Optimasi Penataan Barang pada Proses Distribusi Menggunakan Algoritme Evolution Strategies
|
|
- Hadi Susanto
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X Vol. 2, No. 5, Mei 2018, hlm Optimasi Penataan Barang pada Proses Distribusi Menggunakan Algoritme Evolution Strategies Rani Kurnia 1, Wayan Firdaus Mahmudy 2 Program Studi Teknik Informatika, 1 anarani.zaman@gmail.com, 2 wayanfm@ub.ac.id Abstrak Distribusi merupakan salah satu proses penting dalam kegiatan industri, termasuk distribusi barang. Namun sayangnya, proses ini merupakan salah satu proses yang memakan banyak biaya. Oleh karena itu diperlukan suatu pengaturan yang baik agar dapat menekan biaya dalam proses tersebut. Salah satunya adalah dengan penataan barang secara optimal dalam kendaraan. Permasalahan optimasi penataan barang ini dapat diselesaikan menggunakan algoritme evolution strategies, dimana algoritme ini dikenal sebagai algoritme sederhana yang dapat menyelesaikan masalah yang kompleks. Dalam kasus ini proses algoritme evolution strategies diawali dengan membangkitkan individu acak, lalu proses mutasi, kemudian proses penataan barang untuk mendapatkan fitness dan diakhiri dengan proses seleksi untuk mendapatkan individu terbaik. Berdasarkan hasil pengujian penataan barang yang telah dilakukan terhadap 50 barang diperoleh parameter optimal populasi sebesar 60, lambda 18, offspring 18μ, dan generasi 15 dengan rata-rata nilai fitness sebesar 2,404. Hasil akhir yang diperoleh merupakan pola susunan barang yang optimal untuk digunakan dalam proses penataan barang dalam kendaraan. Kata kunci: Algoritme Evolution Strategies, optimasi, industri, penataan barang, distribusi Abstract Distribution is the one of important processes in industrial activities such as goods s distribution. But unfortunately, this process is one of processes that spend much expense. Then it be required a great management to minimize costs for that s process. One of them is to optimization the goods organize management. Optimization problem of goods organize management can be solved using evolution strategies algorithm that known as a simple algorithm that can be solved a complex problems. In this case, evolution strategies algorithm start with raising the random individu, then mutation process, then do the goods organize management process to get the fitness result and close with selection process to get the great individu. Based on the test of goods organize management that have been process with 50 goods, it get the optimal parameter consist of population 60, lambda 18, offspring 18μ, and generation 15 with the fitness s average is 2,404. The final result of this experiment is a scheme of the optimal solution for goods organize management in vehicle. Keywords: Evolution Strategies algorithm, optimization, industry, goods organize management, distribution 1. PENDAHULUAN Sektor industri merupakan salah satu sektor yang memiliki peranan penting untuk meningkatkan pertumbuhan ekonomi suatu negara. Menurut data statistik Kementerian Perindustrian, pada tahun 2015 laju pertumbuhan industri pengolahan non migas di Indonesia mencapai angka 5,04 persen (Biro Perencanaan, 2016). Dengan angka tersebut sektor industri telah berkontribusi terhadap pendapatan domestik bruto sebesar 18,18 persen atau setara dengan nilai Rp triliun (Biro Perencanaan, 2016). Pada sektor industri, transportasi merupakan salah satu faktor penting yang mendukung terlaksananya kegiatan dengan baik (Adni, dkk., 2012). Dengan semakin berkembangnya industri di Indonesia, tentunya dibutuhkan pula pengaturan transportasi yang baik sehingga dapat mengimbangi laju industri yang ada. Untuk memperoleh keuntungan yang optimal, perusahaan sebagai salah satu industri harus menekan biaya transportasi seminimal mungkin, Fakultas Ilmu Komputer Universitas Brawijaya 1874
2 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1875 karena biaya transportasi pengiriman barang merupakan salah satu faktor penyebab besarnya pengeluaran perusahaan (Adni, dkk., 2012). Untuk menekan biaya transportasi, perusahaan dapat memaksimalkan daya tampung kendaraan yang digunakan untuk melakukan distribusi barang. Namun pada kenyataanya, penyusunan barang yang dilakukan secara manual akan menghabiskan waktu yang cukup lama, oleh karena itu perlu adanya penelitian dan pengadaan suatu aplikasi yang dapat menunjukkan pola susunan barang dalam kendaraan, sehingga dapat memanfaatkan ruang kosong secara optimal. Penelitian tentang penyusunan barang pada kontainer pernah dilakukan Farosanti (2015) menggunakan algoritme Genetika. Kontainer disajikan dalam bentuk tiga dimensi dan barang yang disusun merupakan balok dengan tinggi, lebar, dan panjang tertentu. Pada penelitian ini, penulis mengajukan algoritme Evolution Strategies (ES) sebagai algoritme yang digunakan dalam menyelesaikan permasalahan penyusunan barang dalam kendaraan. Algoritme ini termasuk dalam algorima heuristik yang dapat menghasilkan solusi yang mendekati optimal pada suatu permasalahan yang kompleks dengan waktu yang relatif singkat (Mahmudy, 2015). Algoritme ini merupakan bagian dari algoritme evolusi yang telah banyak menyelesaikan berbagai permasalahan misalnya pada permasalahan distribusi dan penjadwalan (Mahmudy, 2015). Pada penelitian yang telah lalu, algoritme Evolution Strategies pernah digunakan Milah dan Mahmudy (2015) untuk menyelesaikan permasalahan optimasi komposisi pakan ternak sapi potong. Dari penelitian tersebut, didapatkan hasil rekomendasi komposisi pakan ternak yang optimal. Berdasarkan uraian di atas, maka penulis mengajukan penelitian dengan judul Optimasi Penataan Barang pada Proses Distribusi menggunakan Algoritme Evolution Strategies. 