BAB V Pengujian. Bab ini memuat tujuan dan langkah-langkah pengujian, hasil dan analisis pengujian terhadap hasil implementasi dari program GAMA.
|
|
- Verawati Irawan
- 6 tahun lalu
- Tontonan:
Transkripsi
1 BAB V Pengujian Bab ini memuat tujuan dan langkah-langkah pengujian, hasil dan analisis pengujian terhadap hasil implementasi dari program GAMA. 5.1 Tujuan Pengujian Berikut ini adalah tujuan dari pengujian. 1. Mencari nilai parameter yang dapat mengoptimalkan performansi perangkat lunak. Performansi diukur dari jumlah generasi yang diperlukan dalam mencapai target batas nilai. Semakin sedikit jumlah generasi yang diperlukan, semakin baik performansi dari perangkat lunak. Nilai parameter yang diuji meliputi : a. N Populasi, yaitu jumlah kromosom dalam satu generasi b. N Persilangan, yaitu jumlah proses persilangan yang dilakukan terhadap kromosom di satu generasi c. N Mutasi, yaitu jumlah proses mutasi yang dilakukan terhadap kromosom di satu generasi 2. Melihat hubungan jumlah generasi yang diproses dengan: a. Masukan batas nilai yang berbeda-beda. b. Masukan melodi dan akor dengan jumlah frase yang berbeda-beda. 3. Melihat keragaman hasil dari perangkat lunak dari jenis lagu yang berbeda-beda. 4. Melihat konvergensi nilai fitness ke arah solusi optimal, yaitu solusi dengan nilai fitness di atas batas nilai masukan. 5.2 Rancangan Kasus Uji Tabel V-1 adalah tabel rancangan kasus uji mencakup nomor pengujian, deskripsi dan tujuan dari masing-masing pengujian. V-1
2 Tabel V-1 Tabel Rancangan Kasus Uji Pengujian Deskripsi Tujuan Pengujian nilai parameter N Populasi Pengujian nilai parameter N Persilangan Pengujian nilai parameter N Mutasi Pengujian batas nilai masukan Pengujian jumlah frase masukan Pengujian aransemen beberapa lagu yang berbeda dengan nilai parameter Pengujian sifat konvergensi nilai fitness ke arah solusi optimal dengan menggambarkan diagram nilai fitness terbaik di setiap generasi dari pengujian nomor 6. Mencari nilai parameter N Populasi yang dapat mengoptimalkan performansi perangkat lunak berdasarkan jumlah generasi yang diproses. Mencari nilai parameter N Persilangan yang dapat mengoptimalkan performansi perangkat lunak berdasarkan jumlah generasi yang diproses. Mencari nilai parameter N Mutasi yang dapat mengoptimalkan performansi perangkat lunak berdasarkan jumlah generasi yang diproses. Melihat hubungan antara batas nilai masukan dengan jumlah generasi yang diproses. Melihat hubungan antara jumlah frase melodi masukan dengan jumlah generasi yang diproses. Melihat dan menganalisis hasil aransemen dari lagu masukan yang berbeda. Melihat apakah algoritma genetika telah bersifat konvergen untuk melakukan proses aransemen. 5.3 Langkah-Langkah Pengujian Jumlah generasi untuk setiap pengujian dibatasi sebesar sepuluh ribu (10,000) generasi. Hal ini dilakukan untuk menangani kemungkinan batas nilai evaluasi yang diharapkan tidak akan tercapai. Pengujian 1, 2 dan 3 dilakukan masing-masing sebanyak sepuluh kali untuk mendapatkan hasil yang akurat. Tabel hasil pengujian tersebut tertera dalam Lampiran E. Pengujian yang lain hanya dilakukan sebanyak satu kali. V-2
3 Berikut ini adalah langkah-langkah yang dilakukan dalam pengujian. 1. Pengujian 1. Parameter N Populasi Frase yang diuji adalah frase dari Canon In D dengan target batas nilai sebesar 2700, N Persilangan sebesar 50% dan N Mutasi sebesar 50%. Nilai N Populasi yang diuji adalah sebagai berikut. a. N Populasi = 300 kromosom b. N Populasi = 500 kromosom c. N Populasi = 700 kromosom d. N Populasi = 1000 kromosom 2. Pengujian 2. Parameter N Persilangan Frase yang diuji adalah frase dari Canon In D dengan target batas nilai sebesar 2700, N Populasi sebesar 500 kromosom dan N Mutasi sebesar 50%. Nilai N Persilangan yang diuji adalah sebagai berikut. a. N Persilangan = 30% b. N Persilangan = 50% c. N Persilangan = 70% d. N Persilangan = 100% 3. Pengujian 3. Parameter N Mutasi Frase yang diuji adalah frase dari Canon In D dengan target batas nilai sebesar 2700, N Populasi sebesar 500 kromosom dan N Persilangan sebesar 50%. Nilai N Mutasi yang diuji adalah sebagai berikut. a. N Mutasi = 30% b. N Mutasi = 50% c. N Mutasi = 70% d. N Mutasi = 100% 4. Pengujian 4. Parameter Batas Nilai Frase yang diuji adalah frase dari Canon In D dengan N Populasi, N Persilangan dan N Mutasi menggunakan nilai optimal dari hasil pengujian nomor 1 3. Batas nilai yang diuji adalah sebagai berikut. a. Batas nilai = 2100 b. Batas nilai = 2400 c. Batas nilai = 2700 V-3
