Optimasi Vektor Bobot pada Learning Vector Quantization Menggunakan Algoritme Genetika untuk Penentuan Kualitas Susu Sapi
|
|
- Hengki Chandra
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X Vol. 2, No. 1, Januari 2018, hlm Optimasi Vektor Bobot pada Learning Vector Quantization Menggunakan Algoritme Genetika untuk Penentuan Kualitas Susu Sapi Karina Widyawati 1, Budi Darma Setiawan 2, Putra Pandu Adikara 3 Program Studi Teknik Informatika, 1 karin.narina@gmail.com, 2 s.budidarma@ub.ac.id, 3 adikara.putra@ub.ac.id Abstrak Susu merupakan bahan pangan dengan kandungan gizi lengkap yang penting bagi tubuh sehingga masyarakat perlu mengonsumsi susu dengan kualitas tinggi. Kualitas susu dapat ditentukan dengan alat Milkoscope Julie c2 atau Lactoscan untuk menguji kandungan kimiawi. Alat tersebut dapat mengetahui kandungan kimiawi meliputi 7 parameter. Dari 7 parameter, 3 parameternya merupakan ketentuan dari Standar Nasional Indonesia (SNI) sedangkan 4 parameter yang lain tidak tercantum dalam SNI. Jika penentuan kualitas susu hanya dengan 3 parameter SNI hasilnya kurang maksimal. Berdasarkan permasalahan tersebut, dibutuhkan sistem yang dapat menentukan kualitas susu sapi yang mempertimbangkan 7 parameter. Metode yang dapat digunakan untuk menentukan kualitas susu adalah Learning Vector Quantization (LVQ) namun LVQ membutuhkan metode optimasi untuk menghasilkan vektor bobot terbaik dan meningkatkan akurasi yaitu menggunakan Algoritme Genetika (AG). Hasil yang diperoleh dari penelitian memperoleh akurasi tertinggi sebesar % dengan parameter terbaik yaitu populasi 30, crossover rate 0,5, mutation rate 0,5, generasi 75, alpha 0,6 dan pengurang alpha 0,3. Kata Kunci: susu sapi, algoritme genetika, learning vector quantization, optimasi, klasifikasi Abstract Milk has a complete nutrition that important for body so every people can consume milk with high quality. Determination of milk quality can by tools called Milkoscope Julie c2 or Lactoscan to test the chemical contents. That tools can identified the chemical content which includes 7 parameters. From 7 parameters, 3 parameters are provisions of SNI and 4 parameters are not listed in porvisions of SNI. If we determine milk quality only from 3 parameter in SNI, the result is not the best. Based on that problems, we need a system that can help us to determine quality of milk considering 7 parameters. Method that can be used for this problem is Learning Vector Quantization (LVQ) but LVQ need an optimazion method to produce the best weight vector and increase accuracy using Genethic Algorithm (GA). Best weight vector of GA will be used for LVQ training and the latest wight vector of training used for testing. The result of this research obtained the highest accuracy average is % with best parameters such as population size 30, crossover rate 0,5, mutation rate 0,5, generation 75, alpha 0,6, and alpha decrement 0,3. Keywords: cow milk, genetic algorithm, learning vector quantization, optimatization, classification 1. PENDAHULUAN Untuk memenuhi kebutuhan gizi tubuh, manusia memerlukan makanan sehat yang bisa diperoleh dari berbagai sumber salah satunya hewan. Susu merupakan bahan pangan yang dihasilkan oleh hewan seperti sapi dan kambing. Susu sapi memiliki kandungan gizi tinggi dan lengkap karena di dalamnya terkandung zat-zat lengkap dan seimbang yaitu lemak, protein, mineral, karbohidrat dan vitamin yang sangat penting bagi tubuh manusia (Suhartini & Aryani, 2014). Susu sapi sendiri memiliki lebih banyak konsumen jika dibandingkan susu kambing atau kerbau. Jika dilihat dari segi nutrisi, kandungan pada susu sapi dan susu hewan lainnya tidak jauh berbeda. Namun karena kebiasaan, banyaknya peternakan yang memproduksi susu sapi dan mudah untuk membeli susu sapi membuat para konsumen lebih memilih mengonsumsi susu sapi daripada susu kambing atau kerbau. Mengonsumsi susu sangat dianjurkan setiap Fakultas Ilmu Komputer Universitas Brawijaya 217
2 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 218 hari baik untuk orang dewasa maupun anakanak. Bagi anak-anak, mengonsumsi susu sangat berguna sebagai sumber nutrisi untuk proses tumbuh kembang anak, salah satunya dalam hal kecerdasan otak karena tubuh melakukan penyerapan terhadap susu sebesar 98% - 100%. Selain pentingnya kandungan susu bagi tubuh manusia, dibutuhkan sebuah sistem yang dapat menentukan kualitas susu sehingga masyarakat bisa mengonsumsi susu dengan kualitas tinggi. Salah satu cara untuk penentuan kualitas susu yaitu dengan menguji kandungan kimiawinya. Proses pengujian dilakukan menggunakan alat Milkoscope Julie c2 dan Lactoscan. Alat tersebut dapat mengetahui kandungan kimiawi dari susu yang meliputi 7 parameter yaitu lemak (Fat), Solid Non Fat (SNF), Kekentalan (Density), Protein, Laktosa, Air dan Temperatur. Dari ketujuh parameter tersebut, 3 parameternya merupakan ketentuan dari SNI yaitu fat, SNF dan protein sedangkan 4 parameter yang lain tidak tercantum dalam ketentuan SNI. Apabila penentuan kualitas susu sapi dilakukan hanya dengan 3 parameter sesuai ketentuan SNI maka hasilnya kurang maksimal jadi digunakan 4 parameter lain yaitu density, laktosa, air dan temperatur sebagai kandungan tambahan untuk penentuan kualitas susu. Dari permasalahan tersebut, dibutuhkan sebuah sistem yang dapat membantu menentukan kualitas susu sapi yang mempertimbangkan 7 parameter. Salah satu metode klasifikasi yang dapat digunakan dalam penentuan kualitas susu sapi adalah Learning Vector Quantization (LVQ). LVQ adalah salah satu metode klasifikasi yang mana terdapat vektor bobot yang mewakili satu unit keluaran untuk dijadikan acuan bagi kelas yang mewakili keluaran tersebut dengan cara menghitung jarak terdekat antar data. Metode LVQ pernah diterapkan untuk penentuan kualitas susu sapi. Tahap awal yang dilakukan adalah membagi semua data menjadi data latih dan data uji. Kemudian melakukan perhitungan LVQ terhadap data latih untuk memperoleh bobot akhir. Selanjutnya, bobot akhir tersebut digunakan untuk menguji dan menentukan kualitas susu sapi pada data uji. terbaik yang dihasilkan pada penelitian ini adalah 91,79% (Ganidar, et al., 2015). Vektor bobot pada