2. BATASAN MASALAH Penelitian ini berfokus pada beberapa batasan sebagai berikut: 1. Barang yang disusun merupakan barang yang telah dikemas dalam bentuk kubus atau balok. 2. Barang yang disusun berjumlah banyak, sehingga sulit untuk disusun secara manual. 3. Barang yang disusun dapat dirotasi dengan 6 posisi rotasi. 4. Penyusunan barang hanya dapat dilakukan secara vertikal dan/atau horizontal. 5. Kendaraan pengangkut barang yang digunakan adalah kendaraan berbentuk box. 6. Proses penataan barang akan diutamakan pada bagian depan kendaraan. 7. Berat total barang yang disusun tidak melebihi beban maksimum yang dapat ditampung kendaraan. 8. Ukuran barang lebih kecil atau sama dengan ukuran kendaraan. 9. Ketika disusun, ukuran panjang, lebar, tinggi barang tidak boleh melebihi ukuran panjang, lebar, tinggi kendaraan. 10. Algoritma yang digunakan adalah algoritma evolution strategies. 11. Pengaplikasian program menggunakan bahasa java. 3. KAJIAN TEORI Penelitian ini mengambil beberapa teori yaitu tentang penataan barang dan algoritme evolution strategies. 3.1 Penataan Barang Permasalahan penataan barang berkaitan dengan dua objek yaitu kendaraan dan barang. Permasalahan kendaraan berkaitan dengan jumlah maksimal barang yang dapat ditampung, sedangkan permasalahan pada barang berkaitan dengan tata letak barang. Kendaraan pengangkut barang memiliki ukuran panjang, lebar dan tinggi tertentu. Jika digambarkan dalam bentuk vektor akan terlihat seperti Gambar 1. Gambar 1. Penampakan kendaraan Sumber: Gazali & Manik (2010) Barang yang dimasukkan ke dalam kendaraan berbentuk balok dan memiliki ukuran panjang, tinggi, dan lebar yang berbeda. Sehingga barangbarang tersebut perlu diatur sedemikian rupa sehingga kontainer dapat memuat banyak barang dan dapat memaksimalkan ruang kosong yang
3 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1876 ada. Untuk mengatur posisinya, barang-barang tersebut dapat dirotasi menjadi enam kemungkinan seperti yang ditunjukkan pada Gambar 2. solusi (Mahmudy, 2015). 4. METODOLOGI PENELITIAN Penelitian ini termasuk dalam penelitian implementatif dengan pendekatan perancangan, penelitian ini mencakup proses analisis, perancangan hingga pengujian. Tahap penelitian ini ditunjukkan pada Gambar 3. Gambar 2. Kemungkinan rotasi barang Sumber: Gazali & Manik (2010) 3.2 Algoritme Evolution Strategies Algoritme evolution strategies merupakan salah satu jenis Algoritme evolusi, yaitu algoritme yang menerapkan metode heuristik untuk memperoleh solusi yang lebih baik daripada solusi sebelumnya (Mahmudy, 2015). Metode ini memungkinkan suatu algoritme untuk menghasilkan solusi yang mendekati optimum dalam waktu yang relatif singkat. Algoritme evolusi merupakan algoritme optimasi yang yang mengadopsi proses evolusi pada kehidupan nyata sebagai metode dalam pencarian solusi optimalnya (Mahmudy, 2015). Pada algoritme ini digambarkan bahwa dalam suatu permasalahan terdiri dari beberapa individu induk (parent) pada sebuh populasi, yang kemudian bereproduksi membentuk individu anak (offspring). Masing-masing individu tersebut memiliki nilai fitness sebagai pembanding antara individu satu dengan individu lainnya. Setelah proses reproduksi, individu-individu tersebut mengalami proses seleksi dalam beberapa generasi hingga akhirnya terbentuk individu terbaik dengan nilai fitness terbaik. Individu terbaik ini merupakan representasi dari solusi hasil perhitungan yang dilakukan (Mahmudy, 2015). Ciri utama dari algoritme Evolution Strategies adalah representasi solusi yang berupa bilangan pecahan. Algoritme ini menggunakan proses mutasi sebagai operator reproduksi utama dan dibantu oleh mekanisme self-adaptation untuk mengontrol perubahan nilai parameter Gambar 3. Tahap penelitian Pada proses studi literatur, dilakukan pengumpulan literatur yang sesuai dengan permasalahan yang diteliti dan metode yang digunakan. Pada proses analisis, dilakukan formulasi terhadap permasalahan yang ada. Setelah proses analisis selesai, selanjutnya dilakukan siklus penyelesaian masalah menggunakan algoritma evolution stategies. Proses ini termasuk dalam proses perancangan. Selanjutnya dilakukan proses pengujian dengan membandingkan parameter algoritma heuristis yang menghasilkan solusi terbaik. 5. PERHITUNGAN MENGGUNAKAN ALGORITME EVOLUTION STRATEGIES Dalam melakukan perhitungan, parameter yang digunakan adalah miu (μ) untuk menyatakan banyaknya individu yang ada dalam populasi dan lambda (λ) untuk menyatakan banyaknya offspring yang akan dihasilkan. Dimana banyaknya offspring adalah banyaknya μ dikali λ (Mahmudy, 2015). Terdapat beberapa langkah dalam menyelesaikan perhitungan menggunakan Algoritme evolution strategies. Langkah penyelesaian permasalahan penataan barang menggunakan algoritme evolution strategies ditunjukkan pada Gambar 4.
