Penjadwalan Dinas Pegawai Menggunakan Algoritma Genetika Pada PT Kereta Api Indonesia (KAI) Daerah Operasi 7 Stasiun Besar Kediri
|
|
- Suhendra Irawan
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X Vol. 2, No. 11, November 2018, hlm Penjadwalan Dinas Pegawai Menggunakan Algoritma Genetika Pada PT Kereta Api Indonesia (KAI) Daerah Operasi 7 Stasiun Besar Kediri Yolanda Nailil Ula 1, Dian Eka Ratnawati 2, Satrio Agung Wicaksono 3 Program Studi Teknik Informatika, 1 yolannailil@gmail.com, 2 dian_ilkom@ub.ac.id, 3 satrio@ub.ac.id Abstrak Penjadwalan merupakan salah satu hal yang sangat penting untuk menciptakan keteraturan dalam kegiatan berorganisasi di perusahaan, salah satunya adalah penjadwalan pegawai. Pada penelitian ini digunakan data jadwal dinas pegawai PT Kereta Api Indonesia Stasiun Besar Kediri tahun 2017, untuk mendapatkan hasil penjadwalan yang optimal digunakan metode algoritma genetika sebagai solusi permasalahan berdasarkan aturan yang ditetapkan. Pada algoritma genetika ini proses inisialisasi populasi awal, setiap kromosom dibangkitkan menggunakan bilangan permutasi dengan panjang gen 98 yang mewakili 14 pegawai dalam 7 hari. Proses reproduksi terbagi menjadi crossover dan mutasi, metode crossover yang digunakan adalah one cut point, sedangkan metode mutasi yang digunakan adalah reciprocal exchange mutation. Proses evaluasi diperoleh dari perhitungan nilai fitness pada masing-masing kromosom. Seleksi dilakukan dengan elitism selection yaitu menyeleksi nilai fitness sehingga hasil terbaik akan lolos ke generasi selanjutnya. Berdasarkan hasil pengujian diperoleh parameter yang optimal yaitu nilai cr 0,1 nilai mr 0,9, generasi ke 50 dan populasi 50 dengan rata-rata nilai fitness 0,093. Kata kunci: Penjadwalan Dinas Pegawai, Algoritma Genetika Abstract Scheduling is one thing that very important to create regularity organizational activities in the company, especially about the scheduling employee service. In this study data schedule employee PT Kereta Api Indonesia Kediri Besar Station in 2017, for optimal scheduling result use genetic algorithm method base on company regulation. In the genetic algorithm process initial population process is done by chromosome representation using permutation number with length of gene 98 representing 14 employees in 7 days. The reproduction process is divided into crossover and mutation, the crossover method use one cut point, and the mutation method use reciprocal exchange mutation. The selection process is done by elitism selection with selecting the fitness value based on the best result to be the parents in the next generation. Based on the test results are obtained the optimal parameters of cr value 0,1 mr value 0,9 in the 50 th generation and population 50 with average fitness value 0,093. Keywords: Employee Service Scheduling, Genetic Algorithm 1. PENDAHULUAN Di zaman teknologi seperti sekarang, perusahan ditutuntut untuk cepat beradaptasi dengan zaman terutama soal inovasi dan kreatifitas dalam pelayanan baik internal maupun eksternal. Perkembangan itu mendorong perusahan untuk selalu bertindak efisien dan efektif menjalankan tugas organisasi guna menghemat seumber daya seperti biaya dan waktu. Perkembangan saat ini sangat mempengaruhi perusahan keseluruhan, dan tidak dapat dihindari bahwa teknologi informasi sangat berpengaruh untuk melakukan kegiatan organisasi secara otomatis dan tersistem dengan rapi. Salah satunya yang terpengaruh perkembangan adalah penjadwalan. Penjadwalan merupakan hal yang sangat penting dalam organisasi yang dapat menciptakan keteraturan, salah satunya adalah penjadwalan pegawai yang mengatur kegiatan produksi dan juga pelayan terhadap konsumen. Keefektifan dan keeefisiensian penjadwalan akan sangat berguna untuk mengurangi biaya Fakultas Ilmu Komputer Universitas Brawijaya 4371
2 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 4372 (dalam penggajian) dan waktu serta akan membantu pegawawai agar tidak mengalami kebingungan dalam melaksakan tugas organisasinya. Perusahaan atau instansi biasanya masih menggunakan penjadwalan secara manual dan belum terkomputerisasi. Permasalahan yang muncul saat menggunakan penjadwalan manual adalah beban kerja yang tidak merata, pembagian jam kerja yang kurang adil hingga terjadi bentrok dalam organisasi, dan jumlah pegawai yang lebih sedikit dibandingakan beban kerja, serta sangat rentan dengan kesalahan manusia (human eror). Hal-hal ini menjadi faktor yang menyulitkan dalam membuat jadwal secara manual, untuk itu dibuatlah jadwal secara komputerisasi. Masalah penjadwalan ini juga menimpa salah satu perusahaan transportasi pemerintah yaitu PT Kereta Api Indonesia (Persero) atau PT KAI. PT KAI hampir memiliki stasiun pemberhentian disetiap kota di pulau jawa, salah satunya adalah Stasiun Besar Kediri dibawah