesehatan. Beberapa aplikasi berbasis web, pocket PC, dan SMS gateway mulai dikembangkan untuk memberikan kemudahan akses bagi para pengguna layanan kesehatan yang sangat aktif. Medical reminder system dan telemedicine merupakan fasilitas yang membutuhkan dukungan teknologi informasi dan komunikasi. Penggunaan teknologi informasi dan metode komputasi juga semakin berkembang terutama untuk membantu para klinisi dalam mengambil keputusan klinis. Sistem pendukung pengambilan keputusan klinis mulai dikembangkan dimana-man terutama untuk aplikasi proses anamnesis, diagnosis, terapi, dan prognosis. Meskipun sistem semacam ini hanya bersifat membantu para klinisi, namun keberadaannya sangat dibutuhkan terutama bagi para kinisi yang masih pemula. Beberapa sistem pendukung keputusan klasik, sistem cerdas, teknologi datamining, dan pengolahan citra digital mengambil peranan penting dalam sistem pendukung keputusan tersebut. Selain permasalahan yang bersentuhan langsung dengan dunia klinis, teknilogi informasi untuk berperan di bidang kesehatan juga dapan berbentuk lain, seperti surveillance. Untuk keperluan tersebut, sitem informasi geografis memegang peran yang sangat besar Di era modernisasi ini manusia dituntut untuk mengerjakan segala aktivitas dan memutuskan suatu hal secara cepat, tepat dan efisien. Oleh karena itu terjadi pergeseran dalam bidang kesehatan di dalam pengambilan keputusan suatu masalah dari paradigma konvensional (manual) ke arah digital. Penggunaan metode digital dinilai lebih hemat tenaga, efisien dan memiliki akurasi tinggi. Teknologi memegang peranan penting terutama dalam bidang teknologi informasi. Kemampuan komputer dalam mengingat dan menyimpan informasi dapat dimanfaatkan tanpa harus bergantung kepada hambatan-hambatan seperti yang dimiliki manusia, yaitu kondisi lapar, haus, ataupun emosi. Dengan menyimpan informasi dan sehimpunan aturan penalaran yang memadai, memungkinkan komputer memberikan kesimpulan atau pengambilan keputusan yang kualitasnya sama dengan seorang pakar bidang keilmuan tertentu. Salah satu cabang dari ilmu komputer yang dapat mendukung hal tersebut adalah sistem pakar. Sistem pakar merupakan salah satu cabang dari kecerdasan buatan yang mempelajari bagaimana mengadopsi cara seorang pakar berpikir dan bernalar dalam menyelesaikan suatu permasalahan untuk membuat suatu keputusan maupun pengambilan kesimpulan berdasarkan pengetahuan itu. Sampai saat ini ada beberapa hasil perkembangan sistem pakar dalam berbagai bidang
2 sesuai dengan kepakarannya seseorang, misalnya bidang kedokteran, pendidikan ataupun pertanian. Pada bidang kesehatan sendiri, telah terjadi pegeseran dari penganalisaan secara manual menjadi penganalisaan penyakit dengan menggunakan alat/sistem pakar yang lebih efisien dan hemat tenaga. Dengan adanya penelitian dari Depertemen Kesehatan bahwa sinusitis dianggap salah satu penyebab gangguan kesehatan tersering di dunia. Data dari DEPKES RI tahun 2003 menyebutkan bahwa penyakit hidung dan sinus berada pada urutan ke-25 dari 50 pola penyakit peringkat utama atau sekitar penderita rawat jalan di rumah sakit. Survei Kesehatan Indera Penglihatan dan Pendengaran 1996 yang diadakan oleh Binkesmas bekerja sama dengan PERHATI dan Bagian THT RSCM mendapatkan data penyakit hidung dari 7 propinsi. Data dari Divisi Rinologi Departemen THT RSCM Januari-Agustus 2005 menyebutkan jumlah pasien rinologi pada kurun waktu tersebut adalah 435 pasien, 69%nya adalah sinusitis. Dari data diatas oleh karena itu Diagnosa Penyakit Sinusitis Menggunakan Metode Algorima Genetika dan Bayesian berbasis JSP, merupakan penggabungan antara perkembangan teknologi informasi dan pakar itu sendiri yang menjadi jawaban atas permasalahan yang dihadapi dengan berpatokan pada The Task Force On Rhinosinusitis Of The American Assosiation Of Otolaryngology Head And Neck Surgery untuk penentuan gejala mayor dan minor dari sinusitis. Aplikasi ini sangat bermanfaat membantu para penderita dalam menganalisa permasalahan tentang penyakit sinusitis pada khususnya. Sehingga sistem ini mampu memberi referensi kepada penderita dalam menyimpulan hasil analisa pada suatu penyakit khususnya sinusitis. 