ALGORITMA GENETIKA

Abstrak-The Traveling Salesman Problem (TSP) adalah masalah optimasi kombinatorial yang sangat populer di dunia nyata. Tujuannya adalah untuk mengetahui jalur terpendek untuk bepergian dengan salesman sementara mengunjungi setiap kota sekali dan kembali ke kota asal. TSP merupakan salah satu masalah NP-Hard dan beberapa upaya telah dilakukan untuk mengatasinya dengan metode tradisional. Metode komputasi memberikan solusi yang lebih baik untuk TSP karena kebanyakan dari mereka didasarkan pada pembelajaran berulang-ulang. Dalam penelitian ini mengusulkan empat teknik optimasi seperti ant colony optimization (ACO), algoritma genetika (GA), teknik hibrida optimasi ant colony (ACO) dan algoritma genetika (GA) dan teknik hibrida ant colony optimization (ACO) dan Cuckoo Seacrh (CS) algoritma diusulkan dan diimplementasikan untuk masalah TSP. Hasil penelitian menunjukkan bahwa tur terpendek efisien diperoleh dengan algoritma hybrid baru. Key Word: metaheuristik, Travelling Salesman Problem (TSP), Algoritma Genetika (GA), Ant Colony Optimization (ACO), Cuckoo Search (CS)

