PENGGUNAAN ALGORITMA GENETIK DENGAN PEMODELAN DUA TINGKAT DALAM PERMASALAHAN PENJADWALAN PERAWAT PADA UNIT GAWAT DARURAT RUMAH SAKIT UMUM XYZ SURABAYA
|
|
- Susanti Sudjarwadi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PENGGUNAAN ALGORITMA GENETIK DENGAN PEMODELAN DUA TINGKAT DALAM PERMASALAHAN PENJADWALAN PERAWAT PADA UNIT GAWAT DARURAT RUMAH SAKIT UMUM XYZ SURABAYA Mahendrawathi Er, Ph.D, Danu Pranantha, ST, M.Sc, Anisa Ulya 1) Sistem Informasi, Fakultas Teknologi Informasi, ITS Sukolilo, Surabaya, anisa.ulya@gmail.com 1) Abstrak Dengan data nyata yang diambil dari Rumah Sakit XYZ Surabaya, dalam tugas akhir ini penjadwalan perawat pada UGD akan dilakukan dengan menggunakan Genetic Algorithm (GA) dengan pemodelan dua tingkat. Pada tingkat pertama, pemodelan dilakukan untuk menjadwalkan hari libur perawat. Sedangkan pada tingkat kedua, pemodelan dilakukan untuk menjadwalkan shift kerja perawat. Pemodelan dirancang untuk meng-hasilkan solusi berupa jadwal perawat yang bisa memenuhi batasanbatasan penjadwalan yang berlaku pada setiap tingkat pemodelan, membagi hari libur dan shift kerja secara lebih merata, serta mendekati jadwal kerja yang diinginkan perawat. Solusi dengan nilai fitness terbaik didapat dari skenario ujicoba ke-6, dengan nilai maksimal generasi 100, jumlah gen yang dimutasi sebanyak 2 gen, serta jumlah titik potong pada crossover sebanyak 5 titik. Sedangkan untuk pembobotan fungsi fitness, bobot yang menghasilkan solusi dengan nilai fitness yang paling seimbang adalah bobot 1 untuk varians dan 1,5 untuk rasio. Keywords: algoritma genetika, nurse scheduling problem 1. PENDAHULUAN Sebagai unit yang pertama kali menerima pasien dalam kondisi darurat, Unit Gawat Darurat (UGD) menjadi salah satu unit terpenting dan tersibuk di rumah sakit. Sementara itu waktu kedatangan pasien tidak bisa diprediksi. Oleh karena itu UGD beserta sumber dayanya seperti perawat, dokter, peralatan medis dan obatobatan, dituntut untuk tersedia selama 24 jam sehari 7 hari seminggu. Bagi perawat, panjangnya jam kerja pada UGD dikhawatirkan akan berdampak buruk pada kualitas kinerja, kondisi fisik maupun kehidupan sosial. Untuk menghindarinya, salah satu cara yang dapat diusahakan pihak managemen rumah sakit adalah membuat kebijakan penjadwalan kerja yang bisa membagi panjangnya jam kerja secara adil kepada seluruh perawat yang tersedia. Hal ini menjadi penyebab lebih disukainya penjadwalan dengan shift dibanding non-shift. Permasalahan penjadwalan perawat atau dikenal dengan NSP (Nurse Scheduling Problem) menjadi hal yang menantang karena dengan jumlah perawat yang relatif terbatas dibanding banyaknya pasien dan shift kerja, penjadwal dituntut untuk mendapatkan jadwal dengan beban kerja seadil mungkin untuk setiap perawat serta memenuhi batasan-batasan penjadwalan yang ada. Padahal pemenuhan semua batasan penjadwalan seringkali terhambat ketika satu batasan terpenuhi, namun ternyata batasan lain terlanggar. Misalnya batasan jumlah maksimal liburan per perawat mungkin terlanggar ketika batasan jumlah minimal perawat dalam satu shift kerja terpenuhi. Oleh karena itu, bukanlah hal yang aneh bila selama ini membutuhkan waktu yang relatif lama untuk membuat penjadwalan perawat pada UGD secara manual, walaupun jadwal yang dihasilkan seringkali masih tidak memenuhi batasan penjadwalan, dan tidak membagi hari libur serta shift kerja secara merata kepada setiap perawat. Sedangkan bila ingin menghasilkan jadwal yang lebih optimal secara manual, tentu membutuhkan waktu yang lebih lama. Dalam perkembangannya, banyak dilakukan penelitian terhadap permasalahan penjadwalan perawat pada UGD dengan metode-metode tertentu secara komputasional untuk mendapatkan jadwal yang optimal dalam jangka waktu yang relatif cepat dibandingkan penjadwalan secara manual. Contohnya, Pratama (2008) mengimplementasikan Goal Programming (GP) untuk 1
2 melakukan penjadwalan perawat pada UGD. Dengan membuat dua jenis constraint dan memberikan bobot pada setiap constraint-nya, secara keseluruhan dihasilkan jadwal yang lebih optimal 5,4013 kali dengan GP dibandingkan dengan cara manual. Sayangnya, waktu yang dibutuhkan untuk running program hingga menghasilkan jadwal masih sangat lama, yaitu 6 hari. Pada Tugas Akhir (TA) ini akan dilakukan penjadwalan perawat pada UGD dengan Genetic Algorithm (GA) dan dua tingkat pemodelan. Pemodelan tingkat pertama dilakukan untuk menentukan hari libur dan hari kerja perawat, sedangkan pemodelan tingkat kedua dilakukan untuk menentukan shift kerja perawat. Pada masing-masing tingkat terdapat fungsi tujuan yaitu meminimalkan nilai fitness berupa varians hari libur, varians shift kerja, dan nilai rasio perbedaan jadwal. Masing-masing nilai fitness tersebut memiliki bobot tertentu yang akan mempengaruhi kualitas jadwal yang dihasilkan. Sehingga pembobotan nilai fitness harus disesuaikan dengan kualitas jadwal yang diinginkan. 2. TINJAUAN PUSTAKA Algoritma Genetik adalah teknik pencarian stokastik berdasarkan mekanisme seleksi alam dan pewarisan genetik (Gen & Cheng, 1997). Pencarian acak dengan algoritma genetik berpotensi untuk menemukan solusi global optimal walaupun tetap tidak dapat dibuktikan apakah solusi yang didapat adalah yang terbaik. Algoritma ini telah digunakan dalam banyak takaran yang berbeda, dari pertukaran stok, penjadwalan, mengetahui jarak minimal, optimasi desain layout hingga pemrograman robot. Beberapa hal yang mendasari algoritma genetika diantaranya: (1)representasi solusi kedalam kromosom, (2)fungsi fitness, (3)operasi algoritma genetik, (4)parameter genetik, serta (5)strategi menangani kromosom infeasible. 