L1-1 Universitas Kristen Maranatha
|
|
|
- Sucianty Setiawan
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Langkah-langkah dalam Algoritma Genetika: 1. Buka Program Matlab. 2. Pada Command Window, ketik edit. 3. Pada Matlab Editor masukkan Inisialisasi Populasi dengan mengetikkan: % %Membangkitkan UkPop kromosom, dimana masing-masing krmosom berisi %1 sampai JumGen (jumlah lokasi tujuan) % %Masukan % UkPop : ukuran populasi atau jumlah kromosom dalam populasi % JumGen: jumlah gen dalam kromosom (jumlah lokasi tujuan) % %Keluaran % Populasi: kumpulan kromosom, matriks berukuran UkPop x JumGen % function Populasi = TSPInisialisasiPopulasi(UkPop,JumGen) for ii=1:ukpop, [Xval,Ind] = sort(rand(1,jumgen)); Populasi(ii,:) = Ind; end 4. Kemudian simpan dengan nama TSPInisialisasiPopulasi. 5. Kemudian lakukan langkah 2 hingga 4 untuk memasukkan: TSPEvaluasiIndividu % %Mengevaluasi kromosom hingga mendapatkan nilai fitness % %Masukan % Kromosom: matriks berukuran 1 x JumGen % JumGen : jumlah gen % XYLokasi: matriks berukuran UkPop x 3 % %Keluaran % fitness: nilai fitness % L1-1
2 Lampiran L1-2 function fitness = TSPEvaluasiIndividu(Kromosom,JumGen,XYLokasi) TB = 0; for ii=1:jumgen-1, TB = TB + XYLokasi(Kromosom(ii),Kromosom(ii+1)); end %Jalur harus kembali ke lokasi asal TB = TB + XYLokasi(Kromosom(JumGen),Kromosom(1)); fitness = 1/TB; LinearFitnessRangking % %Memasukkan nilai fitness ke dalam ranking sehingga diperoleh %nilai-nilai fitnes baru yang berada dalam rentang [MaxF,MinF] % %Masukan % UkPop : ukuran populasi atau jumlah kromosom dalam populasi % Fitness: nilai fitness, matriks ukuran 1 x UkPop % MaxF : nilai fitness maximum % MinF : nilai fitness minimum % %Keluaran % LFR : Linear Fitness Ranking % % function LFR = LinearFitnessRanking(UkPop,Fitness,MaxF,MinF) [SF,IndF] = sort(fitness); for rr=1:ukpop, end LFR(IndF(UkPop-rr+1)) = MaxF-(MaxF-MinF)*((rr-1)/(UkPop-1));
3 Lampiran L1-3 RouletteWheel % %Memilih orang tua menggunakan LinearFitness, yaitu nilai fitness hasil %pen-skala-an. Pilihan dilakukan secara proporsional sesuai dengan %nilai fitness-nya. % %Masukan % UkPop : ukuran populasi atau jumlah kromosom dalam populasi % LinearFitness : nilai fitness yang sudah di-skala-kan % %Keluaran % Pindex : indeks dari kromosom yang terpilih (bernilai 1 sampai UkPop) % function Pindex = RouletteWheel(UkPop,LinearFitness); JumFitness= sum(linearfitness); KumulatifFitness = 0; RN = rand; ii = 1; while ii <= UkPop, KumulatifFitness = KumulatifFitness + LinearFitness(ii); if (KumulatifFitness/JumFitness) > RN, Pindex = ii; break; end ii = ii + 1; end
4 Lampiran L1-4 TSPPindahSilang % %Pindah silang menggunakan Order Crossover % %Masukan % Bapak : kromosom, matriks berukuran 1 x JumGen % Ibu : kromosom, matriks berukuran 1 x JumGen % JumGen : jumlah gen % %Keluaran % Anak : kromosom hasil pindah silang, matriks berukuran 1 x JumGen % function Anak = TSPPindahSilang(Bapak,Ibu,JumGen) cp1 = 1 + fix(rand*(jumgen-1)); cp2 = 1 + fix(rand*(jumgen-1)); while cp2==cp1, cp2 = 1 + fix(rand*(jumgen-1)); end if cp1 < cp2, cps = cp1; cpd = cp2; else cps = cp2; cpd = cp1; end Anak(1,cps+1:cpd) = Ibu(cps+1:cpd); Anak(2,cps+1:cpd) = Bapak(cps+1:cpd); SisaGenbapak = []; SisaGenIbu = []; for ii=1:jumgen, if ~ismember(bapak(ii),anak(1,:)), SisaGenbapak = [SisaGenbapak Bapak(ii)];
5 Lampiran L1-5 end end if ~ismember(ibu(ii),anak(2,:)), SisaGenIbu = [SisaGenIbu Ibu(ii)]; end Anak(1,cpd+1:JumGen) = SisaGenbapak(1:JumGen-cpd); Anak(1,1:cps) = SisaGenbapak(1+JumGen-cpd:length(SisaGenbapak)); Anak(2,cpd+1:JumGen) = SisaGenIbu(1:JumGen-cpd); Anak(2,1:cps) = SisaGenIbu(1+JumGen-cpd:length(SisaGenIbu)); TSPMutasi % %Skema mutasi menggunakan Swapping Mutation % %Masukan % Kromosom : kromosom, matriks berukuran 1 x JumGen % JumGen : jumlah gen % Pmutasi : Probabilitas mutasi % %Keluaran % MutKrom : kromosom hasil mutasi, matriks berukuran 1 x JumGen % function MutKrom = TSPMutasi(Kromosom,JumGen,Pmutasi) MutKrom = Kromosom; for ii=1:jumgen, if rand < Pmutasi, TM2 = 1 + fix(rand*jumgen); while TM2==ii, TM2 = 1 + fix(rand*jumgen); end temp = MutKrom(ii); MutKrom(ii) = MutKrom(TM2);
