Optimasi Penjadwalan Mata Pelajaran Pada Kurikulum 2013 Dengan Algoritme Genetika (Studi Kasus: SMA Negeri 3 Surakarta)
|
|
- Hengki Sudjarwadi
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X Vol. 1, No. 12, Desember 2017, hlm Optimasi Penjadwalan Mata Pelajaran Pada Kurikulum 2013 Dengan Algoritme Genetika (Studi Kasus: SMA Negeri 3 Surakarta) Radita Noer Pratiwi 1, Imam Cholissodin 2, Putra Pandu Adikara 3 Program Studi Teknik Informatika, 1 raditapratiwi09@gmail.com, 2 imamcs@ub.ac.id, 3 adikara.putra@ub.ac.id Abstrak Penjadwalan merupakan salah satu masalah komputasi yang sulit untuk penyelesaiannya. Permasalahan dalam penjadwalan juga terjadi di SMA Negeri 3 Surakarta yang mana sekolah tersebut sudah menerapkan kurikulum 2013 dengan program sistem satuan kredit semester (sks) yang dalam pelaksanaannya terdiri dari dua program yaitu program 4 semester dan program 6 semester. Algoritme genetika merupakan suatu metode pencarian yang bisa digunakan untuk memperoleh solusi yang optimal. Representasi kromosom pada penelitian ini terdiri dari dua segmen, yaitu dengan panjang kromosom 748 untuk program 6 semester dan 86 untuk program 4 semester. Hasil solusi optimal didapat dari pengujian yang dilakukan sebanyak 10 kali yang menghasilkan nilai parameter optimal yaitu ukuran populasi 600 individu, jumlah generasi 1000 kali, nilai cr 0,5 dan nilai mr 0,5. Hasil solusi optimal berupa jadwal mata pelajaran untuk program 6 semester dan program 4 semester didapat dari nilai fitness tertinggi yaitu 0, Hasil solusi yang didapat dari nilai fitness yang tertinggi tersebut belum optimal karena masih terdapat pelanggaran pada batasan dalam penjadwalan mata pelajaran SMA Negeri 3 Surakarta. Kata kunci: penjadwalan, mata pelajaran, algoritme genetika Abstract Scheduling is one of the most difficult computing problems to solve. Problems in scheduling also occur in SMA Negeri 3 Surakarta which has implemented the 2013 curriculum with the system of university credit unit which for the implementation consists of two courses, namely 4 semester program and 6 semester program. Genetic algorithm is a search method that can be used to obtain optimal solution. Representation of chromosome in the research is divided into two segments, those ares chromosome length 748 for 6 semester program and 86 4 semester program. The optimal solution is obtained from the test that conducted 10 times and obtained the optimal parameter value of population size 600 individuals, the number of generations 1000 times, the value of cr 0.5 and the value mr 0.5. The results of the optimal solution in the form of course schedules for the 6 semester program and 4 semester program obtained from the highest fitness value of The result of the solution obtained from the highest fitness value is not optimal because there are still violations on the constraint in the scheduling of the courses in SMA Negeri 3 Surakarta. Keywords: scheduling, course, genetic algorithm. 1. PENDAHULUAN Penjadwalan merupakan salah satu masalah komputasi yang sulit untuk penyelesaiannya. Tujuan dalam penjadwalan ialah untuk menemukan slot waktu yang tepat untuk beberapa tugas atau pekerjaan dengan kebutuhan sumber daya yang terbatas. SMA Negeri 3 Surakarta merupakan sekolah negeri yang sudah mulai menerapkan pembelajaran berbasis Sistem Kredit (SKS) sesuai pada Kurikulum 2013 tahun ajaran 2016/2017. Untuk tahun ajaran pertama, terdiri dari kelas dengan sistem pembelajaran 4 semester dan sistem pembelajaran 6 semester. Tiap sistem tersebut mempunyai slot waktu pelajaran yang berbeda dalam proses pembelajarannya. Hal tersebut menjadi masalah dalam pembuatan jadwal mata pelajaran. Penanganan masalah dalam penjadwalan mata Fakultas Ilmu Komputer Universitas Brawijaya 1535
2 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1536 pelajaran menjadi hal yang perlu diperhatikan untuk kelancaran dalam proses belajar mengajar. Dalam penyusunan jadwal mata pelajaran harus disesuaikan dengan ketersediaan guru, waktu mengajar, mata pelajaran yang diampu tiap guru, dan porsi waktu tiap guru. SMA Negeri 3 Surakarta sebelumnya telah menggunakan aplikasi untuk penjadwalan mata pelajaran, tetapi dalam menyusun jadwal mata pelajaran masih mengalami kendala karena penggunaan aplikasi tersebut memberikan hasil yang kurang optimal dimana masih banyak terjadi bentrok serta tidak tepat antara ketersediaan guru, waktu mengajar, dan batasan-batasan dalam pembuatan jadwal mata pelajaran. Oleh sebab itu biasanya dilakukan perbaikan secara manual hingga penjadwalan mata pelajaran dinilai tepat. Cara seperti ini menjadi tidak efisien karena memerlukan waktu yang lama. Berdasarkan observasi yang telah dilakukan, komponenkomponen yang digunakan untuk penyusunan jadwal mata pelajaran, yaitu ketersediaan guru, mata pelajaran, porsi waktu mengajar setiap guru, serta waktu yang dibutuhkan dalam mengajar. Salah satu cabang ilmu Evolution Algorithms yang banyak dikenal