BAB 2 TINJAUAN PUSTAKA
|
|
- Veronika Jayadi
- 6 tahun lalu
- Tontonan:
Transkripsi
1 BAB 2 TINJAUAN PUSTAKA 2.1 Lintasan Terpendek Multi Objektif Lintasan terpendek multi objektif (LTMO) merupakan perencanaan yang bertujuan untuk menemukan lintasan yang efisien dari titik awal ke titik tujuan dengan beberapa kendala dalam satu penyelesaian. Sebagian besar masalah dunia nyata melibatkan persoalan pencarian lintasan terpendek. Optimisasi multi objektif memiliki fungsi tujuan yang bertentangan yang menimbulkan serangkaian sosusi optimum, bukan satu solusi optimum (Chitra dan Subbaraj, 2010). Solusi-solusi yang memenuhi semua kendala dikenal dengan solusi pareto optimal. Masalah optimisasi multi objektif terdiri dari beberapa set kendala dengan satu fungsi tujuan. Optimisasi multi objektif melibatkan meminimumkan atau memaksimumkan beberapa fungsi tujuan pada satu set kendala (Mo et al., 2014). Persoalan multi objektif dalam menyelesaikan masalah lintasan terpendek yang memiliki lebih dari satu fungsi tujuan yang akan dioptimalkan secara bersamaan (Guardado et al., 2014). Proses pencarian lintasan terpendek diawali dengan mengetahui posisi awal posisi tujuan yang akan dikunjungi. Posisi awal dan tujuan telah diketahui akan digunakan pada proses pencarian lintasan terpendek. Mengetahui posisi awal dan tujuan juga dapat mempermudah penyelesaian persoalan yang ingin diselesaikan. Dalam persoalan pencarian lintasan terpendek, setiap lintasannya harus memiliki suatu nilai atau bobot. Bobot tersebut merupakan jarak dari satu posisi ke posisi lain. Metode multi objektif sederhana adalah yang membentuk fungsi objektif komposit sebagai jumlah pertimbangan tujuan, dimana berat untuk tujuan sebanding dengan faktor preferensi yang ditetapkan untuk tujuan tertentu (Chitra dan Subbaraj, 2010). Kebanyakan masalah optimisasi dunia nyata membutuhkan dua atau lebih tujuan yang biasanya masing-masing tujuan berada dalam keadaan kontradiksi antara tujuan yang satu dengan tujuan yang lain. 4
2 5 Ada beberapa algoritma yang telah meneliti masalah multi objektif. Diantaranya adalah sebagai berikut: 1. Membandingkan algoritma Martins dengan algoritma Brute. Hasil percobaan menunjukkan bahwa algoritma Martins menghasilkan satu set lebih lengkap dengan solusi efisien untuk semua konfigurasi jaringan. Sedangkan algoritma Brute hanya menghasilkan solusi untuk ukuran kecil dan jaringan density rendah (Janssens dan Maria, 2007). 2. Bee Colony Optimization Algorithm. Berdasarkan hasil penelitian dan pembahasan yang dilakukan maka diperoleh kesimpulan yaitu Pertama, pencarian rute terpendek menggunakan konsep penelusuran multi tujuan memperbesar peluang ditemukannya rute perjalanan yang lebih pendek sehingga didapat solusi secara global. Kedua, Jumlah lebah yang dilepas mempengaruhi peluang untuk menemukan rute terpendek. Semakin banyak lebah yang dilepas akan memperbesar peluang ditemukannya rute terpendek dari posisi awal ke posisi tujuan. Ketiga, parameter tidak memberikan pengaruh yang signifikan untuk menemukan rute terpendek (Danuri dan Prijodiprodjo, 2013). 3. Biogeography Optimization Algorithm. Hasil yang diperoleh Biogeography Optimization Algorithm memiliki keragaman yang lebih baik, variansi terkecil yang menunjukkan bahwa lebih handal dan kuat dalam memproduksi solusi yang lebih baik (Mo et al., 2014). 4. Algorithm Discrete Bacterial Colony Chemotaxis. Operator yang digunakan memudahkan bagi bakteri untuk melompat keluar dari konvergen lokal dan mempercepat kecepatan konvergensi algoritma sehingga memungkinkan untuk mendapatkan solusi yang lebih efektif denga iterasi yang dn meningkatkan nilai indeks solusi proporsi efektif (Lu et al., 2014).
3 6 2.2 Optimisasi Multi Objektif Sebuah permasalahan optimisasi (optimization problem), yang dimodelkan secara matematis, umumnya terdiri dari fungsi-fungsi tujuan (objective functions) dan kendala-kendala (constraints). Fungsi tujuan mempresentasikan tujuan yang ingin dioptimalkan (Mahmudy dan Rahman, 2011). Sebagian besar masalah dunia nyata melibatkan beberapa fungsi objektif. Perencanaan beberapa fungsi objektif adalah untuk menentukan solusi yang lebih baik dari beberapa objek. Umumnya, fungsi ini sering bersaingan dan tujuannya bertentangan. Optimisasi multi objektif memiliki fungsi tujuan yang bertentangan yang dapat menimbulkan serangkaian solusi optimal, bukan satu solusi optimal. Gambar 2.1 Contoh grafik fungsi tujuan dengan 3 kendala Masalah optimisasi multi objektif terdiri dari sejumlah tujuan dan beberapa kendala yang dapat dirumuskan sebagai berikut (Chitra dan Subbaraj, 2010): Min/max f i (x) i = 1, 2, 3,..., N objectives (2.1) Dengan kendala g k (x) = 0, k = 1, 2, 3,..., K h i (x) 0, l = 1, 2, 3,..., L dengan f i merupakan fungsi tujuan ke - i, x adalah vektor keputusan yang menggambarkan sebuah solusi, dan N merupakan jumlah tujuan yang ada. K dan L adalah jumlah kesetaraan dan ketidaksetaraan masing-masing kendala.