Daerah Operasi 7 Madiun. Setiap stasiun diberikan wewenang dalam menjalankan organisasinya termasuk pengaturan jadwal. Stasiun Besar Kediri untuk menentukan jadwal pegawainya masih menggunakan cara manual yang itu kurang efektif dan efisien berdasarkan masalah yang telah dibahas diatas, untuk mengatasi dan menghindari hal tersebut dapat dilakukan penjadwalan secara otomatis atau komputerisasi. Penjadwalan pegawai secara otomatis dapat dilakukan menggunakan macam-macam metode seperti simulated annealing atau algoritma koloni semut, graph coloring, dan algoritma genetika (Mahmudy & rahman,2011). Algoritma genetika merupakan metode yang paling optimal untuk menyelesaikan masalah penjadwalan (Hayati,2013). Algoritma genetika pernah dipakai pada penelitian mengenai penjadwalan oleh Devi, Mahmudy, & Setiawan (2015). Penelitian tersebut membahas penerapan algoritma genetika untuk penjadwalan asisten praktikum pada jurusan Teknik Informatika Universitas Barawijaya, penelitian tersebut menghasilkan kromosom terbaik dalam penjadwalan dengan waktu paling optimal dan jumlah penalti terendah. Penelitian lain yang dilakukan oleh Puspa ningrum, Djunaidy, &Vinarti (2013) menggunakan algoritma genetika untuk penelitian jurusan Sistem Informasi Institut Sepuluh November, menghasilkan keberhasilan yang diharapkan degan berjalannya sistem dan memberikan output yang sesuai aplikasi, walau terdapat batasan lunak yang belum terpenuhi namun dianggap sama. Berdasarkan penelitian diatas menunjukan algoritma genetika dapat menyelesaikan masalah penjadwalan secara optimal. Latar belakang permasalah diatas maka penelitian yang dilakukan menggambil judul Penjadwalan Dinas Pegawai Menggunakan Algoritma Genetika Pada PT Kereta Api Indonesia (KAI) Daop 7 Stasiun Besar Kediri. Penelitian ini diharap dapat menyelesaikan masalah penjadwalan dalam instansi. 2. METODOLOGI PENELITIAN Pada penelitian ini terdapat beberapa tahapan dapat dilihat pada Gambar 1: Gambar 1. Metodologi Penelitian 2.1 Studi Literatur Pada tahapan ini bertujuan untuk mencari referensi mengenai penjadwalan menggunakan algoritma genetika. Sumber yang digunakan diperoleh dari internet, jurnal penelitian, dan sumber yang relevan. 2.2 Pengambilan Data Data yang digunakan dalam penelitian diperoleh dari PT Kereta Api Indonesia khususnya Stasiun Besar Kediri, data diambil dari bidang kepegawaian tahun 2017 yang berisi nama dan nomor induk pegawai. 2.3 Analisis Kebutuhan Tahapan analisis kebutuhan bertujuan untuk mengetahui kebutuhan yang diperlukan dalam membangun sistem penjadwalan dinas pegawai. 2.4 Perancangan
3 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 4373 Pada tahap ini dilakukan perancangan sistem yang akan dibuat, perancangan tersebut meliputi tampilan sistem dan komponen yang dibutuhkan dalam membangun sistem 2.5 Implementasi Tahapan ini merupakan tahap realiasasi dari perancangan sistem, pada tahap ini digunakan algoritma genetika dan bahasa pemrograman java. 2.6 Pengujian dan Evaluasi Pada tahap ini dilakukan pengujian terhadap sistem untuk mendapatkan seberapa besar pengaruh algoritma genetika terhadap penjadwalan pegawai dan mengetahui parameter terbaik yang dihasilkan oleh sistem. 3. PERANCANGAN 3.1. Data Data yang digunakan dalam penjadwalan dinas pegawai yaitu data yang diperoleh dari PT Kereta Api Indonesia khususnya Stasiun Besar Kediri. Data yang digunakan merupakan data nama pegawai dan nomor induk pegawai Algoritma Genetika dalam Penjadwalan Dibawah ini menampilkan diagram alur yang digunakan oleh sistem untuk mengimplementasikan penjadwalan ditunjukan pada gambar Inisialisasi Populasi Inisialisasi populasi awal merupakan proses pengkodean kromosom, pada penelitian ini digunakan pengkodean bilangan permutasi. Bilangan permutasi mewakili index pegawai sejumlah 14 kromosom yang dimulai dari 0 sampai 13. Penjadwalan dilakukan selama 7 hari, dengan 14 kromosom pada masing-masing hari sehingga total kromosom yang dihasilkan sepanjang 98. Berikut contoh representasi kromosom dalam 7 hari dapat dilihat pada Gambar 3. Gambar 2. Alur Algoritma Genetika pada Penjadwalan Dinas Pegawai Gambar 3. Representasi Kromosom Bilangan Permutasi Reproduksi Crossover Crossover merupakan proses awal dalam reproduksi. Pada kasus penjadwalan dinas pegawai crossover dilakukan dengan menggunakan metode one cut point. Pemilihan induk dilakukan secara random berdasarkan probabilitas nilai crossover rate dan popsize. Setelah pemilihan induk, crossover point ditentukan dengan cara random kemudian dilakukan pemotongan gen dan penukaran gen pada individu dan gen terpilih. Sebagai contoh induk 1 dan induk 5 terpilih, kemudian dipilih titik potong pada individu tersebut dimisalkan gen ke-4. Gen ke 1 sampai ke 3 pada induk 1 ditukar silang dengan gen ke 4 sampai ke 98 pada induk 5 dan menghasilkan anak 1 dan 2.
