BAB 3 ANALISIS DAN PERANCANGAN PROGRAM
|
|
- Yuliana Sudirman
- 7 tahun lalu
- Tontonan:
Transkripsi
1 BAB 3 ANALISIS DAN PERANCANGAN PROGRAM 3.1 Analisis Permasalahan TSP merupakan suatu masalah klasik yang telah ada sejak tahun 1800-an, sejauh ini telah cukup banyak metode yang diciptakan untuk menyelesaikan TSP. Dalam hal ini metode-metode yang bekerja secara heuristik dianggap lebih baik daripada metodemetode eksak karena dapat memberikan hasil yang mendekati optimal (bahkan pada kasus tertentu benar-benar optimal) dalam waktu yang sangat singkat, walaupun ukuran permasalahan yang dihadapi besar (n > 100). Algoritma genetik dan Tabu Search merupakan dua dari sekian banyak metode heuristik yang tersedia, yang bekerja sangat baik dalam penyelesaian kasus optimisasi pada TSP. Dalam hal ini metode-metode tersebut memiliki cakupan parameter yang sangat luas dan hampir tidak terhingga banyaknya, dalam skripsi ini akan dicari kombinasi yang terbaik dari parameter-parameter yang ada untuk menyelesaikan TSP. Arti kata terbaik di sini adalah menghasilkan nilai solusi yang terbaik (jarak yang terpendek, cepat dan hasil yang konsisten). 3.2 Perancangan Kebutuhan Data Data untuk program ini didapatkan dengan menggunakan program tambahan untuk membuat file data TSP dari permasalahan TSP yang ingin diselesaikan. Data tersebut disimpan dalam format file teks dimana isi dari tiap variabel data dipisahkan oleh tab, seperti pada struktur sebagai berikut:
2 31 <integer x 1 > <integer y 1 > <integer x 2 > <integer y 2 > <integer x 3 > <integer y 3 >... <integer x n > <integer y n > Dalam hal ini <integer x i > <integer y i > merupakan posisi koordinat kota ke i (koordinat x i dan y i dimana nilai dari koordinat-koordinat tersebut berkisar antara 0 dan 480). 3.3 Perancangan Program Untuk perancangan program penyelesaian TSP, digunakan bahasa pemrograman Java 6 SE yang bekerja di atas sistem operasi Microsoft Windows XP SP Algoritma Genetik Dalam implementasinya, algoritma genetik membutuhkan populasi awal dengan anggota populasi yang beragam (nilainya diacak). Kemudian populasi ini akan dihitung nilai fitness-nya, dan diurutkan berdasarkan nilai fitness tersebut mulai dari yang terbesar hingga yang terkecil. Individu-individu yang terpilih sebagai individu-individu elit akan dipastikan masuk ke dalam populasi pada generasi berikutnya sedangkan individu-individu lain di dalam populasi kemudian diseleksi dengan menggunakan metode tournament untuk dimasukkan ke dalam mating pool, dimana semua individu di dalam populasi (termasuk individu-individu elit) tetap terkena seleksi.
3 32 Semua individu di dalam mating pool tersebut kemudian dikawinkan / disilangkan dengan menggunakan metode order crossover, untuk menghasilkan anakanak yang sama banyaknya dengan jumlah individu awal di dalam populasi. Kemudian sebagian dari anak-anak tersebut akan mengalami mutasi, hal ini dicapai dengan menggunakan metode swap. Semua anak yang dihasilkan dalam suatu generasi akan dihitung kembali nilai fitness-nya, untuk kemudian diurutkan mulai dari nilai fitness yang terbesar ke nilai fitness yang terkecil. Anak-anak tersebut akan dimasukkan ke dalam populasi untuk generasi berikutnya. Karena sudah terdapat beberapa individual elit di dalam populasi, maka untuk menjaga keseimbangan jumlah populasi (dan menuju pada perbaikan kualitas populasi secara keseluruhan) anak yang memiliki nilai fitness yang sangat rendah tidak akan masuk ke dalam populasi untuk generasi berikutnya. Gambar 3.1 Algoritma genetik dengan elitisme
4 33 Secara garis besar terdapat empat proses utama di dalam implementasi algoritma genetik: 1. Proses inisialisasi untuk pembuatan populasi awal. 2. Proses perhitungan fitness dari populasi, dan populasi diurutkan berdasarkan nilai fitness yang terbesar ke yang terkecil. 3. Proses pemilihan individu-individu elit untuk dimasukkan ke populasi pada generasi berikutnya. 4. Proses pembuatan populasi baru berdasarkan populasi lama Tabu Search Proses optimisasi menggunakan tabu search dimulai dengan mengeset variabel MAX-TRIES dan ITER untuk jumlah iterasi algoritma, yang dilanjutkan dengan membuat sebuah solusi awal secara acak. Solusi baru kemudian dicari berdasarkan neighborhood dari solusi lama dengan menggunakan algoritma 2-opt. Kemudian akan dipilih solusi baru yang terbaik dan valid dari neighborhood dipilih, proses pemilihan ini bersifat deterministik. Untuk menambahkan unsur non-deterministik ke dalam tabu search, dapat digunakan probabilitas untuk pemilihan solusi yang terbaik dan yang valid dari neighborhood. Kemudian memori tabu search diperbaharui untuk mendapatkan solusi baru, proses ini dilanjutkan sampai jumlah counter = ITER. Sehingga akan dihasilkan nilai yang bersifat local optima. Untuk membuat algoritma ini lebih tersebar, maka setelah local optima ditemukan maka solusi awal akan dibuat kembali secara acak untuk selanjutnya
5 34 melakukan pencarian solusi baru kembali sampai jumlah counter_total mencapai nilai MAX-TRIES. Secara garis besar ada lima proses utama di dalam algoritma genetik: 1. Proses inisialisasi untuk pembuatan solusi awal 2. Proses evaluasi rute untuk menentukan nilai dari solusi 3. Proses pencarian solusi lain di dalam neighborhood solusi awal 4. Proses penggantian solusi baru dengan menggunakan probabilitas jika solusi baru lebih baik dan memenuhi syarat. 5. Proses pembaharuan memori 3.4 Perancangan Layar Program utama memiliki dua interface yang berbeda, command line interface dan graphical user interface. Dalam hal ini command line interface dapat digunakan untuk kinerja sistem yang lebih baik, jika user tidak membutuhkan GUI ( Graphical User Interface ). Sedangkan GUI akan memudahkan user untuk menjalankan program utama, dengan sedikit penurunan kinerja GUI yang digunakan pada program utama terdiri dari tiga layar yaitu layar utama, layar hasil dan layar about. Sedangkan program tambahan untuk membuat TSP memiliki satu layar utama Layar Utama Layar utama ini digunakan sebagai TSP solver interface, dimana parameterparameter untuk algoritma genetik dan tabu search ditentukan di layar ini.