2.1 Representasi Kromosom Solusi dikodekan ke dalam bentuk kromosom sebelum diproses dengan algoritma genetik. Sebuah kromosom dirancang supaya bisa mewakili nilai sebuah solusi. Kromosom terdiri dari gen yang memiliki nilai (allele) dan posisi (locus). Sebagai contoh pengkodean, jika dicari nilai maksimum sebuah fungsi yang terdiri dari 3 variabel F(x,y,z) dan setiap variable terdiri dari 6 bit. Maka kromosom bisa dibentuk dari 3 gen (mewakili 3 variabel), dengan masing-masing gen terdiri dari 6 bit. Sehingga sebuah kromosom akan terdiri dari 18 bit. 2.2 Fungsi Fitness Fungsi fitness digunakan untuk mengevaluasi kromosom. Fungsi fitness yang baik harus mampu memberikan nilai fitness sesuai dengan kinerja kromosom. Pada permulaan generasi biasanya nilai fitness antar kromosom memiliki rentang nilai yang besar, namun pada generasi selanjutnya rentang nilai semakin kecil. 2.3 Operasi Algoritma Genetik Operasi pada algoritma genetik terbagi menjadi 2, yaitu evolusi dan operator genetik(gen & Cheng, 1997). Evolusi dijalankan dengan operasi seleksi, yang merepresentasikan individu yang terbaiklah yang bisa bertahan. Sedangkan operasi genetik terdiri dari (1)mutasi, yang merepresentasikan modifikasi acak pada suatu individu, dan (2)crossover, yang merepresentasikan perkawinan 2 individu untuk mendapatkan individu baru. 2.4 Parameter Genetik Parameter genetik berguna untuk mengendalikan penggunaan operasi genetik. Parameter yang digunakan berupa ukuran populasi, jumlah generasi maksimal, probabilitas crossover dan probabilitas mutasi. Tidak ada aturan pasti tentang berapa nilai setiap parameter ini (Saputro & Yento, 2004). 2.5 Menangani Batasan Pada permasalahan yang memiliki batasan, operasi genetik bisa jadi membuat kromosom melanggar fungsi batasan. Kromosom yang melanggar fungsi batasan keluar dari daerah solusi feasible. Untuk menangani permasalahan ini terdapat bermacam strategi, diantaranya strategi rejecting, strategi repairing, dan strategi penalty. Strategi rejecting dilakukan dengan mengeliminasi kromosom infeasible dari populasi. Strategi repairing dilakukan dengan memperbaiki kromosom infeasible menggunakan algoritma repairing tertentu. Strategi penalty mengubah permasalahan yang memiliki batasan menjadi permasalahan yang tidak memiliki batasan dengan cara memberlakukan penalti terhadap solusi infeasible, dimana fungsi penalty ditambahkan ke dalam fungsi fitness ketika batasan yang ada 2
3 dilanggar oleh solusi infeasible (Gen & Cheng, 1997). 3. METODOLOGI PENELITIAN 3.1 Studi Literatur Studi literatur dilakukan untuk mendukung pengerjaan tugas akhir dan meningkatkan pemahaman mengenai permasalahan yang diangkat dalam tugas akhir ini. Sumber literatur berupa buku, jurnal, maupun artikel dari halaman internet, terangkum dalam bab II tugas akhir ini. Topik-topik literatur yang digunakan adalah sebagai berikut: - Permasalahan penjadwalan perawat - Algoritma genetika secara umum - Penanganan permasalahan penjadwalan perawat dengan algoritma genetik 3.2 Pengumpulan Data dan Informasi - Wawancara Mewawancara pihak managemen rumah sakit tentang kondisi yang berhubungan dengan penjadwalan perawat pada UGD. - Pengambilan data sekunder Mengambil data sekunder pada rumah sakit XYZ Surabaya berupa data batasan penjadwalan serta jadwal perawat buatan pihak managemen rumah sakit dalam periode penjadwalan 1 bulan, yaitu maret Dalam tugas akhir ini, jadwal kerja buatan managemen ini digunakan sebagai pengganti jadwal yang diinginkan perawat. Jadwal ini akan digunakan untuk menghitung nilai rasio perbedaan antara jadwal yang dihasilkan sistem dengan jadwal yang diinginkan perawat. Sedangkan data batasan penjadwalan digunakan sebagai nilai batas pada fungsi batasan. 3.3 Mengadaptasi Model pada Studi Kasus Formulasi model penyelesaian masalah pada tugas akhir ini diadaptasi dari model penyelesaian pada paper berjudul A two-stage modeling with genetic algorithms for the nurse scheduling problem oleh Tsai & Li (2008) dengan beberapa penyesuaian terhadap kasus nyata yang ditemukan pada Rumah Sakit XYZ Surabaya, yaitu: - Jumlah shift kerja perawat adalah 3 shift (shift pagi, sore dan malam) - Tidak ada kebijakan yang mengadakan libur akhir pekan atau libur pada hari tertentu lainnya. Perawat libur pada hari apapun ketika dijadwalkan untuk libur. Sehingga perlakuan kebijakan penjadwalan sama untuk semua hari. - Jumlah minimal perawat pada shift malam sama untuk semua hari. - Kebijakan jadwal shift malam yang tidak boleh diikuti shift pagi keesokan harinya berlaku untuk semua hari kerja. 3.4 Pembuatan Aplikasi Pada tahap ini akan dilakukan pembuatan aplikasi dengan menggunakan bahasa pemrograman MATLAB. 3.5 Uji Coba dan Evaluasi Program Pelaksanaan uji coba bertujuan untuk mengetahui validitas solusi terhadap fungsifungsi batasan yang berlaku, membandingkan kualitas jadwal yang diinginkan perawat dengan jadwal buatan sistem, mengetahui pengaruh dari setiap faktor kontrol, mengetahui skenario uji terbaik, serta mengetahui bobot rasio dan varians terbaik. 3.6 Analisis Solusi yang Dihasilkan Pada tahap ini akan dilakukan analisis terhadap solusi yang dihasilkan dari uji coba yang telah dilakukan. Berikut ini adalah nilai dari solusi yang digunakan dalam proses analisis: 1. Rerata nilai fitness Nilai fitness populasi dari setiap iterasi akan dihitung rata-ratanya. 2. Rerata nilai rasio perbedaan jadwal Nilai rasio perbedaan antara jadwal buatan sistem dengan jadwal yang diinginkan perawat dari setiap iterasi akan dihitung rata-ratanya. 4.1 PERANCANGAN & IMPLEMENTASI SISTEM 4.1 Notasi Matematis Notasi matematis yang digunakan dalam fungsi batasan dan fungsi fitness pada tugas akhir ini dipaparkan dalam tabel 4.1. Tabel 1.1 Notasi matematis yang digunakan pada algoritma genetika dengan pemodelan dua tingkat Notasi i Penjelasan Notasi untuk perawat yang akan dijadwalkan N Jumlah perawat yang akan dijadwalkan t Notasi untuk menyatakan hari yang akan dijadwalkan T Rit Jumlah hari yang akan dijadwalkan - Bernilai 1 bila perawat i libur di hari ke t pada penjadwalan buatan sistem. - Bernilai 0 bila perawat i bekerja di hari ke t pada penjadwalan yang 3
