BAB II LANDASAN TEORI
|
|
- Hendra Makmur
- 7 tahun lalu
- Tontonan:
Transkripsi
1 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 dari awal hingga akhir. Masalah tersebut dapat berupa apa saja, dengan catatan untuk setiap masalah, ada kriteria kondisi awal yang harus dipenuhi sebelum menjalankan algoritma. Algoritma akan dapat selalu berakhir untuk semua kondisi awal yang memenuhi kriteria, dalam hal ini berbeda dengan heuristic (kondisi file sebelumnya). Algoritma sering mempunyai langkah pengulangan (iterasi) atau memerlukan keputusan (logika Boolean dan perbandingan) sampai tugasnya selesai. Desain dan analisis algoritma adalah suatu cabang khusus dalam ilmu komputer yang mempelajari karakteristik dan performa dari suatu algoritma dalam menyelesaikan masalah, terlepas dari implementasi algoritma tersebut. Dalam cabang disiplin ini algoritma dipelajari secara abstrak, terlepas dari sistem komputer atau bahasa pemrograman yang digunakan. Algoritma yang berbeda dapat diterapkan pada suatu masalah dengan kriteria yang sama. Kompleksitas dari suatu algoritma merupakan ukuran seberapa banyak komputasi yang dibutuhkan algoritma tersebut untuk menyelesaikan masalah. Secara informal, algoritma yang dapat menyelesaikan suatu permasalahan dalam waktu yang singkat memiliki kompleksitas yang rendah, sementara algoritma yang membutuhkan waktu lama untuk menyelesaikan masalahnya mempunyai kompleksitas yang tinggi.
2 Klasifikasi Algoritma Terdapat beragam klasifikasi algoritma dan setiap klasifikasi mempunyai alasan tersendiri. Salah satu cara untuk melakukan klasifikasi jenis-jenis algoritma adalah dengan memperhatikan paradigma dan metode yang digunakan untuk mendesain algoritma tersebut. Beberapa paradigma yang digunakan dalam menyusun suatu algoritma akan dipaparkan dibagian ini. Masing-masing paradigma dapat digunakan dalam banyak algoritma yang berbeda. a) Divide and Conquer, paradigma untuk membagi suatu permasalahan besar menjadi permasalahan-permasalahan yang lebih kecil. Pembagian masalah ini dilakukan terus menerus sampai ditemukan bagian masalah kecil yang mudah untuk dipecahkan. Singkatnya menyelesaikan keseluruhan masalah dengan membagi masalah besar dan kemudian memecahkan permasalahan-permasalahan kecil yang terbentuk. b) Dynamic programming, paradigma pemrograman dinamik akan sesuai jika digunakan pada suatu masalah yang mengandung sub-struktur yang optimal dan mengandung beberapa bagian permasalahan yang tumpang tindih. Paradigma ini sekilas terlihat mirip dengan paradigma Divide and Conquer, sama-sama mencoba untuk membagi permasalahan menjadi sub permasalahan yang lebih kecil, tapi secara intrinsik ada perbedaan dari karakter permasalahan yang dihadapi.
3 19 c) Metode serakah, Sebuah algoritma serakah mirip dengan sebuah Pemrograman dinamik, bedanya jawaban dari submasalah tidak perlu diketahui dalam setiap tahap dan menggunakan pilihan "serakah" apa yang dilihat terbaik pada saat itu Efisiensi Algoritma Dalam menganalisis efisiensi suatu algoritma, khusunya berpusat pada kecepatan algoritma sebagai fungsi masukannya dan menentukan jumlah langkah yang dilakukan; sedangkan waktu eksekusi (running time) bergantung pada bahasa pemrograman, kualitas kode program yang dihasilkan, dan mesin yang digunakan. Ketiga faktor tersebut penting, namun menghasilkan kecepatan atau kemunduran waktu eksekusi algoritma yang konstan; sebuah PC 2 GHz lebih cepat dibandingkan PC 1 GHz, bahasa pemrograman yang dikompilasi memproses sepuluh kali lebih cepat daripada yang interpretasi, kode program yang rapi akan 30% lebih cepat daripada yang tidak rapi, dan sebagainya. Akan tetapi, algoritma yang lebih efisien akan menghasilkan kecepatan yang sebanding dengan ukuran masukannya. Selain itu, menganalisis efisiensi algoritma dapat juga dengan menunjukkan analisis worst case. Analisis worst case menentukan waktu eksekusi terlama (keadaan terburuk) suatu algoritma. Misalnya, pencarian dalam sebuah daftar (list), maka worst case-nya, objek yang dicari ditemukan (tidak ditemukan) dengan melewati seluruh daftar tersebut. Analisis worst case berguna karena bagaimanapun, waktu eksekusi algoritma tidak mungkin lebih lambat daripada batasan yang ditetapkan. Algoritma dengan worst case yang baik, waktu eksekusinya akan selalu lebih cepat.
