BAB 2
LANDASAN TEORI
Bab ini akan membahas tentang teori dan konsep dasar yang mendukung pembangunan dari system penjadwalan yang dibuat.
2.1Penjadwalan
Pengertian jadwal menurut kamus besar bahasa Indonesia adalah pembagian waktu berdasarkan rencana pengaturan urutan kerja, daftar atau tabel kegiatan atau rencana kegiatan dengan pembagian waktu pelaksanaan yang terperinci, sedangkan pengertian penjadwalan adalah proses, cara, perbuatan menjadwalkan atau memasukkan dalam jadwal (Nadiya, 2015).
Penjadwalan pada prinsipnya terjadi baik untuk periode yang panjang (misalnya tahunan) ataupun periode yang lebih pendek (misalnya harian atau periode jam). Penjadwalan yang dimaksudkan di sini adalah penjadwalan jangka pendek karena penjadwalan jangka panjang biasanya dibahas dengan pendekatan lain seperti manajemen projek. Kalau pun penjadwalan jangka panjang tadi bukan bersifat projek, yaitu seperti kegiatan rutin tahunan, maka pendekatan penjadwalan jangka pendek ini pun dapat kita terapkan pada kasus tersebut (Mursyid, 2010).
2.1.1Tipe-Tipe Penjadwalan
Terdapat tiga tipe penjadwalan berada secara bersama-sama pada sistem operasi yang kompleks (Managemen Informatika, 2011) yaitu:
1. Penjadwal jangka pendek (short-tem scheduller)
diharapakan. Penjadwal ini dijalankan setiap terjadi pengalihan proses untuk
memilih proses berikutnya yang harus dijalankan.
2. Penjadwal jangka menengah (medium-term scheduller)
Setelah eksekusi selama suatu waktu, proses mungkin ditunda karena membuat permintaan layanan masukan/keluaran atau memanggil suatu system call. Proses-proses tertunda tidak dapat membuat suatu kemajuan
selesai sampai kondisi-kondisi yang menyebabkan tertunda dihilangkan.
Agar ruang memori dapat bermanfaat, maka proses dipindah dari memori utama ke memori sekunder agar tersedia ruang untuk proses-proseslain. Kapasitas memori utama terbatas untuk sejumlah proses aktif. Aktivitas pemindahan proses yang tertunda dari memori utama ke memori sekunder disebut swapping.
Penjadwal jangka menengah adalah menangani proses-proses swapping. Proses-proses mempunyai kepentingan kecil saat itu sebagai
proses yang tertunda. Tetapi, begitu kondisi yang membuatnya terunda hilang dan proses dimasukkan kembali ke memori utama dan ready. Penjadwal jangka menengah mengendalikan transisi dari suspended-ready (dari keadaan suspend ke ready) proses-proses swapping.
3. Penjadwal jangka panjang (long-term scheduller)
2.1.2Teknik-Teknik dalam Melakukan Penjadwalan
Ada dua jenis penjadwalan secara umum yaitu (Taufik, 2013): 1. Penjadwalan Maju (Forward Scheduling)
pekerjaan dimulai sedini mungkin sehingga pekerjaaan selesai sebelum batas waktu yang dijanjikan (due date). Konsekuensinya adalah terjadinya akumulasi persediaaan sampai pekerjaan tersebut diperlukan pada pusat kerja berikutnya.
2. Penjadwalan Mundur (Backward Scheduling)
Kegiatan operasi yang terakhir dijadwalkan lebih dulu, yang selanjutnya secara berturut-turut ditentukan jadwal untuk kegiatan sebelumnya satu per satu secara mundur. Konsekuensi dapat meminimalkan persediaaan karena baru selesai pada saat pekerjaan tersebut diperlukan pada stasiun kerja berikutnya. Catatan: harus disertai dengan perencanaan dan estimasi waktu tenggang yang akurat, tidak terjadi break down selama proses maupun perubahan due date yang lebih cepat.
2.1.3 Hal-Hal yang Harus Diperhatikan dalam Melakukan Penjadwalan
Ada beberapa hal penting yang sifatnya strategis dapat kita raih jika melakukan penjadwalan dengan baik (Mursyid, 2010):
1. Penjadwalan yang baik membuat organisasi dapat menggunakan aset atau sumber dayanya dengan lebih efisien dan berefek positif juga pada pencapaian tujuannya.