4 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1877 Gambar 5. Ilustrasi kromosom Gambar 6. Contoh kromosom Usai pembentukan populasi awal, dilakukan proses reproduksi dengan menggunakan mutasi. Untuk mendapatkan individu hasil mutasi, digunakan Persamaan (1) dan Persamaan (2). xi = xi + i N(0,1) (1) Gambar 4. Langkah perhitungan algoritme Evolution Strategies Untuk menyelesaikan permasalahan dimulai dengan memasukkan data barang, data kendaraan, dan parameter algoritme evolution strategies. Selanjutnya pembentukan populasi awal dengan membangkitkan kromosom sesuai dengan nilai parameter yang telah dimasukkan. Representasi kromosom yang digunakan adalah representasi integer. Kromosom pada satu individu terdiri dari gen yang mewakili kode barang, dan gen yang mewakili posisi rotasi barang. Panjang kromosom yang dihasilkan dari gen-gen tersebut adalah 2 kali banyaknya barang yang akan disusun (misalkan hasilnya adalah e satuan) kemudian dijumlahkan dengan banyaknya sigma (parameter tambahan yang melekat pada setiap kromosom). Banyaknya sigma yang terbentuk sesuai dengan banyaknya e. Ilustrasi penempatan kode barang dan angka rotasinya ditunjukkan oleh Gambar 5 dan Gambar 6. N( 0,1) 2.ln r.sin r (2) 1 2 dengan x i adalah gen parent, x i adalah gen hasil mutasi, i adalah nilai sigma, N(0,1) adalah bilangan acak yang didapat dari sebaran normal dengan rata-rata 0 dan standart deviasinya 1, dan r 1 dan r 2 adalah bilangan acak pada interval 0 hingga 1 (Mahmudy, 2015). Setelah mendapatkan individu hasil mutasi, kemudian menghitung nilai fitness menggunakan Persamaan (3). fitness i = ( f(x) i ) + ( w(x) i v k = ( n i=1 ( p i l i t i x i ) ( n i=1 x i n 2 n i=1 ) + ( x i ) w k n ) + ( n i=1 (w i t i x i ) v k w k ) + ) (3) dengan p i, l i, t i, dan w i merupakan panjang, lebar, tinggi, dan berat barang, v k, dan w k merupakan volume dan beban maksimum kendaraan, dan x i merupakan variabel yang menyatakan masuk tidaknya barang (Farosanti, 2015). Setelah menghitung nilai fitness setiap individu, kemudian dilanjutkan dengan proses seleksi menggunakan metode elitism selection. Proses reproduksi hingga seleksi ini akan terus berlangsung hingga keadaan berhenti tercapai dan diperoleh individu pertama hasil seleksi yang pada generasi terakhir sebagai individu dengan kromosom terbaik. Kondisi berhenti tercapai apabilai terlah mencapai salah
5 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1878 satu kriteria berikut (Mahmudy, 2015): 1. Iterasi telah mencapai generasi ke-n yang telah ditentukan sebelumnya. 2. Tidak dijumpai solusi yang lebih baik setelah n generasi berurutan. 3. Iterasi telah berlangsung dalam t satuan waktu. Dimana nilai t merupakan nilai satuan waktu yang telah ditentukan sebelumnya. 6. ARSITEKTUR SISTEM Implementasi program ini menggunakna bahasa pemrograman java dengan struktur class utama ditunjukkan pada Gambar PENGUJIAN DAN PEMBAHASAN Pengujian algoritme evolution strategies meliputi pengujian populasi, banyaknya offspring, dan jumlah generasi. Pengujian ini dilakukan menggunakan data 60 barang buatan dengan data terlampir. 7.1 Pengujian Ukuran Populasi Pengujian ini dilakukan dengan menggunakan nilai offspring 3μ dan jumlah generasi 10. Ukuran populasi yang diuji mulai dari 10 dengan kelipatan 10 hingga 100 dengan masing-masing ukuran populasi diuji sebanyak 10 kali pengujian dan dihitung nilai rata-rata fitness-nya. Pada Gambar 8 terlihat bahwa grafik hasil pengujian ukuran populasi cenderung mengalami kenaikan dan mendekati titik stabil pada populasi 70 ke atas. Terlihat bahwa semakin besar ukuran populasi maka hasil ratarata fitness yang didapatkan cenderung semakin besar. Jika ukuran populasi terlalu kecil, maka nilai fitness yang didapatkan juga kecil. Meskipun semakin besar ukuran populasi cenderung menghasilkan hasil yang lebih baik, namun pada titik tertentu nilai fitness mengalami penurunan. Terlihat pula bahwa ukuran populasi berpengaruh terhadap variasi individu yang dihasilkan, terbukti dengan hasil rata-rata fitness yang cenderung berbeda pada tiap percobaan yang dilakukan. Dari Gambar 8 dapat disimpulkan bahwa ukuran populasi yang mendekati solusi optimal adalah Pengujian Banyaknya Offspring Pengujian ini dilakukan dengan menggunakan jumlah generasi 10 dan ukuran populasi 60 yang didapatkan dari solusi optimal pengujian sebelumnya. Banyaknya offspring yang diuji mulai dari 2μ dengan kelipatan 2 hingga 20μ dengan masing-masing offspring diuji sebanyak 10 kali pengujian dan dihitung nilai rata-rata fitness-nya. Pada Gambar 9 terlihat bahwa hasil grafik hasil pengujian offspring cenderung mengalami kenaikan, semakin besar ukuran offspring, Gambar 7. Diagram class sistem