4 Kriteria Analisis Algoritma Beberapa hal yang harus diperhatikan dalam menganalisis algoritma (Baase, 1988): 1. Kebenaran (Correctness) Ada tiga hal yang dipertimbangkan dalam membuktikan kebenaran suatu algoritma. Sebelum menentukan apakah algoritma tersebut adalah benar, harus dipahami dengan jelas definisi tentang benar. Benar dapat diartikan sebagai masukan yang diharapkan dan keluaran yang dihasilkan untuk setiap masukan. Untuk membuktikan kebenaran suatu program, program yang besar dan kompleks dapat dibagi dalam beberapa modul kecil. Sehingga, jika dapat dibuktikan bahwa modulmodul kecil adalah benar, maka seluruh program juga benar. 2. Jumlah Operasi yang Dilakukan (Amount of Work Done) Ukuran jumlah operasi yang dilakukan dapat digunakan untuk membandingkan dua algoritma untuk masalah yang sama, sehingga dapat ditentukan algoritma yang lebih efisien. Akan lebih baik jika ukuran jumlah operasi dapat menandakan waktu eksekusi yang sebenarnya dari kedua algoritma yang dibandingkan, namun sebaiknya tidak menggunakan waktu eksekusi karena beberapa alasan. Pertama, kecepatan pemrosesan setiap komputer berbeda. Kedua, setiap gaya pemrograman bervariasi dalam menghitung jumlah instruksi yang dieksekusi oleh program. Untuk menentukan efisiensi suatu algoritma, maka pengukuran harus terlepas dari penggunaan komputer dan gaya pemrograman yang bervariasi. Maka, efisiensi suatu
5 21 algoritma dapat diukur dengan menghitung jumlah operasi dasar yang dilakukan oleh algoritma tersebut. Misalnya, untuk menemukan x dalam daftar nama, maka operasi dasarnya adalah membandingkan x dengan setiap entri pada daftar tersebut. 3. Analisis Worst Case Jumlah operasi yang dilakukan tidak dapat digambarkan dengan sebuah nilai karena jumlah langkah tidak sama untuk setiap masukan. Misalnya, menyelesaikan dua belas sistem persamaan linier dapat menghemat pekerjaan jika banyak koefisiennya bernilai nol.dengan demikian, yang harus dilakukan adalah menghitung ukuran masukan untuk sebuah masalah. Misalnya, untuk menemukan x dalam daftar nama, maka masukannya adalah jumlah nama yang ada dalam daftar tersebut.namun, jika ukuran masukannya tetap, jumlah operasi yang dilakukan tergantung pada masukan tertentu. Dengan demikian, tingkah laku suatu algoritma dapat digambarkan sebagai kompleksitas worst case. 4. Optimal (Optimality) Untuk menganalisis suatu algoritma, biasanya selalu menggunakan kelas algoritma dan ukuran kompleksitas, misalnya, jumlah operasi dasar yang dilakukan. Sebuah algoritma disebut optimal (untuk worst case) jika tidak ada algoritma yang dapat melakukan operasi dasar yang lebih sedikit (untuk worst case). 5. Lower Bound
6 22 Untuk membuktikan bahwa suatu algoritma adalah optimal, tidak diperlukan menganalisis setiap algoritma. Dengan membuktikan teorema-teorema yang menentukan lower bound pada jumlah operasi yang diperlukan untuk menyelesaikan masalah, maka algoritma yang dapat melakukan jumlah operasi tersebut disebut optimal Analisis Program Ada dua hal yang diperhatikan dalam menganalisis sebuah program, yaitu waktu dan ruang. Waktu yaitu waktu yang diperlukan untuk mengeksekusi algoritma pada beberapa masukan. Ruang yaitu memori yang digunakan oleh algoritma ketika mengeksekusi masukan tersebut. Namun, analisis program ini akan lebih difokuskan pada analisis waktu Analisis Waktu Ada dua definisi umum tentang analisis waktu: 1. Waktu eksekusi program pada masukan tertentu adalah jumlah instruksi yang dijalankan oleh program pada masukan tersebut. Umumnya, ukuran masukan dinyatakan dengan n dan waktu eksekusinya sebagai fungsi dari n. Pada masukan n, waktu eksekusinya bervariasi tergantung pada masukan tertentu. Misalnya, pencarian dalam sebuah array, target mungkin saja berada pada elemen pertama, terakhir, atau bahkan tidak ditemukan.
7 23 2. Worst case waktu eksekusi algoritma pada masukan n adalah jumlah instruksi maksimum yang dieksekusi oleh algoritma untuk setiap masukan n tersebut. Worst case dinyatakan sebagai fungsi dari n. Umumnya, worst case menyatakan tingkat pertumbuhan (rate of growth) waktunya; yaitu seberapa cepat bertumbuh ketika n menjadi. Untuk pencarian linier pada array n, waktu eksekusinya bertumbuh secara linier dengan n. Jadi, rate of growth-nya adalah linier. Umumnya, order of growth dinyatakan dengan notasi big-o. Definisi big O: misalkan f dan g adalah dua buah fungsi dari bilangan bulat ke bilangan riil. Dapat dikatakan bahwa f(x) adalah O(g(x)) jika ada suatu konstanta C dan k sedemikian hingga f(x) C g(x), saat x > k. (Suksmono, 2010). Saat menganalisa pertumbuhan dari fungsi kompleksitas, f(x) dan g(x) selalu positif. Oleh karena itu, persyaratan big-o diatas dapat disederhanakan menjadi f(x) C g(x) saat x > k. 2.2 Bahasa Pemograman Bahasa program merupakan suatu wahana untuk menuangkan pikiran manusia yang dapat dimengerti oleh mesin komputer sehingga bernilai guna. Suatu bahasa program akan terikat aturan dari paradigma bahasa. Ada berbagai macam paradigma bahasa : Prosedural, Fungsional, Deklaratif, Object Oriented, Konkuren. Adapun konsep-konsep dasar dalam pemograman adalah sebagai berikut : a. Simulasi, sensibilitas terhadap masalah dan kemungkinan solusi. Kegiatan dilakukan di kelas, melalui permainan. Contoh : Mengurutkan tinggi badan
