BAB II LANDASAN TEORI. Suatu graph merupakan suatu pasangan { E(G), V(G) } dimana :
|
|
- Utami Hermanto
- 7 tahun lalu
- Tontonan:
Transkripsi
1 BAB II LANDASAN TEORI 2.1 Defenisi Graph Suatu graph merupakan suatu pasangan { E(G), V(G) } dimana : V(G) adalah sebuah himpunan terhingga yang tidak kosong ( non empty finite set) yang elemennya disebut vertek (point/simpul/bahul). E(G) adalah suatu family dengan elemen-elemennya adalah pasangan yang tidak berurut dari vertek V(G) yang disebut dengan edge (line/rusuk). Secara umum suatu graph dengan p vertek dan q edge disebut sebuah (p,q) graph yang dapat ditulis G (p,q) Graph Terhubung (Connected Graph) Sebuah graph dikatakan terhubung apabila setiap pasang 2 vertek dari graph G terdapat sedikitnya sebuah edge (lintasan). Graph terhubung dapat digambarkan sebagai berikut : V 1 V 2 V 5 V 6 V 3 V 4 V 8 V 7 Gambar 2.1. Graph terhubung Graph Tak Berarah (undirected graph) Berdasarkan jenis garis-garisnya, graph dibedakan menjadi 2 kategori yaitu Graph Tak Berarah (Undirected Graph) dan Graph Berarah (Directed Graph =
2 Digraph). Dalam permasalahan yang akan dibahas, penulis menggunakan Graph Tak Berarah yang akan diuraikan dalam sub-bab ini Graph Sederhana (Simple Graph) Graph sederhana (simple graph) adalah graph yang tidak mempunyai loop ataupun garis paralel. Graph sederhana dapat digambarkan sebagai berikut : A A E B C B C D F Gambar 2.2: Graph sederhana Graph Lengkap (Complete Graph) Graph lengkap dengan n titik (simbol K n ) adalah graph sederhana dengan n titik dimana setiap 2 titik berbeda dihubungkan dengan suatu garis. Banyaknya garis nn ( 1) dalam suatu graph lengkap dengan n titik adalah buah. Maka sebuah graph 2 nn ( 1) lengkap dapat dirumuskan sebagai berikut : Kn =. 2 Gambar 2.3 : Graph lengkap dengan K 5
3 2.2 VRP (Vehicle Routing Problem) Andaikan ada satu jenis komoditi ditempatkan disebuah depot (i=0) dengan K kendaraan (vehicle) yang berpangkalan di depot tersebut yang mempunyai kapasitas sama yaitu W. Andaikan ada N pelanggan (customer) dinyatakan dengan i=1,2,3,,n dengan masing-masing permintaan sebesar d i, 1 i N, jarak antara dua lokasi i dan j diketahui sebesar c ij, jarak tempuh maksimum yang diijinkan adalah T. Masalah utama dalam masalah vehicle routing ini adalah bagaimana menentukan rute untuk K kendaraan tersebut sedemikian sehingga setiap pelanggan terlayani tepat satu kendaraan, permintaan terpenuhi, muatan sepanjang rute tidak melampaui kapasitas W, panjang rute dari depot keliling kembali ke depot lagi tidak melampaui T dan akhirnya jumlah total panjang rute seluruh K kendaraan minimum. Bentuk graph dari permasalahan vrp dapat digambarkan sebagai berikut : V 8 V 1 V 7 DEPOT V 6 V 2 V 3 V 5 V 4 Gambar 2.4 : Rute Perjalanan Vehicle Formulasi Matematika VRP Formulasi matematika dari masalah vehicle routing adalah sebagai berikut : min z c x N N K = ij ijk i= 0 j= 0 k= 1
4 dengan kendala : N i= 0 k= 1 N ilk i= 0 j= 0 N j= 1 K 0 jk x = 1 j = 1,2... N ijk N x x = 0 k = 1,2... K ljk l = 0,1... N x = 1 k = 1,2... K N N d xijk W k = 1,2... K i i= 1 j= 0 N N i= 0 j= 0 c. x T k = 1,2... K ij ijk K y y + N x = 1 N 1 i j = 1,2... N i j ijk k = 1 1, bila kendaraan k melayani j setelah melayani i. x ijk = 0, bila tidak demikian Jenis-Jenis Vehicle Routing Problem Pada permasalahan vrp dapat kita temukan berbagai kombinasi jenis elemen yang merupakan masalah dasar dari vehicle routing. Jenis-jenis kombinasi dasar dari vehicle routing yang telah diperkenalkan antara lain Capacitated Vehicle Routing Problem (CVRP), the VRP with Time Windows (VRPTW), Time Dependent variant (TDVRPTW), the VRP with Pickup and Delivery (VRPPD), dan the Dynamic VRP (DVRP).
