Ing 2

Machine Translated by Google
Sinkron : Jurnal dan Penelitian Teknik Informatika

Jilid 7 Nomor 2 April 2022 e-ISSN : 2541-2019
DOI : https://doi.org/10.33395/sinkron.v7i2.11431 p-ISSN : 2541-044X
Penerapan algoritma genetika untuk optimasi

nilai pendapatan
Gomal
Ayu Febri Siagian1)* , Sahat Juni Yanris2)
Parulian Sitorus3),
1,2,3)Universitas Labuhanbatu, Indonesia
1)ayufebsiagian@gmail.com, 2)gomaljuniyanris@gmail.com, 3)sahatulb@gmail.com
Dikirim : 8 Mei 2022 | Diterima : 13 Mei 2022 | Diterbitkan : 13 Mei 2022
Abstrak: Di era digital ini, pemanfaatan teknologi informasi dan teknologi internet tidak bisa
dipisahkan dari layanan digital. Mulai dari media promosi produk, pencatatan data
pelanggan, penentuan besaran pendapatan dari penjualan produk, dan optimalisasi nilai
pendapatan. Penjualan produk layanan digital milik PT. XYZ perlu dilakukan evaluasi untuk
mengetahui produk mana yang paling banyak diminati pelanggan dari setiap penawaran
produk yang telah dilakukan.
Oleh karena itu diperlukan suatu sistem untuk menghitung pendapatan dari jumlah
pelanggan yang menggunakan produk untuk promosi selanjutnya. Objek penelitian ini fokus
pada optimalisasi nilai pendapatan pada PT. XYZ dari produk yang mereka pasarkan, hasil
objeknya akan dijadikan evaluasi untuk menentukan strategi baru dalam melakukan promosi
produk yang kurang diminati pelanggan. Data yang digunakan dalam penelitian ini adalah
data pelanggan bulan Januari 2017-Desember 2021. Metode yang digunakan dalam
penelitian ini menggunakan algoritma genetika untuk menentukan optimalisasi nilai
pendapatan. Untuk hasil optimasi algoritma genetika berjalan dengan baik, karena
menghasilkan perbandingan nilai error yang lebih kecil dibandingkan dengan nilai yang
tidak dioptimasi. Nilai error pada bulan Januari 2019 dengan nilai non optimasi sebesar
35.498,8 dan nilai optimasi mendapatkan nilai error sebesar 32.364.9. Hasil penelitian ini
digunakan sebagai evaluasi penjualan untuk meningkatkan promosi pada layanan digital
yang kurang menarik bagi pelanggan. Selain itu, hasil penerapan metode algoritma genetika
ini dapat memberikan solusi yang lebih baik untuk meningkatkan pendapatan pada periode
berikutnya.
Kata Kunci: Algoritma Genetika; Penghasilan; Optimasi; Ramalan; Regresi.
PERKENALAN
Kemajuan teknologi informasi saat ini telah mengubah pola kerja suatu perusahaan atau organisasi.
Data dalam jumlah besar dan telah disimpan dalam jangka waktu yang lama dapat diolah menjadi informasi yang dapat membantu
menganalisis keberadaan suatu perusahaan atau organisasi. Analisis otomatis terhadap data yang besar atau kompleks dilakukan
untuk menemukan pola atau tren penting (Ermatita, 2009). Selain itu, masalah optimasi merupakan hal yang sering ditemui dalam
suatu perusahaan. Hal ini tidak terlepas dari keinginan suatu perusahaan yang ingin memperoleh keuntungan yang besar dengan
meminimalkan kerugian. Optimasi merupakan upaya untuk memecahkan masalah dengan cara terbaik dalam kondisi alokasi
sumber daya yang terbatas (Primadani, Palgunadi, & Harjito, 2015).
PT. XYZ sebagai perusahaan swasta yang berlokasi di Rantauprapat menyediakan berbagai sarana informasi dan
komunikasi untuk memenuhi kebutuhan masyarakat di bidang media dan hiburan. PT XYZ memiliki produk layanan digital
di industri TV Kabel dan TV Satelit. PT. XYZ membutuhkan nilai pendapatan yang lebih baik dibandingkan periode
sebelumnya. Untuk menentukan nilai pendapatan selanjutnya dapat dilakukan dengan melakukan optimasi nilai yang
berorientasi pada nilai pendapatan, dan pada setiap produk yang dipasarkan. Untuk menentukan optimalisasi nilai
pendapatan diperlukan metode yang tepat, salah satunya dengan menggunakan Algoritma Genetika.
Sejumlah penelitian sebelumnya telah membuktikan bahwa algoritma genetika dapat diterapkan pada permasalahan
optimasi pada suatu perusahaan. Metodologi optimasi dengan teknik algoritma genetika telah menemukan desain jembatan
lengkung beton yang optimal dengan biaya terendah. Hasil yang diperoleh setelah perbaikan geometri memiliki persentase
pengurangan berkisar antara 30% hingga 35% dibandingkan dengan desain tradisional (Abd Elrehim, Eid, & Sayed, 2019).
Algoritma genetika juga efektif dalam menyelesaikan penjadwalan job shop yang fleksibel. Hasil penelitian ini membuktikan
bahwa algoritma genetika dapat mengatasi kekurangan algoritma tradisional dengan kinerja yang lebih baik (Luo, Qian, &
Fu, 2020). Penelitian lain juga membuktikan bahwa algoritma genetika telah mampu mengurangi risiko investasi untuk pasar
saham (Martins & Neves, 2020).
*nama penulis koresponden
Ini adalah Lisensi Creative Commons. Karya ini dilisensikan di bawah Creative
Lisensi Internasional Commons Attribution-NonCommercial 4.0. 753

