|
|
Metode dan Algoritma | Belajar Algoritma genetika Untuk Penjadwalan - Contoh Program + Source Code . Anda bisa melakukan konsultasi tentang Belajar Algoritma genetika Untuk Penjadwalan - Contoh Program + Source Code melalui form di samping kanan !!!
Algoritma genetika adalah suatu metode pencaharian (search) acak yang didasarkan atas prinsip evolusi yang terjadi di alam, individu-individu yang mampu beradaptasi dengan lingkungan dimana ia berada akan tetap hidup sedangkan yang tidak beradaptasi akan mati (Manongga, 2005). Algoritma genetika pertama kali diperkenalkan oleh John Holland dari Universitas Michigan, Amerika Serikat dan termasuk salah satu metode terbaru dalam bidang kecerdasan buatan (Holland, 1975). Algoritma genetika banyak dipakai pada aplikasi bisnis, teknik, maupun pada bidang keilmuan lainnya.
Algoritma ini dimulai dengan kumpulan solusi yang disebut dengan populasi. Solusi-solusi dari sebuah populasi diambil dan digunakan untuk membentuk populasi yang baru. Hal ini dimotivasi dengan harapan bahwa populasi yang baru dibentuk tersebut akan lebih baik daripada yang lama. Solusi-solusi yang dipilih untuk membentuk solusi-solusi yang baru dipilih sesuai dengan fitness mereka masing-masing (Juniawati, 2003). Dalam buku dengan judul “Adaption in Natural and Artificial System” yang terbit pada tahun 1975, prinsip algoritma genetika diambil dari teori Darwin yaitu setiap makhluk hidup akan menurunkan satu atau beberapa karakter ke anak atau keturunannya (Bambrick, 1997).
Didalam proses tersebut dapat terjadi variasi yang disebabkan karena adanya mutasi, sehingga keturunan yang dihasilkan dapat mempunyai kelebihan bahkan tidak memiliki kekurangan dari orangtuanya. Setiap makhluk hidup akan mengalami seleksi alam, sehingga makhluk hidup yang mempunyai kemampuan untuk beradaptasi dengan lingkungan sekitarnya dapat bertahan sampai generasi selanjutnya. Semakin bagus atau sesuai fitness dari sebuah solusi maka solusi tersebut mempunyai peluang besar untuk dipilih. Proses ini dilakukan berulang sampai kondisi tertentu dipenuhi.
Berikut ini adalah langkah-langkah algorima genetika: (Juniawati, 2003)
- Inisialisasi populasi awal secara acak.
- Evaluasi nilai fitness pada setiap kromosom dalam populasi.
- Kerjakan langkah-langkah berikut ini:
- Seleksi populasi tersebut untuk mendapatkan kromosom terbaik.
- Lakukan crossover pada kromosom yang terpilih.
- Lakukan mutasi pada kromosom yang terpilih.
- Lakukan evaluasi fitness setiap kromosom.
- Bentuk populasi yang baru dengan mempertahankan kromosom terbaik untuk setiap generasinya.
- Langkah dua diulang sampai mencapai generasi maksimal atau telah menemukan solusi yang optimal.
Terdapat empat komponen utama dalam algoritma genetika yaitu sebagai berikut: (Manongga, 2005)
- Suatu populasi individu. Setiap individu dalam populasi merupakan kandidat solusi dari fungsi optimasi yang dicari.
- Suatu proses seleksi yang berfungsi menyeleksi individu-individu berdasarkan nilai optimasi (fitness) mereka untuk reproduksi.
- Beberapa operator genetika yang berfungsi mengubah struktur internal individu untuk menghasilkan individu-individu baru.
- Suatu proses pergantian (replacement) yang mengganti individu-individu yang mempunyai fitness yang buruk dengan individu-individu baru yang mempunyai fitness yang lebih baik.