5 2.3 Algoritma Genetika Algoritma Genetika merupakan suatu algoritma yang terinspirasi dari teori evolusi Darwin yang menyatakan bahwa kelangsungan hidup suatu makhluk dipengaruhi aturan bahwa yang kuat adalah yang menang. Algoritma Genetika merupakan algoritma pencarian hasil terbaik yang berdasarkan atas perkawinan dan seleksi gen secara alami. Algortima genetika (AG) pertama kali dirintis oleh John Holland dari Universitas Michigan pada tahun 1960-an, algoritma genetika telah diaplikasikan secara luas pada berbagai bidang. Algoritma genetika banyak digunakan untuk memecahkan masalah optimasi, walaupun pada kenyataannya juga memiliki kemampuan yang baik untuk masalah-masalah selain optimasi. John Holland menyatakan bahwa setiap masalah yang berbentuk adaptasi (alami maupun buatan) dapat diformulasikan dalam terminologi genetika. Pada algoritma genetika, teknik pencarian dilakukan sekaligus atas sejumlah solusi yang mungkin dikenal dengan istilah populasi. Individu yang terdapat dalam satu populasi disebut dengan istilah kromosom. Kromosom ini merupakan suatu solusi yang masih berbentuk simbol. Populasi awal dibangun secara acak, sedangkan populasi berikutnya merupakan hasil evolusi kromosom-kromosom melalui iterasi yang disebut dengan generasi. Pada setiap generasi, kromosom akan melalui proses evaluasi dengan menggunakan alat ukur yang disebut dengan fungsi fitness. Nilai fitness dari suatu kromosom akan menunjukkan kualitas dari kromosom dalam populasi tersebut. Generasi berikutnya dikenal dengan istilah anak (offspring) terbentuk dari gabungan dua kromosom generasi sekarang yang bertindak sebagai induk (parent) dengan menggunakan operator penyilangan (crossover). Selain operator penyilangan, suatu kromosom dapat juga dimodifikasi dengan menggunakan operator mutasi. Populasi generasi yang baru dibentuk dengan cara menyeleksi nilai fitness dari kromosom induk (parent) dan nilai fitness dari kromosom anak (offspring), serta menolak kromosom-kromosom yang lainnya sehingga ukuran populasi (jumlah kromosom dalam suatu populasi) konstan. Setelah melalui beberapa generasi, maka Algoritma Genetika akan konvergen ke kromosom yang terbaik.
6 2.3.1 Komponen-komponen Algoritma Genetika Pada dasarnya algoritma genetika memiliki 7 komponen, antara lain : a. Pendefenisian Individu Pendefenisian individu merupakan proses pertama yang harus dilakukan dalam Algoritma Genetika yang menyatakan salah satu solusi yang mungkin dari suatu permasalahan yang diangkat. Pendefenisian individu dilakukan dengan mendefenisikan jumlah dan tipe dari gen yang digunakan dan tentunya dapat mewakili solusi permasalahan yang diangkat. Sebuah kromosom dibentuk dari komponen-komponen penyusun yang disebut sebagai gen dan nilainya dapat berupa bilangan numerik, biner, simbol ataupun karakter tergantung dari permasalahan yang ingin diselesaikan. b. Nilai Fitness Suatu individu dievaluasi berdasarkan suatu fungsi tertentu sebagai ukuran performansinya. Di dalam evolusi alam, individu yang bernilai fitness tinggi yang akan bertahan hidup. Sedangkan individu yang bernilai fitness rendah akan mati. Pengertian nilai fitness ini sendiri adalah nilai yang menyatakan baik tidaknya suatu solusi (individu). Algoritma Genetika bertujuan mencari individu dengan nilai fitness yang paling tinggi. Umumnya kromosom ber-fitness tinggi akan bertahan dan berlanjut kegenerasi berikutnya. Kromosom yang telah terbentuk akan berevolusi secara berkelanjutan yang disebut dengan generasi. Dalam tiap generasi kromosom-kromosom tersebut dievaluasi tingkat keberhasilan nilai solusinya terhadap masalah yang ingin diselesaikan menggunakan ukuran yang disebut dengan nilai fitness. Nilai fitness inilah yang dijadikan acuan dalam mencapai nilai optimal dalam Algoritma Genetika. c. Seleksi Proses seleksi adalah proses evaluasi kualitas setiap kromosom di dalam populasi untuk memperoleh peringkat calon solusi. Seleksi bertujuan untuk memberikan kesempatan reproduksi yang lebih besar bagi anggota populasi yang paling fit. Proses seleksi dilakukan dengan mencari kromosom terbaik dalam satu generasi, dimana untuk menentukan suatu kromosom terbaik dapat dilihat dari nilai fitness-nya. Proses seleksi dilakukan dengan mengevaluasi setiap kromosom berdasarkan nilai fitness untuk mendapatkan peringkat terbaik. Selanjutnya dipilih secara acak, kromosom-kromosom
7 yang mengalami proses rekombinasi. Umumnya kromosom ber-fitness tingggi yang berpeluang lebih besar untuk terpilih. Kromosom dengan kualitas yang lebih baik akan memiliki peluang lebih besar untuk terpilih sebagai calon kromosom generasi berikutnya. Kemampuan Algoritma Genetika untuk memproduksi kromosom yang lebih baik secara progresif tergantung pada penekanan selektif (Selektif Pressure) yang diterapkan ke populasi. Penekanan selektif dapat diterapkan dalam dua cara yaitu dengan membuat lebih banyak kromosom anak yang dipelihara dalam populasi dan memilih hanya kromosom-kromosom terbaik bagi generasi berikut. Walaupun induk dipilih secara acak, metode ini akan terus menghasilkan kromosom yang lebih baik berhubungan dengan penekanan selektif yang diterapkan pada individu anak tersebut. Cara lainnya adalah dengan memilih induk yang lebih baik ketika membuat keturunan baru. Dengan metode ini, hanya kromosom sebanyak yang dipelihara dalam populasi yang perlu dibuat bagi generasi berikutnya. Walaupun penekanan selektif tidak diterapkan ke level keturunan, metode ini akan terus menghasilkan kromosom yang lebih baik, karena adanya penekanan selektif yang diterapkan ke induk. Terdapat beberapa metode seleksi untuk mendapatkan calon induk yang baik, namun proses seleksi yang biasa digunakan adalah Roulette Wheel Selection (Seleksi Roda Roulette). Sesuai dengan namanya, metode ini menirukan permainan roulettewheel dimana masing-masing kromosom menempati potongan lingkaran pada roda roulette secara proporsional sesuai dengan nilai fitness-nya. d. Perkawinan Silang (Crossover) Salah satu komponen paling penting dalam Algoritma Genetika adalah crossover atau perkawinan silang, dikenal juga dengan pindah silang. Crossover bertujuan menambah keanekaragaman kromosom digenerasi berikutnya berdasarkan kromosomkromosom dari generasi saat ini. Crossover melibatkan dua induk untuk menghasilkan keturunan yang baru. Crossover dilakukan dengan melakukan pertukaran gen dari dua induk secara acak. Kromosom baru yang terbentuk akan mewarisi sebagian dari sifat kromosom induknya. Dalam proses ini dilakukan penukaran bagian gen yang telah dipilih posisinya secara acak dalam satu kromosom. Dalam proses ini, perkawinan silang yang terjadi adalah perkawinan antar seluruh gen dalam suatu generasi.