2. Kapasitas yang fleksibel dalam memenuhi kebutuhan pelanggan. 3. Kepastian dalam melaksanakan penjadawalan yang akan dibuat.
2.1.4Implikasi Strategi Penjadwalan
Ada 4 macam implikasi dalam strategi penjadwalan (Taufik, 2013), yaitu:
2. Penggunaan kapasitas menjadi bertambah karena perputaran aktivas menjadi
lebih besar.
3. Pelayanan pelanggan (customer service) menjadi lebih baik. 4. Mendapatkan keunggulan kompetitif.
2.1.5Keputusan-Keputusan dalam Penjadwalan
Setiap organisasi yang menjadi objek penelitian selalu memiliki keputusan dalam penjadwalan. Ini berfungsi sebagai objek kajian dalam sistem pendukung keputusan nantinya menentukan rancangan penelitian. Perhatikan tabel dibawah ini, contoh-contoh organisasi beserta keputusannya.
Tabel 2.1.Keputusan dalam Penjadwalan
Organisasi Keputusan Dalam Penjadwalan
Rumah Sakit Ruang operasi, Perawat, Security, Pasien Rawat Jalan
Universitas Ruang kelas, Alat Audiovisual, Penjadwalan Dosen dan Mahasiswa, Jadwal Kursus
Pabrik Produksi, Pembelian Bahan, Gaji Café Cheef, Bartender, Pelayan, Entertainer
Bandara Udara Jadwal Penerbangan
2.1.6Strategi Penjadwalan
Terdapat dua strategi penjadwalan, yaitu:
1. Penjadwalan nonpreemptive (run – to – completion)
Begitu proses diberi jatah waktu pemroses maka pemroses tidak dapat diambil alih oleh proses lain sampai proses itu selesai.
2. Penjadwalan preemptive
Penjadwalan preemptive berguna pada sistem dimana proses-proses
yang mendapat perhatian tanggapan pemroses secara cepat. Misalnya:
a. Pada sistem waktu nyata, kehilangan interupsi (yaitu interupsi tidak segera dilayani) dapat berakibat fatal.
b. Pada sistem interaktif/time-sharing, penjadwalan preemptive penting agar dapat menjamin waktu tanggap yang memadai.
Penjadwalan preemptive bagus, tapi tidak tanpa ongkos. Peralihan proses (yaitu proses beralih ke proses lain) memerlukan overhead (karena banyak tabel yang dikelola). Agar preemptive efektif, banyak proses harus berada di memori utama sehingga proses-proses tersebut dapat segera running begitu diperlukan. Menyimpan banyak proses tak running benar-benar di memori merupakan suatu overhead tersendiri.
2.1.7 Penjadwalan Berprioritas (Managemen Informatika, 2011)
Ide penjadwalan adalah tiap proses diberikan prioritas dan proses berprioritas tinggi running (mendapat jatah waktu proses).
Prioritas dapat diberikan secara:
1. Prioritas Statis
Prioritas statis berarti prioritas tak berubah Keunggulan:a. Mudah diimplementasikan
b. Mempunyai overhead relatif kecil
Kelemahan: Penjadwalan tak tanggap perubahan lingkungan yang mungkin menghendaki penyesuaian prioritas.
2. Prioritas Dinamis
Prioritas dinamis merupakan mekanisme menanggapi perubahan lingkungan system beroperasi. Prioritas awal diberikan ke proses mungkin hanya berumur pendek setelah disesuaikan ke nilai yanglebih tepat sesuai lingkungan.
Kelemahan: Implementasi mekanisme prioritas dinamis lebih kompeks dan
mempunyai overhead lebih besar. Overhead ini diimbangi dengan peningkatan daya tanggap sistem.