LVQ sangat penting dalam proses klasifikasi. Vektor bobot akan terus diperbarui hingga kondisi berhenti terpenuhi atau mencapai maksimal iterasi. Oleh karena itu, dibutuhkan suatu metode optimasi untuk menghasilkan vektor bobot terbaik dan meningkatkan akurasi. Salah satu metode optimasi yang sudah banyak digunakan adalah algoritme genetika. Kombinasi metode LVQ dan algoritme genetika pernah diterapkan (Sen, et al., 2002) untuk klasifikasi kualitas sinyal listrik. Terdapat 5 kelas sinyal pada penelitian ini yaitu voltage sag (lengkungan tegangan), swell (pembesaran), outage, dan variasi frekuensi. Setelah dilakukan pengujian menggunakan LVQ dan LVQ-GA didapatkan hasil bahwa metode LVQ-GA menghasilkan akurasi lebih tinggi mencapai 97,42% untuk kelas outage dibanding menggunakan LVQ yang hanya menghasilkan akurasi 93,59%. Berdasarkan penelitian yang telah dilakukan sebelumnya, dapat disimpulkan bahwa LVQ dapat digunakan dalam mengklasifikasikan kualitas susu sapi. Untuk menghasilkan vektor bobot dan akurasi terbaik maka diperlukan optimasi menggunakan algoritme genetika. 2. LANDASAN KEPUSTAKAAN 2.1 SUSU Susu telah dikonsumsi hampir semua orang. Susu dianggap sebagai bahan pangan yang penting bagi tubuh manusia. Jika dilihat dari segi nutrisinya, susu bisa didefinisikan sebagai bahan pangan yang hampir mendekati sempurna 2.2 KARAKTERISTIK SUSU SEGAR Susu merupakan cairan berwarna putih yang disekresikan oleh binatang mamalia betina melalui kelenjar mammae sebagai sumber gizi bagi anaknya. Manusia juga memanfaatkan susu sebagai bahan pangan untuk diminum baik yang sudah diolah maupun susu yang masih segar (Julmiati, 2002). Di dalam susu terkandung campuran kompleks yang terdiri dari lemak, karbohidrat, protein, laktosa, mineral, vitamin dan garamgaram anorganik yang terdispersi oleh air. Adapun faktor yang memengaruhi sifat fisik susu segar adalah komposisi yang terkandung di dalam susu serta perubahan-perubahan yang terjadi pada komposisi tersebut. 2.3 KANDUNGAN KIMIA SUSU Pada penelitian ini menggunakan 7 parameter untuk penentuan kualitas susu, antara lain (ST, 2009):
3 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 219 a. Lemak (Fat) Kandungan lemak dalam susu adalah komponen yang sangat penting. Wujud dari lemak merupakan butiran-butiran dengan diameter antara 0,001 mm sampai 0,01 m. b. Solid non Fat (SNF) Kadungan SNF dipengaruhi oleh suhu dan kualitas makanan hewan. Jika suhu tinggi dan kualitas makanan buruk dapat menyebabkan kandungan SNF rendah dan sebaliknya. c. Kekentalan (Density) Density bisa disebut juga dengan massa jenis susu. Jika kandungan susu semakin lengkap maka susu akan semakin kental. d. Protein Jenis protein yang terkandungan dalam susu adalah kasein. Kasein merupakan jenis protein berkualitas tinggi karena mengandung semua asam amino sehingga baik untuk susu maupun produk olah susu. e. Lactosa Kuman pembentuk asam susu dapat merusak kadar lactosa. Jumlah lactosa yang terlalu banyak dapat menyebabkan gangguan pencernaan. f. Air (Water) Kandungan air dalam susu berfungsi untuk melarutkan komponen-komponen yang dapat larut atau membentuk suspense. g. Suhu (Temperature) Susu sapi segar yang baru diperah biasanya akan disimpan dalam suhu kamar apabila akan langsung dikonsumsi. Suhu susu sapi dan lamanya waktu penyimpanan dapat mempengaruhi kualitas susu sapi. 2.4 ALGORITME GENETIKA Algoritme genetika merupakan metode optimasi yang mengacu pada perilaku dari evolusi biologi untuk menyelesaikan masalah tertentu dalam bidang pemrograman (Wai-Ho, et al., 2003). Tujuan dari algoritme genetika adalah untuk memilih individu terbaik dalam suatu populasi. Menurut Mery (2011) algoritme genetika memiliki siklus umum yang akan dijelaskan pada langkah-langkah berikut: a. Membangkitkan populasi awal Penentuan populasi awal dilakukan secara random dan setiap populasi terdiri dari beberapa kromosom sebagai solusi awal. Pada penelitian ini, pengodean kromosom menggunakan real code dan setiap populasi memilik 3 kromosom yang mewakili setiap kelas. Contoh representasi kromosom dapat dilihat pada Tabel 1. b. Membentuk generasi baru Terdapat dua langkah yang digunakan untuk membentuk generasi baru yaitu crossover dan mutasi. - Crossover yaitu proses persilangan antara dua parent yang dipilih secara acak untuk menghasilkan individu baru atau yang biasa disebut offspring. (Saputro, et al., 2015). Jenis crossover yang digunakan pada penelitian ini adalah extended intermediate crossover yang dihitung dengan persamaan: C i = P 1 + α(p 2 P 1 ) (1) Keterangan: C = child atau offspring P = parent α = nilai random dengan rentang Misal cr 0,4 dengan nilai a (0,32; 0,1; 0,85; -0,19; 0,42; 0,02; 0,28). Contoh hasil perhitungan crossover dapat dilihat pada tabel berikut. Tabel 2 dan 3 merupakan contoh parent dan Tabel 4 merupakan contoh offspring. - Mutasi adalah pembentukan individu baru dengan memodifikasi satu atau lebih gen pada individu yang sama (Mahmudy, 2013). Jenis mutasi yang digunakan pada penelitian ini adalah random mutation yang dihitung menggunakan persamaan: x i = x i + r(max i min i ) (2) Keterangan: x i = offspring gen ke-i x i = parent gen ke-i r = bilangan random max i = nilai maksimum dari gen ke-i min i = nilai minimun dari gen ke-i Misal mr 0,3 dengan nilai r 0,03. Contoh hasil perhitungan mutasi dapat dilihat pada tabel berikut. Tabel 5 merupakan contoh parent dan Tabel 6 merupakan contoh offspring. c. Evaluasi Solusi Proses ini bertujuan untuk mengevaluasi setiap populasi sampai terpenuhi kriteria berhenti. Jika kriteria berhenti belum terpenuhi maka ulangi lagi langkah b. Berikut adalah kriteria berhenti yang umum digunakan yaitu: - Berhenti pada generasi tertentu