6 35 Gambar 3.2 Perancangan layar utama program Dalam layar ini terdapat informasi lokasi file TSP, parameter-parameter untuk algortima genetik (jumlah populasi, jumlah generasi, probabilitas persilangan, probabilitas mutasi dan persentasi elitisme) dan parameter-parameter untuk tabu search (nilai panjang memori, jumlah pencarian solusi baru, jumlah pembaharuan solusi dan probabilitas pemilihan solusi). Setelah semua informasi yang diperlukan diisi, user dapat menekan tombol Run untuk menyelesaikan masalah TSP yang telah dipilih oleh user. Hasil akan ditampilkan pada layar hasil Layar Hasil Layar hasil ini dirancang untuk menampilkan hasil penyelesaian TSP. Hasil ditampilkan secara grafis, dan detail mengenai rute dan jarak yang ditempuh ditampilkan pada text box dibawah gambar rute.
7 36 Hasil Penyelesaian TSP Algoritma Genetik Tabu Search Rute terpendek adalah Jarak rute terpendek adalah 10 Rute terpendek adalah Jarak rute terpendek adalah 10 Tutup Gambar 3.3 Layar hasil penyelesaian TSP Layar About Layar about dirancang untuk menampilkan hak cipta pembuatan program ini. Gambar 3.4 Layar about
8 Layar Utama Program Pembuat TSP Layar utama dari program ini bertujuan untuk membuat masalah TSP, yang dapat dibuat secara manual oleh user ataupun dibuat secara acak oleh program. Program Pembuat TSP Randomize Jumlah kota: 9 Open File Save File Erase Gambar 3.5 Layar utama program pembuat TSP
9 38 Pada layar ini user dapat menentukan sendiri letak kota dengan cara mengklik pada layar, disamping juga memilih lokasi kota secara acak dengan menekan tombol Randomize dan memasukkan jumlah kota yang diinginkan. Setelah selesai membuat masalah TSP, user kemudian dapat menyimpan masalah TSP tersebut ke dalam suatu file dengan cara menekan tombol Save File. Selain itu file TSP yang telah ada, dengan cara menekan tombol Open File untuk membuka file TSP yang telah jadi. 3.5 Spesifikasi Proses / Pseudocode Algoritma Genetik Spesifikasi Proses Inisialisasi Algoritma Genetik Inisialisasi merupakan proses pemberian nilai awal untuk tiap parameter yang akan dipakai di dalam algoritma genetik. Nilai-nilai yang akan diinialisasi adalah file TSP yang akan diselesaikan, jumlah populasi, jumlah generasi, probabilitas persilangan, probabilitas mutasi dan persentase elitisme. Kemudian algoritma genetik akan menginisialisasi populasi awal dengan membuat individu-individu secara acak. Untuk membuat populasi awal, dilakukan langkah-langkah pseudocode berikut: Selama jumlah populasi sekarang belum sama dengan jumlah populasi total Lakukan Buat individu baru (nilai kromosom berurut dari 1 sampai dengan jumlah kota 1)
10 39 Untuk individu i, selama x=0 sampai dengan panjang (kromosom-1) / 2 lakukan Buat nomor r1 dan r2 secara acak (0 < r1, r2 < 1) posisi1 r1 * panjang kromosom posisi2 r2 * panjang kromosom Elemen di dalam kromosom ditukar, (elemen di posisi1 ditukar dengan elemen di posisi2) Individu baru ini dimasukkan ke dalam populasi awal Spesifikasi Proses Perhitungan Fitness dari Populasi Pada proses ini dilakukan perhitungan nilai fitness dari tiap individu di dalam populasi. Individu yang bagus (nilai fitness yang tinggi) adalah individu yang memiliki rute yang terpendek. Semakin besar jarak yang ditempuh pada satu rute, semakin rendah nilai fitness yang akan dimasukkan ke dalam individu. Pseudocode dari proses ini adalah sebagai berikut: Untuk tiap individu di dalam populasi lakukan Hitung Panjang_Rute_Individu Hitung nilai fitness. Fitness Jumlah _ Kota* C, Panjang _ Rute _ Individu dimana C merupakan konstan (C = 700) Masukkan nilai fitness dan panjang rute individu ke dalam individu