Berdasarkan latar belakang masalah dan fenomena yang telah diuraikan, maka penelitian ini bertujuan untuk menerapkan
algoritma genetika untuk mengoptimalkan nilai pendapatan pada PT. XYZ. Sedangkan rumusan masalahnya adalah bagaimana
membandingkan nilai jumlah pelanggan dan jumlah produk yang dioptimalkan dengan yang tidak dioptimalkan terhadap nilai
pendapatan pada PT XYZ.
TINJAUAN LITERATUR
Optimasi merupakan suatu metode penyelesaian masalah dengan cara terbaik untuk mendapatkan hasil yang ideal (Primadani et al., 2015).
Tujuan optimasi adalah untuk menentukan parameter operasi optimal dalam berbagai kondisi dan batasan siklus variabel
(Zhang et al., 2022). Selain untuk meningkatkan kualitas parameter, algoritma optimasi digunakan untuk menentukan bobot
baru untuk efisiensi pembelajaran (Khotimah, Syarief, Miswanto, & Suprajitno, 2021). Teknik optimasi bekerja dengan
meminimalkan atau memaksimalkan fungsi variabel diskrit (Garcia & Lôndero, 2021). Algoritma optimasi dapat digunakan untuk
pencarian pola umum, pencarian langsung, stokastik (Alfarizi, Stanko, & Bikmukhametov, 2022), dan prediksi model (Song, Cai,
Cen, Xu, & Zeng, 2022). Teknik optimasi juga bertujuan untuk mempercepat proses dengan mengurangi jumlah iterasi (Al
Rivan, Steven, & Tanzil, 2020).
Algoritma Genetika merupakan algoritma pencarian berdasarkan mekanisme seleksi alam (genetik) yang cocok untuk
permasalahan optimasi yang kompleks (Wicaksono, 2019). Algoritma ini merupakan algoritma evolusioner yang paling umum
digunakan dalam masalah optimasi (Khan et al., 2022). Algoritma genetika mampu mencari solusi terbaik dalam berbagai
permasalahan optimasi dengan menggunakan beberapa langkah yaitu inisialisasi, seleksi, crossover, mutasi, dan penggantian
(Sari, Alkaff, Wijaya, Soraya, & Kartikasari, 2019). Algoritma Genetika merupakan teknik mencari solusi yang tepat dari banyak
solusi yang tersedia tanpa harus mengujinya satu per satu (Istianto & 'Uyun, 2021). Kemampuan, efisiensi, dan sifat dinamis
algoritma genetika dalam menyelesaikan masalah optimasi dengan alat yang tepat menjadi alasan utama sejumlah peneliti
untuk menyelesaikan masalah yang kompleks (Shehadeh, Alshboul, Tatari, Alzubaidi, & Hamed El-Sayed Salama, 2022 ).
METODE
Analisis masalah dilakukan berdasarkan penelitian pada PT XYZ. Dimana terdapat beberapa permasalahan yang meliputi
strategi pemasaran, peramalan nilai pendapatan per bulan, dan optimalisasi nilai pendapatan.
Fokus penelitian ini hanya pada masalah optimalisasi nilai pendapatan. Dalam penelitian ini Algoritma Genetika digunakan
untuk mengoptimalkan nilai pendapatan. Data yang dianalisis adalah data pelanggan yang diperoleh dari arsip perusahaan.
Kemudian dari data tersebut diambil 2 atribut yaitu jumlah pelanggan yang berlangganan, dan jumlah produk. Data tersebut
mewakili nilai optimalisasi pendapatan. Alur tahapan penelitian ini ditunjukkan pada Gambar 1.
Gambar 1. Kerangka Penelitian
Pengumpulan data
Pengumpulan data dilakukan dengan mengambil data dari arsip perusahaan berupa data pelanggan. Data tersebut memuat
informasi yang diperoleh perusahaan mengenai pelanggan selama berlangganan layanan pada bulan Januari 2017 hingga
Desember 2021. Informasi tersebut meliputi nomor pelanggan, alamat, tanggal pendaftaran, tanggal layanan dapat digunakan,
tanggal berlangganan, layanan TV Kabel yang digunakan, dan harga mulai dari setiap layanan TV Kabel.
Pengolahan data