2. PENELITIAN YANG TERKAIT Identifikasi penyakit dapat dilakukan berdasarkan gejala yang diderita oleh seorang pasien. Terkadang satu penyakit dan penyakit yang lain mempunyai gejala yang hampir sama hingga sulit ditentukan panyakit yang sebenarnya diderita oleh seorang pasien. Tetapi setiap penyakit pasti mempunya gejala yang spesifik dalam perkembangannya. Inilah dasar pembuatan simulasi identifikasi penyait, dengan memodelkan korelasi silang dari masing-masing gejala dan relasinya dengan jenis penyakit tertentudapati dibuat suatu model yang dapat digunakan dalam penmpakan gejala dan jenis penyakit, sehigga diharapkan akan diperoleh akurasi yang baik. Simulasi dilakukan dengan mendefinisikan penampakan gejala yang dialami pasien yang diurutkan dalam bentuk database indeks gejala, yang kemudian dilakukan dilakukan penentuan korelasi silang dari masingmasing gejala yang akhirnya direlasikan dengan data indeks penyakit. 3. PERANCANGAN SISTEM Di bawah ini adalah rancangan system secara keseluruhan : Gambar 1. Rancangan Sistem Dalam perancangan sistem diatas seorang user dapat berinteraksi dengan aplikasi melalui tampilan web yang di bangun dari JSP, dimana seorang user dapat menginputkan gejalanya melalu web tersebut. Setelah itu maka inputan tersebut akan diproses melalui dua metode yaitu bayes dan algoritma genetika dimana akan dibandingkan dengan data training yang sudah di simpan di dalam data base dan selelah di proses maka akan ditampilkan hasil kesimpulan kedalam halaman web. Untuk algoritma genetika akan menghasilkan role dari setiap penyakit ISPA melalui data training yang telah di simpan di dalam basis data tersebut dan akan dibandingkan dengan fitness untuk mendapatkan hasil kesimpulan. 4. ALGORITMA GENETIKA DAN BAYESIAN 4.1. Algoritma Genetika Proses algoritma genetika yang akan dilakukan dalam proyek akhir ini adalah membangkitkan populasi awal, pengoptimalan kromosom sequence, mengevaluasi nilai fitness, seleksi individu dengan roulette wheel selection, reproduksi yaitu cross over dan mutasi, elitism dan akhirnya menghasilkan populasi baru. Proses ini akan berlangsung sampai generasi yang telah ditentukan atau sampai ketemu solusi yang diharapkan. Berikut urutan tahapan tersebut :
3 optimal dalam algoritma genetika. Algoritma genetika bertujuan mencari individu dengan nilai fitness yang paling tinggi. Gambar 4. Kalkulasi dari Akurasi TP = Jumlah dari karakteristik yang identik dengan hasil yang identik (++) FP = Jumlah dari karakteristik yang tidak identik dengan hasil yang identik (-+) FN = Jumlah dari karakteristik yang identik dengan hasil yang tidak identik (+-)\ TN = Jumlah dari karekteristik yang tidak identik dengan hasil yang tidak identik (--) Gambar 2. Rancangan Sistem Algoritma Genetika - Seleksi Seleksi dilakukan dalam rangka untuk mendapatkan induk yang baik. Karena induk yang baik akan menghasilkan keturunan yang baik. Sehingga semakin tinggi nilai fitness suatu individu maka semakin besar kemungkinannya untuk terpilih. Dalam tahap seleksi ini dilakukan dengan menggunakan mesin roulette. - Representasi Gen Untuk menyelesaikan permasalahan ini pertama-tama kita terlebih dahulu harus bisa membuat representasi dari tiap-tiap individu yang akan ikut dalam siklus Algoritma Genetika ini.banyaknya gen tergantuk dengan banyaknya gejala. Gambar 5. Grafik seleksi Gambar 3. Representasi Gen - Pembangkitan Populasi Awal Pembangkitan populasi awal dilakukan secara acak dan jumlah populasi ditentukan oleh masukan user. Semakin besar ukuran populasi, semakin besar pula untuk menemukan solusi yang diharapkan - Evaluasi Nilai Fitness Nilai fitness adalah nilai yang menyatakan baik tidaknya suatu solusi (individu). Nilai fitness ini yang dijadikan acuan dalam mencapai nilai - Cross Over / Rekombinasi Pada proyek akhir ini dilakukan cross over terhadap Individu yang terpilih dari hasil seleksi. Cross Over dilakukan terhadap dua individu yang terpilih dari hasil seleksi. Dalam aplikasi ini, saya menggunakan pertukaran gen secara langsung untuk saling merekombinasikan kedua gen yang terlibat. Algoritma pertukaran gen secara langsung adalah: 1. Tentukan probabilitas crossover yang diinginkan (biasanya antara range 0.75 sampai 0.9). 2. Untuk setiap populasi sebanyak jumlah populasi lakukan: a. Generate sebuah bilangan random antara nol sampai satu.