4 d. Batas nilai = Pengujian 5. Parameter Jumlah Frase Lagu yang diuji adalah Symphony No 9 dengan target batas nilai sebesar 2800, dan N Populasi, N Persilangan dan N Mutasi menggunakan nilai optimal dari hasil pengujian nomor 1-3. Jumlah frase yang diuji adalah sebagai berikut. a. Jumlah frase = 1 frase (4 bar) b. Jumlah frase = 2 frase (8 bar) c. Jumlah frase = 3 frase (12 bar) d. Jumlah frase = 4 frase (16 bar) 6. Pengujian 6. Aransemen Lagu Pengujian dilakukan dengan target batas nilai sebesar 3000, dan N Populasi, N Persilangan dan N Mutasi menggunakan nilai optimal dari hasil pengujian nomor 1 3. Lagu yang diuji adalah sebagai berikut a. Canon in D karya Pachelbel b. Twinkle Twinkle Little Star c. Symphony No 9 karya Ludwig van Beethoven d. Mary Had A Little Lamb 7. Pengujian 7. Sifat Konvergensi Pengujian dilakukan dengan menggambarkan nilai fitness terbaik di setiap generasi untuk Pengujian 6 ke dalam bentuk diagram. 5.4 Hasil dan Analisis Pengujian Pengujian 1. Parameter N Populasi Pengujian N Populasi dilakukan terhadap frase Canon In D dengan batas nilai sebesar 2700, batas generasi sebesar 10000, N Persilangan sebesar 50% dan N Mutasi sebesar 50%. Gambar V.1 adalah bentuk diagram dari hasil pengujian. Nilai N Populasi sebesar 1000 kromosom menghasilkan jumlah generasi yang secara relatif paling sedikit, sehingga dapat disimpulkan bahwa nilai tersebut adalah nilai optimal untuk parameter N Populasi. V-4
5 Gambar V.1 Diagram Hasil Pengujian N Populasi terhadap Jumlah Generasi Diagram hasil pengujian pada Gambar V.1 menunjukkan bahwa relatif jumlah generasi berbanding terbalik dengan nilai N Populasi. Analisis terhadap hasil tersebut adalah bahwa semakin besar nilai N Populasi (jumlah kromosom dalam satu generasi), variasi kromosom yang diproses akan semakin luas dan kemungkinan ditemukannya solusi optimal akan semakin besar dan cepat Pengujian 2. Parameter N Persilangan Pengujian N Persilangan dilakukan terhadap frase Canon In D dengan batas nilai sebesar 2700, batas generasi sebesar 10000, N Populasi sebesar 500 kromosom dan N Mutasi sebesar 50%. Gambar V.2 adalah bentuk diagram dari hasil pengujian. Nilai N Persilangan sebesar 100% menghasilkan jumlah generasi yang paling sedikit di antara nilai lain. Dapat disimpulkan bahwa 100% adalah nilai optimal untuk parameter N Persilangan. Diagram hasil pengujian pada Gambar V.2 menunjukkan bahwa nilai N Persilangan memiliki kecenderungan berbanding terbalik dengan jumlah generasi. Analisis terhadap hasil tersebut adalah bahwa operasi persilangan akan menghasilkan variasi kromosom baru sehingga dapat mempercepat ditemukannya solusi Gambar V.2 Diagram Hasil Pengujian N Persilangan terhadap Jumlah Generasi V-5
6 5.4.3 Pengujian 3. Parameter N Mutasi Pengujian N Mutasi dilakukan terhadap frase Canon In D dengan batas nilai sebesar 2700, batas generasi sebesar 10000, N Populasi sebesar 500 kromosom dan N Persilangan sebesar 50%. Gambar V.3 adalah bentuk diagram dari hasil pengujian. Nilai N Mutasi sebesar 100% menghasilkan jumlah generasi yang paling sedikit di antara nilai lain. Dapat disimpulkan bahwa 100% adalah nilai optimal untuk parameter N Mutasi. Gambar V.3 Diagram Hasil Pengujian N Mutasi terhadap Jumlah Generasi Diagram hasil pengujian pada Gambar V.3 menunjukkan bahwa jumlah generasi memiliki kecenderungan berbanding terbalik dengan nilai N Mutasi. Analisis terhadap hasil tersebut adalah bahwa semakin besar nilai N Mutasi maka jumlah variasi kromosom hasil mutasi akan semakin besar dan kemungkinan ditemukannya solusi optimal akan semakin besar dan cepat Pengujian 4. Parameter Batas Nilai Pengujian Batas Nilai dilakukan terhadap frase Canon In D dengan batas generasi sebesar dan nilai parameter optimal, yaitu N Populasi sebesar 1000 kromosom, N Persilangan sebesar 100%, dan N Mutasi sebesar 100%. Gambar V.4 Diagram Hasil Pengujian Batas Nilai terhadap Jumlah Generasi V-6
7 Gambar V.4 adalah bentuk diagram dari hasil pengujian batas nilai terhadap jumlah generasi. Hasil aransemen dari masing-masing batas nilai dapat dilihat di Lampiran F. Dari Gambar V.4 terlihat bahwa semakin tinggi batas nilai yang ditargetkan, jumlah generasi selama proses aransemen akan semakin besar. Setiap generasi memiliki waktu pemrosesan, sehingga semakin besar jumlah generasi maka waktu pemrosesan akan semakin panjang. Dilihat dari hasil aransemen yang berada di Lampiran F, aransemen akan terdengar semakin baik jika nilai fitness semakin tinggi. Berdasarkan pengujian tersebut, nilai fitness sebesar 2100, 2400, 2700 dan 3000 dapat menjadi nilai standar untuk kategori kualitas aransemen. Kategori kualitas tersebut adalah sebagai berikut. 