PRESENTASI TUGAS AKHIR KI091391
|
|
- Hadian Rachman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PRESENTASI TUGAS AKHIR KI PENDEKATAN CROSSOVER TERBARU UNTUK MENYELESAIKAN MULTIPLE TRAVELLING SALESMEN PROBLEM MENGGUNAKAN ALGORITMA GENETIKA (Kata kunci: multiple salemen problem, algoritma genetika, optimasi, twopart chromosome crossover.) Penyusun Tugas Akhir : Irwan Fauzi (NRP : ) Dosen Pembimbing : Victor Hariadi, S.Si., M.Kom. Rully Soelaiman, S.Kom., M.Kom. 31 January 2014 Tugas Akhir KI
2 USULAN JUDUL BARU PRESENTASI TUGAS AKHIR KI PENERAPAN METODE CROSSOVER TWO-PART CHROMOSOME PADA PENYELESAIAN MULTIPLE TRAVELLING SALESMEN PROBLEM DENGAN ALGORITMA GENETIKA (Kata kunci: multiple salemen problem, algoritma genetika, optimasi, twopart chromosome crossover.) Penyusun Tugas Akhir : Irwan Fauzi (NRP : ) Dosen Pembimbing : Victor Hariadi, S.Si., M.Kom. Rully Soelaiman, S.Kom., M.Kom. 31 January 2014 Tugas Akhir KI
3 Pendahuluan Pendahuluan Kesimpulan Metode Penyelesaian Uji Coba 31 January 2014 Tugas Akhir KI
4 LATAR BELAKANG (bagian 1) MTSP merupakan variasi yang lebih rumit dari TSP, dimana selesman yang terlibat didalamnya lebih dari 1 orang. TSP MTSP January 2014 Tugas Akhir KI
5 LATAR BELAKANG (bagian 2) MTSP merupakan permasalahan NP-Hard yang tidak dapat diselesaikan menggunakan metode deterministik, sehingga untuk menyelesaikannya akan menggunakan metode pendekatan yaitu metode heuristik. Metode heuristik yang akan digunakan untuk menyelesaikan MTSP adalah algoritma genetika. Dalam menyelesaikan MTSP menggunakan GA ada beberapa teknik untuk merepresentasikan kromosom, diantaranya yaitu: Two Chromosome Technique One Chromosome Technique Two-Part Chromosome Technique 31 January 2014 Tugas Akhir KI
6 LATAR BELAKANG (bagian 3) Berdasarkan diagram diatas, terlihat bahwa two-part chromosome technique mempunyai solution space yang lebih kecil dibandingkan 2 teknik lainnya, sehingga untuk kedepannya kami akan membangun aplikasi penyelesaian MTSP menggunakan algoritma genetika dengan two-part chromosome technique[4]. 31 January 2014 Tugas Akhir KI
7 RUMUSAN MASALAH 1. Penyusunan konsep algoritma genetika dalam menyelesaikan permasalahan MTSP menggunakan metode Two-part Chromosome Crossover(TCX) 2. Pengimplementasian algoritma genetika dengan metode TCX dalam menyelesaikan MTSP menggunakan MATLAB 3. Pengujian akurasi dari algoritma genetika menggunakakan metode TCX dalam menyelesaikan MTSP dibandingkan dengan metode Partial Mapped Crossover Operator(PMX), Ordered Crossover Operator(OCX) dan Cycle Crossover Operator(CYX) 31 January 2014 Tugas Akhir KI
8 BATASAN MASALAH 1. Data uji coba yang digunakan diambil dari 2. Data uji coba yang digunakan adalah menggunakan 51 kota untuk 3, 5 dan 10 salesman 100 kota untuk 3, 5, 10 dan 20 salesman 150 kota untuk 3, 5, 10, 20 dan 30 salesman 3. Pengujian akurasi yang akan dibandingkan adalah total travel distance dan longest tour 31 January 2014 Tugas Akhir KI
9 TUJUAN 1. Mengembangkan penyelesaian MTSP menggunakan algoritma genetika dengan metode TCX 2. Memahami kinerja algoritma genetika menggunakan metode TCX dalam menyelesaikan MTSP 3. Membandingkan tingkat akurasi (dalam hal ini total travel distance dan longest tour) antara metode TCX, PMX, OCX dan CYX 31 January 2014 Tugas Akhir KI
10 Metode Penyelesaian Pendahuluan Kesimpulan Metode Penyelesaian Uji Coba 31 January 2014 Tugas Akhir KI
11 GAMBARAN UMUM Data Masukan Proses penentuan representasi kromosom untuk MTSP Proses penyelesaian permasalahan MTSP menggunakan GA Proses penghitungan total distance yang ditempuh Proses penghitungan longest tour dari salesman Hasil total distance dan longest tour 31 January 2014 Tugas Akhir KI
12 PROSES PENENTUAN REPRESENTASI KROMOSOM UNTUK MTSP Representasi kromosom yang akan digunakan untuk menyelesaikan MTSP adalah Two-part Chromosome. Apabila n merupakan jumlah kota dan m adalah jumlah salesman serta s 1, s 2,..., s m merupakan representasi nilai dari tiap-tiap gen pada chromosome bagian kedua, maka kromosom tersebut dapat dikatakan valid jika memenuhi Persamaan dibawah ini: s 1 + s s m = n, dimana s i > 0, i = 1, 2,..., m 31 January 2014 Tugas Akhir KI
13 PROSES PENYELESAIAN MTSP MENGGUNAKAN GA Populasi awal No Parameter Nilai Evaluasi fitness Seleksi individu Populasi baru Crossover dan mutasi 1 Ukuran populasi Probabilitas crossover 0,85 3 Probabilitas mutasi 0,85 4 Metode seleksi Roulette wheel 5 Metode mutasi Swap dan flip 6 Metode replacement Steady-state GA 7 Replacement rate 20% 31 January 2014 Tugas Akhir KI
14 TAHAPAN ALGORITMA TCX (bagian 1) Langkah 1 : Inisialisasi sepasang kromosom sebagai parents Mom Dad Langkah 2 : Memilih bagian gen pada kromosom bagian pertama milik mom secara acak untuk tiap salesman Mom January 2014 Tugas Akhir KI