4 7 Dalam kehidupan sehari-hari, terdapat pertimbangan-pertimbangan yang saling berlawanan antara satu dengan yang lainnya. Oleh karena itu, solusi multi objektif sempurna yang secara bersamaan mengoptimalkan setiap fungsi tujuan hampir mustahil dikarenakan tujuan yang satu seringkali berlawanan dengan tujuan-tujuan yang lain yang juga ingin dicapai. Sebuah solusi yang masuk akal untuk masalah multi objektif adalah untuk menyelidiki satu set solusi, yang masing-masing memenuhi tujuan pada tingkat yang dapat diterima tanpa didominasi oleh solusi lain (Chitra dan Subbaraj, 2010). 2.3 Hill Climbing Teknik heuristik adalah teknik yang digunakan untuk mempercepat pencarian solusi. Teknik heuristik digunakan untuk mengeliminasi beberapa kemungkinan solusi tanpa harus mengeksplorasinya secara penuh. Selain itu, teknik heuristik juga membantu memutuskan kemungkinan solusi mana yang pertama kali perlu dievaluasi. Ada beberapa metode pencarian heuristik salah satunya adalah metode hill climbing. Algoritma pencarian heuristik memiliki eksponensial waktu dan ruang kompleksitas karena mereka menyimpan informasi yang lengkap dari lintasan yang akan diselesaikan (Potdar dan Thool, 2014). Ada banyak masalah yang memerlukan pencarian dari sejumlah besar solusi yang mungkin untuk menemukan satu yang memenuhi semua kendala. Sebagai contoh dasar mempertimbangkan masalah menyusun jadwal kelas yang diberi satu set kendala pada ketersediaan ruang kelas dan berbagai kendala waktu antara mahasiswa dan dosen. Hill climbing adalah metode yang dikenal untuk pencarian lokal. Gagasan untuk metode hill climbing adalah mulai secara cak dari state yang ada, bergerak ke tetangga dengan nilai evaluasi yang terbaik dan jika suatu minimum lokal telah dicapai lalu memulai lagi secara acak pada state yang berbeda. Pengulangan prosedur ini dilakukan hingga solusi ditemukan. Algoritma ini mengatur suatu parameter yang disebut Max-Flips. Max-flips digunakan untuk membatasi jumlah maksimum langkah dalam setiap kali pengulangan dan membantu untuk meninggalkan minimum lokal yang tidak dibatasi. Faktanya, algoritma hill climbing menyelidiki semua tetangga dari state sekarang sebelum memilih gerak dan ini harus diperhitungkan karena ini dapat memakan banyak waktu (Thiang dan Ninaber, 2009).
5 8 Algoritma hill climbing memperluas satu node pada suatu waktu dimulai dengan node awal. Setiap kali perluasan hanya node terbaik yang dicapai dari node saat ini. Metode ini tidak melibatkan perhitungan kompleks dan tidak dapat dipastikan kelengkapan dalam pencarian solusi (Potdar dan Thool, 2014). Metode ini hampir sama dengan metode generate and test dan merupakan salah satu variasi dari metode tersebut. Yang membedakan kedua metode ini adalah umpan balik (feed back) yang berasal dari prosedur pengujian digunakan untuk memutuskan arah gerak dalam pencarian. Hill climbing adalah proses pengujian yang dilakukan dengan menggunakan fungsi heuristik. Pembangkitan keadaan berikutnya sangat tergantung pada f eedback dari proedur pengetesan. Tes yang berupa fungsi heuristik ini akan menunjukkan seberapa baiknya nilai terkaan yang diambil terhadap keadaan-keadaan lainnya yang mungkin. Ada dua macam metode hill climbing yaitu, simple hill climbing dan steepest ascent hill climbing Simple hill climbing Simple hill climbing menentukan next state dengan membandingkan current state dengan satu seccessor dan successor pertama lebih baik dan akan dipilih menjadi next state (Thiang dan Ninaber, 2009). Gerakan pencarian next state dimulai dari posisi paling kiri atau posisi langkah pertama dari pertukaran yang dilakukan tanpa mempertimbangkan nilai dari tetangga-tetangga yang lain. Algoritma simple hill climbing adalah sebagai berikut (Thiang dan Ninaber, 2009): 1. Evaluasi state awal, jika state awal sama dengan tujuan, maka proses berhenti. Jika tidak sama dengan tujuan maka lanjutkan proses dengan membuat state awal sebagai state sekarang. 2. Kerjakan langkah berikut sampai solusi ditemukan atau sampai tidak ada lagi operator baru yang dapat digunakan dalam state sekarang. (a) Cari sebuah operator yang belum pernah digunakan dalam state sekarang dan gunakan operator tersebut untuk membentuk state baru. (b) Evaluasi state baru. i. Jika state baru adalah tujuan, maka proses berhenti.
6 9 ii. Jika state baru tersebut bukan tujuan tetapi state baru lebih baik daripada state sekarang, maka state baru menjadi state sekarang. iii. Jika state baru tidak lebih baik daripada state sekarang, maka lanjut ke langkah 2. Berikut ini merupakan contoh tahapan proses simple hill climbing. Gambar 2.2 Contoh simple hill climbing Terdapat suatu lintasan dengan posisi awal ABCD. Tk merupakan tukar antara posisi yang satu dengan posisi yang lain. Misalkan saja pada gambar 2.2, Tk 1,2 adalah proses pertukaran yang pertama dilakukan dan posisinya paling kiri. Setelah dilakukan pertukaran, dihitunglah panjang lintasan atau bobot yang dimiliki oleh lintasan yang baru. Jika diperoleh hasil yang lebih kecil daripada hasil lintasan awal, maka langkah selanjutnya adalah lintasan yang baru dijadikan sebagai lintasan awal. Jika hasil yang diperoleh lebih besar daripada hasil lintasan awal, maka dilihat hasil dari tetangga yang pertama, yaitu hasil dari pertukaran yang kedua. Hal ini terus dilakukan sampai menghasilkan nilai yang ingin dicapai Steepest ascent hill climbing Steepest ascent hill climbing hampir sama dengan simple hill climbing. Hanya saja gerakan pencarian tidak dimulai dari posisi kiri. Gerakan selanjutnya dicari berdasarkan nilai heuristik terbaik. Dalam hal ini urutan penggunaan operator tidak menentukan solusi (Azizah, 2012). Steepest ascent hill climbing merupakan metode algoritma yang banyak digunakan untuk permasalahan optimasi salah satu penerapannya adalah untuk mencari rute yang terpendek dengan cara
7 10 memaksimumkan atau meminimumkan nilai dari fungsi optimasi yang ada. Secara harfiah steepest berarti paling tinggi, sedangkan ascent berarti kenaikan. Dengan demikian steepest ascent berarti kenaikan yag tinggi. Jadi prinsip dasar metode ini adalah mencari kenaikan paling tinggi dari keadaan sekitar untuk mencapai nilai yang paling optimal (Thiang dan Ninaber, 2009). Algoritma steepest ascent hill climbing sebagai berikut (Thiang dan Ninaber, 2009): 1. Evaluasi keadaan awal (initial state). Jika keadaan awal sama dengan tujuan (goal state) maka kembali pada initial state dan berhenti berproses. Jika tidak maka initial state tersebut jadikan sebagai current state. 2. Mulai dengan current state = initial state. 3. Dapatkan semua pewaris (successor) yang dapat dijadikan next state pada current successor tersebut dengan fungsi evaluasi dan beri nilai pada setiap successor tersebut. Jika salah satu dari successor tersebut mempunyai nilai yang lebih baik dari current state maka jadikan successor dengan nilai yang paling baik tersebut sebagai new current state. Lakukan operasi ini terus menerus hingga tercapai current state = goal state atau tidak ada perubahan pada current statenya. Pada steepest ascent hill climbing ada 3 masalah yang mungkin terjadi, yaitu (Azizah, 2012): 1. Local optimum yaitu keadaan semua tetangga lebih buruk atau sama dengan keadaan awal. 2. P lateu merupakan keadaan semua tetangga dengan keadaan awal. 3. Ridge merupakan local optimum yang lebih disebabkan karena ketidakmampuan untuk menggunakan 2 operator sekaligus.