6 Rata-rata Fitness Rata-rata Fitness Rata-rata Nilai Fitness Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1879 semakin besar pula fitness yang dihasilkan, meskipun pada titik tertentu nilai fitness mengalami penurunan. Dari hasil rata-rata fitness yang cenderung berbeda pada setiap ukuran offspring, menunjukkan bahwa ukuran offspring berpengaruh terhadap keragaman individu namun tidak terlalu besar. Dari Gambar 9 dapat disimpulkan bahwa banyaknya offspring yang mendekati solusi optimal adalah 18μ. 7.3 Pengujian Jumlah Generasi Pengujian ini dilakukan dengan menggunakan nilai offspring 18μ dan ukuran populasi 60 yang didapatkan dari hasil solusi optimal pengujian sebelumnya. Jumlah generasi yang diuji mulai 5 dengan kelipatan 5 hingga 50 dengan masing-masing jumlah generasi diuji sebanyak 10 kali pengujian dan dihitung nilai rata-rata fitness-nya. Pada Gambar 10 terlihat bahwa grafik pengujian nilai rata-rata fitness naik dari jumlah generasi 5 hingga 15 sebagai puncak kurva dan turun hingga jumlah generasi 30. Selanjutnya mengalami kenaikan hingga jumlah generasi 45 dan turun kembali pada jumlah generasi 50. Meskipun hasil yang didapatkan bersifat fluktuatif, namun grafik cenderung mengalami kenaikan. Dengan kata lain, semakin besar jumlah generasi maka cenderung semakin besar pula nilai fitness yang didapatkan. Terlihat pula bahwa jumlah generasi juga berpengaruh terhadap variasi individu yang dihasilkan. Dari Gambar 10 dapat disimpulkan bahwa jumlah generasi yang mendekati solusi optimal adalah Hasil Algoritme Evolution Strategies pada Proses Penataan Barang Berdasarkan parameter optimal algoritme evolution strategies yang didapatkan pada pengujian sebelumnya, dilakukan proses analisis terhadap hasil parameter tersebut. Adapun prosesnya melakukan 10 kali proses perhitungan dengan menghitung rata-rata hasil fitness pada setiap perhitungan yang dilakukan. Proses ini menggunakan ukuran populasi 60, offspring 18μ, dan jumlah generasi 15. Pada Gambar 11 terlihat bahwa grafik ratarata fitness bersifat fluktuatif. Hal ini disebabkan oleh hasil kromosom acak pada proses inisialisasi individu berbeda-beda pada tiap percobaan. Namun dengan menggunakan parameter terbaik pada pengujian sebelumnya, nilai rata-rata fitness yang didapatkan cenderung tinggi. Dari hasil 10 kali proses perhitungan menggunakan parameter terbaik tersebut, diambil 1 kromosom terbaik sebagai solusi penataan barang yang optimal pada kasus penataan 60 barang. Dan didapatkan hasil yang ditunjukkan pada Gambar 12. 2,400 2,350 2,300 2,250 2,200 2,150 2,225 2,345 2,349 2,320 2,317 2,319 2,330 2,3152,311 2, Gambar 8. Hasil pengujian ukuran populasi 2,450 2,400 2,350 2,300 2,250 2,200 2,278 Jumlah Populasi (μ) 2,3482,350 2,364 2,386 2,403 2,392 2,412 2,406 2,351 2μ 4μ 6μ 8μ 10μ 12μ 14μ 16μ 18μ 20μ Gambar 9. Hasil pengujian offspring 2,440 2,420 2,400 2,380 2,360 2,340 2,371 2,388 Jumlah Offspring 2,426 2,4192,411 2,3972,398 2,405 Gambar 10. Hasil pengujian generasi 2,422 2, Jumlah Generasi
7 Rata-rata Fitness Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer ,470 2,500 2,4332,439 2,429 2,436 2,450 2,409 2,372 2,400 2,346 2,359 2,350 2,350 2,300 2, Percobaan ke- Gambar 11. Hasil pengujian dengan parameter terbaik Gambar 12. Hasil penataan barang menggunakan algoritme evolution strategies menggunakan aplikasi Unity 8. KESIMPULAN DAN SARAN Berdasarkan hasil pengujian dan analisis hasil implementasi penelitian ini, maka dapat diketahui bahwa algoritme evolution strategies dapat digunakan dalam permasalahan penataan barang. Prosesnya diawali dengan menentukan ukuran dari kendaraan yang dipakai dan barang yang dimasukkan. Kemudian melakukan proses algoritme evolution strategies yaitu pembangkitan individu awal, dengan masingmasing individu memiliki jumlah gen sebanyak 2 kali jumlah barang yang akan ditata. Nilai gen ganjil dalam kromosom mewakili kode barang dan nilai genap dalam kromosom mewakili rotasi barang. Pada masing-masing individu melekat sigma yang nilainya ditentukan secara acak antara 0 hingga 1. Kemudian dilakukan proses mutasi, selanjutnya melakukan proses penataan barang sesuai urutan gen kromosom dengan memperhatikan batasan-batasan tertentu, sehingga didapatkan nilai fitness yang kemudian