8 24 mahasiswa dari tinggi ke pendek atau sebaliknya. Permainan dapat dilakukan secara manual maupun dengan komputer. b. Analisis masalah secara lebih formal dan membuat spesifikasi dan algoritma dalam notasi yang ditetapkan. Mahasiswa harus menuliskan solusi algoritmiknya dalam notasi standar di kelas. Penulisan notasi algoritmik bertujuan untuk menyeragamkan pemahaman tentang algoritma program yang terbebas dari sintak (aturan) penulisan bahasa program. c. Menulis program, yaitu menterjemahkan notasi algoritmik ke dalam sintak bahasa program. d. Debugging dan menguji coba program. Hal ini bertujuan untuk mendapatkan program yang benar. Program dikatakan benar jika terbebas dari salah lojik dan sintak bahasa. Secara ideal mahasiswa hanya diberi kesempatan untuk me-run program sebanyak 2 kali : pertama untuk membersihkan program dari kesalahan sintak dan kedua untuk mendapatkan program benar. Pada tahap ini diharapkan tidak terjadi kesalahan lojik jika analisa benar. e. Mengamati peristiwa eksekusi, perlu dilakukan untuk meningkatkan kepercayaan bahwa jika analisa benar maka sisa pekerjaan menjadi mudah. Pada pemrograman prosedural, aspek ini penting untuk memahami fenomena eksekusi dan perubahaan nilai suatu struktur data. f. Membaca program : orang akan dapat menulis dengan baik kalau sering membaca. Hal ini juga berlaku dalam memprogram. Kegiatan yang dapat dilakukan di kelas adalah dengan saling tukar menukar teks algoritma, dan saling
9 25 mengkritik algoritma teman. Mahasiswa harus berlatih sendiri pada kegiatan belajar bersama. g. Membuktikan kebenaran program secara formal, satu-satunya hal yang menjamin kebenaran, tetapi kontradiktif dan sulit diterapkan dalam kehidupan sehari-hari. Program yang hanya lima baris pembuktiannya bisa sehalaman, sehingga seringkali tidak pernah diterapkan dalam aplikasi nyata. Aktifitas ini dicakup dalam matakuliah Analisis Algoritma. 2.3 Algoritma Genetika Pengertian Algoritma Genetika Algoritma genetika adalah suatu algoritma pencarian yang meniru mekanisme dari genetika alam. Algoritma Genetika banyak dipakai pada aplikasi bisnis, teknik maupun pada bidang keilmuan lainnya. Algoritma ini dimulai dengan kumpulan solusi yang disebut dengan populasi. Solusi-solusi dari sebuah populasi diambil dan digunakan untuk membentuk populasi yang baru. Hal ini dimotivasi dengan harapan bahwa populasi yang baru dibentuk tersebut akan lebih baik daripada yang lama. Solusi-solusi yang dipilih untuk membentuk solusisolusi yang baru dipilih sesuai dengan fitness mereka masingmasing (Juniawati, 2003). Dalam buku dengan judul Adaption in Natural and Artificial System yang terbit pada tahun 1975, prinsip algoritma genetika diambil dari teori Darwin yaitu setiap makhluk hidup akan menurunkan satu atau beberapa karakter ke anak atau keturunannya (Bambrick, 1997). Di dalam proses tersebut dapat terjadi variasi yang disebabkan karena
10 26 adanya mutasi, sehingga keturunan yang dihasilkan dapat mempunyai kelebihan bahkan tidak memiliki kekurangan dari orangtuanya. Setiap makhluk hidup akan mengalami seleksi alam, sehingga makhluk hidup yang mempunyai kemampuan untuk beradaptasi dengan lingkungan sekitarnya dapat bertahan sampai generasi selanjutnya. Semakin bagus atau sesuai fitness dari sebuah solusi maka solusi tersebut mempunyai peluang besar untuk dipilih. Proses ini dilakukan berulang sampai kondisi tertentu dipenuhi Beberapa Definisi Penting Dalam Algoritma Genetika 1. Genotype (Gen), sebuah nilai yang menyatakan satuan dasar yang membentuk suatu arti tertentu dalam satu kesatuan gen yang dinamakan kromosom. Dalam algoritma genetika, gen ini bisa berupa nilai biner, float, integer maupun karakter. 2. Allele, merupakan nilai dari gen 3. Kromosom, gabungan gen-gen yang membentuk nilai tertentu. 4. Individu, menyatakan satu nilai atau keadaan yang menyatakan salah satu solusi yang mungkin dari permasalahan yang diangkat 5. Populasi, merupakan sekumpulan individu yang akan diproses bersama dalam satu siklus proses evolusi. 6. Generasi, menyatakan satu-satuan siklus proses volusi 7. NilaiFitness, menyatakan seberapa baik nilai dari suatu individu atau solusiyang didapatkan Dasar Algoritma Genetika
11 27 Algoritma genetika pertama kali dikemukakan oleh John Holland awal tahun John Holland mengemukakan bahwa algoritma genetika merupakan program komputer yang meniru proses evolusi alam. Kerangka dasar dari algoritma genetika sering disebut Simple Genetic Algorithm oleh John Holland dinyatakan sebagai berikut (Bambrick, 1997) 1. [Start],Generasi populasi pertama secara random sebanyak n individu. 2. [Fitness], Evaluasi nilai fitness f(x) dari setiap individu x didalam populasi. 3. [New Population], Bentuk populasi baru dengan melakukan pengulangan langkahlangkah dibawah ini sehingga didapatkan populasi baru. a. [Selection], Pilih 2 individu sebagai orangtua dari sebuah populasi sesuai dengan fitness mereka (Semakin baik fitness, maka semakin besar peluang mereka untuk dipilih). b. [Crossover], Lakukan persilangan antara kedua orangtua sesuai dengan probabilitas crossover untuk membentuk keturunan yang baru. Jika tidak terjadi persilangan maka keturunan yang dihasilkan akan sama persis dengan orangtuanya. c. [Mutation], Mutasi setiap keturunan yang baru sesuai dengan probabilitas mutasi di setiap gen. d. [Accepting], Tempatkan keturunan yang baru sebagai populasi yang baru. 4. [Replace], Gunakan populasi yang baru dibentuk untuk menjalankan algoritma. 5. [Test], Jika kondisi akhir dipenuhi maka berhenti dan tampilkan solusi dari populasi. 6. [Loop], Kembali ke nomor 2.