15 TAHAPAN ALGORITMA TCX (bagian 2) Langkah 3 : Urutkan posisi gen yang tidak terpilih berdasarkan kromosom bagian pertama milik dad menjadi Dad Langkah 4 : Tambahkan gen untuk tiap salesman ke calon child January 2014 Tugas Akhir KI
16 TAHAPAN ALGORITMA TCX (bagian 3) Langkah 5 : Susun kromosom bagian kedua milik child Child Langkah 6 : Ulangi langkah 1-5 dengan kromosom yang dijadikan patokan adalah dad, sehingga dalam proses crossover nantinya akan dihasilkan 2 child 31 January 2014 Tugas Akhir KI
17 OPTIMASI TOTAL TRAVEL DISTANCE DAN LONGEST TOUR Untuk proses optimasi total travel distance dan longest tour, hal yang utama dilakukan adalah menentukan representasi kromosom yang tepat dari permasalahan MTSP, sehingga solusi yang diperoleh akan optimum serta memiliki running time program yang tidak lama. Yang menjadi fungsi fitness pada algoritma genetika dalam menyelesaikan MTSP ini adalah bagaimana mendapatkan total travel distance dan longest tour yang paling minimum, sehingga dari permasalahan itu tidak lepas dari proses pencarian jarak. Dan metode yang digunakan adalah Euclidean distance yang persamaannya ada dibawah ini: 31 January 2014 Tugas Akhir KI
18 Uji Coba Pendahuluan Kesimpulan Metode Penyelesaian Uji Coba 31 January 2014 Tugas Akhir KI
19 SKENARIO UJI COBA 1. Uji coba minimizing total travel distance Melakukan optimasi untuk meminimalkan jarak total kunjungan dari data uji pada paper, kemudian membandingkannya dengan hasil yang didapat oleh Shuai Yuan, Bradley Skinner, Shoudong Huang dan Dikai Liu[1]. 2. Uji coba minimizing longest tour Melakukan optimasi untuk meminimalkan longest tour dari data uji coba pada paper, kemudian membandingkannya dengan hasil yang didapat oleh Shuai Yuan, Bradley Skinner, Shoudong Huang dan Dikai Liu[1]. 31 January 2014 Tugas Akhir KI
20 HASIL UJI COBA (bagian 1) Minimizing total travel distance MTSP-51 Crossover m = 3 m = 5 m = 10 Mean Stdev Best Mean Stdev Best Mean Stdev Best mytcx TCX ORX + A CYX + A PMX + A Distance mytcx TCX ORX + A CYX + A PMX + A 0 Mean Mean Mean m = 3 m = 5 m = January 2014 Tugas Akhir KI
21 HASIL UJI COBA (bagian 2) Minimizing total travel distance MTSP-100 Crossover m = 3 m = 5 m = 10 m = 20 Mean Stdev Best Mean Stdev Best Mean Stdev Best Mean Stdev Best mytcx 36,502 2,088 30,966 38,098 2,632 31,975 36,820 3,371 31,035 31,369 3,139 27,193 TCX 32,708 2,267 28,943 34,179 2,006 30,941 36,921 1,964 32,802 46,976 1,773 44,112 ORX + A 41,516 3,356 36,713 42,416 2,806 36,196 44,631 2,997 38,717 54,265 3,059 47,971 CYX + A 41,911 3,195 35,791 43,634 2,804 35,421 45,150 3,241 40,894 52,916 2,884 46,466 PMX + A 41,441 3,423 33,802 42,063 3,931 33,908 44,786 3,467 39,785 52,142 2,688 46,212 60,000 50,000 Distance 40,000 30,000 20,000 10,000 0 Mean Mean Mean Mean mytcx TCX ORX + A CYX + A PMX + A m = 3 m = 5 m = 10 m = January 2014 Tugas Akhir KI
22 HASIL UJI COBA (bagian 3) Minimizing total travel distance MTSP-150 Crossover m = 3 m = 5 m = 10 m = 20 m = 30 Mean Stdev Best Mean Stdev Best Mean Stdev Best Mean Stdev Best Mean Stdev Best mytcx 56,455 4,330 48,760 61,216 5,328 50,339 67,173 6,280 55,615 56,815 7,828 48,559 51,868 5,195 45,665 TCX 55,851 2,588 51,126 61,596 4,759 51,627 61,360 3,888 54,473 69,701 4,340 62,456 84,008 5,285 76,481 ORX + A 67,037 3,745 60,090 68,018 3,377 62,539 72,113 3,637 63,899 81,696 5,372 71,933 96,122 4,562 88,515 CYX + A 67,463 4,454 55,335 69,860 4,342 61,521 71,584 4,845 63,126 83,471 4,197 75,146 97,106 3,911 89,008 PMX + A 68,152 5,140 58,303 69,112 4,011 60,761 72,620 4,334 64,975 81,178 4,920 73,281 95,752 4,923 87, , ,000 Distance 80,000 60,000 40,000 20,000 0 Mean Mean Mean Mean Mean m = 3 m = 5 m = 10 m = 20 m = 30 mytcx TCX ORX + A CYX + A PMX + A 31 January 2014 Tugas Akhir KI
23 HASIL UJI COBA (bagian 4) Minimizing longest tour MTSP-51 Crossover m = 3 m = 5 m = 10 Mean Stdev Best Mean Stdev Best Mean Stdev Best mytcx TCX ORX + A CYX + A PMX + A Longest tour Mean Mean Mean m = 3 m = 5 m = 10 mytcx TCX ORX + A CYX + A PMX + A 31 January 2014 Tugas Akhir KI
24 HASIL UJI COBA (bagian 5) Minimizing longest tour MTSP-100 Crossover m = 3 m = 5 m = 10 m = 20 Mean Stdev Best Mean Stdev Best Mean Stdev Best Mean Stdev Best mytcx 15,972 3,423 12,586 10,537 2,168 7,313 6,042 1,389 4,010 3, ,162 TCX 14,365 1,013 12,645 10, ,730 7, ,796 6, ,358 ORX + A 15,137 1,462 12,997 11,459 1,053 9,415 9,286 1,385 7,373 8, ,666 CYX + A 15,759 1,242 13,467 11,333 1,278 9,507 9,151 1,364 7,111 8, ,516 PMX + A 15,238 1,371 12,249 11,233 1,177 9,267 6,890 1,482 7,187 8, ,570 Longest tour 18,000 16,000 14,000 12,000 10,000 8,000 6,000 4,000 2,000 0 Mean Mean Mean Mean m = 3 m = 5 m = 10 m = 20 mytcx TCX ORX + A CYX + A PMX + A 31 January 2014 Tugas Akhir KI