4 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Mutasi Mutasi merupakan proses kedua setelah crossover dalam reproduksi. Pada kasus penjadwalan dinas pegawai mutasi dilakukan dengan menggunakan metode reciprocal exchange mutation. Pemilihan induk dilakukan secara random berdasarkan probabilitas nilai mutation rate dan popsize. Setelah pemilihan induk, mutasu point ditentukan dengan cara random kemudian dilakukan pemotongan gen dan penukaran gen pada individu dan gen terpilih. Sebagai contoh induk 3 terpilih, kemudian dipilih mutasi point pada gen ke-2 dan ke-96. Nilai pada gen ke-2 dan ke-96 ditukar dan menghasilkan anak 3. individu yang lolos seleksi sama jumlahnya dengan ukuran populasi. Pada proses ini digunakan metode elitism selection, metode tersebut melakukan seleksi dengan mengurutkan individu berdasarkan nilai fitness tertinggi. Hasil seleksi tersebut terdapat pada Tabel 2. Tabel 2. Hasil seleksi Evaluasi Proses eveluasi bertujuan untuk menghitung nilai fitness, nilai fitness pada kasus penjadwalan dinas pegawai diperoleh dengan cara mengitung penalti pada masing-masing individu yang dihasilkan pada proses reproduksi. Bobot nilai penalti pada masing-masing pelanggaran disesuaikan dengan aturan penjadwalan. Rumus fitness yang digunakan dapat dilihat pada persamaan (1). Hasil perhitungan fitness terdapat pada Tabel Seleksi Tabel 1. Hasil perhitungan fitness Seleksi merupakan proses pemilihan individu terbaik yang dihasilkan dari proses evaluasi. Pemilihan individu yang berdasarkan probabilitas ukuran populasi. Dapat dipastikan 4. PENGUJIAN 4.1 Pengujian Kombinasi Cr dan Mr Pengujian cr dan mr dilakukan untuk mencari parameter nilai fitness terbaik yang dihasilkan dari beberapa kombinasi nilai cr dan mr yang diuji cobakan sebagai parameter terbaik yang digunakan untuk dijadikan solusi permasalahan. Apabila nilai fitness yang dihasilkan tidak terjadi perubahan pada parameter yang telah ditentukan, nilainya akan dijadikan parameter terbaik dari cr dan mr. Nilai parameter yang digunakan pada pengujian ini : Popsize : 10 Generasi : 20 Pada parameter nilai kombinasi cr 0,1 dan mr 0,9 menghasilkan rata-rata fitness yang terbaik dibandingkan dengan fitness yang dihasilkan kombinasi lain. Nilai yang dihasilkan sangat dipengaruhi oleh kombinasi yang ditentukan dan setiap kasus berbeda berdasarkan permasalahan yang diselesaikan, penyebabnya adalah tidak adanya ketentuan baku nilai cr dan mr yang memberikan hasil optimal. Kombinasi yang tepat dapat mempengaruhi hasil permasalahan Mahmudy (2013). Grafik hasil pengujian kombinasi cr dan mr terdapat pada Gambar 4.
5 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 4375 Gambar 4. Grafik Pengujian KombinasiCr dan Mr 4.2 Pengujian Banyak Generasi Pengujian banyak generasi dilakukan untuk mencari parameter nilai fitness terbaik yang dihasilkan dari generasi yang diuji cobakan sebagai parameter terbaik yang digunakan untuk dijadikan solusi permasalahan. Apabila nilai fitness yang dihasilkan tidak terjadi perubahan pada parameter yang telah ditentukan, nilainya akan dijadikan parameter terbaik dari suatu generasi. Nilai parameter yang digunakan pada pengujian ini : Generasi : Popsize : 30 Cr : 0,2 Mr : 0,4 Saat pengujian dilakukan hasil generasi 10 meningkat hingga generasi 40, selanjutnya di generasi 50 telah mengalami kesetabilan atau konvergensi nilai fitness. Hasil dari pengujian tersebut didapatkan nilai konvergensi tidak didapat secara cepat dikarenakan pengaruh banyaknya generasi. Proses algoritma mengalami peningkatan yang stabil dan mengalami konvergensi pada generasi 50 yang dapat digunakan sebagai parameter. Grafik hasil pengujian banyak generasi terdapat pada Gambar 5. Gambar 5. Grafik Pengujian Banyak Generasi 4.3 Pengujian Ukuran Populasi Pengujian ukuran populasi dilakukan untuk mencari parameter nilai fitness terbaik yang dihasilkan dari populasi yang diuji cobakan sebagai parameter terbaik yang digunakan untuk dijadikan solusi permasalahan. Apabila nilai fitness yang dihasilkan tidak terjadi perubahan pada parameter yang telah ditentukan, nilainya akan dijadikan parameter terbaik dari suatu generasi. Sama halnya dengan pengujian kombinasi cr dan mr dan pengujian banyak generasi. Nilai parameter yang digunakan pada pengujian ini : Populasi : Generasi : 50 Cr : 0,2 Mr : 0,4 Pada saat pengujian dilakukan hasil generasi 10 meningkat hingga generasi 40, selanjutnya di generasi 50 telah mengalami kesetabilan atau konvergensi nilai fitness. Hasil dari pengujian tersebut didapatkan nilai konvergensi tidak didapat secara cepat dikarenakan pengaruh banyaknya generasi. Proses algoritma mengalami peningkatan yang stabil dan mengalami konvergensi pada generasi 50 yang dapat digunakan sebagai parameter. Grafik hasil pengujian banyak generasi dapat dilihat pada Gambar 6. Gambar 6. Grafik Pengujian Ukuran Populasi 4.4 Pembahasan Hasil Berdasarkan hasil dari pengujian didapatkan nilai populasi dan generasi parameter optimal pada dinilai 50. Dalam pengujian kombinasi cr dan mr didapat parameter terbaik pada kombinasi cr 0,1 dan mr 0,9. Parameter yang telah didapatkan akan diuji terhadap sistem sebanyak 10 kali untuk mengetahui konsistensi hasil uji. Hasil rata-rata fitness yang didapat sebesar 0,093.