4 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 220 Tabel 1 Representasi Kromosom Individu 1 Fat SNF Density Protein Lactosa Water Temperature W 1 2,66 6,51 18,77 2,03 3,02 35,4 17 W 2 3,22 8,77 30,66 2,36 4, W 3 4,18 8,36 30,16 3,18 4, Individu 2 W 1 3,3 7,11 24,31 2,62 3,9 14,5 23 W 2 2,97 8,13 25,44 2,38 3,95 0,9 26 W 3 4,66 8,37 27,96 3,08 4, Individu 3 W 1 1,98 7,56 21,35 2,44 4, W 2 3,77 7,43 25,33 2,76 4,11 9,2 16 W 3 5 8,04 26,46 2,96 4,71 0,5 20 Tabel 2 Contoh Parent Pertama W 1 2,66 6,51 18,77 2,03 3,02 35,4 17 W 2 3,22 8,77 30,66 2,36 4, W 3 4,18 8,36 30,16 3,18 4, Tabel 3 Contoh Parent Kedua W 1 3,3 7,11 24,31 2,62 3,9 14,5 23 W 2 2,97 8,13 25,44 2,38 3,95 0,9 26 W 3 4,66 8,37 27,96 3,08 4, Tabel 4 Contoh Hasil Offspring W 1 2, 6,57 23,47 1,91 3,38 34,98 18,68 W 2 3,14 8,7 26,22 2,35 4,28 1,97 26,72 W 3 4,89 8,07 27,73 2,93 4,65 0,49 20 Tabel 5 Contoh Parent Mutasi W 1 1,98 7,56 21,35 2,44 4, W 2 3,77 7,43 25,33 2,76 4,11 9,2 16 W 3 5 8,04 26,46 2,96 4,71 0,5 20 Tabel 6 Contoh Hasil Offspring W 1 1,98 7,56 21,35 2,44 4, W 2 3,77 7,43 25,33 2,76 4,21 9,2 16 W 3 5 8,04 26,46 2,96 4,91 0,5 20
5 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Berhenti setelah beberapa generasi dengan nilai fitness tertinggi - Berhenti pada generasi ke n ketika nilai fitness dari populasi tidak mengalami perubahan Nilai fitness yang digunakan adalah nilai akurasi. Berikut merupakan persamaan yang digunakan untuk menghitung nilai akurasi: nilai akurasi = jumlah data benar total semua data 100% (3) d. Seleksi Nilai fitness dari setiap individu akan mengalami proses seleksi. kemudian individu dengan nilai fitness terbaik akan lolos ke generasi berikutnya dan mengulangi proses reproduksi sampai seleksi hingga kondisi berhenti terpenuhi. 2.5 LEARNING VECTOR QUANTIZATION (LVQ) Learning Vector Quantization (LVQ) merupakan jaringan lapisan tunggal yang sudah banyak digunakan dalam pengenalan pola baik berupa suara, citra, dan lain sebagainya. Selain itu, LVQ juga sering dimanfaatkan untuk klasifikasi yang memiliki tingkat akurasi tinggi dan kecepatan dalam hal memproses (Hariri, et al., 2015). Arsitektur LVQ dapat dilihat pada Gambar 1. X1 X2 X3 X7 Input X i W 1 X i W 2 X i W 3 Bobot Gambar 1 Arsitektur LVQ Berdasarkan Gambar 2.1, prinsip kerjanya yaitu mengurangi node-node tetangganya (neighbour) sehingga hanya akan ada satu node output yang terpilih (winner node). Langkahlangkah proses perhitungan adalah sebagai berikut (Hariri, et al., 2015): 1. Menyiapkan data latih dan target 2. Menginisialisasi bobot (W), maksimum epoch, nilai learning rate (α), pengurang F1 F2 F3 Output learning rate (α), minimum α. Nilai epoch dan α berfungsi untuk menentukan batas ambang komputasi 3. Melakukan proses dibawah ini selama epoch < MaxEpoch atau α= α minimum a. Mengerjakan untuk i=1 sampai n 1) Menghitung jarak hingga diperoleh jarak minimum, dimisalkan hasilnya sebagai nilai C j. Persamaan yang digunakan sebagai berikut: j D (x,w) = (x i W i ) i=1 2 (4) Keterangan: D i = jarak data ke-i x i = data ke-i W= vektor bobot 2) Memperbarui nilai Wj dengan syarat: a) Jika T = C j maka W j (baru) = W j (lama) + α(x W j (lama)) (5) b) Jika T C j maka W j (baru) = W j (lama) α(x W j (lama)) (6) b. Mengurangi nilai α selama kondisi berhenti belum terpenuhi dengan persamaan: α(baru) = α(lama) dec α (7) Keterangan: dec α: pengurang α yang ditentukan secara acak 4. Mengulangi langkah ke 3 jika α <= α minimum belum terpenuhi. 5. Setelah melakukan proses pelatihan, selanjutnya akan didapatkan bobot akhir (W). Bobot tersebut akan digunakan untuk melakukan klasifikasi pada data baru. 3 METODOLOGI 3.1 DATA PENELITIAN Data kualitas susu sapi didapat dari skripsi sebelumnya yang berjudul Pengklasifikasian Kualitas Susu Sapi Dengan Algoritme Fuzzy K- Nearest Neighbor (FK-NN). Terdapat 7 parameter yang digunakan untuk menentukan kualitas susu sapi yaitu fat, solid non-fat (SNF), density, protein, lactosa, water dan temperature. Jumlah data yang digunakan dalam penelitian ini sebanyak 150 data yang dibagi menjadi 100 data latih dan 50 data uji. Jumlah kelas yang ada pada data ini sebanyak 3 kelas yaitu kualitas tinggi, kualitas sedang, dan kualitas rendah.
6 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer OPTIMASI VEKTOR BOBOT LVQ MENGGUNAKAN ALGORITME GENETIKA Gambar 2 menunjukkan alur AG-LVQ yang dimulai dengan proses membangkitkan individu sejumlah ukuran populasi yang diambil secara random dari data. T Mulai Population size, jmlgenerasi, cr, mr, iterasi LVQ, α, dec α, α minimum, dataset Bangkitkan populasi awal Crossover & Mutasi Evaluasi Seleksi i==jmlgener asi Y Vektor bobot terbaik LVQ Hasil klasifikasi, nilai akurasi Selesai Gambar 2 Alur AG-LVQ Kemudian melakukan proses reproduksi yaitu crossover dan mutasi untuk menghasilkan offspring. Setelah itu semua individu akan mengalami proses evaluasi dengan menghitung nilai fitness untuk setiap individu. Nilai fitness yang digunakan pada penelitian ini adalah nilai akurasi. Dari nilai akurasi tersebut, individu akan mengalami proses seleksi. Individu dengan nilai akurasi tertinggi memiliki kemungkinan untuk lolos ke generasi berikutnya. Jumlah individu yang lolos diambil sejumlah ukuran populasi. Proses perhitungan AG akan berulang hingga syarat berhenti terpenuhi yaitu ketika mencapai generasi maksimum. Keluaran dari AG adalah satu vektor bobot yang memiliki nilai akurasi terbaik. Selanjutnya, vektor bobot tersebut akan digunakan dalam proses training LVQ. Pada proses training, vektor bobot akan diperbarui hingga mencapai alpha minimum. Bobot paling baru dari hasil training akan digunakan untuk testing LVQ. Testing menghasilkan nilai akurasi dari keseluruhan proses dan hasil klasifikasi kualitas susu untuk setiap data. 4 PENGUJIAN DAN ANALISIS Pengujian yang dilakukan ada 2 jenis yaitu pengujian LVQ dan pengujian Algoritme Genetika-LVQ. Pada pengujian LVQ, parameter yang diuji adalah nilai laju pembelajaran dan pengurang alpha. Untuk Algoritme Genetika- LVQ terdapat 4 jenis pengujian meliputi pengujian jumlah population size, pengujian jumlah generasi, pengujian nilai kombinasi cr mr, pengujian nilai laju pembelajaran, pengujian pengurang alpha, dan pengujian cross validation. Parameter awal yang digunakan dalam pengujian LVQ antara lain: a. Iterasi maksimum = 1000 b. Pengurang alpha = 0,3 c. Alpha minimum = Parameter awal yang digunakan dalam pengujian AG-LVQ antara lain: a. Jumlah generasi: 25 b. Cr: 0,3 Mr: 0,7 c. Iterasi maksimum: 1000 d. Pengurang alpha: 0,3 e. Laju Pembelajaran: 0,2 f. Alpha minimum: HASIL DAN ANALISIS NILAI LAJU PEMBELAJARAN LVQ Gambar 3 menunjukkan bahwa rata-rata akurasi pada pengujian kedua hingga kelima menghasilkan akurasi yang stabil dengan ratarata %. Untuk pengujian keenam dan seterusnya mengalami penurunan. Apabila nilai laju pembelajaran terlalu kecil akan mengakibatkan konvergensi lebih cepat, sedangkan nilai laju pembelajaran yang terlalu besar akan mengakibatkan divergen yang berpengaruh pada akurasi. Pada penelitian ini,