11 40 Urutkan populasi mulai dari individu dengan nilai fitness tertinggi ke terendah Jika individu yang terbaik untuk generasi ini lebih baik dari Individu Terbaik, maka Individu Terbaik individu terbaik untuk generasi ini Rumus fitness diatas digunakan untuk menghasilkan jumlah nilai fitness yang konstan dalam setiap generasi. Hal ini dimungkinkan karena program ini membatasi nilai koordinat-koordinat yang akan digunakan untuk membuat TSP. Nilai koordinat yang valid adalah mulai dari (0,0) sampai dengan (480,480). Nilai C sendiri merupakan nilai konstan, yaitu jarak terpanjang yang dapat ditempuh pada dua kota yang bernilai Dengan demikian nilai fitness maksimal yang bisa diperoleh adalah Jumlah_Kota*C Spesifikasi Pemilihan Individu-Individu Elit dari Populasi Proses ini akan memilih individu-individu yang elit untuk dimasukkan ke dalam populasi pada generasi selanjutnya. Cara kerja proses ini dinyatakan dalam pseudocode berikut: Jumlah_Elit persentasi elit * jumlah populasi Jika Jumlah_Elit = 0 dan persentasi elit > 0, maka Jumlah_Elit 1 Selama x 0 sampai x = Jumlah_Elit lakukan masukkan populasi(x) ke dalam Populasi_Elit
12 41 Jika jumlah elit adalah 0 dan persentase elit lebih besar dari 0, maka jumlah elit diset menjadi 1. Hal ini untuk memastikan bahwa terdapat minimal 1 individu elit (nilai persentase elitisme lebih besar dari 0) pada saat elitisme diaktifkan Spesifikasi Metode Seleksi Individu-individu akan diseleksi untuk dimasukkan ke dalam mating pool, yang dilakukan dengan menggunakan metode seleksi tournament. Metode ini bekerja dengan cara memilih k individu secara acak untuk kemudian mempertandingkan setiap pasangan dua individu yang memiliki probabilitas kemenangan p (sekitar ) bagi individu yang memiliki nilai fitness yang lebih baik. Kemudian pemenang yang didapat akan ditandingkan lagi, sampai tinggal tersisa satu pemenang yang akan dimasukkan ke dalam mating pool. Pseudocode dari metode seleksi ini adalah sebagai berikut: Untuk i=0 sampai dengan i=k-1 lakukan r nilai acak (0 < r < 1) * jumlah populasi masukkan populasi(r) ke dalam Tournament_Population Untuk i=0 sampai dengan i= k lakukan Untuk x=0 sampai dengan x=i dimana x=x+2 (i+1), lakukan r nilai acak (0 < r < 1) Jika fitness Tournament_Population(x) > fitness Tournament_Population(x+2 i ) maka MAX x, MIN x+2 i, sebaliknya jika tidak MAX x+2 i, MIN x
13 42 Jika r < p maka Tournament_Population(x) Tournament_Population(MAX), sebaliknya jika tidak, maka Tournament_Population(x) Tournament_Population(MIN) Masukkan pemenang, yaitu Tournament_Population(0) ke dalam mating pool Spesifikasi Metode Persilangan Persilangan adalah proses dimana individu-individu di dalam mating pool disilangkan / dikawinkan untuk menghasilkan anak-anak. Pada program ini metode persilangan yang digunakan adalah metode order, yang menyimpan urutan kota secara relatif. Berikut ini adalah cara kerja/pseudocode dari metode ini: Start nilai acak (0 < Start < 1) * panjang kromosom End nilai acak (0 < End < 1) * panjang kromosom Jika Start > End maka, nilainya ditukar Untuk i=start sampai dengan i=end lakukan Kromosom_Anak(i) Kromosom_Parent1(i) j (End+1) modulus panjang kromosom Untuk i=0 sampai dengan i=(end-start)+1 lakukan Selama Kromosom_Parent2(j) ada di dalam Kromosom_Anak maka j (j + 1) modulus panjang kromosom
14 43 Kromosom_Anak(i) Kromosom_Parent2(j) Buat individu baru dengan mengeset kromosom menjadi Kromosom_Anak Spesifikasi Metode Mutasi Mutasi adalah metode yang bersifat exploit, yang berusaha untuk mendapatkan hasil yang optimal di daerah yang menjanjikan dengan melakukan perubahan pada elemen-elemen kromosom yang ada. Metode mutasi yang digunakan dalam program adalah metode swap, cara kerja dari metode ini adalah dengan memilih dua elemen di dalam kromosom secara acak, dan posisi diantara dua elemen ini diganti. Efek dari metode ini adalah menyimpan informasi elemen yang berdekatan, walaupun urutannya menjadi lebih berantakan. Pseudocode dari metode ini adalah sebagai berikut: Start nilai acak (0 < Start < 1) * panjang kromosom End nilai acak (0 < End < 1) * panjang kromosom Jika Start > End maka, nilainya ditukar Temp Kromosom_Anak(Start) Kromosom_Anak(Start) Kromosom_Anak(End) Kromosom_Anak(End) Temp