8 Perkawinan Silang (Crossover) juga dapat berakibat buruk jika ukuran populasinya sangat kecil. Dalam suatu populasi yang sangat kecil, suatu kromosom dengan gen-gen yang mengarah ke solusi akan sangat cepat menyebar ke kromosomkromosom lainnya. Untuk mengatasi masalah ini digunakan suatu aturan bahwa perkawinan silang hanya bisa dilakukan dengan suatu probabilitas tertentu Artinya pindah silang bisa dilakukan hanya jika suatu bilangan random yang dibangkitkan kurang dari probabilitas yang ditentukan tersebut. Pada umumnya probabilitas tersebut diset mendekati 1. Probabilitas crossover ρ c. ρ c merupakan nilai perbandingan jumlah kromosom yang diharapkan akan mengalami perkawinan silang terhadap jumlah kromosom dalam suatu populasi. Probabilitas crossover yang tinggi akan memungkinkan pencapaian alternatif solusi yang lebih bervariasi dan mengurangi kemungkinan menghasilkan nilai optimum yang tidak dikehendaki. Tetapi bila nilai ini terlalu tinggi akan mengakibatkan pemborosan waktu untuk melakukan perhitungan di daerah solusi yang tidak menjanjikan hasil yang optimal. e. Mutasi Mutasi menciptakan individu baru dengan melakukan modifikasi satu atau lebih gen dalam individu yang sama. Mutasi berfungsi untuk menggantikan gen yang hilang dari populasi selama proses seleksi serta menyediakan gen yang tidak ada dalam populasi awal, sehingga mutasi akan meningkatkan variasi populasi. Dalam proses ini dilakukan mutasi atau penukaran pasangan gen yang telah dipilih secara acak dalam satu kromosom. Penukaran pasangan ini dilakukan pada dua gen dalam suatu kromosom. Melalui mutasi, kromosom baru dapat diciptakan dengan melakukan modifikasi terhadap satu atau lebih karakter pada kromosom yang sama. Cara termudah untuk melakukan mutasi adalah dengan mengubah satu atau lebih bagian dalam kromosom dan hal ini tergantung pada probabilitas mutasi. Probabilitas mutasi menentukan probabilitas jumlah gen di dalam satu populasi yang diharapkan mengalami mutasi. Apabila nilai probabilitas mutasi terlalu kecil, banyak kromosom
9 yang berguna mungkin tidak akan muncul dalam populasi, tetapi apabila terlalu tinggi maka keturunan yang dihasilkan akan kehilangan sifat-sifat yang mungkin saja merupakan sifat yang unggul dari induknya dan Algoritma Genetika akan kehilangan kemampuan untuk belajar dari pencarian-pencarian sebelumnya. f. Elitisme Proses seleksi dilakukan secara random sehingga tidak ada jaminan bahwa suatu individu yang bernilai fitness tertinggi akan selalu terpilih. Walaupun individu bernilai fitness tertinggi terpilih, mungkin saja individu tersebut akan rusak (nilai fitness-nya menurun) karena proses perkawinan silang. Untuk menjaga agar individu bernilai fitness tertinggi tersebut tidak hilang selama proses evolusi, maka perlu dibuat satu atau beberapa kopinya. Prosedur inilah yang dikenal sebagai elitisme. Proses ini dilakukan untuk mempertahankan individu yang terbaik dari tiap generasi, karena setelah dilakukan proses perkawinan silang dan mutasi, kemungkinan untuk kehilangan kromosom yang terbaik sangat besar. Proses elitisme ini dilakukan dengan menggantikan kromosom terburuk dari generasi berikutnya dengan kromosom terbaik dari generasi sebelumnya apabila kromosom yang baru tersebut tidak lebih buruk dari yang lama. g. Evaluasi Solusi Proses evaluasi dilakukan dengan menghitung nilai fitness dari setiap kromosom dalam suatu generasi. Bila ada kromosom yang tidak mempunyai informasi titik tujuan maka kromosom ini dianggap mempunyai nilai fitness terbesar dan dikatakan tidak valid. Proses ini akan mengevaluasi setiap populasi dengan menghitung nilai fitness setiap kromosom dan mengevaluasinya sampai terpenuhi kriteria berhenti. Beberapa kriteria berhenti yang sering digunakan antara lain : 1. Berhenti pada generasi tertentu.