7 [0,1; 0,9] [0,2; 0,8] [0,3; 0,7] [0,4;0,6] [0,5; 0,5] [0,6;0,4] [0,7;0,3] [0,8;0,2] [0,9;0,1] Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 223 nilai laju pembelajaran yang menghasilkan akurasi tertinggi sebesar 84% adalah 0,2 dan yang menghasilkan akurasi terendah sebesar 50,8% adalah 0, Pengujian Nilai Laju Pembelajaran 77, ,2 78,8 76,4 61,6 50,8 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 Laju Pembelajaran Gambar 3 Grafik Pengujian Laju Pembelajaran 4.2 HASIL DAN ANALISIS PENGURANG ALPHA LVQ 87 85,8 Pengujian Population Size 87,2 87,6, Population Size Gambar 5 Grafik Pengujian Population Size Dari pengujian ini, akurasi tertinggi dihasilkan oleh nilai population size 30 dengan rata-rata 87,6 sedangkan, akurasi terendah dihasilkan oleh nilai population size 50 dengan nilai rata-rata. Semakin banyak jumlah populasi akan menghasilkan semakin banyak solusi namun belum tentu solusi tersebut merupakan solusi terbaik yang menghasilkan nilai akurasi tinggi. Pengujian Nilai Pengurang α 4.4 HASIL DAN ANALISIS PENGUJIAN CR DAN MR AG-LVQ ,2 85, ,4 82,8 81, ,6 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 Pengurang α 87 85,4 Pengujian cr dan mr 87,2,4,8,8,8 Gambar 4 Grafik Pengujian Pengurang α Gambar 4 menunjukkan nilai rata-rata akurasi dari hasil pengujian nilai pengurang α. Pada grafik tersebut dapat dilihat bahwa rata-rata akurasi mulai pengujian kedua terus mengalami penurunan sehingga akurasi terbaik sebesar 85,6% dihasilkan oleh pengurang α dengan nilai 0,1. Untuk akurasi terendah sebesar 81,6% dihasilkan oleh nilai 0,9. Pengurang alpha berpengaruh pada nilai alpha dalam proses update bobot sehingga hal tersebut juga akan mempengaruhi hasil akurasi. 4.3 HASIL DAN ANALISIS POPULATION SIZE AG-LVQ Gambar 5 menunjukkan hasil akurasi dari pengujian population size. Grafik mengalami peningkatan akurasi untuk percobaan kedua dan ketiga sedangan pada percobaan keempat dan kelima mengalami penurunan. cr dan mr Gambar 6 Grafik Pengujian cr mr Gambar 6 menunjukkan nilai akurasi dari hasil pengujian kombinasi nilai cr mr. Jika nilai cr terlalu rendah maka AG akan bergantung pada nilai mr sehingga dapat menyebabkan eksploitasi tinggi. Apabila nilai cr rendah maka berpengaruh pada ruang pencarian solusi yang tidak dieksploitasi secara efektif. Nilai akurasi tertinggi dihasilkan oleh kombinasi nilai cr 0,5 dan mr 0,5 dengan rata-rata sebesar 87,2. Untuk nilai akurasi terendah sebesar dihasilkan oleh tiga nilai kombinasi cr mr yaitu (0,3; 0,7), (0,7;0,3) dan (0,8; 0,2).
8 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer HASIL DAN ANALISIS PENGUJIAN JUMLAH GENERASI LVQ-AG Gambar 7 menunjukkan hasil akurasi dari jumlah generasi. Grafik tersebut mengalami peningkatan akurasi pada percobaan ketiga dan turun untuk percobaan selanjutnya. 87,5 87,5 85,5 85,4,4,8,4 Gambar 7 Grafik Pengujian Jumlah Generasi Banyak jumlah generasi memberikan kesempatan bagi individu dengan nilai akurasi tinggi untuk lolos ke generasi berikutnya namun tidak selalu individu tersebut menghaslkan solusi terbaik. Dari pengujian ini, akurasi tertinggi dihasilkan oleh generasi sebesar 30 dengan rata-rata akurasi,8 dan akurasi terendah dihasilkan oleh generasi 125 dengan rata-rata akurasi. 4.6 HASIL DAN ANALISIS PENGUJIAN NILAI LAJU PEMBELAJARAN AG- LVQ Gambar 8 menunjukkan nilai akurasi tertinggi diperoleh saat pengujian laju pembelajaran bernilai 0,6 yaitu dengan rata-rata akurasi Pengujian Generasi Generasi Pengujian Laju Pembelajaran 84,8 Gambar 8 Grafik Pengujian Laju Pembelajaran Untuk akurasi terendah didapatkan saat pengujian laju pembelajaran bernilai 0,9 yang rata-rata akurasinya bernilai 53,2. Pada penelitian ini, nilai laju pembelajaran yang 84, ,2 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 Alpha menghasilkan akurasi tertinggi sebesar % adalah 0,6 dan yang menghasilkan akurasi terendah sebesar 53,2% adalah 0, HASIL DAN ANALISIS PENGUJIAN PENGURANG ALPHA LVQ-AG Gambar 9 menunjukkan rata-rata akurasi dari hasil pengujian nilai pengurang α. Pada percobaan kedua dan ketiga mengalami kenaikan akurasi sehingga akurasi terbaik sebesar % dihasilkan oleh nilai pengurang α 0, ,6 87,6,8 Gambar 9 Grafik Pengujian Pengurang α Untuk percobaan keempat dan seterusnya, grafik mengalami penurunan dan akurasi terendah sebesar 82% dihasilkan oleh nilai pengurang α 0,9. Nilai pengurang alpha berpengaruh pada nilai akurasi karena nilai pengurang alpha akan memperbarui nilai alpha yang digunakan dalam proses update bobot sehingga dapat meningkatkan nilai akurasi. 4.8 HASIL DAN ANALISIS PENGUJIAN CROSS VALIDATION Gambar 10 menunjukkan nilai akurasi pada pengujian cross validation. Pada pengujian nilai, perbandingan data yang digunakan adalah 70% data latih dan 30% data uji. Terdapat 5 jenis data yang diuji dengan perbandingan sama namun persebaran data yang berbeda Pengujian Nilai Pengurang α Gambar 10 Grafik Pengujian Cross Validation 84 82,4 82 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 Pengurang α Pengujian Cross Validation 72,432,452 76,456,9 Data 1 Data 2 Data 3 Data 4 Data 5 Data