Contoh Penjadwalan Berprioritas
Proses-proses yang sangat banyak operasi I/O menghabiskan kebanyakan waktu menunggu selesainya operasi I/O. Proses-proses ini diberi prioritas sangat tinggi sehingga begitu proses memerlukan pemroses segera diberikan, proses akan segera memulai permintaan I/O berikutnya hingga mengakibatkan proses blocked
menunggu selesainya operasi I/O. Dengan demikian pemroses dapat dipergunakan proses lain. Proses-proses I/O bound berjalan paralel bersama proses-proses lain yang benar-benar memerlukan pemroses, sementara proses-proses-proses-proses I/O
bound itu menunggu selesainya operasi DMA.
Proses-proses yang sangat banyak operasi I/O kalau harus menuggu lama
untuk memakai pemroses (karena prioritas rendah) hanya akan membebani meori karena harus disimpan tanpa perlu prosesproses itu dimemori karena tidak selesai-selesai menunggu operasi I/O dan menunggu jatah pemroses.
2.1.8 Sasaran Utama Penjadwalan Proses
Kriteria untuk mengukur dan optimasi kinerja penjadwalan (Managemen Informatika, 2011):
1. Adil (Fairness)
2. Efesiensi
Efesiensi atau utilisasi pemroses dihitung dengan perbandingan (rasio) waktu sibuk pemroses. Sasaran penjadwalan adalah menjaga agar pemroses tetap dalam keadaan sibuk sehingga efesiensi mencapai maksimum. Sibuk adalah pemroses tidak menganggur, termasuk waktu yang dihabiskan untuk mengeksekusi program pemakai dan sistem operasi.
3. Waktu tanggap (response time)
Waktu tanggap berbeda untuk:
a. Waktu tanggap pada sistem interaktif (Interaktif)
Waktu tanggap dalam sistem interaktif didefinisikan sebagai waktu yang dihabiskan dari saat karakter terakhir dari perintah dimasukkan atau transaksi sampai hasil pertama muncul dilayar (terminal). Waktu tanggap ini disebut terminal response time.
b. Waktu tanggap pada sistem waktu nyata (Real Time)
Pada sistem waktu nyata, waktu tanggap didefinisikan sebagai waktu dari saat kejadian (internal atau eksernal) sampai instruksi pertama rutin layanan yang dimaksud dieksekusi, disebut event response time. Sasaran pendjadwalan adalah meminimalkan waktu tanggap.
4. Turn Arround Time
Turn arround time adalah waktu yang dihabiskan dari saat program atau job mulai masuk ke system sampai proses diselesaikan sistem. Waktu yang dimaksud adalah waktu yang dihabiskan dalam sistem, diekspresikan sebagai jumlah waktu
eksekusi (waktu pelayanan job) dan waktu menunggu, yaitu;
Turn Arround Time = waktu eksekusi + waktu tunggu (1)
5. Throughtput
Throughtput adalah jumlah kerja yang dapat diselesaikan dalam satu unit waktu. Cara untuk mengekspresikan throughput adalah dengan jumlah job pemakai yang dapat dieksekusi dalam satu unit/interval waktu.
Sasaran penjadwalan adalah memaksimalkan jumlah job yang diproses per satu interval waktu. Lebih tinggi angka throughput, lebih banyak kerja yang dilakukan sistem. Kriteria-kriteria tersebut saling bergabung dan dapat pula saling bertentangan sehingga tidak dimungkinkan optimasi semua kriteria secara simultan.
2.2Algoritma Genetika
Algoritma ini ditemukan di Universitas Michigan, Amerika Serikat oleh John
Holland (1975) melalui sebuah penelitian dan dipopulerkan oleh salah satu muridnya, David Goldberg. 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
Algoritma genetika bukanlah solusi terbaik untuk memecahkan segala
masalah. Sebagai contoh, metode tradisional telah diatur untuk untuk mencari penyelesaian dari fungsi analitis convex yang “berperilaku baik” yang variabelnya sedikit. Pada kasus-kasus ini, metode berbasis kalkulus lebih unggul dari algoritma genetik karena metode ini dengan cepat menemukan solusi minimum
ketika algoritma genetik masih menganalisa bobot dari populasi awal. Untuk problemproblem ini pengguna harus mengakui fakta dari pengalaman ini dan memakai metode tradisional yang lebih cepat tersebut. Akan tetapi, banyak persoalan realistis yang berada di luar golongan ini. Selain itu, untuk persoalan yang tidak terlalu rumit, banyak cara yang lebih cepat dari algoritma genetik (Nugraha, 2008).