1. Kategori Sangat Baik memiliki nilai fitness lebih besar dari Kategori Baik memiliki jangkauan nilai fitness antara 2700 hingga Kategori Sedang memiliki jangkauan nilai fitness antara 2400 hingga Kategori Kurang Baik memiliki nilai fitness lebih kecil dari Pengujian 5. Parameter Jumlah Frase Pengujian Jumlah Frase dilakukan terhadap lagu Symphony No 9. Batas generasi sebesar 10000, batas nilai sebesar 2800 dan nilai parameter optimal sesuai hasil pengujian yang telah dilakukan, yaitu N Populasi sebesar 1000 kromosom, N Persilangan sebesar 100%, dan N Mutasi sebesar 100%. Gambar V.5 merupakan diagram hasil pengujian jumlah frase terhadap jumlah generasi. Dari Gambar V.5 terlihat bahwa semakin panjang frase masukan, jumlah generasi yang diproses akan semakin besar. Hal ini menunjukkan bahwa performansi perangkat lunak akan semakin baik saat melodi masukan berjumlah satu frase untuk satu kali pemrosesan. Oleh karena itu, untuk melakukan aransemen satu lagu secara efektif, sebaiknya dilakukan dengan membagi menjadi frase-frase (biasanya satu frase terdiri dari empat bar), memproses setiap frase dengan GAMA dan kemudian menyatukan frase-frase hasil aransemen menjadi satu lagu utuh. V-7
8 Pengujian Jumlah Frase terhadap Jumlah Generasi Jumlah Generasi (4 bar) 2 (8 bar) 3 (12 bar) 4 (16 bar) Jumlah Frase Pengujian 1 Gambar V.5 Diagram Hasil Pengujian Jumlah Frase terhadap Jumlah Generasi Pengujian 6. Aransemen Lagu Pengujian Aransemen Lagu dilakukan dengan batas generasi sebesar 10000, batas nilai sebesar 3000 dan nilai parameter optimal, yaitu N Populasi sebesar 1000 kromosom, N Persilangan sebesar 100%, dan N Mutasi sebesar 100%. Tabel V-2 menggambarkan hasil Pengujian Aransemen Lagu. Partitur hasil aransemen tertera dalam Lampiran G. Tabel V-2 Hasil Pengujian Aransemen Lagu Batas Nilai : 3000 Batas Generasi : N Populasi : 1000 N Persilangan : 100 % N Mutasi : 100 % Lagu Generasi Akhir Nilai Akhir Canon In D Twinkle Twinkle Little Star Symphony No Mary Had a Little Lamb Dilihat dari Tabel V-2 jumlah generasi dalam Pengujian Aransemen Lagu memiliki rentang yang besar hingga mencapai batas nilai. Untuk lagu Symphony No 9 nilai fitness terbaik hanya mencapai 2892 di generasi maksimal. Dari hasil aransemen, terlihat bahwa hampir di setiap ketukan seperenambelas terdiri dari tiga hingga empat nada harmoni di masing-masing paranada. Nada melodi terdengar jelas dan dominan. Analisis terhadap hasil Pengujian Aransemen Lagu adalah setiap lagu masukan memiliki tingkat kesulitan masing-masing untuk diaransemen sehingga jumlah generasi yang diproses juga berbeda-beda. Untuk lagu Symphony No 9 terjadi karena melodi masukan berjumlah empat frase sehingga memerlukan jumlah generasi yang lebih besar dari generasi maksimal untuk mencapai batas nilai. V-8
9 Nada melodi yang terdengar jelas dan dominan, dan adanya nada harmoni dengan posisi dan jumlah yang sesuai menandakan bahwa hasil aransemen telah memenuhi aspek vertikal musik, mencakup teori melodi, teori harmoni dan teori instrumen. Namun hasil aransemen masih terdengar monoton karena masih belum memenuhi aspek horizontal musik Pengujian 7. Sifat Konvergensi Pengujian Sifat Konvergensi dilakukan dengan menganalisis nilai fitness tertinggi setiap generasi pada Pengujian Aransemen Lagu. Gambar V.6 merupakan diagram konvergensi nilai fitness menuju batas nilai. Diagram tersebut menunjukkan bahwa nilai fitness selalu meningkat seiring dengan bertambahnya generasi menuju batas nilai. Hal ini dapat terjadi karena mengaplikasikan sifat seleksi natural dalam membangun populasi baru, sehingga kromosom di populasi baru selalu relatif lebih baik dari populasi lama. Gambar V.6 Diagram Konvergensi Nilai Fitness V-9
BAB III Analisis. Gambar III.1 Rancangan Pemrosesan
BAB III Analisis Bab ini memuat analisis yang dilakukan dalam penulisan Tugas Akhir, berupa analisis terhadap rancangan pemrosesan, yang dibagi menjadi bagian Preprosesor, Algoritma Genetika, dan bagian
Lebih terperinciBAB IV Perancangan dan Implementasi
BAB IV Perancangan dan Implementasi Bab ini memuat perancangan dan implementasi yang dilakukan dalam penulisan Tugas Akhir, mencakup deskripsi dan lingkungan implementasi perangkat lunak, rancangan dan
Lebih terperinciBAB II Dasar Teori. 2.1 Algoritma Genetika Gambaran Umum
BAB II Dasar Teori Bab ini memuat dasar teori yang digunakan dalam penulisan Tugas Akhir, yaitu Algoritma Genetika; Musik dan Aransemen Musik; dan MusicXML. 2.1 Algoritma Genetika 2.1.1 Gambaran Umum Dalam
Lebih terperinciDaftar Pustaka. [BEL00] Belkin, Alan Music Theory Online : Counterpoint. Diakses: Februari 2007.