6 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 4376 Sistem penjadwalan dikatakan benar apabila jadwal yang dihasilkan telah sesuai dengan aturan yang telah ditetapkan. Jadwal yang tidak sama dengan aturan bisa dimasukan sebagai nilai penalti. Algoritma genetika berjalan secara acak atau random, maka jadwal yang dihasilkan dari perhitungan algoritma juga secara random. Dalam penjadwalan ini ketetapan nilai benar tidak didapat dari pakar namun berdasarkan pada aturan yang disusun sesuai dengan kondisi perusahaan. Metode algoritma genetika digunakan oleh sistem penjadwalan dinas pegawai yang disesuaikan dengan aturan yang digunakan oleh perusahaan yang bersangkutan. 5. PENUTUP Kesimpulan yang didapat dari penelitian ini adalah: 1. Pembangkitan representasi kromosom secara random dengan panjang kromosom 98. Representasi permutasi pada range 0-13 sebagai indek pegawai, berdasarkan total pembangkitan gen, dibagi 7 hari dan masing-masing memiliki 14 gen. Representasi diatas dapat digunakan untuk membentuk jadwal dinas pegawai. 2. Dari uji coba yang dilakukan diperoleh ratarata nilai fitness tertinggi menggunakan parameter sistem sebagai berikut: Generasi : 50 Popsize : 50 Cr : 0,1 Mr : 0,9 3. Penjadwalan dinas pegawai dilakukan menggunakan algoritma genetika dengan melalui beberapa tahap seperti inisialisasi populasi awal dilakukan dengan merandom indek pegawai, crossover menggunkan one cut point, mutasi menggunakan reciprocal exchange mutation, untuk menentukan nilai penalti dan fitness setiap individu melalui proses evaluasi, pada tahap akhir dilakukan proses seleksi menggunakan metode elitism selection dalam penentuan individu terbaik dan nilai fitness tertinggi. 4. Setelah dilakukan pengujian mendapat nilai fitness terbesar 0,093 dan memiliki pelanggaran terkecil, untuk itu sistem dapat digunakan untuk penjadwalan dinas pegawai PT. Kereta Api Indonesia (Persero). DAFTAR PUSTAKA Devi, O. C., Mahmudy W. F. & Setiawan, B. D. (2015). Penerapan Algoritma Genetika Untuk Penjadwalan Asisten Praktikum. DORO: Repository Jurnal Mahasiswa. PTIIK Universitas Brawijaya, Vol 5, No 11. Gen, M. & Cheng, R. (1997). Genetic Algorithms and Engineering Design. New York: John Wiley & Sons, Inc. Ginting, Rosnani. (2009). Penjadwalan Mesin. Graha Ilmu. Yogyakarta Hayati, A. R. (2013). Pengembangan Metode Algoritma Genetika Dan Darwinian Particle Swam Optimization Untuk Fungsi Multimodal. ELTEK, 11 no 02, Mahmudy, Wayan Dasar-Dasar Algoritma Evolusi. Malang. Universitas Brawijaya Mahmudy, W. F., & Rahman, M. (2011). Optimasi Fungsi Multi-obyektif Berkendala Menggunakan Algoritma Genetika Adaptif Dengan Pengkodean Real Kursor. Vol. 6 no.1, Mahmudy, W. F. (2013). Algoritma Evolusi Puspaningrum, W.A., Djunaidy & Vinarti, R.A. (2013). Penjadwalan Mata Kuliah Menggunakan Algoritma Genetika di Jurusan Sistem Informasi ITS. Jurnal Teknik POMITS, vol. 2 no.1, 1-5.