10 2. Berhenti setelah dalam beberapa generasi berturut-turut didapatkan nilai fitness tertinggi tidak berubah. 3. Berhenti bila dalam n generasi berikut tidak didapatkan nilai fitness yang lebih tinggi Parameter Genetik Yang disebut dengan parameter disini adalah parameter kontrol Algoritma Genetika, yaitu : ukuran populasi (popsize), probabilitas crossover (peluang crossover - ρ c ) dan probabilitas mutasi (peluang mutasi - ρ m ). Nilai parameter ini ditentukan juga berdasarkan permasalahan yang akan dipecahkan. Tidak ada aturan pasti tentang berapa nilai setiap parameter ini. (Koza, 2001). Ukuran populasi kecil berarti hanya tersedia sedikit pilihan untuk crossover dan sebagian kecil dari domain solusi saja yang dieksplorasi untuk setiap generasinya. Sedangkan bila terlalu besar, kinerja Algoritma Genetika menurun. Penelitian menunjukkan ukuran populasi besar tidak mempercepat proses pencarian solusi. Disarankan ukuran populasi berkisar antara 20-30, probabilitas crossover umumnya berkisar antara 0,6 sampai dengan 0,9 dan probabilitas mutasi kecil berkisar 0.5%-1% atau sekitar 1 dibagi dengan jumlah gen. Jumlah generasi besar berarti semakin banyak iterasi yang dilakukan, dan semakin besar domain solusi yang akan dieksplorasi (Nico saputro dan Yento, 2004). Menurut Kusumadewi dan Purnomo (2005), ada beberapa rekomendasi yang bisa digunakan untuk menentukan nilai parameter tersebut, antara lain : a. Untuk permasalahan yang memiliki kawasan solusi cukup besar, De Jong merekomendasikan untuk nilai parameter control : (popsize; ρ c ; ρ m ) = (50; 0,6; 0,001) b. Bila rata-rata fitness setiap generasi digunakan sebagai indikator, maka Grefenstette merekomendasikan : (popsize; ρ c ; ρ m ) = (30; 0,95; 0,01) c. Bila fitness dari individu terbaik dipantau pada setiap generasi, maka usulannya adalah : (popsize; ρ c ; ρ m ) = (80; 0,45; 0,01)
11 2.3.3 Mekanisme Kerja Algoritma Genetika Algoritma genetika dimulai dengan pembentukan sejumlah solusi yang dilakukan secara acak. Sebuah solusi yang dibangkitkan dalam algoritma genetika disebut sebagai kromosom, sedangkan kumpulan kromosom-kromosom tersebut disebut sebagai populasi. Sebuah kromosom dibentuk dari komponen-komponen penyusun disebut sebagai gen dan nilainya dapat berupa bilangan numerik, biner, simbol atau pun karakter tergantung dari permasalahan yang ingin diselesaikan. Kromosom-kromosom tersebut akan berevolusi secara berkelanjutan yang disebut dengan generasi. Dalam tiap generasi, kromosom-kromosom tersebut dievaluasi tingkat keberhasilan nilai solusinya terhadap masalah yang ingin diselesaikan dengan menggunakan ukuran yang disebut dengan nilai fitness. Untuk memilih kromosom yang tetap dipertahankan untuk generasi selanjutnya dilakukan proses yang disebut dengan seleksi. Proses seleksi kromosom menggunakan konsep teori evolusi Darwin yaitu kromosom yang mempunyai nilai fitness tinggi akan memiliki peluang lebih besar untuk terrpilih lagi pada generasi selanjutnya. Kromosom-kromosom baru yang disebut dengan kromosom anak (offspring), dibentuk dengan cara melakukan perkawinan antar kromosom-kromosom dalam satu generasi yang disebut sebagai proses perkawinan silang (crossover). Mekanisme perubahan susunan unsur penyusun makhluk hidup akibat adanya faktor alam yang disebut dengan mutasi direpresentasikan sebagai proses berubahnya satu atau lebih nilai gen dalam kromosom dengan suatu nilai acak. Jumlah gen dalam populasi yang mengalami mutasi ditentukan oleh parameter yang dinamakan mutation rate. Setelah beberapa generasi akan dihasilkan kromosom-kromosom yang nilai gen-gennya konvergen ke suatu nilai tertentu yang merupakan solusi terbaik yang dihasilkan oleh algoritma genetika terhadap permasalahan yang ingin diselesaikan. Secara umum, blok diagram dari mekanisme sistem kerja algoritma genetika digambarkan sebagai berikut :
12 Bangkitkan populasi awal Evaluasi fungsi tujuan Apakah kriteria optimasi tercapai ya Individuindividu terbaik Tidak Mulai Seleksi Selesai Pindah Silang Bangkitkan populasi baru Mutasi Gambar 2.5 Mekanisme sistem kerja Algoritma Genetika genetika Hybrid Algoritma Genetika Banyak penelitian yang membuktikan bahwa standart GA sering digunakan dalam pencarian permasalahan local optimum, khususnya pada permasalahan yang cukup besar. Akibat permasalahan yang cukup besar ini, penelitian mengenai GA terus berkembang untuk mengkombinasikan terhadap algoritma lainnya salah satu dengan mengkombinasikan terhadap kendali logika fuzzy. Kombinasi ini disebut hybrid. Sebagai salah satu ilustrasi teknik local search yang sering dilakukan sebagai berikut :
13 procedure : Hibridisasi Algoritma Genetika input : parameter GA begin t 0; populasi awal P(t); fitness eval (P); while (not termination condition) do crossover P(t) menghasilkan offspring C(t); mutasi P(t) menghasilkan offspring C(t); local search C(t); fitness eval (C); Seleksi P(t+1) dari P(t) dan C(t); t t+1; end output : Solusi terbaik; end 2.4 Kendali Logika Fuzzy Pemikiran utama teori logika fuzzy adalah memetakan sebuah ruang input ke dalam ruang output dengan menggunakan IF-THEN rules. Pemetaan dilakukan dalam suatu Fuzzy Inference System (FIS). Urutan rule bisa sembarangan. FIS mengevaluasi rule secara simultan untuk menghasilkan kesimpulan. Oleh karena itu, semua rule harus lebih didefinisikan lebih dahulu sebelum kita membangun sebuah FIS yang akan digunakan untuk menginterprestasikan semua rule tersebut.
