Belajar Algoritma genetika Untuk Penjadwalan - Contoh Program
Belajar Algoritma genetika Untuk Penjadwalan - Contoh Program
+ Source Code
+ Source Code
..
11 11 Like Like Like LikeM
M
etode dan
etode dan
Algori
Algori
tma
tma
||
Bel
Bel
aj
aj
ar
ar
Algori
Algori
tma
tma
gene
gene
tika
tika
U
U
ntuk
ntuk
Pe
Pe
nja
nja
dwa
dwa
la
la
n
n
-
-
Contoh
Contoh
Progra
Progra
m
m
+ Source Code
+ Source Code
.
. An
Anda
da bisa
bisa m
melak
elakuk
ukan
an konsu
konsultasi
ltasi tentan
tentang
g
Bela
Belajar Algoritm
jar Algoritm a
a
genetika Untuk Penjadwalan - Contoh Program + Source Code
genetika Untuk Penjadwalan - Contoh Program + Source Code melalui form di samping
melalui form di samping
kanan !!!
kanan !!!
iklan wordp
iklan wordp
ress s
ress sekseh
ekseh
skateline
skateline
Al
Algoritma
goritma genetika
genetika adalah
adalah suatu
suatu m
metode
etode pencaharian
pencaharian ((
search
search
) acak yang didasarkan atas
) acak yang didasarkan atas
prin
prinsip
sip evolu
evolusi
si yang
yang terj
terjadi
adi di
di alam
alam,
, ind
individu
ividu-ind
-individu y
ividu y ang
ang m
mam
ampu
pu berad
beradaptasi
aptasi den
dengan
gan
lingkungan dimana ia berada akan tetap hidup sedangkan yang tidak beradaptasi akan mati
lingkungan dimana ia berada akan tetap hidup sedangkan yang tidak beradaptasi akan mati
(Manong
(Manongga, 20
ga, 2005).
05). Alg
Algoritma genetika pertama
oritma genetika pertama kali diperkenalk
kali diperkenalkan oleh J
an oleh J ohn Holl
ohn Holland dari
and dari
Un
Universita
iversitas Michigan, Amerika Serikat dan
s Michigan, Amerika Serikat dan term
termasuk sa
asuk salah satu metode t
lah satu metode t erbaru dalam bid
erbaru dalam bidang
ang
kecerdasan buatan (Holland, 1975). Algoritma genetika banyak dipakai pada aplikasi bisnis,
kecerdasan buatan (Holland, 1975). Algoritma genetika banyak dipakai pada aplikasi bisnis,
“
sehingga keturunan yang dihasilkan dapat mempunyai kelebihan bahkan tidak memiliki
kekurangan dari orangtuanya. Setia p makhluk hidup akan mengalami seleksi alam, sehingga
makhluk hidup yang mempunyai kemampuan untuk beradaptasi dengan lingkungan sekitarnya
dapat bertahan sampai generasi selanjutnya. Semakin bagus atau sesuaifitness
dari sebuah
solusi maka solusi tersebut mempunyai peluang besar untuk dipilih. Proses ini dilakukan
berulang sampai kondisi tertentu dipenuhi.
Berikut ini adalah langkah-langkah algorima genetika: (Juniawati, 2003)
Inisialisasi populasi awal secara acak.
1.
Evaluasi nilai
fitness
pada setiap kromosom dalam populasi.
2.
Kerjakan langkah-langkah berikut ini:
Seleksi populasi tersebut untuk mendapatkan kromosom terbaik.
1.
Lakukan
crossover
pada kromosom yang terpilih.
2.
Lakukan mutasi pada kromosom yang terpilih.
3.
Lakukan evaluasi
fitness setiap kromosom.
4.
Bentuk populasi yang baru dengan mempertahankan kromosom terbaik untuk
setiap generasinya.
5.
3.
Langkah dua diulang sampai mencapai generasi maksimal atau telah menemukan
4.
© 2010 JASA PEMBUATAN TESIS SKRIPSI TA INFORMATIKA - All Rights Reserved | submit
Konsultan Bimbingan Tesis Skripsi TA Inform atika
Jasa tugas akhir , skripsi , tesis teknik informatika no 1 di Indonesia . Sejak 2006 membantu lebih dari 250
mahasiswa S1 / S2 IT di seluruh Indonesia.