8 11 Berikut ini merupakan contoh tahapan proses steepest ascent hill climbing. Gambar 2.3 Contoh steepest ascent hill climbing Terdapat suatu lintasan dengan posisi awal ABCD. Misalkan saja pada gambar 2.3, Semua proses pertukaran dilakukan dan dihitung panjang lintasan dari masing-masing lintasan. Selanjutnya dilakukan permandingan antara tetangga yang satu dengan tetangga yang lain. Karena kasusnya adalah meminimumkan lintasan, maka dicarilah panjang lintasan yang paling minimum. Jika sudah diperoleh, langkah selanjutnya adalah menjadikan lintasan tersebut sebagai posisi awal. Lalu dilakukan lagi pertukaran dan dihitung kembali panjang lintasannya. Hal ini terus dilakukan sampai hasil yang diinginkan tercapai. Dalam penerapannya, metode simple hill climbing dan steepest ascent hill climbing mempunyai beberapa kelebihan dan kekurangan. Tabel 2.1 merupakan perbandingan kelebihan dan kekurangan dari kedua metode tersebut (Thiang dan Ninaber, 2009): Tabel 2.1 Perbandingan simple hill climbing dan steepest ascent hill climbing Simple Hill Climbing Steepest Ascent Hill Climbing Kelebihan Efisiensi dari segi memori Kemungkinan untuk mendapatkan penyelesaian lebih besar Bisa digabungkan dengan Bisa digabungkan dengan metode pencarian lain metode pencarian lain Kekurangan Tidak dijamin ditemukan Memori yang dipakai jalan penyelesaian lebih banyak Tidak mungkin kembali Tidak mungkin kembali ke state semula ke state semula
9 12 Penelitian ini menggunakan steepest ascent hill climbing karena dalam proses pencarian hasil yang optimal, setiap langkahnya mempertimbangkan hasil dari tetangga. Hal ini memungkinkan tercapainya pencarian hasil yang optimal. 2.4 Algoritma Evolusioner Algoritma evolusioner adalah algoritma pencarian heuristik yang berdasarkan ide-ide evolusi seleksi alam dan genetika. Dengan demikian mereka mewakili eksploitasi cerdas pencarian acak yang digunakan untuk memecahkan masalah optimasi. Meskipun secara acak, algoritma evolusioner tidak berarti acak sebaliknya mereka memanfaatkan informasi historis untuk mengarahkan pencarian kewilayah kinerja yang lebih baik dalam ruang pencarian. Pada setiap generasi, satu set baru perkiraan yang dibuat oleh proses pemilihan individu sesuai dengan tingkat kebugaran dalam domain masalah dan peternakan mereka bersama-sama menggunakan operator dipinjam dari genetik alam. Proses ini menyebabkan evolusi populasi individu yang lebih sesuai dengan lingkungan mereka daripada nenek moyang mereka, seperti dalam adaptasi alami. Proses dalam algoritma evolusioner ditunjukkan pada gambar 2 (Mahmudy, 2013): Gambar 2.4 Proses-proses dalam EA Individu-individu dalam populasi di EA mempresentasikan solusi dari masalah yang akan diselesaikan. Sebuah fungsi f itness digunakan untuk mengukur seberapa baik suatu individu. sebagai solusi terbaik yang bisa diperoleh. Individu terbaik di akhir generasi bisa dikodekan Algoritma evolusioner (EA) telah banyak dianalisis dalam masalah optimasi tujuan tunggal tetapi hanya beberapa peneliti telah menerapkan EA untuk masalah jalan terpendek multi objektif baik sebagai masalah utama ataupun sebagai sub masalah yang berkaitan dengan perencanaan rute, lalu lintas dan desain transportasi, sistem informasi dan desain jaringan komunikasi. Gen dan Lin (2004) menggunakan multiobjective hybrid genetic algorithm (GA) untuk meningkatkan
10 13 solusi untuk masalah desain jaringan bicruteria (menentukan jalur terpendek) dengan dua tujuan yang saling bertentangan meminimalkan biaya dan memaksimalkan aliran. Sebuah diskusi lengkap algoritma evolusioner multi objektif multiobjective evolutionary algorithms (MOEA)seperti (Deb, 2011). Ada beberapa MOEA yang diteliti, Zitzler dan Thiele, Strenght Pareto Evolutionary Algorithm (SPEA) dianggap sebagai salah satu algoritma evolusioner multi objektif yang lebih baik. Ini memiliki tiga karakteristik yang menguntungkan. 1. SPEA memiliki kebugaran strategis tugas yang sangat baik yang menyumbangkan kekuatan individu dalam hal individu yang mendominasi dan kekuatan yang dominan tersebut. 2. SPEA menggabungkan teknik estimasi kepadatan yang mendiskriminasikan individu secara efisien. 3. SPEA memiliki metode pemotongan arsip yang mencegah solusi batas dari eliminasi. Ada beberapa tipe algoritma evolusioner yang telah dikembangkan menurut Mahmudy (2013) adalah sebagai berikut: 1. Algoritma genetik (Genetic Algorithms, GAs) Merupakan tipe EA yang paling popular dan banyak diterapkan pada masalah - masalah kompleks. Pada awalnya banyak menggunakan representasi string biner tetapi kemudian berkembang dengan menggunakan vektor bilangan integer dan pecahan (real). Pembangkitkan solusi baru banyak mengandalkan proses tukar silang (crossover). Mutasi biasanya dipakai sebagai operator tambahan untuk menjaga keragaman populasi. 2. Evolution Strategies (ES) Representasi solusi biasanya menggunakan vektor bilangan pecahan. Mutasi merupakan operator reproduksi utama. Mekanisme self-adaptation digunakan untuk mengontrol perubahan nilai parameter pencarian. 3. Genetic Programming (GP) Digunakan untuk mengoptimalkan rangkaian program komputer yang direpresentasikan dalam bentuk struktur data pohon (tree).