12 Penerapan Algoritma Genetika Membangun Generasi Awal Langkah pertama dalam algoritma ini adalah membentuk sejumlah populasi awal yang digunakan untuk mencari penyelesaian optimal. Populasi awal yang dibangun dalam tugas akhir ini dengan menggunakan bilangan random (acak) dengan range bilangan yang telah ditentukan (Mitchell 2007) Representasi Kromosom Algoritma genetika tidak beroperasi dengan penyelesaian asli dari suatu masalah tetapi beroperasi dengan dengan penyelesaian yang telah di representasikan. Representasi kromosom merupakan proses pengkodean dari penyelesaian asli dari suatu permasalahan. Pengkodean kandidat penyelesaian ini disebut dengan kromosom. Pengkodean tersebut meliputi penyandian gen, dengan satu gen mewakili satu variabel (Mitchell 2007) Fungsi Fitness Fungsi fitness digunakan untuk proses evaluasi kromosom agar memperoleh kromosom yang diinginkan. Fungsi ini membedakan kualitas dari kromosom untuk mengetahui seberapa baik kromosom yang dihasilkan. Fungsi fitness tersebut sebagai berikut (Hermanto 2003). Fitness = Dari persamaan diatas nilai fitness ditentukan oleh nilai penalty. Penalty tersebut
13 29 menunjukkan jumlah pelanggaran kendala pada suatu kromosom. Semakin tinggi nilai fitness akan semakin besar kemungkinan kromosom tersebut terpilih ke generasi berikutnya. Jadi nilai penalty berbanding terbalik dengan nilai fitness, semakin kecil nilai penalty (jumlah pelanggaran) semakin besar nilai fitnessnya. Jadi fungsi fitness : Keterangan: Bp=Bobot pelanggaran Np=Indikator Pelanggaran Seleksi Setiap kromosom yang terdapat dalam populasi akan melalui proses seleksi untuk dipilih menjadi orangtua. Sesuai dengan teori Evolusi Darwin maka kromosom yang baik akan bertahan dan menghasilkan keturunan yang baru untuk generasi selanjutnya. Ada beberapa metode seleksi (Juniawati, 2003), yaitu a. Steady-State Selection Pemikiran utama dari metode seleksi ini adalah sebagian kromosom dari generasi lama tetap bertahan atau berada di generasi selanjutnya. Algoritma genetika menerapkan pemikiran tersebut dengan cara, didalam setiap generasi sejumlah kromosom yang mempunyai nilai fitness tinggi dipilih untuk diproses untuk menghasilkan keturunan yang baru sedangkan kromosom dengan nilai fitness rendah dibuang.
14 30 b. Elitism Pembentukan populasi baru dengan crossover dan mutasi ada kemungkinan kromosom yang paling baik hilang. Oleh karena itu metode ini sebagai tahap awal memasukkan kromosom dengan nilai fitness yang paling baik atau beberapa kromosom dengan nilai fitnes yang tinggi atau cukup tinggi dari generasi yang lama kedalam generasi yang baru. Kemudian sisa kromosom dalam generasi yang baru diperoleh dengan cara reproduksi biasa. c. Roulette Wheel Selection Kromosom dipilih berdasarkan nilai fitness, semakin besar nilai fitness maka kromosom tersebut mempunyai peluang untuk dipilih beberapa kali Operator Genetika Operator genetika dipergunakan untuk mengkombinasi (modifikasi) individu dalam aliran populasi guna mencetak individu pada generasi berikutnya. Ada dua operator genetika yaitu crossover dan mutation (Juniawati, 2003). 1. Persilangan (Crossover ) Operator persilangan merupakan operasi yang bekerja untuk menggabungan dua kromosom orangtua (parent) menjadi kromosom baru (offspring). Tidak semua kromosom mengalami persilangan. Jumlah kromosom dalam populasi yang mengalami persilangan ditentukan oleh paramater yang disebut dengan crossover rate (probabilitas persilangan). Jenis operator persilangan yaitu: a. One point crossover
15 31 Sebuah titik crossover dipilih, selanjutnya string biner mulai dari awal kromosom sampai dengan titik tersebut disalin dari salah satu orangtua ke keturunannya, kemudian sisa bit keturunan disalin dari orangtua yang kedua. b. Two point crossover Dua titik crossover dipilih, selanjutnya string biner mulai dari awal kromosom sampai dengan titik crossover pertama disalin dari salah satu orangtua ke keturunannya kemudian mulai dari titik crossover pertama sampai dengan titik kedua disalin dari orangtua kedua. Sisanya disalin dari orangtua pertama. Contoh : = Contoh : = Mutasi Setelah crossover dilakukan, proses reproduksi dilanjutkan dengan mutasi. Hal ini dilakukan untuk menghindari solusi-solusi dalam populasi mempunyai nilai lokal optimum. Mutasi adalah proses mengubah gen dari keturunan secara random. Untuk pengkodean biner maka mutasi mengubah bit 0 menjadi bit 1 dan bit 1 menjadi bit 0. Contoh : ? Tidak setiap gen selalu dimutasi tetapi mutasi dikontrol dengan probabilitas tertentu yang disebut dengan mutation rate (probabilitas mutasi) dengan notasi Pm. Jenis operator mutasi antara lain: a. Mutasi Terarah Mutasi terarah tergantung dari informasi gen. Informasi gen tersebut berupa nilai pelanggaran gen (violation score). Ini berarti bahwa setiap gen