DAFTAR ISI
Bab 1 Pendahuluan
1.1 Gambaran Umum
1.2 Tujuan
1.3 Topik yang Dibahas
1.4 Pustaka Acuan
Bab 2 Sistem Pakar dalam Kecerdasan Buatan
2.1 Bidang Kecerdasan Buatan
2.2 Ide Dibuatnya Sistem Pakar
2.3 Definisi Sistem Pakar
2.4 Pengolahan Bahasa Alami
2.5 Sistem Pakar Dibandingkan dengan Sistem Lain
2.6 Hubungan Sistem Pakar dan Sistem Pendukung Keputusan
2.7 Dukungan dari Pengambilan Keputusan
2.8 Proses Pengambilan Keputusan
Bab 3 Sistem Pakar
3.1 Konsep Dasar Sistem Pakar
3.2 Struktur Sistem Pakar
3.3 Elemen Manusia dalam Sistem Pakar
3.4 Keuntungan Sistem Pakar
3.5 Permasalahan dan Keterbatasan Sistem Pakar
3.6 Jenis-jenis Sistem Pakar
Bab 4 Membangun Sistem Pakar
4.1 Bidang Permasalahan yang Ditangani Sistem Pakar
4.2 Tahapan Membangun Sistem Pakar
4.3 Membangun Shell Sistem Pakar yang Spesifik
4.4 Ringkasan Pembangunan Sistem Pakar
Bab 5 Sistem Pakar Berbasis Pengetahuan
5.1 Pengertian
5.2 Rule dan Rangkaian Rule
5.3 Pemilihan Forward dan Backward Chaining
5.4 Forward Chaining
5.5 Backward Chaining
5.6 Desain Implementasi Stuktur
5.7 Desain Implementasi Forward Chaining
5.8 Desain Implementasi Backward Chaining
5.9 Diagram Alur untuk Forward Chaining
5.10 Diagram Alur untuk Backward Chaining
5.11 Contoh Kasus untuk Forward Chaining
5.12 Contoh Kasus untuk Backward Chaining
Bab 6 Confidence Factor pada SBP
6.1 Confidence Factor
6.2 CF Aktual Rule untuk Rule dengan Operator AND
6.3 CF Aktual Rule untuk Rule dengan Operator OR
6.4 CF Aktual Rule untuk Rule dengan Operator AND/OR
6.5 Pengembangan Program Forward dan Backward Chaining
Bab 7 Algoritma Genetika
7.1 Pendahuluan
7.2 Struktur Umum Algoritma Genetika
7.3 Eksploitasi dan Eksplorasi
7.4 Pencarian Berdasarkan Populasi
7.5 Keuntungan Utama
7.6 Program Algoritma Genetika Sederhana
Bab 8 Ripple Down Rules
8.1 Representasi Pengetahuan dan RDR
8.2 Pengetahuan dalam Evolusi di RDR
8.3 Fitur Kunci Suksesnya RDR
8.4 Inferensia dan Akuisisi Pengetahuan
Bab 9 Multiple Classification Ripple Down Rules
9.1 Pendahuluan
9.2 Inferensia
9.3 Akuisisi Pengetahuan
9.4 Akuisisi Klasifikasi Baru
9.5 Melokalisasi Rule
9.6 Mendapatkan Kondisi Rule – Validasi Rule
Bab 10 Pemrograman RDR
10.1 Ringkasan RDR
10.2 RDR Tree
10.3 Cornerstone Cases
10.4 Struktur Data
Bab 11 Sistem Fuzzy
11.1 Logika Fuzzy
11.2 Ketidaktepatan dan Ketidakpastian
11.3 Variabel Linguistik, Nilai Linguistik dan Istilah Linguistik
11.4 Fuzzy Set dan Fungsi Anggota
11.5 Model Sistem Pakar Fuzzy
Bab 12 Aplikasi GA dan Fuzzy Set pada RDB (1)
12.1 Konsep Dasar Fuzzy Set
12.2 Fuzzy Set pada Database Relasional
12.3 Derajat Kemiripan
12.4 Rumus-rumus yang Digunakan
12.5 Contoh Kasus
Bab 13 Aplikasi GA dan Fuzzy Set pada RDB (2)
13.1 Database Relasional yang Dipakai
13.2 Fungsi Anggota dari Istilah Linguistik yang Dipakai
13.3 Relasi Terfuzzifikasi
13.4 Format Gen pada Kromosom
13.5 Menghitung Nilai Fitness Kromosom
13.6 Contoh Kasus
Bab 14 Aplikasi Fuzzy Set pada Intelligent Car Agent
14.1 Tujuan
14.2 Implementasi Agen
14.3 Pengetahuan dari Intelligent Car Agent
14.4 Algoritma
14.5 Graf
14.6 Jalannya Program
14.7 Hasil dan Jalannya Program
14.8 Kemungkinan Pengembangan
Bab 15 Genetic Simulated Annealing
15.1 Simulated Annealing
15.2 Genetic Simulated Annealing
15.3 Cara Kerja GSA
15.4 Kesimpulan
Bab 16 Aplikasi GSA pada RDB (1)
16.1 Konsep Dasar Fuzzy Set
16.2 Fuzzy Set pada Database Relasional
16.3 Derajat Kemiripan
16.4 Rumus-rumus yang Digunakan
16.4 Estimasi Nilai Null dalam RDB dengan GSA
16.5 Percobaan
Bab 17 Aplikasi GSA pada RDB (2)
17.1 Permasalahan Estimasi Nilai Null Majemuk
17.2 Percobaan
Bab 18 Variable-Centered Intelligent Rule System
18.1 Gambaran Umum
18.2 Motivasi
18.3 Metode
18.4 Modifikasi
18.5 Definisi Istilah
18.6 Arsitektur Sistem
18.7 Variable-Centered Rule Structure
18.7.1 Node Structure
18.7.2 Rule Structure
18.8 Perbaikan Pengetahuan
18.8.1 Variable Analysis
18.8.2 Value Analysis
18.8.3 Rule Generation
18.9 Pembangunan Pengetahuan
18.10 Inferensia Pengetahuan
18.10.1 Mekanisme Inferensia RDR
18.10.2 Mekanisme Inferensia RBS
18.11 Knowledge Base Transformation
18.12 Evaluasi Sistem
18.13 Kesimpulan
18.14 Riset di Masa Depan
Daftar Pustaka