11 14 4. Evolutionary Programming (EP) Mempunyai tujuan seperti GP tetapi prinsip kerjanya seperti ES. Finite State Machines (FSM) digunakan untuk mempresentasikan program komputer. Dalam tesis ini, penulis menggunakan algoritma genetik (Genetik Algorithm, GA), karena merupakan suatu teknik memecahkan masalah-masalah optimasi. Selain itu, berdasarkan penelitian-penelitian yang ada GA terbukti sesuai digunakan untuk menyelesaikan masalah multi objektif. Genetik Algorithm (GA) disebut juga dengan algoritma genetik atau algoritma genetika merupakan salah satu model soft computing yang sering digunakan dalam menyelesaikan permasalahan optimisasi. Soft computing adalah suatu model pendekatan untuk melakukan komputasi dengan meniru akal manusia dan memiliki kemampuan untuk menalar dan belajar pada lingkungan yang penuh dengan ketidakpastian (Muzid, 2014). Algoritma genetik diawali dengan sebuah penyelesaian dengan pembentukan populasi secara acak. Setiap individu dalam populasi disebut kromosom yang menggambarkan suatu penyelesaian. Sebuah kromosom biasanya digambarkan sebagai simbol string yang biasanya berbentuk biner, namun tidak selalu demikian (Al-Amin, 2009). Kromosom (Chromosome) tersusun atas gen-gen yang merupakan representasi nilai variabel dalam suatu fungsi yang ingin dicari solusinya dan setiap kromosom diberi sebuah nilai fitness. Solusi dari sebuah populasi diambil dan dipergunakan untuk membentuk populasi yang baru dengan crossover dan mutasi. Hasil yang diharapkan adalah populasi baru yang terbentuk akan memiliki nilai fitness yang lebih tinggi dibandingkan dengan populasi sebelumnya. Aspek penting dari GA adalah inisialisasi populasi, representasi kromosom, persilangan, mutasi, seleksi, terminasi dan fungsi evaluasi. GA telah membuktikan sebagai optimalisasi yang efektif yang dapat memberikan penyelesaian terbaik atau mendekati optimal. Siklus pengembangan GA diawali dengan pembuatan himpunan solusi baru (initialization) yang terdiri atas sejumlah string kromosom dan ditempatkan pada penampungan populasi. Kemudian dilakukan proses reproduksi dengan memilih individu-individu yang akan dikembangbiakkan. Penggunaan operator-operator genetik seperti pemindahan silang (crossover) dan mutasi (mutation) terhadap individu-individu yang terpilih dalam penampungan individu akan menghasilkan keturunan atau generasi baru. Setelah proses evaluasi untuk perbaikan popula-
12 15 si, maka generasi-generasi baru ini akan menggantikan himpunan populasi asal. Siklus ini akan berlangsung berulang kali sampai tidak dihasilkan perbaikan keturunan, atau sampai kriteria optimum ditemukan (Widodo dan Mahmudy, 2010). Setiap kromosom mempunyai nilai kebugaran (fitness) yang mempunyai peluangnya untuk bertahan hidup dalam generasi berikutnya (Mahmudy dan Rahman, 2011). Setelah individu-individu dalam populasi telah terbentuk, maka langkah selanjutnya adalah menghitung nilai fitness setiap individu. Fungsi fitness sendiri bertujuan untuk mengetahui baik tidaknya solusi yang ada pada suatu individu dan setiap individu pada populasi harus memiliki nilai pembandingannya. Selanjutnya, nilai fitness digunakan untuk solusi terbaik dengan cara pengurutan nilai fitness dari individu-individu (Widodo dan Mahmudy, 2010). Ada 6 (enam) tahapan untuk menyelesaikan persoalan lintasan terpendek dengan kasus multi objektif, yaitu: 1. Initial population Sebuah jalur atau kromosom dihasilkan secara acak dalam urutan dari node sumber ke node tujuan. ID dari node sumber s ditugaskan untuk lokus pertama (indeks array) dari kromosom. ID dari node v i secara acak ditugaskan untuk lokus kedua sehingga v i memiliki set node terhubung ke sumber s. Prosedur ini terus iteratif untuk node berikutnya sampai jalan sederhana untuk wastafel simpul t dibuat. Mengingat proses untuk membuat jalan layak, masalah ukuran populasi N tetap menjadi masalah. Hal ini diketahui bahwa ukuran populasi solusi meningkat secara eksponensial dengan jumlah sasaran dalam PMLT. Ada dua pilihan umum untuk menanggapi masalah ini. Gunakan populasi besar atau mengintegrasikan prosedur ukuran untuk populasi dinamis dalam GA (Maria dan Janssens, 2007). Siklus perkembangan diawali dengan pembuatan himpunan solusi baru (initialization) secara acak yang terdiri atas sejumlah string kromosom dan ditempatkan pada penampungan populasi. Penentuan representasi kromosom yang sesuai memegang peranan penting dalam kesuksesan implementasi (Mahmudy dan Rahman, 2011). Pada penelitian ini digunakan representasi kromosom bilangan bulat. Panjang string kromosom tergantung pada banyaknya variabel bebas/keputusan (x) yang digunakan.