4 b. Jika bilangan tersebut lebih kecil daripada probabilitas crossover, maka lakukan crossover. a. Random pertama adalah mengacak gen awal. b. Random kedua adalah mengacak gen akhir. c. Gen awal dan akhir akan menentukan panjang dari gen yang di crossover. d. Gen awal tidak boleh melebihi dari gen akhir. c. Sedangkan apabila bilangan tersebut lebih besar, maka induk 1 dan induk 2 langsung turun menjadi anak 1 dan anak Untuk setiap pasangan yang melakukan crossover lakukan: a. Generate dua buah bilangan antara satu sampai jumlah gen setiap individu. b. Turunkan gen induk di lokasi antara dua bilangan tersebut ke gen anak. Untuk lebih jelasnya, bisa dilihat di grafis berikut ini : individu ada 13, maka random bilangan antara Setelah mendapatkan posisi gen yang akan dimutasi, selanjutnya yaitu membangkitkan bilangan representasi solusi yaitu antara 0 1 untuk menggantikan nilai gen yang baru dan nilai gen tidak boleh sama dengan nilai gen yang lama. Untuk lebih jelasnya bisa dilihat di grafis berikut: Misal: bilangan random =2 Gambar 7. Contoh Mutasi Individu - Elitisme Pada proyek akhir ini memakai system ranking. Jika jumlah individu dalam populasi adalah sebanyak p, maka terdapat p individu dan p individu turunan. Dalam sistem ranking populasi induk dan populasi turunan digabung sehingga berjumlah 2p individu. Selanjutnya setiap individu tersebut dihitung nilai fitnessnya dan diranking yang terbaik. Kemudian diambil p yang terbaik untuk menjadi populasi baru. Gambar 6. Contoh Cross Over - Mutasi Mutasi dalam proyek akhir menggunakan metode pemilihan nilai secara acak. Suatu gen yang terpilih untuk dimutasi nilainya diganti dengan gen baru yang dibangkitkan secara acak dalam interval nilai nilai gen yang diizinkan, dalam hal ini nilai dari representasi solusi yaitu Berikut proses dari mutasi : i. Tentukan nilai probabilitas mutasi ( pm ). Biasanya nilai pm antara range 0 0,3. ii. Bangkitkan bilangan random antara 0 1, cek apabila nilai random tersebut lebih kecil dari pada probabilitas mutasi, maka lakukan mutasi gen pada individu. Jika nilai random tersebut lebih besar dari pada probabilitas mutasi, maka gen pada individu tersebut tidak perlu di mutasi. iii. Untuk gen pada individu yang akan di mutasi lakukan berikut: - Lakukan pengacakan posisi gen yang akan dimutasi. Dengan cara membangkitkan bilangan random sesuai jumlah gen yang ada pada populasi. Misal jumlah gen pada Gambar 7. Elitisme 4.2. Algoritma Bayesian Metode ini berfungsi untuk mencari nilai probabilitas tiap faktor resiko sehingga nantinya hasilnya akan dijadikan perhitungan untuk menentukan apakah resikonya kecil sedang atau besar. Alur metode Naive Bayes pada Proyek Akhir ini sebagai berikut : 1. Baca database 2. Apakah data berupa numerik? a. Cari nilai mean dan standart deviasi dari masing-masng paameter yang merupakan data numerik.
5 b. Cari nilai probabilitasnya dengan cara menghitung jumlah data yang sesuai dari kategori yang sama dibagi dengan jumlah data pada kategori tersebut 3. Mendapatkan nilai dalam tabel mean, standart deviasi dan probabilitas Untuk lebih jelasnya dapat dilihat pada gambar Variabel Jumlah Representasi Gen 13 Ukuran Populasi 10 Probabilitas Crossover 0.8 Probabilitas Mutasi 0.2 Value Gambar 4.2. Form Inputan Gejala Mayor dan Minor Gambar 4.3. Hasil Analisa dari Form Gejala Mayor dan Minor Gambar 8. Naïve Bayes Untuk mengolah data inputan dalam Naive Bayes harus meakukan perhituganan terhadap database/data training. Pada proyek akhir ini hanya menggunakan 1 jenis data yaitu data optional (0, 1). Contoh tabelnya seperti tabel 3 Dalam form inputan untuk keluhan pada penyakit sinusits setelah keluhan di isi baik keluhan mayor dan minur maka sistem pakar akan menkakulasi keluhan tersebut dan menampilkan hasil dari keluhan tersebut. Ada dua kemungkinan dari hasil analisa diagnosa yaitu SUSPECT dan TIDAK SUSPECT terkena penyakit sinusitis. Jika hasil dari keluhan awal SUSPECT maka akan dilanjutkan ke diagnosa selanjutnya. Tabel 3.3. Contoh Tabel Probabilitas 6. HASIL UJI COBA Tabel 4.2. Inputan Default Sistem