Tisa Computer merupakan toko yang menjual barang-barang elektronik seperti komputer, laptop, printer, speaker dan beberapa perangkat komputer lainnya. Pelanggan yang ingin membeli komputer banyak yang mengalami kesulitan dalam menentukan komponen komputer sesuai dengan anggaran yang dimiliki. Pemilihan komponen komputer secara manual membutuhkan waktu yang cukup lama. Pada penelitian ini dikembangkan aplikasi untuk mengoptimalkan proses perakitan komputer dengan kualitas terbaik sesuai anggaran yang dimiliki oleh pelanggan. Penelitian ini mengimplementasikan Algoritma Genetika dengan metode representasi integer, Roulette Wheel Selection, One-Point Crossover dan Random Mutation. Hasil pengujian menunjukkan bahwa aplikasi ini mampu untuk mengoptimalkan pemilihan komponen perakitan komputer dengan nilai rata-rata fitness sebesar 18829 dan waktu yang diperlukan 20.72 detik. Dengan adanya aplikasi ini pelanggan dapat dimudahkan untuk menentukan pilihan terhadap komponen komputer yang akan dibeli. Kata kunci: aplikasi, algoritma genetika, optimasi, perakitan komputer I. PENDAHULUAN Perkembangan di dunia teknologi sangatlah pesat, karena teknologi saat ini sudah menjadi tuntutan bagi sebagian banyak orang untuk melakukan kegiatan sehari-harinya. Semua bidang saat ini sudah harus mengikuti teknologi yang ada, karena jika tidak maka akan mengalami ketertinggalan informasi. Hal tersebut lah yang harus di hindari dari sebagian banyak orang. Komputer merupakan salah satu dari banyak perangkat yang berpengaruh dalam hal perkembangan teknologi, karena komputer merupakan suatu perangkat yang sangat dapat membantu permasalahan dalam kehidupan sehari-hari dari sebagian banyak orang. Diantaranya komputer dapat melakukan perhitungan, browsing, menonton film, bermain game, dan lain-lain. Perkembangan komputer sangat ditentukan pada perkembangan perangkat keras komponen pada komputer tersebut, karena kemampuan pada komputer akan meningkat ketika perangkat keras pada komputer tersebut di upgrade atau ditingkatkan. Saat ini sudah sangat banyak spesifikasi atau merk dari komponen komputer tersebut, maka dari itu akan menyebabkan sebagian orang bingung dalam memilih komponen komputer yang terbaik dan sesuai dengan kebutuhan konsumen tersebut. Berdasarkan masalah bingungnya user dalam memilih komponen perakitan komputer yang sesuai dengan keinginannya, sedangkan toko tisa computer masih melakukan cara konvensional dalam pemilihan komponen perakitan komputer yang menyebabkan waktu proses yang cukup lama, maka pada penelitian ini penulis membuat suatu sistem atau aplikasi yang dapat menyelesaikan masalah tersebut dengan menggunakan Algoritma Genetika. Menurut penulis Algoritma ini cukup mampu dalam permasalahan dalam mengoptimalkan pemilihan komponen komputer pada perakitan komputer dengan hasil yang terbaik dan sesuai dengan yang diinginkan konsumen. Pada penelitian ini penulis menggunakan pengkodean Integer, Roulette Wheel Selection, One-Point Crossover, dan Random Mutation untuk mendapatkan hasil yang maksimal.

Algoritma genetik adalah algoritma yang berusaha menerapkan pemahaman mengenai evolusi alamiah pada tugas-tugas pemecahan-masalah (problem solving). Pendekatan yang diambil oleh algoritma ini adalah dengan menggabungkan secara acak berbagai pilihan solusi terbaik di dalam suatu kumpulan untuk mendapatkan generasi solusi terbaik berikutnya yaitu pada suatu kondisi yang memaksimalkan kecocokannya atau lazim disebut fitness. Generasi ini akan merepresentasikan perbaikan-perbaikan pada populasi awalnya. Dengan melakukan proses ini secara berulang, algoritma ini diharapkan dapat mensimulasikan proses evolusioner.
Dalam algoritma genetika terdapat parameter-parameter yang mempengaruhi hasilnya. Antara lain Crossover rate, Mutasi rate, Populasi Size, Generation Size dan Chromosome Length. Pada program diberikan sebuah persamaan yang dimana mempunyai variabel x dan y. Variabel ini akan diselesaikan oleh program dengan mencari nilai fitness terbaik atau maksimum dari program untuk mencari nilai maksimum dari kedua variabel tersebut.

Tata letak fasilitas produksi memiliki dampak yang sangat penting dan saling keterkaitan antara fasilitas yang satu dengan lainnya guna menunjang kelancaran dari proses produksi. Seringkali masalah terbesar dalam sistem produksi disebabkan oleh penanganan bahan yang tidak sistematis. Dalam penelitian ini, kami mencoba menerapkan algoritma genetika dalam mendapatkan rancangan tata letak fasilitas (mesin) secara optimal. Input dari penelitian ini diantaranya berupa nomor mesin, masing-masing dimensi mesin, urutan mesin di setiap bagian, volume produksi di masing-masing bagian, dan frekuensi aliran di setiap bagian. Output dari penelitian ini adalah tata letak mesin dengan total biaya aliran minimum. Penelitian ini memecahkan kasus pada fasilitas produksi produk rehab di PT Shima Prima Utama yang terdiri dari 16 mesin dan 29 komponen. Hasil penelitian pada kasus ini adalah didapatkan urutan penempatan mesin optimal yakni 13, 3, 9, 15, 6, 10, 2, 12, 8, 16, 7, 1, 11, 5, 14 dan 4 dengan total biaya aliran 197.434.