OPTIMASI 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 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 JADWAL MENGAJAR ASISTEN LABORATORIUM MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI JADWAL MENGAJAR ASISTEN LABORATORIUM MENGGUNAKAN ALGORITMA GENETIKA Indana Zulfa 1, Wayan Firdaus Mahmudy 2, Budi Darma Setiawan 3 Teknik Informatika, Program Teknologi Informasi dan Ilmu Komputer,
Lebih terperinciOptimasi 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 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 terperinciOptimasi Penjadwalan Mata Pelajaran Menggunakan Algoritma Genetika (Studi Kasus : SMPN 1 Gondang Mojokerto)
Optimasi Penjadwalan Mata Pelajaran Menggunakan Algoritma Genetika (Studi Kasus : SMPN 1 Gondang Mojokerto) Dianita Dwi Permata Sari 1, Wayan Firdaus Mahmudy 2, Dian Eka Ratnawati 3 Teknik Informatika,
Lebih terperinciOptimasi Penjadwalan Mata Pelajaran Menggunakan Algoritme Genetika (Studi Kasus: SMK Negeri 2 Kediri)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 10, Oktober 2017, hlm. 1066-1072 http://j-ptiik.ub.ac.id Optimasi Penjadwalan Mata Pelajaran Menggunakan Algoritme
Lebih 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 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 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 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 terperinciAPLIKASI ALGORITMA GENETIKA DALAM PENENTUAN DOSEN PEMBIMBING SEMINAR HASIL PENELITIAN DAN DOSEN PENGUJI SKRIPSI
Prosiding Seminar Nasional Matematika dan Terapannya 2016 p-issn : 2550-0384; e-issn : 2550-0392 APLIKASI ALGORITMA GENETIKA DALAM PENENTUAN DOSEN PEMBIMBING SEMINAR HASIL PENELITIAN DAN DOSEN PENGUJI
Lebih terperinciJurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: -X Vol., No., Maret 0, hlm. - http://j-ptiik.ub.ac.id Optimasi Penjadwalan Asisten Praktikum pada Laboratorium Pembelajaran Menggunakan
Lebih terperinciOptimasi 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 PERMASALAHAN OPTIMASI DISTRIBUSI BARANG DUA TAHAP
PENERAPAN ALGORITMA GENETIKA UNTUK PERMASALAHAN OPTIMASI DISTRIBUSI BARANG DUA TAHAP Riska Sulistiyorini ), Wayan Firdaus Mahmudy ), Program Studi Teknik Informatika Program Teknologi Informasi dan Ilmu
Lebih terperinciOptimasi 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 terperinciJurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 11, November 2017, hlm. 1152-1159 http://j-ptiik.ub.ac.id Implementasi Algoritma Genetika Pada Metode AHP dan SAW
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 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 terperinciPrediksi Jumlah Pengangguran Terbuka di Indonesia menggunakan Metode Genetic-Based Backpropagation
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 4, April 2017, hlm. 341-351 http://j-ptiik.ub.ac.id Prediksi Jumlah Pengangguran Terbuka di Indonesia menggunakan
Lebih 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 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 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 terperinciOptimasi Pembagian Barang Alat Tulis Kantor Menggunakan Algoritme Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: -X Vol., No., Maret, hlm. - http://j-ptiik.ub.ac.id Optimasi Pembagian Barang Alat Tulis Kantor Menggunakan Algoritme Genetika Ardiansyah
Lebih terperinciPenjadwalan 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 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 terperinciPendekatan Algoritma Genetika pada Peminimalan Fungsi Ackley menggunakan Representasi Biner
Vol. 7, 2, 108-117, Januari 2011 Pendekatan Algoritma Genetika pada Peminimalan Fungsi Ackley menggunakan Representasi Biner Jusmawati Massalesse Abstrak Tulisan ini dimaksudkan untuk memperlihatkan proses
Lebih terperinciArif Munandar 1, Achmad Lukman 2 1 Teknik Informatika STMIK El Rahma Yogyakarta, Teknik Informatika STMIK El Rahma Yogyakarta
PENJADWALAN MATAKULIAH DENGAN ALGORITMA GENETIKA MENGGUNAKAN FRAMEWORK CODEIGNITER (STUDI KAUS PROGRAM STUDI S PENDIDIKAN AGAMA ISLAM UNIVERSITAS ALMA ATA YOGYAKARTA) Arif Munandar, Achmad Lukman 2 Teknik
Lebih terperinciPenentuan Lokasi Pasang Baru Wifi.id Corner Menggunakan Metode AHP dan Algoritma Genetika (Studi Kasus : PT. Telkom Witel Kediri)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 12, Desember 2017, hlm. 1742-1749 http://j-ptiik.ub.ac.id Penentuan Lokasi Pasang Baru Wifi.id Corner Menggunakan
Lebih 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 terperinciJurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 9, September 2018, hlm. 2957-2964 http://j-ptiik.ub.ac.id Optimasi Batasan Fungsi Keanggotaan Fuzzy Tsukamoto Menggunakan
Lebih terperinciOptimasi Penjadwalan Moving Class Menggunakan Algoritma Genetika (Studi Kasus: SMA Negeri 1 Turatea)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 4, Juli 2018, hlm. 1768-1777 http://j-ptiik.ub.ac.id Optimasi Penjadwalan Moving Class Menggunakan Algoritma Genetika
Lebih terperinciSatrio Agung Wicaksono 1, R. Arief Setiyawan 1, Budi Darma Setiyawan 1, Ari Hernawan 1, Rizal Setya Perdana 1
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol. 1, No. 2, Oktober 214 hlm. 78-82 PENJADWALAN PERKULIAHAN DENGAN PENDEKATAN EVOLUTIONARY ALGORITHM (STUDI KASUS: SISTEM INFORMASI AKADEMIK (SIAKAD)
Lebih 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 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 terperinciOptimasi Multi Travelling Salesman Problem (M-TSP) Menggunakan Algoritma Genetika
Optimasi Multi Travelling Salesman Problem (M-TSP) Menggunakan Algoritma Genetika Wayan Firdaus Mahmudy (wayanfm@ub.ac.id) Program Studi Ilmu Komputer, Universitas Brawijaya, Malang, Indonesia Abstrak.