digunakan untuk proses seleksi. Proses seleksi dilakukan dengan menggunakan metode elitism. Dari hasil pengujian algoritme yang dilakukan menghasilkan nilai parameterparameter terbaik yaitu ukuran populasi 60, offspring 18μ, dan jumlah generasi 15. Didapatkan juga hasil bahwa ukuran populasi, banyaknya offspring, dan jumlah generasi cenderung berbanding lurus dengan nilai fitness yang dihasilkan. Semakin besar ukuran populasi, banyaknya offspring dan generasi yang dimasukkan, semakin besar pula nilai fitness yang didapatkan. Penelitian ini masih perlu dikembangkan lebih lanjut, sehingga mendapatkan hasil yang lebih optimal. Pada proses penataan barang menggunakan 60 barang, diperlukan waktu hingga 30 menit. Dalam hal ini perlu diadakan penelitian terkait waktu yang optimal untuk mendapatkan solusi yang mendekati optimal. Pada penelitian ini, visualisasi 3 dimensi masih menggunakan cara manual, perlu adanya visualisasi 3 dimensi yang langsung terhubung dengan program yang berjalan. Untuk menambah solusi yang lebih optimal perlu dilakukan proses pengecekan keseimbangan volume barang pada titik tinggi tertentu, dan keseimbangan berat barang. DAFTAR PUSTAKA Adni, N.A., dkk Kajian Lokasi Industri berdasarkan Model Transportasi dengan Acuan Maksimilisasi Penghematan. Semarang: Universitas Diponegoro. Biro Perencanaan Laporan Kinerja Kementerian Perindustrian Tahun [pdf] Jakarta: Kementerian Perindustrian Republik Indonesia. Tersedia di < /Laporan-Kinerja-Kementerian- Perindustrian-Tahun-2015> [Diakses 27 Juli 2017] Farosanti, L., Simulasi 3D Optimasi Penataan Barang pada Kontainer menggunakan Algortima Genetika. Malang: Universitas Islam Negeri Maulana Malik Ibrahim. Gazali, W. & Manik, N.I., Perancangan Program Simulasi Optimasi Penyusunan Barang dalam Kontainer menggunakan Algoritma Greedy. Jakarta Barat: Universitas Bina Nusantara. Mahmudy, W.F., Dasar-Dasar Algoritma Evolusi. Malang: Universitas Brawijaya. Milah, H. & Mahmudy, W.F., Implementasi Algoritma Evolution
8 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1881 Strategies untuk Optimasi Komposisi Pakan Ternak Sapi Potong. Malang: Universitas Brawijaya.
9 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1882 LAMPIRAN Data Kendaraan Nama Kendaraan Panjang Lebar Tinggi Beban Maksimum Carry Box* Truk Engkel Box Truk Engkel Reefer Colt Diesel Dobel Box Colt Diesel Dobel Long Truk Fuso Box Truk Tronton Box * Data kendaraan yang digunakan untuk pengujian Data Barang Barang Panjang Lebar Tinggi Berat Barang Panjang Lebar Tinggi Berat
Penerapan 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 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 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 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 terperinciOptimasi Komposisi Pakan Kambing Boer Menggunakan Algoritme Evolution Strategies
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 10, Oktober 2018, hlm. 3796-3801 http://j-ptiik.ub.ac.id Optimasi Komposisi Pakan Kambing Boer Menggunakan Algoritme
Lebih 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 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 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 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 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 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 terperinciOPTIMASI DISTRIBUSI PUPUK MENGGUNAKAN EVOLUTION STRATEGIES
Journal of Environmental Engineering & Sustainable Technology Vol. 02 No. 02, November 2015, Pages 89-96 JEEST http://jeest.ub.ac.id OPTIMASI DISTRIBUSI PUPUK MENGGUNAKAN EVOLUTION STRATEGIES Fauziatul
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 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 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 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 terperinciOptimasi Multiple Travelling Salesman Problem Pada Pendistribusian Air Minum Menggunakan Algoritme Genetika (Studi Kasus: UD.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 9, Juni 2017, hlm. 849-858 http://j-ptiik.ub.ac.id Optimasi Multiple Travelling Salesman Problem Pada Pendistribusian
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK 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 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 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 terperinciPENCARIAN RUTE OPTIMUM DENGAN EVOLUTION STRATEGIES