6 Lampiran L1-6 end end MutKrom(TM2) = temp; MainTSP (untuk memanggil semua fungsi sebelumnya) clc clear all XYLokasi = [ ; ; ; ; ; ; ; ; ]; JumGen = length(xylokasi(:,1)); %Jumlah gen (jumlah lokasi) UkPop = 150; %Jumlah kromosom dalam populasi Psilang = 0.8; %Probabilitas pindah silang Pmutasi = 0.005; %Probabilitas mutasi MaxG = 155; %Jumlah generasi PanjJalHarp = 100; %Panjang jalur yang diharapkan Fthreshold = 1/PanjJalHarp; %Threshold untuk fitness Bgraf = Fthreshold; %Untuk menangani tampilan pada grafis
7 Lampiran L1-7 %Inisialisasi grafis hfig = figure; hold on set(hfig, 'position', [50,50,600,400]); set(hfig, 'DoubleBuffer', 'on'); axis([1 MaxG 0 Bgraf]); hbestplot1 = plot(1:maxg,zeros(1,maxg)); hbestplot2 = plot(1:maxg,zeros(1,maxg)); htext1 = text(0.6*maxg,0.25*bgraf,sprintf('fitness terbaik: %7.6f', 0.0)); htext2 = text(0.6*maxg,0.20*bgraf,sprintf('fitness rata-rata: %7.6f', 0.0)); htext3 = text(0.6*maxg,0.15*bgraf,sprintf('panjang jalur terbaik: %7.3f', 0.0)); htext4 = text(0.6*maxg,0.10*bgraf,sprintf('ukuran populasi: %3.0f', 0.0)); htext5 = text(0.6*maxg,0.05*bgraf,sprintf('probabilitas Mutasi: %4.3f', 0.0)); xlabel('generasi'); ylabel('fitness'); hold off drawnow; %Inisialisasi Populasi Populasi = TSPInisialisasiPopulasi(UkPop,JumGen); for generasi=1:maxg, MaxF = TSPEvaluasiIndividu(Populasi(1,:),JumGen,XYLokasi); MinF = MaxF; IndeksIndividuTerbaik = 1; for ii=1:ukpop, Fitness(ii) = TSPEvaluasiIndividu(Populasi(ii,:),JumGen,XYLokasi); if (Fitness(ii) > MaxF), MaxF = Fitness(ii);
8 Lampiran L1-8 end IndeksIndividuTerbaik = ii; JalurTerbaik = Populasi(ii,:); end if (Fitness(ii) <= MinF), MinF = Fitness(ii); end FitnessRataRata = mean(fitness); plotvector1 = get(hbestplot1,'ydata'); plotvector1 (generasi) = MaxF; set(hbestplot1,'ydata',plotvector1); plotvector2 = get(hbestplot2,'ydata'); plotvector2 (generasi) = FitnessRataRata; set(hbestplot2,'ydata',plotvector2); set(htext1,'string',sprintf('fitness terbaik: %7.6f',MaxF)); set(htext2,'string',sprintf('fitness rata-rata: %7.6f',FitnessRataRata)); set(htext3,'string',sprintf('panjang jalur terbaik: %7.3f',1/MaxF)); set(htext4,'string',sprintf('ukuran populasi: %3.0f',UkPop)); set(htext5,'string',sprintf('probabilitas Mutasi: %4.3f',Pmutasi)); drawnow if MaxF > Fthreshold, break; end TemPopulasi = Populasi; %Elitisme: %-Buat satu kopi kromosom terbaik jika ukuran populasi ganjil %-Buat dua kopi kromosom terbaik jika ukuran populasi genap if mod(ukpop,2)==0, %ukuran populasi genap IterasiMulai = 3; TemPopulasi(1,:) = Populasi(IndeksIndividuTerbaik,:);
9 Lampiran L1-9 TemPopulasi(2,:) = Populasi(IndeksIndividuTerbaik,:); else %ukuran populasi gajil IterasiMulai = 2; TemPopulasi(1,:) = Populasi(IndeksIndividuTerbaik,:); end LinearFitness = LinearFitnessRanking(UkPop,Fitness,MaxF,MinF); %Roulette-wheel selection dan pindah silang for jj=iterasimulai:2:ukpop, IP1 = RouletteWheel(UkPop,LinearFitness); IP2 = RouletteWheel(UkPop,LinearFitness); if (rand < Psilang), Anak = TSPPindahSilang(Populasi(IP1,:),Populasi(IP2,:),JumGen); TemPopulasi(jj,:) = Anak(1,:); TemPopulasi(jj+1,:) = Anak(2,:); else TemPopulasi(jj,:) = Populasi(IP1,:); TemPopulasi(jj+1,:) = Populasi(IP2,:); end end %Mutasi dilakukan pada semua kromosom for kk=iterasimulai:ukpop, TempPopulasi(kk,:) = TSPMutasi(TemPopulasi(kk,:),JumGen,Pmutasi); end Populasi = TemPopulasi end %Tanpa tanda ';' berarti menampilkan nilai dari variabel 'JalurTerbaik' JalurTerbaik
10 Lampiran L1-10 %Simpan variabel 'JalurTerbaik' ke dalam file JalurTerbaik.mat save JalurTerbaik.mat JalurTerbaik 6. Setelah semua program dimasukkan maka tinggal memengetikkan pada Command Window MainTSP, maka program akan mencari nilai terbaik yang diharapkan. Output Minggu ke-1 Hari ke-1 Contoh Populasi =
11 Lampiran L
12 Lampiran L
13 Lampiran L
14 Lampiran L
15 Lampiran L JalurTerbaik = Input Minggu ke-1 Hari ke-2 XYLokasi = [ ; ; ; ; ; ; ; ];
16 Lampiran L1-16 Output Minggu ke-1 Hari ke-2 JalurTerbaik = Input Minggu ke-1 Hari ke-3 XYLokasi = [ ; ; ; ; ; ; ; ; ; ;
![Lampiran L1-17 26.87 60.33 57.68 53.88 23.07 16 15.7 15.35 3.25 3.72 1000]; Output Minggu ke-1 Hari ke-3 JalurTerbaik = 10 9 11 5 2 3 4 1 8 7 6 Input Minggu ke-1 Hari ke-4 XYLokasi = [1000 32.15 73.](/docs-images/65/52912255/images/17-0.jpg "4 74.78 95.25 35.13; 32.15 1000 43.25 44.65 65.33 23.53; 73.4 43.25 1000 21.23 41.88 65.28; 74.78 44.65 21.23 1000 20.47 66.6; 95.25 65.33 41.88 20.47 1000 87.07; 31.23 23.85 65.6 6.92 87.")
