Masalah Dan Solusi ( Pemecahan Masalah) Pada dasarnya tiap mahluk memiliki masalah, tetapi tiap mah luk juga memiliki cara untuk memecahkan masalahnya.

Slides:



Advertisements
Presentasi serupa
Konsep Dasar Probabilitas
Advertisements

Penyelesaian TSP dengan Algoritma Genetik
ALGORITMA GENETIKA.
Algoritma Genetika Kelompok 2 Ferry sandi cristian ( )
Disusun Oleh: Ainiyatul Muthoharo ( )
ALGORITMA GENETIKA.
Algoritma Genetika.
Genetic Algoritms.
PROBABILITAS.
PROBABILITAS.
Algoritma Genetik  Setiap mahluk hidup selalu mengembangkan dirinya un tuk berusaha bertahan diri guna menyesuaikan dengan tuk berusaha bertahan diri.
ALGORITMA GENETIKA Disusun Oleh : Anjas Purnomo ( )
Yufis Azhar – Teknik Informatika - UMM
Gambaran Umum Metode Sampling
Algoritma Genetik (lanjutan)
ALGORITMA GENETIKA.
PROBABILITAS.
REKAYASA GENETIKA By: Ace Baehaki, S.Pi, M.Si.
Cara Penilaian Fitness
SANDI BINER.
Pertemuan 03 Teori Peluang (Probabilitas)
Pertemuan ke-2 Pencacahan Matakuliah : I0252 / Probabilitas Terapan
Beda Setangkup (Symmetric Difference)
Sistem Basis Data.
POPULASI & SAMPEL PENELITIAN
ALGORITMA GENETIKA Pertemuan 12.
Kuliah Sistem Fuzzy Pertemuan 12 “Algoritma Genetika”
ALGORITMA GENETIKA. KELOMPOK 6 CINDY RAHAYU ( ) MIA RAHMANIA ( ) M. ISKANDAR YAHYA ( ) Teknik Informatika 5A UIN.
Metoda Pengambilan sampel
Fuzzy EAs Dr. Suyanto, S.T., M.Sc. HP/WA:
Sistem Paging Edi Sugiarto, S.Kom.
Dasar-Dasar Algoritma Genetika
Imam Cholissodin | Algoritma Evolusi Teknik Optimasi Imam Cholissodin |
Evolution Strategies (ES)
Soft Computing Genetic Algorithm © Sekolah Tinggi Teknik Surabaya.
Imam Cholissodin | Algoritma Evolusi Real-Coded GA (RCGA) Imam Cholissodin |
Pengambilan Sampel Probabilitas
ALGORITMA GENETIKA.
Pertemuan 13 ALGORITMA GENETIKA
METODE DISTRIBUSI DAN SAMPLING
MODUL I SAMPLING ( METODE PENGAMBILAN SAMPEL) 1. PENDAHULUAN
Oleh : Yusuf Nurrachman, ST, MMSI
Konvergensi Prematur dan Pencegahannya
GENETICS ALGORITHM Nelly Indriani W. S.Si., M.T KECERDASAN BUATAN.
RNG ‘n Teori Game Pertemuan 4 MOSI T.Informatika Ganjil 2008/2009
PENCACAH (COUNTER).
PENGUMPULAN DAN PENGOLAHAN DATA
Pertemuan 14 Algoritma Genetika.
DISUSUN OLEH: Meiga Restianti
Artificial Intelligence (AI)
Algoritma AI 2.
BAB 11 METODE DAN DISTRIBUSI SAMPLING
Pertemuan 13 ALGORITMA GENETIKA
Dasar dari Komputer, Sistem Bilangan, dan Gerbang logika
ALGORITMA GENETIKA.
Distribusi Probabilitas Variabel Acak Diskrit
Pertemuan 13 Algoritma Genetika.
Metode dan Distribusi Sampling
ALGORITMA GENETIKA.
GENETIKA POPULASI.
Algoritma Genetika.
Distribusi Probabilitas Variabel Acak Diskrit
Pertemuan 15 ALGORITMA GENETIKA
T. Yudi Hadiwandra, M.Kom WA: PROBABILITAS DAN STATISTIK Code : h87p4t
T. Yudi Hadiwandra, M.Kom WA: PROBABILITAS DAN STATISTIK Code : h87p4t
RANGKAIAN DIGITAL ENCODER & Decoder.
KEBIJAKAN PUBLIK E-BISNIS
Algoritma Genetika. Melakukan Optimasi Fitness Contoh Fungsi Fitnes Y = - (x 2 - 1) GA akan melakukan optimasi terhadap fungsi tersebut.
Distribusi Sampling Menik Dwi Kurniatie, S.Si., M.Biotech.
SUPARJON POPULASI Populasi adalah wilayah generalisasi yang terdiri atas obyek/subyek peneliti untuk dipelajari dan kemudian ditarik.
Transcript presentasi:

Masalah Dan Solusi ( Pemecahan Masalah) Pada dasarnya tiap mahluk memiliki masalah, tetapi tiap mah luk juga memiliki cara untuk memecahkan masalahnya. Tiap saat masalah itu datang dan berbeda bentuknya, sehing ga diperlukan cara lain untuk memecahkannya. Bila masalah itu sama tetapi kwalitasnya juga lain sehingga memerlukan ca ra lain pula Mangsa Predator U BT S Masalah Predator adalah : Bgaimana menangkap Mang sa dalam keadaan diam Solusinya bisa ke timur, ke timur baru terus keutara. Atau ke utara baru ketimur. Yang jelas banyak cara sulusi yang ditempuh, ting gal menilai mana yang terbaik (fitness)

Masalah Dan Solusi ( Lanjutan) Tiap masalah biasanya memiliki beberapa solusi untuk meme cahkan masalah tersebut. Biasanya mahluk hidup selalu mengkombinasikan solusi tsb agar didapat hasil yang maksimal ( fitnessnya tinggi) Kombinasi atau gabungan solusi tersebut membentuk suatu rangkaian solusi. Dalam Algoritma Genetik rangkaian solusi tersebut disebut kromosom dan tiap solusinya disebut : gen Kromosom adalah rangkaian dari gen. Tergantung pada kemampuan dari mahluk hidup, biasanya menggunakan beberapa rangkaian kromosom, dan komposi- si gen nya berbedabeda.

Masalah Dan Solusi ( Lanjutan) Datangnya masalah tidak menentu, kadang-2 terus menerus datang, beberapa saat tidak datang, kemudian disusul lagi masalah. Atau dengan kata lain datangnya masalah secara acak ( random ). Kumpulan atau himpunan rangkaian solusi ( kromosom ), di- sebut : Populasi ( disingkat : poplu) Bila dikaitkan dengan Algoritma Genetik maka tampaknya ada kecocokan dimana : * Suatu rangkaian solusi disebut kromosom * Populasi rangkaian solusi sama dengan puplu kromo- som. Agar kromosom tersebut dapat di-digitalkan sehingga dapat diolah dengan komputer, sekaligus komputerisasi Algoritma Genetik, maka kromosom dianggapn sebagai rangkaian bina- ry ( 0, 1 )

Masalah Dan Solusi ( Lanjutan) Gen adalah anggota dari kromosom yang mewakili sebagai solusi juga harus di-kode binary Berapa banyaknya bit yang dipakai mengkode gen, tergan- tung banyaknya jenis solusi yang dipakai. Fungsi-2 yang dipakai dalam hal kromosom ini : * Seleksi Roulette wheel * Cross Over rate * Mutation rate Seleksi Roulette wheel adalah fungsi atau metoda yang dipa- kai untuk memilih kromosom dari sekian banyak kromosom untuk menjadi anggota poplu, demikian sehingga sebanding dengan fitness-nya. Makin fit kromosom bersangkutan berpe luang (probabilitasnya) besar untuk dipilih menjadi anggota. Cross Over Rate adalah probability dua kromosom dari suatu suatu poplu untuk dipertukarkan bit- bit nya untuk menghasil kan dua keturunan baru.