PENCARIAN RUTE OPTIMUM DENGAN EVOLUTION STRATEGIES Diah Arum Endarwati 1,Wayan Firdaus Mahmudy, Dian Eka Ratnawati Program Studi Informatika/ Ilmu Komputer, Program Teknologi Informasi dan Ilmu Komputer
Lebih terperinciUKDW. Bab I PENDAHULUAN. 1.1 Latar Belakang Masalah
Bab I PENDAHULUAN 1.1 Latar Belakang Masalah Seiring dengan perkembangan ekonomi di Indonesia yang semakin pesat, perkembangan industri distribusi juga semakin meningkat untuk memenuhi kebutuhan pasar
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 terperinciOPTIMASI TEBAR BENIH DAN PAKAN PADA SUATU KOLAM MENGGUNAKAN ALGORITMA EVOLUTION STRATEGIES
OPTIMASI TEBAR BENIH DAN PAKAN PADA SUATU KOLAM MENGGUNAKAN ALGORITMA EVOLUTION STRATEGIES Robby Kurniawan Mahasiswa Program Studi Teknik Informatika, FT UMRAH Nerfita Nikentari, ST., M.Cs Dosen Program
Lebih terperinciOPTIMASI JADWAL MENGAJAR ASISTEN LABORATORIUM MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI JADWAL MENGAJAR ASISTEN LABORATORIUM MENGGUNAKAN ALGORITMA GENETIKA Indana Zulfa 1, Wayan Firdaus Mahmudy 2, Budi Darma Setiawan 3 Teknik Informatika, Program Teknologi Informasi dan Ilmu Komputer,
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK PERMASALAHAN OPTIMASI DISTRIBUSI BARANG DUA TAHAP
PENERAPAN ALGORITMA GENETIKA UNTUK PERMASALAHAN OPTIMASI DISTRIBUSI BARANG DUA TAHAP Riska Sulistiyorini ), Wayan Firdaus Mahmudy ), Program Studi Teknik Informatika Program Teknologi Informasi dan Ilmu
Lebih terperinciPENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN TRAVELLING SALESMAN PROBLEM (TSP)
PENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN TRAVELLING SALESMAN PROBLEM (TSP) Mohamad Subchan STMIK Muhammadiyah Banten e-mail: moh.subhan@gmail.com ABSTRAK: Permasalahan pencarian rute terpendek dapat
Lebih 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 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 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 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 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 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 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 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 terperinciOPTIMASI POLA PENYUSUNAN BARANG DALAM RUANG TIGA DIMENSI MENGGUNAKAN METODE GENETIC ALGORITHMS
OPTIMASI POLA PENYUSUNAN BARANG DALAM RUANG TIGA DIMENSI MENGGUNAKAN METODE GENETIC ALGORITHMS Kartika Gunadi, Irwan Kristanto Julistiono Fakultas Teknologi Industri, Jurusan Teknik Informatika, Universitas
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Travelling Salesman Problem (TSP) Travelling Salesmen Problem (TSP) termasuk ke dalam kelas NP hard yang pada umumnya menggunakan pendekatan heuristik untuk mencari solusinya.
Lebih terperinciBAB 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 terperinciPENERAPAN ALGORITMA GENETIK UNTUK OPTIMASI POLA PENYUSUNAN BARANG DALAM RUANG TIGA DIMENSI ABSTRAK
PENERAPAN ALGORITMA GENETIK UNTUK OPTIMASI POLA PENYUSUNAN BARANG DALAM RUANG TIGA DIMENSI Eddy Triswanto Setyoadi, ST., M.Kom. ABSTRAK Melakukan optimasi dalam pola penyusunan barang di dalam ruang tiga
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 terperinciBAB 2 DASAR TEORI. 2.1 Teka-Teki Silang
BAB 2 DASAR TEORI 2.1 Teka-Teki Silang Teka-teki silang atau disingkat TTS adalah suatu permainan yang mengharuskan penggunanya untuk mengisi ruang-ruang kosong dengan huruf-huruf yang membentuk sebuah
Lebih terperinciBAB 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 terperinciOptimasi Penjadwalan Mata Pelajaran Pada Kurikulum 2013 Dengan Algoritme Genetika (Studi Kasus: SMA Negeri 3 Surakarta)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 12, Desember 2017, hlm. 1535-1542 http://j-ptiik.ub.ac.id Optimasi Penjadwalan Mata Pelajaran Pada Kurikulum 2013
Lebih 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 terperinciOptimasi Fungsi Tanpa Kendala Menggunakan Algoritma Genetika Dengan Kromosom Biner dan Perbaikan Kromosom Hill-Climbing
Optimasi Fungsi Tanpa Kendala Menggunakan Algoritma Genetika Dengan Kromosom Biner dan Perbaikan Kromosom Hill-Climbing Wayan Firdaus Mahmudy, (wayanfm@ub.ac.id) Program Studi Ilmu Komputer, Universitas
Lebih terperinciBAB 1 PENDAHULUAN. menggunakan sistem komputerisasi. Salah satu bentuk perusahaan yang sangat
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Pada zaman sekarang ini komputer merupakan kebutuhan yang umum dalam sebuah perusahaan. Di dalam perusahaan, banyak hal menjadi lebih efisien dengan menggunakan