ialah algoritme genetika. Algoritme genetika bisa digunakan untuk permasalahan optimasi. Algoritme genetika merupakan metode untuk menyelesaikan permasalahan optimasi dengan model matematika yang kompleks (Mahmudy, 2013). Algoritme genetika juga telah digunakan untuk menyelesaikan masalah optimasi penjadwalan pada penelitian sebelumnya yang dilakukan oleh Sari (2015) yang membahas tentang penggunaan algoritme genetika untuk mengoptimasi masalah penjadwalan mata pelajaran dengan studi kasus SMPN 1 Gondang Mojokerto. Penelitian kedua oleh Ilmi (2015) penelitian yang menyelesaikan masalah penjadwalan perawat dengan menggunakan algoritme genetika. Penelitian ketiga oleh Seisarrina (2016) yang menyelesaikan masalah penjadwalan pengawas ujian semester dengan menggunakan algoritme genetika untuk studi kasus Fakultas Ilmu Komputer Universitas Brawijaya. Berdasarkan penelitian-penelitian yang telah dilakukan tersebut telah membuktikan bahwa algoritme genetika dapat digunakan dalam menyelesaikan permasalahan tentang penjadwalan. Penelitian ini mengimplementasikan algoritme genetika untuk masalah optimasi penjadwalan mata pelajaran di SMA Negeri 3 Surakarta. 2. DASAR TEORI Jadwal adalah pembagian waktu yang didasarkan pada rencana pengaturan dari urutan kerja, selain itu juga jadwal adalah sebagai rencana atau tabel kegiatan yang berisi pembagian waktu pengerjaan yang jelas dan rinci, menurut Kamus Besar Bahasa Indonesia. Penjadwalan merupakan salah satu permasalahan yang sulit untuk diselesaikan. Tujuan dalam penjadwalan adalah untuk menemukan slot waktu yang sesuai untuk beberapa tugas yang memerlukan sumber daya terbatas. Dalam permasalahan tersebut, constraints atau batasan dalam masalah dapat bervariasi dan mungkin ada beberapa tujuan yang berbeda. Contohnya, dalam beberapa kasus mungkin bertujuan untuk meminimalkan panjang total periode waktu yang lebih dari beberapa tugas yang telah dijadwalkan, dalam kasus lain mungkin bertujuan untuk memperoleh solusi yang baik untuk total periode waktu yang tetap, dan dalam kasus lain, bertujuan untuk memperoleh solusi yang mana dengan jumlah kendala yang dilanggar sedikit (Benli & Botsali, 2004). Menurut Mahmudy (2013), algoritme genetika terdiri dari 4 tahap utama yaitu: Inisialisasi awal yang mana merupakan tahap membangkitkan individu secara acak. Reproduksi yang mana terdapat proses crossover (penelitian ini menggunakan metode one-cut point) dan proses mutasi (penelitian ini menggunakan metode reciprocal exchanged) untuk menghasilkan individu baru dari parent yang telah diinisialisasi. Evaluasi fitness yang mana menghitung fitness dari tiap individu dengan rumus sebagai berikut: fitness(x)=100/((1+penalti)) (1) Keterangan: x merupakan indeks individu ke-i. Penalti merupakan jumlah total pelanggaran terhadap constraint atau batasan yang telah ditentukan.
3 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer PERANCANGAN DAN IMPLEMENTASI Bagian ini membahas perancangan dan impelementasi sistem penjadwalan mata pelajaran SMA Negeri 3 Surakarta dengan algoritme genetika. 3.1 Perancangan sistem Perancangan sistem dibuat berdasarkan tahapan dalam algoritme genetika. Tahap penyelesaian masalah ditunjukan pada Gambar 1. Mulai Ukuran populasi, generasi, cr, mr Inisialisasi Kromosom For x = 0 to generasi - 1 membuat jadwal mata pelajaran di SMA Negeri 3 Surakarta. 3.3 Representasi Kromosom Representasi kromosom yang digunakan dalam optimasi penjadwalan mata pelajaran SMA Negeri 3 Surakarta dibagi menjadi dua segmen. Bagian pertama merepresentasikan program 6 semester dengan panjang kromosom 748, sedangkan segmen kedua merepresentasikan program 4 semester dengan panjang kromosom 86. Representasi kromosom menggunakan representasi permutasi. Kromosom dengan panjang 748 merepresentasikan total pembagian mengajar seluruh guru pada program 6 semester dan kromosom dengan panjang 86 merepresentasikan total pembagian mengajar seluruh guru pada program 4 semester. Representasi kromosom dalam penelitian ini dapat dilihat pada Gambar 2 sebagai berikut. Reproduksi Evaluasi fitness Seleksi Generasi_berikutnya x Gen ke 1 Gen ke 2 Gen ke 3 Gen ke... Gen ke 86 Kromosom Kelas 4.. Kromosom Kelas 6.. Gen ke 1 Gen ke 2 Gen ke 3 Gen ke 4 Gen ke 5 Gen ke 6 Gen ke. Solusi_terbaik Selesai Gambar 1 Diagram Alur Algoritme Genetika Proses dimulai dengan masukan pengguna sistem berupa parameter yang diperlukan dalam algoritme genetika, kemudian sistem melakukan proses perhitungan dengan algoritme genetika untuk menghasilkan jadwal yang optimal. Keluaran sistem berupa hasil jadwal mata pelajaran untuk program 6 semester dan program 4 semester. 3.2 Data Penelitian Data yang digunakan untuk penelitian ini merupakan data yang didapat melalui proses wawancara dan observasi. Data tersebut meliputi data guru, data mata pelajaran, data pembagian kelas untuk mengajar, serta data batasan dalam Gambar 2 Representasi Kromosom Gen ke 748 Tiap gen dalam tiap individu tersebut merepresentasikan kode mengajar yang berisi informasi tentang guru yang mengajar, kelas, kode guru, kode mata pelajaran, serta porsi slot waktu yang diberikan. Berikut contoh tabel yang merepresentasikan kode mengajar pada program 6 semester dan program 4 semester yang dapat dilihat pada Tabel 1 dan Tabel 2. Tabel 1. Representasi Kode Mengajar Program 6 No Nama Kelas Porsi Jam Kode Kode Mata Pelajaran 1 Dra. H. Nadjah Pertiwi 3 3 G6 M1 2 Dra. H. Nadjah Pertiwi 4 3 G6 M1 3 Dra. H. Nadjah Pertiwi 5 3 G6 M1 4 Dra. H. Nadjah Pertiwi XI MIPA 6 2 G6 M1