9 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 225 Nilai akurasi terbaik dihasilkan oleh data 5 dengan nilai akurasi,9%. Dari grafik tersebut dapat disimpulkan bahwa persebaran data mempengaruhi nilai akurasi. 5 PENUTUP Berdasarkan hasil perancangan, implementasi dan pengujian yang telah dilakukan sebelumnya didapatkan kesimpulan yaitu parameter terbaik pada pengujian LVQ adalah nilai laju pembelajaran 0,2, pengurang α 0,1, α minimum dan iterasi maksimum 1000 yang menghasilkan rata-rata akurasi 85,6%. Untuk pengujian AG-LVQ terdapat 6 jenis pengujian. Rata-rata akurasi terbaik sebesar % dihasilkan oleh population size 30, cr 0,5, mr 0,5, generasi 75, iterasi maksimum 1000, laju pembelajaran 0,6, dan pengurang α 0,3. Untuk pengujian cross validation diperoleh nilai akurasi sebesar,9% yang dihasilkan oleh data 5. Hasil dari setiap percobaan menggunakan AG-LVQ menunjukkan hasil yang lebih stabil dibandingkan dengan metode LVQ saja karena bobot telah dievaluasi sebelumnya serta menghasilkan nilai akurasi yang lebih tinggi. DAFTAR PUSTAKA Ganidar, F. R., Dewi, C. & Regasari, R., Pengklasifikasian Mutu Susu Sapi Menggunakan Learning Vektor Quantization (LVQ) (Studi Kasus: UPT Laboratorium Kesehatan Hewan Malang), Malang: Universitas Brawijaya. Hariri, F. R., Ema, U. & Armadyah, A., Learning Vector Quantization untuk Klasifikasi Abstrak Tesis. Citec Journal. Julmiati, Perbandingan Kualitas Susu Pasteurisasi terhadap Pembentukan Curd Keju dengan Penambahan Sari Buah Markisa (Passiflora Edulis Sims). Makassar: Universitas Hasanuddin. Mahmudy, W. F., Algoritma Evolusi. Malang: Program Teknologi Informasi dan Ilmu Komputer Universitas Brawijaya. Mayasari, D. & Listyana, L., Jaringan Saraf Tirutan, Yogyakarta: s.n. Mery, H., Penerapan Algoritma Genetika pada Penjadwalan Mata Kuliah (Studi Kasus: Program Studi Matematika FMIPA Universitas Bengkulu). Putri, N. R., Learning Vector Quantization Dengan Logika Fuzzy Untuk Pengenalan Wajah Berspektrum Cahaya Tampak Dengan Variasi Cahaya, Depok: Universitas Indonesia. Saleh, E., Dasar Pengolahan Susu dan Hasil Ikutan Ternak, s.l.: Fakultas Pertanian Universitas Sumatera Utara. Saputro, H. A., Mahmudy, W. F. & Dewi, C., Implementasi Algoritma Genetika Untuk Optimasi Penggunaan Lahan Pertanian. DORO: Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya vol. 5, no. 12. Sen, O., Zhengxiang, S., Jianhua, W. & Degui, C., Application of LVQ Neural Networks Combined with Genetic Algorithm in Power Quality Signals Classification, Shaanxi: School of Electrical Engineering. Sonali, M., Maind, B. & Wankar, M. P., Research Paper on Basic of Artificial Neural Network. ST, A., [Online] Available at: [Accessed Thursday July 2017]. Suhartini, R. & Aryani, D. I., Kategori Kualitas Susu Sapi Segar Secara Mikrobiologi Di Peternakan "X" Cisurupan - Garut. Jurnal Kesehatan Bakti Tunas Husada. Wai-Ho, A., Chan, K. & Xin, Y., A novel evolusionary data mining algorithm with applications to churn prediction. Evolutionary Computation, IEE Transaction on, vol: 7, pp
Implementasi Genetic Algorithm Dan Artificial Neural Network Untuk Deteksi Dini Jenis Attention Deficit Hyperactivity Disorder
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 2, Februari 2018, hlm. 688-694 http://j-ptiik.ub.ac.id Implementasi Genetic Algorithm Dan Artificial Neural Network
Lebih terperinciJurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No.2, Februari 2018, hlm. 679-687 http://j-ptiik.ub.ac.id Optimasi Vektor Bobot Pada Learning Vector Quantization Menggunakan
Lebih terperinciOPTIMASI PERSEDIAAN BAJU MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI PERSEDIAAN BAJU MENGGUNAKAN ALGORITMA GENETIKA andra Aditya 1), Wayan Firdaus Mahmudy 2) 1) Program Studi Teknik Informatika, Fakultas Ilmu Komputer Malang Jl. Veteran, Malang 65145, Indonesia
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 terperinciPenjadwalan Dinas Pegawai Menggunakan Algoritma Genetika Pada PT Kereta Api Indonesia (KAI) Daerah Operasi 7 Stasiun Besar Kediri
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 11, November 2018, hlm. 4371-4376 http://j-ptiik.ub.ac.id Penjadwalan Dinas Pegawai Menggunakan Algoritma Genetika
Lebih terperinciPrediksi Jumlah Pengangguran Terbuka di Indonesia menggunakan Metode Genetic-Based Backpropagation
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 4, April 2017, hlm. 341-351 http://j-ptiik.ub.ac.id Prediksi Jumlah Pengangguran Terbuka di Indonesia menggunakan
Lebih terperinciPenentuan Portofolio Saham Optimal Menggunakan Algoritma Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 1, Januari 2017, hlm. 63-68 http://j-ptiik.ub.ac.id Penentuan Portofolio Saham Optimal Menggunakan Algoritma Genetika
Lebih terperinciPenentuan Lokasi Pasang Baru Wifi.id Corner Menggunakan Metode AHP dan Algoritma Genetika (Studi Kasus : PT. Telkom Witel Kediri)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 12, Desember 2017, hlm. 1742-1749 http://j-ptiik.ub.ac.id Penentuan Lokasi Pasang Baru Wifi.id Corner Menggunakan
Lebih terperinciOptimasi Multiple Travelling Salesman Problem Pada Pendistribusian Air Minum Menggunakan Algoritme Genetika (Studi Kasus: UD.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 9, Juni 2017, hlm. 849-858 http://j-ptiik.ub.ac.id Optimasi Multiple Travelling Salesman Problem Pada Pendistribusian
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK PENENTUAN BATASAN FUNGSI KENGGOTAAN FUZZY TSUKAMOTO PADA KASUS PERAMALAN PERMINTAAN BARANG
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol. 3, No. 3, September 2016, hlm. 169-173 PENERAPAN ALGORITMA GENETIKA UNTUK PENENTUAN BATASAN FUNGSI KENGGOTAAN FUZZY TSUKAMOTO PADA KASUS PERAMALAN
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 terperinciOptimasi Pembagian Barang Alat Tulis Kantor Menggunakan Algoritme Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: -X Vol., No., Maret, hlm. - http://j-ptiik.ub.ac.id Optimasi Pembagian Barang Alat Tulis Kantor Menggunakan Algoritme Genetika Ardiansyah
Lebih terperinciOPTIMASI JADWAL MENGAJAR ASISTEN LABORATORIUM MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI JADWAL MENGAJAR ASISTEN LABORATORIUM MENGGUNAKAN ALGORITMA GENETIKA Indana Zulfa 1, Wayan Firdaus Mahmudy 2, Budi Darma Setiawan 3 Teknik Informatika, Program Teknologi Informasi dan Ilmu Komputer,
Lebih terperinciPENERAPAN METODE LEARNING VECTOR QUANTIZATION (LVQ) PADA PREDIKSI JURUSAN DI SMA PGRI 1 BANJARBARU
PENERAPAN METODE LEARNING VECTOR QUANTIZATION (LVQ) PADA PREDIKSI JURUSAN DI SMA PGRI 1 BANJARBARU Risky Meliawati 1,Oni Soesanto 2, Dwi Kartini 3 1,3Prodi Ilmu Komputer FMIPA UNLAM 2 Prodi Matematika
Lebih terperinciIMPLEMENTASI ALGORITMA FUZZY EVOLUSI PADA PENJADWALAN PERKULIAHAN
IMPLEMENTASI ALGORITMA FUZZY EVOLUSI PADA PENJADWALAN PERKULIAHAN Herny Wulandari Pangestu. Kartika Yulianti, Rini Marwati Departemen Pendidikan Matematika FPMIPA UPI *Surel: hernyw@ymail.com ABSTRAK.