13 16 Strategi random initialization digunakan untuk menghasilkan populasi awal P 0 dan membuat arsip kosong (set eksternal) P o =. Set t = 0 (Maria dan Janssens, 2007). Set Pareto-optimal eksternal diperbaharui sebagai berikut (Potti dan Chinnasamy, 2011): 1. Populasi untuk individu non-dominated dan menyalinnya kehimpunan Pareto eksternal. 2. Cari himpunan Pareto eksternal bagi individu non-dominated dan menghapus mereka semua dari himpunan. 3. Jika jumlah individu eksternal disimpan di set Pareto melebihi ukuran maksimum yang sebelumnya telah ditentukan, kurangkan dari himpunan dengan cara pengelompokan (clustering). 2. Fitness function SPEA2 pertama memberikan nilai kekuatan S(p) untuk setiap jalur p dari archive (N) dan populasi (N) yang merupakan jumlah solusi p mendominasi. Menunjuk pada (l). Kemudian raw fitness R(p) dari setiap jalur (p) dihitung yang dapat mengukur kekuatan dominasi dari p. Raw fitness bertindak sebagai mekanisme niching dan mendapatkan hasil yang buruk ketika sebagian jalan di M = N + N merupakan non-dominated, yaitu populasi yang membentuk solusi baru hanya dalam beberapa cluster. SPEA2 memperkenalkan estimator densitas (density estomator), mekanisme fitness sharing untuk menghindari penyimpanan genetik. Kepadatan estimator didefinisikan sebagai kebalikan dari jarak individu dalam ruang tujuan untuk tetangga terdekat k th. Nilai density kemudian ditambahkan ke nilai raw fitness untuk memberikan fungsi f itness akhir. Ide dasar pendekatan ini adalah untuk menemukan satu set solusi dalam populasi yang non-dominated oleh seluruh populasi. Prosedur fitness assignment terdiri dari dua tahap proses. Pertama, individu dalam himpunan non-dominated eksternal P dirangking. Setelah itu, individu-individu dalam populasi P dievaluasi. Langkah fitness assignment sebagai berikut: Langkah 1: Setiap solusi i ɛ P ditandai dengan nilai real Si ɛ[0, 1), disebut strenght. Dengan n adalah jumlah individu populasi P yang dilingkupi i dan N merupakan ukuran acak populasi yang diciptakan:
14 17 s i = n i N + 1 (2.2) f i = S i [0, 1) (2.3) Langkah 2: F itness dari suatu individu j ɛ P dikalkulasikan sebagai jumlah strength dari semua non-dominated eksternal i ɛ P yang melingkupi j. f j = 1 + {S(i)} (2.4) iɛp i j Fitness score suatu individu tidak hanya ditentukan oleh individu-individu yang terdapat pada archive melainkan penentuan fitness score juga memperhitungkan jumlah individu lain yang didominasi dan mendominasi individu tersebut. Setiap individu i didalam archive A t dan populasi P t diberikan nilai strenght S(i), yang mempresentasikan jumlah solusi yang mendominasinya (Maria dan Janssens, 2007). S(i) = {j jɛp t + P t i j} (2.5) Berdasarkan nilai S(i), raw f itness R(i) dari individu i dihitung dengan Raw fitnessr(i) = {S(j)} (2.6) jɛp t+p t,j i Untuk membedakan nilai f itness individu yang tidak saling mendominasi digunakan nilai density D(i) yang merupakan perbedaan nilai fungsi objektif (σi k ) suatu individu terhadap individu lainnya (Maria dan Janssens, 2007). D(i) = 1 σ k i + 2; k = N + N (2.7) Dalam penyebutan nilai fungsi objektif ditambahkan 2 untuk memastikan bahwa nilainya lebih besar dari 0 dan D(i) < 1. Sehingga dapat dihitung nilai finess score untuk setiap individu (Maria dan Janssens, 2007). F (i) = R(i) + D(i) (2.8)
15 18 3. Selection Seleksi memainkan peran penting dalam meningkatkan kualitas rata-rata populasi dengan melewati kromosom berkualitas tinggi untuk generasi berikutnya (Chitra dan Subbaraj, 2010). Seleksi adalah operator yang memilih beberapa pasang kromosom, yang disebut Parents yang akan digunakan oleh operator crossover. P arents dipilih sesuai dengan nilai f itnessnya masing-masing. Semakin baik kromosom, maka semakin banyak kesempatan mereka miliki untuk dipilih (Boussedrja, et al., 2010). Dengan demikian, salin semua individu yang tidak dimoninasi di P t dan P t ke P t+1. Jika ukuran P t+1 melebihi N kemudian kurang dari P t+1 atas pertolongan transaksi operator, sebaliknya jika ukuran P t+1 kurang dari N kemudian memenuhi P t+1 dengan individu mendominasi di P t dan P t (Maria dan Janssens, 2007). Proses seleksi dimaksudkan sebagai proses pemilihan beberapa pasang kromosom sebagai objek yang nantinya akan disilangkan. Dalam proses seleksi, populasi dan himpunan eksternal akan dikombinasikan dan setiap dua individu secara acak akan dipilih. Proses menyeleksi ini memegang peranan penting dalam menentukan kualitas rata-rata dari populasi dengan melewati/melampaui kualitas terbaik kromosom ke generasi berikutnya. Kromosom yang terbaik memiliki kesempatan lebih besar dari yang lainnya untuk terpilih karena seleksi yang paling proporsional diasosiasi dengan setiap kromosom dengan nilai fitness assignment yang terbaik. SPEA2 menawarkan dua prosedur seleksi yaitu seleksi lingkungan dan kawin. Pemilihan lingkungan dengan memilih individu yang harus pindah ke generasi archive berikutnya P t+1 dari archive saat ini P t (Maria dan Janssens, 2007). 4. Recombination Metode crossover digunakan oleh algoritma evolusioner untuk individu pasangan dari populasi untuk membentuk keturunan baru (Boussedjra et al., 2010). Skema crossover merupakan adaptasi dari satu titik crossover. Untuk pasangan jalur lokus dipilih secara acak dari salah satu kromosom (jalur terpendek dalam hal jumlah node) dan simpul ID dari lokus yang cocok dengan gen dalam kromosom lainnya. Selanjutnya dilalukan perkawinan agar menghasilkan generasi baru. Dua kromosom dapat menyeberang jika mereka memiliki setidaknya satu pasang gen yang sama (node) kecuali untuk node awal (sumber) dan node tujuan. Jika
16 19 ada lagi pasangan gen umum, satu pasang yang dipilih secara acak dan lokus setiap node menjadi ditus persimpangan dari setiap kromosom. 5. Mutation Proses mutasi adalah suatu proses kemungkinan memodifikasi informasi gengen pada suatu kromosom. Perubahan ini dapat membuat solusi duplikasi menjadi memiliki nilai f itness yang lebih rendah maupun lebih tinggi daripada solusi induknya. Tujuan dari mutasi adalah untuk menciptakan keragaman dalam populasi. Populasi mengalami mutasi oleh perubahan aktual atau membalik dari salah satu gen dari kromosom calon, sehingga menjaga diri dari optimal lokal (Potti dan Chinnasamy, 2011). Operator mutasi mengubah gen dengan probabilitan yang diberikan. Ini bermaksud untuk mencegah jatuhnya semua solusi dalam populasi ke lokal optimum dari penyelesaian masalah. Ini menciptakan kromosom baru yang merupakan solusi potensial (Boussedjra et al., 2010). Dalam melakukan mutasi, sebuah node yang disebut titik mutasi, dipilih secara acak dari lintasan yang dipilih. Kemudian, mulai dari node menggunakan pencarian pertama kedalam untuk menemukan node-node berikutnya sampai node terakhir ditemukan. Hal ini menunjukkan bahwa pengulangan dapat diproduksi dalam proses mutasi.