4 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Drs. Sudarsono XII IPS 3 2 G16 M8 Tabel 2. Representasi Kode Mengajar Program 4 No Nama Kelas Porsi Jam Kode Kode Mata Pelajaran 1 Dra. Hj. Nanik Murti P. 1 2 G29 M1 2 Dra. Hj. Nanik Murti P. 1 2 G29 M1 3 Dra. Hj. Nanik Murti P. 2 2 G29 M1 4 Dra. Hj. Nanik Murti P. 2 2 G29 M Mutasi Proses mutasi dilakukan pada semua bagian (program 4 semester dan program 6 semester) dalam kromosom atau tiap individu. Proses mutasi menggunakan metode reciprocal exchanged dengan titik tukar yang ditentukan secara acak pada program 4 semester maupun program 6 semester. Contoh proses mutasi dapat dilihat pada Gambar 4 sebagai berikut. Drs. 86 Sudarsono X IPS 1 2 G16 M8 Kelas 4 P3 Kelas Reproduksi Crossover Proses crossover dilakukan pada semua bagian (program 4 semester dan program 6 semester) dalam kromosom atau tiap individu. Proses crossover menggunakan metode one- cut point. Contoh crossover dapat dilihat pada Gambar 3 sebagai berikut. Gen ke Gen ke Individu 1 (P1) Kelas 4 Semeste r Kelas Titik potong Gen ke Individu 2 (P2) Kelas 4 Semeste r Kelas Titik potong 16 8 Gen ke Gen ke Gambar 4. Mutasi Reciprocal Exchange 15 1 Gen ke Perhitungan Fitness Tahap setelah proses reproduksi ialah menghitung fitness yang didapat dari penalti terhadap pelanggaran batasan atau constraint yang dilakukan. Berikut contoh perhitungan fitness pada constraint 1 yaitu seorang guru tidak bisa mengajar lebih dari satu kelas dalam waktu yang bersamaan (tidak boleh terjadi bentrok waktu mengajar) yang bisa dilihat pada Tabel 3. 9 Gambar 3. Crossover One-Cut Point
5 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1539 Tabel 3. Pelanggaran Constraint 1 Berdasarkan Tabel 1 diketahui bahwa kode 9 dan 12 merupakan guru yang sama dan mendapat jadwal di kelas yang berbeda namun di slot waktu yang sama, sehingga hal tersebut merupakan pelanggaran terhadap batasan. Dari Tabel 1 total penalti adalah 6. Perhitungan fitness dilakukan pada empat batasan atau constraint yang telah ditentukan dengan rumus pada persamaan I. 3.6 Seleksi Proses seleksi menggunakan metode Elistism yang mana mengurutkan individu berdasar nilai fitness yang tertinggi kemudian memilih individu sesuai ukuran populasi untuk diproses pada generasi selanjutnya. Gambar 6. Antarmuka Algoritme Genetika Gambar 7. Antarmuka Hasil Jadwal Program Screnshoot Hasil Implementasi Implementasi antarmuka untuk sistem penjadwalan mata pelajaran terdiri dari 4 halaman utama, yaitu halaman home, halaman algoritme genetika, halaman hasil jadwal, serta halaman data sekolah. Antarmuka sistem bisa dilihat pada Gambar 5, Gambar 6, Gambar 7, Gambar 8, dan Gambar 9 sebagai berikut. Gambar 8. Antarmuka Hasil Jadwal Program 4 Gambar 5. Antarmuka Home Gambar 9. Antarmuka Data Sekolah
6 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer PENGUJIAN DAN ANALISIS Penelitian ini melakukan tiga pengujian, yaitu pengujian terhadap ukuran populasi, pengujian terhadap jumlah generasi, serta pengujian terhadap nilai cr dan mr. Pengujian dilakukan sebanyak 5 kali percobaan dengan mengambil nilai rata-rata fitness pada semua percobaan yang dilakukan. Pengujian ukuran populasi dilakukan dengan nilai 100, 200, 300, 400, 500, 600, 700, 800, 900, dan Parameter yang digunakan pada pengujian populasi adalah jumlah generasi 500, nilai cr 0,4 dan nilai mr 0,2. Percobaan tersebut menghasilkan nilai rata-rata fitness tertinggi yaitu 0, pada ukuran populasi 600. Grafik pengujian ukuran populasi dapat dilihat pada Gambar 10 sebagai berikut: waktu komputasinya. Saat jumlah generasi 1000 waktu yang dibutuhkan rata-rata 8569,3524 detik. Grafik waktu komputasi pada pengujian jumlah generasi bisa dilihat pada Gambar 12 sebagai berikut: Gambar 12. Grafik Waktu Komputasi Pengujian nilai cr dan mr dilakukan sebanyak 5 kali dengan nilai parameter ukuran populasi 600 dan jumlah generasi Pengujian tersebut menghasilkan nilai cr dan mr yang optimal yaitu 0,5 untuk nilai cr dan 0,5 untuk nilai mr. Grafik pengujian nilai cr dan mr dapat dilihat pada Gambar 13 sebagai berikut. Gambar 10. Grafik Pengujian Ukuran Populasi Pengujian jumlah generasi dilakukan dengan nilai 100, 200, 300, 400, 500, 600, 700, 800, 900, dan Nilai parameter yang digunakan adalah nilai ukuran populasi 600, nilai cr 0,4 dan nilai mr 0,2. Pengujian tersebut menghasilkan nilai rata-rata fitness tertinggi yaitu 0, pada jumlah