15 Tabu Search Spesifikasi Proses Inisialisasi Inisialisasi merupakan proses pemberian nilai awal untuk tiap parameter yang akan dipakai di dalam tabu search. Nilai-nilai yang akan diinialisasi adalah file TSP yang akan diselesaikan, panjang memori, jumlah pencarian solusi baru, jumlah pembaharuan solusi dan probabilitas pemilihan solusi. Kemudian tabu search akan menginisialisasi sebuah solusi awal dengan membuat solusi (rute) secara acak. Untuk membuat solusi awal, dilakukan langkahlangkah seperti pada pseudocode berikut: Buat sebuah solusi baru (nilai array berurut dari 1 sampai dengan jumlah kota 1) Selama x=0 sampai dengan panjang (array-1) / 2 lakukan Buat nomor r1 dan r2 secara acak (0 < r1, r2 < 1) posisi1 r1 * panjang array posisi2 r2 * panjang array Elemen di dalam array ditukar, (elemen di posisi1 ditukar dengan elemen di posisi2) Solusi Best solusi awal
16 Spesifikasi Proses Evaluasi dari Solusi Pada proses ini dilakukan pengevaluasian dari solusi (rute). Kemudian nilai evaluasi akan dimasukkan ke dalam solusi. Hitung Panjang_Rute_Solusi Masukkan nilai panjang rute solusi ke dalam solusi Spesifikasi Proses Pencarian Solusi Baru Pada proses ini dilakukan pencarian solusi baru berdasarkan neighborhood pada solusi sebelumnya. Solusi baru V n yang didapatkan merupakan solusi terbaik dari neighborhood solusi sebelumnya V c dengan menggunakan algoritma 2-opt. Kemudian solusi baru V n menggantikan solusi lama V c dengan probabilitas yang ditentukan oleh user, jika nilai probabilitas adalah 1.0 maka tabu search akan menjadi algoritma yang deterministik. Setelah itu solusi V c kemudian diperbaharui lagi dengan mencari solusi baru V n sampai jumlah counter mencapai nilai ITER (jumlah pembaharuan solusi). Solusi yang terbaik saat ini masih bersifat lokal. Kemudian nilai counter_total dinaikkan dan solusi awal diciptakan lagi, diperbaharui dan proses tersebut diulang sampai nilai counter_total menjadi MAX- TRIES. Hal ini dilakukan agar solusi yang didapatkan merupakan solusi yang tersebar, sehingga bisa mendapatkan nilai optimal yang global. Setelah semua solusi terbaik yang bersifat lokal terkumpul, maka solusi yang terbaik dari semua solusi lokal adalah solusi terbaik yang bersifat global. Pseudocode dari algoritma ini adalah sebagai berikut:
17 46 counter_total 0 Selama counter_total < MAX-TRIES Inisialisasi solusi Vc count 0 Selama count < ITER Cari solusi terbaik dan valid Vn dari neighborhood Vc Vc Vn dengan probabilitas yang ditentukan oleh user Jika Vc lebih baik dari local_best maka local_best Vc counter counter + 1 counter_total counter_total + 1 Jika local_best lebih baik global_best maka global_best local_best Spesifikasi Proses Algoritma 2-opt Algoritma 2-opt digunakan untuk mencari solusi terbaik dengan cara memperbaiki solusi yang ada. Cara kerja algoritma ini sama dengan metode mutasi swap pada algoritma genetik, yaitu dengan memilih 2 elemen untuk kemudian menukar posisinya. Algoritma 2-opt tidak mencari seluruh permutasi dari sebuah solusi melainkan hanya sebagian kecil saja, karena elemen yang diubah hanyalah 2 elemen. Algoritma ini memiliki kompleksitas O(n 2 ). Hal ini didapatkan berdasarkan cara kerja
18 47 algoritma ini yang melakukan perhitungan sebanyak n! C ( n,2) = kali. (2!*( n 2)!) Pseudocode dari algoritma 2-opt ini dinyatakan di bawah ini: Best Vc n! Selama x=0 sampai dengan x= C ( n,2) = (2!*( n 2)!) Selama y=jumlah kota sampai dengan y=x lakukan Buat solusi baru Vn Elemen_Solusi_Vn(y) Elemen_Solusi_Vc(x) Elemen_Solusi_Vn(x) Elemen_Solusi_Vc(y) Jika Vn lebih baik daripada Best, maka Best Vn
BAB 4 IMPLEMENTASI DAN EVALUASI
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Implementasi 4.1.1 Spesifikasi Perangkat Keras Spesifikasi perangkat keras minimum yang diperlukan untuk dapat menjalankan aplikasi adalah sebagai berikut. a. Processor
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 3 PERANCANGAN PROGRAM. dari OOP (Object Oriented Programming) di mana dalam prosesnya, hal-hal
BAB 3 PERANCANGAN PROGRAM 3.1 Spesifikasi Rumusan Rancangan Program Algoritma Genetika dirancang dengan mengikuti prinsip-prinsip dan sifatsifat dari OOP (Object Oriented Programming) di mana dalam prosesnya,
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 IV ANALISIS MASALAH
BAB IV ANALISIS MASALAH 4.1 Tampilan Program Persoalan TSP yang dibahas pada tugas akhir ini memiliki kompleksitas atau ruang solusi yang jauh lebih besar dari TSP biasa yakni TSP asimetris dan simetris.