Sifat algoritma genetika adalah mencari kemungkinan-kemungkinan dari kandidat solusi untuk mendapatkan yang optimal untuk penyelesaian masalah. Ruang cakupan dari semua solusi yang layak (feasible), yaitu objek-objek diantara solusi yang sesuai, dinamakan ruang pencarian (search space). Tiap titik dalam ruang pencarian mempresentasikan satu solusi yang layak. Tiap solusi yang layak dapat ditandai dengan nilai fitness-nya bagi masalah. Algoritma genetika bekerja dari populasi yang merupakan himpunan solusi yang dihasilkan secara acak. Setiap anggota himpunan yang merepresentasikan satu solusi masalah. Suatu solusi masalah berevolusi dalam iterasi yang dinamakan generasi, tiap solusi masalah dievaluasi berdasarkan fungsi evaluasi (fitness function). Pada algoritma genetika, fitness biasanya dapat berupa fungsi objektif dari masalah yang akan dioptimalisasi (Saraswati& Prayanthi, 2012).
Tabel 2.2.Perbandingan Istilah pada Sistem Alamiah dengan Algoritma Genetika
Sistem Alamiah Algoritma Genetika
Kromosom String
Gen Fitur, Karakter atau Detektor
Allel Nilai Fitur
Locus Posisi String
Genotip Struktur
Epitasis Non Linieritas
2.2.1 Beberapa Definisi Penting Dalam Algoritma Genetik
a. Genotype (gen) adalah sebuah nilai yang menyatakan satuan dasar yang
membentuk suatu arti tertentu dalam satu kesatuan gen yang dinamakan kromosom. Dalam Algoritma Genetik, gen ini bisa berupa nilai biner, float, integer, maupun karakter.
b. Allel adalah nilai dari gen.
c. Kromosom adalah gabungan dari gen-gen yang membentuk nilai tertentu. d. Individu menyatakan satu nilai dari keadaan yang menyatakan salah satu
siklus proses evolusi.
e. Populasi merupakan sekumpulan individu yang akan diproses bersama dalam satu siklus proses evolusi.
f. Generasi menyatakan satuan siklus proses evolusi.
g. Nilai fitness menyatakan seberapa baik nilai dari suatu individu atau solusi yang didapatkan.
Populasi .
Algoritma genetik secara umum dapat diilustrasikan dalam Flowchat yang dapat dilihat padagambar berikut:
Gambar 2.2 Flowchat Algoritma Genetika
2.2.2 Proses Algoritma Genetika(Novandry Widyastuti, 2008)
1. Start
Generate populasi pertama secara random sebanyak nindividu.
2. Fitness
Evaluasi nilai fitness f(x) dari setiap individu x didalampopulasi.
3. New Populasi
Bentuk populasi baru dengan melakukan pengulangan langkah-langkah dibawah ini sehingga didapatkan populasi baru.
Mulai
Populasi Awal
Evaluasi Fitness
Mutasi
Kreteria Berhenti Terpenuhi?
Hasil
Crossover
Seleksi
Selesai ya
tidak
a. Selection
Pilih 2 individu sebagai orangtua dari sebuah populasi sesuai dengan fitness mereka (Semakin baik fitness, maka semakin besar peluang mereka untuk dipilih).
b. Crossover
Lakukan persilangan antara kedua orangtua sesuai dengan probabilitas
crossover untuk membentuk keturunan yang baru. Jika tidak terjadi persilangan maka keturunan yang dihasilkan akan sama persis dengan orangtuanya.
c. Mutation
Mutasi setiap keturunan yang baru sesuaidengan probabilitas mutasi di setiap gen.
d. Accepting
Tempatkan keturunan yang baru sebagaipopulasi yang baru.
4. Replace
Gunakan populasi yang baru dibentuk untukmenjalankan algoritma.
5. Test
Jika kondisi akhir dipenuhi maka berhenti dan tampilkansolusi dari populasi.
6. Loop
Kembali ke nomor 2.