6 Gambar 4.4. Form Diagnosa Lanjutan Dalam form inputan untuk keluhan / diagnosa lanjut pada penyakit sinusits setelah keluhan di isi maka sistem pakar akan menkakulasi keluhan tersebut dan menampilkan hasil dari keluhan tersebut Gambar 4.5. Hasil Diagnosa Lanjutan Ada tiga kemungkinan dari hasil analisa diagnosa lanjut dari penyakit sinusitis yaitu SINUSITIS AKUT, SINUSITIS KRONIS, dan SINUSITIS KOMPLIKASI. Diamana hasil tersebut dikeluarkan dalam bentuk persentase. Ada dua algoritma yang di pakai untuk menentukan persentase dari penyakit sinusits yaitu disebelah kiri menggunakan algoritma bayesian dan algoritma genetika disebelah kanan. Selain itu akan ditampilkan saran pencegahan dini berdasarkan keluhanan yang di inputkan. - Dampak Populasi Terhadap Generasi dan Waktu Gambar 4.9. Dampak Cross Over terhadap Generasi Dari hasil percobaan diatas dapat disimpulkan bahwa probabilitas cross over yang di inputkan sangat berpengaruh terhadap generasi untuk memperoleh solusi jika hal tersebut berdampak pada generasi, otomatis akan bertampak pada waktu yang dibutuhkan untuk mencari solusi terbaik. Jadi tren percobaan diatas dari probabilitas cross over maka kita bisa lihat tren yang semakin menurun atau generasi terbaik bisa didapat lebih cepat jika probabilitas cross over diperbesar. - Perbandingan antara algoritma genetika dengan bayesian Tabel 4.7. Tabel Perbandingan Algoritma Algoritma Genetika Naïve Bayes Tingkat Kebenaran % % Tingkat Kesalahan % 8.71 % Tinggat Kecepatan 8.81 detik 0.58 detik Kesetabilan Pencarian Tidak Ya Dari tabel di atas bisa disimpulkan, secara keseluruhan algoritma bayesian merupakan teknik yang lebih bagus dalam kasus yang ada pada proyek ini dengan memiliki kecenderungan akurasi yang tinggi dan merupakan algoritma yang paling baik dalam hal waktu komputasi (waktu yang dibutuhkan untuk membangun sebuah model). Gambar 4.8. Hubungan Antara Waktu, Generasi dan Populasi - Dampak Cross Over Terhadap Generasi Dalam tabel ini adalah untuk menganalisa dampak cross over terhadap penentuan solusi dengan mengubah nilai cross over. 7. KESIMPULAN Dari hasil uji coba perangkat lunak yang telah dikembangkan, dapat ditarik beberapa kesimpulan yaitu : 1. Berdasarkan hasil percobaan Algoritma Genetika cocok untuk mendapatkan solusi optimal, namun masih sedikit terkendala dengan beberapa kelemahan. Algoritma ini membutuhkan tiga aspek penting untuk implementasinya yaitu fitness function, representasi genetika dan operasi genetika (crossover dan mutation).
7 2. Fitness function pada proyek akhir ini ditetepakan sebesar 0.50 karena angka tersebut adalah angka ideal dengan keakuratan hasil diagnosa yang cukup tinggi dengan waktu yang relatif pendek/singkat. 3. Probabilitas cross over yang di inputkan sangat berpengaruh terhadap generasi untuk memperoleh solusi jika hal tersebut berdampak pada generasi, otomatis akan bertampak pada waktu yang dibutuhkan untuk mencari solusi terbaik. Jadi tren percobaan diatas dari probabilitas cross over maka kita bisa lihat tren yang semakin menurun atau generasi terbaik bisa didapat lebih cepat jika probabilitas cross over diperbesar. 4. Semakin besar nilai probabilitas mutasi yang dimasukan kecenderungan nilai semakin tidak konsisten, konsisten disini adalah generasi yang diperoleh terkadang besar atau terkadang kecil. 5. Pembangkitan individu random pada populasi awal sangat berpengaruh pada waktu yang dibutuhkan dan jumlah generasi yang dicapai hingga menemukan solusi. 6. Perubahan perubahan paramater algoritma genetika seperti probabilitas crossover dan probabilitas mutasi sangat berpengaruh pada proses algoritma genetika. Semakin besar probabilitas crossover, semakin besar peluang individu tersebut untuk di rekombinasi. Dan semakin besar probabilitas mutasi, semakin besar peluang individu tersebut untuk dimutasi. Dan nantinya semakin mempercepat perubahan total fitness pada setiap generasi. 7. Perubahan probabilitas CrossOver dan Mutasi juga mempengaruhi waktu komputasi, karena semakin besar nilai probabilitas tersebut, maka akan semakin sering pula dilakukan operasi CrossOver dan Mutasi yang bisa semakin menambah waktu komputasi. 8. Karena ruang solusi yang besar, maka setiap kali melakukan running program, hasil yang didapatkan bisa berbeda-beda. Hal ini juga dipengaruhi oleh random awal dari Algoritma ini. 9. Dari dua algoritma yang dipakai dalam proyek akhir ini, secara keseluruhan algoritma bayesian merupakan teknik yang lebih bagus dalam kasus yang ada pada proyek ini dengan memiliki kecenderungan akurasi yang tinggi dan merupakan algoritma yang paling baik dalam hal waktu komputasi (waktu yang dibutuhkan untuk membangun sebuah model). 