Lebih terperinciJurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 11, November 2017, hlm. 1152-1159 http://j-ptiik.ub.ac.id Implementasi Algoritma Genetika Pada Metode AHP dan SAW
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 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 3 METODOLOGI PENELITIAN
34 BAB 3 METODOLOGI PENELITIAN 3.1. Pendahuluan Pengenalan pola (pattern recognition) adalah proses klasifikasi dari suatu objek atau pola menjadi beberapa kategori atau kelas, yang mana bertujuan untuk
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK MEMAKSIMALKAN LABA PRODUKSI JILBAB
Journal of Environmental Engineering & Sustainable Technology Vol. 02 No. 01, July 2015, Pages 06-11 JEEST http://jeest.ub.ac.id PENERAPAN ALGORITMA GENETIKA UNTUK MEMAKSIMALKAN LABA PRODUKSI JILBAB Samaher
Lebih terperinciAPLIKASI ALGORITMA GENETIKA UNTUK PENENTUAN KOMPOSISI BAHAN PANGAN HARIAN
APLIKASI ALGORITMA GENETIKA UNTUK PENENTUAN KOMPOSISI BAHAN PANGAN HARIAN Tedy Rismawan 1, Sri Kusumadewi 2 Jurusan Teknik Informatika, Fakultas Teknologi Industri Universitas Islam Indonesia e-mail: 1
Lebih terperinciOptimasi Penataan Barang pada Proses Distribusi Menggunakan Algoritme Evolution Strategies
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 5, Mei 2018, hlm. 1874-1882 http://j-ptiik.ub.ac.id Optimasi Penataan Barang pada Proses Distribusi Menggunakan Algoritme
Lebih terperinciPenerapan Algoritme Genetika Untuk Penjadwalan Latihan Reguler Pemain Brass Marching Band (Studi Kasus: Ekalavya Suara Brawijaya)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 9, September 2018, hlm. 2950-2956 http://j-ptiik.ub.ac.id Penerapan Algoritme Genetika Untuk Penjadwalan Latihan
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 terperinciJaringan Syaraf Tiruan dengan Pembelajaran Algoritma Genetika dan Diversitas untuk Deteksi Kelas Penyakit
Jaringan Syaraf Tiruan dengan Pembelajaran Algoritma Genetika dan Diversitas untuk Deteksi Kelas Penyakit Abidatul Izzah 1), Ratih Kartika Dewi 2) 1)2) Jurusan Teknik Informatika ITS Surabaya Jl. Teknik
Lebih terperinciJurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 9, September 2018, hlm. 2957-2964 http://j-ptiik.ub.ac.id Optimasi Batasan Fungsi Keanggotaan Fuzzy Tsukamoto Menggunakan
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 terperinciPelatihan Multi-Layer Neural Network Menggunakan Algoritma Genetika untuk Memprediksi Harga Saham Esok Hari (T+1)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 58-96X Vol., No. 6, Juni 08, hlm. 30-308 http://j-ptiik.ub.ac.id Pelatihan Multi-Layer Neural Network Menggunakan Algoritma Genetika untuk
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK PERMASALAHAN OPTIMASI DISTRIBUSI BARANG DUA TAHAP
PENERAPAN ALGORITMA GENETIKA UNTUK PERMASALAHAN OPTIMASI DISTRIBUSI BARANG DUA TAHAP Riska Sulistiyorini ), Wayan Firdaus Mahmudy ), Program Studi Teknik Informatika Program Teknologi Informasi dan Ilmu
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 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 terperinciOptimasi Komposisi Pakan Sapi Perah Menggunakan Algoritma Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 1, Januari 2017, hlm. 69-74 http://j-ptiik.ub.ac.id Optimasi Komposisi Pakan Sapi Perah Menggunakan Algoritma Genetika
Lebih terperinciOptimasi Asupan Makanan Harian Ibu Hamil Penderita Hipertensi Menggunakan Algoritme Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 9, September 2018, hlm. 2892-2901 http://j-ptiik.ub.ac.id Optimasi Asupan Makanan Harian Ibu Hamil Penderita Hipertensi
Lebih terperinciOptimasi Penjadwalan Mata Pelajaran Pada Kurikulum 2013 Dengan Algoritme Genetika (Studi Kasus: SMA Negeri 3 Surakarta)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 12, Desember 2017, hlm. 1535-1542 http://j-ptiik.ub.ac.id Optimasi Penjadwalan Mata Pelajaran Pada Kurikulum 2013
Lebih terperinciDeteksi Penyakit Kucing dengan Menggunakan Modified K-Nearest Neighbor Teroptimasi (Studi Kasus: Puskeswan Klinik Hewan dan Satwa Sehat Kota Kediri)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 11, November 2017, hlm. 1295-1301 http://j-ptiik.ub.ac.id Deteksi Penyakit Kucing dengan Menggunakan Modified K-Nearest
Lebih terperinciImplementasi Algoritma Genetika dalam Pembuatan Jadwal Kuliah
Implementasi Algoritma Genetika dalam Pembuatan Jadwal Kuliah Leonard Tambunan AMIK Mitra Gama Jl. Kayangan No. 99, Duri-Riau e-mail : leo.itcom@gmail.com Abstrak Pada saat ini proses penjadwalan kuliah
Lebih terperinciBAB 2 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 terperinciPENJADWALAN KAPAL PENYEBERANGAN MENGGUNAKAN ALGORITMA GENETIKA
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol. 3, No. 1, Maret 2016, hlm. 48-55 PENJADWALAN KAPAL PENYEBERANGAN MENGGUNAKAN ALGORITMA GENETIKA Ria Febriyana 1, Wayan Firdaus Mahmudy 2 Program
Lebih terperinciAPLIKASI ALGORITMA GENETIKA DALAM PENENTUAN DOSEN PEMBIMBING SEMINAR HASIL PENELITIAN DAN DOSEN PENGUJI SKRIPSI
Prosiding Seminar Nasional Matematika dan Terapannya 2016 p-issn : 2550-0384; e-issn : 2550-0392 APLIKASI ALGORITMA GENETIKA DALAM PENENTUAN DOSEN PEMBIMBING SEMINAR HASIL PENELITIAN DAN DOSEN PENGUJI
Lebih 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 III PEMBAHASAN. harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017.
BAB III PEMBAHASAN Data yang digunakan dalam bab ini diasumsikan sebagai data perkiraan harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017. Dengan demikian dapat disusun model Fuzzy
Lebih terperinciRANCANG BANGUN SISTEM PENENTUAN KOMPOSISI BAHAN PANGAN HARIAN MENGGUNAKAN ALGORITMA GENETIKA
ABSTRAKSI RANCANG BANGUN SISTEM PENENTUAN KOMPOSISI BAHAN PANGAN HARIAN MENGGUNAKAN ALGORITMA GENETIKA Tedy Rismawan, Sri Kusumadewi Jurusan Teknik Informatika, Fakultas Teknologi Industri Universitas
Lebih terperinciOptimasi Komposisi Menu Makanan bagi Penderita Tekanan Darah Tinggi Menggunakan Algoritme Genetika Adaptif
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol. 2, No. 2, Februari 2018, hlm 515-522 e-issn: http://j-ptiik.ub.ac.id Optimasi Komposisi Menu Makanan bagi Penderita Tekanan Darah Tinggi Menggunakan
Lebih terperinciOptimasi Pemodelan Regresi Linier Berganda Pada Prediksi Jumlah Kecelakaan Sepeda Motor Dengan Algoritme Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 5, Mei 2018, hlm. 1932-1939 http://j-ptiik.ub.ac.id Optimasi Pemodelan Regresi Linier Berganda Pada Prediksi Jumlah
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 I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Susu merupakan salah satu sumber protein hewani yang memiliki nilai gizi seimbang. Susu sapi memiliki komposisi diantaranya air, lemak, protein, vitamin, dan mineral.