25 HASIL UJI COBA (bagian 6) Minimizing longest tour MTSP-150 Crossover m = 3 m = 5 m = 10 m = 20 m = 30 Mean Stdev Best Mean Stdev Best Mean Stdev Best Mean Stdev Best Mean Stdev Best mytcx 23,444 4,893 17,621 16,058 3,393 11,529 10,212 2,176 7,066 7,415 1,415 4,916 3,144 1,160 1,921 TCX 22,523 1,226 20,556 16,054 1,227 14,096 10, ,475 9, ,423 8, ,169 ORX + A 24,766 1,689 22,015 17,646 1,519 15,266 15,150 2,006 11,788 13,669 1,816 10,274 12,204 1,376 9,182 CYX + A 23,906 1,941 20,915 17,608 1,563 14,029 14,738 1,750 10,779 14,111 1,872 8,365 13,091 1,295 10,694 PMX + A 24,216 1,802 20,347 17,741 1,235 15,418 14,489 2,139 10,738 13,810 1,315 11,722 12,608 1,667 10,080 30,000 25,000 Longest tour 20,000 15,000 10,000 5,000 mytcx TCX ORX + A CYX + A PMX + A 0 Mean Mean Mean Mean Mean m = 3 m = 5 m = 10 m = 20 m = January 2014 Tugas Akhir KI
26 RANGKUMAN HASIL UJI COBA (bagian 1) Minimizing total travel distance m = 3 m = 5 m = 10 m = 20 m = 30 MTSP-150 MTSP-100 MTSP-51 MTSP-150 MTSP-100 MTSP-51 MTSP-150 MTSP-100 MTSP-51 MTSP-150 MTSP-100 MTSP-51 MTSP-150 MTSP-100 MTSP-51 PMX + A CYX + A ORX + A TCX mytcx 0 10,000 20,000 30,000 40,000 50,000 60,000 70,000 80,000 90, , January 2014 Tugas Akhir KI
27 RANGKUMAN HASIL UJI COBA (bagian 2) Minimizing longest tour m = 3 m = 5 m = 10 m = 20 m = 30 MTSP-150 MTSP-100 MTSP-51 MTSP-150 MTSP-100 MTSP-51 MTSP-150 MTSP-100 MTSP-51 MTSP-150 MTSP-100 MTSP-51 MTSP-150 MTSP-100 MTSP-51 PMX + A CYX + A ORX + A TCX mytcx 0 5,000 10,000 15,000 20,000 25,000 30, January 2014 Tugas Akhir KI
28 PERSENTASE PENINGKATAN AKURASI Tabel peningkatan akurasi untuk minimizing total travel distance Crossover m = 3 m = 5 m = 10 m = 20 m = 30 MTSP-51 MTSP-100 MTSP-150 MTSP-51 MTSP-100 MTSP-150 MTSP-51 MTSP-100 MTSP-150 MTSP-100 MTSP-150 MTSP-150 mytcx vs TCX * * * * * 0.62% 15.72% 0.27% * 33.22% 18.49% 38.26% mytcx vs ORX + A 6.16% 12.08% 15.79% 9.66% 10.18% 10.00% 24.40% 17.50% 6.85% 42.19% 30.46% 46.04% mytcx vs CYX + A 7.28% 12.91% 16.32% 9.81% 12.69% 12.37% 24.51% 18.45% 6.16% 40.72% 31.93% 46.59% mytcx vs PMX + A 8.82% 11.92% 17.16% 7.43% 9.43% 11.42% 23.97% 17.79% 7.50% 39.84% 30.01% 45.83% Tabel peningkatan akurasi untuk longest tour Crossover m = 3 m = 5 m = 10 m = 20 m = 30 MTSP-51 MTSP-100 MTSP-150 MTSP-51 MTSP-100 MTSP-150 MTSP-51 MTSP-100 MTSP-150 MTSP-100 MTSP-150 MTSP-150 mytcx vs TCX * * * * * * 34.51% 22.22% 4.76% 52.29% 23.08% 64.11% mytcx vs ORX + A * * 5.34% 3.03% 8.05% 9.00% 42.19% 34.93% 32.59% 60.25% 45.75% 74.24% mytcx vs CYX + A * * 1.93% 0.62% 7.02% 8.80% 43.51% 33.97% 30.71% 60.18% 47.45% 75.98% mytcx vs PMX + A * * 3.19% 0.62% 6.20% 9.49% 43.08% 12.31% 29.52% 60.93% 46.31% 75.06% Catatan : * memiliki tingkat akurasi yang kurang baik 31 January 2014 Tugas Akhir KI
29 KESIMPULAN HASIL UJI COBA Dari semua hasil uji coba yang dilakukan dapat disimpulkan bahwa dalam menyelesaikan MTSP menggunakan algoritma genetika dengan metode TCX, untuk jumlah salesman minimal 5 orang mempunyai tingkat akurasi yang lebih baik jika dibandingkan dengan metode metode PMX, OCX dan CYX. Rata-rata peningkatan akurasinya adalah: 1. 15,90% untuk minimizing total travel distance 2. 21,58% untuk minimizing longest tour 31 January 2014 Tugas Akhir KI
30 Kesimpulan Pendahuluan Kesimpulan Metode Penyelesaian Uji Coba 31 January 2014 Tugas Akhir KI
31 KESIMPULAN 1. Metode Two-part Chromosome Crossover yang sudah dioptimalkan parameterparameternya (TCXo) mampu menyelesaikan permasalahan MTSP. 2. Pengaturan nilai parameter pada uji permasalahan MTSP-51, MTSP-100 dan MTSP- 150 mempengaruhi kualitas dan kinerja metode TCXo pada algoritma genetika. Parameter yang menyebabkan kinerja TCXo optimal antara lain: Ukuran populasi = 100 Probabilitas crossover = 0,85 Probabilitas mutasi = 0,85 Metode seleksi = Roulette wheel Metode mutasi = Swap dan flip Metode replacement = Steady-state GA Replacement rate = 20% 3. Jika dibandingkan dengan metode PMX, OCX dan CYX. Peningkatan akurasi solusi dari metode TCXo rata-rata sebesar 15,90% untuk minimizing total travel distance dan sebesar 21,58% untuk minimizing longest tour. 31 January 2014 Tugas Akhir KI
32 SARAN 1. Permasalahan optimasi dari MTSP yang diselesaikan menggunakan algoritma genetika tentunya memiliki batasanbatasan yang telah ditetapkan sebelumnya, seperti: jumlah kota, jumlah salesman, operator GA yang digunakan, probabilitas pada operator GA dan metode-metode lain dalam GA. Tentunya dengan batasan yang berbeda hasil optimasi akan berbeda pula, bisa lebih baik atau bahkan lebih jelek, sehingga perlu di lakukan pengembangan lebih lanjut. 2. Perlu dilakukan pengembangan pada aplikasi ini, sehingga dapat diterapkan di kehidupan nyata. 31 January 2014 Tugas Akhir KI
33 SELESAI TERIMA KASIH 31 January 2014 Tugas Akhir KI