8. DAFTAR PUSTAKA [1]. Gundogan, Korkut Koray, bilal Alatas, Ali Karci Mining Classification Rule By Using Genetic Algrorithms With Non-random Initial Population and Uniform Operator. TURKEY : Firat University. [2]. Martiana, Entin Minggu10 - Algoritma Genetika. Surabaya : PENS-ITS [3]. Basuki, Achmad dan Nana Ramadiyanti Simulasi Identifikasi Penyakit Berdasarkan Gejala Menggunakan Algoritma Genetika. Surabaya : PENS-ITS. [4]. Widiastuti, Dwi., Analisa Perbandingan Algoritma SVM, Naive Bayes, Dan Decision Tree Dalam Menklasifikasikan Serangan (Attacks) Pada Sistem Pendeteksi Intrusi. Jakarta : Universitas Gunadarma. [5]. Basuki, Achmad Strategi Menggunakan Algoritma Genetika. Surabaya : PENS-ITS [6]. Kristyono, Irwan Pendidikan Kedokteran Berkelanjutan IX Ilmu Kesehatan THT-KL. Surabaya. [7]. Kusumadewi, Sri dkk Informatika Kesehatan. Yogyakarta. [8]. Manjoer, Arif Kapital Selekta Kedokteran. Depok : Fakultas Kedokteran Universitas Indonesia. [9]. American Rhinologic Society. (14 Juli 2011)
Rancang 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 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 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 terperinciPERANCANGAN SISTEM OPTIMASI PENJADWALAN PENGANGKUTAN SAMPAH DI SURABAYA SECARA ADAPTIF MENGGUNAKAN METODE ALGORITMA GENETIKA
PERANCANGAN SISTEM OPTIMASI PENJADWALAN PENGANGKUTAN SAMPAH DI SURABAYA SECARA ADAPTIF MENGGUNAKAN METODE ALGORITMA GENETIKA Febrianto Nur Anwari, Arna Fariza, S.Kom, M.Kom, Entin Martiana S.Kom, M.Kom,
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 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 terperinciPENYELESAIAN PERMAINAN RUBIK S CUBE DENGAN METODE ALGORITMA GENETIKA
PENYELESAIAN PERMAINAN RUBIK S CUBE DENGAN METODE ALGORITMA GENETIKA Zulhaydar Fairozal Akbar 1, Entin Martiana, S.Kom, M.Kom 2, Setiawardhana, S.T, M.T 2, Rizky Yuniar H., S.Kom, M.T 2 Mahasiswa Jurusan
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 terperinciBAB III ANALISA MASALAH DAN RANCANGAN PROGRAM
BAB III ANALISA MASALAH DAN RANCANGAN PROGRAM III.1. Analisa Masalah Perkembangan game dari skala kecil maupun besar sangat bervariasi yang dapat dimainkan oleh siapa saja tanpa memandang umur, dari anak
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 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 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 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 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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi komputer dan smartphones semakin hari pesat baik hardware maupun software, sehingga menjadi motivasi untuk mencoba mengembangkan suatu aplikasi
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 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 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 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. 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 terperinciPERANCANGAN SISTEM PAKAR PENENTU PROSES PERSALINAN DENGAN METODE NAIVE BAYES PADA KEPULAUAN DI DAERAH TERPENCIL PENEBEL TABANAN BALI
PERANCANGAN SISTEM PAKAR PENENTU PROSES PERSALINAN DENGAN METODE NAIVE BAYES PADA KEPULAUAN DI DAERAH TERPENCIL PENEBEL TABANAN BALI 1), 2),3) Rayung Wulan 1), Mei Lestari 2), Ni Wayan Parwati S 3) Program
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 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 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 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 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 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 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 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 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 terperinciOPTIMASI PENATAAN SILINDER DALAM KONTAINER DENGAN ALGORITMA GENETIKA
OPTIMASI PENATAAN SILINDER DALAM KONTAINER DENGAN ALGORITMA GENETIKA Novita Wulan Sari 1, Yuliana Setyowati 2, S.Kom, M.Kom, Ira Prasetyaningrum 2, S. Si, M.T 1 Mahasiswa, 2 Dosen Pembimbing Politeknik