Lebih terperinciABSTRAK. Job shop scheduling problem merupakan salah satu masalah. penjadwalan yang memiliki kendala urutan pemrosesan tugas.
ABSTRAK Job shop scheduling problem merupakan salah satu masalah penjadwalan yang memiliki kendala urutan pemrosesan tugas. Pada skripsi ini, metode yang akan digunakan untuk menyelesaikan job shop scheduling
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Traveling Salesman Problem 2.1.1 Definisi Traveling Salesman Problem TSP merupakan suatu permasalahan dimana seorang salesman harus melewati sejumlah kota tepat satu kali dan kembali
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 terperinciBAB 3 ANALISIS DAN PERANCANGAN APLIKASI
27 BAB 3 ANALISIS DAN PERANCANGAN APLIKASI 3.1 Analisis Pada subbab ini akan diuraikan tentang analisis kebutuhan untuk menyelesaikan masalah jalur terpendek yang dirancang dengan menggunakan algoritma
Lebih terperinciBAB III. Metode Penelitian
BAB III Metode Penelitian 3.1 Diagram Alir Penelitian Secara umum diagram alir algoritma genetika dalam penelitian ini terlihat pada Gambar 3.1. pada Algoritma genetik memberikan suatu pilihan bagi penentuan
Lebih terperinciBAB 4 IMPLEMENTASI DAN HASIL PENELITIAN. Pada bab 4 ini akan dijelaskan hasil rancangan sistem aplikasi optimizer, yaitu
BAB 4 IMPLEMENTASI DAN HASIL PENELITIAN Pada bab 4 ini akan dijelaskan hasil rancangan sistem aplikasi optimizer, yaitu implementasi sistem tersebut dan juga evaluasi dari implementasi sistem untuk mengetahui
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 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 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 terperinciBAB 3 ANALISIS DAN PERANCANGAN. Berbagai pembangunan terus dilaksanakan di setiap wilayah di Indonesia,
BAB 3 ANALISIS DAN PERANCANGAN 3.1 Latar Belakang Permasalahan Berbagai pembangunan terus dilaksanakan di setiap wilayah di Indonesia, khususnya Jakarta Selatan. Seperti diketahui, semakin berkembanganya
Lebih terperinciBAB 1 PENDAHULUAN 1-1. Peringkat, diambil dari ~ jurutera/seminar/azmi.html tanggal 22 Januari 2003.
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Seorang investor tentu akan sangat kesulitan dalam menanamkan investasinya apabila proyek yang ditawarkan cukup banyak dengan biaya investasi, profit, dan resiko
Lebih terperinciBAB 1 PENDAHULUAN. 1 Randy L Haupt & Sue Ellen Haupt, Practical Genetic Algorithms second edition, Wiley Interscience,2004.
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Seseorang salesman tentu akan sangat kesulitan jika harus mengunjungi semua kota sendirian, oleh karena itu dibutuhkan beberapa orang salesman untuk membagi
Lebih terperinciBAB III KONSEP DAN PERANCANGAN APLIKASI
BAB III KONSEP DAN PERANCANGAN APLIKASI 3.1 Konsep Pada bab ini penulis akan membahas konsep mengenai perangkat lunak yang digunakan serta akan dibahas mengenai tujuan, kegunaan dan untuk siapa aplikasi
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 IV IMPLEMENTASI DAN HASIL PENGUJIAN
BAB IV IMPLEMENTASI DAN HASIL PENGUJIAN Pada Bab IV ini, implementasi dari metode AM dan GRASP untuk menyelesaikan PFSP dibahas pada Subbab 4.1. Pengujian dilakukan dengan melakukan percobaan terhadap
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 terperinciBAB 4 IMPLEMENTASI DAN EVALUASI. Program aplikasi rute pengiriman barang dengan algoritma Genetik ini dibuat
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Implementasi 4.1.1 Spesifikasi Perangkat Keras Program aplikasi rute pengiriman barang dengan algoritma Genetik ini dibuat dan diuji dengan menggunakan komputer dekstop
Lebih terperinciManual Penggunaan Algoritma Evolusi Diferensial untuk Mengoptimasikan Rute Kendaraan Akhmad Hidayatno Armand Omar Moeis Komarudin Aziiz Sutrisno
Manual Penggunaan Algoritma Evolusi Diferensial untuk Mengoptimasikan Rute Kendaraan Akhmad Hidayatno Armand Omar Moeis Komarudin Aziiz Sutrisno Laboratorium Rekayasa, Simulasi dan Pemodelan Sistem Departemen
Lebih terperinciPENERAPAN ALGORITMA GENETIKA PADA PERSOALAN PEDAGANG KELILING (TSP)
Abstrak PENERAPAN ALGORITMA GENETIKA PADA PERSOALAN PEDAGANG KELILING (TSP) Aulia Fitrah 1, Achmad Zaky 2, Fitrasani 3 Program Studi Informatika, Sekolah Teknik Elektro dan Informatika, Institut Teknologi
Lebih 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 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 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 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 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 terperinciGambar 1.1 Contoh Ilustrasi Kasus CVRP 13
BAB I PENDAHULUAN 1.1. Latar Belakang Vehicle Routing Problem (VRP) merupakan konsep umum yang digunakan untuk semua permasalahan yang melibatkan perancangan rute optimal untuk armada kendaraan yang melayani
Lebih terperinciBAB 4 PERANCANGAN DAN IMPLEMENTASI PROGRAM. dengan struktur yang sederhana dengan algoritma yang rumit, sehingga
38 BAB 4 PERANCANGAN DAN IMPLEMENTASI PROGRAM 4.1 Perancangan Program Aplikasi 4.1.1 Bentuk Program Perancangan program cutting stock problem solver tergolong program dengan struktur yang sederhana dengan
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 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 terperinciBAB III METODE PENELITIAN. melakukan survey dengan kuisioner mencari informasi dari media yang