17 Lampiran L ]; Output Minggu ke-1 Hari ke-3 JalurTerbaik = Input Minggu ke-1 Hari ke-4 XYLokasi = [ ; ; ; ; ; ]; Output Minggu ke-1 Hari ke-4 JalurTerbaik =
18 Lampiran L1-18 Input Minggu ke-1 Hari ke-5 XYLokasi = [ ; ; ; ; ; ; ]; Output Minggu ke-1 Hari ke-5 JalurTerbaik =
19 Lampiran L1-19 Input Minggu ke-1 Hari ke-6 XYLokasi = [ ; ; ; ; ; ; ; ; ; ; ];
20 Lampiran L1-20 Output Minggu ke-1 Hari ke-6 JalurTerbaik = Input Minggu ke-2 Hari ke-1 XYLokasi = [ ; ; ; ; ; ; ; ]; Output Minggu ke-2 Hari ke-1 JalurTerbaik =
21 Lampiran L1-21 Input Minggu ke-2 Hari ke-2 XYLokasi = [ ; ; ; ; ; ; ; ; ; ; ];
22 Lampiran L1-22 Output Minggu ke-2 Hari ke-2 JalurTerbaik = Input Minggu ke-2 Hari ke-3 XYLokasi = [ ; ; ; ; ; ; ]; Output Minggu ke-2 Hari ke-3 JalurTerbaik =
23 Lampiran L1-23 Input Minggu ke-2 Hari ke-4 XYLokasi = [ ; ; ; ; ; ; ; ]; Output Minggu ke-2 Hari ke-4 JalurTerbaik =
24 Lampiran L1-24 Input Minggu ke-2 Hari ke-5 XYLokasi = [ ; ; ; ; ; ; ; ]; Output Minggu ke-2 Hari ke-5 JalurTerbaik =
25 Lampiran L1-25 Input Minggu ke-3 Hari ke-1 XYLokasi = [ ; ; ; ; ; ; ; ; ; ; ];
26 Lampiran L1-26 Output Minggu ke-3 Hari ke-1 JalurTerbaik = Input Minggu ke-3 Hari ke-2 XYLokasi = [ ; ; ; ; ; ; ; ]; Output Minggu ke-3 Hari ke-2 JalurTerbaik =
27 Lampiran L1-27 Input Minggu ke-3 Hari ke-3 XYLokasi = [ ; ; ; ; ; ; ; ; ; ];
28 Lampiran L1-28 Output Minggu ke-3 Hari ke-3 JalurTerbaik = Input Minggu ke-3 Hari ke-4 XYLokasi = [ ; ; ; ; ; ; ]; Output Minggu ke-3 Hari ke-4 JalurTerbaik =
29 Lampiran L1-29 Input Minggu ke-3 Hari ke-5 XYLokasi = [ ; ; ; ; ; ]; Output Minggu ke-3 Hari ke-5 JalurTerbaik =
30 Lampiran L1-30 Input Minggu ke-3 Hari ke-6 XYLokasi = [ ; ; ; ; ; ; ; ; ; ]; Output Minggu ke-3 Hari ke-6 JalurTerbaik =
31 Lampiran L Input Minggu ke-4 Hari ke-1 XYLokasi = [ ; ; ; ; ; ; ; ; ; ];
32 Lampiran L1-32 Output Minggu ke-4 Hari ke-1 JalurTerbaik = Input Minggu ke-4 Hari ke-2 XYLokasi = [ ; ; ; ; ; ; ; ; ;
![Lampiran L1-33 44.13 6.17 6.32 6.47 7.32 8.22 2.63 2.95 3.3 1000 2.88; 42.78 6.72 6.87 7.02 7.85 8.75 2.83 3.15 3.5 3.75 1000]; Output Minggu ke-4 Hari ke-2 JalurTerbaik = 9 10 11 1 2 3 4 5 6 7 8 Input Minggu ke-4 Hari ke-3 XYLokasi = [1000 53.](/docs-images/65/52912255/images/33-0.jpg "78 53.97 54 54.35 57.75 57.97 78.15; 53.98 1000 0.8 0.9 1.18 4.58 4.8 24.98; 54.17 1.37 1000 0.62 0.97 4.37 4.58 24.77; 54.2 1.4 0.62 1000 0.7 4.1 4.32 24.5; 54.55 1.75 0.97 0.7 1000 3.87 4.08 24.")