4 dihasilkan sistem Oit - Bernilai 1 bila perawat i libur di hari ke t pada penjadwalan yang diinginkan perawat - Bernilai 0 bila perawat i bekerja hari ke t pada penjadwalan yang diinginkan perawat Z Jumlah libur dasar maksimal untuk seorang perawat yang diperbolehkan RS selama 1 minggu Si Jumlah cuti yang diijinkan untuk Pt seorang perawat selama satu tahun Jumlah maksimal perawat yang bisa libur pada hari t mindt Jumlah minimal perawat yang dibutuhkan untuk shift pagi pada hari ke t minst Jumlah minimal perawat yang dibutuhkan untuk shift sore pada hari ke t minnt Jumlah minimal perawat yang dibutuhkan untuk shift malam pada hari ke t Dit Sit Nit Eit Rit Mit bekerja pada shift pagi hari ke t pada jadwal buatan sistem shift pagi di hari ke t berjaga shift pagi di hari ke t bekerja pada shift sore hari ke t pada jadwal buatan sistem 4.1 Bernilai 1 bila perawat i berjaga di shift sore di hari ke t 4.2 Bernilai 0 bila perawat i tidak berjaga shift sore di hari ke t bekerja pada shift malam hari ke t pada jadwal buatan sistem shift malam di hari ke t berjaga shift malam di hari ke t bekerja pada shift pagi hari ke t pada jadwal yang diinginkan perawat. shift pagi di hari ke t berjaga shift pagi di hari ke t bekerja pada shift sore hari ke t pada jadwal yang diinginkan perawat. shift sore di hari ke t berjaga shift sore di hari ke t bekerja pada shift malam hari ke t pada jadwal yang diinginkan perawat. shift malam di hari ke t berjaga shift malam di hari ke t 4.2 Formula Matematis Fungsi Fitness Model Penjadwalan Hari Libur Perawat Fungsi fitness pada tingkat ini adalah (1) meminimalkan ketidak sesuaian antara jadwal yang diinginkan perawat dengan jadwal yang dihasilkan sistem serta (2) meminimalkan nilai varians dari hari libur yang didapatkan perawat. Secara matematis fungsi tujuan pada tingkat pertama ini dinotasikan sebagai berikut: (4.1) Y adalah rasio ketidak sesuaian hari libur dan hari kerja pada jadwal yang diinginkan perawat dengan jadwal yang dihasilkan sistem. Ketika jadwal yang dihasilkan sistem sesuai dengan jadwal yang dibuat perawat, Rit-Oit akan bernilai nol. Namun Rit-Oit akan bernilai satu jika kedua jadwal sesuai. Rasio ketidak sesuaian ini diminimalkan supaya jadwal yang dihasilkan sistem mendekati jadwal yang diharapkan perawat. (4.2) Z adalah nilai varians hari libur masing-masing perawat. Semakin kecil nilai varians, maka kesetaraan perolehan jumlah hari libur antara perawat semakin seimbang. (4.3) b1 dan b2 adalah nilai bobot yang bisa disesuaikan dengan nilai tujuan yang diinginkan Fungsi Fitness Model Penjadwalan Shift Kerja Perawat Fungsi fitness pada tingkat dua sudah mengalami penyesuaian sebagai akibat dari adanya shift tambahan, yaitu shift sore. Pada tingkat ini fungsi fitness adalah (1)meminimalkan varians shift pagi, shift sore dan shift malam pada penjadwalan oleh sistem, serta (2)meminimalkan ketidak sesuaian perolehan shift antara jadwal yang diinginkan perawat dan jadwal yang dihasilkan sistem. Secara matematis fungsi tujuan pada tingkat kedua ini dinotasikan sebagai berikut: (4.4) X, Y dan W adalah nilai varians dari jumlah shift pagi, shift sore dan shift malam. Variable ini ditambahkan untuk mengevaluasi keseimbangan perolehan shift bagi setiap perawat pada jadwal 4
5 yang dihasilkan sistem. Semakin kecil nilai varians shift kerja, maka keseteraan jumlah shift kerja yang diterima para perawat semakin sama. V adalah Rasio ketidaksesuaian antara shift kerja pada jadwal yang diinginkan perawat dan jadwal yang dihasilkan sistem. (4.5) (4.6) (4.7) Fungsi Batasan Model Penjadwalan Shift Kerja Perawat Pada tingkat dua, fungsi batasan difokuskan untuk memenuhi ketentuan pembagian shift kerja perawat. Fungsi batasan pada tahap ini mengalami penyesuaian dengan kebijakan penjadwalan shift kerja pada Rumah Sakit XYZ Surabaya. - Batasan 2.1 (4.12) - Batasan 2.2 (4.13) - Batasan 2.3 (4.14) Batasan 2.1, 2.2 dan 2.3 membatasi jumlah (4.8) perawat untuk (4.8) shift pagi, shift sore dan malam yang berjaga setiap hari harus lebih banyak atau b3, b4, b5dan b6 adalah bobot fitness yang bisa sama dengan jumlah minimal perawat per shift diubah sesuai dengan nilai X, Y, W dan V yang yang ditentukan rumah sakit. Jumlah minimal ingin dicapai. Bobot fitness ini akan perawat per shift pada tugas akhir ini adalah 4 mempengaruhi kualitas solusi yang dihasilkan orang. sistem. Untuk mengetahui pengaruh dari bobot - Batasan 2.4 fitness serta nilai bobot yang baik, akan Tidak boleh berjaga shift pagi setelah berjaga dilakukan ujicoba bobot fitness pada bab 5 shift malam pada hari sebelumnya. tugas akhir ini. (4.15) Fungsi Batasan Model Penjadwalan Hari Libur Perawat Fungsi-fungsi berikut merupakan batasan yang harus dipenuhi pada jadwal yang dihasilkan sistem. Pada tingkat satu, fungsi batasan difokuskan untuk memenuhi ketentuan hari libur bagi perawat yang ditetapkan pihak rumah sakit. - Batasan 1.1 Jumlah libur yang dibolehkan untuk masingmasing perawat selama waktu penjadwalan tidak bisa melebihi jumlah libur yang ditetapkan rumah sakit. Dengan H adalah jumlah libur dasar maksimal dan Si adalah jumlah cuti untuk perawat i pada periode tahun itu. N (4.9) - Batasan 1.2 Jumlah perawat libur dalam 1 hari maksimal sejumlah perawat yang ditoleransi pihak rumah sakit. (4.10) - Batasan 1.3 Dalam 7 hari jaga secara berturut-turut harus terdapat 1 hari libur. (4.11) Tabel 4.2 menunjukkan rangkuman dari nilainilai batas dalam batasan penjadwalan yang berlaku pada Rumah Sakit XYZ Surabaya. Tabel 4.2 Data batasan penjadwalan Jumlah hari yang dijadwalkan Jumlah perawat yang dijadwalkan Jumlah maksimal libur perawat/bulan Jumlah maksimal perawat libur/hari Jumlah minimal perawat shift pagi Jumlah minimal perawat shift sore Jumlah minimal perawat shift malam 4.3 Representasi Kromosom 1 bulan 21 perawat 12 hari 9 perawat 4 perawat 4 perawat 4 perawat Kromosom merepresentasikan jadwal kerja N perawat selama T hari. Tabel 4.3 menunjukkan matriks T x N yang merupakan jadwal libur dan kerja setiap perawat yang sudah diubah kedalam bentuk kromosom. Dengan X axis adalah hari yang dijadwalkan dan Y axis adalah perawat. Kromosom ini tersusun dari gen yang terdiri dari 5 tipe, yaitu: - Gen = 1, berarti perawat i mendapat giliran shift pagi pada hari t - Gen = 2, berarti perawat i mendapat giliran shift sore pada hari t - Gen = 3, berarti perawat i mendapat giliran shift malam pada hari t - Gen = 4, berarti perawat i mendapat libur spesial atau cuti pada hari t - Gen = 5, hari t belum terjadwalkan untuk perawat i. 5