generasi Grafik pengujian jumlah generasi dapat dilihat pada Gambar 11 sebagai berikut: Gambar 11. Grafik Pengujian Jumlah Generasi Banyaknya jumlah generasi juga mempengaruhi waktu komputasi. Semakin tinggi jumlah generasi maka semakin lama juga Gambar 13. Pengujian Nilai cr dan mr 4.1 Pengujian Parameter dan Analisis Hasil Berdasarkan pengujian ukuran populasi, jumlah generasi, nilai cr dan nilai mr maka didapatkan parameter untuk solusi yang optimal yaitu ukuran populasi 600, jumlah generasi 1000, nilai cr 0,5 dan nilai mr 0,5. Pengujian parameter menghasilkan nilai fitness tertinggi yaitu 0, Detail pelanggaran constraint pada pengujian parameter dapat dilihat pada Tabel 3 sebagai berikut. Tabel 3. Detail Pelanggaran Constraint No. Batasan (Constraint) Nilai Penalti Sistem Nilai Penalti Manual 1. Seorang guru tidak boleh 446 0
7 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1541 No. Batasan (Constraint) Nilai Penalti Sistem mengajar lebih dari 1 kelas dalam waktu yang sama. 2. tidak boleh mengajar lebih dari 3 slot waktu pelajaran di hari dan kelas yang sama. 3. mata pelajaran tidak boleh mengajar di hari yang sama dengan hari Musyawarah Mata Pelajaran (MGMP) dengan ketentuan hari untuk MGMP adalah sebagai berikut : Matematika: hari Rabu Bahasa Inggris: hari Selasa Bahasa Indonesia: hari Senin PKn : hari Senin IPS : hari Kamis IPA : hari Sabtu 4. Mata pelajaran olahraga tidak lebih dari jam Nilai Penalti Manual untuk penjadwalannya. Total Bobot Penalti Nilai Fitness 0, Berdasarkan nilai fitness tertinggi yaitu 0,16208 dari parameter algoritme yang optimal yaitu ukuran populasi 600, jumlah generasi 1000, nilai cr 0,5 dan nilai mr 0,5 menghasilkan solusi jadwal yang belum optimal yang mana masih terjadi pelanggaran pada semua batasan atau constraint yang telah ditentukan. Hal tersebut terjadi karena banyaknya jumlah data yang digunakan untuk proses penjadwalan mata pelajaran SMA Negeri 3 Surakarta. Data jadwal yang berisi informasi guru serta porsi kelas, mata pelajaran yang diampu, serta porsi slot waktu terdapat 748 data untuk program 6 semester dan 86 data untuk program 4 semester. Data tersebut direpresentasikan ke dalam panjang kromosom untuk tiap individu yaitu 748 untuk program 6 semester dan 86 untuk program 4 semester dengan representasi kromosom permutasi. Selisih fitness antara hasil sistem dan hasil manual sangat tinggi. Hal tersebut disebabkan karena proses perhitungan penalti dilakukan dengan menghitung banyak slot waktu apabila terjadi pelanggaran. Individu yang dibangkitkan pada saat proses inisialisasi awal yang sesuai ukuran populasi juga tidak menjamin bahwa susunan gen yang dibangkitkan secara acak tersebut menghasilkan susunan yang baik. Kemampuan algoritme genetika untuk mengeksplorasi tidak efektif karena individu-individu mempunyai tingkat kemiripan yang tinggi. Data dan batasan atau constraint yang banyak tersebut tidak dapat diselesaikan karena ruang pencarian kurang luas padahal untuk proses eksplorasi pada ruang pencarian yang luas memerlukan waktu komputasi yang lebih lama lagi. Oleh sebab itu, nilai fitness yang tinggi dengan solusi yang optimal sulit untuk didapat. Namun, penggunaan algoritme genetika membuat waktu komputasi lebih cepat dibandingkan saat pembuatan jadwal dengan sistem yang kemudian dilakukan secara manual yang memakan berhari-hari. (Sumber: wawancara dengan koordinator pembuat jadwal SMA Negeri 3 Surakarta). 5. KESIMPULAN Berdasarkan penelitian yang telah dilakukan maka dihasilkan kesimpulan sebagai berikut: 1. Algoritme genetika digunakan untuk penjadwalan mata pelajaran SMA Negeri 3 Surakarta. Tahap yang dilakukan dalam mengimplementasi algoritme genetika untuk penjadwalan mata pelajaran SMA Negeri 3 Surakarta, yaitu tahap inisialisasi kromosom, reproduksi (proses crossover dengan metode one-cut point dan proses mutasi dengan metode reciprocal exchange), evaluasi nilai fitness, dan seleksi dengan metode elitism. Kromosom yang dipakai dengan representasi permutasi yang mana diisi kode data pembagian jadwal tiap guru. Kode data pembagian jadwal tiap guru tersebut berisi informasi tentang nama guru, kode guru, kelas yang diampu, porsi jam, serta kode mata pelajaran. Kromosom terdiri dari 2 segmen yaitu untuk program 4 semester dengan panjang kromosom 86 dan program 6 semester dengan panjang kromosom 748. Solusi yang optimal didapat dari nilai fitness yang tertinggi sehingga menghasilkan jadwal mata pelajaran yang tidak terdapat pelanggaran batasan atau constraint aturan penjadwalan yang telah ditetapkan. 2. Berdasarkan hasil pengujian parameter algoritme genetika dihasilkan ukuran populasi terbaik sebesar 1000, jumlah generasi terbaik sebesar 100, nilai cr terbaik sebesar 0,3, dan nilai mr terbaik sebesar 0,7. Penggunaan parameter tersebut menghasilkan solusi optimal dengan nilai fitness sebesar 0, Namun jadwal yang dihasilkan belum optimal karena masih terjadi pelanggaran pada batasan atau constraint.
