OPTIMASI PARAMETER ALGORITMA GENETIKA ADAPTIF PADA TRAVELLING SALESMAN PROBLEM

Herdiana, I Kayan (2022) OPTIMASI PARAMETER ALGORITMA GENETIKA ADAPTIF PADA TRAVELLING SALESMAN PROBLEM. Masters thesis, Universitas Pendidikan Ganesha.

[img] Text (COVER)
1729101040-COVER.pdf
Download (3MB)
[img] Text (ABSTRAK)
1729101040-ABSTRAK.pdf
Download (425kB)
[img] Text (BAB 1 PENDAHULUAN)
1729101040-BAB 1 PENDAHULUAN.pdf
Download (270kB)
[img] Text (BAB 2 KAJIAN TEORI)
1729101040-BAB 2 KAJIAN TEORI.pdf
Restricted to Repository staff only
Download (566kB) | Request a copy
[img] Text (BAB 3 METODELOGI PENELITIAN)
1729101040-BAB 3 METODELOGI PENELITIAN.pdf
Restricted to Repository staff only
Download (613kB) | Request a copy
[img] Text (HASIL DAN PEMBAHASAN)
1729101040-BAB 4 HASIL DAN PEMBAHASAN.pdf
Restricted to Repository staff only
Download (407kB) | Request a copy
[img] Text (BAB 5 PENUTUP)
1729101040-BAB 5 PENUTUP.pdf
Restricted to Repository staff only
Download (31kB) | Request a copy
[img] Text (DAFTAR PUSTAKA)
1729101040-DAFTAR PUSTAKA.pdf
Download (145kB)
[img] Text (LAMPIRAN)
1729101040-LAMPIRAN.pdf
Download (1MB)

Abstract

Permasalahan Travelling Salesman Problem (TSP) merupakan masalah dimana seorang salesman mengunjungi beberapa tempat tujuan, dengan syarat setiap tempat hanya bisa dikunjungi sekali. Masalah TSP dengan titik yang sedikit bisa menggunkan algoritma brute force. Ketika titik mencapai 20, maka kombinasi banyaknya sirkuit Hamilton yang dibandingkan sebanyak 6 * 1016. Algoritma Genetika (AG) salah satu algoritma optimasi yang bisa digunakan untuk menyelesaikan masalah tersebut, karena memiliki kelebihan dalam menghasilkan output yang optimal. Dalam penerapannya, AG memerlukan parameter dalam setiap langkahnya, antara lain ukuran populasi, jumlah generasi, crossover rate, dan mutation rate. Parameter algoritma genetika mempengaruhi kinerja algoritma genetika dalam hal waktu eksekusi dan penggunaan memori. Untuk mengoptimalkan algoritma genetika dalam waktu eksekusi dan penggunaan memori, perlu digunakan parameter AG yang adaptif. Masing-masing parameter adaptif yang diterapkan memberikan hasil fitness yang lebih optimal dibandingkan parameter statis (ukuran populasi 0.1%, generasi 0.2%, crossover rate 0.4%, mutation rate 0.3%). Masing-masing paramter adaptif yang diterapkan memberikan hasil performa waktu yang optimal kecuali untuk mutation rate (ukuran populasi 39.3%, generasi 47.7%, crossover rate 9.6%, mutation rate -2.3%). Keempat parameter adaptif yang diterapkan secara bersama memberikan hasil yang optimal baik fitness (1.0%) dan waktu (38.7%).

Item Type: Thesis (Masters)
Uncontrolled Keywords: Algoritma Genetika, Optimasi, Parameter Adatif, Parameter Algoritma Genetika, TSP (Traveling Salesman Problem)
Subjects: Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions: Pascasarjana > Program Studi Ilmu Komputer (S2)
Depositing User: I Kayan Herdiana
Date Deposited: 17 Jul 2022 04:09
Last Modified: 17 Jul 2022 04:09
URI: http://repo.undiksha.ac.id/id/eprint/10138

Actions (login required)

View Item View Item