Daftar Pustaka [BEL00] Belkin, Alan. 2000. Music Theory Online : Counterpoint. http://www.dolmetsch.com/musictheory33.htm Diakses: Februari 2007. [DAN06] Dannenberg, Roger B., Christopher Raphael. 2006.
Lebih terperinciVukovich dinamis yang digabungkan dengan model PRoFIGA didalamnya.
BAB I PENDAHULUAN 1.1. Latar Belakang Fuzzy Evolutionary Algorithm (FEA) merupakan salah satu model hybrid yang menggabungkan dua buah model soft computing yaitu algoritma genetika dan logika fuzzy. FEA
Lebih terperinciBAB 1 PERSYARATAN PRODUK
BAB 1 PERSYARATAN PRODUK 1.1 Pendahuluan Masalah knapsack 0/1 merupakan bagaimana menentukan pemilihan objek dari sekumpulan objek yang mempunyai berat dan nilai masing-masing yang akan dimuat ke dalam
Lebih terperinciBAB I PENDAHULUAN. berjalan sesuai dengan yang telah di rencanakan. penjadwalan ini merupakan proses yang menyulitkan karena proses ini
BAB I PENDAHULUAN 1.1 Latar Belakang Penjadwalan merupakan kegiatan yang harus dimiliki oleh seseorang untuk membantu aktivitas dalam kehidupan sehari-hari. Terlebih sebuah instansi atau lembaga yang memiliki
Lebih terperinciBAB V PEMBAHASAN DAN UJI COBA HASIL PENELITIAN
BAB V PEMBAHASAN DAN UJI COBA HASIL PENELITIAN 5.1. Penyempurnaan Berikut adalah penyempurnaan yang sudah dilakukan pada aplikasi untuk memaksimalkan kinerja sistem. 5.1.1. Kamus Sinonim Offline Pada saat
Lebih terperinciOPTIMALISASI PENJADWALAN ACARA TELEVISI SWASTA MENGGUNAKAN ALGORITMA GENETIKA
OPTIMALISASI PENJADWALAN ACARA TELEVISI SWASTA MENGGUNAKAN ALGORITMA GENETIKA Aek Mustofa *, Esmeralda C Djamal, Agus Komarudin Jurusan Informatika, Fakultas MIPA, Universitas Jenderal Achmad Yani Jl.
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3 Agar penelitian yang dilakukan sesuai dengan tujuan yang diharapkan maka diperlukan langkah-langkah yang tersusun secara sistematis seperti yang dijabarkan pada gambar 3.1
Lebih terperinciAPLIKASI UNTUK PREDIKSI JUMLAH MAHASISWA PENGAMBIL MATAKULIAH DENGAN MENGGUNAKAN ALGORITMA GENETIKA, STUDI KASUS DI JURUSAN TEKNIK INFORMATIKA ITS
APLIKASI UNTUK PREDIKSI JUMLAH MAHASISWA PENGAMBIL MATAKULIAH DENGAN MENGGUNAKAN ALGORITMA GENETIKA, STUDI KASUS DI JURUSAN TEKNIK INFORMATIKA ITS Hafid Hazaki 1, Joko Lianto Buliali 2, Anny Yuniarti 2
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah 1.2 Perumusan Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Masalah pemilihan lokasi usaha yang tepat merupakan salah satu faktor penunjang suksesnya suatu usaha. Dalam pemilihan lokasi usaha yang tepat diperlukan pertimbangan
Lebih terperinciPemaksimalan Papan Sirkuit Di Pandang Sebagai Masalah Planarisasi Graf 2-Layer Menggunakan Algoritma Genetika
Vol. 14, No. 1, 19-27, Juli 2017 Pemaksimalan Papan Sirkuit Di Pandang Sebagai Masalah Planarisasi Graf 2-Layer Menggunakan Algoritma Genetika Jusmawati Massalesse dan Muh. Ali Imran Abstrak Tulisan ini
Lebih terperinciBAB I PENDAHULUAN. ini dibuktikan dengan adanya musik pada Quadrivium, kurikulum Phytagorean
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Musik pada masa Yunani kuno merupakan bagian dari kajian matematika. Hal ini dibuktikan dengan adanya musik pada Quadrivium, kurikulum Phytagorean School (Beer,
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 terperinciBAB I PENDAHULUAN Latar Belakang
1 BAB I PENDAHULUAN 1.1. Latar Belakang Clustering adalah proses di dalam mencari dan mengelompokkan data yang memiliki kemiripan karakteristik (similarity) antara satu data dengan data yang lain. Clustering
Lebih terperinciBAB I PENDAHULUAN. antaranya Rumah Sakit Umum Daerah Ujung Berung, Rumah Sakit Hasan
BAB I PENDAHULUAN 1.1 Latar Belakang Bandung merupakan kota besar yang memiliki banyak rumah sakit, di antaranya Rumah Sakit Umum Daerah Ujung Berung, Rumah Sakit Hasan Sadikin (RSHS), Rumah Sakit Santo
Lebih terperinciBAB I PENDAHULUAN. dengan memperhatikan batasan-batasan yang ada. Pada penjadwalan terdapat
BAB I PENDAHULUAN 1.1 Latar Belakang Penjadwalan merupakan salah satu bagian dari rutinitas di kehidupan sehari-hari. Penjadwalan banyak digunakan diberbagai bidang seperti industri, manajeman, pendidikan
Lebih terperinciAPLIKASI ALGORITMA GENETIKA UNTUK PENENTUAN KOMPOSISI BAHAN PANGAN HARIAN
APLIKASI ALGORITMA GENETIKA UNTUK PENENTUAN KOMPOSISI BAHAN PANGAN HARIAN Tedy Rismawan 1, Sri Kusumadewi 2 Jurusan Teknik Informatika, Fakultas Teknologi Industri Universitas Islam Indonesia e-mail: 1