16 32 mempunyai peluang yang berbeda untuk terjadi mutasi. Gen yang mempunyai nilai pelanggaran yang lebih besar maka gen tersebut mempunyai peluang untuk terjadi mutasi. Mutasi ini menghubungkan nilai pelanggaran relatif (nilai pelanggaran suatu gen dibagi dengan nilai pelanggaran total suatu kromosom) dengan probabilitas terjadinya mutasi dari suatu gen pada kromosom. Hubungan tersebut dinyatakan secara matematis sebagai berikut: Keterangan persamaan: nr(i) ntotal pm(i) pm = nilai pelanggaran relative gen ke-i. = nilai pelanggaran total kromosom. = probabilitas mutasi gen ke-i. = probabilitas mutasi b. Mutasi Biasa Mutasi ini tidak tergantung dari informasi gen. Setiap gen mempunyai peluang yang sama untuk terjadi mutasi Parameter Genetika yaitu: Pengoperasian algoritma genetika dibutuhkan 4 parameter (Juniawati, 2003)
17 33 1. Probabilitas Persilangan (Probability Crossover) Menunjukkan kemungkinan crossover terjadi antara 2 kromosom. Jika tidak terjadi crossover maka keturunannya akan sama persis dengan kromosom orangtua, tetapi tidak berarti generasi yang baru akan sama persis dengan generasi yang lama. Jika probabilitas crossover 100% maka semua keturunannya dihasilkan dari crossover. Crossover dilakukan dengan harapan bahwa kromosom yang baru akan lebih baik. 2. Probabilitas Mutasi (Probability Mutation) Menunjukkan kemungkinan mutasi terjadi pada gen-gen yang menyusun sebuah kromosom. Jika tidak terjadi mutasi maka keturunan yang dihasilkan setelah crossover tidak berubah. Jika terjadi mutasi bagian kromosom akan berubah. Jika probabilitasnya 100 %, semua kromosom dimutasi. Jika probabilitasnya 0%, tidak ada yang mengalami mutasi. 3. Jumlah Individu Menunjukkan jumlah kromosom yang terdapat dalam populasi (dalam satu generasi). Jika hanya sedikit kromosom dalam populasi maka algoritma genetika akan mempunyai sedikit variasi kemungkinan untuk melakukan crossover antara orangtua karena hanya sebagian kecil dari search space yang dipakai. Sebaliknya jika terlalu banyak maka algoritma genetika akan berjalan lambat. 4. Jumlah Populasi Menentukan jumlah populasi atau banyaknya generasi yang dihasilkan, digunakan sebagai batas akhir proses seleksi, persilangan, dan mutasi. 2.5 Penjadwalan Kuliah
18 34 Penjadwalan kuliah merupakan kegiatan yang mengawali pergantian semester di setiap perguruan tinggi. Proses ini harus memperhitungkan banyaknya mata kuliah, ketersediaan ruang, dan rentang waktu yang digunakan. Inti dari penjadwalan kuliah adalah menjadwalkan beberapa komponen yang terdiri dari mata kuliah, ruang, dan waktu dengan memperhatikan sejumlah batasan dan syarat tertentu. Permasalahan yang dihadapi penjadwal terletak pada lebih banyaknya mata kuliah yang harus dijadwalkan daripada ruang yang tersedia, kesesuaian kebutuhan perkuliahan dengan fasilitas ruangnya, kapasitas ruang yang harus sesuai dengan jumlah mahasiswa, serta keinginan pengajar untuk mengajar pada suatu hari atau jam tertentu. Sejumlah algoritma dikembangkan untuk menyelesaikan masalah ini, salah satu dari algoritma tersebut adalah algoritma genetik. Dalam pengaturan jadwal kuliah ini, maka staf Tata Usaha melalui beberapa tahapan,tahapan-tahapannya adalah dengan mendata beberapa hal, yaitu waktu kuliah, kurikulum kuliah, pengajar kuliah, kelas-kelas yang dibuka, dan prioritas-prioritas yang dipakai. Baru kemudian mengatur dan memasukkannya kedalam jadwal kuliah. Dan yang terakhir mengevaluasi apakah prioritas-prioritas yang ada sudah dipenuhi atau belum
BAB 2 LANDASAN TEORI. 2.1 Algoritma
13 BAB 2 LANDASAN TEORI 2.1 Algoritma Dalam matematika dan komputasi, algoritma merupakan kumpulan perintah untuk menyelesaikan suatu masalah. Perintah-perintah ini dapat diterjemahkan secara bertahap
Lebih terperinciOPTIMASI PENJADWALAN KEGIATAN BELAJAR MENGAJAR DENGAN ALGORITMA GENETIK
OPTIMASI PENJADWALAN KEGIATAN BELAJAR MENGAJAR DENGAN ALGORITMA GENETIK Usulan Skripsi S-1 Jurusan Matematika Diajukan oleh 1. Novandry Widyastuti M0105013 2. Astika Ratnawati M0105025 3. Rahma Nur Cahyani
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Penjadwalan Perkuliahan Penjadwalan memiliki pengertian durasi dari waktu kerja yang dibutuhkan untuk melakukan serangkaian untuk melakukan aktivitas kerja[10]. Penjadwalan juga
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Travelling Salesman Problem (TSP) Travelling Salesmen Problem (TSP) termasuk ke dalam kelas NP hard yang pada umumnya menggunakan pendekatan heuristik untuk mencari solusinya.