33 Lampiran L ; ]; Output Minggu ke-4 Hari ke-2 JalurTerbaik = Input Minggu ke-4 Hari ke-3 XYLokasi = [ ; ; ; ; ; ; ; ]; Output Minggu ke-4 Hari ke-3 JalurTerbaik =
34 Lampiran L1-34 Input Minggu ke-4 Hari ke-4 XYLokasi = [ ; ; ; ; ; ; ]; Output Minggu ke-4 Hari ke-4 JalurTerbaik =
35 Lampiran L1-35 Input Minggu ke-4 Hari ke-5 XYLokasi = [ ; ; ; ; ]; Output Minggu ke-4 Hari ke-5 JalurTerbaik =
36 Lampiran L1-36 Input Minggu ke-4 Hari ke-6 XYLokasi = [ ; ; ; ; ; ; ; ; ; ; ]; Output Minggu ke-4 Hari ke-6 JalurTerbaik =
37 Lampiran L1-37
38 Langkah-langkah dalam Branch and Bound Method: 1. Buka WinQSB dan pilih Network Modeling. 2. Pilih File New Problem. 3. Pilih Problem Type Traveling Salesman Problem. Objective Criterion Minimization. Masukan Problem Title dan Number of Nodes. 4. Masukan data waktu perjalanan antar toko. Minggu ke-1 Hari ke-1 TSP (Branch and Bound Method) Input 5. Pilih Solve and Analyze Solve The Problem. L2-1
39 Lampiran L2-2 Output 6. Pilih Branch and Bound Method Solve. 7. Ulangi langkah 1 hingga 6 sampai semua data diolah. Minggu ke-1 Hari ke-2 TSP (Branch and Bound Method) Input Output
40 Lampiran L2-3 Minggu ke-1 Hari ke-3 TSP (Branch and Bound Method) Input Output Minggu ke-1 Hari ke-4 TSP (Branch and Bound Method) Input
41 Lampiran L2-4 Output Minggu ke-1 Hari ke-5 TSP (Branch and Bound Method) Input Output Minggu ke-1 Hari ke-6 TSP (Branch and Bound Method) Input
42 Lampiran L2-5 Output Minggu ke-2 Hari ke-1 TSP (Branch and Bound Method) Input Output Minggu ke-2 Hari ke-2
43 Lampiran L2-6 TSP (Branch and Bound Method) Input Output Minggu ke-2 Hari ke-3 TSP (Branch and Bound Method) Input Output
44 Lampiran L2-7 Minggu ke-2 Hari ke-4 TSP (Branch and Bound Method) Input Output Minggu ke-2 Hari ke-5 TSP (Branch and Bound Method) Input Output
45 Lampiran L2-8 Minggu ke-3 Hari ke-1 TSP (Branch and Bound Method) Input Output Minggu ke-3 Hari ke-2
46 Lampiran L2-9 TSP (Branch and Bound Method) Input Output Minggu ke-3 Hari ke-3 TSP (Branch and Bound Method) Input Output Minggu ke-3 Hari ke-4
47 Lampiran L2-10 TSP (Branch and Bound Method) Input Output Minggu ke-3 Hari ke-5 TSP (Branch and Bound Method) Input Output Minggu ke-3 Hari ke-6
48 Lampiran L2-11 TSP (Branch and Bound Method) Input Output Minggu ke-4 Hari ke-1 TSP (Branch and Bound Method) Input Output Minggu ke-4 Hari ke-2
49 Lampiran L2-12 TSP (Branch and Bound Method) Input Output Minggu ke-4 Hari ke-3 TSP (Branch and Bound Method) Input Output
50 Lampiran L2-13 Minggu ke-4 Hari ke-4 TSP (Branch and Bound Method) Input Output Minggu ke-4 Hari ke-5 TSP (Branch and Bound Method) Input Output Minggu ke-4 Hari ke-6
51 Lampiran L2-14 TSP (Branch and Bound Method) Input Output
52 L3-1
53 Lampiran L3-2
54 Lampiran L3-3 Ke Asia Afrika Sinar Indah Linggar Jaya 1 Sinar Bahagia Gaya Duta Agung Saia Jaya Linggar Jaya 2 Harapan Jaya Linggar Jaya 3
55 Lampiran L3-4
LAMPIRAN A TABEL KONSTANTA UNTUK MOMEN DISTRIBUSI
71 LAMPIRAN A TABEL KONSTANTA UNTUK MOMEN DISTRIBUSI 72 73 74 LAMPIRAN B PROGRAM ALGORITMA CONTOH SEDERHANA 75 == Algoritma Genetika Standar (dengan grafis 2D) terdiri dari: 1. Satu populasi dengan UkPop
Tabel Data Pendistribusian Raskin di Wilayah Kota Yogyakarta. No Kecamatan Kelurahan Banyak Keluarga
Lampiran 1 Tabel Data Pistribusian Raskin di Wilayah Kota Yogyakarta Raskin No Kecamatan Kelurahan Banyak Keluarga Jumlah Beras (kg) 1 Tegalrejo Bener 266 3.990 2 Kricak 750 11.250 3 Karangwaru 377 5.655
Lampiran 1 Matriks jarak antara simpul dengan depot dan antar simpul. Lampiran 2 Iterasi Clarke and Wright Savings pada hari Senin
LAMPIRAN 1 Lampiran 1 Matriks jarak antara simpul dengan depot dan antar simpul Tabel 1 Matriks jarak antara simpul dengan depot dan antar simpul Lampiran 2 Iterasi Clarke and Wright Savings pada hari
Lampiran 1 Matriks jarak tempuh awal dan tujuan distribusi surat kabar Kedaulatan Rakyat di wilayah Kabupaten Sleman (satuan km)
LAMPIRAN 83 Lampiran 1 Matriks jarak tempuh awal dan tujuan distribusi surat kabar Kedaulatan Rakyat di wilayah Kabupaten Sleman (satuan km) 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 0 0 11.9
Lampiran 1 Matriks Jarak Tempuh Asal dan Tujuan Distribusi Gula di Wilayah Yogyakarta
Lampiran 1 Matriks Jarak Tempuh Asal dan Tujuan Distribusi Gula di Wilayah Yogyakarta Node 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 0 0 9,2 7,4 21 9,6 15 5,2 9,4 8,6 19 9,3 6
Data Alamat Pelanggan Sandwich Sari Roti di Kota Yogyakarta.