BAB III METODE PENELITIAN 3.1 Waktu dan Tempat Penelitian Waktu penelitian dimulai dari bulan Januari hingga desember 2014. Dengan tempat penelitian pada Kominfo Jatim yang termasuk juga sebagai penyelenggara
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI
54 BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Implementasi Program 4.1.1 Spesifikasi Kebutuhan Program Spesifikasi Perangkat Keras Perangkat keras yang digunakan untuk merancang sistem ini adalah : Processor
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 terperinciPRESENTASI TUGAS AKHIR
PRESENTASI TUGAS AKHIR Travelling Salesman Problem menggunakan Algoritma Genetika Via GPS berbasis Android (kata kunci : android,gps,google Maps, Algoritma Genetika, TSP) Penyusun Tugas Akhir : Azmi Baharudin
Lebih 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 terperinciBAB 3 ANALISIS DAN PERANCANGAN
BAB 3 ANALISIS DAN PERANCANGAN 3.1 Gambaran Umum Departemen Pekerjaan Umum Departemen Pekerjaan Umum, biasa disebut Departemen PU, sempat bernama "Departemen Permukiman dan Pengembangan Wilayah" (1999-2000)
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 terperinciT I N J A U A N P U S T A K A Algoritma Genetika [5]
Algoritma Genetika [5] Fitness adalah nilai yang menyatakan baik-tidaknya suatu jalur penyelesaian dalam permasalahan TSP,sehingga dijadikan nilai acuan dalam mencari jalur penyelesaian optimal dalam algoritma
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pada awal diciptakan, komputer hanya difungsikan sebagai alat hitung saja. Namun seiring dengan perkembangan zaman, maka peran komputer semakin mendominasi kehidupan.
Lebih terperinciBAB II 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 3 ANALISIS DAN PERANCANGAN SISTEM
BAB 3 ANALISIS DAN PERANCANGAN SISTEM 3.1 Gambaran Umum Perusahaan 3.1.1 Sejarah Umum Perusahaan NIKO FURNITURE adalah perusahaan swasta, yang didirikan pada tahun 2000. Perusahaan ini bergerak dalam bidang
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 terperinciManual Penggunaan Algoritma Tabu Search untuk Mengoptimasikan Penjadwalan Job Shop
Manual Penggunaan Algoritma Tabu Search untuk Mengoptimasikan Penjadwalan Job Shop Akhmad Hidayatno Armand Omar Moeis Komarudin Zulkarnain Aziiz Sutrisno Laboratorium Rekayasa, Simulasi dan Pemodelan Sistem
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Traveling Salesman Problem (TSP) adalah permasalahan dimana seorang salesman harus mengunjungi semua kota yang ada dan kota tersebut hanya boleh dikunjungi tepat satu
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN
BAB 3 ANALISIS DAN PERANCANGAN 3.1 Gambaran Umum Manusia mempunyai kemampuan untuk belajar sejak dia dilahirkan, baik diajarkan maupun belajar sendiri, hal ini dikarenakan manusia mempunyai jaringan saraf.
Lebih terperinciBAB III METODE PENELITIAN
digilib.uns.ac.id BAB III METODE PENELITIAN Penelitian ini sebelumnya diawali oleh pengumpulan litelatur dan pengumpulan data. Pengumpulan literatur merupakan pengumpulan bahan-bahan seperti jurnal, buku,
Lebih terperinciBAB 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 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 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 terperinciBAB IV Perancangan dan Implementasi
BAB IV Perancangan dan Implementasi Bab ini memuat perancangan dan implementasi yang dilakukan dalam penulisan Tugas Akhir, mencakup deskripsi dan lingkungan implementasi perangkat lunak, rancangan dan
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
1 BAB I PENDAHULUAN 1.1. Latar Belakang Perkembangan dunia usaha mengalami persaingan yang begitu ketat dan peningkatan permintaan pelayanan lebih dari pelanggan. Dalam memenangkan persaingan tersebut
Lebih terperinciBAB 3 METODOLOGI. Metodologi penelitian yang digunakan dalam penulisan ini adalah studi
BAB 3 METODOLOGI 3.1 Metodologi Penelitian Metodologi penelitian yang digunakan dalam penulisan ini adalah studi kepustakaan dan studi laboratorium dimana penulis mempelajari teori-teori teknik pencarian
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 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 terperinci1. Pendahuluan 1.1. Latar Belakang
1. Pendahuluan 1.1. Latar Belakang Perkembangan teknologi informasi yang begitu pesat sekarang ini memberikan dampak yang besar terhadap kinerja manusia khususnya dalam bekerja. Segala sesuatu yang dahulu
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah 1.2 Perumusan Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Masalah pemilihan lokasi usaha yang tepat merupakan salah satu faktor penunjang suksesnya suatu usaha. Dalam pemilihan lokasi usaha yang tepat diperlukan pertimbangan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi komputer yang sangat pesat membawa perubahan yang signifikan bagi kehidupan manusia. Dengan semakin berkembangnya teknologi komputer, semakin
Lebih terperinciCrossover Probability = 0.5 Mutation Probability = 0.1 Stall Generation = 5
oleh pengguna sistem adalah node awal dan node tujuan pengguna. Lingkungan Pengembangan Sistem Implementasi Algoritme Genetika dalam bentuk web client menggunakan bahasa pemrograman PHP dan DBMS MySQL.