2.2.3 Struktur Umum Dari Suatu Algoritma Genetik Dapat Didefinisikan Dengan Langkah-Langkah Sebagai Berikut (Suhartono, 2015)
Populasi awal ini dibangkitkan secara random sehingga didapatkan solusi
awal. Populasi itu sendiri terdiri dari sejumlah kromosom yang mempresentasikan solusi yang diinginkan.
2. Membentuk generasi baru
Dalam membentuk generasi baru digunakan tiga operator yaitu operator reproduksi/seleksi, crossover, dan mutasi. Proses ini dilakukan berulang-ulang sehingga didapatkan jumlah kromosom yang cukup untuk membentuk
generasi baru dimana generasi baru ini merupakan representasi dari solusi baru.
3. Evaluasi solusi
Proses ini mengevaluasi setiap populasi dengan menghitung nilai fitness setiap kromosom dan mengevaluasinya sampai terpenuhi kriteria berhenti. Bila kriteria berhenti belum terpenuhi maka dibentuk lagi generasi baru
dengan mengulangi langkah 2.
Beberapa kriteria berhenti yang sering digunakan antara lain: a. Berhenti pada generasi tertentu.
b. Berhenti setelah dalam beberapa generasi berturut-turut didapatkan nilai fitness tertinggi tidak berubah.
c. Berhenti bila dalam n generasi berikut tidak didapatkan nilai fitness yang lebih tinggi.
2.2.4 Komponen-Komponen Utama Algoritma Genetika (Suhartono, 2012)
1. Teknik pengkodean
daftar aturan, elemen permutasi, elemen program, atau representasi lainnya
yang dapat diimplementasikan untuk operator genetik.
Oleh karena itu, kromosom dapat direpresentasikan sebagai: 1. String bit: 11001, 10111
a. 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.
b. 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
2. Array bilangan real: 7.9, 9.7, -70 3. Elemen permutasi: E5, E8, E11 4. Daftar aturan: R1, R2, R3
5. Elemen program: pemrograman genetika
2. Prosedur inisialisasi
3. Evaluasi fitness
Evaluasi fitness merupakan dasar untuk proses seleksi. Langkah-langkahnya yaitu string dikonversi ke parameter fungsi, fungsi objektifnya dievaluasi, kemudian mengubah fungsi objektif tersebut ke dalam fungsi fitness. Dimana untuk maksimalisasi problem, fungsi fitness dipergunakan sebagai dasar untuk menseleksi individu pada generasi berikutnya. Untuk permasalahan minimalisasi, nilai fitness adalah inversi dari nilai minimal yang diharapkan.
Rumus fitness yang digunakan, (Suhartono, 2015) adalah sebagai berikut:
�������= 1 / 1+(�1�1+�2�2+⋯) (2)
Keterangan:
Bn = Bobot pelanggaran n = 1, 2 . . . n Fn = Banyaknya pelanggaran
4. Seleksi
Proses seleksi bertujuan untuk memilih individu-individu yang akan dipilih untuk proses persilangan dan mutasi, sehingga akan diperoleh calon induk yang baik. Induk yang baik akan menghasilkan keturunan yang baik. Langkah pertama dalam seleksi yaitu pencarian nilai fitness. Masing-masing individu dalam suatu wadah seleksi akan menerima probabilitas reproduksi yang tergantung pada nilai objektif dirinya sendiri terhadap nilai objektif dari semua individu dalam wadah seleksi tersebut. Nilai fitness inilah yang nantinya akan digunakan pada tahap seleksi berikutnya.
Ada beberapa metode untuk memilih kromosom yang digunakan antara lain:
a. Roulette wheel selection
ditempatkan dalam populasi, setiap tempat besar sesuai dengan fungsi
fitness. Kromosom dipilih berdasarkan nilai fitness, semakin besar nilai fitness maka kromosom tersebut mempunyai peluang untuk dipilih beberapa kali. Metode seleksi roda rolet merupakan metode yang paling sederhana, dan sering juga dikenal dengan nama stochastic sampling with
replacement.
b. Selekssi good fitness
Seleksi ini dilakukan dengan cara setengah dari jumlah populasi yang memiliki nilai fitness yang paling rendah akan dihilangkan, sehingga selalu hanya tersisa sekelompok solusi yang terbaik. Solusi yang tersisa hasil dari seleksi tersebut disebut populasi induk. Karena jumlah populasi harus tetap, maka perlu di-generate solusi baru sebanyak setengah dari jumlah populasi yang ada. Ada 2 cara yang digunakan untuk
men-generate solusi baru, yaitu dengan cara reproduksi kromosom baru dan mutasi dari solusi induk. Tujuan men-generate solusi baru ini adalah untuk menemukan alternatif solusi yang lebih baik dari solusi-solusi yang sudah dihasilkan.