Lebih 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 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 terperinciBAB 3 PERANCANGAN PROGRAM. dari OOP (Object Oriented Programming) di mana dalam prosesnya, hal-hal
BAB 3 PERANCANGAN PROGRAM 3.1 Spesifikasi Rumusan Rancangan Program Algoritma Genetika dirancang dengan mengikuti prinsip-prinsip dan sifatsifat dari OOP (Object Oriented Programming) di mana dalam prosesnya,
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pengertian jadwal menurut kamus besar bahasa Indonesia adalah pembagian waktu berdasarkan rencana pengaturan urutan kerja; daftar atau tabel kegiatan atau rencana kegiatan
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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Algoritma Genetika merupakan metode yang menggunakan evolusi alam sebagai gagasan utamanya dalam menyelesaikan suatu permasalahan tertentu. Algoritma ini diterapkan
Lebih terperinciBAB I PENDAHULUAN I - 1
BAB I PENDAHULUAN Pada bagian ini akan dijelaskan tentang pendahuluan laporan Tugas Akhir yang meliputi latar belakang masalah, rumusan masalah, tujuan penelitian, batasan masalah, metodologi penelitian,
Lebih terperinciGenerator Melodi Berdasarkan Skala dan Akord Menggunakan Algoritma Genetika
Generator Melodi Berdasarkan Skala dan Akord Menggunakan Algoritma Genetika 1) Adi Nugroho, 2) Theophilus Erman Wellem, 3) Andi Taru Nugroho NW Fakultas Teknologi Informasi Universitas Kristen Satya Wacana
Lebih terperinciPERANCANGAN TATA LETAK FASILITAS BAGIAN PRODUKSI MENGGUNAKAN METODE ALGORITMA GENETIK DI PT. PUTRA SEJAHTERA MANDIRI
PERANCANGAN TATA LETAK FASILITAS BAGIAN PRODUKSI MENGGUNAKAN METODE ALGORITMA GENETIK DI PT. PUTRA SEJAHTERA MANDIRI TUGAS SARJANA Diajukan Untuk Memenuhi Sebagian Dari Syarat-Syarat Memperoleh Gelar Sarjana
Lebih terperinciBAB III ANALISIS KOMPOSISI
BAB III ANALISIS KOMPOSISI Komposisi Tema dan Variasi berdasarkan lagu Mansibin Siraben untuk solo gitar ini memiliki struktur yang terdiri dari sebuah tema utama dan lima macam variasi dengan coda sebagai
Lebih terperinciT I N J A U A N P U S T A K A Algoritma Genetika [5]
Algoritma Genetika [5] Fitness adalah nilai yang menyatakan baik-tidaknya suatu jalur penyelesaian dalam permasalahan TSP,sehingga dijadikan nilai acuan dalam mencari jalur penyelesaian optimal dalam algoritma
Lebih terperinciPEDOMAN PENGAMATAN. Pengamatan dilakukan untuk mengetahui proses pembelajaran musik
LAMPIRAN 67 68 PEDOMAN PENGAMATAN Tujuan Pengamatan dilakukan untuk mengetahui proses pembelajaran musik untuk siswa Purikids Yogyakarta. Pengamatan bertujuan untuk melihat langkahlangkah yang dilakukan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN Pada bab ini akan dibahas mengenai pendahuluan dari tugas akhir yang meliputi latar belakang, rumusan masalah yang diangkat, tujuan, batasan masalah, dan metodologi yang digunakan dalam
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 terperinciBAB 2 LANDASAN TEORI. 2.1 Algoritma Genetika
6 BAB 2 LANDASAN TEORI 2.1 Algoritma Genetika Algoritma genetika merupakan metode pencarian yang disesuaikan dengan proses genetika dari organisme-organisme biologi yang berdasarkan pada teori evolusi
Lebih terperinciKata Pengantar. Assalamu alaikum Warahmatullahi Wabarakatuh
Kata Pengantar Assalamu alaikum Warahmatullahi Wabarakatuh Segala puji dan syukur penulis ucapkan kepada Allah SWT yang telah memberikan segala nikmat, karunia, serta bimbingan-nya sehingga penulis dapat
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 terperinciABSTRAK. Universitas Kristen Maranatha
ABSTRAK PT. Kerta Laksana merupakan perusahaan yang bergerak di bidang manufaktur mesin. Sistem produksi yang diterapkan perusahaan ialah job shop karena perusahaan ini memproduksi banyak variasi mesin
Lebih terperinciBAB I PENDAHULUAN. kehidupan sehari-hari dan juga merupakan disiplin ilmu yang berdiri sendiri serta
BAB I PENDAHULUAN A. Latar Belakang Matematika adalah cabang ilmu pengetahuan yang dapat digunakan dalam kehidupan sehari-hari dan juga merupakan disiplin ilmu yang berdiri sendiri serta tidak merupakan
Lebih 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 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 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 terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pada awal diciptakan, komputer hanya difungsikan sebagai alat hitung saja. Namun seiring dengan perkembangan zaman, maka peran komputer semakin mendominasi kehidupan.