Paket yang kami tawarkan :
1. Pencarian judul
2. Pembuatan proposal
3. Pembuatan buku / laporan
4. Pembuatan sofware / program
5. Pembetulan / Penambahan program yang sudah ada
6. Convert language / Technology
7. dll
Language :
C#, vb, .net, java, php, AS3, c++ , lingo, etc
Global project :
Mobile Application (MPhone, P DA, BlackBerry, Android, etc)
GIS Mobile Application (Global GIS, OpenStreetMap, GoogleMap etc)
Computer Games Application (FPS, RPG, 3D, RT S, TBS, etc)
Artificial Intellegence (AI, Recognition, Fuzzy, Neural, etc)
Decision Support System (DSS, Cognition, Conjoint, Forecasting)
3D computer graphics (Voxel,modeling, pipeline, motion, geometry)
Geographic Information Sistem (Mapping, Cartography, Geoinformatics)
Image & Data Prossesing (Wavelet, Quantization, Steganography)
Audio Video Processing (Criptography, Watermark, Recognition)
SMS Based Application (MBanking, Alert, Control, Survey)
Web Based Application (Ecommerce, Biositemap, Rich Media)
Mobile Expert System (Business Agent, Facilitatio, DSS, AI)
Global Expert System App (Decision theory, Critical thinking)
Algorythm Implementation (Genetic, Ant, Fuzzi, Backpropagation, etc)
Alg ori tm a:
Tsp, Semut, Warshall, Genetika, Sorting, id3, Rsa, Tribewala, AHP, Fuzzy, Wavelet, VEA , hash, Stream
Cipher, DSS, Block Cipher, Markov Model, ROI, RC4, ElGamal, Least Significant Bit Modification, Time
Base Modulation, Spread Spectrum, Quantum Neural Newtwork , Partitioned Iterated Function System,
Shamir Secret Sharing Advanced, ECDSA, Mesh Warping, Agglomerative Clustering, Hidden Markov
Model, Propagasi Balik, RUP, Vizing, Huffman Statis, Newton-Raphson, Pias, BWT, Blind Signature,
Fuzzy C-Means, Counterpropagation Network, Heuristic, Hibrid, GOST, LOKI, Blowfish, Forward
Channing, Native Bayes, dll
More Info + Contact
http://www.project-graduate.com
Email: project_graduate@yahoo.com
sms only : 08562549338
google | gooping | a uto-ping | pingler | websub| pingomatic | Pi ngService |
Terdapat empat komponen utama dalam algoritma genetika yaitu sebagai ber
2005)
Suatu populasi individu. Se tiap individu dalam populasi merupakan kandidat solusi dari
fungsi optimasi yang dicari.
1.
Suatu proses seleksi yang berfungsi menyeleksi individu-individu berdasarkan nilai
optimasi (fitness) mereka untuk reproduksi.
2.
Beberapa operator genetika yang berfungsi mengubah struktur internal individu untuk
menghasilkan individu-individu baru.
3.
Suatu proses pergantian (
replacement) yang mengganti individu-individu yang
mempunyai
fitness yang buruk dengan individu-individu baru yang mempunyai
fitness
yang lebih baik.
4.
Keuntungan dari algoritma genetik adalah sifat metode pencariannya yang lebih optimal,
tanpa terlalu memperbesar ruang pencarian, dan tanpa kehilangan kesempurnaan
(completeness) s ehingga dapat dengan mudah diimplementasikan kesuatu permasalahan.
Selain itu teknik ini juga mampu mencari sebuah solusi yang baik dari banyak solusi yang
mungkin, lebih daripada membatasi pencarian pada domain yang sempit dimana hasil yang
diperoleh kurang memuaskan. Algoritma genetik mencoba untuk memberikan pencarian
cerdas sebuah pemecahan dari pemecahan-pemecahan yang mungkin dan berjumlah hampir
tak terbatas[Wibowo dalam Widiyantoro, 2003].
2.1
Fungsi
FitnessFungsi
fitness
digunakan untuk proses evaluasi kromosom agar memperoleh kromosom yang
diinginkan. Fungsi ini membedakan kualitas dari kromosom untuk mengetahui seberapa baik
kromosom yang dihasilkan. Nilai
fitness
ditentukan oleh nilai
penalty.