6 - Gen = A sampai J, merupakan tingkat prioritas hari t untuk menjadi hari libur dasar oleh perawat i. A menggambarkan prioritas tertinggi, dimana perawat i sangat menginginkan hari t sebagai hari libur, sedangkan J adalah prioritas terendah. Pemberian prioritas pada hari libur ini berguna pada proses evolusi karena gen dengan prioritas terendah akan memiliki kemungkinan lebih besar untuk dimutasi ketika kromosom tidak memenuhi fungsi batasan. Tabel 1.3 Kromosom dari jadwal yang dibuat oleh perawat t=1 t=2 t=3... t=t i=1 1 3 B... 2 i=2 A i=3 2 1 C... D i=n Modifikasi Penjadwalan Hari Libur Perawat Modifikasi tingkat ini dilakukan untuk memperbaiki kromosom yang melanggar fungsi batasan 1.1, 1.2 dan 1.3, yang mengatur jumlah libur per perawat, jumlah libur per hari, serta jumlah libur minimal per minggu. Modifikasi ini berjalan sebagaimana diilustrasikan pada tabel 4.4, dengan prosedur sebagai berikut: 1. Hitung jumlah hari libur selama 1 hari dan jumlah hari libur yang diterima 1 perawat selama 30 hari. 2. Bandingkan hasil penjumlahan tersebut dengan jumlah yang tertera dalam fungsi batasan 1.1 dan batasan 1.2. Tabel 1.4 Proses modifikasi t=1 t=2 t=3... t=t i=1 1 2 F i=2 A 1 B i=3 2 1 C... D i=n 1 2 D memiliki probabilitas lebih besar untuk tidak diganti. 4. Misalnya pada t=3, ada 4 orang perawat yang menginginkan libur. Bila batasan dalam sehari maksimal 3 perawat libur, maka perawat pertama dengan prioritas libur F lah yang jadwal liburnya akan dibatalkan. Sedangkan pada jadwal perawat i=n terdapat 7 hari libur. Bila batas libur 1 perawat adalah 6 hari, maka modifikasi akan dilakukan dengan mengeliminasi hari libur perawat i=n yang memiliki prioritas terendah. 5. Cek jadwal kerja perawat setiap 7 harian. Bila tidak terhadap satupun libur dalam 7 hari tersebut, kosongkan jadwal satu hari kerja diantara ke tujuh hari tersebut. 6. Bila fungsi batasan 1.1, 1.2 dan batasan 1.3 tidak dilanggar, maka tidak ada proses modifikasi. 4.5 Penjadwalan Shift Kerja Perawat Proses pembagian shift kerja ini dilakukan per perawat. Secara lebih detail berikut ini adalah prosedur pembagian shift kerja: 1. Sistem terlebih dahulu mengabaikan shift kerja pada kromosom dengan mengosongkan jadwal pada hari kerja. Sedangkan hari libur tetap bernilai libur dan tidak akan dimodifikasi ulang 2. Sistem menentukan perawat i yang akan diberikan shift kerja 3. Sistem mencari k shift kerja yang paling kekurangan perawat dan kompatibel dengan hari kerja perawat i 4. Sistem menjadwalkan k shift kerja tersebut kepada perawat i Langkah 2 sampai 4 dilakukan hingga semua perawat mendapatkan pembagian shift kerja. 4.6 Modifikasi Penjadwalan Shift Kerja Perawat Untuk mengatasi kromosom yang melanggar batasan 2.4, dilakukan proses modifikasi dengan prosedur berikut ini: 1. Mencari perawat i yang mendapatkan jadwal shift malam kemudian diikuti shift pagi keesokan harinya 2. Mencari perawat j yang mendapat giliran shift malam 3. Menukar shift pagi perawat i dengan shift malam perawat j 3. Bila jumlah tidak sesuai, cek prioritas gen pada penjadwalan yang dibuat perawat. Gen dengan prioritas liburan yang tinggi 6
7 4.7 Rancangan Diagram Alir Alur Algoritma Penyelesaian Alur penyelesaian dengan algoritma genetika dengan dua tingkat pemodelan adalah sebagai berikut: 1. Proses inisialisasi populasi. 2. Cek feasibilitas dari kromosomkromosom pada populasi terhadap batasan pada tingkat penjadwalan hari libur perawat. Jika terdapat kromosom yang infeasible maka lakukan modifikasi. Prosedur ini merupakan bentuk dari hubungan batasan permasalahan dengan algoritma penyelesaian. 3. Lakukan mutasi terhadap kromosom 4. Cek feasibilitas dari kromosomkromosom pada offspring. Jika terdapat kromosom yang infeasible terhadap batasan tingkat penjadwalan hari libur perawat maka lakukan prosedur modifikasi. 5. Melakukan evaluasi terhadap populasi. 6. Seleksi kromosom parent maupun offspring untuk bertahan pada populasi. 7. Penjadwalan shift kerja 8. Cek feasibilitas dari kromosomkromosom. Jika terdapat kromosom yang infeasible terhadap batasan tingkat penjadwalan shift kerja perawat maka lakukan prosedur modifikasi. 9. Melakukan evaluasi terhadap populasi. 10. Seleksi untuk mendapat kromosom parent 11. N-points crossover 12. Cek feasibilitas dari kromosomkromosom offspring. Jika terdapat kromosom yang infeasible terhadap batasan tingkat penjadwalan shift kerja perawat maka lakukan prosedur modifikasi. 13. Melakukan evaluasi terhadap populasi. 14. Membangkitkan generasi selanjutnya dari populasi dan offspring dengan menggunakan metode seleksi tournament selection. 15. Ulangi langkah 2-14 hingga memenuhi kondisi maksimal generasi yang diinginkan. 