Lampiran 1 Data Alamat Pelanggan Sandwich Sari Roti di Kota Yogyakarta. Pelanggan Alamat 0 Depot Jl. SMP 10, Bangunharjo, Bantul 1 Pamela 1 Jl. Kusumanegara No.141, Umbulharjo, Yogyakarta 2 Pamela 4 Jl.
Imam Tahyudin 1, Ika Susanti 2. Jl. Letjendpol Soemarto Purwokerto53127 Tlp )
Pencarian Rute Terbaik pada Obyek Wisata di Kabupaten Banyumas Menggunakan Algoritma Genetika Metode TSP (Travelling Salesman Problem) (Determine the Best Path at Tourist Objects in Banyumas Regency Using
BAB 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
Implementasi 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
OPTIMISASI 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
BAB 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)
PENERAPAN ALGORITMA GENETIKA DALAM PENYELESAIAN TRAVELLING SALESMAN PROBLEM WITH PRECEDENCE CONSTRAINTS (TSPPC)
PENERAPAN ALGORITMA GENETIKA DALAM PENYELESAIAN TRAVELLING SALESMAN PROBLEM WITH PRECEDENCE CONSTRAINTS (TSPPC) Yayun Hardianti 1, Purwanto 2 Universitas Negeri Malang E-mail: yayunimoet@gmail.com ABSTRAK:
Optimisasi Penempatan Turbin Angin di Area Ladang Angin Menggunakan Algoritma Genetika
Optimisasi Penempatan Turbin Angin di Area Ladang Angin Menggunakan Algoritma Genetika Azimatul Khulaifah, Heri Suryoatmojo, ST, MT, Ph.D, Vita Lystianingrum Budiharto Putri, ST, M.Sc Jurusan Teknik Elektro
KNAPSACK PROBLEM DENGAN ALGORITMA GENETIKA
LAPORAN TUGAS BESAR ARTIFICIAL INTELLEGENCE KNAPSACK PROBLEM DENGAN ALGORITMA GENETIKA Disusun Oleh : Bayu Kusumo Hapsoro (113050220) Barkah Nur Anita (113050228) Radityo Basith (113050252) Ilmi Hayyu
BAB 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
BAB 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
BAB 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
PENERAPAN 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,
ERWIEN 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
BAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Algoritma Genetika Algoritma Genetika merupakan suatu algoritma yang terinspirasi dari teori evolusi Darwin yang menyatakan bahwa kelangsungan hidup suatu makhluk dipengaruhi
Jl. 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
ALGORITMA 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
BAB 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
8. 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
Pencarian Rute Terpendek untuk Pengoptimalan Ditribusi Sales Rokok Gudang Garam di kecamatan Wuluhan Kabupaten Jember Menggunakan Algoritma Genetika
Pencarian Rute Terpendek untuk Pengoptimalan Ditribusi Sales Rokok Gudang Garam di kecamatan Wuluhan Kabupaten Jember Menggunakan Algoritma Genetika Priza Pandunata, Rachmad Agung Bagaskoro, Agung Ilham
BAB 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
BAB 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
BAB 2 LANDASAN TEORI
18 BAB 2 LANDASAN TEORI 2.1 Pengertian Optimasi Optimasi adalah salah satu ilmu dalam matematika yang fokus untuk mendapatkan nilai minimum atau maksimum secara sistematis dari suatu fungsi, peluang maupun
ABSTRAK. 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
BAB 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
BAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Travelling Salesman Problem (TSP) Persoalan TSP merupakan salah satu persoalan optimasi kombinatorial (kombinasi permasalahan). Banyak permasalahan yang dapat direpresentasikan
IMPLEMENTASI ALGORITMA GENETIK UNTUK MENYELESAIKAN MASALAH TRAVELING SALESMAN PROBLEM (STUDI KASUS: SATUAN KERJA PERANGKAT DAERAH KOTA MEDAN)
IMPLEMENTASI ALGORITMA GENETIK UNTUK MENYELESAIKAN MASALAH TRAVELING SALESMAN PROBLEM (STUDI KASUS: SATUAN KERJA PERANGKAT DAERAH KOTA MEDAN) DRAFT SKRIPSI RAJO PANANGIAN HARAHAP 111421045 PROGRAM STUDI
PENERAPAN 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
BAB 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.