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 terperinciPENGGUNAAN ALGORITMA GENETIKA UNTUK MENENTUKAN LINTASAN TERPENDEK STUDI KASUS : LINTASAN BRT (BUS RAPID TRANSIT) MAKASSAR
PENGGUNAAN ALGORITMA GENETIKA UNTUK MENENTUKAN LINTASAN TERPENDEK STUDI KASUS : LINTASAN BRT (BUS RAPID TRANSIT) MAKASSAR Karels, Rheeza Effrains 1), Jusmawati 2), Nurdin 3) karelsrheezaeffrains@gmail.com
Lebih terperinciKNAPSACK PROBLEM DENGAN ALGORITMA GENETIKA
LAPORAN TUGAS BESAR ARTIFICIAL INTELLEGENCE KNAPSACK PROBLEM DENGAN ALGORITMA GENETIKA Disusun Oleh : Bayu Kusumo Hapsoro (113050220) Barkah Nur Anita (113050228) Radityo Basith (113050252) Ilmi Hayyu
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 terperinci2 TINJAUAN PUSTAKA. 2.1 Peringkasan Teks
4 2 TINJAUAN PUSTAKA 2.1 Peringkasan Teks Peringkasan teks adalah proses pemampatan teks sumber ke dalam versi lebih pendek namun tetap mempertahankan informasi yang terkandung didalamnya (Barzilay & Elhadad
Lebih terperinciOPTIMASI MODEL FUZZY AHP DENGAN MENGGUNAKAN ALGORITMA EVOLUTION STRATEGIES
OPTIMASI MODEL FUZZY AHP DENGAN MENGGUNAKAN ALGORITMA EVOLUTION STRATEGIES (STUDI KASUS: PEMILIHAN CALON PENERIMA BEASISWA PTIIK UNIVERSITAS BRAWIJAYA) Anis Maulida Dyah Ayu Putri 1, Wayan Firdaus Mahmudy
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 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 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 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 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 terperinciPERANCANGAN APLIKASI PENJADWALAN TRAVELING SALESMAN PROBLEM DENGAN ALGORITMA GENETIKA
PERANCANGAN APLIKASI PENJADWALAN TRAVELING SALESMAN PROBLEM DENGAN ALGORITMA GENETIKA Hendy Tannady; Andrew Verrayo Limas Industrial Engineering Department, Faculty of Engineering, Binus University Jl.
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 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 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 terperinciOTOMASI PENJADWALAN KEGIATAN PRKULIAHAN DI PERGURUAN TINGGI MENGGUNAKAN METODE ALGORITMA GENETIKA ( STUDI KASUS STIKI )
OTOMASI PENJADWALAN KEGIATAN PRKULIAHAN DI PERGURUAN TINGGI MENGGUNAKAN METODE ALGORITMA GENETIKA ( STUDI KASUS STIKI ) Siska Diatinari Andarawarih 1) 1) Program Studi Teknik Informatika, Sekolah Tinggi
Lebih terperinciAPLIKASI ALGORITMA GENETIKA UNTUK PENENTUAN TATA LETAK MESIN
APLIKASI ALGORITMA GENETIKA UNTUK PENENTUAN TATA LETAK MESIN Hari Purnomo, Sri Kusumadewi Teknik Industri, Teknik Informatika Universitas Islam Indonesia Jl. Kaliurang Km 4,5 Yogyakarta ha_purnomo@fti.uii.ac.id,
Lebih 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 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 terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Dengan semakin berkembangnya dunia bisnis dan usaha, suatu perusahaan dituntut untuk meningkatkan efisiensi dalam segala bidang dengan menerapkan prinsip ekonomi yaitu
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Optimalisasi Optimalisasi merupakan suatu proses untuk mengoptimalkan suatu solusi agar ditemukannya solusi terbaik dari sekumpulan alternatif solusi yang ada dengan menggunakan
Lebih terperinciPENCOCOKAN KATA SECARA ACAK DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL
Jurnal Matematika UNAND Vol. 2 No. 2 Hal. 1 9 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENCOCOKAN KATA SECARA ACAK DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL MULIA AFRIANI KARTIKA
Lebih 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 terperinciIMPLEMENTASI ALGORITMA EVOLUTION STRATEGIES UNTUK OPTIMASI KOMPOSISI PAKAN TERNAK SAPI POTONG
IMPLEMENTASI ALGORITMA EVOLUTION STRATEGIES UNTUK OPTIMASI KOMPOSISI PAKAN TERNAK SAPI POTONG Himyatul Milah 1), Wayan Firdaus Mahmudy 2), Mahasiswa Program Studi Informatika / 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 terperinciBAB III PEMBAHASAN. Berikut akan diberikan pembahasan mengenai penyelesaikan CVRP dengan
BAB III PEMBAHASAN Berikut akan diberikan pembahasan mengenai penyelesaikan CVRP dengan Algoritma Genetika dan Metode Nearest Neighbour pada pendistribusian roti di CV. Jogja Transport. 3.1 Model Matetematika
Lebih terperinciPENYELESAIAN KNAPSACK PROBLEM MENGGUNAKAN ALGORITMA GENETIKA
PENYELESAIAN KNAPSACK PROBLEM MENGGUNAKAN ALGORITMA GENETIKA Kartina Diah KW1), Mardhiah Fadhli2), Charly Sutanto3) 1,2) Jurusan Teknik Komputer Politeknik Caltex Riau Pekanbaru Jl. Umban Sari No.1 Rumbai-Pekanbaru-Riau