Pengolahan data dilakukan dengan metode regresi linier berganda. Proses yang dilakukan adalah dengan menjumlahkan
total pelanggan, menjumlahkan total produk, menjumlahkan total pendapatan, menaikkan nilai, dan menentukan nilai
determinan.
Optimasi menggunakan Algoritma Genetika

Pada tahap ini dilakukan proses optimasi menggunakan algoritma genetika melalui beberapa tahapan sebagai berikut:
• Inisialisasi
Proses inisialisasi dilakukan dengan memberikan nilai awal gen dengan nilai acak sesuai batas yang telah ditentukan.
• Menghitung Skor Kebugaran

Faktor pendukung nilai kesesuaian pada penelitian ini adalah jumlah pelanggan pada periode bulan tertentu dan
jumlah produk pada periode bulan tertentu. Dalam proses seleksi ini dilakukan dengan cara membuat kromosom-
kromosom yang mempunyai nilai evaluasi yang kecil, mendapatkan peluang terpilih yang lebih besar dengan nilai
probabilitas yang tinggi.
• Seleksi dengan Roda Roulette

Seleksi dengan metode roda roulette dilakukan secara bertahap: menghitung nilai kebugaran setiap individu, dan
menghitung nilai probabilitas seleksi setiap individu.
• Persilangan
Proses persilangan dilakukan dengan membentuk dua keturunan baru (anak kromosom) dari dua orang tua.
Hanya keturunan yang memenuhi persyaratan masalah yang akan ditambahkan ke populasi yang ada. Proses
crossover dilakukan secara acak.
• Mutasi
Proses mutasi ini dilakukan dengan cara memilih kromosom yang akan dimutasi secara acak, kemudian menentukan
titik mutasi pada kromosom tersebut secara acak. Mutasi diterapkan dengan kemungkinan yang sangat kecil. Untuk
melakukan proses mutasi dilakukan dengan menghitung panjang total gen. Untuk memilih posisi gen yang bermutasi
dilakukan dengan memberikan nomor acak 1-12. Kemudian nilai gen pada posisi tersebut diganti dengan ID yang
telah ditentukan.
• Generasi Maksimum
Proses pembangkitan yang maksimal ini akan mengecek populasi baru yang sudah terbentuk dengan melalui tahapan
yang cukup panjang. Apabila populasi baru yang dihasilkan merupakan yang terbaik maka akan mengulangi tahapan
pembentukan populasi baru seperti evaluasi nilai fitness, proses seleksi, proses crossover, dan mutasi untuk
membentuk populasi baru berikutnya.
• Hasil Cetak
Proses selanjutnya adalah mencetak hasil populasi baru yang terbentuk dengan solusi optimal untuk menyelesaikan
permasalahan optimalisasi nilai pendapatan pada penelitian ini.
HASIL
Teknik optimasi ini dilakukan karena nilai error yang dihasilkan dari metode regresi berganda ini cukup tinggi, sehingga