Lebih terperinciBAB II LANDASAN TEORI. digunakan sebagai pedoman perawatan adalah sebuah panduan sebagaimana
BAB II LANDASAN TEORI 2. Konsep Perawatan Pesawat Fokker F27 Buku Pedoman Perawatan yang diberikan oleh pabrik yang akan digunakan sebagai pedoman perawatan adalah sebuah panduan sebagaimana layaknya sebuah
Lebih terperinciSIMULASI PENGENDALIAN KECEPATAN MOBIL OTOMATIS MENGGUNAKAN LOGIKA FUZZY DAN ALGORITMA GENETIKA
SIMULASI PENGENDALIAN KECEPATAN MOBIL OTOMATIS MENGGUNAKAN LOGIKA FUZZY DAN ALGORITMA GENETIKA Helmy Thendean, M.Kom 1) Albert, S.Kom 2) Dra.Chairisni Lubis, M.Kom 3) 1) Program Studi Teknik Informatika,Universitas
Lebih terperinciREKOMENDASI TOPIK TUGAS AKHIR MAHASISWA TEKNIK INFORMATIKA DI UNIVERSITAS MUHAMMADIYAH JEMBER MENGGUNAKAN METODE NAÏVE BAYESIAN CLASSIFIER
REKOMENDASI TOPIK TUGAS AKHIR MAHASISWA TEKNIK INFORMATIKA DI UNIVERSITAS MUHAMMADIYAH JEMBER MENGGUNAKAN METODE NAÏVE BAYESIAN CLASSIFIER Titis Suwartiningsih (11 1065 1116) 1, Bagus Setya Rintyarna,
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 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 terperinciMEMBANGUN TOOLBOX ALGORITMA EVOLUSI FUZZY UNTUK MATLAB
MEMBANGUN TOOLBOX ALGORITMA EVOLUSI FUZZY UNTUK MATLAB Syafiul Muzid 1, Sri Kusumadewi 2 1 Sekolah Pascasarjana Magister Ilmu Komputer, Universitas Gadjah Mada, Yogyakarta e-mail: aakzid@yahoo.com 2 Jurusan
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 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 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 I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Makanan merupakan salah satu hal utama untuk mendukung tubuh dalam melakukan berbagai aktifitas. Kandungan berbagai unsur penting dalam makanan seperti karbohidrat,
Lebih terperinciRancang Bangun Robot PANTILT: Pendeteksian Posisi Kepala Manusia Menggunakan Algoritma Genetika
Rancang Bangun Robot PANTILT: Pendeteksian Posisi Kepala Manusia Menggunakan Algoritma Genetika Ferman Hakiki 1, Indra Adji Sulistijono 2 1 Jurusan Teknik Elektornika, Politeknik Elekronika Negeri Surabaya
Lebih terperinciBAB I PENDAHULUAN. besar yang harus benar-benar diperhatikan oleh setiap orang tua.
BAB I PENDAHULUAN A. Latar Belakang Pelayanan kesehatan di Indonesia, khususnya di Rumah Sakit Umum Daerah (RSUD) Sigli, masih belum cukup tenaga ahli kesehatan (spesialis), padahal orang tua sangat membutuhkan
Lebih terperinciDIAGNOSA KETERLAMBATAN PERKEMBANGAN PADA ANAK BALITA DENGAN ACUAN DENVER II DAN PENGAMBIL KEPUTUSAN DENGAN METODE DECISION TREE BERBASIS JSP
DIAGNOSA KETERLAMBATAN PERKEMBANGAN PADA ANAK BALITA DENGAN ACUAN DENVER II DAN PENGAMBIL KEPUTUSAN DENGAN METODE DECISION TREE BERBASIS JSP Endah Rakhmawati 1, Entin Martiana K, M.Kom 2, Nur Rosyid Mubtadai,
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 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 I PENDAHULUAN. akut, TBC, diare dan malaria (pidato pengukuhan guru besar fakultas
BAB I PENDAHULUAN 1.1. Latar Belakang Di negara yang sedang berkembang, khususnya di puskesmas sangat sulit dijumpai tenaga ahli kesehatan (spesialis), padahal orang tua sangat membutuhkan dokter spesialis
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 terperinciSISTEM CERDAS DIAGNOSA PENYAKIT AYAM
SISTEM CERDAS DIAGNOSA PENYAKIT AYAM PRASETYO ADHY PRABOWO Program Studi Ilmu Komputer, FIK Universitas Dian Nuswantoro Jl. Nakula I No. 5-11, Semarang, 50131 Abstrak : Seiring perkembangan tekhnologi,
Lebih terperinciRANCANG BANGUN SISTEM PENENTUAN KOMPOSISI BAHAN PANGAN HARIAN MENGGUNAKAN ALGORITMA GENETIKA
ABSTRAKSI RANCANG BANGUN SISTEM PENENTUAN KOMPOSISI BAHAN PANGAN HARIAN MENGGUNAKAN ALGORITMA GENETIKA Tedy Rismawan, Sri Kusumadewi Jurusan Teknik Informatika, Fakultas Teknologi Industri Universitas
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 terperinci1. Pendahuluan 1.1. Latar Belakang
1. Pendahuluan 1.1. Latar Belakang Perkembangan teknologi informasi yang begitu pesat sekarang ini memberikan dampak yang besar terhadap kinerja manusia khususnya dalam bekerja. Segala sesuatu yang dahulu
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 terperinci3.2.3 Resiko, Keuntungan dan Kerugian Forex Metode Prediksi dalam Forex MetaTrader 4 sebagai Platform Trading dalam Forex...