Lebih 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 terperinciBAB III ANALISA MASALAH DAN RANCANGAN PROGRAM
BAB III ANALISA MASALAH DAN RANCANGAN PROGRAM III.1. Analisa Masalah Perkembangan game dari skala kecil maupun besar sangat bervariasi yang dapat dimainkan oleh siapa saja tanpa memandang umur, dari anak
Lebih terperinci2.16. Keaslian Penelitian BAB III ANALISIS DAN PERANCANGAN Analisa sistem Observasi Wawancara
DAFTAR ISI HALAMAN JUDUL... i HALAMAN PENGESAHAN PEMBIMBING... ii HALAMAN PENGESAHAN PENGUJI... iii BERITA ACARA DEMO SOFTWARE TUGAS AKHIR... iv SURAT PERNYATAAN KARYA ASLI TUGAS AKHIR...v ABSTRAK.....vi
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI. Berikut ini merupakan spesifikasi perangkat keras dan perangkat lunak yang
BAB IMPLEMENTASI DAN EVALUASI. Implementasi Sistem Berikut ini merupakan spesifikasi perangkat keras dan perangkat lunak yang diperlukan agar program simulasi Tata Letak Tempat Sampah dengan Algoritma
Lebih terperinciOPTIMASI RANCANGAN FILTER BANDPASS AKTIF UNTUK SINYAL LEMAH MENGGUNAKAN ALGORITMA GENETIK Studi Kasus: Sinyal EEG
OPTIMASI RANCANGAN FILTER BANDPASS AKTIF UNTUK SINYAL LEMAH MENGGUNAKAN ALGORITMA GENETIK Studi Kasus: Sinyal EEG Oleh : Ellys Kumala P (1107100040) Dosen Pembimbing Dr. Melania Suweni Muntini, MT JURUSAN
Lebih terperinci1. Pendahuluan 1.1 Latar Belakang
1. Pendahuluan 1.1 Latar Belakang Saat ini, kebutuhan manusia akan teknologi semakin meningkat karena tidak bisa dipungkiri bahwa teknologi tersebut dapat meringankan pekerjaan manusia. Hal ini juga diimbangi
Lebih terperinciPRESENTASI TUGAS AKHIR
PRESENTASI TUGAS AKHIR Travelling Salesman Problem menggunakan Algoritma Genetika Via GPS berbasis Android (kata kunci : android,gps,google Maps, Algoritma Genetika, TSP) Penyusun Tugas Akhir : Azmi Baharudin
Lebih 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 terperinciBab IV Simulasi dan Pembahasan
Bab IV Simulasi dan Pembahasan IV.1 Gambaran Umum Simulasi Untuk menganalisis program pemodelan network flow analysis yang telah dirancang maka perlu dilakukan simulasi program tersebut. Dalam penelitian
Lebih terperinciGenetic Algorithme. Perbedaan GA
Genetic Algorithme Algoritma ini bekerja dengan sebuah populasi yang terdiri atas individu-individu (kromosom). Individu dilambangkan dengan sebuah nilai kebugaran (fitness) yang akan digunakan untuk mencari
Lebih 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 terperinciTes Teori Tambahan Pengganti Nilai Kurang pada Kegiatan Praktik
Nama Kelas/No. Absen :. :. Tes Teori Tambahan Pengganti Nilai Kurang pada Kegiatan Praktik MATERI : Nada dan Interval 1. Standar nada secara internasional ditetapkan nada a adalah... A. 400 Hz B. 220 Hz
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 terperinciALGORITMA GENETIKA DENGAN PENDEKATAN MODEL PULAU PADA PERMASALAHAN TRAVELLING SALESMAN
ALGORITMA GENETIKA DENGAN PENDEKATAN MODEL PULAU PADA PERMASALAHAN TRAVELLING SALESMAN Hardy STMIK Mikroskil Jl. Thamrin No. 112, 124, 140 Medan 20212 hardy@mikroskil.ac.id Abstrak Algoritma genetika telah
Lebih terperinciOPTIMASI PENJADWALAN BIMBINGAN BELAJAR MENGGUNAKAN METODE ALGORITMA GENETIKA
OPTIMASI PENJADWALAN BIMBINGAN BELAJAR MENGGUNAKAN METODE ALGORITMA GENETIKA SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.kom) Pada Program Studi Sistem Informasi
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 terperinciOleh : SUPRIYONO
1 Oleh : SUPRIYONO 5110201024 LATAR BELAKANG Teknologi Informasi merupakan perihal yang sangat penting bagi perusahaan karena dapat digunakan dalam pengambilan suatu keputusan Menurut (Boehm,1991) mengidentifikasi
Lebih terperinciBAB I PENDAHULUAN. telah diadopsi untuk mengurangi getaran pada gedung-gedung tinggi dan struktur
BAB I PENDAHULUAN 1.1 Latar Belakang Tuned mass damper (TMD) telah banyak digunakan untuk mengendalikan getaran dalam sistem teknik mesin. Dalam beberapa tahun terakhir teori TMD telah diadopsi untuk mengurangi