The lectures scheduling, known as timetabling problems, in STIKOM Uyelindo currently using the spreadsheet
that integrates the schedule of all study programs. The spreadsheet technique has not been fully optimized,
because the scheduling problems are complex. It takes a lot of resources and constraints to produce the optimum
scheduling. The problem of resources is we have to combine the offered subjects, the available lecturers, the
rooms, laboratories, time, and college. The hard constraints related to the relationship between lecturers and
the subjects, classroom, laboratory room, availability of courses, and time availability.
Soft constraints relating to the relationship between variables such as total teaching in 1 week, the total number
of subjects scheduled in a day, the number of courses offered, the total number of credit tought by one lecturer
in a week. This paper discusses how the genetic algorithm can optimize the schedule with the objective of
maximizing the number of classrooms used. Genetic algorithm is one of the very precise algorithm in solving a
complex optimization problems, which so difficult for conventional methods. Designing using genetic algorithm
is expected to be implemented in the next stage of research.

Pada peramalan terdapat sebuah ketidakpastian atau error karena sifat peramalan yang masih perkiraan sementara. Maka dari itu dari semua metode peramalan ada beberapa pilihan metode permalan yang dapat digunakan dengan kesalahan peramalan yang rendah, salah satunya adalah ARIMA. Metode peramalan tersebut terdapat sebuah ketidakpastian dalam proses penentuan parameter metode ARIMA. Kombinasi nilai pada parameter tersebut haruslah dicoba terus-menerus hingga didapatkan nilai peramalan yang optimal. Berangkat dari permasalahan tersebut, maka dibuatlah semacam sistem pendukung dari proses ARIMA itu sendiri yang otomatis dalam menentukan parameter untuk sebuah data secara optimal dengan menggunakan Algoritma Genetika. Hasil dari penelitian ini berupa sebuah sistem yang dapat menentukan nilai parameter pada metode peramalan ARIMA secara optimal yang mana hasil tersebut akan digunakan dalam penentuan produksi oleh perusahaan tersebut. Sehingga sistem tersebut dapat menunjang dalam peramalan pada perusahaan berdasarkan pola data yang sudah ada dengan optimal. Abstract Uncertainty or forecasting error due to the nature of which is still hypothesis. Therefore from all methods of forecasting there are several options forecasting methods that can be used with a low forecasting errors, one of them is ARIMA. The forecasting method there is an uncertainty in the process of determining the parameters of ARIMA method. The combination of value in the parameter must be tested continuously to obtain the optimal forecasting value. Departing from these problems, then made some sort of support system of ARIMA process itself is automatic in determining the parameters for an optimal data using Genetic Algorithms. Results from this study in the form of a system that can determine the value of a parameter in an optimal ARIMA forecasting method in which these results will be used in determining the production by these companies. So that the system can support in forecasting the company based on the pattern of existing data to the optimum. Permintaan produk di perusahaan dipengaruhi oleh beberapa faktor, yaitu jumlah penduduk dan pendapatan per kapita. Sedangkan permasalahan yang dihadapi adalah permintaan yang tidak menentu sehingga seringnya terjadi kesalahan dalam penentuan jumlah produksi. Berdasarkan permasalahan diatas, pemecahan masalah yang ditawarkan adalah dengan menggunakan peramalan dengan metode ARIMA. Metode ini dipilih karena dapat digunakan untuk manganalisis situasi yang acak, tren, musim bahkan sifat siklis. Tetapi ada sebuah ketidakpastian dalam proses peramalannya yaitu terletak pada penentuan p, d, dan q yang merupakan parameter dari metode ARIMA yang akan digunakan sebagai solusi permasalahan diatas. Untuk mengatasi hal tersebut, maka Algoritma Genetika dapat dijadikan solusi dari permasalahan pencarian parameter tersebut. Algoritma Genetika dipilih karena dapat menemukan hasil terbaik dari semua kemungkinan percobaan pencarian parameter. Atas dasar kelebihan-kelebihan serta faktor-faktor yang mempengaruhi dari pola data pada sebuah perusahaan, maka dalam penelitian ini Algoritma Genetika tersebut digunakan sebagai solusi untuk memecahkan masalah optimalisasi nilai parameter pada metode ARIMA.