Optimasi 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 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 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 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 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 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 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 terperinciLingkup Metode Optimasi
Algoritma Genetika Lingkup Metode Optimasi Analitik Linier Non Linier Single Variabel Multi Variabel Dgn Kendala Tanpa Kendala Numerik Fibonacci Evolusi Complex Combinasi Intelijen/ Evolusi Fuzzy Logic
Lebih terperinciBAB 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 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 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 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 terperinciBAB 2 DASAR TEORI. 2.1 Teka-Teki Silang
BAB 2 DASAR TEORI 2.1 Teka-Teki Silang Teka-teki silang atau disingkat TTS adalah suatu permainan yang mengharuskan penggunanya untuk mengisi ruang-ruang kosong dengan huruf-huruf yang membentuk sebuah
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Pembentukan kelas belajar merupakan kegiatan rutin yang dilakukan oleh setiap sekolah pada setiap tahun ajaran baru. Pembentukan kelas biasanya dilakukan dengan membagi
Lebih terperinciAlgoritma Evolusi Evolution Strategies (ES)
Algoritma Evolusi Evolution Strategies (ES) Imam Cholissodin imam.cholissodin@gmail.com Pokok Bahasan 1. Struktur Dasar Evolution Strategies (ES) 2. Siklus ES (µ, λ) 3. Siklus ES (µ/r + λ) 4. Studi Kasus
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 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 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 LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Penjadwalan Penjadwalan adalah penempatan sumber daya (resource) dalam satu waktu. Penjadwalan mata kuliah merupakan persoalan penjadwalan yang umum dan sulit dimana tujuannya
Lebih terperinciBAB 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 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 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 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 terperinciZbigniew M., Genetic Alg. + Data Structures = Evolution Program, Springler-verlag.
Zbigniew M., Genetic Alg. + Data Structures = Evolution Program, Springler-verlag. 12/11/2009 1 Ditemukan oleh Holland pada tahun 1975. Didasari oleh fenomena evolusi darwin. 4 kondisi yg mempengaruhi
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN APLIKASI
27 BAB 3 ANALISIS DAN PERANCANGAN APLIKASI 3.1 Analisis Pada subbab ini akan diuraikan tentang analisis kebutuhan untuk menyelesaikan masalah jalur terpendek yang dirancang dengan menggunakan algoritma
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK TRAVELING SALESMAN PROBLEM DENGAN MENGGUNAKAN METODE ORDER CROSSOVER DAN INSERTION MUTATION
PENERAPAN ALGORITMA GENETIKA UNTUK TRAVELING SALESMAN PROBLEM DENGAN MENGGUNAKAN METODE ORDER CROSSOVER DAN INSERTION MUTATION Samuel Lukas 1, Toni Anwar 1, Willi Yuliani 2 1) Dosen Teknik Informatika,
Lebih 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 terperinciAlgoritma Evolusi Real-Coded GA (RCGA)
Algoritma Evolusi Real-Coded GA (RCGA) Imam Cholissodin imam.cholissodin@gmail.com Pokok Bahasan 1. Siklus RCGA 2. Alternatif Operator Reproduksi pada Pengkodean Real 3. Alternatif Operator Seleksi 4.
Lebih 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 terperinciPendekatan Algoritma Genetika pada Peminimalan Fungsi Ackley menggunakan Representasi Biner
Vol. 7, 2, 108-117, Januari 2011 Pendekatan Algoritma Genetika pada Peminimalan Fungsi Ackley menggunakan Representasi Biner Jusmawati Massalesse Abstrak Tulisan ini dimaksudkan untuk memperlihatkan proses
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Penjadwalan Penjadwalan kegiatan belajar mengajar pada suatu lembaga pendidikan biasanya merupakan salah satu pekerjaan yang tidak mudah dan menyita waktu. Pada lembaga pendidikan
Lebih terperinciBAB 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 terperinciPERANCANGAN ALGORITMA GENETIKA UNTUK MENENTUKAN JALUR TERPENDEK. Kata kunci: Algoritma Genetika, Shortest Path Problem, Jalur Terpendek
PERANCANGAN ALGORITMA GENETIKA UNTUK MENENTUKAN JALUR TERPENDEK Fajar Saptono 1, Taufiq Hidayat 2 Laboratorium Pemrograman dan Informatika Teori Jurusan Teknik Informatika, Fakultas Teknologi Industri,
Lebih terperinciOptimalisasi Pengantaran Barang dalam Perdagangan Online Menggunakan Algoritma Genetika
Optimalisasi Pengantaran Barang dalam Perdagangan Online Menggunakan Algoritma Genetika Rozak Arief Pratama 1, Esmeralda C. Djamal, Agus Komarudin Jurusan Informatika, Fakultas MIPA Universitas Jenderal
Lebih terperinciBab II Konsep Algoritma Genetik
Bab II Konsep Algoritma Genetik II. Algoritma Genetik Metoda algoritma genetik adalah salah satu teknik optimasi global yang diinspirasikan oleh proses seleksi alam untuk menghasilkan individu atau solusi
Lebih terperinciBAB II 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 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 terperinciKECERDASAN BUATAN METODE HEURISTIK / HEURISTIC SEARCH ERWIEN TJIPTA WIJAYA, ST., M.KOM
KECERDASAN BUATAN METODE HEURISTIK / HEURISTIC SEARCH ERWIEN TJIPTA WIJAYA, ST., M.KOM KERANGKA MASALAH Generate And Test Hill Climbing Best First Search PENCARIAN HEURISTIK Kelemahan blind search : 1.