34 Algoritma Genetika Algoritma genetika merupakan salah satu algoritma dari sekian banyak algoritma optimasi yang didasarkan pada proses genetik yang ada dalam makluk hidup yaitu proses evolusi [3]. 31 January 2014 Tugas Akhir KI
35 Two Chromosome Technique Solution space dari teknik ini sebesar n!m n [4] 31 January 2014 Tugas Akhir KI
36 One Chromosome Technique Solution space dari teknik ini yaitu sebesar (n + m -1)! [4] 31 January 2014 Tugas Akhir KI
37 Two-part Chromosome Crossover Technique 31 January 2014 Tugas Akhir KI
38 Partial Mapped Crossover Operator(PMX) 31 January 2014 Tugas Akhir KI
39 Ordered Crossover Operator(OCX) 31 January 2014 Tugas Akhir KI
40 Cycle Crossover Operator(CYX) 31 January 2014 Tugas Akhir KI
41 Swap Mutation 1. Memilih 2 gen secara acak Menukar posisi 2 gen yang terpilih tersebut January 2014 Tugas Akhir KI
42 Flip Mutation 1. Memilih 2 gen secara acak sebagai batas kiri dan kanan Membalikkan posisi gen yang berada pada segmen tersebut January 2014 Tugas Akhir KI
43 Steady State GA Pseudocode 1 P <- generate a population of individuals randomly 2 while stopping criterion has not been met: 3 parent1 <- selection(p) 4 parent2 <- selection(p) 5 child1, child2 <- with probability cross_rate crossover parent1, parent2 6 child1 <- mutate child1 7 child2 <- mutate child2 8 best1, best2 <- get the two highest fitness individuals out of parent1, parent2, child1, child2 9 replace parent1 with best1 10 replace parent2 with best2 31 January 2014 Tugas Akhir KI
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.
Lebih terperinciPENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN TRAVELLING SALESMAN PROBLEM (TSP)
PENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN TRAVELLING SALESMAN PROBLEM (TSP) Mohamad Subchan STMIK Muhammadiyah Banten e-mail: moh.subhan@gmail.com ABSTRAK: Permasalahan pencarian rute terpendek dapat
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tinjauan Pustaka (Samuel, Toni & Willi 2005) dalam penelitian yang berjudul Penerapan Algoritma Genetika untuk Traveling Salesman Problem Dengan Menggunakan Metode Order Crossover
Lebih 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 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 terperinciPENERAPAN ALGORITMA GENETIKA UNTUK TRAVELING SALESMAN PROBLEM DENGAN MENGGUNAKAN METODE ORDER CROSSOVER DAN INSERTION MUTATION
PENERAPAN ALGORITMA GENETIKA UNTUK TRAVELING SALESMAN PROBLEM DENGAN MENGGUNAKAN METODE ORDER CROSSOVER DAN INSERTION MUTATION Samuel Lukas 1, Toni Anwar 1, Willi Yuliani 2 1) Dosen Teknik Informatika,
Lebih terperinciBAB 2 LANDASAN TEORI. 2.1 Algoritma Genetika
6 BAB 2 LANDASAN TEORI 2.1 Algoritma Genetika Algoritma genetika merupakan metode pencarian yang disesuaikan dengan proses genetika dari organisme-organisme biologi yang berdasarkan pada teori evolusi
Lebih terperinciBAB III. Metode Penelitian
BAB III Metode Penelitian 3.1 Diagram Alir Penelitian Secara umum diagram alir algoritma genetika dalam penelitian ini terlihat pada Gambar 3.1. pada Algoritma genetik memberikan suatu pilihan bagi penentuan
Lebih terperinciAlgoritma Evolusi Dasar-Dasar Algoritma Genetika
Algoritma Evolusi Dasar-Dasar Algoritma Genetika Imam Cholissodin imam.cholissodin@gmail.com Pokok Bahasan 1. Pengantar 2. Struktur Algoritma Genetika 3. Studi Kasus: Maksimasi Fungsi Sederhana 4. Studi
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Traveling Salesman Problem (TSP) adalah permasalahan dimana seorang salesman harus mengunjungi semua kota yang ada dan kota tersebut hanya boleh dikunjungi tepat satu
Lebih terperinciDAFTAR ISI. Tim Redaksi... i Kata Pengantar... ii Daftar Isi... iii
DAFTAR ISI Tim Redaksi... i Kata Pengantar... ii Daftar Isi... iii Faiz Rafdh Ch SISTEM INFORMASI ZAKAT BERBASIS WEB MENGGUNAKAN PHP DAN MYSQL PADA RUMAH ZAKATINDONESIA 1-7 Abdul Jamil Syamsul Bachtiar
Lebih terperinciBAB III MODEL DAN TEKNIK PEMECAHAN
BAB III MODEL DAN TEKNIK PEMECAHAN III.1. Diskripsi Sistem Sistem pendistribusian produk dalam penelitian ini adalah berkaitan dengan permasalahan vehicle routing problem (VRP). Berikut ini adalah gambar
Lebih terperinciOPTIMASI PENJADWALAN KEGIATAN BELAJAR MENGAJAR DENGAN ALGORITMA GENETIK
OPTIMASI PENJADWALAN KEGIATAN BELAJAR MENGAJAR DENGAN ALGORITMA GENETIK Usulan Skripsi S-1 Jurusan Matematika Diajukan oleh 1. Novandry Widyastuti M0105013 2. Astika Ratnawati M0105025 3. Rahma Nur Cahyani
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Pustaka. Penelitian serupa mengenai penjadwalan matakuliah pernah dilakukan oleh penelliti yang sebelumnya dengan metode yang berbeda-neda. Berikut
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
5 BAB 2 TINJAUAN PUSTAKA 2.1. Algoritma Genetika Pada tahun 1975, John Holland, di dalam bukunya yang berjudul Adaption in Natural and Artificial Systems, mengemukakan komputasi berbasis evolusi. Tujuannya