Lebih terperinciBAB 2 LANDASAN TEORI. 2.1 Algoritma Genetika
6 BAB 2 LANDASAN TEORI 2.1 Algoritma Genetika Algoritma genetika merupakan metode pencarian yang disesuaikan dengan proses genetika dari organisme-organisme biologi yang berdasarkan pada teori evolusi
Lebih 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 terperinciLingkup Metode Optimasi
Algoritma Genetika Lingkup Metode Optimasi Analitik Linier Non Linier Single Variabel Multi Variabel Dgn Kendala Tanpa Kendala Numerik Fibonacci Evolusi Complex Combinasi Intelijen/ Evolusi Fuzzy Logic
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tinjauan Pustaka (Samuel, Toni & Willi 2005) dalam penelitian yang berjudul Penerapan Algoritma Genetika untuk Traveling Salesman Problem Dengan Menggunakan Metode Order Crossover
Lebih terperinciBAB II LANDASAN TEORI
27 BAB II LANDASAN TEORI 2.1. Penelitian Terkait Penelitian terkait yang menggunakan algoritma genetika untuk menemukan solusi dalam menyelesaikan permasalahan penjadwalan kuliah telah banyak dilakukan.
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Penjadwalan Penjadwalan adalah penempatan sumber daya (resource) dalam satu waktu. Penjadwalan mata kuliah merupakan persoalan penjadwalan yang umum dan sulit dimana tujuannya
Lebih terperinciBAB 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 terperinciBAB 2 DASAR TEORI. 2.1 Teka-Teki Silang
BAB 2 DASAR TEORI 2.1 Teka-Teki Silang Teka-teki silang atau disingkat TTS adalah suatu permainan yang mengharuskan penggunanya untuk mengisi ruang-ruang kosong dengan huruf-huruf yang membentuk sebuah
Lebih terperinciALGORITMA 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 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 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 terperinciERWIEN TJIPTA WIJAYA, ST.,M.KOM
ERWIEN TJIPTA WIJAYA, ST.,M.KOM DEFINISI ALGEN adalah algoritma yang memanfaatkan proses seleksi alamiah yang dikenal dengan evolusi Dalam evolusi, individu terus menerus mengalami perubahan gen untuk
Lebih terperinciBAB III. 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 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 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 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 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 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 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 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 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 terperinciPERFORMANCE ALGORITMA GENETIKA (GA) PADA PENJADWALAN MATA PELAJARAN
PERFORMANCE ALGORITMA GENETIKA (GA) PADA PENJADWALAN MATA PELAJARAN Eva Desiana, M.Kom Pascasarjana Teknik Informatika Universitas Sumatera Utara, SMP Negeri 5 Pematangsianta Jl. Universitas Medan, Jl.
Lebih terperinciAlgoritma Genetika dan Penerapannya dalam Mencari Akar Persamaan Polinomial
Algoritma Genetika dan Penerapannya dalam Mencari Akar Persamaan Polinomial Muhammad Abdy* 1, Maya Sari Wahyuni* 2, Nur Ilmi* 3 1,2,3 Jurusan Matematika, Universitas Negeri Makassar e-mail: * 1 m.abdy@unm.ac.id,
Lebih terperinciImplementasi Algoritma Genetika dalam Pembuatan Jadwal Kuliah
Implementasi Algoritma Genetika dalam Pembuatan Jadwal Kuliah Leonard Tambunan AMIK Mitra Gama Jl. Kayangan No. 99, Duri-Riau e-mail : leo.itcom@gmail.com Abstrak Pada saat ini proses penjadwalan kuliah
Lebih terperinciBab 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 terperinciBAB II LANDASAN TEORI. digunakan sebagai alat pembayaran yang sah di negara lain. Di dalam
BAB II LANDASAN TEORI 2.1 Valuta Asing Valuta asing dapat diartikan sebagai mata uang yang dikeluarkan dan digunakan sebagai alat pembayaran yang sah di negara lain. Di dalam hukum ekonomi bila terdapat
Lebih 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 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 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 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
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 terperinciZbigniew M., Genetic Alg. + Data Structures = Evolution Program, Springler-verlag.