Terbatasnya memory pada handphone membuat kamus mobile menjadi kurang efektif untuk menterjemahkan kata, karena kata yang tersimpan di dalam handphone tidak mencukupi atau adanya kata yang tidak ditemukan sehingga kata tersebut tidak bisa diterjemahkan. Penggunaan web service pada kamus mobile mengatasi adanya kata yang tidak ditemukan pada handphone dan mengatasi masalah untuk memperbaharui data yang tersimpan di handphone, sehingga pengguna kamus mobile bisa mencari kata yang ingin diterjemahkan. Pencarian kata dengan cepat dan efektif pada kamus memudahkan pengguna kamus mobile untuk mencari kata yang ingin diterjemahkan. Maka dalam hal ini akan di terapkan Algoritma Genetika untuk melakukan pencarian kata yang ingin diterjemahkan.

Apabila anda pergi berlibur dan berkunjung ke suatu tempat tentu saja proses pembelian oleh-oleh merupakan suatu hal yang tidak dapat terlewatkan. Namun, pada praktiknya terkadang para wisatawan bingung dalam hal menentukan oleh-oleh apa yang harus ia beli, berapa banyak oleh-oleh yang akan ia beli, dan apakah budget yang ia punya mencukupi untuk membeli oleh-oleh tersebut. Oleh karena itu dibutuhkan aplikasi yang dapat menjadi acuan untuk para wisatawan dalam membeli suatu oleh-oleh, dimana aplikasi ini akan mengoptimalkan pembelian oleh-oleh berdasarkan kualitas oleh-oleh tersebut dan dengan budget yang dipunya namun dapat mencukupi total oleh-oleh yang dibutuhkan. Dalam kasus ini akan digunakan metode Algoritma Genetika untuk mendapatkan solusi yang optimal dimana nilai awalnya dibangkitkan secara random. Diharapkan aplikasi berbasis dekstop ini akan menghasilkan hasil yang optimal dan dapat menjadi referensi untuk para wisatawan domestik yang kebingungan dalam hal membeli oleh-oleh khususnya untuk oleh-oleh di wilayah Daerah Istimewa Yogyakarta.

The layout of production facilities has a very important impact and interrelationship between facilities with each other to support the smoothness of the production process.Frequently the biggest problems in the production system are caused by unsystematic handling of materials. This study, applies a genetic algorithm to obtain a facility layout design (machine) optimally. Inputs from this study include machine numbers, machine dimensions, machine sequences in each section, production volume in each section, and flow frequency in each section. The output of this study is the machine layout with a minimum total flow cost. This study solved the case in the rehab product production facility at PT Shima Prima Utama which consisting of 16 machines and 29 components. The results of the study in this case are that the optimal machine placement sequence is 13, 3, 9, 15, 6, 10, 2, 12, 8, 16, 7, 1, 11, 5, 14 and 4 with a total flow cost of 197,434.

Uncertainty or forecasting error due to the nature of which is still hypothesis. Therefore from all methods of forecasting there are several options forecasting methods that can be used with a low forecasting errors, one of them is ARIMA. The forecasting method there is an uncertainty in the process of determining the parameters of ARIMA method. The combination of value in the parameter must be tested continuously to obtain the optimal forecasting value. Departing from these problems, then made some sort of support system of ARIMA process itself is automatic in determining the parameters for an optimal data using Genetic Algorithms. Results from this study in the form of a system that can determine the value of a parameter in an optimal ARIMA forecasting method in which these results will be used in determining the production by these companies. So that the system can support in forecasting the company based on the pattern of existing data to the optimum.