DAFTAR ISI HALAMAN PENGESAHAN... iii PERNYATAAN... iv HALAMAN MOTTO DAN PERSEMBAHAN... v PRAKATA... vi DAFTAR ISI... viii DAFTAR GAMBAR... xi DAFTAR TABEL... xiv DAFTAR PERSAMAAN... xv DAFTAR LAMPIRAN...
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3 Agar penelitian yang dilakukan sesuai dengan tujuan yang diharapkan maka diperlukan langkah-langkah yang tersusun secara sistematis seperti yang dijabarkan pada gambar 3.1
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 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 terperinciBAB I PENDAHULUAN. (intelligent system) adalah sistem yang dibangun dengan menggunakan
BAB I PENDAHULUAN A. Latar Belakang Kecerdasan buatan atau artificial intelligence merupakan bagian dari ilmu komputer yang membuat agar mesin (komputer) dapat melakukan pekerjaan seperti dan sebaik yang
Lebih terperinciINFORMATIKA KESEHATAN
ii iii INFORMATIKA KESEHATAN Oleh : Sri Kusumadewi; Ami Fauzijah; Arwan A. Khoiruddin; Fathul Wahid; M. Andri Setiawan; Nur Wijayaning Rahayu; Taufiq Hidayat & Yudi Prayudi Edisi Pertama Cetakan Pertama,
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 terperinciSISTEM PAKAR UNTUK DIAGNOSIS AUTISME DAN GANGGUAN PSIKOLOGIS LAINNYA PADA ANAK BERBASIS WEB
SISTEM PAKAR UNTUK DIAGNOSIS AUTISME DAN GANGGUAN PSIKOLOGIS LAINNYA PADA ANAK BERBASIS WEB TUGAS AKHIR OLEH : ARIK NUR ADITYA 0634010149 JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNOLOGI INDUSTRI UNIVERSITAS
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisis Masalah Seseorang yang ingin memeriksa kesehatannya cenderung untuk berkonsultasi ke dokter ahli, namun terkadang hal ini dapat menyulitkan seseorang
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 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 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 terperinciLAMPIRAN A PERHITUNGAN SIMPLE CASE SECARA MANUAL E
LAMPIRAN A PERHITUNGAN SIMPLE CASE SECARA MANUAL E Simple Case Contoh kasus line balancing : 35 35 O - 7 O - 8 20 20 30 40 20 25 50 25 O - 1 O - 2 O - 5 O - 6 O - 9 O - 10 O - 11 O - 12 40 30 O - 3 O -
Lebih terperinciOTOMASI PENJADWALAN KEGIATAN PRKULIAHAN DI PERGURUAN TINGGI MENGGUNAKAN METODE ALGORITMA GENETIKA ( STUDI KASUS STIKI )
OTOMASI PENJADWALAN KEGIATAN PRKULIAHAN DI PERGURUAN TINGGI MENGGUNAKAN METODE ALGORITMA GENETIKA ( STUDI KASUS STIKI ) Siska Diatinari Andarawarih 1) 1) Program Studi Teknik Informatika, Sekolah Tinggi
Lebih terperinciBAB I PENDAHULUAN. membahayakan nyawa seseorang, Ironisnya gejala gejala tersebut seringkali
1 BAB I PENDAHULUAN 1.1 Latar Belakang Gejala penyakit merupakan awal timbulnya sebuah penyakit yang dapat membahayakan nyawa seseorang, Ironisnya gejala gejala tersebut seringkali diabaikan sehingga membuat
Lebih terperinciJl. Ahmad Yani, Pontianak Telp./Fax.: (0561)
APLIKASI PENCARIAN RUTE TERPENDEK MENGGUNAKANALGORITMA GENETIKA (Studi Kasus: Pencarian Rute Terpendek untuk Pemadam Kebakaran di Wilayah Kota Pontianak) [1] Putri Yuli Utami, [2] Cucu Suhery, [3] Ilhamsyah
Lebih terperinciPenerapan Adaptive Genetic Algorithm dengan Fuzzy Logic Controller pada Capacitated Vehicle Routing Problem
Penerapan Adaptive Genetic Algorithm dengan Fuzzy Logic Controller pada Capacitated Vehicle Routing Problem Tri Kusnandi Fazarudin 1, Rasyid Kurniawan 2, Mahmud Dwi Sulistiyo 3 1,2 Prodi S1 Teknik Informatika,
Lebih terperinciDIAGNOSA PENYAKIT TELINGA HIDUNG DAN TENGGOROKAN (THT) PADA ANAK DENGAN MENGGUNAKAN SISTEM PAKAR BERBASIS MOBILE ANDROID
DIAGNOSA PENYAKIT TELINGA HIDUNG DAN TENGGOROKAN (THT) PADA ANAK DENGAN MENGGUNAKAN SISTEM PAKAR BERBASIS MOBILE ANDROID [1] Dini Anggraini, [2] Beni Irawan, dan [3] Tedy Rismawan [1] [2] [3] JurusanSistem
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 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 terperinciPenerapan Data Mining Untuk Menampilkan Informasi Pertumbuhan Berat Badan Ideal Balita dengan Menggunakan Metode Naive Bayes Classifier