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan membahas landasan atas teori-teori yang bersifat ilmiah untuk mendukung penulisan tugas akhir ini. Teori-teori yang dibahas mengenai pengertian penjadwalan, algoritma
Lebih terperinciPRESENTASI TUGAS AKHIR
PRESENTASI TUGAS AKHIR Travelling Salesman Problem menggunakan Algoritma Genetika Via GPS berbasis Android (kata kunci : android,gps,google Maps, Algoritma Genetika, TSP) Penyusun Tugas Akhir : Azmi Baharudin
Lebih terperinciBAB 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 terperinciANALISIS PENGATURAN INDIVIDU CROSSOVER DAN MUTASI ALGORITMA GENETIKA STUDI KASUS TRAVELLING SALESMAN PROBLEM
ANALISIS PENGATURAN INDIVIDU CROSSOVER DAN MUTASI ALGORITMA GENETIKA STUDI KASUS TRAVELLING SALESMAN PROBLEM Sean Coonery Sumarta* 1 1 Program Studi Teknik Informatika, Universitas Atma Jaya Makassar,
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN APLIKASI
27 BAB 3 ANALISIS DAN PERANCANGAN APLIKASI 3.1 Analisis Pada subbab ini akan diuraikan tentang analisis kebutuhan untuk menyelesaikan masalah jalur terpendek yang dirancang dengan menggunakan algoritma
Lebih terperinciPENYELSAIAN MULTI TRAVELING SALESMAN PROBLEM DENGAN ALGORITMA GENETIKA
E-Jurnal Matematika Vol. 6 (1) pp. 1-6 ISSN: 2303-1751 PENYELSAIAN MULTI TRAVELING SALESMAN PROBLEM DENGAN ALGORITMA GENETIKA Ni Kadek Mayuliana 1, Eka N. Kencana 2, Luh Putu Ida Harini 3 1 Program Studi
Lebih terperinciPENENTUAN JARAK TERPENDEK PADA JALUR DISTRIBUSI BARANG DI PULAU JAWA DENGAN MENGGUNAKAN ALGORITMA GENETIKA. Abstraksi
PENENTUAN JARAK TERPENDEK PADA JALUR DISTRIBUSI BARANG DI PULAU JAWA DENGAN MENGGUNAKAN ALGORITMA GENETIKA I Dewa Made Adi Baskara Joni 1, Vivine Nurcahyawati 2 1 STMIK STIKOM Indonesia, 2 STMIK STIKOM
Lebih terperinciBAB III PERANCANGAN. Gambar 3.1 di bawah ini mengilustrasikan jalur pada TSP kurva terbuka jika jumlah node ada 10:
BAB III PERANCANGAN Pada bagian perancangan ini akan dipaparkan mengenai bagaimana mencari solusi pada persoalan pencarian rute terpendek dari n buah node dengan menggunakan algoritma genetika (AG). Dari
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan membahas landasan atas teori-teori yang bersifat ilmiah untuk mendukung penulisan skripsi ini. Teori-teori yang dibahas mengenai optimisasi, pengertian penjadwalan,
Lebih terperinciPENENTUAN KOMBINASI OPTIMUM JUMLAH, BERAT, DAN WAKTU TAMBAT KAPAL DI PT (PERSERO) PELABUHAN INDONESIA III GRESIK MENGGUNAKAN ALGORITMA GENETIKA
LOGO PENENTUAN KOMBINASI OPTIMUM JUMLAH, BERAT, DAN WAKTU TAMBAT KAPAL DI PT (PERSERO) PELABUHAN INDONESIA III GRESIK MENGGUNAKAN ALGORITMA GENETIKA Oleh : Aris Saputro 1206100714 Pembimbing : Dr. M. Isa
Lebih 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 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 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 terperinciPenjadwalan kegiatan merupakan pekerjaan yang tidak mudah, karena dalam. penyusunannya memerlukan perencanaan yang matang agar kegiatan tersebut
BAB I PENDAHULUAN A. Latar Belakang Penjadwalan kegiatan merupakan pekerjaan yang tidak mudah, karena dalam penyusunannya memerlukan perencanaan yang matang agar kegiatan tersebut terlaksana dengan optimal.
Lebih terperinciBAB 2 DASAR TEORI. 2.1 Teka-Teki Silang
BAB 2 DASAR TEORI 2.1 Teka-Teki Silang Teka-teki silang atau disingkat TTS adalah suatu permainan yang mengharuskan penggunanya untuk mengisi ruang-ruang kosong dengan huruf-huruf yang membentuk sebuah
Lebih terperinciPENERAPAN 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:
Lebih terperinciSeminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004
Seminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004 Perbandingan Metode-Metode dalam Algoritma Genetika untuk Travelling Salesman Problem Irving Vitra P. Jurusan Teknik Informatika,
Lebih terperinciBAB III ALGORITMA MEMETIKA DALAM MEMPREDIKSI KURS VALUTA ASING. Untuk memberikan penjelasan mengenai prediksi valuta asing
BAB III ALGORITMA MEMETIKA DALAM MEMPREDIKSI KURS VALUTA ASING Untuk memberikan penjelasan mengenai prediksi valuta asing menggunakan algoritma memetika, akan diberikan contoh sebagai berikut. Contoh Misalkan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Penjadwalan Penjadwalan kegiatan belajar mengajar pada suatu lembaga pendidikan biasanya merupakan salah satu pekerjaan yang tidak mudah dan menyita waktu. Pada lembaga pendidikan
Lebih 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 terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pada awal diciptakan, komputer hanya difungsikan sebagai alat hitung saja. Namun seiring dengan perkembangan zaman, maka peran komputer semakin mendominasi kehidupan.