BAB III ALGORITMA MEMETIKA DALAM MEMPREDIKSI KURS VALUTA ASING. Untuk memberikan penjelasan mengenai prediksi valuta asing
BAB III ALGORITMA MEMETIKA DALAM MEMPREDIKSI KURS VALUTA ASING Untuk memberikan penjelasan mengenai prediksi valuta asing menggunakan algoritma memetika, akan diberikan contoh sebagai berikut. Contoh Misalkan
BAB 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
PENGATURAN POSISI MOTOR DC MENGGUNAKAN KONTROLER PID BERBASIS GENETIK ALGORITMA (GA)
PENGATURAN POSISI MOTOR DC MENGGUNAKAN KONTROLER PID BERBASIS GENETIK ALGORITMA (GA) Nama mahasiswa : Bambang Siswanto NRP : 2208202004 Pembimbing : Dr. Ir. Mochammad Rameli ABSTRAK Kontroler Proportional-Integral-Diferensial
IMPLEMENTASI ALGORITMA GENETIKA DENGAN VARIASI SELEKSI DALAM PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM WITH TIME WINDOWS
IMPLEMENTASI ALGORITMA GENETIKA DENGAN VARIASI SELEKSI DALAM PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM WITH TIME WINDOWS (CVRPTW) UNTUK OPTIMASI RUTE PENDISTRIBUSIAN RASKIN DI KOTA YOGYAKARTA TUGAS
BAB 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
PENERAPAN ALGORITMA GENETIKA DALAM OPTIMASI PENDISTRIBUSIAN PUPUK DI PT PUPUK ISKANDAR MUDA ACEH UTARA
TECHSI ~ Jurnal Penelitian Teknik Informatika Universitas Malikussaleh, Lhokseumawe Aceh Penelitian ini membahas tentang Implementasi Persoalan Optimasi Rute Terpendek Pendistribusia n Pupuk pada PT. Sayed
BAB IV IMPLEMENTASI DAN HASIL PENGUJIAN
BAB IV IMPLEMENTASI DAN HASIL PENGUJIAN Pada Bab IV ini, implementasi dari metode AM dan GRASP untuk menyelesaikan PFSP dibahas pada Subbab 4.1. Pengujian dilakukan dengan melakukan percobaan terhadap
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.
BAB 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
BAB 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.
IMPLEMENTASI ALGORITMA GENETIKA UNTUK MENYELESAIKAN TRAVELLING SALESMAN PROBLEM
Info Artikel UJM 2 (2) (2013) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm IMPLEMENTASI ALGORITMA GENETIKA UNTUK MENYELESAIKAN TRAVELLING SALESMAN PROBLEM Firar Anitya Sari,
PENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM
PENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM (CVRP) UNTUK DISTRIBUSI SURAT KABAR KEDAULATAN RAKYAT DI KABUPATEN SLEMAN SKRIPSI Diajukan Kepada Fakultas Matematika
Aplikasi 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
BAB II KAJIAN TEORI. memindahkan barang dari pihak supplier kepada pihak pelanggan dalam suatu supply
BAB II KAJIAN TEORI Berikut diberikan beberapa teori pendukung untuk pembahasan selanjutnya. 2.1. Distribusi Menurut Chopra dan Meindl (2010:86), distribusi adalah suatu kegiatan untuk memindahkan barang
ANALISIS PERBANDINGAN ALGORITMA GENETIKA DAN ALGORITMA FUZZY EVOLUSI DALAM PENYELESAIAN TRAVELING SALESMAN PROBLEM
ANALISIS PERBANDINGAN ALGORITMA GENETIKA DAN ALGORITMA FUZZY EVOLUSI DALAM PENYELESAIAN TRAVELING SALESMAN PROBLEM Tedi Sefuro, Slamet Sudaryanto N., ST, M. Kom Teknik Informatika, Ilmu Komputer, Universitas
IMPLEMENTASI 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
Analisis Perbandingan Metode Local Search dan Population Based Dalam Algoritma Berevolusi untuk Penyelesaian Travelling Salesman Problem (TSP)
Analisis Perbandingan Metode Local Search dan Population Based Dalam Algoritma Berevolusi untuk Penyelesaian Travelling Salesman Problem (TSP) Erdiwansyah 1, Taufik A. Gani 2 Teknik Informatika, Fakultas
BAB 3 PERANCANGAN PROGRAM. dari OOP (Object Oriented Programming) di mana dalam prosesnya, hal-hal
BAB 3 PERANCANGAN PROGRAM 3.1 Spesifikasi Rumusan Rancangan Program Algoritma Genetika dirancang dengan mengikuti prinsip-prinsip dan sifatsifat dari OOP (Object Oriented Programming) di mana dalam prosesnya,
Bab IV Implementasi Sistem
37 Bab IV Implementasi Sistem Implementasi aplikasi penjadwalan kereta api dengan menggunakan algoritma genetik didalam penelitian ini menggunakan bahasa pemrogramman C# dan database MySQL 5. Adapun perancangan
PERANCANGAN APLIKASI PENJADWALAN TRAVELING SALESMAN PROBLEM DENGAN ALGORITMA GENETIKA
PERANCANGAN APLIKASI PENJADWALAN TRAVELING SALESMAN PROBLEM DENGAN ALGORITMA GENETIKA Hendy Tannady; Andrew Verrayo Limas Industrial Engineering Department, Faculty of Engineering, Binus University Jl.