Keuntungan dari algoritma genetik adalah sifat metode pencariannya yang lebih optimal, tanpa terlalu memperbesar ruang pencarian, dan tanpa kehilangan kesempurnaan (completeness) sehingga dapat dengan mudah diimplementasikan kesuatu permasalahan. Selain itu teknik ini juga mampu mencari sebuah solusi yang baik dari banyak solusi yang mungkin, lebih daripada membatasi pencarian pada domain yang sempit dimana hasil yang diperoleh kurang memuaskan. Algoritma genetik mencoba untuk memberikan pencarian cerdas sebuah pemecahan dari pemecahan-pemecahan yang mungkin dan berjumlah hampir tak terbatas[Wibowo dalam Widiyantoro, 2003].
2.1 Fungsi Fitness
Fungsi fitness digunakan untuk proses evaluasi kromosom agar memperoleh kromosom yang diinginkan. Fungsi ini membedakan kualitas dari kromosom untuk mengetahui seberapa baik kromosom yang dihasilkan. Nilai fitness ditentukan oleh nilai penalty. Penalty tersebut menunjukkan jumlah pelanggaran kendala pada suatu kromosom. Semakin tinggi nilai fitness akan semakin besar kemungkinan kromosom tersebut terpilih ke generasi berikutnya. Jadi nilai penalty berbanding terbalik dengan nilai fitness, semakin kecil nilai penalty (jumlah pelanggaran) semakin besar nilai fitnessnya.
Seleksi
Setiap kromosom yang terdapat dalam populasi akan melalui proses seleksi untuk dipilih menjadi orangtua. Sesuai dengan teori evolusi Darwin maka kromosom yang baik akan bertahan dan menghasilkan keturunan yang baru untuk generasi selanjutnya.
Ada beberapa metode seleksi (Juniawati, 2003), yaitu:
Steady-State Selection. Pemikiran utama dari metode seleksi ini adalah sebagian kromosom dari generasi lama tetap bertahan atau berada digenerasi selanjutnya. Algoritma genetika menerapkan pemikiran tersebut dengan cara, didalam setiap generasi sejumlah kromosom yang mempunyai nilai fitness tinggi dipilih untuk diproses untuk menghasilkan keturunan yang baru sedangkan kromosom dengan nilai fitness rendah dibuang.
Elitism. Pembentukan populasi baru dengan crossover dan mutasi ada kemungkinan kromosom yang paling baik hilang. Oleh karena itu metode ini sebagai tahap awal memasukkan kromosom dengan nilai fitness yang paling baik atau beberapa kromosom dengan nilai fitnes yang tinggi atau cukup tinggi dari generasi yang lama kedalam generasi yang baru, kemudian sisa kromosom dalam generasi yang baru diperoleh dengan cara reproduksi biasa.- Roulette Wheel Selection. Kromosom dipilih berdasarkan nilai fitness, semakin besar nilai fitness maka kromosom tersebut mempunyai peluang untuk dipilih beberapa kali.
Operator-Operator Algoritma Genetika
Operator genetika dipergunakan untuk mengkombinasi (modifikasi) individu dalam aliran populasi guna mencetak individu pada generasi berikutnya. Ada dua operator genetika yaitu crossover dan mutation (Juniawati, 2003).
Crossover
Operator persilangan merupakan operasi yang bekerja untuk menggabungan dua kromosom orangtua (parent) menjadi kromosom baru (offspring). Tidak semua kromosom mengalami persilangan. Jumlah kromosom dalam populasi yang mengalami persilangan ditentukan oleh paramater yang disebut dengan crossover rate (probabilitas persilangan) .
Jenis operator persilangan yaitu:
One point crossover
Sebuah titik crossover dipilih, selanjutnya string biner mulai dari awal kromosom sampai dengan titik tersebut disalin dari salah satu orangtua ke keturunannya, kemudian sisa bit keturunan disalin dari orangtua yang kedua. Contoh: 11001011 + 11011111 = 11001111.