2.2.5 Teknik-Teknik dalam Algortima Genetik
Ada 4 teknik yang dapat dilihat dalam Speech Recognition (Nugraha, 2008) yaitu:
1. Fitness Function
Setiap individual dievaluasi dengan fitness function. Sebuah fitness function mengembalikan nilai tertinggi untuk individual yang terbaik. Individu akan
diurutkan berdasarkan nilai atau disebut dengan selection.
2. Crossover
3. Mutasi
Pada mutasi, tiap lokasi menjadi sasaran mutasi acak, dengan probabilitas independen yang kecil. Sebuah digit dimutasikan pada anak pertama, ketiga, dan keempat. Algoritma genetika mengkombinasikan suatu kecenderungan menaik dengan pengeksplorasian acak diantara thread pencarian paralel. Keuntungan secara matematis dapat tunjukkan bahwa bila posisi dari kode genetik di permutasikan di awal dengan urutan acak, crossover tidak
memberikan keunggulan. Secara intuisi, keuntungannya didapat dari kemampuan crossover untuk menggabungkan blok-blok huruf berukuran besar yang telah berevolusi secara independen untuk melakukan fungsi yang bermanfaat sehingga dapat menaikkan tingkat granularity di mana pencarian
dilakukan.
4. Schema
Teori dari algoritma genetik menjelaskan cara kerjanya menggunakan ide dari suatu schema, suatu substring di mana beberapa posisi tidak disebutkan. Dapat ditunjukkan bahwa, bila fitness rata-rata dari schema berada di bawah mean maka jumlah instansiasi dari schema di dalam populasi akan bertambah seiring bertambahnya waktu. Jelas sekali bahwa efek ini tidak akan signifikan
bila bit-bit yang bersebelahan sama sekali tidak berhubungan satu sama sekali, karena akan ada beberapa blok kontigu yang memberikan keuntungan yang konsisten. Algoritma genetik paling efektif dipakai bila schema-schema berkorespondensi menjadi komponen berati dari sebuah solusi. Sebagai contoh, bila string adalah representasi dari sebuah antena, maka schema merepresentasikan komponen-komponen dari antena, seperti reflector dan deflector. Sebuah komponen yang baik cenderung akan berkerja baik pada rancangan yang berbeda.
Menurut (Suyanto, 2005) algoritma genetika telah banyak diaplikasikan untuk
penyelesaian masalah dan pemodelan dalam bidang teknologi, bisnis dan entertainment seperti:
a. Optimasi
Algoritma genetika untuk optimasi numerik dan optimasi kombinatorial seperti Traveling Salesman Problem (TSP), perancangan Integrated circuit atau IC, optimasi video dan suara.
b. Pemrograman Otomatis
Algoritma genetika telah digunakan untuk melakukan proses evolusi terhadap
program komputer untuk merancang struktur komputasiona, seperti cellular automata dan sorting network.
c. Machine Learning
Algoritma genetika telah berhasil diaplikasikan untuk memprediksi struktur protein, dan berhasil diaplikasikan dalam perancangan neural networks (jaringan syaraf tiruan) untuk melakukan proses evolusi terhadap aturan-aturan pada learning classifier system atau symbolic production system, juga
digunakan untuk mengontrol robot.
d. Model Ekonomi
Algoritma genetika telah digunakan untuk memodelkan proses-proses inovasi dan pembangunan bidding strategies.
e. Model Sistem Imunisasi
Algoritma genetika telah berhasil digunakan untuk memodelkan berbagai aspek pada sistem imunisasi alamiah, termasuk somatic mutation selama kehidupan individu dan menemukan keluarga dengan gen ganda (multi-gene families) sepanjang waktu evolusi.