Lebih terperinciPenyusunan Bahan Makanan Keluarga Penderita Penyakit Hiperkolesterolemia Menggunakan Algoritme Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 8, Agustus 2018, hlm. 2979-2986 http://j-ptiik.ub.ac.id Penyusunan Bahan Makanan Keluarga Penderita Penyakit Hiperkolesterolemia
Lebih terperinciOptimasi Penjadwalan Mata Pelajaran Menggunakan Algoritma Genetika (Studi Kasus : SMPN 1 Gondang Mojokerto)
Optimasi Penjadwalan Mata Pelajaran Menggunakan Algoritma Genetika (Studi Kasus : SMPN 1 Gondang Mojokerto) Dianita Dwi Permata Sari 1, Wayan Firdaus Mahmudy 2, Dian Eka Ratnawati 3 Teknik Informatika,
Lebih terperinciSISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON
Jurnal Informatika Mulawarman Vol. 7 No. 3 Edisi September 2012 105 SISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON Anindita Septiarini Program Studi Ilmu Komputer FMIPA,
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 terperinciPEMODELAN REGRESI NON LINEAR MENGGUNAKAN ALGORITMA GENETIKA UNTUK PREDIKSI KEBUTUHAN AIR PDAM KOTA MALANG
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol. 3, No. 1, Maret 2016, hlm. 59-65 PEMODELAN REGRESI NON LINEAR MENGGUNAKAN ALGORITMA GENETIKA UNTUK PREDIKSI KEBUTUHAN AIR PDAM KOTA MALANG Vitara
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 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 terperinciJurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: -X Vol., No., Maret 0, hlm. - http://j-ptiik.ub.ac.id Optimasi Penjadwalan Asisten Praktikum pada Laboratorium Pembelajaran Menggunakan
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 terperinciSIMULASI OPTIMASI PENEMPATAN KAPASITOR MENGGUNAKAN LOGIKA FUZZY DAN ALGORITMA GENETIKA PADA SISTEM TEGANGAN MENENGAH REGION JAWA BARAT
SIMULASI OPTIMASI PENEMPATAN KAPASITOR MENGGUNAKAN LOGIKA FUZZY DAN ALGORITMA GENETIKA PADA SISTEM TEGANGAN MENENGAH REGION JAWA BARAT Gahara Nur Eka Putra NRP : 1022045 E-mail : bb.201smg@gmail.com ABSTRAK
Lebih terperinciOptimasi Bobot Multi-Layer Perceptron Menggunakan Algoritma Genetika Untuk Klasifikasi Tingkat Resiko Penyakit Stroke
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 8, Agustus 2018, hlm. 2352-2360 http://j-ptiik.ub.ac.id Optimasi Bobot Multi-Layer Perceptron Menggunakan Algoritma
Lebih terperinciOptimasi Fungsi Keanggotaan Fuzzy Menggunakan Algoritma Genetika Dalam Penentuan Kebutuhan Gizi Bayi MPASI
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 7, Juli 218, hlm. 276-2712 http://j-ptiik.ub.ac.id Optimasi Fungsi Keanggotaan Fuzzy Menggunakan Algoritma Genetika
Lebih terperinciJURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: A-222
JURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: 2301-9271 A-222 Implementasi Algoritma Genetika pada Struktur Backpropagation Neural Network untuk Klasifikasi Kanker Payudara Adam Mizza Zamani, Bilqis Amaliah
Lebih terperinciOPTIMASI FUZZY TSUKAMOTO DUA TAHAP MENGGUNAKAN ALGORITMA GENETIKA UNTUK SELEKSI CALON KARYAWAN (STUDI KASUS: Perusahaan Bio-2000)
OPTIMASI FUZZY TSUKAMOTO DUA TAHAP MENGGUNAKAN ALGORITMA GENETIKA UNTUK SELEKSI CALON KARYAWAN (STUDI KASUS: Perusahaan Bio-2000) SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Mencapai Gelar Strata
Lebih terperinciOptimasi Komposisi Pakan Kambing Boer Menggunakan Algoritme Evolution Strategies
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 10, Oktober 2018, hlm. 3796-3801 http://j-ptiik.ub.ac.id Optimasi Komposisi Pakan Kambing Boer Menggunakan Algoritme
Lebih terperinciBAB I PENDAHULUAN. lengkap dan telah dikonsumsi oleh seluruh lapisan masyarakat. Susu dapat
BAB I PENDAHULUAN A. Latar Belakang Susu merupakan bahan pangan alami yang mempunyai nutrisi sangat lengkap dan telah dikonsumsi oleh seluruh lapisan masyarakat. Susu dapat dihasilkan oleh kelenjar-kelenjar
Lebih terperinciPrediksi Harga Emas Batang Menggunakan Feed Forward Neural Network Dengan Algoritme Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 8, Agustus 2018, hlm. 2317-2322 http://j-ptiik.ub.ac.id Prediksi Harga Emas Batang Menggunakan Feed Forward Neural
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 terperinciPrediksi Waktu Panen Tebu Menggunakan Gabungan Metode Backpropagation dan Algoritma Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 11, November 2017, hlm. 1443-1450 http://j-ptiik.ub.ac.id Prediksi Waktu Panen Tebu Menggunakan Gabungan Metode Backpropagation
Lebih terperinciProsiding Farmasi ISSN:
Prosiding Farmasi ISSN: 2460-6472 Analisis Kadar Protein dan Lemak pada Susu Cair Perah di Berbagai Daerah di Bandung dengan Metode Lowry dan Ekstraksi Cair Cair Analysis levels of Protein and Fat on Milk
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 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 terperinciPenjadwalan Mata Kuliah Menggunakan Metode Hybrid Algoritma Genetika Dan Algoritma Koloni Semut
ISSN : 2355-9365 e-proceeding of Engineering : Vol.3, No.2 Agustus 2016 Page 3711 OPEN ACCESS ISSN XXXX-XXXX IND. SYMPOSIUM ON COMPUTING VOL. XX, NO. XX, SEPT 2016 SOCJ.TELKOMUNIVERSITY.AC.ID/INDOSC Penjadwalan
Lebih terperinciPerbandingan Algoritma Exhaustive, Algoritma Genetika Dan Algoritma Jaringan Syaraf Tiruan Hopfield Untuk Pencarian Rute Terpendek
Perbandingan Algoritma Exhaustive, Algoritma Genetika Dan Algoritma Jaringan Syaraf Tiruan Hopfield Untuk Pencarian Rute Terpendek Rudy Adipranata 1, Felicia Soedjianto 2, Wahyudi Tjondro Teknik Informatika,
Lebih terperinciOptimasi Penjadwalan Mata Pelajaran Menggunakan Algoritme Genetika (Studi Kasus: SMK Negeri 2 Kediri)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 10, Oktober 2017, hlm. 1066-1072 http://j-ptiik.ub.ac.id Optimasi Penjadwalan Mata Pelajaran Menggunakan Algoritme
Lebih terperinciSIMULASI PENGENALAN TULISAN MENGGUNAKAN LVQ (LEARNING VECTOR QUANTIZATION )
SIMULASI PENGENALAN TULISAN MENGGUNAKAN LVQ (LEARNING VECTOR QUANTIZATION ) Fachrul Kurniawan, Hani Nurhayati Jurusan Teknik Informatika, Sains dan Teknologi Universitas Islam Negeri (UIN) Maulana Malik
Lebih terperinciLEARNING VECTOR QUANTIZATION UNTUK PREDIKSI PRODUKSI KELAPA SAWIT PADA PT. PERKEBUNAN NUSANTARA I PULAU TIGA
LEARNING VECTOR QUANTIZATION UNTUK PREDIKSI PRODUKSI KELAPA SAWIT PADA PT. PERKEBUNAN NUSANTARA I PULAU TIGA 1,2,3 Fakultas Ilmu Komputer dan Teknologi Informasi, Universitas Sumatera Utara e-mail: edgar.audela.bb@students.usu.ac.id,
Lebih terperinciISSN: X 77 IMPUTASI MISSING DATA DENGAN K-NEAREST NEIGHBOR DANALGORITMA GENETIKA
ISSN: 2088-687X 77 IMPUTASI MISSING DATA DENGAN K-NEAREST NEIGHBOR DANALGORITMA GENETIKA Ucik Mawarsari Badan Pusat Statistik Jl. Dr. Sutomo 6-8 Jakarta, ucik@bps.go.id ABSTRAK Permasalahan yang sering