Lebih terperinciT I N J A U A N P U S T A K A Algoritma Genetika [5]
Algoritma Genetika [5] Fitness adalah nilai yang menyatakan baik-tidaknya suatu jalur penyelesaian dalam permasalahan TSP,sehingga dijadikan nilai acuan dalam mencari jalur penyelesaian optimal dalam algoritma
Lebih terperinciGENETIKA 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
Lebih terperinciIMPLEMENTASI ALGORITMA GENETIKA DALAM OPTIMASI JALUR PENDISTRIBUSIAN KERAMIK PADA PT. CHANG JUI FANG
IMPLEMENTASI ALGORITMA GENETIKA DALAM OPTIMASI JALUR PENDISTRIBUSIAN KERAMIK PADA PT. CHANG JUI FANG Adnan Buyung Nasution 1 1,2 Sistem Infomasi, Tehnik dan Ilmu Komputer, Universitas Potensi Utama 3 Universitas
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Pembentukan kelas belajar merupakan kegiatan rutin yang dilakukan oleh setiap sekolah pada setiap tahun ajaran baru. Pembentukan kelas biasanya dilakukan dengan membagi
Lebih terperinciPenjadwalan Job Shop pada Empat Mesin Identik dengan Menggunakan Metode Shortest Processing Time dan Genetic Algorithm
Jurnal Telematika, vol.9 no.1, Institut Teknologi Harapan Bangsa, Bandung ISSN: 1858-251 Penjadwalan Job Shop pada Empat Mesin Identik dengan Menggunakan Metode Shortest Processing Time dan Genetic Algorithm
Lebih terperinciProsiding 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
Lebih terperinciBAB I PENDAHULUAN. Pemerintah Pusat hingga Pemerintah Daerah, salah satu program dari
BAB I PENDAHULUAN A. Latar Belakang Masalah Peningkatan kesejahteraan dalam memenuhi kebutuhan pangan masyarakat berpendapatan rendah merupakan program nasional dari Pemerintah Pusat hingga Pemerintah
Lebih terperinciIMPLEMENTASI 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
Lebih terperinciBAB 1 PENDAHULUAN. 1 Randy L Haupt & Sue Ellen Haupt, Practical Genetic Algorithms second edition, Wiley Interscience,2004.
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Seseorang salesman tentu akan sangat kesulitan jika harus mengunjungi semua kota sendirian, oleh karena itu dibutuhkan beberapa orang salesman untuk membagi
Lebih terperinciPENENTUAN 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 :
Lebih terperinciPenggabungan Metode Replacement Strategy Steady State dan Generational Dalam Algoritma Berevolusi untuk Penyelesaian TSP
Penggabungan Metode Replacement Strategy Steady State dan Generational Dalam Algoritma Berevolusi untuk Penyelesaian TSP Munawir 1, Taufiq A. Gani 2 1 Prodi Teknik Informatika, Fakultas Teknik Universitas
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 terperinciABSTRAK. Job shop scheduling problem merupakan salah satu masalah. penjadwalan yang memiliki kendala urutan pemrosesan tugas.
ABSTRAK Job shop scheduling problem merupakan salah satu masalah penjadwalan yang memiliki kendala urutan pemrosesan tugas. Pada skripsi ini, metode yang akan digunakan untuk menyelesaikan job shop scheduling
Lebih terperinciPERBANDINGAN KINERJA ALGORITMA GENETIK DAN ALGORITMA BRANCH AND BOUND PADA TRAVELLING SALESMAN PROBLEM
PERBANDINGAN KINERJA ALGORITMA GENETIK DAN ALGORITMA BRANCH AND BOUND PADA TRAVELLING SALESMAN PROBLEM Nico Saputro dan Suryandi Wijaya Jurusan Ilmu Komputer Universitas Katolik Parahyangan nico@home.unpar.ac.id
Lebih 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 Kendali Distribusi Tegangan pada Sistem Tenaga Listrik dengan Pembangkit Tersebar
Optimasi Kendali Distribusi Tegangan pada Sistem Tenaga Listrik dengan Pembangkit Tersebar Soni Irawan Jatmika 2210 105 052 Pembimbing : 1. Prof. Dr. Ir. Adi Soeprijanto, MT. 2. Heri Suryoatmojo, ST. MT.
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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Konsep Dasar Sistem dan Informasi 2.1.1 Sistem Menurut Sutabri (2004), bahwa sistem adalah sekelompok unsur yang erat hubungannya satu dengan yang lainnya berfungsi untuk mencapai
Lebih terperinciERWIEN TJIPTA WIJAYA, ST.,M.KOM
ERWIEN TJIPTA WIJAYA, ST.,M.KOM DEFINISI ALGEN adalah algoritma yang memanfaatkan proses seleksi alamiah yang dikenal dengan evolusi Dalam evolusi, individu terus menerus mengalami perubahan gen untuk
Lebih terperinciJl. Ahmad Yani, Pontianak Telp./Fax.: (0561)
APLIKASI PENCARIAN RUTE TERPENDEK MENGGUNAKANALGORITMA GENETIKA (Studi Kasus: Pencarian Rute Terpendek untuk Pemadam Kebakaran di Wilayah Kota Pontianak) [1] Putri Yuli Utami, [2] Cucu Suhery, [3] Ilhamsyah
Lebih terperinciBAB II KAJIAN PUSTAKA. Pada bab kajian pustaka berikut ini akan dibahas beberapa materi yang meliputi
BAB II KAJIAN PUSTAKA Pada bab kajian pustaka berikut ini akan dibahas beberapa materi yang meliputi graf, permasalahan optimasi, model matematika dari objek wisata di Yogyakarta, dan algoritma genetika
Lebih terperinciPencarian 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
Lebih terperinciOPTIMASI TRAVELLING SALESMAN PROBLEM WITH TIME WINDOWS (TSP-TW) PADA PENJADWALAN PAKET RUTE WISATA DI PULAU BALI MENGGUNAKAN ALGORITMA GENETIKA
Seminar Nasional Sistem Informasi Indonesia, 2-3 November 2015 OPTIMASI TRAVELLING SALESMAN PROBLEM WITH TIME WINDOWS (TSP-TW) PADA PENJADWALAN PAKET RUTE WISATA DI PULAU BALI MENGGUNAKAN ALGORITMA GENETIKA