PENJADWALAN MESIN BERTIPE JOB SHOP UNTUK MEMINIMALKAN MAKESPAN DENGAN METODE ALGORITMA GENETIKA (STUDI KASUS PT X)
PENJADWALAN MESIN BERTIPE JOB SHOP UNTUK MEMINIMALKAN MAKESPAN DENGAN METODE ALGORITMA GENETIKA (STUDI KASUS PT X) Ria Krisnanti 1, Andi Sudiarso 2 1 Jurusan Teknik Mesin dan Industri, Fakultas Teknik,
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM 3.1 Analisis Permasalahan TSP merupakan suatu masalah klasik yang telah ada sejak tahun 1800-an, sejauh ini telah cukup banyak metode yang diciptakan untuk menyelesaikan
PENGAPLIKASIAN ALGORITMA GENETIKA DALAM MENENTUKAN JALUR JALAN OPTIMAL WILAYAH KOTA PARIAMAN DENGAN LINTASAN TERPENDEK (SHORTEST PATH) ABSTRAK
PENGAPLIKASIAN ALGORITMA GENETIKA DALAM MENENTUKAN JALUR JALAN OPTIMAL WILAYAH KOTA PARIAMAN DENGAN LINTASAN TERPENDEK (SHORTEST PATH) Rida Fadila 1, Eka Sabna 2, Erdisna 3 1,3 Universitas Putra Indonesia
BAB 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
PENENTUAN JARAK TERPENDEK PADA JALUR DISTRIBUSI BARANG DI PULAU JAWA DENGAN MENGGUNAKAN ALGORITMA GENETIKA. Abstraksi
PENENTUAN JARAK TERPENDEK PADA JALUR DISTRIBUSI BARANG DI PULAU JAWA DENGAN MENGGUNAKAN ALGORITMA GENETIKA I Dewa Made Adi Baskara Joni 1, Vivine Nurcahyawati 2 1 STMIK STIKOM Indonesia, 2 STMIK STIKOM
Analisis Pengendalian Persediaan Produk Dengan Metode EOQ Menggunakan Algoritma Genetika untuk Mengefisiensikan Biaya Persediaan
JURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: 2301-9271 A-305 Analisis Pengendalian Persediaan Produk Dengan Metode EOQ Menggunakan Algoritma Genetika untuk Mengefisiensikan Biaya Persediaan Indroprasto,
Bab IV Simulasi dan Pembahasan
Bab IV Simulasi dan Pembahasan IV.1 Gambaran Umum Simulasi Untuk menganalisis program pemodelan network flow analysis yang telah dirancang maka perlu dilakukan simulasi program tersebut. Dalam penelitian
Strategi Menggunakan Algoritma Genetika
Strategi Menggunakan Algoritma Genetika Achmad Basuki Politeknik Elektronika Negeri Surabaya PENS-ITS 2003 Agenda Memahami permasalahan apa yang membutuhkan algoritma genetika Strategi mendefinisikan Individu
Tugas 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
Generator 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,
MEMBANGUN 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
PENERAPAN ALGORITMA GENETIKA DAN ALGORITMA SWEEP PADA PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM (CVRP) UNTUK OPTIMASI PENDISTRIBUSIAN GULA
PENERAPAN ALGORITMA GENETIKA DAN ALGORITMA SWEEP PADA PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM (CVRP) UNTUK OPTIMASI PENDISTRIBUSIAN GULA SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan
BAB III PEMBAHASAN. diperoleh menggunakan algoritma genetika dengan variasi seleksi. A. Model Matematika CVRPTW pada Pendistribusian Raskin di Kota
BAB III PEMBAHASAN Pada bab ini akan dibahas mengenai model matematika pada pendistribusian raskin di Kota Yogyakarta, penyelesaian model matematika tersebut menggunakan algoritma genetika serta perbandingan
BAB II KAJIAN TEORI. berbeda di, melambangkan rusuk di G dan jika adalah. a. dan berikatan (adjacent) di. b. rusuk hadir (joining) simpul dan di
1. Teori graf BAB II KAJIAN TEORI 1. Definisi Graf G membentuk suatu graf jika terdapat pasangan himpunan ) )), dimana ) (simpul pada graf G) tidak kosong dan ) (rusuk pada graf G). Jika dan adalah sepasang
PENYELESAIAN MINIMUM SPANNING TREE (MST) PADA GRAF LENGKAP DENGAN ALGORITMA GENETIKA MENGGUNAKAN TEKNIK PRUFER SEQUENCES
J~ICON, Vol. 2 No. 2, Oktober 2014, pp. 84 ~ 91 84 PENYELESAIAN MINIMUM SPANNING TREE (MST) PADA GRAF LENGKAP DENGAN ALGORITMA GENETIKA MENGGUNAKAN TEKNIK PRUFER SEQUENCES Emsi M. Y. Monifani 1, Adriana
BAB IV ANALISIS MASALAH
BAB IV ANALISIS MASALAH 4.1 Tampilan Program Persoalan TSP yang dibahas pada tugas akhir ini memiliki kompleksitas atau ruang solusi yang jauh lebih besar dari TSP biasa yakni TSP asimetris dan simetris.
GENETIKA UNTUK MENENTUKAN RUTE LOPER KORAN DI AGEN SURAT KABAR
MULTI TRAVELING SALESMAN PROBLEM (MTSP) DENGAN ALGORITMA Abstrak GENETIKA UNTUK MENENTUKAN RUTE LOPER KORAN DI AGEN SURAT KABAR Oleh : Fitriana Yuli Saptaningtyas,M.Si. Jurusan Pendidikan Matematika FMIPA
T I N J A U A N P U S T A K A Algoritma Genetika [5]
![T I N J A U A N P U S T A K A Algoritma Genetika [5]](/thumbs/62/48018749.jpg "T I N J A U A N P U S T A K A Algoritma Genetika [5]")
Algoritma Genetika [5] Fitness adalah nilai yang menyatakan baik-tidaknya suatu jalur penyelesaian dalam permasalahan TSP,sehingga dijadikan nilai acuan dalam mencari jalur penyelesaian optimal dalam algoritma
BAB 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
PERFORMANCE 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.
Algoritma 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.