5. UJI COBA DAN ANALISIS Uji coba dilakukan terhadap faktor-faktor kontrol berupa maksimal generasi, jumlah gen yang dimutasi dan jumlah titik potong dalam crossover, yang membentuk 8 skenario ujicoba berbeda. Pada setiap skenario, digunakan probabilitas mutasi sebesar 0,5, probabilitas crossover sebesar 0,7, tournament size sebesar 4, offspring yang diambil untuk generasi baru sebanyak 10 kromosom, bobot varians hari libur perawat dan varians shift kerja perawat sebesar 1, dan bobot rasio perbedaan jadwal pada penjadwalan hari libur dan penjadwalan shift kerja sebesar 1,5. Setiap skenario akan diujikan dengan iterasi sebanyak 30 kali. Tabel 6.1 menunjukkan nilai faktor kontrol pada 8 skenario ujicoba, beserta nilai fitness dan rasio perbedaan jadwal yang dihasilkan. Nilai solusi minimal didapat dari skenario ke-6, dengan rerata fitness 8,871 dan nilai rerata rasio perbedaan jadwal 0,374. Hasil ini cukup sesuai dengan analisis uji coba faktor kontrol sebelumnya yang menyimpulkan bahwa maksimal gen 100 menghasilkan solusi lebih optimal dari maksimal generasi sebanyak 50, jumlah gen mutasi sebanyak 2 menghasilkan solusi lebih optimal dari jumlah gen mutasi sebanyak 4, serta jumlah titik potong 2 dan 5 dalam n-point crossover tidak memberikan perbedaan hasil yang terlalu besar. Tabel 6.1 Kombinasi nilai faktor kontrol sebagai skenario uji coba program No Titik Rasio Max Gen Nilai potong perbedaan Gen mutasi fitness crossover jadwal ,946 0, ,872 0, ,017 0, ,926 0, ,967 0, ,871 0, ,983 0, ,906 0,443 Uji coba berikutnya dilakukan untuk mengetahui pengaruh pembobotan dari dua faktor utama dalam fungsi fitness, yaitu varians hari libur perawat, dan rasio ketidaksesuaian jadwal. Uji coba dilakukan dengan mengubahubah kombinasi bobot varians dan rasio ketidaksesuaian. Skenario yang digunakan untuk uji bobot ini adalah skenario terbaik hasil uji coba sebelumnya. Kombinasi bobot varians dan rasio ketidaksesuaian jadwal, serta nilai fitness yang dihasilkan ditunjukkan oleh tabel 6.2. Tabel 6.2 Hasil uji bobot varians dan rasio pada nilai fitness Bobot Varians Bobot Rasio 1,5 2 2,5 3 Nilai Varians Hari Libur Perawat 0,0209 0,0247 0,0196 0,0203 Nilai Rasio Perbedaan Jadwal 0,2206 0,2202 0,2336 0,2249 7
8 Nilai rasio ketidaksesuaian yang kecil menunjukkan bahwa jadwal yang dihasilkan sistem mendekati jadwal yang diinginkan perawat dan sebaliknya. Sedangkan nilai varians yang kecil menunjukkan kesetaraan perolehan libur yang semakin merata antar para perawat. Dengan jadwal yang diinginkan perawat yang digunakan dalam uji ini, keempat bobot uji menghasilkan nilai varians yang berbanding terbalik dengan rasio. Ketika nilai varians meningkat, nilai rasio akan menurun, dan begitu pula sebaliknya. Ini dimungkinkan karena jadwal yang diinginkan perawat yang digunakan memiliki nilai varians yang besar, yaitu 4,41, yang menandakan bahwa kesetaraan perolehan jumlah hari libur antar perawat kurang baik. Ketika sistem membentuk jadwal sesuai fungsi batasan yang berlaku, nilai varians ini akan menurun karena jumlah hari libur semakin merata. Dan tentunya jadwal buatan sistem menjadi tidak sesuai dengan jadwal yang diinginkan perawat sehingga nilai rasio meningkat. Uji coba pertama dengan bobot varians 1 dan bobot rasio 1,5 menghasilkan hasil uji dengan nilai fitness yang paling seimbang, yaitu varians hari libur perawat sebesar 0,0209 dan nilai rasio perbedaan jadwal sebesar 0,2206. Itu berarti, dengan bobot varians 1 dan bobot rasio 1,5 akan didapatkan jadwal dengan perhatian terhadap kesetaraan jumlah hari libur perawat serta pemenuhan jadwal harapan perawat yang seimbang. 6. KESIMPULAN 1. Kromosom dalam algoritma genetik merepresentasikan sebuah solusi dari permasalahan yang akan diselesaikan. Dalam permasalahan ini, kromosom merepresentasikan jadwal bagi N perawat selama T hari dengan gen yang merepresentasikan hari libur atau shift kerja perawat. 2. Pada implementasi algoritma genetik dengan dua tingkat model penjadwalan ini, nilai maksimal generasi yang lebih besar menghasilkan solusi yang lebih optimal, berbeda dengan jumlah gen mutasi yang terlalu besar yang akan menghasilkan solusi yang kurang optimal. Sedangkan jumlah titik potong dalam n-point crossover yang terlalu banyak memiliki kecenderungan untuk membuat solusi yang dihasilkan menjadi kurang optimal, walaupun tidak dampaknya tidak terlalu besar. 3. Bobot varians dan rasio dalam fungsi fitness memberikan pengaruh bagi kualitas solusi yang dihasilkan. Varians dengan bobot 1 dan rasio dengan bobot 1,5 merupakan bobot yang menghasilkan nilai varians hari libur perawat serta rasio perbedaan jadwal yang paling seimbang dibanding dengan nilai uji bobot lainnya. Sehingga jadwal yang dihasilkan pun memberikan porsi yang seimbang antara kesetaraan perolehan libur para perawat dengan kesesuaian jadwal buatan sistem dengan jadwal yang diinginkan atau dibuat perawat. DAFTAR PUSTAKA Aickelin, U., & Dowsland, K. An Indirect Genetic Algorithm for a Nurse Scheduling Problem. Computers & Operations Research, 31(2003), Gen, M. & Cheng, R Genetic Algorithm and Engineering Design. New York : John Wiley & Sons, Inc. Handayati, Yuliana. (2009). Implementasi Algoritma Genetika Berbasis Random-Path Dengan Optimasi Lokal Pada Desain Jaringan Logistik Dengan Model Flexible Multistage. Tidak dipublikasikan. Kyla, Juni Shift Work, <URL: wordpress.com\2008\ 06\06shift-work.htm >, 8 Maret Liao, Ying-Hong & Sun, Chuen-Tsai (2001). An Educational Genetic Algorithms Learning Tool. Michalewicz, Z Genetic Algorithms + Data Structure = Evolution Programs, 3 rd ed. New York : Springer-Verlag Herdelberg. Pratama, Dhany Yudha. (2008). Implementasi Goal Programming Untuk Penjadwalan Perawat Pada Ruangan Unit Gawat Darurat. Tidak dipublikasikan. Saputro, Nico & Yento.(2004). Pemakaian algoritma genetik untuk penjadwalan job shop dinamis non deterministik. Jurnal Teknik Industri Vol. 6, No. 1, Juni 2004: Topaloglu, Seyda. (2006). A multi-objective programming model for scheduling emergency medicine recidents. Computer and Industrial Engineering 51 (2006), Tsai, Chang-Chun & Li, Sherman H.A. (2008). A two-stage modeling with genetic algorithms for the nurse scheduling problem. Expert Systems with Applications 36 (2009) Widyastuti, N., Ratnawati, A., & Cahyani, R.N.(2008). Optimasi Penjadwalan 8
9 Kegiatan Belajar Mengajar dengan Algoritma Genetik. 9
Penggunaan Algoritma Genetik dengan Pemodelan Dua Tingkat dalam Permasalahan Penjadwalan Perawat pada Unit Gawat Darurat Rumah Sakit Umum XYZ Surabaya
Penggunaan Algoritma Genetik dengan Pemodelan Dua Tingkat dalam Permasalahan Penjadwalan Perawat pada Unit Gawat Darurat Rumah Sakit Umum XYZ Surabaya Oleh: Anisa Ulya 5206 100 101 Dosen pembimbing 1:
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 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 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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Instalasi Gawat Darurat (IGD) merupakan unit yang sangat penting dan paling sibuk di rumah sakit. Sebagai unit pertama yang menangani pasien dalam keadaan darurat,
Lebih terperinciPERBANDINGAN KINERJA ALGORITMA GENETIK DAN ALGORITMA BRANCH AND BOUND PADA TRAVELLING SALESMAN PROBLEM
PERBANDINGAN KINERJA ALGORITMA GENETIK DAN ALGORITMA BRANCH AND BOUND PADA TRAVELLING SALESMAN PROBLEM Nico Saputro dan Suryandi Wijaya Jurusan Ilmu Komputer Universitas Katolik Parahyangan nico@home.unpar.ac.id
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Pustaka. Penelitian serupa mengenai penjadwalan matakuliah pernah dilakukan oleh penelliti yang sebelumnya dengan metode yang berbeda-neda. Berikut
Lebih terperinciOPTIMASI PENJADWALAN 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 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 terperinciPenjadwalan Job Shop pada Empat Mesin Identik dengan Menggunakan Metode Shortest Processing Time dan Genetic Algorithm
Jurnal Telematika, vol.9 no.1, Institut Teknologi Harapan Bangsa, Bandung ISSN: 1858-251 Penjadwalan Job Shop pada Empat Mesin Identik dengan Menggunakan Metode Shortest Processing Time dan Genetic Algorithm
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK MENYELESAIKAN PERMASALAHAN PENJADWALAN DOSEN DENGAN FUZZY
PENERAPAN ALGORITMA GENETIKA UNTUK MENYELESAIKAN PERMASALAHAN PENJADWALAN DOSEN DENGAN FUZZY Arief Kelik Nugroho Fakultas Teknik, Universitas PGR Yogyakarta e-mail : ariefkeliknugroho@gmail.com Abstrak
Lebih 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 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 terperinciPenerapan Algoritma Genetika dalam Job Shop Scheduling Problem
Penerapan Algoritma Genetika dalam Job Shop Scheduling Problem Haris Sriwindono Program Studi Ilmu Komputer Universitas Sanata Dharma Paingan, Maguwoharjo, Depok Sleman Yogyakarta, Telp. 0274-883037 haris@staff.usd.ac.id
Lebih terperinciALTERNATIF MODEL PEMAMPATAN MATRIKS JARANG DENGAN MENGGUNAKAN ALGORITMA GENETIK
ALTERNATIF MODEL PEMAMPATAN MATRIKS JARANG DENGAN MENGGUNAKAN ALGORITMA GENETIK Nico Saputro dan Ruth Beatrix Yordan Jurusan Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Katolik
Lebih 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 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 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 terperinciISSN VOL. 12, NO. 2, OKTOBER 2011
ANALISIS OPTIMASI PENJADWALAN JAGA DOKTER RESIDEN PENYAKIT DALAM PADA RUMAH SAKIT PENDIDIKAN Erlanie Sufarnap 1, Sudarto 2 STMIK Mikroskil Jl. Thamrin No. 112, 124, 140 Medan 20212 airlanee@yahoo.com 1,
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 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 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 terperinciIMPLEMENTASI ALGORITMA GENETIKA UNTUK PENCARIAN RUTE PALING OPTIMUM
IMPLEMENTASI ALGORITMA GENETIKA UNTUK PENCARIAN RUTE PALING OPTIMUM Anies Hannawati, Thiang, Eleazar Fakultas Teknologi Industri, Jurusan Teknik Elektro, Universitas Kristen Petra Jl. Siwalankerto 121-131,
Lebih terperinciBAB 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 terperinciPENERAPAN METODE ALGORITMA GENETIKA UNTUK PERMASALAHAN PENJADWALAN PERAWAT (Nurse Schedulling Problem)
INFO TEKNIK Volume 16 No. 1 Juli 2015 (61-74) PENERAPAN METODE ALGORITMA GENETIKA UNTUK PERMASALAHAN PENJADWALAN PERAWAT (Nurse Schedulling Problem) Nadiya Hijriana Program Studi Teknik Informatika Universitas
Lebih 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 terperinciPENEMPATAN MAHASISWA PESERTA MATA KULIAH UMUM DENGAN ALGORITMA GENETIK DI UNIVERSITAS KATOLIK PARAHYANGAN
PENEMPATAN MAHASISWA PESERTA MATA KULIAH UMUM DENGAN ALGORITMA GENETIK DI UNIVERSITAS KATOLIK PARAHYANGAN Nico Saputro dan Guntur Setia Negara Jurusan Ilmu Komputer Universitas Katolik Parahyangan nico@home.unpar.ac.id
Lebih terperinciOPTIMASI PENJADWALAN PERAWAT MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI PENJADWALAN PERAWAT MENGGUNAKAN ALGORITMA GENETIKA Rifqy Rosyidah Ilmi 1, Wayan Firdaus Mahmudy 2, Dian Eka Ratnawati 2 1 Mahasiswa, 2 Dosen Pembimbing Informatika, Fakultas Ilmu Komputer, Universitas
Lebih terperinciOPTIMASI DISTRIBUSI ROTI PADA BERBAGAI TOKO DI KOTA XYZ DENGAN MENGGUNAKAN ALGORITMA GENETIKA. Kelompok A Kelas C
PROYEK AKHIR MATA KULIAH ALGORITMA EVOLUSI SEMESTER GANJIL 2013-2014 OPTIMASI DISTRIBUSI ROTI PADA BERBAGAI TOKO DI KOTA XYZ DENGAN MENGGUNAKAN ALGORITMA GENETIKA Disusun oleh: Kelompok A Kelas C 1. Isyar
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 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 terperinci2 TINJAUAN PUSTAKA. 2.1 Peringkasan Teks
4 2 TINJAUAN PUSTAKA 2.1 Peringkasan Teks Peringkasan teks adalah proses pemampatan teks sumber ke dalam versi lebih pendek namun tetap mempertahankan informasi yang terkandung didalamnya (Barzilay & Elhadad
Lebih terperinciOptimasi Pemilihan Pekerja Bangunan Proyek Pada PT. Citra Anggun Pratama Menggunakan Algoritma Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 2, Februari 2017, hlm. 80-84 http://j-ptiik.ub.ac.id Optimasi Pemilihan Pekerja Bangunan Proyek Pada PT. Citra Anggun
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 terperinciAPLIKASI ALGORITMA GENETIKA UNTUK PENENTUAN TATA LETAK MESIN
APLIKASI ALGORITMA GENETIKA UNTUK PENENTUAN TATA LETAK MESIN Hari Purnomo, Sri Kusumadewi Teknik Industri, Teknik Informatika Universitas Islam Indonesia Jl. Kaliurang Km 4,5 Yogyakarta ha_purnomo@fti.uii.ac.id,
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 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 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 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 terperinciPerancangan Sistem Penjadwalan Asisten Dosen Menggunakan Algoritma Genetika (Studi Kasus: STIKOM Bali)