Lebih terperinciAPLIKASI SIMULATED ANNEALING UNTUK MENYELESAIKAN TRAVELLING SALESMAN PROBLEM
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 03, No. 1 (2015), hal 25 32. APLIKASI SIMULATED ANNEALING UNTUK MENYELESAIKAN TRAVELLING SALESMAN PROBLEM Edi Samana, Bayu Prihandono, Evi Noviani
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 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 terperinciManual Penggunaan Algoritma Evolusi Diferensial untuk Mengoptimasikan Tata Letak Fasilitas Komarudin
Manual Penggunaan Algoritma Evolusi Diferensial untuk Mengoptimasikan Tata Letak Fasilitas Komarudin Laboratorium Rekayasa, Simulasi dan Pemodelan Sistem Departemen Teknik Industri Fakultas Teknik Universitas
Lebih terperinciPRESENTASI TUGAS AKHIR KI091391
PRESENTASI TUGAS AKHIR KI091391 PENDEKATAN CROSSOVER TERBARU UNTUK MENYELESAIKAN MULTIPLE TRAVELLING SALESMEN PROBLEM MENGGUNAKAN ALGORITMA GENETIKA (Kata kunci: multiple salemen problem, algoritma genetika,
Lebih 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 terperinciPERANCANGAN TATA LETAK FASILITAS BAGIAN PRODUKSI MENGGUNAKAN METODE ALGORITMA GENETIK DI PT. PUTRA SEJAHTERA MANDIRI
PERANCANGAN TATA LETAK FASILITAS BAGIAN PRODUKSI MENGGUNAKAN METODE ALGORITMA GENETIK DI PT. PUTRA SEJAHTERA MANDIRI TUGAS SARJANA Diajukan Untuk Memenuhi Sebagian Dari Syarat-Syarat Memperoleh Gelar Sarjana
Lebih terperinciBAB I PENDAHULUAN. wisata budaya, wisata belanja, hingga wisata Alam. Untuk menarik minat
BAB I PENDAHULUAN A. Latar Belakang Masalah Objek pariwisata di Yogyakarta sudah semakin beragam mulai dari wisata budaya, wisata belanja, hingga wisata Alam. Untuk menarik minat wisatawan dapat dibuat
Lebih terperinciBAB III Analisis. Gambar III.1 Rancangan Pemrosesan
BAB III Analisis Bab ini memuat analisis yang dilakukan dalam penulisan Tugas Akhir, berupa analisis terhadap rancangan pemrosesan, yang dibagi menjadi bagian Preprosesor, Algoritma Genetika, dan bagian
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 terperinciAPLIKASI HASIL PENCARIAN DAN RUTE PENGIRIMAN BARANG DARI SOLUSI MASALAH TRANSPORTASI BIKRITERIA DENGAN METODE LOGIKA FUZZY
APLIKASI HASIL PENCARIAN DAN RUTE PENGIRIMAN BARANG DARI SOLUSI MASALAH TRANSPORTASI BIKRITERIA DENGAN METODE LOGIKA FUZZY Faisal Dosen Jurusan Teknik Informatika Fakultas Sains & Teknologi UIN Alauddin
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 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 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 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 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 terperinciOTOMASI PENJADWALAN KEGIATAN PRKULIAHAN DI PERGURUAN TINGGI MENGGUNAKAN METODE ALGORITMA GENETIKA ( STUDI KASUS STIKI )
OTOMASI PENJADWALAN KEGIATAN PRKULIAHAN DI PERGURUAN TINGGI MENGGUNAKAN METODE ALGORITMA GENETIKA ( STUDI KASUS STIKI ) Siska Diatinari Andarawarih 1) 1) Program Studi Teknik Informatika, Sekolah Tinggi
Lebih terperinciTravelling Salesman Problem Menggunakan Algoritma Genetika Via GPS Berbasis Android
1 Travelling Salesman Problem Menggunakan Algoritma Genetika Via GPS Berbasis Android Azmi Baharudin, Ary Mazharuddin Shiddiqi, Baskoro Adi Pratomo Jurusan T.Informatika, Fakultas Teknologi Informasi,
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
1 BAB I PENDAHULUAN 1.1. Latar Belakang Clustering adalah proses di dalam mencari dan mengelompokkan data yang memiliki kemiripan karakteristik (similarity) antara satu data dengan data yang lain. Clustering
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 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 4 IMPLEMENTASI DAN EVALUASI
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Spesifikasi Kebutuhan Program Untuk menjalankan aplikasi ini ada beberapa kebutuhan yang harus dipenuhi oleh pengguna. Spesifikasi kebutuhan berikut ini merupakan spesifikasi