PENENTUAN KOMBINASI OPTIMUM JUMLAH, BERAT DAN WAKTU TAMBAT KAPAL DI PT (PERSERO) PELABUHAN INDONESIA III GRESIK MENGGUNAKAN ALGORITMA GENETIKA
PENENTUAN KOMBINASI OPTIMUM JUMLAH, BERAT DAN WAKTU TAMBAT KAPAL DI PT (PERSERO) PELABUHAN INDONESIA III GRESIK MENGGUNAKAN ALGORITMA GENETIKA Nama Mahasiswa : Aris Saputro NRP : 1206 100 714 Jurusan :
Peningkatan Kualitas Jaringan Distribusi Tegangan Menengah Dengan Optimasi Konfigurasi
Peningkatan Kualitas Jaringan Distribusi Tegangan Menengah Dengan Optimasi Konfigurasi Rizky Jefry Naibaho*, Dian Yayan Sukma** Program Studi Teknik Elektro S1, Fakultas Teknik Universitas Riau Kampus
BAB II LANDASAN TEORI. Suatu graph merupakan suatu pasangan { E(G), V(G) } dimana :
BAB II LANDASAN TEORI 2.1 Defenisi Graph Suatu graph merupakan suatu pasangan { E(G), V(G) } dimana : V(G) adalah sebuah himpunan terhingga yang tidak kosong ( non empty finite set) yang elemennya disebut
PEMAMPATAN 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
PENDAHULUAN. 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
BAB 1 PENDAHULUAN. 1 Randy L Haupt & Sue Ellen Haupt, Practical Genetic Algorithms second edition, Wiley Interscience,2004.
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Seseorang salesman tentu akan sangat kesulitan jika harus mengunjungi semua kota sendirian, oleh karena itu dibutuhkan beberapa orang salesman untuk membagi
Lingkup 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
PENGEMBANGAN APLIKASI PENJADWALAN KULIAH SEMESTER I MENGGUNAKAN ALGORITMA GENETIKA
PENGEMBANGAN APLIKASI PENJADWALAN KULIAH SEMESTER I MENGGUNAKAN ALGORITMA GENETIKA Bagus Priambodo Program Studi Sistem Informasi Fakultas Ilmu Komputer Universitas Mercu Buana e- mail : bagus.priambodo@mercubuana.ac.id
ALGORITMA 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
PRESENTASI 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
BAB II KAJIAN PUSTAKA
BAB II KAJIAN PUSTAKA Pengertian-pengertian dasar yang digunakan sebagai landasan pembahasan pada Bab II yaitu masalah ditribusi, graf, Travelling Salesman Problem (TSP), Vehicle Routing Problem (VRP),
Penjadwalan kegiatan merupakan pekerjaan yang tidak mudah, karena dalam. penyusunannya memerlukan perencanaan yang matang agar kegiatan tersebut
BAB I PENDAHULUAN A. Latar Belakang Penjadwalan kegiatan merupakan pekerjaan yang tidak mudah, karena dalam penyusunannya memerlukan perencanaan yang matang agar kegiatan tersebut terlaksana dengan optimal.
BAB 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
APLIKASI 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
Genetic 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
OPTIMASI PENEMPATAN KAPASITOR SHUNT UNTUK PERBAIKAN DAYA REAKTIF PADA PENYULANG DISTRIBUSI PRIMER RADIAL DENGAN ALGORITMA GENETIK
OPTIMASI PENEMPATAN KAPASITOR SHUNT UNTUK PERBAIKAN DAYA REAKTIF PADA PENYULANG DISTRIBUSI PRIMER RADIAL DENGAN ALGORITMA GENETIK Eko Wijanarko (LF 00 576) Jurusan Teknik Elektro, Fakultas Teknik, Universitas
BAB III PEMBAHASAN. pemrograman nonlinear dan penerapannya dalam penetapan jumlah produksi
BAB III PEMBAHASAN Pada bab ini akan dijelaskan mengenai langkah penyelesaian masalah pemrograman nonlinear dan penerapannya dalam penetapan jumlah produksi optimal pada biaya produksi perbulan di Tempe
BAB I PENDAHULUAN. sejumlah aktivitas kuliah dan batasan mata kuliah ke dalam slot ruang dan waktu
18 BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Penjadwalan merupakan kegiatan administrasi utama di berbagai institusi. Masalah penjadwalan merupakan masalah penugasan sejumlah kegiatan dalam periode
PENDAHULUAN. Latar Belakang. Tujuan Penelitian
PENDAHULUAN Latar Belakang Fungsi Cobb-Douglas dengan galat aditif merupakan salah satu fungsi produksi yang dapat digunakan untuk menganalisis hubungan antara hasil produksi dan faktor-faktor produksi.
PERBANDINGAN 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
BAB 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
BAB 3 ANALISIS DAN PERANCANGAN SISTEM
BAB 3 ANALISIS DAN PERANCANGAN SISTEM Perancangan program aplikasi dalam skripsi ini menggunakan aturan linear sequential atau waterfall. Metode ini terdiri dari empat tahapan, yaitu : analisis, perancangan,
Seminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004
Seminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004 Penyelesaian Masalah Penugasan dengan Algoritma Genetika Zainudin Zukhri Jurusan Teknik Informatika, Fakultas Teknologi Industri,
Prosiding Matematika ISSN:
Prosiding Matematika ISSN: 2460-6464 Representasi Matriks untuk Proses Crossover Pada Algoritma Genetika untuk Optimasi Travelling Salesman Problem Matrix Representation for The Crossover on Genetic Algorithm
Vukovich dinamis yang digabungkan dengan model PRoFIGA didalamnya.
BAB I PENDAHULUAN 1.1. Latar Belakang Fuzzy Evolutionary Algorithm (FEA) merupakan salah satu model hybrid yang menggabungkan dua buah model soft computing yaitu algoritma genetika dan logika fuzzy. FEA