Lebih terperinciBAB III ANALISIS PENERAPAN KONSEP WALKING BASS PADA BASS ELEKTRIK. logis dan fungsional berdasarkan garis harmoni untuk membuat time feel sebaik
BAB III ANALISIS PENERAPAN KONSEP WALKING BASS PADA BASS ELEKTRIK Alur walking bass merupakan hal yang relatif menarik bagi banyak musisi, khususnya jazz. Pemain bass diharapkan memainkan serangkaian nada-nada
Lebih terperinciBAB II LANDASAN TEORI. Tahun 2001 pemilik CV. Tunas Jaya membuka usaha di bidang penjualan dan
BAB II LANDASAN TEORI 2.1 Sejarah Perusahaan Tahun 2001 pemilik CV. Tunas Jaya membuka usaha di bidang penjualan dan pengadaan suku cadang computer. Dalam bidang tersebut diharuskan berbadan hukum PD,
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN SISTEM
BAB 3 ANALISIS DAN PERANCANGAN SISTEM Perancangan program aplikasi dalam skripsi ini menggunakan aturan linear sequential atau waterfall. Metode ini terdiri dari empat tahapan, yaitu : analisis, perancangan,
Lebih terperinciAPLIKASI ALGORITMA GENETIKA DALAM MENENTUKAN SPESIFIKASI PC BERDASARKAN KEMAMPUAN FINANSIAL KONSUMEN
APLIKASI ALGORITMA GENETIKA DALAM MENENTUKAN SPESIFIKASI PC BERDASARKAN KEMAMPUAN FINANSIAL KONSUMEN Eva Haryanty, S.Kom. ABSTRAK Komputer adalah salah satu peralatan yang pada saat ini banyak pula digunakan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Permasalahan
BAB I PENDAHULUAN 1.1 Latar Belakang Permasalahan Masalah penjadwalan secara umum adalah aktivitas penugasan yang berhubungan dengan sejumlah constraint, sejumlah kejadian yang dapat terjadi pada suatu
Lebih terperinciBAB I PENDAHULUAN. I.1 Latar Belakang
BAB I PENDAHULUAN I.1 Latar Belakang Musik adalah seni, hiburan, dan aktivitas manusia yang melibatkan suara-suara yang teratur [KLE07]. Istilah musik juga digunakan untuk mengacu pada permainan musik,
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 terperinciBAB I PENDAHULUAN. Analisis merupakan salah satu kemampuan yang harus dimiliki oleh
BAB I PENDAHULUAN A. LATAR BELAKANG MASALAH Analisis merupakan salah satu kemampuan yang harus dimiliki oleh seorang pelaku seni khususnya dibidang seni musik, baik sebagai seorang seorang pengajar, praktisi,
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 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 terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM. analisis, desain/perancangan, kode, dan pengujian/implementasi. Tahap analisis
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM Perancangan program simulasi dalam skripsi ini terdiri dari empat tahapan, yaitu analisis, desain/perancangan, kode, dan pengujian/implementasi. Tahap analisis kebutuhan,
Lebih terperinciPEMODELAN INVERSI DATA MAGNETOTELLURIK 1-D MENGGUNAKAN METODA GENETIC ALGORITHM (GA) DRAFT TESIS
PEMODELAN INVERSI DATA MAGNETOTELLURIK 1-D MENGGUNAKAN METODA GENETIC ALGORITHM (GA) DRAFT TESIS Oleh NIA MAHARANI NIM : 22405003 Program Studi Sains Kebumian INSTITUT TEKNOLOGI BANDUNG 2007 v ABSTRAK
Lebih terperinciBAB III KONSEP DAN PERANCANGAN APLIKASI
BAB III KONSEP DAN PERANCANGAN APLIKASI 3.1 Konsep Pada bab ini penulis akan membahas konsep mengenai perangkat lunak yang digunakan serta akan dibahas mengenai tujuan, kegunaan dan untuk siapa aplikasi
Lebih terperinciCARA MUDAH MENENTUKAN AKOR SUATU LAGU
CARA MUDAH MENENTUKAN AKOR SUATU LAGU Abstrak Akor adalah unsur pokok dalam mengiringi lagu karena akor akan menjadi patokan untuk menentukan nada-nada yang akan dimainkan oleh instrumen yang digunakan
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 terperinciBAB III ANALISIS KOMPOSISI
BAB III ANALISIS KOMPOSISI A. Konsep Penyusunan Komposisi Suita Dalam Tangga Nada C Major Komposisi Musik untuk Trio Gitar ini merupakan komposisi yang menggunakan struktur dan karakter dari suita barok
Lebih terperinciZbigniew M., Genetic Alg. + Data Structures = Evolution Program, Springler-verlag.