Zbigniew M., Genetic Alg. + Data Structures = Evolution Program, Springler-verlag. 12/11/2009 1 Ditemukan oleh Holland pada tahun 1975. Didasari oleh fenomena evolusi darwin. 4 kondisi yg mempengaruhi
Lebih 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 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 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 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 terperinciOPTIMASI PENJADWALAN CERDAS MENGGUNAKAN ALGORITMA MEMETIKA
OPTIMASI PENJADWALAN CERDAS MENGGUNAKAN ALGORITMA MEMETIKA Muhammad Arief Nugroho 1, Galih Hermawan, S.Kom., M.T. 2 1, 2 Universitas Komputer Indonesia Jl. Dipatiukur No. 112-116, Bandung 40132 E-mail
Lebih terperinciPendekatan Algoritma Genetika pada Peminimalan Fungsi Ackley menggunakan Representasi Biner
Vol. 7, 2, 108-117, Januari 2011 Pendekatan Algoritma Genetika pada Peminimalan Fungsi Ackley menggunakan Representasi Biner Jusmawati Massalesse Abstrak Tulisan ini dimaksudkan untuk memperlihatkan proses
Lebih terperinciBAB 2 LANDASAN TEORI
36 BAB 2 LANDASAN TEORI 2.1 Pengurutan Pekerjaan (Job Sequencing) 2.1.1 Deskripsi Umum Dalam industri manufaktur, tujuan penjadwalan ialah untuk meminimasikan waktu dan biaya produksi, dengan cara mengatur
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Algoritma Genetika Algoritma Genetika merupakan suatu algoritma yang terinspirasi dari teori evolusi Darwin yang menyatakan bahwa kelangsungan hidup suatu makhluk dipengaruhi
Lebih 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 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 terperinciOPTIMALISASI SOLUSI TERBAIK DENGAN PENERAPAN NON-DOMINATED SORTING II ALGORITHM
OPTIMALISASI SOLUSI TERBAIK DENGAN PENERAPAN NON-DOMINATED SORTING II ALGORITHM Poetri Lestari Lokapitasari Belluano poe3.setiawan@gmail.com Universitas Muslim Indonesia Abstrak Non Dominated Sorting pada
Lebih 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 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 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 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 terperinciTeam project 2017 Dony Pratidana S. Hum Bima Agus Setyawan S. IIP
Hak cipta dan penggunaan kembali: Lisensi ini mengizinkan setiap orang untuk menggubah, memperbaiki, dan membuat ciptaan turunan bukan untuk kepentingan komersial, selama anda mencantumkan nama penulis
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
20 BAB 2 TINJAUAN PUSTAKA 2.1. Pengantar Algoritma genetika merupakan algoritma yang lahir dari sebuah inspirasi teori evolusi Darwin yang mengatakan anggota dari spesies yang lemah lambat laun akan mengalami
Lebih terperinciIMPLEMENTASI ALGORITMA GENETIKA UNTUK PENCARIAN RUTE PALING OPTIMUM
IMPLEMENTASI ALGORITMA GENETIKA UNTUK PENCARIAN RUTE PALING OPTIMUM Anies Hannawati, Thiang, Eleazar Fakultas Teknologi Industri, Jurusan Teknik Elektro, Universitas Kristen Petra Jl. Siwalankerto 121-131,
Lebih terperinciBAB II KAJIAN PUSTAKA. Pada bab kajian pustaka berikut ini akan dibahas beberapa materi yang meliputi
BAB II KAJIAN PUSTAKA Pada bab kajian pustaka berikut ini akan dibahas beberapa materi yang meliputi graf, permasalahan optimasi, model matematika dari objek wisata di Yogyakarta, dan algoritma genetika
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Teka-Teki Silang Teka-teki silang merupakan permainan sederhana yang banyak dimainkan dari berbagai kalangan. Cara bermain permaian ini memang sederhana, hanya merangkaikan jawaban
Lebih terperinciKNAPSACK PROBLEM DENGAN ALGORITMA GENETIKA
LAPORAN TUGAS BESAR ARTIFICIAL INTELLEGENCE KNAPSACK PROBLEM DENGAN ALGORITMA GENETIKA Disusun Oleh : Bayu Kusumo Hapsoro (113050220) Barkah Nur Anita (113050228) Radityo Basith (113050252) Ilmi Hayyu
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Jadwal Jadwal merupakan pembagian waktu berdasarkan rencana pengaturan urutan kerja, daftar atau rencana kegiatan dengan pembagian waktu pelaksanaan terperinci, sedangkan penjadwalan
Lebih terperinciPerbandingan Algoritma Exhaustive, Algoritma Genetika Dan Algoritma Jaringan Syaraf Tiruan Hopfield Untuk Pencarian Rute Terpendek
Perbandingan Algoritma Exhaustive, Algoritma Genetika Dan Algoritma Jaringan Syaraf Tiruan Hopfield Untuk Pencarian Rute Terpendek Rudy Adipranata 1, Felicia Soedjianto 2, Wahyudi Tjondro Teknik Informatika,
Lebih 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 TINJAUAN PUSTAKA
5 BAB 2 TINJAUAN PUSTAKA 2.1. Algoritma Genetika Pada tahun 1975, John Holland, di dalam bukunya yang berjudul Adaption in Natural and Artificial Systems, mengemukakan komputasi berbasis evolusi. Tujuannya
Lebih terperinciOptimasi Metode Fuzzy Dengan Algoritma Genetika Pada Kontrol Motor Induksi
Optimasi Metode Fuzzy Dengan Algoritma Genetika Pada Kontrol Motor Induksi Rahman Aulia Universitas Sumatera Utara Pasca sarjana Fakultas Ilmu Komputer Medan, Indonesia Rahmanaulia50@gmail.com Abstract
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Konsep Dasar Sistem dan Informasi 2.1.1 Sistem Menurut Sutabri (2004), bahwa sistem adalah sekelompok unsur yang erat hubungannya satu dengan yang lainnya berfungsi untuk mencapai
Lebih terperinciALGORITMA GENETIKA DENGAN PENDEKATAN MODEL PULAU PADA PERMASALAHAN TRAVELLING SALESMAN
ALGORITMA GENETIKA DENGAN PENDEKATAN MODEL PULAU PADA PERMASALAHAN TRAVELLING SALESMAN Hardy STMIK Mikroskil Jl. Thamrin No. 112, 124, 140 Medan 20212 hardy@mikroskil.ac.id Abstrak Algoritma genetika telah
Lebih terperinciBAB II KAJIAN TEORI. berkaitan dengan optimasi, pemrograman linear, pemrograman nonlinear, quadratic
BAB II KAJIAN TEORI Kajian teori pada bab ini membahas tentang pengertian dan penjelasan yang berkaitan dengan optimasi, pemrograman linear, pemrograman nonlinear, quadratic programming dan algoritma genetika.