Two point crossover
Dua titik crossover dipilih, selanjutnya string biner mulai dari awal kromosom sampai dengan titik crossover pertama disalin dari salah satu orangtua ke keturunannya kemudian mulai dari titik crossover pertama sampai dengan titik kedua disalin dari orangtua kedua. Sisanya disalin dari orangtua pertama. Contoh: 11001011 + 11011111 = 11011111.
Mutasi
Setelah crossover dilakukan, proses reproduksi dilanjutkan dengan mutasi. Hal ini dilakukan untuk menghindari solusi-solusi dalam populasi mempunyai nilai lokal optimum. Mutasi adalah proses mengubah gen dari keturunan secara random. Untuk pengkodean biner maka mutasi mengubah bit 0 menjadi bit 1 dan bit 1 menjadi bit 0. Contoh: 11001001 ? 10001001
Parameter-Parameter Algoritma Genetika
Pengoperasian algoritma genetika dibutuhkan empat parameter (Juniawati, 2003) yaitu:
- Probabilitas Persilangan (Probability Crossover) yang menunjukkan kemungkinan crossover terjadi antara dua kromosom. Jika tidak terjadi crossover maka keturunannya akan sama persis dengan kromosom orangtua, tetapi tidak berarti generasi yang baru akan sama persis dengan generasi yang lama. Jika probabilitas crossover 100% maka semua keturunannya dihasilkan dari crossover. Crossover dilakukan dengan harapan bahwa kromosom yang baru akan lebih baik.
- Probabilitas Mutasi (Probability Mutation) yang menunjukkan kemungkinan mutasi terjadi pada gen-gen yang menyusun sebuah kromosom. Jika tidak terjadi mutasi maka keturunan yang dihasilkan setelah crossover tidak berubah. Jika terjadi mutasi bagian kromosom akan berubah. Jika probabilitasnya 100 %, semua kromosom dimutasi. Jika probabilitasnya 0%, tidak ada yang mengalami mutasi.
- Jumlah Individu yang menunjukkan jumlah kromosom yang terdapat dalam populasi (dalam satu generasi). Jika hanya sedikit kromosom dalam populasi maka algoritma genetika akan mempunyai sedikit variasi kemungkinan untuk melakukan crossover antara orangtua karena hanya sebagian kecil dari search space yang dipakai. Sebaliknya jika terlalu banyak maka algoritma genetika akan berjalan lambat.
- Jumlah Populasi yang menentukan jumlah populasi atau banyaknya generasi yang dihasilkan, digunakan sebagai batas akhir proses seleksi, persilangan, dan mutasi.
CONTOH SOURCE CODE
Kode ini dapat digunakan / ditambahkan dalam aplikasi apapun dengan hanya menambahkan kelas yang ada ke dalam kode sumber Anda. Proses lainnya telah diimplementasikan dalam format yang mudah untuk dimengerti dan tepat sesuai dengan fleksibilitas program yang anda butuhkan.