Lebih terperinciPENERAPAN ALGORITMA GENETIKA PADA PERENCANAAN LINTASAN KENDARAAN Achmad Hidayatno Darjat Hendry H L T
PENERAPAN ALGORITMA GENETIKA PADA PERENCANAAN LINTASAN KENDARAAN Achmad Hidayatno Darjat Hendry H L T Abstrak : Algoritma genetika adalah algoritma pencarian heuristik yang didasarkan atas mekanisme evolusi
Lebih 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 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 terperinciIMPLEMENTASI ALGORITMA GENETIKA PADA KNAPSACK PROBLEM UNTUK OPTIMASI PEMILIHAN BUAH KEMASAN KOTAK
IMPLEMENTASI ALGORITMA GENETIKA PADA KNAPSACK PROBLEM UNTUK OPTIMASI PEMILIHAN BUAH KEMASAN KOTAK Komang Setemen Jurusan Manajemen Informatika, Fakultas Teknik Kejuruan, Universitas Pendidikan Ganesha
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 terperinciBab II Konsep Algoritma Genetik
Bab II Konsep Algoritma Genetik II. Algoritma Genetik Metoda algoritma genetik adalah salah satu teknik optimasi global yang diinspirasikan oleh proses seleksi alam untuk menghasilkan individu atau solusi
Lebih 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 terperinciALGORITMA GENETIKA. Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning
ALGORITMA GENETIKA Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning Disusun oleh: Achmad Basuki Politeknik Elektronika Negeri Surabaya, PENS ITS Surabaya 2003 Algoritma
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 terperinci3.2.3 Resiko, Keuntungan dan Kerugian Forex Metode Prediksi dalam Forex MetaTrader 4 sebagai Platform Trading dalam Forex...
DAFTAR ISI HALAMAN PENGESAHAN... iii PERNYATAAN... iv HALAMAN MOTTO DAN PERSEMBAHAN... v PRAKATA... vi DAFTAR ISI... viii DAFTAR GAMBAR... xi DAFTAR TABEL... xiv DAFTAR PERSAMAAN... xv DAFTAR LAMPIRAN...
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 terperinciOPTIMALISASI LAHAN TANAH UNTUK AREA RUMAH DAN JALAN MENGGUNAKAN ALGORITMA GENETIKA
Optimalisasi Lahan Tanah untuk Area Rumah dan Jalan... (Fadhil dkk.) OPTIMALISASI LAHAN TANAH UNTUK AREA RUMAH DAN JALAN MENGGUNAKAN ALGORITMA GENETIKA Luthfi Ahmad Fadhil *, Esmeralda C Djamal, Ridwan
Lebih terperinciPENERAPAN ALGORITMA GENETIK UNTUK OPTIMASI DENGAN MENGUNAKAN PENYELEKStAN RODA ROULETTE
PENERAPAN ALGORTMA GENETK UNTUK OPTMAS DENGAN MENGUNAKAN PENYELEKStAN RODA ROULETTE Samuel Lukas, M.Tech." Abstract The purpose of this paper is to introducing genetic algorithm. This algorithm is one
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 terperinciPEMAMPATAN MATRIKS JARANG DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL
Jurnal Matematika UNAND Vol. 3 No. 1 Hal. 98 106 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMAMPATAN MATRIKS JARANG DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL YOSI PUTRI, NARWEN
Lebih 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 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 terperinciOptimalisasi Penyelesaian Knapsack Problem Dengan Algoritma Genetika
Optimalisasi Penyelesaian Knapsack Problem Dengan Algoritma Genetika I Wayan Supriana a1 a Jurusan Ilmu Komputer, Fakultas MIPA, Universitas Udayana, Indonesia Jalan Kampus Bukit Jimbaran, Bali, Indonesia
Lebih terperinciPeramalan Kebutuhan Beban Sistem Tenaga Listrik Menggunakan Algoritma Genetika
Peramalan Kebutuhan Beban Sistem Tenaga Listrik Menggunakan Algoritma Genetika M. Syafrizal, Luh Kesuma Wardhani, M. Irsyad Jurusan Teknik Informatika - Universitas Islam Negeri Sultan Syarif Kasim Riau
Lebih 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 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 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 terperinciOPTIMASI PENDUGAAN PARAMETER DALAM ANALISIS STRESS DAN STRAIN TERHADAP MATERIAL MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI PENDUGAAN PARAMETER DALAM ANALISIS STRESS DAN STRAIN TERHADAP MATERIAL MENGGUNAKAN ALGORITMA GENETIKA Mike Susmikanti Pusat Pengembangan Informatika Nuklir, Badan Tenaga Nuklir Nasional Kawasan
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 terperinciTugas Mata Kuliah E-Bisnis REVIEW TESIS
Tugas Mata Kuliah E-Bisnis REVIEW TESIS Desain Algoritma Genetika Untuk Optimasi Penjadwalan Produksi Meuble Kayu Studi Kasus Pada PT. Sinar Bakti Utama (oleh Fransiska Sidharta dibawah bimbingan Prof.Kudang
Lebih 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 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 terperinci