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Perancangan Sistem Penjadwalan Asisten Dosen Menggunakan Algoritma Genetika (Studi Kasus: STIKOM Bali) I Made Budi Adnyana
Lebih terperinciAnalisis Aplikasi Algoritma Genetika Untuk Pencarian Nilai Fungsi Maksimum Djunaedi Kosasih 1) Rinaldo 2)
Analisis Aplikasi Algoritma Genetika Untuk Pencarian Nilai Fungsi Maksimum Djunaedi Kosasih 1) Rinaldo 2) Abstrak Algoritma genetika yang pertama kali diperkenalkan secara terpisah oleh Holland dan De
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 terperinciPEMANFAATAN ALGORITMA FUZZY EVOLUSI UNTUK PENYELESAIAN KASUS TRAVELLING SALESMAN PROBLEM
PEMANFAATAN ALGORITMA FUZZY EVOLUSI UNTUK PENYELESAIAN KASUS TRAVELLING SALESMAN PROBLEM Syafiul Muzid Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia, Yogyakarta E-mail:
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 terperinciPerbandingan Algoritma Exhaustive, Algoritma Genetika Dan Algoritma Jaringan Syaraf Tiruan Hopfield Untuk Pencarian Rute Terpendek
Perbandingan Algoritma Exhaustive, Algoritma Genetika Dan Algoritma Jaringan Syaraf Tiruan Hopfield Untuk Pencarian Rute Terpendek Rudy Adipranata 1, Felicia Soedjianto 2, Wahyudi Tjondro Teknik Informatika,
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN
BAB 3 ANALISIS DAN PERANCANGAN 3.1. Analisis Sistem Berjalan 3.1.1. Penyusunan Menu Makanan Dalam penyusunan menu makanan banyak hal yang perlu diperhatikan, terutama jika menu makanan yang disusun untuk
Lebih 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 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 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 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 terperinciPERBANDINGAN ALGORITMA EXHAUSTIVE, ALGORITMA GENETIKA DAN ALGORITMA JARINGAN SYARAF TIRUAN HOPFIELD UNTUK PENCARIAN RUTE TERPENDEK
PERBANDINGAN ALGORITMA EXHAUSTIVE, ALGORITMA GENETIKA DAN ALGORITMA JARINGAN SYARAF TIRUAN HOPFIELD UNTUK PENCARIAN RUTE TERPENDEK Rudy Adipranata 1) Felicia Soedjianto 2) Wahyudi Tjondro Teknik Informatika,
Lebih terperinciBAB 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 terperinciALGORITMA GENETIK SEBAGAI FUNGSI PRUNING ALGORITMA MINIMAX PADA PERMAINAN TRIPLE TRIAD CARD.
ALGORITMA GENETIK SEBAGAI FUNGSI PRUNING ALGORITMA MINIMAX PADA PERMAINAN TRIPLE TRIAD CARD. Nico Saputro [1] dan Erico Darmawan Handoyo [2] Jurusan Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciBAB 2 LANDASAN TEORI. 2.1 Algoritma Genetika
6 BAB 2 LANDASAN TEORI 2.1 Algoritma Genetika Algoritma genetika merupakan metode pencarian yang disesuaikan dengan proses genetika dari organisme-organisme biologi yang berdasarkan pada teori evolusi
Lebih terperinciPerancangan Dan Pembuatan Aplikasi Rekomendasi Jadwal Perkuliahan Pada Institut Informatika Indonesia Memanfaatkan Algoritma Genetika
Perancangan Dan Pembuatan Aplikasi Rekomendasi Jadwal Perkuliahan Pada Institut Informatika Indonesia Memanfaatkan Algoritma Genetika Hermawan Andika, S.Kom., M.Kom. Jurusan Teknik Informatika Institut
Lebih 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 terperinciOptimasi Fungsi Tanpa Kendala Menggunakan Algoritma Genetika Dengan Kromosom Biner dan Perbaikan Kromosom Hill-Climbing
Optimasi Fungsi Tanpa Kendala Menggunakan Algoritma Genetika Dengan Kromosom Biner dan Perbaikan Kromosom Hill-Climbing Wayan Firdaus Mahmudy, (wayanfm@ub.ac.id) Program Studi Ilmu Komputer, Universitas
Lebih terperinciBAB III METODE PENELITIAN. Penelitian dilakukan dilingkungan Jurusan Ilmu Komputer Fakultas Matematika
BAB III METODE PENELITIAN 3.1. Waktu dan Tempat Penelitian Penelitian dilakukan dilingkungan Jurusan Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Lampung. Waktu penelitian dilaksanakan
Lebih terperinciPENCOCOKAN KATA SECARA ACAK DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL
Jurnal Matematika UNAND Vol. 2 No. 2 Hal. 1 9 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENCOCOKAN KATA SECARA ACAK DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL MULIA AFRIANI KARTIKA
Lebih terperinciBAB 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 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 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 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 terperinciPencarian Rute Optimum Menggunakan Algoritma Genetika
Jurnal Teknik Elektro Vol. 2, No. 2, September 2002: 78-83 Pencarian Rute Optimum Menggunakan Algoritma Genetika Anies Hannawati, Thiang, Eleazar Fakultas Teknologi Industri, Jurusan Teknik Elektro, Universitas
Lebih terperinciPENERAPAN ALGORITMA GENETIKA PADA PERENCANAAN LINTASAN KENDARAAN Achmad Hidayatno Darjat Hendry H L T
PENERAPAN ALGORITMA GENETIKA PADA PERENCANAAN LINTASAN KENDARAAN Achmad Hidayatno Darjat Hendry H L T Abstrak : Algoritma genetika adalah algoritma pencarian heuristik yang didasarkan atas mekanisme evolusi
Lebih terperinciBAB III 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 terperinciPERANCANGAN KONFIGURASI JARINGAN DISTRIBUSI PRODUK BISKUIT MENGGUNAKAN METODE ALGORITMA GENETIKA (Studi Kasus: PT. EP)
PERANCANGAN KONFIGURASI JARINGAN DISTRIBUSI PRODUK BISKUIT MENGGUNAKAN METODE ALGORITMA GENETIKA (Studi Kasus: PT. EP) Rezki Susan Ardyati dan Dida D. Damayanti Program Studi Teknik Industri Institut Teknologi
Lebih terperinciPENGENALAN ALGORITMA GENETIK
PENGENALAN ALGORITMA GENETIK Aries Syamsuddin ariesmipa@psyon.org Lisensi Dokumen: Seluruh dokumen di IlmuKomputer.Com dapat digunakan, dimodifikasi dan disebarkan secara bebas untuk tujuan bukan komersial
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 terperinciPERFORMANCE ALGORITMA GENETIKA (GA) PADA PENJADWALAN MATA PELAJARAN
PERFORMANCE ALGORITMA GENETIKA (GA) PADA PENJADWALAN MATA PELAJARAN Eva Desiana, M.Kom Pascasarjana Teknik Informatika Universitas Sumatera Utara, SMP Negeri 5 Pematangsianta Jl. Universitas Medan, Jl.