Download Contoh Program + Source Code Artikel di Atas
contoh proposal tesis, judul tesis teknik informatika, biro jasa tesis informatika, Block, ciphers, 3-Way, Blowfish, CAST, CMEA, DES, Triple-DES, DEAL, FEAL, GOST, [PDF]
OPTIMASI PENJADWALAN KEGIATAN BELAJAR MENGAJAR …
sutanto.staff.uns.ac.id/files/2009/02/article-algogenetic.pdfJenis Berkas: PDF/Adobe Acrobat – Tampilan Cepat
DENGAN ALGORITMA GENETIK. 2. LATAR BELAKANG MASALAH. Penjadwalan kegiatan belajar mengajar dalam suatu kampus adalah hal yang rumit. …
[PDF]
APLIKASI ALGORITMA GENETIK UNTUK OPTIMASI PENJADWALAN
sutanto.staff.uns.ac.id/files/2008/09/makalahif2251-2008-023.pdfJenis Berkas: PDF/Adobe Acrobat – Tampilan Cepat
Kata kunci: penjadwalan, optimasi, algoritma genetik. 1. PENDAHULUAN …
Tampilkan hasil lainnya dari uns.ac.id
Majalah Ilmiah Unikom
jurnal.unikom.ac.id/Tim Robot Unikom Peraih Medali Emas Kontes Robot Internasional The th Annual Robogames SAN MATEO USA Peraih Medali Emas Kontes Robot …
[HELP]Penjadwalan Menggunakan Algoritma Genetika – Kaskus – The …
www.kaskus.us/showthread.php?p=454877107
9 pesan – 6 penulis – Pos terakhir: 4 Agu
ane masih lagi belajar tentang Algoritma Genetika, mau ane terapin untuk penjadwalan pada bimbingan belajar, ane pakai PHP …
Algoritma Genetika Untuk Optimasi Penjadwalan–kikifirmansyah
www.scribd.com/…/Algoritma-Genetika-Untuk-Optimasi-Penjadwala…13 Jan 2011 – Kata kunci : algoritma genetika, penjadwalan, optimasi … Penjadwalan kegiatan belajar mengajar dalam suatu instansi pendidikan adalah hal …
[PDF]
MODEL PENJADWALAN KEGIATAN PEMBELAJARAN SEKOLAH …
digilib.its.ac.id/…/ITS-Master-14692-1208201017-Presentation.pdfJenis Berkas: PDF/Adobe Acrobat – Tampilan Cepat
Mengajar Dengan Algoritma Genetika;. Ivan Nugraha (2008) tentang ; Aplikasi. Algoritma Genetika Untuk penjadwalan. Kegiatan Belajar Mengajar; …
[PDF]
1 BAB I PENDAHULUAN 1.1. LATAR BELAKANG Jadwal mata …
eprints.undip.ac.id/5197/1/BAB_I_%26_BAB_II.pdfJenis Berkas: PDF/Adobe Acrobat – Tampilan Cepat
oleh M Andi Wibowo – 2009
proses belajar mengajar di Program studi Matematika FMIPA UNDIP. Sering terjadinya …. Menjelaskan tentang penjadwalan mata kuliah, algoritma genetika …
Pdf Penjadwalan-belajar-mengajar-algoritma-genetika PDF Ebook …
typecat.com/…/penjadwalan-belajar-mengajar-algoritma-genetika.ht…1. JUDUL OPTIMASI PENJADWALAN KEGIATAN BELAJAR MENGAJAR DENGAN ALGORITMA GENETIK. 2. LATAR BELAKANG MASALAH Penjadwalan …
Algoritma genetika . | PDF Search Engine
www.searchinpdf.com/pdf/algoritma-genetika-.html1. JUDUL OPTIMASI PENJADWALAN KEGIATAN BELAJAR MENGAJAR DENGAN ALGORITMA GENETIK. 2. LATAR BELAKANG MASALAH Penjadwalan …
Algoritma Genetika Optimasi Penjadwalan Kegiatan Belajar Doc – DOCPDF
www.docpdf.info/…/algoritma+genetika+optimasi+penjadwalan+kegi…DOC PDF files of algoritma genetika optimasi penjadwalan kegiatan belajar doc at DocPDF.info 0. Download DOC PDF Files of algoritma genetika optimasi …
APLIKASI ALGORITMA GENETIK UNTUK OPTIMASI PENJADWALAN KEGIATAN BELAJAR