14 Input Black Box Output Input FIS Output IF-THEN rules Input (interpretations) Output (assignments) Gambar 2.6 : Konsep umum kronologi proses FIS merupakan sebuah metode yang dapat menginterprestasikan harga-harga dalam vektor input. Menarik kesimpulan berdasarkan sekumpulan IF-THEN rules yang diberikan dan kemudian menghasilkan vektor output Fungsi Keanggotaan Fungsi keanggotaan mendefenisikan bagaimana tiap titik dalam ruang input dipetakan menjadi bobot atau derajat keanggotaan antara 0 dan 1. Didalam teori himpunan, ruang input juga dikenal sebagai universe of discourse. Secara umum, beberapa kesimpulan tentang himpunan dan fungsi keanggotaan fuzzy diberikan dibawah ini : 1. Fuzzy ser menekankan konsep variabel samar (vague or fuzzy variable) seperti variabel hari akhir minggu, suhu panas, pelari cepat, dll.
15 2. Fuzzy set mengizinkan keanggotaan parsial dari suatu himpunan seperti hari jumat yang dianggap sebagai hari akhir minggu namun dengan derajat dibawah satu. 3. Derajat keanggotaan fuzzy dalam fuzzy set berkisar antara 0 sampai Tiap fungsi keaggotaan µ berasosiasi dengan sebuah fuzzy set tertentu dan memetekan suatu nilai input ke nilai derajat keanggotaan yang sesuai. Misalnya dalam kasus fuzzy set orang berbadan tinggi mempunyai fungsi keanggotaan sendiri, yaitu µ tinggi yang berbeda dengan fungsi keanggotaan dari fuzzy set orang berbadan rendah, yaitu µ rendah IF-THEN Rule Logika fuzzy bekerja berdasar aturan-aturan yang dinyatakan dalam bentuk pernyataan IF-THEN. Sebuah aturan fuzzy tunggal berbentuk sebagai berikut : If x is A then y is B dimana A dan B adalah linguistic values (seperti panas, dingin, tinggi, rendah dll) yang didefinisikan dalam rentang variabel X dan Y. Pernyataan x is A disebut antecedent atau premise sedangkan pernyataan y is B disebut consequent (kesimpulan). Sebuah contoh dari aturan fuzzy tunggal adalah : if pelayanan is biasa then bonus is sedang Antecedent dalam IF-THEN rule merupakan interpretasi yang dinyatakan dalam bentuk derajat keanggotaan antara 0 dan 1. Dalam hal ini, kata biasa dalam antecedent dinyatakan dalam bentuk bilangan derajat keanggotaan dari variabel input pelayanan dan dinotasikan µ biasa (pelayanan). Dengan kata lain, bagian IF bisa dimaknai dengan : If derajat keanggotaan pelayanan = µ biasa (pelayanan) Menginterpretasikan sebuah IF-THEN rule meliputi dua bagian. Pertama, mengevaluasi antecedent, yaitu melakukan fuzzifikasi pada input dan menerapkan operasi-operasi logika fuzzy dengan operator-operator fuzzy. Kedua, proses implikasi yaitu menerapkan hasil operasi logika fuzzy pada bagian antecedent untuk mengambil keputusan / kesimpulan dengan mengisikan fuzzy set keluaran ke variabel keluaran. Secara umum, ada tiga tahap penginterpretasian IF-THEN rule sebagai berikut : 1. Fuzzifikasi yakni menentukan derajat keanggotaan dari variabel masukan / variabel input.
16 2. Operasi fuzzy logic untuk melakukan operasi-operasi fuzzy logic. Antecedent memakai operator And yang biasa digantikan dengan fungsi minimum yaitu memilih variabek input mana yang memiliki derajat keanggotaan terkecil. 3. Implikasi sebagai menerapkan metode implikasi untuk menentukan bentuk akhir himpunan fuzzy keluaran. Consequent dari fuzzy rule ditentukan dengan mengisikan fuzzy set keluran ke variabel keluaran. 2.5 Hubungan antara algoritma genetika dengan kendali logika fuzzzy Adapun hubungan antara algoritma genetika dan kendali logika fuzzzy dapat diuraikan dalam langkah-langkah sebagai berikut : a. Langkah-langkah hybrid algoritma genetika dengan kendali logika fuzzy : Langkah 1 Langkah 2 Langkah 3 Langkah 4 Langkah 5 Langkah 6 : Inisialisasi populasi awal pada semua kromosom secara acak. : Set nilai parameter, tentukan nilai fitness dari 1/total jarak dan probabilitas fitness dari nilai fitnes / total fitnes kemudian seleksi kromosom-kromosom induk sebagai pemilihan induk yang terbaik. : Lakukan persilangan (crossover) pada dua kromosom induk untuk menghasilkan kromosom anak (offspring). : Lakukan proses mutasi pada kromosom offspring. Pada langkah 3 dan langkah 4, kedua probabilitas dari probabilitas crossover dan probabilitas mutasi akan diatur/ dikontrol dengan melakukan proses kendali logika fuzzy. : kembali pada langkah 2 sampai pada iterasi maksimum sehingga memperoleh kromosom yang terbaik. : Selesai dengan kromosom terbaik.