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan membahas landasan atas teori-teori yang bersifat ilmiah untuk mendukung penulisan tugas akhir ini. Teori-teori yang dibahas mengenai pengertian penjadwalan, algoritma
Lebih terperinciBAB 2 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 terperinciImplementasi Sistem Penjadwalan Akademik Fakultas Teknik Universitas Tanjungpura Menggunakan Metode Algoritma Genetika
Jurnal Sistem dan Teknologi Informasi (JUSTIN) Vol. 1, No. 2, (2017) 28 Implementasi Sistem Penjadwalan Akademik Fakultas Teknik Universitas Tanjungpura Menggunakan Metode Algoritma Genetika Andreas Christian
Lebih terperinciBAB 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 terperinciA. ADHA. Program Studi Teknik Sipil, Fakultas Teknik,Universitas Islam Riau, Pekanbaru, Indonesia Corresponding author:
Institut Teknologi Padang, 27 Juli 217 ISBN: 978-62-757-6-7 http://eproceeding.itp.ac.id/index.php/spi217 Optimasi Bentuk Struktur dan Penampang pada Struktur Rangka Baja Terhadap Kendala Kehandalan Material
Lebih terperinciPenjadwalan kegiatan merupakan pekerjaan yang tidak mudah, karena dalam. penyusunannya memerlukan perencanaan yang matang agar kegiatan tersebut
BAB I PENDAHULUAN A. Latar Belakang Penjadwalan kegiatan merupakan pekerjaan yang tidak mudah, karena dalam penyusunannya memerlukan perencanaan yang matang agar kegiatan tersebut terlaksana dengan optimal.
Lebih 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 terperinciPENENTUAN KOMBINASI OPTIMUM JUMLAH, BERAT, DAN WAKTU TAMBAT KAPAL DI PT (PERSERO) PELABUHAN INDONESIA III GRESIK MENGGUNAKAN ALGORITMA GENETIKA
LOGO PENENTUAN KOMBINASI OPTIMUM JUMLAH, BERAT, DAN WAKTU TAMBAT KAPAL DI PT (PERSERO) PELABUHAN INDONESIA III GRESIK MENGGUNAKAN ALGORITMA GENETIKA Oleh : Aris Saputro 1206100714 Pembimbing : Dr. M. Isa
Lebih terperinciPengantar Kecerdasan Buatan (AK045218) Algoritma Genetika
Algoritma Genetika Pendahuluan Struktur Umum Komponen Utama Seleksi Rekombinasi Mutasi Algoritma Genetika Sederhana Referensi Sri Kusumadewi bab 9 Luger & Subblefield bab 12.8 Algoritma Genetika 1/35 Pendahuluan
Lebih terperinciALGORITMA 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 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 terperinciPELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE SELEKSI TURNAMEN UNTUK DATA TIME SERIES
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 65-72 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE
Lebih terperinciBAB II TINJAUAN PUSTAKA. Khowarizmi. Algoritma didasarkan pada prinsiup-prinsip Matematika, yang
BAB II TINJAUAN PUSTAKA A. ALGORITMA Algoritma adalah metode langkah demi langkah pemecahan dari suatu masalah. Kata algoritma berasal dari matematikawan Arab ke sembilan, Al- Khowarizmi. Algoritma didasarkan
Lebih terperinciBAB 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 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 terperinciIMPLEMENTASI ALGORITMA GENETIKA PADA KNAPSACK PROBLEM UNTUK OPTIMASI PEMILIHAN BUAH KEMASAN KOTAK
IMPLEMENTASI ALGORITMA GENETIKA PADA KNAPSACK PROBLEM UNTUK OPTIMASI PEMILIHAN BUAH KEMASAN KOTAK Komang Setemen Jurusan Manajemen Informatika, Fakultas Teknik Kejuruan, Universitas Pendidikan Ganesha
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 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 terperinciTEKNIK PENJADWALAN KULIAH MENGGUNAKAN METODE ALGORITMA GENETIKA. Oleh Dian Sari Reski 1, Asrul Sani 2, Norma Muhtar 3 ABSTRACT
TEKNIK PENJADWALAN KULIAH MENGGUNAKAN METODE ALGORITMA GENETIKA Oleh Dian Sari Reski, Asrul Sani 2, Norma Muhtar 3 ABSTRACT Scheduling problem is one type of allocating resources problem that exist to
Lebih 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 terperinciPENGGUNAAN ALGORITMA GENETIKA PADA PENJADWALAN PRODUKSI DI PT DNP INDONESIA PULO GADUNG
PENGGUNAAN ALGORITMA GENETIKA PADA PENJADWALAN PRODUKSI DI PT DNP INDONESIA PULO GADUNG Suriadi AS, Ulil Hamida, N. Anna Irvani STMI Jakarta, Kementerian Perindustrian RI ABSTRAK Permasalahan yang terjadi
Lebih 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 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 terperinciALGORITMA GENETIKA; Teori dan Aplikasi Edisi 2, oleh Dr. Eng. Admi Syarif Hak Cipta 2014 pada penulis GRAHA ILMU Ruko Jambusari 7A Yogyakarta 55283 Telp: 0274-889398; Fax: 0274-889057; E-mail: info@grahailmu.co.id
Lebih terperinciOPTIMASI PENJADWALAN BIMBINGAN BELAJAR MENGGUNAKAN METODE ALGORITMA GENETIKA
OPTIMASI PENJADWALAN BIMBINGAN BELAJAR MENGGUNAKAN METODE ALGORITMA GENETIKA SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.kom) Pada Program Studi Sistem Informasi
Lebih 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 terperinciOPTIMASI NURSE SCHEDULING PROBLEM
OPTIMASI NURSE SCHEDULING PROBLEM Disusun Oleh Aditya Pratama H (2510100111) Pembimbing Prof. Ir. Budi Santosa, M.S., Ph.D Pendahuluan Latar Belakang Perumusan Masalah Batasan & Asumsi Penjadwalan Proses
Lebih terperinciOptimasi Permasalahan Penugasan Dokter Menggunakan Representasi Graf Bipartit Berbobot
JURNAL TEKNIK POMITS Vol., No., (0) ISSN: 7-9 (0-97 Print) Optimasi Permasalahan Penugasan Menggunakan Representasi Graf Bipartit Berbobot Laili Rochmah, Ahmad Saikhu, dan Rully Soelaiman Jurusan Teknik
Lebih terperinciBAB II KAJIAN TEORI. berkaitan dengan optimasi, pemrograman linear, pemrograman nonlinear, quadratic
BAB II KAJIAN TEORI Kajian teori pada bab ini membahas tentang pengertian dan penjelasan yang berkaitan dengan optimasi, pemrograman linear, pemrograman nonlinear, quadratic programming dan algoritma genetika.
Lebih 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 terperinci