www.infogigi.com/APLIKASI-ALGORITMA-GENETIK-UNTUK-…Inilah ebook mengenai APLIKASI ALGORITMA GENETIK UNTUK OPTIMASI PENJADWALAN KEGIATAN BELAJAR di InfoGigi.com. Silahkan kunjungi halaman ini untuk ebook …
DUNIA BELAJAR ALGORITMA GENETIKA
zawa.blogsome.com/?s=dunia+belajar+algoritma+genetika1 Sep 2008 – dunia belajar algoritma genetika, Blog info judul skripsi/tugas akhir … Aplikasi Penjadwalan Pengajaran Menggunakan Algoritma Genetika …
SELAMAT DATANG DI BLOG ROBERT – Contoh Proposal
buser45.multiply.com/journal/item/6/Contoh_Proposal – Filipina20 Feb 2010 – Kendala apa saja yang muncul dalam pelaksanaan optimasi penjadwalan belajar mengajar dengan algoritma genetika pada kegiatan KBM ? …
Listing Program Algoritma Genetik Optimasi Penjadwalan Kegiatan …
www.freeskripsi.com/…/listing-program-algoritma-genetik-optimasi-…Result for: listing program algoritma genetik optimasi penjadwalan kegiatan belajar mengajar. Recent Search. daftar ukm eksport jakarta# · proposal pengadaan …
Belajar dasar algoritma genetika
ebookkuliah.com/pdf/belajar-dasar-algoritma-genetika.htmlJUDUL OPTIMASI PENJADWALAN KEGIATAN BELAJAR MENGAJAR DENGAN ALGORITMA GENETIK. 2. LATAR BELAKANG MASALAH Penjadwalan …
[PDF]
algoritma genetika untuk penjadwalan
repository.tp.ac.id/pdf/16/…/algoritma-genetika-untuk-penjadwalan.p…Jenis Berkas: PDF/Adobe Acrobat – Tampilan Cepat
Untuk Mengoptimalkan Proses Belajar. MENCINTAI LINGKUNGAN,. Click Here. 28 Agu 2010 penjadwalan. Mengadopsi algoritma genetik terutama dalam …
[PDF]
BAB 1 PENDAHULUAN
digilib.its.ac.id/public/ITS-Master-14692-1208201017-Chapter1.pdfJenis Berkas: PDF/Adobe Acrobat – Tampilan Cepat
Novandri Widiastuty dkk (2008) tentang “Optimasi Penjadwalan Kegiatan Belajar Mengajar. Dengan Algoritma Genetika” membahas penjadwalan kegiatan …
Algoritma enetika optimasi jadwal … – kelompok 5 elektro reguler… oye
elreg-05.blogspot.com/2010/…/algoritma-enetika-optimasi-jadwal.ht…13 Jan 2010 – Penjadwalan kegiatan belajar mengajar dalam suatu kampus adalah hal … Algoritma genetik merupakan pendekatan komputasional untuk …
Aplikasi Algoritma Genetika untuk Penjadwalan Mata Kuliah ( Studi …
eprints.undip.ac.id/19757/oleh MA Wibowo – 2010
9 Agu 2010 – Aplikasi Algoritma Genetika untuk Penjadwalan Mata Kuliah ( Studi … belajar mengajar di universitas sangat ditentukan oleh jadwal mata …
Algoritma Genetika Penjadwalan | pusatpanduan.com
pusatpanduan.com/pdf/algoritma+genetika+penjadwalan.html1. JUDUL OPTIMASI PENJADWALAN KEGIATAN BELAJAR MENGAJAR DENGAN ALGORITMA GENETIK. 2. LATAR BELAKANG MASALAH Penjadwalan …
BELAJAR ALGORITMA: EBooks Online, Documents, PDF …
www.freetechebooks.com/ebook-2011/belajar-algoritma.html1. JUDUL OPTIMASI PENJADWALAN KEGIATAN BELAJAR MENGAJAR DENGAN ALGORITMA GENETIK. 2. LATAR BELAKANG MASALAH Penjadwalan …
Aplikasi Algoritma Genetik Untuk Optimasi Penjadwalan Kegiatan …
www.docpdf.info/…/aplikasi+algoritma+genetik+untuk+optimasi+…Kumpulan file DOC PDF aplikasi algoritma genetik untuk optimasi penjadwalan kegiatan belajar mengajar dari berbagai sumber. Contoh & Makalah file DOC …