8 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer DAFTAR PUSTAKA Benli, Ö. S., & Botsali, A. R., Timetabling problem. [Online] tersedia di: html [diakses pada 4 September 2016]. Entin, Teori Algoritma Genetika. [Online] tersedia di: entin.lecturer.pens.ac.id [diakses pada 4 September 2016]. Ilmi, R.R Optimasi Penjadwalan Perawat Menggunakan Algoritma Genetika. Malang. Fakultas Ilmu Komputer Universitas Brawijaya. Lokesh Kumar, et al Exam Time Table Scheduling using Genetic Algorithm. ER Publications. ISSN. Mahmudy, W.F Algoritma Evolusi. Malang: Universitas Brawijaya. Nugraha, Ivan Aplikasi Algoritma Genetik untuk Optimasi Penjadwalan Kegiatan Belajar Mengajar. Bandung: Institut Teknologi Bandung. Nursyamsudin Panduan Pelaksanaan Satuan Kredit (SKS) di SMA. Jakarta: Kementrian Pendidikan dan Kebudayaan. Permata Sari, D.D Optimasi Penjadwalan Mata Pelajaran Menggunakan Algoritma Genetika (Studi Kasus: SMPN 1 Gondang Mojokerto). Malang: Fakultas Ilmu Komputer Universitas Brawijaya. Seisarrina, Maulidya L Penjadwalan Pengawas Ujian Menggunakan Algoritma Genetika. Malang: Fakultas Ilmu Komputer Universitas Brawijaya. Sivanandam, S.N., & Deepa, S.N Introduction to Genetic Algorithms. New York: Springer Berlin Heidelberg. Trawinski, et al Truck Loading Schedule Optimation Using Genetic Algorithm for Yard Management. Polandia. Wroclaw University of Technology.
TEKNIK 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 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 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 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 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 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 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 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 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 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 terperinciArif Munandar 1, Achmad Lukman 2 1 Teknik Informatika STMIK El Rahma Yogyakarta, Teknik Informatika STMIK El Rahma Yogyakarta
PENJADWALAN MATAKULIAH DENGAN ALGORITMA GENETIKA MENGGUNAKAN FRAMEWORK CODEIGNITER (STUDI KAUS PROGRAM STUDI S PENDIDIKAN AGAMA ISLAM UNIVERSITAS ALMA ATA YOGYAKARTA) Arif Munandar, Achmad Lukman 2 Teknik
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 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 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 terperinciOptimasi Penjadwalan Moving Class Menggunakan Algoritma Genetika (Studi Kasus: SMA Negeri 1 Turatea)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 4, Juli 2018, hlm. 1768-1777 http://j-ptiik.ub.ac.id Optimasi Penjadwalan Moving Class Menggunakan Algoritma Genetika
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 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 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 I PENDAHULUAN. sejumlah aktivitas kuliah dan batasan mata kuliah ke dalam slot ruang dan waktu
18 BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Penjadwalan merupakan kegiatan administrasi utama di berbagai institusi. Masalah penjadwalan merupakan masalah penugasan sejumlah kegiatan dalam periode
Lebih 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 terperinciPerancangan Sistem Penjadwalan Asisten Dosen Menggunakan Algoritma Genetika (Studi Kasus: STIKOM Bali)
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Perancangan Sistem Penjadwalan Asisten Dosen Menggunakan Algoritma Genetika (Studi Kasus: STIKOM Bali) I Made Budi Adnyana
Lebih 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 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 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 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 terperinciSatrio Agung Wicaksono 1, R. Arief Setiyawan 1, Budi Darma Setiyawan 1, Ari Hernawan 1, Rizal Setya Perdana 1
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol. 1, No. 2, Oktober 214 hlm. 78-82 PENJADWALAN PERKULIAHAN DENGAN PENDEKATAN EVOLUTIONARY ALGORITHM (STUDI KASUS: SISTEM INFORMASI AKADEMIK (SIAKAD)
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 terperinciPENGGABUNGAN ALGORITMA GENETIKA DENGAN TABU SEARCH UNTUK PENGEMBANGAN METODE PENJADWALAN MATA KULIAH DI UNIVERSITAS SEBELAS MARET SURAKARTA SKRIPSI
PENGGABUNGAN ALGORITMA GENETIKA DENGAN TABU SEARCH UNTUK PENGEMBANGAN METODE PENJADWALAN MATA KULIAH DI UNIVERSITAS SEBELAS MARET SURAKARTA SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Mencapai Gelar
Lebih terperinciPENJADWALAN PERKULIAHAN MENGGUNAKAN ALGORITME GENETIKA