Penerapan Data Mining Untuk Menampilkan Informasi Pertumbuhan Berat Badan Ideal Balita dengan Menggunakan Metode Naive Bayes Classifier Octia Nuraeni 55410244 Teknik Informatika Pembimbing : Dr. Riza Adrianti
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN. Berbagai pembangunan terus dilaksanakan di setiap wilayah di Indonesia,
BAB 3 ANALISIS DAN PERANCANGAN 3.1 Latar Belakang Permasalahan Berbagai pembangunan terus dilaksanakan di setiap wilayah di Indonesia, khususnya Jakarta Selatan. Seperti diketahui, semakin berkembanganya
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 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 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 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 terperinciPERAMALAN CUACA KOTA SURABAYA TAHUN 2011 MENGUNAKAN METODE MOVING AVERAGE DAN KLASIFIKASI NAIVE BAYES
PERAMALAN CUACA KOTA SURABAYA TAHUN 2011 MENGUNAKAN METODE MOVING AVERAGE DAN KLASIFIKASI NAIVE BAYES Mohammad Aminudin Jurusan Teknik Informatika, Entin Martiana K. Politeknik Elektronika Negeri Surabaya
Lebih terperinciPERANCANGAN DAN PEMBUATAN APLIKASI OPTIMASI PENYUSUNAN IKLAN GAMBAR DENGAN ALGORITMA GENETIKA ABSTRAK
PERANCANGAN DAN PEMBUATAN APLIKASI OPTIMASI PENYUSUNAN IKLAN GAMBAR DENGAN ALGORITMA GENETIKA Leo Willyanto Santoso*, Johan Saputra**, dan Rolly Intan*** *, **, ***Jurusan Teknik Informatika FTI Universitas
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 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 terperinciHASIL DAN PEMBAHASAN. Gambar 7 Diagram alur proses mutasi.
5 Mulai HASIL DAN PEMBAHASAN Kromosom P = rand [0,1] Ya P < Pm R = random Gen(r) dimutasi Selesai Tidak Gambar 7 Diagram alur proses mutasi. Hasil populasi baru yang terbentuk akan dievaluasi kembali dan
Lebih terperinciPerancangan Dan Pembuatan Aplikasi Rekomendasi Jadwal Perkuliahan Pada Institut Informatika Indonesia Memanfaatkan Algoritma Genetika
Perancangan Dan Pembuatan Aplikasi Rekomendasi Jadwal Perkuliahan Pada Institut Informatika Indonesia Memanfaatkan Algoritma Genetika Hermawan Andika, S.Kom., M.Kom. Jurusan Teknik Informatika Institut
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 III PERANCANGAN. Gambar 3.1 di bawah ini mengilustrasikan jalur pada TSP kurva terbuka jika jumlah node ada 10:
BAB III PERANCANGAN Pada bagian perancangan ini akan dipaparkan mengenai bagaimana mencari solusi pada persoalan pencarian rute terpendek dari n buah node dengan menggunakan algoritma genetika (AG). Dari
Lebih terperinciKata Kunci : Optimasi, Naïve Bayes, Risiko Kredit, Algoritma Genetika, Seleksi Fitur.
OPTIMASI SELEKSI FITUR KLASIFIKASI NAÏVE BAYES MENGGUNAKAN ALGORITMA GENETIKA UNTUK PREDIKSI RISIKO KREDIT KONSUMEN (Studi Kasus : PT. Finansia Multi Finance (KreditPlus) Tanjungpinang) Sisma Tri Wulan
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 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 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 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 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 terperinciBAB IV HASIL DAN UJI COBA. pakar mendeteksi adanya viskositas darah dalam tubuh menggunakan Metode
BAB IV HASIL DAN UJI COBA IV.1. Tampilan Hasil Berikut ini akan dijelaskan tentang tampilan hasil dari perancangan sistem pakar mendeteksi adanya viskositas darah dalam tubuh menggunakan Metode Teorema
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 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 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 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 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 terperinciOPTIMASI PENJADWALAN BIMBINGAN BELAJAR MENGGUNAKAN METODE ALGORITMA GENETIKA
OPTIMASI PENJADWALAN BIMBINGAN BELAJAR MENGGUNAKAN METODE ALGORITMA GENETIKA SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.kom) Pada Program Studi Sistem Informasi
Lebih terperinci