Current scheduling classes at Jambi University graduate there are still some constraints such as the creation of a relatively long schedules, conflicting schedules and schedule that does not correspond to the time availability of the lecturers. Therefore, the author provides a solution in the form of lecture scheduling system using genetic algorithm with programming language PHP and the MySQL DBMS. For system development method that is used is the waterfall. Lecture Schedule result generated by a system that has been built is becoming more precision with the allocated hours of teaching, classroom and professors. From the test results can also be concluded that the implementation of genetic algorithms is in compliance with the need to support the process of scheduling, so that scheduling can be done more quickly. Abstrak Saat ini penjadwalan kuliah di Pascasarjana Universitas Jambi masih terdapat beberapa kendala seperti pembuatan jadwal yang relatif lama, jadwal yang bentrok dan jadwal kuliah yang tidak sesuai dengan waktu ketersediaan dosen. Oleh karena itu penulis memberikan solusi berupa sistem penjadwalan kuliah menggunakan algoritma genetik dengan bahasa pemograman PHP dan DBMS MySQL. Untuk metode pengembangan sistem yang digunakan adalah waterfall. Dimana hasil jadwal kuliah yang dihasilkan dengan sistem yang telah dibangun ini menjadi lebih presisi dengan pengalokasian jam mengajar, ruang kelas dan dosen yang tepat. Dari hasil pengujian juga dapat disimpulkan bahwa implementasi algoritma genetik sudah sesuai dengan kebutuhan untuk mendukung proses penjadwalan, sehingga penyusunan jadwal bisa dilakukan dengan lebih cepat..

Abstrak:-Bagi seseorang yang sering melakukan perjalanan jauh ke beberapa kota, misalnya seorang sopir angkutan barang atau agen penjualan dan lain-lain. Adalah hal penting untuk memperoleh rute perjalanan terpendek agar waktu, biaya dan tenaga menjadi lebih hemat. Menggunakan Algoritma Genetika untuk meminimisasi jarak tempuh untuk keseluruhan rute perjalan antar kota menunjukkan hasil yang menggembirakan dan secara faktual bisa dilihat melalui peta. Penggunaan jenis kromosom enumerated (bukan berkelanjutan), integer dan unik sangat sesuai digunakan untuk masalah ini, karena kita menghendaki bahwa satu kota hanya boleh dilalui satu kali saja.

Penyusunan mata kuliah pada Fakultas Ilmu Komputer Universitas Pembangunan Panca Budi pada umumnya dilakukan dengan cara manual. Metode ini memiliki keterbatasan sehingga sering menyebabkan terjadinya tabrakan jadwal. Pada penjadwalan kuliah dan praktikum sering terjadi tabrakan jadwal terhadap dosen yang mengajar, tabrakan jadwal pada kelas dan mahasiswa, tabrakan waktu kuliah kuliah dengan waktu praktikum, alokasi penggunaan ruangan yang tidak optimal. Metode algoritma genetika merupakan algoritma pencarian heuristik yang didasarkan atas mekanisme dari seleksi alam yang lebih dikenal dengan proses evolusi biologis. Algoritma genetika digunakan untuk mendapatkan jadwal yang optimal yang terdiri dari proses inisialisasi populasi, evaluasi fitness, seleksi, crossover dan mutasi. Data yang digunakan meliputi data pengajar, data mata kuliah, data ruangan dan data waktu yang diperoleh dari Fakultas Ilmu Komputer Universitas Pembangunan Panca Budi. Data tersebut terlebih dahulu melalui tahapan proses dari algoritma genetika untuk mendapatkan hasil yang optimal. Hasil dari penelitian ini berupa jadwal mata kuliah yang sudah dioptimasi sehingga tidak ada terjadi kesalahan dan kesenjangan.

Tata letak fasilitas produksi memiliki dampak yang sangat penting dan saling keterkaitan antara fasilitas yang satu dengan lainnya guna menunjang kelancaran dari proses produksi. Seringkali masalah terbesar dalam sistem produksi disebabkan oleh penanganan bahan yang tidak sistematis. Dalam penelitian ini, kami mencoba menerapkan algoritma genetika dalam mendapatkan rancangan tata letak fasilitas (mesin) secara optimal. Input dari penelitian ini diantaranya berupa nomor mesin, masing-masing dimensi mesin, urutan mesin di setiap bagian, volume produksi di masing-masing bagian, dan frekuensi aliran di setiap bagian. Output dari penelitian ini adalah tata letak mesin dengan total biaya aliran minimum. Penelitian ini memecahkan kasus pada fasilitas produksi produk rehab di PT Shima Prima Utama yang terdiri dari 16 mesin dan 29 komponen. Hasil penelitian pada kasus ini adalah didapatkan urutan penempatan mesin optimal yakni 13, 3, 9, 15, 6, 10, 2, 12, 8, 16, 7, 1, 11, 5, 14 dan 4 dengan t...