PENJADWALAN PERKULIAHAN MENGGUNAKAN ALGORITME GENETIKA Muhammad Syadid 1, Irman Hermadi 2, Sony Hartono Wijaya 2 1 Mahasiswa Departemen Ilmu Komputer, Fakultas Matematika dan IPA, Institut Pertanian Bogor
Lebih terperinciOptimasi Penjadwalan Damping Mahasiswa Difabel Menggunakan Algoritma Genetika (Studi Kasus PSLD Universitas Brawijaya)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 9, Juni 2017, hlm. 774-782 http://j-ptiik.ub.ac.id Optimasi Penjadwalan Damping Mahasiswa Difabel Menggunakan Algoritma
Lebih terperinciBAB 1 PENDAHULUAN. disebut Univesitas Timetabling Problems (UTP). Permasalahan ini dilihat dari sisi
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Penjadwalan perkuliahan merupakan suatu masalah yang sangat kompleks yang sering disebut Univesitas Timetabling Problems (UTP). Permasalahan ini dilihat dari sisi
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK MENYELESAIKAN PERMASALAHAN PENJADWALAN DOSEN DENGAN FUZZY
PENERAPAN ALGORITMA GENETIKA UNTUK MENYELESAIKAN PERMASALAHAN PENJADWALAN DOSEN DENGAN FUZZY Arief Kelik Nugroho Fakultas Teknik, Universitas PGR Yogyakarta e-mail : ariefkeliknugroho@gmail.com Abstrak
Lebih terperinciPenerapan Konsep Algoritma Genetika untuk Penjadwalan Kegiatan Perkuliahan Semester Ganjil Kurikulum 2012 di Jurusan Matematika FMIPA UNSRI
Jurnal Penelitian Sains Volume 15 Nomor 2(A) April 2012 Penerapan Konsep Algoritma Genetika untuk Penjadwalan Kegiatan Perkuliahan Semester Ganjil Kurikulum 2012 di Jurusan Matematika FMIPA UNSRI Putra
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 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 terperinciTAKARIR. algorithm algoritma/ kumpulan perintah untuk menyelesaikan suatu masalah. kesalahan program
TAKARIR advanced tingkat lanjut algorithm algoritma/ kumpulan perintah untuk menyelesaikan suatu masalah alleles nilai suatu gen. bug kesalahan program chromosome kromosom crossover penyilangan kromosom
Lebih terperinciImplementasi Algoritma Genetika Untuk Penjadwalan Customer Service (Studi Kasus: Biro Perjalanan Kangoroo)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol., No. 6, Juni 207, hlm. 456-465 http://j-ptiik.ub.ac.id Implementasi Algoritma Genetika Untuk Penjadwalan Customer Service
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 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 terperinciOptimasi distribusi barang dengan algoritma genetika
Optimasi distribusi barang dengan algoritma genetika Yasmin Ghassani Panharesi 1, Wayan Firdaus Mahmudy 2 Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email : yasminghassani@gmail.com 1,
Lebih terperinciPENGEMBANGAN APLIKASI PENJADWALAN KULIAH SEMESTER I MENGGUNAKAN ALGORITMA GENETIKA
PENGEMBANGAN APLIKASI PENJADWALAN KULIAH SEMESTER I MENGGUNAKAN ALGORITMA GENETIKA Bagus Priambodo Program Studi Sistem Informasi Fakultas Ilmu Komputer Universitas Mercu Buana e- mail : bagus.priambodo@mercubuana.ac.id
Lebih terperinciPENJADWALAN KULIAH DENGAN MENGGUNAKAN ALGORITMA GENETIKA STUDI KASUS FAKULTAS TEKNIK UNIVERSITAS SUMATERA UTARA TESIS
PENJADWALAN KULIAH DENGAN MENGGUNAKAN ALGORITMA GENETIKA STUDI KASUS FAKULTAS TEKNIK UNIVERSITAS SUMATERA UTARA TESIS Oleh: PURWANTO SIMAMORA 097034013/MTE FAKULTAS TEKNIK UNIVERSITAS SUMATERA UTARA MEDAN
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 terperinciPENEMPATAN MAHASISWA PESERTA MATA KULIAH UMUM DENGAN ALGORITMA GENETIK DI UNIVERSITAS KATOLIK PARAHYANGAN
PENEMPATAN MAHASISWA PESERTA MATA KULIAH UMUM DENGAN ALGORITMA GENETIK DI UNIVERSITAS KATOLIK PARAHYANGAN Nico Saputro dan Guntur Setia Negara Jurusan Ilmu Komputer Universitas Katolik Parahyangan nico@home.unpar.ac.id
Lebih terperinciRANCANG BANGUN PERANGKAT LUNAK PENJADWALAN PERKULIAHAN MENGGUNAKAN METODE META- HEURISTIK (PENGGABUNGAN METODE ALGORITMA GENETIK DAN TABU SEARCH)
RANCANG BANGUN PERANGKAT LUNAK PENJADWALAN PERKULIAHAN MENGGUNAKAN METODE META- HEURISTIK (PENGGABUNGAN METODE ALGORITMA GENETIK DAN TABU SEARCH) TUGAS AKHIR Disusun Oleh : RIO PRAYOGA SUPRAYANA NPM. 06
Lebih terperinciPENERAPAN METODE ALGORITMA GENETIKA UNTUK PERMASALAHAN PENJADWALAN PERAWAT (Nurse Schedulling Problem)
INFO TEKNIK Volume 16 No. 1 Juli 2015 (61-74) PENERAPAN METODE ALGORITMA GENETIKA UNTUK PERMASALAHAN PENJADWALAN PERAWAT (Nurse Schedulling Problem) Nadiya Hijriana Program Studi Teknik Informatika Universitas
Lebih terperinciPREPROCESSING DATA DAN REPRESENTASI ORGANISME ALGORITMA SYMBIOTIC ORGANISMS SEARCH PADA PERMASALAHAN PENJADWALAN PRAKTIKUM PERGURUAN TINGGI
PREPROCESSING DATA DAN REPRESENTASI ORGANISME ALGORITMA SYMBIOTIC ORGANISMS SEARCH PADA PERMASALAHAN PENJADWALAN PRAKTIKUM PERGURUAN TINGGI Hendrawan Armanto 1), C. Pickerling 2), Eka Rahayu Setyaningsih