Lebih terperinciBAB III IMPLEMENTASIALGORITMA GENETIK DAN ACS PADA PERMASALAHAN TRAVELLING SALESMAN PROBLEM
BAB III IMPLEMENTASIALGORITMA GENETIK DAN ACS PADA PERMASALAHAN TRAVELLING SALESMAN PROBLEM 3.1 TRAVELLING SALESMAN PROBLEM Sebelum membahas pencarian solusi Travelling Salesman Problem menggunakan algoritma
Lebih terperinciBAB 2 LANDASAN TEORI
36 BAB 2 LANDASAN TEORI 2.1 Pengurutan Pekerjaan (Job Sequencing) 2.1.1 Deskripsi Umum Dalam industri manufaktur, tujuan penjadwalan ialah untuk meminimasikan waktu dan biaya produksi, dengan cara mengatur
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Penjadwalan Perkuliahan Penjadwalan memiliki pengertian durasi dari waktu kerja yang dibutuhkan untuk melakukan serangkaian untuk melakukan aktivitas kerja[10]. Penjadwalan juga
Lebih terperinciOPTIMASI PENATAAN SILINDER DALAM KONTAINER DENGAN ALGORITMA GENETIKA
OPTIMASI PENATAAN SILINDER DALAM KONTAINER DENGAN ALGORITMA GENETIKA Novita Wulan Sari 1, Yuliana Setyowati 2, S.Kom, M.Kom, Ira Prasetyaningrum 2, S. Si, M.T 1 Mahasiswa, 2 Dosen Pembimbing Politeknik
Lebih terperinciImplementasi Algoritma Genetika Untuk Pencarian Rute Berdasarkan Waktu Tercepat Objek Wisata Di Kabupaten Ngawi. Makalah
Implementasi Algoritma Genetika Untuk Pencarian Rute Berdasarkan Waktu Tercepat Objek Wisata Di Kabupaten Ngawi Makalah Disusun sebagai salah satu syarat menyelesaikan Program Studi Strata I pada Jurusan
Lebih terperinciOPTIMASI QUERY DATABASE MENGGUNAKAN ALGORITMA GENETIK
Seminar Nasional Aplikasi Teknologi Informasi 2008 (SNATI 2008) ISSN 1907-5022 OPTIMASI QUERY DATABASE MENGGUNAKAN ALGORITMA GENETIK Manahan Siallagan, Mira Kania Sabariah, Malanita Sontya Jurusan Teknik
Lebih terperinciAlgoritma Evolusi Real-Coded GA (RCGA)
Algoritma Evolusi Real-Coded GA (RCGA) Imam Cholissodin imam.cholissodin@gmail.com Pokok Bahasan 1. Siklus RCGA 2. Alternatif Operator Reproduksi pada Pengkodean Real 3. Alternatif Operator Seleksi 4.
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Algoritma Genetika Algoritma genetika sebagai cabang dari algoritma evolusi merupakan metode yang digunakan untuk memecahkan suatu pencarian nilai dalam permasalahan-permasalahan
Lebih terperinciAlgoritma Evolusi Optimasi Masalah Kombinatorial
Algoritma Evolusi Optimasi Masalah Kombinatorial Imam Cholissodin imam.cholissodin@gmail.com Pokok Bahasan 1. Travelling Salesman Problem (TSP) 2. Flow-Shop Scheduling Problem (FSP) 3. Two-Stage Assembly
Lebih terperinciBAB 2 LANDASAN TEORI
18 BAB 2 LANDASAN TEORI 2.1 Pengertian Optimasi Optimasi adalah salah satu ilmu dalam matematika yang fokus untuk mendapatkan nilai minimum atau maksimum secara sistematis dari suatu fungsi, peluang maupun
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Konsep Umum Optimasi Optimasi merupakan suatu cara untuk menghasilkan suatu bentuk struktur yang aman dalam segi perencanaan dan menghasilkan struktur yang
Lebih terperinciPenerapan Algoritma Genetika untuk Optimasi Vehicle Routing Problem with Time Window (VRPTW) Studi Kasus Air Minum Kemasan
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 2, Februari 2017, hlm. 100-107 http://j-ptiik.ub.ac.id Penerapan Algoritma Genetika untuk Optimasi Vehicle Routing
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Pada saat sekarang ini, setiap perusahaan yang ingin tetap bertahan dalam persaingan dengan perusahaan lainnya, harus bisa membuat semua lini proses bisnis perusahaan tersebut
Lebih terperinciAPLIKASI ALGORITMA GENETIKA UNTUK PENJADWALAN MATA KULIAH
APLIKASI ALGORITMA GENETIKA UNTUK PENJADWALAN MATA KULIAH (Studi Kasus: Jurusan Pendidikan Matematika FMIPA Universitas Negeri Yogyakarta) SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciPENERAPAN 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
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 terperinciALGORITMA GENETIKA DENGAN PENDEKATAN MODEL PULAU PADA PERMASALAHAN TRAVELLING SALESMAN
ALGORITMA GENETIKA DENGAN PENDEKATAN MODEL PULAU PADA PERMASALAHAN TRAVELLING SALESMAN Hardy STMIK Mikroskil Jl. Thamrin No. 112, 124, 140 Medan 20212 hardy@mikroskil.ac.id Abstrak Algoritma genetika telah
Lebih terperinciBAB III PENERAPAN ALGORITMA MEMETIKA DAN GRASP DALAM MENYELESAIKAN PFSP
BAB III PENERAPAN ALGORITMA MEMETIKA DAN GRASP DALAM MENYELESAIKAN PFSP Prosedur AM dan GRASP dalam menyelesaikan PFSP dapat digambarkan oleh flowchart berikut: NEH GRASP SOLUSI NEH SOLUSI ELIT MEMETIKA
Lebih terperinciGambar 1.1 Contoh Ilustrasi Kasus CVRP 13
BAB I PENDAHULUAN 1.1. Latar Belakang Vehicle Routing Problem (VRP) merupakan konsep umum yang digunakan untuk semua permasalahan yang melibatkan perancangan rute optimal untuk armada kendaraan yang melayani
Lebih terperinciPERFORMANCE ALGORITMA GENETIKA (GA) PADA PENJADWALAN MATA PELAJARAN
PERFORMANCE ALGORITMA GENETIKA (GA) PADA PENJADWALAN MATA PELAJARAN Eva Desiana, M.Kom Pascasarjana Teknik Informatika Universitas Sumatera Utara, SMP Negeri 5 Pematangsianta Jl. Universitas Medan, Jl.