Lebih terperinciBAB I PENDAHULUAN. telah diadopsi untuk mengurangi getaran pada gedung-gedung tinggi dan struktur
BAB I PENDAHULUAN 1.1 Latar Belakang Tuned mass damper (TMD) telah banyak digunakan untuk mengendalikan getaran dalam sistem teknik mesin. Dalam beberapa tahun terakhir teori TMD telah diadopsi untuk mengurangi
Lebih terperinciBAB 2 LANDASAN TEORI
18 BAB 2 LANDASAN TEORI 2.1 Pengertian Optimasi Optimasi adalah salah satu ilmu dalam matematika yang fokus untuk mendapatkan nilai minimum atau maksimum secara sistematis dari suatu fungsi, peluang maupun
Lebih terperinciBAB 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 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 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 terperinciOptimasi Penjadwalan Ujian Menggunakan Algoritma Genetika
Optimasi Penjadwalan Ujian Menggunakan Algoritma Genetika Nia Kurnia Mawaddah Wayan Firdaus Mahmudy, (wayanfm@ub.ac.id) Jurusan Matematika, FMIPA Universitas Brawijaya, Malang 65145 Abstrak Penjadwalan
Lebih terperinciBAB II KAJIAN PUSTAKA. Pada bab kajian pustaka berikut ini akan dibahas beberapa materi yang meliputi
BAB II KAJIAN PUSTAKA Pada bab kajian pustaka berikut ini akan dibahas beberapa materi yang meliputi graf, permasalahan optimasi, model matematika dari objek wisata di Yogyakarta, dan algoritma genetika
Lebih terperinciBAB 2 LANDASAN TEORI
5 BAB 2 LANDASAN TEORI Pada bab ini akan dibicarakan beberapa model penyelesaian problema Knapsack dengan memakai beberapa metode yang telah ada yang akan digunakan pada bab pembahasan. 2. Problema Knapsack
Lebih terperinciBAB III PEMBAHASAN. menggunakan model Fuzzy Mean Absolute Deviation (FMAD) dan penyelesaian
BAB III PEMBAHASAN Dalam bab ini akan dibahas mengenai pembentukan portofolio optimum menggunakan model Fuzzy Mean Absolute Deviation (FMAD) dan penyelesaian model Fuzzy Mean Absolute Deviation (FMAD)
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Penjadwalan dan Penjadwalan Flow shop Menurut Kumar (2011), jadwal merupakan rencana sistematis yang umumnya menceritakan hal-hal yang akan dikerjakan. Menurut Pinedo (2005),
Lebih terperinciPENGGUNAAN ALGORITMA GENETIKA UNTUK MENENTUKAN LINTASAN TERPENDEK STUDI KASUS : LINTASAN BRT (BUS RAPID TRANSIT) MAKASSAR
PENGGUNAAN ALGORITMA GENETIKA UNTUK MENENTUKAN LINTASAN TERPENDEK STUDI KASUS : LINTASAN BRT (BUS RAPID TRANSIT) MAKASSAR Karels, Rheeza Effrains 1), Jusmawati 2), Nurdin 3) karelsrheezaeffrains@gmail.com
Lebih terperinciBAB II KAJIAN TEORI. genetika, dan algoritma memetika yang akan digunakan sebagai landasan dalam
BAB II KAJIAN TEORI Pada bab II ini dijelaskan mengenai beberapa teori tentang penjadwalan, penjadwalan kuliah, metode penyelesaian penyusunan jadwal kuliah, algoritma genetika, dan algoritma memetika
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 terperinciPenerapan algoritma evolution strategies untuk optimasi distribusi barang dua tahap
Penerapan algoritma evolution strategies untuk optimasi distribusi barang dua tahap Candra Bella Vista 1, Wayan Firdaus Mahmudy 2 Program Studi Informatika / Ilmu Komputer Fakultas Ilmu Komputer Universitas
Lebih terperinciBAB III PEMBAHASAN. Berikut akan diberikan pembahasan mengenai penyelesaikan CVRP dengan
BAB III PEMBAHASAN Berikut akan diberikan pembahasan mengenai penyelesaikan CVRP dengan Algoritma Genetika dan Metode Nearest Neighbour pada pendistribusian roti di CV. Jogja Transport. 3.1 Model Matetematika
Lebih 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 I PENDAHULUAN 1.1 Latar Belakang
digilib.uns.ac.id BAB I PENDAHULUAN 1.1 Latar Belakang Jadwal merupakan daftar atau tabel kegiatan atau rencana kegiatan dengan pembagian waktu pelaksanaan yang terperinci. Universitas menggunakan tabel
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 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 terperinciMETODE PENCARIAN DAN PELACAKAN
METODE PENCARIAN DAN PELACAKAN SISTEM INTELEGENSIA Pertemuan 4 Diema Hernyka S, M.Kom Materi Bahasan Metode Pencarian & Pelacakan 1. Pencarian buta (blind search) a. Pencarian melebar pertama (Breadth
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 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 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 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 terperinciKECERDASAN BUATAN. Simple Hill Climbing. Disusun Oleh:
KECERDASAN BUATAN Simple Hill Climbing Disusun Oleh: 1. Lutvi Maulida Al H. (081112006) 2. Nurul Fauziah (081112021) 3. Anggraeni Susanti (081112055) 4. Syahrul Bahar Hamdani (081211232012) Departemen
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 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 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 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 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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini dibahas mengenai penjadwalan kuliah secara umum pada subbab 2.1, permodelan penjadwalan kuliah sebagai constraint satisfaction problem (CSP) pada subbab 2.2, dan penyelesaian
Lebih terperinciAlgoritma Evolusi Genetic Programming (GP) Dan Evolutionary Programming (EP)
Algoritma Evolusi Genetic Programming (GP) Dan Evolutionary Programming (EP) Imam Cholissodin imam.cholissodin@gmail.com Pokok Bahasan 1. Genetic Programming (GP) 2. Siklus Genetic Programming 3. Evolutionary
Lebih terperinciModul Matakuliah Algoritma Evolusi oleh