diperlukan optimasi dengan harapan dapat mengurangi nilai error tersebut. Berikut hasil langkah-langkah yang telah dilakukan
pada proses optimasi menggunakan algoritma genetika.
Pada tahap inisialisasi ini jumlah produk dan jumlah pelanggan diberikan inisialisasi identitas atau ID berupa angka 1
terhadap jumlah data yang akan diprediksi, sehingga terjadi inisialisasi identitas atau ID berupa nomor 1 untuk jumlah data
yang akan digunakan adalah gen. Setiap nomor merupakan gen dari kromosom yang telah diberi identitas sebagai pengganti
jumlah pelanggan dan jumlah produk. Jumlah gen yang telah ditentukan sama banyaknya dengan jumlah nilai yang akan
diproses.
Kromosom digunakan untuk mewakili kemungkinan solusi suatu masalah yang harus diselesaikan menggunakan algoritma
genetika. Berikut ini adalah kromosom-kromosom yang dihasilkan atau akan digunakan dalam proses optimasi.
• Kromosom[1] = [1 4]

• Kromosom[2] = [2 5]
• Kromosom[3] = [3 6]
• Kromosom[4] = [6 3]
• Kromosom[5] = [3 2]
• Kromosom[6] = [4 1]
Selanjutnya, fungsi tujuan dari kromosom yang dihasilkan dihitung. • Kromosom[1] =

(27 + 8,15*1 + 17*4) = 103,15
• Kromosom[2] = (27 + 8,15*2 + 17*5) = 128,3
• Kromosom[3] = (27 + 8,15*3 + 17*6) = 153,45
• Kromosom[4] = (27 + 8,15*6 + 17*3) = 126,9
• Kromosom[5] = (27 + 8,15*3 + 17*2) = 85,45
• Kromosom[6] = (27 + 8,15*4 + 17*1) = 76,6
Rata-rata skor evaluasi = (103,15 + 128,3 + 153,45 + 126,9 + 85,45 + 76,6) / 6 = 112,308
Selanjutnya dihitung nilai kebugarannya.

• Kebugaran [1] = 1/103,15 = 0,0097
• Kebugaran[2] = 1/128.3 • = 0,0078
Kebugaran[3] = 1/153.45 • = 0,0065
Kebugaran[4] = 1/126.9 • = 0,0079
Kebugaran[5] = 1/85.45 • = 0,0117
Kebugaran[6] = 1/76.6 = 0,0130
Total skor kebugaran = 0,0097 + 0,0078 + 0,0065 + 0,0079 + 0,0117 + 0,0130 = 0,0566
Setelah dilakukan persilangan, kromosom baru yang terbentuk adalah sebagai berikut:
• Kromosom[1] = [1 6]
• Kromosom[2] = [2 5]
• Kromosom[3] = [3 6]
• Kromosom[4] = [3 2]
• Kromosom[5] = [2 1]
• Kromosom[6] = [4 1]
Untuk memilih posisi gen yang bermutasi dilakukan dengan memberikan nomor acak 1-12. Ditentukan nilai nm = 20%, maka
banyaknya gen yang bermutasi adalah 0,2*12 = 2,4 = 2. Dua posisi gen yang akan dimutasi, setelah diacak adalah posisi gen 4 dan 7.
Maka nilai gen pada posisi tersebut diganti dengan ID yang telah ditentukan.
• Kromosom[1] = [1 6]
• Kromosom[2] = [2 5]
• Kromosom[3] = [3 6]
• Kromosom[4] = [1 2]
• Kromosom[5] = [2 1]
• Kromosom[6] = [4 1]
Pada tahap ini, dataset yang diimpor akan dihitung korelasi antar variabel tersebut.