Lebih terperinciBAB II KAJIAN TEORI 2.1 Kajian Penelitian Sebelumnya
5 BAB II KAJIAN TEORI 2.1 Kajian Penelitian Sebelumnya Traveling salesman problem (TSP) merupakan salah satu permasalahan yang telah sering diangkat dalam berbagai studi kasus dengan penerapan berbagai
Lebih terperinciPENERAPAN ALGORITMA GENETIKA PADA PERSOALAN PEDAGANG KELILING (TSP)
Abstrak PENERAPAN ALGORITMA GENETIKA PADA PERSOALAN PEDAGANG KELILING (TSP) Aulia Fitrah 1, Achmad Zaky 2, Fitrasani 3 Program Studi Informatika, Sekolah Teknik Elektro dan Informatika, Institut Teknologi
Lebih terperinciKeywords Algoritma, Genetika, Penjadwalan I. PENDAHULUAN
Optimasi Penjadwalan Mata Kuliah Dengan Algoritma Genetika Andysah Putera Utama Siahaan Universitas Pembangunan Pancabudi Jl. Gatot Subroto Km. 4,5, Medan, Sumatra Utara, Indonesia andiesiahaan@gmail.com
Lebih terperinciKI Kecerdasan Buatan Materi 5: Pencarian dengan Optimasi (Local Search & Optimization )
[AIMA] Russel, Stuart J., Peter Norvig, "Artificial Intelligence, A Modern Approach" 3rd Ed., Prentice Hall, New Jersey, 2010 KI091322 Kecerdasan Buatan Materi 5: Pencarian dengan Optimasi (Local Search
Lebih terperinciALGORITMA GENETIKA Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning
ALGORITMA GENETIKA Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning Achmad Basuki Politeknik Elektronika Negeri Surabaya PENS-ITS Surabaya 2003 Algoritma Genetika Algoritma
Lebih terperinci8. Evaluasi Solusi dan Kriteria Berhenti Perumusan Masalah METODE PENELITIAN Studi Pustaka Pembentukan Data
Gambar 4 Proses Swap Mutation. 8. Evaluasi Solusi dan Kriteria Berhenti Proses evaluasi solusi ini akan mengevaluasi setiap populasi dengan menghitung nilai fitness setiap kromosom sampai terpenuhi kriteria
Lebih 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 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 II LANDASAN TEORI. digunakan sebagai alat pembayaran yang sah di negara lain. Di dalam
BAB II LANDASAN TEORI 2.1 Valuta Asing Valuta asing dapat diartikan sebagai mata uang yang dikeluarkan dan digunakan sebagai alat pembayaran yang sah di negara lain. Di dalam hukum ekonomi bila terdapat
Lebih terperinciPenerapan Algoritma Genetika dalam Job Shop Scheduling Problem
Penerapan Algoritma Genetika dalam Job Shop Scheduling Problem Haris Sriwindono Program Studi Ilmu Komputer Universitas Sanata Dharma Paingan, Maguwoharjo, Depok Sleman Yogyakarta, Telp. 0274-883037 haris@staff.usd.ac.id
Lebih 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 terperinciPenerapan Algoritma Genetika Untuk Vehicle Routing Problem with Time Window (VRPTW) Pada Kasus Optimasi Distribusi Beras Bersubsidi
Penerapan Algoritma Genetika Untuk Vehicle Routing Problem with Time Window (VRPTW) Pada Kasus Optimasi Distribusi Beras Bersubsidi Farah Bahtera Putri 1, Wayan Fidaus Mahmudy, Dian Eka Ratnawati Teknik
Lebih terperinciAnalisis Operator Crossover pada Permasalahan Permainan Puzzle
Analisis Operator Crossover pada Permasalahan Permainan Puzzle Kun Siwi Trilestari [1], Ade Andri Hendriadi [2] Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Singaperbanga Karawang
Lebih terperinciTEKNIK PENJADWALAN KULIAH MENGGUNAKAN METODE ALGORITMA GENETIKA. Oleh Dian Sari Reski 1, Asrul Sani 2, Norma Muhtar 3 ABSTRACT
TEKNIK PENJADWALAN KULIAH MENGGUNAKAN METODE ALGORITMA GENETIKA Oleh Dian Sari Reski, Asrul Sani 2, Norma Muhtar 3 ABSTRACT Scheduling problem is one type of allocating resources problem that exist to
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Pendahuluan Pada bab ini akan dibahas tentang travelling salesman problem (TSP), metodemetode yang digunakan dalam penyelesaian TSP. Khusus penggunaan metode algoritma genetika
Lebih terperinciBAB 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
Lebih terperinciBAB I PENDAHULUAN. wisata budaya, wisata belanja, hingga wisata Alam. Untuk menarik minat
BAB I PENDAHULUAN A. Latar Belakang Masalah Objek pariwisata di Yogyakarta sudah semakin beragam mulai dari wisata budaya, wisata belanja, hingga wisata Alam. Untuk menarik minat wisatawan dapat dibuat
Lebih 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 terperinciIMPLEMENTASI ALGORITMA GENETIKA UNTUK PENCARIAN RUTE PALING OPTIMUM
IMPLEMENTASI ALGORITMA GENETIKA UNTUK PENCARIAN RUTE PALING OPTIMUM Anies Hannawati, Thiang, Eleazar Fakultas Teknologi Industri, Jurusan Teknik Elektro, Universitas Kristen Petra Jl. Siwalankerto 121-131,
Lebih terperinciANALISIS PERFORMANCE ATAS METODE ARITHMETIC CROSSOVER DALAM ALGORITMA GENETIKA
JURNAL TEKNOLOGI INFORMASI DAN KOMUNIKASI Vol. 4 No. 2, Desember 2015 : 76-87 ANALISIS PERFORMANCE ATAS METODE ARITHMETIC CROSSOVER DALAM ALGORITMA GENETIKA PERFORMANCE ANALYSIS OF THE METHOD ARITHMETIC
Lebih terperinciANALISIS PERFORMANCE ATAS METODE ARITHMETIC CROSSOVER DALAM ALGORITMA GENETIKA TESIS ERIANTO ONGKO
1 ANALISIS PERFORMANCE ATAS METODE ARITHMETIC CROSSOVER DALAM ALGORITMA GENETIKA TESIS ERIANTO ONGKO 127038063 PROGRAM STUDI S2 TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS
Lebih terperinci