Lebih terperinciKeywords Algoritma, Genetika, Penjadwalan I. PENDAHULUAN
Optimasi Penjadwalan Mata Kuliah Dengan Algoritma Genetika Andysah Putera Utama Siahaan Universitas Pembangunan Pancabudi Jl. Gatot Subroto Km. 4,5, Medan, Sumatra Utara, Indonesia andiesiahaan@gmail.com
Lebih terperinciOPTIMASI PENJADWALAN PERAWAT MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI PENJADWALAN PERAWAT MENGGUNAKAN ALGORITMA GENETIKA Rifqy Rosyidah Ilmi 1, Wayan Firdaus Mahmudy 2, Dian Eka Ratnawati 2 1 Mahasiswa, 2 Dosen Pembimbing Informatika, Fakultas Ilmu Komputer, Universitas
Lebih terperinciPenjadwalan Mata Kuliah Menggunakan Algoritma Genetika di Jurusan Sistem Informasi ITS
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) A-127 Mata Kuliah Menggunakan Algoritma Genetika di Jurusan Sistem Informasi ITS Wiga Ayu Puspaningrum, Arif Djunaidy, dan Retno
Lebih 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 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 terperinciOptimasi Penataan Barang pada Proses Distribusi Menggunakan Algoritme Evolution Strategies
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 5, Mei 2018, hlm. 1874-1882 http://j-ptiik.ub.ac.id Optimasi Penataan Barang pada Proses Distribusi Menggunakan Algoritme
Lebih terperinciPEMODELAN REGRESI NON LINEAR MENGGUNAKAN ALGORITMA GENETIKA UNTUK PREDIKSI KEBUTUHAN AIR PDAM KOTA MALANG
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol. 3, No. 1, Maret 2016, hlm. 59-65 PEMODELAN REGRESI NON LINEAR MENGGUNAKAN ALGORITMA GENETIKA UNTUK PREDIKSI KEBUTUHAN AIR PDAM KOTA MALANG Vitara
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 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 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 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 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 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 terperinciDenny Hermawanto
Algoritma Genetika dan Contoh Aplikasinya Denny Hermawanto d_3_nny@yahoo.com http://dennyhermawanto.webhop.org Lisensi Dokumen: Seluruh dokumen di IlmuKomputer.Com dapat digunakan, dimodifikasi dan disebarkan
Lebih terperinciGenetic Algorithme. Perbedaan GA
Genetic Algorithme Algoritma ini bekerja dengan sebuah populasi yang terdiri atas individu-individu (kromosom). Individu dilambangkan dengan sebuah nilai kebugaran (fitness) yang akan digunakan untuk mencari
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK 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 terperinciPenerapan algoritma evolution strategies untuk optimasi distribusi barang dua tahap
Penerapan algoritma evolution strategies untuk optimasi distribusi barang dua tahap Candra Bella Vista 1, Wayan Firdaus Mahmudy 2 Program Studi Informatika / Ilmu Komputer Fakultas Ilmu Komputer Universitas
Lebih 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 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 Penjadwalan Damping Mahasiswa Difabel Menggunakan Algoritma Genetika (Studi Kasus PSLD Universitas Brawijaya)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 9, Juni 2017, hlm. 774-782 http://j-ptiik.ub.ac.id Optimasi Penjadwalan Damping Mahasiswa Difabel Menggunakan Algoritma
Lebih 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 terperinciBAB I PENDAHULUAN. hampir di seluruh dunia, termasuk Indonesia. Alat transportasi ini memiliki
BAB I PENDAHULUAN 1.1 Latar Belakang Kereta api merupakan alat transportasi darat utama yang digunakan hampir di seluruh dunia, termasuk Indonesia. Alat transportasi ini memiliki multi keunggulan komparatif,
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 terperinciOptimasi Pemodelan Regresi Linier Berganda Pada Prediksi Jumlah Kecelakaan Sepeda Motor Dengan Algoritme Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 5, Mei 2018, hlm. 1932-1939 http://j-ptiik.ub.ac.id Optimasi Pemodelan Regresi Linier Berganda Pada Prediksi Jumlah
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 Penjadwalan Kuliah Pengganti Menggunakan Algoritme Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol 2, No 9, September 218, hlm 2829-284 http://j-ptiikubacid Optimasi Penjadwalan Kuliah Pengganti Menggunakan Algoritme Genetika
Lebih terperinciIMPLEMENTASI ALGORITMA GENETIKA UNTUK PENCARIAN RUTE PALING OPTIMUM
IMPLEMENTASI ALGORITMA GENETIKA UNTUK PENCARIAN RUTE PALING OPTIMUM Anies Hannawati, Thiang, Eleazar Fakultas Teknologi Industri, Jurusan Teknik Elektro, Universitas Kristen Petra Jl. Siwalankerto 121-131,