17 b. Kendali logika fuzzy Langkah-langkah yang dilakukan adalah sebagai berikut : Prosedur : untuk mengontrol nilai parameter algoritma genetika Langkah1 Langkah 2 Langkah 3 Langkah 4 Langkah 5 : Hitung perubahan nilai pada rata-rata nilai fitness antara generasi sekarang dengan generasi sebelumnya. : Tentukan nilai pengontrol antara generasi sekarang dengan generasi sebelumnya menggunakan tabel pengambilan keputusan fuzzy. : Setelah melakukan nilai pengontrol diatas, hitung nilai perubahan pada probabilitas crossover dan probabilitas mutasi. : Update nilai probabilitas crossover dan probabilitas mutasi. : kembali pada loop algoritma genetika. Sehingga pada langkah-langkah diatas dapat ditunjukkan dengan diagram alir (flowchart) dari hybrid algoritma genetika dengan kendali logika fuzzy adalah sebagai berikut :
18 Mulai Input Data Pembentukan Populasi Seleksi Pilih r TIDAK r< p c? YA Crossover Automatic fine-tuning Pilih r TIDAK r< p m? YA Mutasi Iterasi max TIDAK YA Cari Kromosom Terpendek Akhir BAB III GAMBAR 2.7 : FLOWCHART
BAB 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 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 terperinciBAB II KAJIAN TEORI. memindahkan barang dari pihak supplier kepada pihak pelanggan dalam suatu supply
BAB II KAJIAN TEORI Berikut diberikan beberapa teori pendukung untuk pembahasan selanjutnya. 2.1. Distribusi Menurut Chopra dan Meindl (2010:86), distribusi adalah suatu kegiatan untuk memindahkan barang
Lebih terperinciBAB 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 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 terperinciIMPLEMENTASI HYBRID ALGORITMA GENETIKA DENGAN TEKNIK KENDALI LOGIKA FUZZY UNTUK MENYELESAIKAN VEHICLE ROUTING PROBLEM SKRIPSI DICKY ANDRYAN
IMPLEMENTASI HYBRID ALGORITMA GENETIKA DENGAN TEKNIK KENDALI LOGIKA FUZZY UNTUK MENYELESAIKAN VEHICLE ROUTING PROBLEM SKRIPSI DICKY ANDRYAN ( 060803049 ) DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU
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 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 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 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 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 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. Universitas Sumatera Utara
BAB I PENDAHULUAN 1.1 Latar Belakang Setelah berkembangnya AI (Artifical Intelligence), banyak sekali ditemukan sejumlah algoritma yang terinspirasi dari alam. Banyak persoalan yang dapat diselesaikan
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 2 LANDASAN TEORI. 2.1 Algoritma Genetika
6 BAB 2 LANDASAN TEORI 2.1 Algoritma Genetika Algoritma genetika merupakan metode pencarian yang disesuaikan dengan proses genetika dari organisme-organisme biologi yang berdasarkan pada teori evolusi
Lebih terperinciOptimasi 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 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 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. 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 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Penjadwalan Perkuliahan Penjadwalan memiliki pengertian durasi dari waktu kerja yang dibutuhkan untuk melakukan serangkaian untuk melakukan aktivitas kerja[10]. Penjadwalan juga
Lebih terperinciBAB II 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 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 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 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 terperinciPEMAMPATAN MATRIKS JARANG DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL
Jurnal Matematika UNAND Vol. 3 No. 1 Hal. 98 106 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMAMPATAN MATRIKS JARANG DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL YOSI PUTRI, NARWEN
Lebih terperinciBAB 2 LANDASAN TEORI
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 III PEMBAHASAN. Berikut akan diberikan pembahasan mengenai penyelesaikan CVRP dengan
BAB III PEMBAHASAN Berikut akan diberikan pembahasan mengenai penyelesaikan CVRP dengan Algoritma Genetika dan Metode Nearest Neighbour pada pendistribusian roti di CV. Jogja Transport. 3.1 Model Matetematika
Lebih terperinciBAB 2 LANDASAN TEORI
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 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 III MODEL DAN TEKNIK PEMECAHAN
BAB III MODEL DAN TEKNIK PEMECAHAN III.1. Diskripsi Sistem Sistem pendistribusian produk dalam penelitian ini adalah berkaitan dengan permasalahan vehicle routing problem (VRP). Berikut ini adalah gambar
Lebih terperinciBAB II KAJIAN TEORI. digunakan dalam penelitian yaitu teori graf, vehicle routing problem (VRP),
BAB II KAJIAN TEORI Secara umum, pada bab ini membahas mengenai kajian teori yang digunakan dalam penelitian yaitu teori graf, vehicle routing problem (VRP), capacitated vehicle routing problem with time
Lebih terperinciBAB II KAJIAN TEORI. berbeda di, melambangkan rusuk di G dan jika adalah. a. dan berikatan (adjacent) di. b. rusuk hadir (joining) simpul dan di
1. Teori graf BAB II KAJIAN TEORI 1. Definisi Graf G membentuk suatu graf jika terdapat pasangan himpunan ) )), dimana ) (simpul pada graf G) tidak kosong dan ) (rusuk pada graf G). Jika dan adalah sepasang
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 terperinciBAB II KAJIAN PUSTAKA
BAB II KAJIAN PUSTAKA Pengertian-pengertian dasar yang digunakan sebagai landasan pembahasan pada Bab II yaitu masalah ditribusi, graf, Travelling Salesman Problem (TSP), Vehicle Routing Problem (VRP),
Lebih terperinciAnalisis Operator Crossover pada Permasalahan Permainan Puzzle
Analisis Operator Crossover pada Permasalahan Permainan Puzzle Kun Siwi Trilestari [1], Ade Andri Hendriadi [2] Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Singaperbanga Karawang
Lebih terperinciBAB 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 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 terperinciPENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN TRAVELLING SALESMAN PROBLEM (TSP)
PENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN TRAVELLING SALESMAN PROBLEM (TSP) Mohamad Subchan STMIK Muhammadiyah Banten e-mail: moh.subhan@gmail.com ABSTRAK: Permasalahan pencarian rute terpendek dapat
Lebih terperinciBAB 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 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 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 TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Fuzzy Local Binary Pattern (FLBP) Fuzzifikasi pada pendekatan LBP meliputi transformasi variabel input menjadi variabel fuzzy, berdasarkan pada sekumpulan fuzzy rule. Dalam
Lebih terperinciOPTIMASI 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 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 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 KAJIAN PUSTAKA. digunakan dalam penelitian ini yaitu graf, vehicle routing problem (VRP),
BAB II KAJIAN PUSTAKA Secara umum, pada bab ini akan dibahas mengenai kajian teori yang digunakan dalam penelitian ini yaitu graf, vehicle routing problem (VRP), capacitated vehicle routing problem with
Lebih terperinciPENGGUNAAN ALGORITMA GENETIKA UNTUK MENENTUKAN LINTASAN TERPENDEK STUDI KASUS : LINTASAN BRT (BUS RAPID TRANSIT) MAKASSAR
PENGGUNAAN ALGORITMA GENETIKA UNTUK MENENTUKAN LINTASAN TERPENDEK STUDI KASUS : LINTASAN BRT (BUS RAPID TRANSIT) MAKASSAR Karels, Rheeza Effrains 1), Jusmawati 2), Nurdin 3) karelsrheezaeffrains@gmail.com
Lebih terperinciZbigniew M., Genetic Alg. + Data Structures = Evolution Program, Springler-verlag.