Zbigniew M., Genetic Alg. + Data Structures = Evolution Program, Springler-verlag. 12/11/2009 1 Ditemukan oleh Holland pada tahun 1975. Didasari oleh fenomena evolusi darwin. 4 kondisi yg mempengaruhi
Lebih terperinciPENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN TRAVELLING SALESMAN PROBLEM (TSP)
PENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN TRAVELLING SALESMAN PROBLEM (TSP) Mohamad Subchan STMIK Muhammadiyah Banten e-mail: moh.subhan@gmail.com ABSTRAK: Permasalahan pencarian rute terpendek dapat
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Konsep Umum Optimasi Optimasi merupakan suatu cara untuk menghasilkan suatu bentuk struktur yang aman dalam segi perencanaan dan menghasilkan struktur yang
Lebih terperinciBAB III ANALISIS KOMPOSISI
BAB III ANALISIS KOMPOSISI Komposisi Sonata in C # Minor Op. 1 No. 1 untuk cello dan piano terdiri dari tiga movement, yaitu sonata-allegro form bertempo adagio, minuet dan trio bertempo allegretto, dan
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 terperinci(Penggalan frase 1, frase 2 dan frase 3 pada bagian A)
DESKRIPSI CIPTA LAGU AKU SIAP LOMBA VOKAL TUNGGAL TINGKAT SD SE-DIY DALAM RANGKA KEGIATAN WISATA KAMPUS Oleh : F. Xaveria Diah K. NIP : 19791222 200501 2 003 A. Pendahuluan Lagu ini dibuat dalam rangka
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 terperinciUniversitas Kristen Maranatha
ABSTRAK PT Sinar Terang Logamjaya merupakan salah satu perusahaan yang memproduksi sparepart motor yang berbahan utama logam. Perusahaan menerapkan layout lantai produksi berupa layout by process. oleh
Lebih terperinciBAB 1 PENDAHULUAN. Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Semakin bervariasinya jenis makanan yang dikonsumsi oleh masyarakat serta pola makan dan pola hidup yang semakin kurang sehat, membawa berbagai dampak dibidang
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 terperinciPENDAHULUAN. Latar Belakang. Tujuan Penelitian
PENDAHULUAN Latar Belakang Fungsi Cobb-Douglas dengan galat aditif merupakan salah satu fungsi produksi yang dapat digunakan untuk menganalisis hubungan antara hasil produksi dan faktor-faktor produksi.
Lebih terperinciOPTIMASI JALUR TRANSPORTASI PRODUK HOUSING CLUTCH DENGAN MENGGUNAKAN METODE ALGORITMA GENETIKA PADA PT. SUZUKI INDOMOBIL MOTOR PLANT CAKUNG
OPTIMASI JALUR TRANSPORTASI PRODUK HOUSING CLUTCH DENGAN MENGGUNAKAN METODE ALGORITMA GENETIKA PADA PT. SUZUKI INDOMOBIL MOTOR PLANT CAKUNG Disusun Oleh : Nama : Mochammad Brananta Arya Lasmono NPM : 34412653
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 terperinciHASIL DAN PEMBAHASAN. Gambar 7 Diagram alur proses mutasi.
5 Mulai HASIL DAN PEMBAHASAN Kromosom P = rand [0,1] Ya P < Pm R = random Gen(r) dimutasi Selesai Tidak Gambar 7 Diagram alur proses mutasi. Hasil populasi baru yang terbentuk akan dievaluasi kembali dan
Lebih terperinciOptimalisasi Pengantaran Barang dalam Perdagangan Online Menggunakan Algoritma Genetika
Optimalisasi Pengantaran Barang dalam Perdagangan Online Menggunakan Algoritma Genetika Rozak Arief Pratama 1, Esmeralda C. Djamal, Agus Komarudin Jurusan Informatika, Fakultas MIPA Universitas Jenderal
Lebih terperinciGenerator Jadwal Perkuliahan Menggunakan Algoritma Genetika
Generator Jadwal Perkuliahan Menggunakan Algoritma Genetika Zainal Akbar 1), Muh. Fajri Raharjo 2), Eddy Tungadi 3) CAIR, Politeknik Negeri Ujung Pandang Jl. Perintis Kemerdekaan km. 10, Tamalanrea Makassar,
Lebih terperinciSistem Tonjur untuk Membantu Menentukan Pasangan Main Angklung ke Pemain dengan Memanfaatkan MusicXML
Sistem Tonjur untuk Membantu Menentukan Pasangan Main Angklung ke Pemain dengan Memanfaatkan MusicXML Hafid Inggiantowi / 13507094 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika
Lebih terperinciI. PENDAHULUAN. Pendidikan adalah usaha sadar dan terencana untuk mewujudkan suasana belajar
I. PENDAHULUAN 1.1. Latar Belakang Masalah Pendidikan adalah usaha sadar dan terencana untuk mewujudkan suasana belajar dan proses pembelajaran agar peserta didik secara aktif mengembangkan potensi dirinya
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 terperinciRANCANG BANGUN SISTEM PENENTUAN KOMPOSISI BAHAN PANGAN HARIAN MENGGUNAKAN ALGORITMA GENETIKA
ABSTRAKSI RANCANG BANGUN SISTEM PENENTUAN KOMPOSISI BAHAN PANGAN HARIAN MENGGUNAKAN ALGORITMA GENETIKA Tedy Rismawan, Sri Kusumadewi Jurusan Teknik Informatika, Fakultas Teknologi Industri Universitas
Lebih terperinciPERAMALAN HARGA EMAS MENGGUNAKAN ALGORTIMA MEMETIKA DENGAN PENCARIAN LOCAL TABU SEARCH. Iqbal Dwihanandrio
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.2 Agustus 2015 Page 6447 PERAMALAN HARGA EMAS MENGGUNAKAN ALGORTIMA MEMETIKA DENGAN PENCARIAN LOCAL TABU SEARCH Iqbal Dwihanandrio S1 Teknik Informatika
Lebih terperinciPELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE SELEKSI TURNAMEN UNTUK DATA TIME SERIES
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 65-72 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE
Lebih 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 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 terperinci