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 terperinciPENJADWALAN UJIAN AKHIR SEMESTER DENGAN ALGORITMA GENETIKA (STUDI KASUS JURUSAN TEKNIK INFORMATIKA UNESA)
Penjadwalan Ujian Akhir Semester dengan Algoritma Genetika PENJADWALAN UJIAN AKHIR SEMESTER DENGAN ALGORITMA GENETIKA (STUDI KASUS JURUSAN TEKNIK INFORMATIKA UNESA) Anita Qoiriah Jurusan Teknik Informatika,
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 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 terperinciALGORITMA GENETIKA PADA PEMROGRAMAN LINEAR DAN NONLINEAR
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 5, No. 03(2016), hal 265 274. ALGORITMA GENETIKA PADA PEMROGRAMAN LINEAR DAN NONLINEAR Abdul Azis, Bayu Prihandono, Ilhamsyah INTISARI Optimasi
Lebih terperinciIMPLEMENTASI ALGORITMA GENETIKA PADA PENJADWALAN PERKULIAHAN
IMPLEMENTASI ALGORITMA GENETIKA PADA PENJADWALAN PERKULIAHAN Uning Lestari 2, Naniek Widyastuti 3, Desti Arghina Listyaningrum 1 1,2,3 Teknik Informatika, Fakultas Teknologi Industri, IST AKPRIND Yogyakarta
Lebih terperinci1. Pendahuluan 1.1. Latar Belakang
1. Pendahuluan 1.1. Latar Belakang Perkembangan teknologi informasi yang begitu pesat sekarang ini memberikan dampak yang besar terhadap kinerja manusia khususnya dalam bekerja. Segala sesuatu yang dahulu
Lebih terperinciSISTEM PENJADWALAN PERKULIAHAN MENGGUNAKAN ALGORITMA GENETIKA (STUDI KASUS PADA JURUSAN TEKNOLOGI INFORMASI FAKULTAS TEKNIK UNIVERSITAS TADULAKO)
JIMT Vol. 14 No. 2 Desember 2017 (Hal 242-255) ISSN : 2450 766X SISTEM PENJADWALAN PERKULIAHAN MENGGUNAKAN ALGORITMA GENETIKA (STUDI KASUS PADA JURUSAN TEKNOLOGI INFORMASI FAKULTAS TEKNIK UNIVERSITAS TADULAKO)
Lebih terperinciPENERAPAN ALGORITMA GENETIKA DALAM KASUS PENJADWALAN KULIAH SKRIPSI VALENTINA SIAHAAN
PENERAPAN ALGORITMA GENETIKA DALAM KASUS PENJADWALAN KULIAH SKRIPSI VALENTINA SIAHAAN 070823035 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA MEDAN 2010
Lebih terperinciPencarian Rute Optimum Menggunakan Algoritma Genetika
Jurnal Teknik Elektro Vol. 2, No. 2, September 2002: 78-83 Pencarian Rute Optimum Menggunakan Algoritma Genetika Anies Hannawati, Thiang, Eleazar Fakultas Teknologi Industri, Jurusan Teknik Elektro, Universitas
Lebih terperinciPenjadwalan Dinas Pegawai Menggunakan Algoritma Evolution Strategies pada PT. Kereta Api Indonesia (KAI) DAOP 7 Stasiun Besar Kediri
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 8, Agustus 2018, hlm. 2473-2479 http://j-ptiik.ub.ac.id Penjadwalan Dinas Pegawai Menggunakan Algoritma Evolution
Lebih terperinciABSTRAK. Kata kunci : Algoritma Genetik, Penjadwalan. i Universitas Kristen Maranatha
ABSTRAK Aplikasi penjadwalan sidang otomatis di Fakultas Teknologi Informasi Universitas Kristen Maranatha ini dibuat dengan tujuan untuk melakukan pengembangan dan optimasi terhadap aplikasi penjadwalan
Lebih terperinciPenjadwalan Mata Kuliah Menggunakan Algoritma Genetika di Jurusan Sistem Informasi ITS
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) A-127 Mata Kuliah Menggunakan Algoritma Genetika di Jurusan Sistem Informasi ITS Wiga Ayu Puspaningrum, Arif Djunaidy, dan Retno
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 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 terperinciDAFTAR ISI. viii. LEMBAR PENGESAHAN... i. PERNYATAAN ORISINALITAS LAPORAN PENELITIAN... ii. PERNYATAAN PUBLIKASI LAPORAN PENELITIAN...
ABSTRAK Salah satu algoritma yang dapat dipakai untuk memecahkan permasalahan penjadwalan kuliah adalah algoritma genetika. Algoritma genetika merupakan teknik pencarian pemecahan masalah yang berusaha
Lebih terperinciBAB II LANDASAN TEORI
27 BAB II LANDASAN TEORI 2.1. Penelitian Terkait Penelitian terkait yang menggunakan algoritma genetika untuk menemukan solusi dalam menyelesaikan permasalahan penjadwalan kuliah telah banyak dilakukan.
Lebih terperinciOPTIMASI PENJADWALAN PERAWAT MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI PENJADWALAN PERAWAT MENGGUNAKAN ALGORITMA GENETIKA Rifqy Rosyidah Ilmi 1, Wayan Firdaus Mahmudy 2, Dian Eka Ratnawati 2 1 Mahasiswa, 2 Dosen Pembimbing Informatika, Fakultas Ilmu Komputer, Universitas
Lebih 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 terperinciSeminar 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,
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 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 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 terperinciCrossover Probability = 0.5 Mutation Probability = 0.1 Stall Generation = 5
oleh pengguna sistem adalah node awal dan node tujuan pengguna. Lingkungan Pengembangan Sistem Implementasi Algoritme Genetika dalam bentuk web client menggunakan bahasa pemrograman PHP dan DBMS MySQL.