Lebih terperinciBAB I PENDAHULUAN. kehidupan sehari-hari dan juga merupakan disiplin ilmu yang berdiri sendiri serta
BAB I PENDAHULUAN A. Latar Belakang Matematika adalah cabang ilmu pengetahuan yang dapat digunakan dalam kehidupan sehari-hari dan juga merupakan disiplin ilmu yang berdiri sendiri serta tidak merupakan
Lebih terperinciPenerapan Genetic Algorithm Untuk Optimasi Peningkatan Laba Persediaan Produksi Pakaian
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 6, Juni 218, hlm. 2168-2172 http://j-ptiik.ub.ac.id Penerapan Genetic Algorithm Untuk Optimasi Peningkatan Laba Persediaan
Lebih terperinciOPTIMALISASI LAHAN TANAH UNTUK AREA RUMAH DAN JALAN MENGGUNAKAN ALGORITMA GENETIKA
Optimalisasi Lahan Tanah untuk Area Rumah dan Jalan... (Fadhil dkk.) OPTIMALISASI LAHAN TANAH UNTUK AREA RUMAH DAN JALAN MENGGUNAKAN ALGORITMA GENETIKA Luthfi Ahmad Fadhil *, Esmeralda C Djamal, Ridwan
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK MENENTUKAN BIAYA MINIMAL DISTRIBUSI BARANG TIGA TAHAP PT. SEMEN TONASA
PENERAPAN ALGORITMA GENETIKA UNTUK MENENTUKAN BIAYA MINIMAL DISTRIBUSI BARANG TIGA TAHAP PT. SEMEN TONASA Andi Baharuddin 1, Aidawayati Rangkuti 2, Armin Lawi 3 Program Studi Matematika, Jurusan Matematika,
Lebih terperinciJurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 1, Januari 2018, hlm. 184-189 http://j-ptiik.ub.ac.id Klasifikasi Standar Produk Baja PT. Krakatau Steel (Persero)
Lebih terperinciABSTRAK. Universitas Kristen Maranatha
ABSTRAK Dalam beberapa tahun terakhir ini, peranan algoritma genetika terutama untuk masalah optimisasi, berkembang dengan pesat. Masalah optimisasi ini beraneka ragam tergantung dari bidangnya. Dalam
Lebih terperinciPENGENALAN POLA KEPUASAN MAHASISWA TERHADAP KEGIATAN BELAJAR MENGAJAR (STUDI KASUS DI STMIK AKAKOM YOGYAKARTA) Abstrak
PENGENALAN POLA KEPUASAN MAHASISWA TERHADAP KEGIATAN BELAJAR MENGAJAR (STUDI KASUS DI STMIK AKAKOM YOGYAKARTA) Dini Fakta Sari Teknik Informatika STMIK AKAKOM Yogyakarta dini@akakom.ac.id Abstrak Tenaga
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 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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Travelling Salesman Problem (TSP) Travelling Salesmen Problem (TSP) termasuk ke dalam kelas NP hard yang pada umumnya menggunakan pendekatan heuristik untuk mencari solusinya.
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Makanan merupakan salah satu hal utama untuk mendukung tubuh dalam melakukan berbagai aktifitas. Kandungan berbagai unsur penting dalam makanan seperti karbohidrat,
Lebih terperinciPemodelan Regresi Linear dalam Konsumsi Kwh Listrik di Kota Batu Menggunakan Algoritma Genetika
Pemodelan Regresi Linear dalam Konsumsi Kwh Listrik di Kota Batu Menggunakan Algoritma Genetika Arini Indah Permatasari 1), Wayan Firdaus Mahmudy 2) Program Studi Informatika/Ilmu Komputer Program Teknologi
Lebih terperinciPENYELESAIAN KNAPSACK PROBLEM MENGGUNAKAN ALGORITMA GENETIKA
PENYELESAIAN KNAPSACK PROBLEM MENGGUNAKAN ALGORITMA GENETIKA Kartina Diah KW1), Mardhiah Fadhli2), Charly Sutanto3) 1,2) Jurusan Teknik Komputer Politeknik Caltex Riau Pekanbaru Jl. Umban Sari No.1 Rumbai-Pekanbaru-Riau
Lebih terperinciPenerapan Adaptive Genetic Algorithm dengan Fuzzy Logic Controller pada Capacitated Vehicle Routing Problem
Penerapan Adaptive Genetic Algorithm dengan Fuzzy Logic Controller pada Capacitated Vehicle Routing Problem Tri Kusnandi Fazarudin 1, Rasyid Kurniawan 2, Mahmud Dwi Sulistiyo 3 1,2 Prodi S1 Teknik Informatika,
Lebih 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 terperinciAlgoritme Genetika Untuk Optimasi K-Means Clustering Dalam Pengelompokan Data Tsunami
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 10, Oktober 2018, hlm. 3865-3872 http://j-ptiik.ub.ac.id Algoritme Genetika Untuk Optimasi K-Means ring Dalam Pengelompokan
Lebih terperinciPERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION
PERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION Fitrisia, Adiwijaya, dan Andrian Rakhmatsyah Program Studi S1 Teknik Informatika,
Lebih terperinciOptimasi Penjadwalan Kuliah Pengganti Menggunakan Algoritme Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol 2, No 9, September 218, hlm 2829-284 http://j-ptiikubacid Optimasi Penjadwalan Kuliah Pengganti Menggunakan Algoritme Genetika
Lebih terperinciOptimasi Komposisi Pupuk Tanaman Jagung Menggunakan Algoritme Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 8, Agustus 2018, hlm. 2534-2541 http://j-ptiik.ub.ac.id Optimasi Komposisi Pupuk Tanaman Jagung Menggunakan Algoritme
Lebih terperinciSerealia, umbi, dan hasil olahannya Kacang-kacangan, bijibijian,
4 generasi, kromosom akan melalui proses evaluasi dengan menggunakan alat ukur yang disebut dengan fungsi fitness. Nilai fitness dari suatu kromosom akan menunjukkan kualitas kromosom dalam populasi tersebut.
Lebih terperinciMETODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN A. Kerangka Pemikiran Perusahaan dalam era globalisasi pada saat ini, banyak tumbuh dan berkembang, baik dalam bidang perdagangan, jasa maupun industri manufaktur. Perusahaan
Lebih terperinciPenerapan Algoritma Genetika untuk Penjadwalan Asisten Praktikum
Penerapan Algoritma Genetika untuk Penjadwalan Asisten Praktikum Okky Cintia Devi 1, Wayan Fidaus Mahmudy 2, Budi Darma Setiawan 3 Teknik Informatika, Program Teknologi Informasi dan Ilmu Komputer, Universitas
Lebih terperinciOptimasi Fungsi Keanggotaan Fuzzy Mamdani menggunakan Algoritme Genetika untuk Penentuan Kesesuaian Lahan Tanam Tembakau
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 254-964 Vol. 2, No. 3, Maret 201, hlm. 96-977 http://j-ptiik.ub.ac.id Optimasi Fungsi Keanggotaan Fuzzy Mamdani menggunakan Algoritme Genetika
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 terperinciOptimasi Cluster Pada Fuzzy C-Means Menggunakan Algoritma Genetika Untuk Menentukan Nilai Akhir
IJCCS, Vol.6, No.1, January 2012, pp. 101~110 ISSN: 1978-1520 101 Optimasi Cluster Pada Fuzzy C-Means Menggunakan Algoritma Genetika Untuk Menentukan Nilai Akhir Putri Elfa Mas`udia* 1, Retantyo Wardoyo
Lebih terperinciANALISIS VARIASI PARAMETER LEARNING VECTOR QUANTIZATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA ODOR
Jurnal Teknik dan Ilmu Komputer ANALISIS VARIASI PARAMETER LEARNING VECTOR QUANTIZATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA ODOR PARAMETER VARIATION ANALYSIS OF LEARNING VECTOR QUANTIZATION
Lebih terperinci