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 terperinciBAB 4 IMPLEMENTASI DAN EVALUASI. Berikut ini merupakan spesifikasi perangkat keras dan perangkat lunak yang
BAB IMPLEMENTASI DAN EVALUASI. Implementasi Sistem Berikut ini merupakan spesifikasi perangkat keras dan perangkat lunak yang diperlukan agar program simulasi Tata Letak Tempat Sampah dengan Algoritma
Lebih terperinciBAB III ALGORITMA MEMETIKA DALAM MEMPREDIKSI KURS VALUTA ASING. Untuk memberikan penjelasan mengenai prediksi valuta asing
BAB III ALGORITMA MEMETIKA DALAM MEMPREDIKSI KURS VALUTA ASING Untuk memberikan penjelasan mengenai prediksi valuta asing menggunakan algoritma memetika, akan diberikan contoh sebagai berikut. Contoh Misalkan
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 4 IMPLEMENTASI DAN EVALUASI SISTEM. Implementasi dan pengujian dalam merancang program aplikasi
BAB 4 IMPLEMENTASI DAN EVALUASI SISTEM 41 Implementasi Sistem 411 Spesifikasi Hardware dan Software Implementasi dan pengujian dalam merancang program aplikasi penentuan jalur pendistribusian barang ini
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Pendahuluan
BAB 1 PENDAHULUAN 1.1 Pendahuluan Dewasa ini fungsi komputer semakin dibutuhkan, baik bagi perusahaan besar maupun kecil. Adapun fungsi dari komputer itu sendiri adalah mengolah data-data yang ada menjadi
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 terperinciIMPLEMENTASI ALGORITMA GENETIKA HYBRID (BEST IMPROVEMENT SEARCH) PADA VEHICLE ROUTING PROBLEM WITH TIME WINDOW
IMPLEMENTASI ALGORITMA GENETIKA HYBRID (BEST IMPROVEMENT SEARCH) PADA VEHICLE ROUTING PROBLEM WITH TIME WINDOW Fitria Dwi Rosi, Purwanto, dan Mohammad Yasin Universitas Negeri Malang ABSTRAK: Vehicle Routing
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 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 terperinci3.2.3 Resiko, Keuntungan dan Kerugian Forex Metode Prediksi dalam Forex MetaTrader 4 sebagai Platform Trading dalam Forex...
DAFTAR ISI HALAMAN PENGESAHAN... iii PERNYATAAN... iv HALAMAN MOTTO DAN PERSEMBAHAN... v PRAKATA... vi DAFTAR ISI... viii DAFTAR GAMBAR... xi DAFTAR TABEL... xiv DAFTAR PERSAMAAN... xv DAFTAR LAMPIRAN...
Lebih terperinciBAB 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 terperinciHASIL DAN PEMBAHASAN. Gambar 7 Diagram alur proses mutasi.
5 Mulai HASIL DAN PEMBAHASAN Kromosom P = rand [0,1] Ya P < Pm R = random Gen(r) dimutasi Selesai Tidak Gambar 7 Diagram alur proses mutasi. Hasil populasi baru yang terbentuk akan dievaluasi kembali dan
Lebih terperinciBAB 3 PERANCANGAN PROGRAM
BAB 3 PERANCANGAN PROGRAM 3.1 Analisis Perancangan Program 3.1.1 Struktur Program Input yang diperlukan program berupa data inventori. Data inventori yang dibutuhkan di sini meliputi ID barang, nama barang,
Lebih terperinciIMPLEMENTASI ALGORITMA GENETIKA DALAM OPTIMASI JALUR PENDISTRIBUSIAN KERAMIK PADA PT. CHANG JUI FANG
IMPLEMENTASI ALGORITMA GENETIKA DALAM OPTIMASI JALUR PENDISTRIBUSIAN KERAMIK PADA PT. CHANG JUI FANG Adnan Buyung Nasution 1 1,2 Sistem Infomasi, Tehnik dan Ilmu Komputer, Universitas Potensi Utama 3 Universitas
Lebih terperinciBAB IV. adalah tahap implementasi dan penyempurnaan. Berikut ini akan dijelaskan. implementasi dari aplikasi permainan komputer game knight s tour
BAB IV IMPLEMENTASI DAN PENGUJIAN SISTEM 4.1 Implementasi Se tahap analisis dan perancangan selesai dilakukan, maka tahap selanjutnya adalah tahap implementasi dan penyempurnaan. Berikut ini akan dijelaskan
Lebih terperinciKATA PENGANTAR. DAFTAR TABEL.. xviii. 1.1 Latar Belakang Masalah 1
DAFTAR ISI Halaman HALAMANJUDUL LEMBAR PENGESAHAN PEMBIMBING LEMBAR PERNYATAAN KEASLIAN HASIL TUGAS AKHIR LEMBAR PENGESAHAN PENGUJI HALAMAN PERSEMBAHAN HALAMAN MOTTO KATA PENGANTAR ABSTRAKSI DAFTAR ISI
Lebih terperinci