Zbigniew M., Genetic Alg. + Data Structures = Evolution Program, Springler-verlag. 12/11/2009 1 Ditemukan oleh Holland pada tahun 1975. Didasari oleh fenomena evolusi darwin. 4 kondisi yg mempengaruhi
Lebih terperinciPENERAPAN ALGORITMA GENETIKA DALAM PENYELESAIAN TRAVELLING SALESMAN PROBLEM WITH PRECEDENCE CONSTRAINTS (TSPPC)
PENERAPAN ALGORITMA GENETIKA DALAM PENYELESAIAN TRAVELLING SALESMAN PROBLEM WITH PRECEDENCE CONSTRAINTS (TSPPC) Yayun Hardianti 1, Purwanto 2 Universitas Negeri Malang E-mail: yayunimoet@gmail.com ABSTRAK:
Lebih terperinciBAB II 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 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 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 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 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 terperinciPENYELESAIAN KNAPSACK PROBLEM MENGGUNAKAN ALGORITMA GENETIKA
PENYELESAIAN KNAPSACK PROBLEM MENGGUNAKAN ALGORITMA GENETIKA Kartina Diah KW1), Mardhiah Fadhli2), Charly Sutanto3) 1,2) Jurusan Teknik Komputer Politeknik Caltex Riau Pekanbaru Jl. Umban Sari No.1 Rumbai-Pekanbaru-Riau
Lebih 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 DAN ALGORITMA SWEEP PADA PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM (CVRP) UNTUK OPTIMASI PENDISTRIBUSIAN GULA
PENERAPAN ALGORITMA GENETIKA DAN ALGORITMA SWEEP PADA PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM (CVRP) UNTUK OPTIMASI PENDISTRIBUSIAN GULA SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan
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 terperinci8. Evaluasi Solusi dan Kriteria Berhenti Perumusan Masalah METODE PENELITIAN Studi Pustaka Pembentukan Data
Gambar 4 Proses Swap Mutation. 8. Evaluasi Solusi dan Kriteria Berhenti Proses evaluasi solusi ini akan mengevaluasi setiap populasi dengan menghitung nilai fitness setiap kromosom sampai terpenuhi kriteria
Lebih 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 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 terperinciALGORITMA GENETIKA PADA PENYELESAIAN AKAR PERSAMAAN SEBUAH FUNGSI
ALGORITMA GENETIKA PADA PENYELESAIAN AKAR PERSAMAAN SEBUAH FUNGSI Akhmad Yusuf dan Oni Soesanto Program Studi Matematika Universitas Lambung Mangkurat Jl. Jend. A. Yani km 35, 8 Banjarbaru ABSTRAK 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 terperinciOptimasi Multi Travelling Salesman Problem (M-TSP) Menggunakan Algoritma Genetika
Optimasi Multi Travelling Salesman Problem (M-TSP) Menggunakan Algoritma Genetika Wayan Firdaus Mahmudy (wayanfm@ub.ac.id) Program Studi Ilmu Komputer, Universitas Brawijaya, Malang, Indonesia Abstrak.