Lebih terperinciPERBANDINGAN ALGORITMA EXHAUSTIVE, ALGORITMA GENETIKA DAN ALGORITMA JARINGAN SYARAF TIRUAN HOPFIELD UNTUK PENCARIAN RUTE TERPENDEK
PERBANDINGAN ALGORITMA EXHAUSTIVE, ALGORITMA GENETIKA DAN ALGORITMA JARINGAN SYARAF TIRUAN HOPFIELD UNTUK PENCARIAN RUTE TERPENDEK Rudy Adipranata 1) Felicia Soedjianto 2) Wahyudi Tjondro Teknik Informatika,
Lebih terperinciBAB II LANDASAN TEORI. Tahun 2001 pemilik CV. Tunas Jaya membuka usaha di bidang penjualan dan
BAB II LANDASAN TEORI 2.1 Sejarah Perusahaan Tahun 2001 pemilik CV. Tunas Jaya membuka usaha di bidang penjualan dan pengadaan suku cadang computer. Dalam bidang tersebut diharuskan berbadan hukum PD,
Lebih 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 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 terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Konsep Umum Optimasi Optimasi merupakan suatu cara untuk menghasilkan suatu bentuk struktur yang aman dalam segi perencanaan dan menghasilkan struktur yang
Lebih 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 LANDASAN TEORI. 2.1 Algoritma Genetika Dan Rapid Application Development (RAD)
BAB II LANDASAN TEORI 2.1 Algoritma Genetika Dan Rapid Application Development (RAD) 2.1.1 Algoritma Genetika Algoritma ini ditemukan di Universitas Michigan, Amerika Serikat oleh John Holland (1975) melalui
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 terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Pada saat sekarang ini, setiap perusahaan yang ingin tetap bertahan dalam persaingan dengan perusahaan lainnya, harus bisa membuat semua lini proses bisnis perusahaan tersebut
Lebih 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
6 BAB II LANDASAN TEORI 2.1 Penjadwalan Menurut Dian (2011), penjadwalan merupakan proses untuk menyusun suatu jadwal atau urutan proses yang diperlukan dalam sebuah persoalan. Persoalan penjadwalan biasanya
Lebih terperinciBAB I PENDAHULUAN. telah diadopsi untuk mengurangi getaran pada gedung-gedung tinggi dan struktur
BAB I PENDAHULUAN 1.1 Latar Belakang Tuned mass damper (TMD) telah banyak digunakan untuk mengendalikan getaran dalam sistem teknik mesin. Dalam beberapa tahun terakhir teori TMD telah diadopsi untuk mengurangi
Lebih 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 I PENDAHULUAN. berjalan sesuai dengan yang telah di rencanakan. penjadwalan ini merupakan proses yang menyulitkan karena proses ini
BAB I PENDAHULUAN 1.1 Latar Belakang Penjadwalan merupakan kegiatan yang harus dimiliki oleh seseorang untuk membantu aktivitas dalam kehidupan sehari-hari. Terlebih sebuah instansi atau lembaga yang memiliki
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 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 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 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 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 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 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 terperincidan c C sehingga c=e K dan d K D sedemikian sehingga d K
2. Landasan Teori Kriptografi Kriptografi berasal dari kata Yunani kripto (tersembunyi) dan grafia (tulisan). Secara harfiah, kriptografi dapat diartikan sebagai tulisan yang tersembunyi atau tulisan yang
Lebih terperinciBab IV Simulasi dan Pembahasan
Bab IV Simulasi dan Pembahasan IV.1 Gambaran Umum Simulasi Untuk menganalisis program pemodelan network flow analysis yang telah dirancang maka perlu dilakukan simulasi program tersebut. Dalam penelitian
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 terperinciPenjadwalan kegiatan merupakan pekerjaan yang tidak mudah, karena dalam. penyusunannya memerlukan perencanaan yang matang agar kegiatan tersebut
BAB I PENDAHULUAN A. Latar Belakang Penjadwalan kegiatan merupakan pekerjaan yang tidak mudah, karena dalam penyusunannya memerlukan perencanaan yang matang agar kegiatan tersebut terlaksana dengan optimal.
Lebih 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 terperinciGenerator Jadwal Perkuliahan Menggunakan Algoritma Genetika
Generator Jadwal Perkuliahan Menggunakan Algoritma Genetika Zainal Akbar 1), Muh. Fajri Raharjo 2), Eddy Tungadi 3) CAIR, Politeknik Negeri Ujung Pandang Jl. Perintis Kemerdekaan km. 10, Tamalanrea Makassar,
Lebih terperinciRancang Bangun Aplikasi Prediksi Jumlah Penumpang Kereta Api Menggunakan Algoritma Genetika
1 Rancang Bangun Aplikasi Prediksi Jumlah Penumpang Kereta Api Menggunakan Algoritma Genetika Annisti Nurul Fajriyah Politeknik Elektronika Negeri Surabaya Institut Teknologi Sepuluh Nopember (ITS) Surabaya
Lebih 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 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 terperinciPENERAPAN ALGORITMA GENETIK UNTUK OPTIMASI DENGAN MENGUNAKAN PENYELEKStAN RODA ROULETTE
PENERAPAN ALGORTMA GENETK UNTUK OPTMAS DENGAN MENGUNAKAN PENYELEKStAN RODA ROULETTE Samuel Lukas, M.Tech." Abstract The purpose of this paper is to introducing genetic algorithm. This algorithm is one
Lebih terperinciOPTIMASI 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 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 terperinciPERANCANGAN ALGORITMA GENETIKA DALAM PENYUSUNAN TEKA-TEKI SILANG
PERANCANGAN ALGORITMA GENETIKA DALAM PENYUSUNAN TEKA-TEKI SILANG Afen Prana Utama 1, Edison Sinaga 1 D-3 Manajemen Informatika - STMIK Mikroskil Medan afen@mikroskil.ac.id Abstrak Teka-teki silang merupakan
Lebih 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 terperinci