Gambar 2. Korelasi Variabel
Hasil perhitungan korelasi variabel-variabel pada Gambar 2 cukup baik untuk korelasi antara variabel independen (jumlah
pelanggan dan jumlah produk) dengan variabel dependen (pendapatan). Karena Multiple R-squared yang dihasilkan sebesar 0,7663
(76%) dan Adjusted R-squared sebesar 0,7581 (75%). Hasil tersebut menunjukkan terdapat korelasi antar variabel, namun kurang
kuat karena masih menghasilkan standard error yang cukup tinggi yaitu standard error residual : 2665 pada 57 derajat kebebasan.
Pada penelitian ini jenis pengkodean yang akan digunakan adalah bilangan real karena cocok untuk penelitian ini yaitu untuk
optimasi nilai. Pcrossover berfungsi untuk memberikan nilai probabilitas antar Kromosom dengan nilai yang diberikan sebesar 0,8.
Fitness ini berguna untuk menentukan solusi terbaik dari sekian banyak solusi yang diperoleh dari proses optimasi. Untuk bawah
dan atas merupakan nilai batas bawah dan atas pada proses optimasi. Popsize merupakan populasi yang dimunculkan, penelitian
ini menghasilkan populasi sebanyak 60 dengan maksimal iterasi atau pengulangan sebanyak 50 kali. Untuk menghindari kerusakan
atau hilangnya populasi, sebaiknya dilakukan iterasi antara 50-200 kali, hal ini berguna agar populasi tidak hilang atau rusak pada
saat iterasi. Setelah proses optimasi dan iterasi selesai, hasil yang diperoleh ditunjukkan pada Tabel 1 di bawah ini.
Tabel 1. Hasil Optimasi Genetic Algorithm (GA).

Pengaturan Hasil GA
Ukuran GA Jumlah Kemungkinan Probabilitas Larutan
Elitisme Iterasi
populasi generasi 50 pindah silang mutasi 0,1 X1 X2
60 3 0,8 50 2.097333 1.00302
Pada Tabel 1 terlihat bahwa dari proses iterasi sebanyak 50 kali diperoleh nilai solusi X1 = 2.097333 dan X2
= 1,00302 diperoleh. Untuk elitisme, jumlah individu atau kromosom terbaik yang dapat bertahan pada setiap generasi atau iterasi.
Hasil penelitian menunjukkan bahwa kromosom yang mampu bertahan 50 iterasi adalah 3 kromosom. Setelah proses optimasi dan
iterasi selesai, plot hasil selanjutnya ditunjukkan pada Gambar 4 di bawah ini.