Algoritma genetika berhasil digunakan untuk memodelkan fenomena ekologis seperti host-parasite co-evolutions, simbiosis, dan aliran sumber
daya dalam ekologi.
g. Interaksi antara Evolusi dan Belajar
Algoritma genetika telah digunakan untuk mempelajari bagaimana proses belajar suatu individu bisa mempengaruhi proses evolusi suatu species dan sebaliknya.
2.2.7 Masalah-masalah yang Bisa Diselesaikan dengan Algoritma Genetik
Algoritma genetika sangat berguna dan efisien untuk masalah-masalah dengan karakteristik sebagai berikut (Suyanto, 2005):
a. Ruang masalah sangat besar, kompleks, dan sulit dipahami.
b. Kurang atau bahkan tidak ada pengetahuan yang memadai untuk merepresentasikan masalah ke dalam ruang pencarian yang lebih sempit. c. Tidak tersedianya analisis matematika yang memadai.
d. Ketika metode-metode konvensional sudah tidak mampu meyelesaikan
masalah yang dihadapi.
e. Solusi yang diharapkan tidak harus paling optimal, tetapi cukup bagus atau bisa diterima.
f. Terdapat batasan waktu, misalnya real time system atau sistem waktu nyata.
2.3Implimentasi Perancangan Perangkat Lunak (Software)
2.3.1HTML
halaman sesuai dengan yang kita inginkan, seperti posisi, ukuran, warna dan lain-
lain. Bahasa tersebut terdiri dari berbagai kode- kode yang masing- masing memiliki fungsi dan tugasnya masing- masing. Ketika anda melihat sebuah halaman di browser komputer anda, yang anda lihat sebenarnya adalah penerjemahan perintah HTML yang dilakukan oleh browser anda dari sebuah
halaman.
2.3.2PHP
Kepanjangan dari PHP adalah "Hypertext Preprocessor" (ini merupakan singkatan rekursif). Jadi, Ini berarti kode PHP dapat disisipkan ke dalam HTML halaman Web. Ketika sebuah halaman PHP diakses, kode PHP dibaca atau "diurai" oleh server. Output dari fungsi PHP pada halaman biasanya dikembalikan sebagai kode HTML, yang dapat dibaca oleh browser. Karena kode PHP diubah menjadi HTML sebelum halaman dibuka, pengguna tidak dapat melihat kode PHP pada halaman. Ini membuat halaman PHP cukup aman untuk mengakses
aman lainnya.
2.3.3CSS
CSS adalah kependekan dari Cascading Style Sheet. CSS merupakan salah satu kode pemrograman yang bertujuan untuk menghias dan mengatur gaya tampilan/layout halaman web supaya lebih elegan dan menarik.CSS adalah sebuah teknologi internet yang direkomendasikan oleh World Wide Web Consortium atau W3C pada tahun 1996. Awalnya, CSS dikembangkan di SGML
pada tahun 1970, dan terus dikembangkan hingga saat ini. CSS telah mendukung banyak bahasa markup seperti HTML, XHTML, XML, SVG (Scalable Vector Graphics) dan Mozilla XUL (XML User Interface Language).
Database adalah kumpulan data yang tersusun secara sistematis sehingga akan
memudahkan pengguna untuk mengakses dan mengatur sehingga akan menghasilkan sebuah informasi yang efektif dan efisien.
Database dapat berdiri-sendiri dan juga dapat digabung menjadi satu
kesatuan. Menggabung dua atau lebih jenis database disebut mengkorelasikan. Sistem manajemen database merupakan software yang digunakan untuk mengelola database Sampai pengaturan hak akses.
Basis Data: Himpunan kelompok data (arsip) yang saling berhubungan, yang diorganisasi sedemikian rupa, sehingga kelak dapat dimanfaatkan kembali dengan cepat.
2.3.5 Sublime text
Sublime Text itu adalah salah satu text editor yang biasa digunakan oleh para
programmer, khususnya Web Developer. Bisa diibaratkan sebagai senjata-nya
Web Developer. Setiap web developer wajib untuk menggunakan Sublime Text
sebagai ‘senjata harian’-nya.
2.3.6 XAMPP