penjadwalan – Document Search Engine – Rapid4search.com
docs.rapid4search.com/penjadwalan/page1/enDescription: 12 Algoritma-algoritma Penjadwalan Algoritma-algoritma Penjadwalan … KEGIATAN BELAJAR MENGAJAR DENGAN ALGORITMA GENETIK. 2. …
[PDF]
Sistem Penjadwalan Perkuliahan Menggunakan Algoritma Genetika …
repository.ipb.ac.id/bitstream/handle/…/G04GMP_abstract.pdf?…1Jenis Berkas: PDF/Adobe Acrobat – Tampilan Cepat
oleh GMP Tamba – 2004
algoritma genetika pada sistem penjadwalan perkuliahan. Percobaan … mendapatkan beasiswa prestasi belajar dari Singapura Airlines (SIAP). Penulis …
Pdf Jurnal-tentang-algoritma-genetika-penjadwalan-kegiatan …
typecat.com/…/jurnal-tentang-algoritma-genetika-penjadwalan-kegiat…Pdf Jurnal Tentang Algoritma Genetika Penjadwalan Kegiatan Belajar. Your Ad Here · Home · Forum · Terms of Use · Copyright · Privacy · Contact Us …
PDF Document for OPTIMASI-PENJADWALAN-KEGIATAN-BELAJAR-MENGAJAR …
pdf.kq5.org/OPTIMASI-PENJADWALAN-KEGIATAN-BELAJAR-…JUDUL OPTIMASI PENJADWALAN KEGIATAN BELAJAR MENGAJAR DENGAN ALGORITMA GENETIK. 2. LATAR BELAKANG MASALAH Penjadwalan kegiatan belajar mengajar dalam suatu …
Program Algoritma Random | Cari Skripsi.info
www.cariskripsi.info/skripsi/program-algoritma-random.html1. JUDUL OPTIMASI PENJADWALAN KEGIATAN BELAJAR MENGAJAR DENGAN ALGORITMA GENETIK. 2. LATAR BELAKANG MASALAH Penjadwalan …
Algoritma Genetika Untuk Penjadwalan – KawYearBook.Org
www.kawyearbook.org/…/algoritma+genetika+untuk+penjadwalan.ht…JUDUL OPTIMASI PENJADWALAN KEGIATAN BELAJAR MENGAJAR DENGAN ALGORITMA GENETIK. 2. LATAR BELAKANG MASALAH Penjadwalan kegiatan belajar mengajar dalam suatu …
Pdf Aplikasi Algoritma Genetika Untuk Optimasi Penjadwalan …
www.bahankuliah.info/…/aplikasi-algoritma-genetika-untuk-optimasi…Artikel selengkapnya mengenai Pdf Aplikasi Algoritma Genetika Untuk Optimasi Penjadwalan Kegiatan Belajar Mengajar di BahanKuliah.info. Klik untuk baca …
algoritma genetika penjadwalan – PDF Free
www.downloadpdfdoc.com/…/algoritma-genetika-penjadwalan-.pdfdescription: 1. judul optimasi penjadwalan kegiatan belajar mengajar dengan algoritma genetik. 2. latar belakang masalah penjadwalan … …surabaya, solo, surakarta, jogja, yogyakarta
Belajar Algoritma genetika Untuk Penjadwalan - Contoh Program + Source Code
ActionScript AS3 ASP.NET AJAX C / C++ C# Clipper COBOL ColdFusion DataFlex Delphi Emacs Lisp Fortran FoxPro Java J2ME JavaScript JScript Lingo MATLAB Perl PHP PostScript Python SQL VBScript Visual Basic 6.0 Visual Basic .NET Flash MySQL Oracle Android
Rating: 100% based on 99998 ratings. 5 user reviews.
Ditulis Oleh hank2
{ 1 komentar... Views All / Post Comment! }
Bagaimana untuk membuat penerapan algoritma genetika untuk reservasi pembuatan jadual pertandingan futsal,,dimana ada 3 lapangan lalu buka setiap hari dan setiap harinya buka selama 16 jam,,bagaimana penyelesaiannya ya
Posting Komentar