Pencegahan penyebaran Pandemik Influenza sebelum tahun 2009 difokuskan untuk penanganan virus Avian Influenza (H5N1-Flu Burung), yang menulari unggas, manusia dan hewan mamalia lain, serta memiliki pola penyebaran terluas dibandingkan virus Influenza lain. Sejak kasus Flu Burung pertama pada manusia tahun 2003 di China sampai sekarang, secara keseluruhan kasus yang terjadi adalah 411 dengan angka kematian mencapai 256 kasus, dengan kata lain CFR (Case
Fatality Rate) mencapai 62,3 %. Dalam kurun waktu ini, strategi penelitian virus influenza difokuskan pada virus Flu Burung. Walaupun demikian, pada kenyataannya, penyebab Pandemik Influenza yang telah diumumkan oleh WHO pada bulan Juli 2009 adalah virus Swine Flu (H1N1) yang berawal dari Mexico. Walaupun Pandemik Swine Flu memiliki nilai CFR yang lebih rendah yaitu 0,98%, korban manusia yang tertulari sampai Agustus 2009 berjumlah lebih besar yaitu mencapai 182.166 kasus positif flu A H1N1 dengan 1.799 kematian menyebar di
168 negara. WHO, melalui DepKes RI, telah memfokuskan strategi penelitian dengan antisipasi kemungkinan perubahan virus Influenza H5N1 dan H1N1 sehingga mengakibatkan peningkatan daya virus tersebut dalam penyebaran Pandemik Influenza.

Tujuan penelitian adalah membangun program simulasi penyebaran Pandemik Influenza. Dengan masukan: strain-strain virus Influenza di suatu daerah/lokasi tertentu; informasi berbagai mahkluk hidup yang berpotensi menjadi inang virus Influenza; kemudian informasi mengenai berbagai faktor eksternal antara lain: cuaca dan kondisi geografis, program simulasi ini mengolah masukan ini untuk mendapatkan keluaran berupa strain-strain virus Influenza baru yang berpotensi
mengakibatkan penyebaran Pandemik Influenza selain juga keluaran berupa pola penyebaran Pandemik Influenza di daerah tersebut.
Untuk peningkatan tolok ukur daya virus ini, dilakukan pemodelan dua hal yaitu aspek internal dan eksternal.

Pemodelan peningkatan daya virus ini dibuat dengan berbasis Algoritma Genetika, untuk mendapatkan strain-strain virus baru yang berpotensi mengakibatkan peningkatan Pandemik Influenza, yaitu strain-strain virus yang mengalami peningkatan nilai dari 3 tolok ukur daya virus: infektifitas, virulensi dan daya penularan antar manusia. Selain pemodelan ini, dilakukan juga pemodelan keterkaitan 3 tolok ukur daya virus, guna memperoleh pengetahuan mengenai tolok ukur dan urutan
proses yang paling mempengaruhi peningkatan daya virus dan Pandemik Influenza. Riset ini diharapkan dapat memberikan hasil simulasi penyebaran Pandemik Influenza yang lebih akurat, selain digunakan juga untuk mendukung proses perencanaan pembuatan vaksin Influenza.

Dalam kehidupan sehari-hari seringkali ditemui beberapa permasalahan yang sulit untuk ditemukan pemecahan masalahnya. Salah satunya adalah permasalahan optimasi. Namun dengan perkembangan teknologi informasi yang makin pesat sekarang ini, permasalahan optimasi dapat dengan mudah diselesaikan dengan menggunakan Algoritma Genetika. Salah satu penerapannya dapat dilihat dari penjabaran masalah yang diuraikan di paper ini. Masalah yang sering dijumpai dalam kehidupan sehari-hari seperti membeli komponen robotik pun dapat diselesaikan menggunakan Algoritma Genetika. Dalam paper ini dijelaskan tentang penyelesaian masalah optimasi tersebut mulai dari representasi kromosom, penghitungan nilai fitness, seleksi parent, crossover, mutasi, hingga seleksi survivor yang dilakukan sebanyak beberapa iterasi hingga diperoleh hasil terbaik.