Lebih terperinciOptimasi Menu Makanan Untuk Pemenuhan Gizi Penderita Kanker Dengan Algoritme Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 12, Desember 2017, hlm. 1850-1857 http://j-ptiik.ub.ac.id Optimasi Menu Makanan Untuk Pemenuhan Gizi Penderita Kanker
Lebih terperinciBab 1. Pendahuluan. 1.1 Latar Belakang
Bab 1 Pendahuluan 1.1 Latar Belakang Pentingnya suatu jadwal dalam sebuah kegiatan tidak lain agar kegiatan tersebut berjalan dengan lancar tanpa adanya gangguan seperti bentroknya jadwal. Penyusunan jadwal
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK PENJADWALAN UJIAN TUGAS AKHIR PADA JURUSAN TEKNIK INFORMATIKA UNIVERSITAS MUHAMMADIYAH MALANG
PENERAPAN ALGORITMA GENETIKA UNTUK PENJADWALAN UJIAN TUGAS AKHIR PADA JURUSAN TEKNIK INFORMATIKA UNIVERSITAS MUHAMMADIYAH MALANG TUGAS AKHIR Sebagai Persyaratan Guna Meraih Sarjana Strata 1 Teknik Informatika
Lebih terperinciPenggunaan Algoritma Genetik dengan Pemodelan Dua Tingkat dalam Permasalahan Penjadwalan Perawat pada Unit Gawat Darurat Rumah Sakit Umum XYZ Surabaya
Penggunaan Algoritma Genetik dengan Pemodelan Dua Tingkat dalam Permasalahan Penjadwalan Perawat pada Unit Gawat Darurat Rumah Sakit Umum XYZ Surabaya Oleh: Anisa Ulya 5206 100 101 Dosen pembimbing 1:
Lebih 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 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 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 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 terperinciIMPLEMENTASI METODE ALGORITMA GENETIKA PADA APLIKASI OTOMASI PENJADWALAN PERKULIAHAN ANDRE ARSYAN JORDIE
IMPLEMENTASI METODE ALGORITMA GENETIKA PADA APLIKASI OTOMASI PENJADWALAN PERKULIAHAN ANDRE ARSYAN JORDIE 1112001029 PROGRAM STUDI INFORMATIKA FAKULTAS TEKNIK DAN ILMU KOMPUTER UNIVERSITAS BAKRIE JAKARTA
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
digilib.uns.ac.id BAB I PENDAHULUAN 1.1 Latar Belakang Jadwal merupakan daftar atau tabel kegiatan atau rencana kegiatan dengan pembagian waktu pelaksanaan yang terperinci. Universitas menggunakan tabel
Lebih terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) 45 Edisi... Volume..., Bulan 20.. ISSN :
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) 45 IMPLEMENTASI ALGORITMA GENETIKA UNTUK PENJADWALAN MATA PELAJARAN DI SMAN 1 CIWIDEY Rismayanti 1, Tati Harihayati 2 Teknik Informatika Universitas Komputer
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 terperinciMENGUKUR KINERJA ALGORITMA GENETIK PADA PEMAMPATAN MATRIKS JARANG
MENGUKUR KINERJA ALGORITMA GENETIK PADA PEMAMPATAN MATRIKS JARANG Nico Saputro dan Joice Aritonang Email : nico@home.unpar.ac.id, jo_aritonang@yahoo.com A matrix that has lots of zero elements is called
Lebih terperinciKONSEP ALGORITMA GENETIK BINER UNTUK OPTIMASI PERENCANAAN JADWAL KEGIATAN PERKULIAHAN
Jurnal Teknik dan Ilmu Komputer KONSEP ALGORITMA GENETIK BINER UNTUK OPTIMASI PERENCANAAN JADWAL KEGIATAN PERKULIAHAN (Binary Genetic Algorithm Concept to Optimize Course Timetabling) Iwan Aang Soenandi
Lebih 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 terperinciPenerapan Evolution Strategies untuk Optimasi Travelling Salesman Problem With Time Windows pada Sistem Rekomendasi Wisata Malang Raya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 7, Juli 2018, hlm. 2487-2493 http://j-ptiik.ub.ac.id Penerapan Evolution Strategies untuk Optimasi Travelling Salesman
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 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 terperinciABSTRAK. Kata kunci: Optimasi Penjadwalan, Algoritma Genetik
ABSTRAK Fakultas Informasi Teknologi Universitas Kristen Maranatha saat ini masih melakukan penjadwalan penggunaan ruangan laboratorium secara manual. Penjadwalan penggunaan ruangan laboratorium memiliki
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 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 terperinciISSN IMPLEMENTASI ALGORITMA GENETIKA UNTUK PENJADWALAN INSTRUKTUR TRAINING ICT UIN SUNAN KALIJAGA
JISKa, Vol. 1, No. 3, Januari, 2017, Pp. 123 132 ISSN 2527-5836 IMPLEMENTASI ALGORITMA GENETIKA UNTUK PENJADWALAN INSTRUKTUR TRAINING ICT UIN SUNAN KALIJAGA Niki Min Hidayati Robbi (1), Nurochman (2),
Lebih terperinciPendekatan Algoritma Genetika pada Peminimalan Fungsi Ackley menggunakan Representasi Biner
Vol. 7, 2, 108-117, Januari 2011 Pendekatan Algoritma Genetika pada Peminimalan Fungsi Ackley menggunakan Representasi Biner Jusmawati Massalesse Abstrak Tulisan ini dimaksudkan untuk memperlihatkan proses
Lebih terperinciBAB 1 PENDAHULUAN. manfaatnya meliputi segala aspek kehidupan manusia. agar tujuan tercapai merupakan hal yang penting dalam masalah penjadwalan.
11 BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi komputer yang pesat saat ini memberikan banyak kemudahan dalam penyelesaian masalah dan pencapaian hasil kerja yang memuaskan bagi kehidupan
Lebih terperinciPERANCANGAN APLIKASI PENJADWALAN KERETA API DENGAN MENGGUNAKAN ALGORITMA GENETIKA (Studi Kasus: Stasiun Kereta Api Bandar Khalipah Medan)
PERANCANGAN APLIKASI PENJADWALAN KERETA API DENGAN MENGGUNAKAN ALGORITMA GENETIKA (Studi Kasus: Stasiun Kereta Api Bandar Khalipah Medan) Nurhamidah Lubis 1, Garuda Ginting 2 Mahasiswa Teknik Informatika
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 terperinciAlgoritma Evolusi Evolution Strategies (ES)
Algoritma Evolusi Evolution Strategies (ES) Imam Cholissodin imam.cholissodin@gmail.com Pokok Bahasan 1. Struktur Dasar Evolution Strategies (ES) 2. Siklus ES (µ, λ) 3. Siklus ES (µ/r + λ) 4. Studi Kasus
Lebih terperinci