Gambar 4. Hasil Optimasi Plot
DISKUSI
Hasil prediksi dengan nilai yang dioptimasi dengan nilai yang tidak dioptimasi mempunyai nilai negatif dan positif, hal ini
tidak berpengaruh karena yang terlihat adalah selisih antara nilai riil pendapatan dengan nilai prediksi yang dihasilkan, semakin
kecil selisihnya maka semakin baik pula prediksinya. yang dapat ditampilkan. Dari proses pengujian terlihat bahwa Model
Summary yang tertera merupakan hasil pengolahan data dengan Algoritma Genetika.
Sehingga hasil akhir dari pengolahan ini dapat lebih baik dan dapat diimplementasikan kembali dengan harapan nilai estimasi
standard error lebih kecil dibandingkan dengan data yang tidak dioptimasi. Dengan menggunakan metode Algoritma Genetika
untuk mengoptimalkan nilai pendapatan sehingga hasil prediksinya bisa lebih baik.
Metode penelitian yang digunakan dalam penelitian ini menitikberatkan pada proses prediksi nilai pendapatan, prediksi
tersebut diperlukan untuk memperkirakan jumlah produk yang akan dipasarkan sesuai dengan variabel yang ditentukan,
sehingga dapat memberikan hasil yang maksimal pada periode berikutnya. Selain itu pada penelitian ini juga digunakan metode
Algoritma Genetika untuk mengoptimasi variabel-variabel pendukung agar dapat memberikan solusi atau hasil yang lebih baik
dengan nilai Standard Error yang lebih kecil dibandingkan dengan nilai yang tidak dioptimasi. Hasil dari metode tersebut dapat
dijadikan acuan bagi PT. XYZ untuk terus melakukan perbaikan terhadap produk yang dipasarkan agar pada periode berikutnya
dapat menghasilkan pendapatan yang lebih baik dan dapat memperkecil nilai selisih antara hasil prediksi dengan nilai pendapatan riil.
KESIMPULAN
Berdasarkan rumusan penelitian, perbandingan nilai error yang dihasilkan antara nilai yang dioptimasi dengan yang tidak,
dapat dilaksanakan dengan baik. Untuk nilai prediksi bulan Januari 2021 nilai yang tidak dioptimasi sebesar 316.388,8 dengan
nilai selisih atau error sebesar 35.498,8 dan nilai optimasi diperoleh nilai prediksi sebesar 313.254,9 dengan nilai selisih atau
error sebesar 32.364,9. Hal ini menunjukkan bahwa optimasi telah berhasil dilakukan dan hasil dari optimasi tersebut dapat
mempengaruhi nilai error dengan selisih yang lebih kecil dengan nilai sebenarnya.
REFERENSI
Abd Elrehim, MZ, Idul Fitri, MA, & Sayed, MG (2019). Optimalisasi Struktur Jembatan Lengkung Beton Menggunakan Algoritma
Genetika. Ain Jurnal Teknik Syams, 507–516. https://doi.org/https://doi.org/10.1016/
10(3),
j.asej.2019.01.005
Al Rivan, SAYA, Steven, S., & Tanzil, W. (2020). Optimasi Fuzzy C-Means dan K-Means Menggunakan Algoritma Genetika
untuk Pengklasteran Dataset Diabetic Retinopathy. Jurnal Teknologi Informasi Dan Ilmu Komputer (JTIIK), 7(5), 993.
https://doi.org/10.25126/jtiik.2020711872
Alfarizi, MG, Stanko, M., & Bikmukhametov, T. (2022). Optimalisasi pengendalian sumur pada genangan air menggunakan
algoritma genetika yang dipadukan dengan Jaringan Syaraf Tiruan. Teknologi Hulu Migas, 9(Maret), 100071. https://
doi.org/10.1016/j.upstre.2022.100071
Ermatita. (2009). Analisis Optimasi Query Pada Data Mining. Jurnal Sistem Informasi (JSI), 1(1), 47–54.
Diambil dari http://ejournal.unsri.ac.id/index.php/jsi/index
Garcia, LG, & Lôndero, V. (2021). Pengoptimal parameter berdasarkan algoritma genetika untuk simulasi fasies.
karbonat Cerdas Aplikasi Sistem,dengan
200057. 12,