Modul Matakuliah Algoritma Evolusi oleh Wayan Firdaus Mahmudy Program Teknologi Informasi dan Ilmu Komputer (PTIIK) Universitas Brawijaya September 2013 Kata Pengantar Buku ini disusun untuk mengisi kelangkaan
Lebih terperinciImplementasi Algoritma Genetika dalam Pembuatan Jadwal Kuliah
Implementasi Algoritma Genetika dalam Pembuatan Jadwal Kuliah Leonard Tambunan AMIK Mitra Gama Jl. Kayangan No. 99, Duri-Riau e-mail : leo.itcom@gmail.com Abstrak Pada saat ini proses penjadwalan kuliah
Lebih terperinciBAB III IMPLEMENTASIALGORITMA GENETIK DAN ACS PADA PERMASALAHAN TRAVELLING SALESMAN PROBLEM
BAB III IMPLEMENTASIALGORITMA GENETIK DAN ACS PADA PERMASALAHAN TRAVELLING SALESMAN PROBLEM 3.1 TRAVELLING SALESMAN PROBLEM Sebelum membahas pencarian solusi Travelling Salesman Problem menggunakan algoritma
Lebih terperinciPeramalan Kebutuhan Beban Sistem Tenaga Listrik Menggunakan Algoritma Genetika
Peramalan Kebutuhan Beban Sistem Tenaga Listrik Menggunakan Algoritma Genetika M. Syafrizal, Luh Kesuma Wardhani, M. Irsyad Jurusan Teknik Informatika - Universitas Islam Negeri Sultan Syarif Kasim Riau
Lebih 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 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 terperinciPENCARIAN RUTE TERPENDEK ARENA KONTES ROBOT PEMADAM API INDONESIA (KRPAI) MENGGUNAKAN ALGORITMA HILL CLIMBING
ABSTRAK PENCARIAN RUTE TERPENDEK ARENA KONTES ROBOT PEMADAM API INDONESIA (KRPAI) MENGGUNAKAN ALGORITMA HILL CLIMBING Pamor Gunoto Dosen Tetap Program Studi Teknik Elektro Universitas Riau Kepulauan (UNRIKA)
Lebih terperinciAnalisis Operator Crossover pada Permasalahan Permainan Puzzle
Analisis Operator Crossover pada Permasalahan Permainan Puzzle Kun Siwi Trilestari [1], Ade Andri Hendriadi [2] Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Singaperbanga Karawang
Lebih terperinciMEMBANGUN TOOLBOX ALGORITMA EVOLUSI FUZZY UNTUK MATLAB
MEMBANGUN TOOLBOX ALGORITMA EVOLUSI FUZZY UNTUK MATLAB Syafiul Muzid 1, Sri Kusumadewi 2 1 Sekolah Pascasarjana Magister Ilmu Komputer, Universitas Gadjah Mada, Yogyakarta e-mail: aakzid@yahoo.com 2 Jurusan
Lebih terperinciBAB III MODEL DAN TEKNIK PEMECAHAN
BAB III MODEL DAN TEKNIK PEMECAHAN III.1. Diskripsi Sistem Sistem pendistribusian produk dalam penelitian ini adalah berkaitan dengan permasalahan vehicle routing problem (VRP). Berikut ini adalah gambar
Lebih 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 terperinciGambar 1. Hop multi komunikasi antara sumber dan tujuan
Routing pada Jaringan Wireless Ad Hoc menggunakan teknik Soft Computing dan evaluasi kinerja menggunakan simulator Hypernet Tulisan ini menyajikan sebuah protokol untuk routing dalam jaringan ad hoc yang
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 terperinciPenerapan Algoritma Genetika Multi-objective SPEA-II Pada Optimasi Portofolio Saham
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.3 Desember 2015 Page 7929 Penerapan Algoritma Genetika Multi-objective SPEA-II Pada Optimasi Portofolio Saham Sheila Nur Fadhila 1, Deni Saepudin
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 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 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 terperinciTEKNIK PENJADWALAN KULIAH MENGGUNAKAN METODE ALGORITMA GENETIKA. Oleh Dian Sari Reski 1, Asrul Sani 2, Norma Muhtar 3 ABSTRACT
TEKNIK PENJADWALAN KULIAH MENGGUNAKAN METODE ALGORITMA GENETIKA Oleh Dian Sari Reski, Asrul Sani 2, Norma Muhtar 3 ABSTRACT Scheduling problem is one type of allocating resources problem that exist to
Lebih terperinciBAB 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 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 terperinciBAB I PENDAHULUAN. adalah dengan menyatakan objek dinyatakan dengan sebuah titik (vertex),
BAB I PENDAHULUAN 1. 1 Latar Belakang Masalah Teori graf merupakan salah satu bidang matematika, yang diperkenalkan pertama kali oleh ahli matematika asal Swiss, Leonardo Euler pada tahun 1736. Teori graf
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 DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Konsep Umum Optimasi Optimasi merupakan suatu cara untuk menghasilkan suatu bentuk struktur yang aman dalam segi perencanaan dan menghasilkan struktur yang
Lebih terperinciOPTIMISASI PENEMPATAN TURBIN ANGIN DI AREA LAHAN ANGIN
OPTIMISASI PENEMPATAN TURBIN ANGIN DI AREA LAHAN ANGIN MENGGUNAKAN ALGORITMA GENETIKA Azimatul Khulaifah 2209 105 040 Bidang Studi Sistem Tenaga Jurusan Teknik Elektro FTI ITS Dosen Pembimbing : Dosen
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
20 BAB 2 TINJAUAN PUSTAKA 2.1. Pengantar Algoritma genetika merupakan algoritma yang lahir dari sebuah inspirasi teori evolusi Darwin yang mengatakan anggota dari spesies yang lemah lambat laun akan mengalami
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1. Data Mining Data Mining adalah proses pencarian pengetahuan dari suatu data berukuran besar melalui metode statistik, machine learning, dan artificial algorithm. Hal yang paling
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 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 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 terperinciANALISA ALGORITMA GENETIKA DALAM TRAVELLING SALESMAN PROBLEM SIMETRI. Lindawati Syam M.P.Siallagan 1 S.Novani 2
ANALISA ALGORITMA GENETIKA DALAM TRAVELLING SALESMAN PROBLEM SIMETRI Lindawati Syam M.P.Siallagan 1 S.Novani 2 Jurusan Teknik Informatika, FT, Jl. Dipati Ukur Bandung ABSTRAK Masalah Travelling Salesman
Lebih terperinci