Lebih terperinciOPTIMALISASI PENJADWALAN BABAK PENYISIHAN PERTANDINGAN SEPAK BOLA LIGA MAHASISWA JAWA BARAT MENGGUNAKAN ALGORITMA GENETIKA
OPTIMALISASI PENJADWALAN BABAK PENYISIHAN PERTANDINGAN SEPAK BOLA LIGA MAHASISWA JAWA BARAT MENGGUNAKAN ALGORITMA GENETIKA Nurul Faturakhman S 1), Esmeralda C. Djamal 2), Agus Komarudin 3) 1),2),3 ) Informatika,Universitas
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 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 terperinciSeminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004
Seminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004 Penyelesaian Masalah Penugasan dengan Algoritma Genetika Zainudin Zukhri Jurusan Teknik Informatika, Fakultas Teknologi Industri,
Lebih terperinciPerancangan Dan Pembuatan Aplikasi Rekomendasi Jadwal Perkuliahan Pada Institut Informatika Indonesia Memanfaatkan Algoritma Genetika
Perancangan Dan Pembuatan Aplikasi Rekomendasi Jadwal Perkuliahan Pada Institut Informatika Indonesia Memanfaatkan Algoritma Genetika Hermawan Andika, S.Kom., M.Kom. Jurusan Teknik Informatika Institut
Lebih terperinciALGORITMA GENETIKA PADA PEMROGRAMAN LINEAR DAN NONLINEAR
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 5, No. 03(2016), hal 265 274. ALGORITMA GENETIKA PADA PEMROGRAMAN LINEAR DAN NONLINEAR Abdul Azis, Bayu Prihandono, Ilhamsyah INTISARI Optimasi
Lebih terperinciImplementasi Algoritma Genetika Untuk Penjadwalan Customer Service (Studi Kasus: Biro Perjalanan Kangoroo)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol., No. 6, Juni 207, hlm. 456-465 http://j-ptiik.ub.ac.id Implementasi Algoritma Genetika Untuk Penjadwalan Customer Service
Lebih 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 terperinciOptimasi Komposisi Menu Makanan bagi Penderita Tekanan Darah Tinggi Menggunakan Algoritme Genetika Adaptif
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol. 2, No. 2, Februari 2018, hlm 515-522 e-issn: http://j-ptiik.ub.ac.id Optimasi Komposisi Menu Makanan bagi Penderita Tekanan Darah Tinggi Menggunakan
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 terperinciPERFORMANCE ALGORITMA GENETIKA (GA) PADA PENJADWALAN MATA PELAJARAN
PERFORMANCE ALGORITMA GENETIKA (GA) PADA PENJADWALAN MATA PELAJARAN Eva Desiana, M.Kom Pascasarjana Teknik Informatika Universitas Sumatera Utara, SMP Negeri 5 Pematangsianta Jl. Universitas Medan, Jl.
Lebih terperinciPENGENALAN ALGORITMA GENETIK
PENGENALAN ALGORITMA GENETIK Aries Syamsuddin ariesmipa@psyon.org Lisensi Dokumen: Seluruh dokumen di IlmuKomputer.Com dapat digunakan, dimodifikasi dan disebarkan secara bebas untuk tujuan bukan komersial
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 terperinciMODEL PENYELESAIAN JOB SHOP SCHEDULING PROBLEM MENGGUNAKAN METODE LOCAL SEARCH ALGORITHM DENGAN CROSS OVER
MODEL PENYELESAIAN JOB SHOP SCHEDULING PROBLEM MENGGUNAKAN METODE LOCAL SEARCH ALGORITHM DENGAN CROSS OVER Amiluddin Zahri Dosen Universtas Bina Darma Jalan Ahmad Yani No.3 Palembang Sur-el: amiluddin@binadarma.ac.id
Lebih terperinciPencarian Rute Optimum Menggunakan Algoritma Genetika
Jurnal Teknik Elektro Vol. 2, No. 2, September 2002: 78-83 Pencarian Rute Optimum Menggunakan Algoritma Genetika Anies Hannawati, Thiang, Eleazar Fakultas Teknologi Industri, Jurusan Teknik Elektro, Universitas
Lebih terperinciPENERAPAN EVOLUTIONARY ALGORITHM PADA PENJADWALAN PRODUKSI (Studi Kasus di PT Brother Silver Product Indonesia)
PENERAPAN EVOLUTIONARY ALGORITHM PADA PENJADWALAN PRODUKSI (Studi Kasus di PT Brother Silver Product Indonesia) I Gede Agus Widyadana Dosen Fakultas Teknologi Industri, Jurusan Teknik Industri Universitas
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 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 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 terperinciPERANCANGAN APLIKASI PENJADWALAN KERETA API DENGAN MENGGUNAKAN ALGORITMA GENETIKA (Studi Kasus: Stasiun Kereta Api Bandar Khalipah Medan)
PERANCANGAN APLIKASI PENJADWALAN KERETA API DENGAN MENGGUNAKAN ALGORITMA GENETIKA (Studi Kasus: Stasiun Kereta Api Bandar Khalipah Medan) Nurhamidah Lubis 1, Garuda Ginting 2 Mahasiswa Teknik Informatika
Lebih 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 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 terperinciIMPLEMENTASI ALGORITMA FUZZY EVOLUSI PADA PENJADWALAN PERKULIAHAN
IMPLEMENTASI ALGORITMA FUZZY EVOLUSI PADA PENJADWALAN PERKULIAHAN Herny Wulandari Pangestu. Kartika Yulianti, Rini Marwati Departemen Pendidikan Matematika FPMIPA UPI *Surel: hernyw@ymail.com ABSTRAK.