https://doi.org/10.1016/j.iswa.2021.200057
Istianto, Y., & 'Uyun, S. (2021). Klasifikasi Kebutuhan Jumlah Produk Makanan Pelanggan menggunakan K-Means Clustering
dengan Optimasi Pusat Awal Cluster Algoritma Genetika. Jurnal Teknologi Informasi Dan Ilmu Komputer (JTIIK), 8(5),
861. https://doi.org/10.25126/jtiik.202182990
Khan, AH, Hossain, S., Hasan, M., Islam, MS, Rahman, MM, & Kim, JH (2022). Pengembangan model termodinamika yang
dioptimalkan untuk pembangkit listrik tenaga nuklir berbasis reaktor VVER-1200 menggunakan algoritma genetika.
Jurnal Teknik Alexandria, 61(11), 9129–9148. https://doi.org/10.1016/j.aej.2022.02.052
Khotimah, BK, Syarief, M., Miswanto, & Suprajitno, H. (2021). Optimasi Bobot K-Means Clustering Untuk Mengatasi Bobot
Optimasi K-Means Clustering. Jurnal Teknologi Informasi Dan Ilmu Komputer (JTIIK), 8(4), 745. https://doi.org/10.25126/
jtiik.202184912
Luo, X., Qian, Q., & Fu, YF (2020). Peningkatan Algoritma Genetika untuk Memecahkan Masalah Penjadwalan Job Shop yang
Fleksibel. Komputer Procedia 480–485. https://doi.org/https://doi.org/10.1016/j.procs.2020.02.061
Sains, 166,
Martins, TM, & Neves, RF (2020). Penerapan algoritma genetika dengan spesiasi untuk optimalisasi deteksi pola template grid
di pasar keuangan. Sistem Pakar dengan Aplikasi, 147, 113191. https://doi.org/https://doi.org/10.1016/j.eswa.2020.113191
Primadani, L., Palgunadi, Y., & Harjito, B. (2015). Optimasi Produksi Menggunakan Algoritma Fuzzy Linear Programming
(Studi Kasus : Produksi Tas UKM Cantik Souvenir). Jurnal Teknologi & Informasi ITSmart, 4(2), 63. https://doi.org/
10.20961/its.v4i2.1764
Sari, Y., Alkaff, M., Wijaya, ES, Soraya, S., & Kartikasari, DP (2019). Optimasi Penjadwalan Mata Kuliah Menggunakan Metode
Algoritma Genetika dengan Teknik Tournament Selection. Jurnal Teknologi Informasi Dan Ilmu Komputer (JTIIK), 6(1),
85. https://doi.org/10.25126/jtiik.2019611262
Shehadeh, A., Alshboul, O., Tatari, O., Alzubaidi, MA, & Hamed El-Sayed Salama, A. (2022). Pemilihan alat berat untuk
kegiatan pekerjaan tanah: Pendekatan optimasi multi-tujuan menggunakan algoritma genetika. Jurnal Teknik Alexandria,
61(10), 7555–7569. https://doi.org/10.1016/j.aej.2022.01.010
Lagu, H., Cai, M., Cen, J., Xu, C., & Zeng, Q. (2022). Penelitian metode optimasi penghematan energi truk berpendingin listrik
berdasarkan algoritma genetika. Jurnal Internasional Pendinginan, 137(Juni 2021), 62–69. https://doi.org/10.1016/
j.ijrefrig.2022.02.003
Wicaksono, SA (2019). Optimasi Sistem Penempatan Magang Penerapan Algoritma Genetika. Jurnal Teknologi Informasi Dan
Ilmu Komputer (JTIIK), 6(1), 17. https://doi.org/10.25126/jtiik.201961950
Zhang, K., Ma, H., Li, Q., Wang, D., Lagu, Q., Wang, X., & Kong, X. (2022). Analisis termodinamika dan optimalisasi sistem
pendingin serapan efek variabel menggunakan algoritma genetika multi pulau.
Laporan Energi, 8, 5443–5454. https://doi.org/10.1016/j.egyr.2022.04.004

Ing 2

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Ing 2

Diunggah oleh

Hak Cipta:

Format Tersedia

Machine Translated by Google

Sinkron : Jurnal dan Penelitian Teknik Informatika

Penerapan algoritma genetika untuk optimasi

Dikirim : 8 Mei 2022 | Diterima : 13 Mei 2022 | Diterbitkan : 13 Mei 2022

Kata Kunci: Algoritma Genetika; Penghasilan; Optimasi; Ramalan; Regresi.

*nama penulis koresponden

Sinkron : Jurnal dan Penelitian Teknik Informatika

Gambar 1. Kerangka Penelitian

*nama penulis koresponden

Sinkron : Jurnal dan Penelitian Teknik Informatika

Optimasi menggunakan Algoritma Genetika

• Menghitung Skor Kebugaran

• Seleksi dengan Roda Roulette

*nama penulis koresponden

Sinkron : Jurnal dan Penelitian Teknik Informatika

Selanjutnya, fungsi tujuan dari kromosom yang dihasilkan dihitung. • Kromosom[1] =

Selanjutnya dihitung nilai kebugarannya.

*nama penulis koresponden

Sinkron : Jurnal dan Penelitian Teknik Informatika

Gambar 2. Korelasi Variabel

Tabel 1. Hasil Optimasi Genetic Algorithm (GA).

*nama penulis koresponden

Sinkron : Jurnal dan Penelitian Teknik Informatika

Gambar 4. Hasil Optimasi Plot

*nama penulis koresponden

Sinkron : Jurnal dan Penelitian Teknik Informatika

*nama penulis koresponden

Anda mungkin juga menyukai