Lebih 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 terperinciBAB I PENDAHULUAN. lebih efektif dan efisien karena akan melewati rute yang minimal jaraknya,
BAB I PENDAHULUAN A. Latar Belakang Distribusi merupakan proses penyaluran produk dari produsen sampai ke tangan masyarakat atau konsumen. Kemudahan konsumen dalam mendapatkan produk yang diinginkan menjadi
Lebih terperinciPENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM
PENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM (CVRP) UNTUK DISTRIBUSI SURAT KABAR KEDAULATAN RAKYAT DI KABUPATEN SLEMAN SKRIPSI Diajukan Kepada Fakultas Matematika
Lebih terperinciBAB II KAJIAN PUSTAKA. Sebuah graf G didefinisikan sebagai pasangan himpunan (V,E), dengan V
BAB II KAJIAN PUSTAKA A. Pengertian Graf Sebuah graf G didefinisikan sebagai pasangan himpunan (V,E), dengan V adalah himpunan tak kosong dari simpul-simpul (vertices) pada G. Sedangkan E adalah himpunan
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 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 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 2 LANDASAN TEORI
5 BAB 2 LANDASAN TEORI Pada bab ini akan dibicarakan beberapa model penyelesaian problema Knapsack dengan memakai beberapa metode yang telah ada yang akan digunakan pada bab pembahasan. 2. Problema Knapsack
Lebih terperinciBAB I PENDAHULUAN. Pemerintah Pusat hingga Pemerintah Daerah, salah satu program dari
BAB I PENDAHULUAN A. Latar Belakang Masalah Peningkatan kesejahteraan dalam memenuhi kebutuhan pangan masyarakat berpendapatan rendah merupakan program nasional dari Pemerintah Pusat hingga Pemerintah
Lebih terperinciBAB 2 LANDASAN TEORI
8 BAB 2 LANDASAN TEORI 2.1 Graph Rinaldi Munir (2003) menjelaskan bahwa graph merupakan kumpulan verteks yang dihubungkan satu sama lain melalui sisi/ busur (edges). Suatu graph G terdiri dari dua himpunan
Lebih 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 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 terperinciKONSEP ALGORITMA GENETIK BINER UNTUK OPTIMASI PERENCANAAN JADWAL KEGIATAN PERKULIAHAN
Jurnal Teknik dan Ilmu Komputer KONSEP ALGORITMA GENETIK BINER UNTUK OPTIMASI PERENCANAAN JADWAL KEGIATAN PERKULIAHAN (Binary Genetic Algorithm Concept to Optimize Course Timetabling) Iwan Aang Soenandi
Lebih 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 terperinciBAB III IMPLEMENTASIALGORITMA GENETIK DAN ACS PADA PERMASALAHAN TRAVELLING SALESMAN PROBLEM
BAB III IMPLEMENTASIALGORITMA GENETIK DAN ACS PADA PERMASALAHAN TRAVELLING SALESMAN PROBLEM 3.1 TRAVELLING SALESMAN PROBLEM Sebelum membahas pencarian solusi Travelling Salesman Problem menggunakan algoritma
Lebih terperinciBAB III PENERAPAN ALGORITMA MEMETIKA DAN GRASP DALAM MENYELESAIKAN PFSP
BAB III PENERAPAN ALGORITMA MEMETIKA DAN GRASP DALAM MENYELESAIKAN PFSP Prosedur AM dan GRASP dalam menyelesaikan PFSP dapat digambarkan oleh flowchart berikut: NEH GRASP SOLUSI NEH SOLUSI ELIT MEMETIKA
Lebih terperinciBAB II LANDASAN TEORI. berawal dari suatu ide untuk menyimpan segitiga Sierpinski menggunakan
BAB II LANDASAN TEORI Metode kompresi citra fraktal merupakan metode kompresi citra yang berawal dari suatu ide untuk menyimpan segitiga Sierpinski menggunakan Iterated Function System (IFS). Segitiga
Lebih 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 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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Teori graf 2.1.1 Defenisi graf Graf G adalah pasangan {,} dengan adalah himpunan terhingga yang tidak kosong dari objek-objek yang disebut titik (vertex) dan adalah himpunan pasangan
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 terperinciIMPLEMENTASI ALGORITMA GENETIKA DENGAN VARIASI CROSSOVER
SKRIPSI IMPLEMENTASI ALGORITMA GENETIKA DENGAN VARIASI CROSSOVER DALAM PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM WITH TIME WINDOWS (CVRPTW) PADA PENDISTRIBUSIAN AIR MINERAL DI PT ARTHA ENVIROTAMA
Lebih terperinciDAFTAR ISI. Tim Redaksi... i Kata Pengantar... ii Daftar Isi... iii
DAFTAR ISI Tim Redaksi... i Kata Pengantar... ii Daftar Isi... iii Faiz Rafdh Ch SISTEM INFORMASI ZAKAT BERBASIS WEB MENGGUNAKAN PHP DAN MYSQL PADA RUMAH ZAKATINDONESIA 1-7 Abdul Jamil Syamsul Bachtiar
Lebih terperinciOPTIMASI 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 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 terperinciPENENTUAN JARAK TERPENDEK PADA JALUR DISTRIBUSI BARANG DI PULAU JAWA DENGAN MENGGUNAKAN ALGORITMA GENETIKA. Abstraksi
PENENTUAN JARAK TERPENDEK PADA JALUR DISTRIBUSI BARANG DI PULAU JAWA DENGAN MENGGUNAKAN ALGORITMA GENETIKA I Dewa Made Adi Baskara Joni 1, Vivine Nurcahyawati 2 1 STMIK STIKOM Indonesia, 2 STMIK STIKOM
Lebih terperinciBAB 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 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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Travelling Salesman Problem (TSP) Persoalan TSP merupakan salah satu persoalan optimasi kombinatorial (kombinasi permasalahan). Banyak permasalahan yang dapat direpresentasikan
Lebih terperinciPENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM MENGGUNAKAN ALGORITMA GENETIKA DAN NEAREST NEIGHBOUR PADA PENDISTRIBUSIAN ROTI DI CV.
PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM MENGGUNAKAN ALGORITMA GENETIKA DAN NEAREST NEIGHBOUR PADA PENDISTRIBUSIAN ROTI DI CV. JOGJA TRANSPORT SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu
Lebih terperinciPERANCANGAN ALGORITMA GENETIKA UNTUK MENENTUKAN JALUR TERPENDEK. Kata kunci: Algoritma Genetika, Shortest Path Problem, Jalur Terpendek
PERANCANGAN ALGORITMA GENETIKA UNTUK MENENTUKAN JALUR TERPENDEK Fajar Saptono 1, Taufiq Hidayat 2 Laboratorium Pemrograman dan Informatika Teori Jurusan Teknik Informatika, Fakultas Teknologi Industri,
Lebih terperinciBAB 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 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 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 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 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 terperinci