Lebih terperinciMEMBANGUN TOOLBOX ALGORITMA EVOLUSI FUZZY UNTUK MATLAB
MEMBANGUN TOOLBOX ALGORITMA EVOLUSI FUZZY UNTUK MATLAB Syafiul Muzid 1, Sri Kusumadewi 2 1 Sekolah Pascasarjana Magister Ilmu Komputer, Universitas Gadjah Mada, Yogyakarta e-mail: aakzid@yahoo.com 2 Jurusan
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 terperinciOptimasi Asupan Makanan Harian Ibu Hamil Penderita Hipertensi Menggunakan Algoritme Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 9, September 2018, hlm. 2892-2901 http://j-ptiik.ub.ac.id Optimasi Asupan Makanan Harian Ibu Hamil Penderita Hipertensi
Lebih terperinciBAB 1 PENDAHULUAN. jadwal yang disusun tetap realistis untuk digunakan. berjalan sebagaimana mestinya. Agar praktikum berjalan dengan baik, kepala
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Penjadwalan merupakan salah satu hal yang penting bagi sebuah lembaga pendidikan, mengingat bahwa dengan adanya penjadwalan yang baik maka sumber daya manusia, ruang,
Lebih terperinciOptimasi K-Means untuk Clustering Kinerja Akademik Dosen Menggunakan Algoritme Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 12, Desember 2017, hlm. 1652-1659 http://j-ptiik.ub.ac.id Optimasi K-Means untuk Clustering Kinerja Akademik Dosen
Lebih terperinciISSN IMPLEMENTASI ALGORITMA GENETIKA UNTUK PENJADWALAN INSTRUKTUR TRAINING ICT UIN SUNAN KALIJAGA
JISKa, Vol. 1, No. 3, Januari, 2017, Pp. 123 132 ISSN 2527-5836 IMPLEMENTASI ALGORITMA GENETIKA UNTUK PENJADWALAN INSTRUKTUR TRAINING ICT UIN SUNAN KALIJAGA Niki Min Hidayati Robbi (1), Nurochman (2),
Lebih terperinciRancang Bangun Aplikasi Prediksi Jumlah Penumpang Kereta Api Menggunakan Algoritma Genetika
1 Rancang Bangun Aplikasi Prediksi Jumlah Penumpang Kereta Api Menggunakan Algoritma Genetika Annisti Nurul Fajriyah Politeknik Elektronika Negeri Surabaya Institut Teknologi Sepuluh Nopember (ITS) Surabaya
Lebih terperinciCrossover Probability = 0.5 Mutation Probability = 0.1 Stall Generation = 5
oleh pengguna sistem adalah node awal dan node tujuan pengguna. Lingkungan Pengembangan Sistem Implementasi Algoritme Genetika dalam bentuk web client menggunakan bahasa pemrograman PHP dan DBMS MySQL.
Lebih terperinciPenerapan Algoritma Genetika Untuk Vehicle Routing Problem with Time Window (VRPTW) Pada Kasus Optimasi Distribusi Beras Bersubsidi
Penerapan Algoritma Genetika Untuk Vehicle Routing Problem with Time Window (VRPTW) Pada Kasus Optimasi Distribusi Beras Bersubsidi Farah Bahtera Putri 1, Wayan Fidaus Mahmudy, Dian Eka Ratnawati Teknik
Lebih terperinciPenerapan Adaptive Genetic Algorithm dengan Fuzzy Logic Controller pada Capacitated Vehicle Routing Problem
Penerapan Adaptive Genetic Algorithm dengan Fuzzy Logic Controller pada Capacitated Vehicle Routing Problem Tri Kusnandi Fazarudin 1, Rasyid Kurniawan 2, Mahmud Dwi Sulistiyo 3 1,2 Prodi S1 Teknik Informatika,
Lebih terperinciPEMANFAATAN ALGORITMA FUZZY EVOLUSI UNTUK PENYELESAIAN KASUS TRAVELLING SALESMAN PROBLEM
PEMANFAATAN ALGORITMA FUZZY EVOLUSI UNTUK PENYELESAIAN KASUS TRAVELLING SALESMAN PROBLEM Syafiul Muzid Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia, Yogyakarta E-mail:
Lebih terperinciPENERAPAN ALGORITMA GENETIKA PADA PERSOALAN PEDAGANG KELILING (TSP)
Abstrak PENERAPAN ALGORITMA GENETIKA PADA PERSOALAN PEDAGANG KELILING (TSP) Aulia Fitrah 1, Achmad Zaky 2, Fitrasani 3 Program Studi Informatika, Sekolah Teknik Elektro dan Informatika, Institut Teknologi
Lebih terperinciPelatihan Multi-Layer Neural Network Menggunakan Algoritma Genetika untuk Memprediksi Harga Saham Esok Hari (T+1)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 58-96X Vol., No. 6, Juni 08, hlm. 30-308 http://j-ptiik.ub.ac.id Pelatihan Multi-Layer Neural Network Menggunakan Algoritma Genetika untuk
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