Penalty
tersebut
menunjukkan jumlah pelanggaran kendala pada suatu kromosom. Semakin tinggi nilai
fitness
akan semakin besar kemungkinan kromosom tersebut terpilih ke generasi berikutnya. Jadi
nilai
penalty
berbanding terbalik dengan nilai
fitness, semakin kecil nilai
penalty
(jumlah
pelanggaran) semakin besar nilai
fitnessnya.
Seleksi
Setiap kromosom yang terdapat dalam populasi akan melalui proses seleksi untuk dipilih
menjadi orangtua. Sesuai dengan teori evolusi Darwin maka kromosom yang baik akan
Ada beberapa metode seleksi (Juniawati, 2003), ya itu:
Steady-
State
Selection
. Pemikiran utama dari metode seleksi ini
kromosom dari generasi lama tetap bertahan atau berada digene
Algoritma genetika menerapkan pemikiran tersebut dengan cara, didalam setiap
generasi sejumlah kromosom yang mempunyai nilai
fitness
tinggi dipilih untuk diproses
untuk menghasilkan keturunan yang baru sedangkan kromosom dengan nilai
fitness
rendah dibuang.
1.
Elitism
. Pembentukan populasi baru dengan
crossover
dan mutasi ada kemungkinan
kromosom yang paling baik hilang. Oleh karena itu metode ini sebagai tahap awal
memasukkan kromosom dengan nilai
fitness
yang paling baik atau beberapa kromosom
dengan nilai fitnes yang tinggi atau cukup tinggi dari generasi yang lama kedalam
generasi yang baru, kemudian sisa kromosom dalam generasi yang baru diperoleh
dengan cara reproduksi biasa.
2.
Roulette Wheel Selection
. Kromosom dipilih berdasarkan nilai
fitness
, semakin besar
nilai
fitness
maka kromosom tersebut mempunyai peluang untuk dipilih beberapa kali.
3.
Operator-Operator Algoritma Genetika
Operator genetika dipergunakan untuk mengkombinasi (modifikasi) individu dalam aliran
populasi guna mencetak individu pada generasi berikutnya. Ada dua operator genetika yaitu
crossover
dan
mutation
(Juniawati, 2003).
Crossover
Operator persilangan merupakan operasi yang bekerja untuk menggabungan dua kromosom
orangtua (
parent
) menjadi kromosom baru (
offspring
). Tidak semua kromosom mengalami
persilangan. Jumlah kromosom dalam populasi yang mengalami persilangan ditentukan oleh
paramater yang disebut dengan
crossover rate
(probabilitas persilangan) .
Jenis operator persilangan yaitu:
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.
Two point crossover
1.
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 o rangtua kedua. Sisanya disalin
dari orangtua pertama. Contoh:
11001011
+ 11011111 =
11011111.
Mutasi
Setelah
crossover
dilakukan, proses reproduksi dilanjutkan dengan mutasi. Hal ini dilakukan
untuk menghindari solusi-solusi dalam populasi mempunyai nilai lokal optimum. Mutasi adalah
proses mengubah gen dari keturunan secara random. Untuk pengkodean biner maka mutasi
mengubah bit 0 menjadi bit 1 dan bit 1 menjadi bit 0. Conto h: 1
1001001 ? 10001001
Parameter-Parameter Algoritma Genetika
Pengoperasian algoritma genetika dibutuhkan empat parameter (Juniawati, 2 003) yaitu:
Probabilitas Persilangan (
Probability Crossover
) yang menunjukkan kemungkinan
crossover
terjadi antara dua kromosom. Jika tidak terjadi
crossover
maka
keturunannya akan s ama persis dengan kromosom orangtua, tetapi tidak berarti
generasi yang baru akan sama persis dengan generasi yang lama. Jika probabilitas
crossover
100% maka semua keturunannya dihasilkan dari
crossover
.
Crossover
dilakukan dengan harapan bahwa kromosom yang baru akan lebih baik.
1.
Probabilitas Mutasi (
Probability Mutation
) yang menunjukkan kemungkinan mutasi
terjadi pada gen-gen yang menyusun sebuah kromosom. J ika tidak terjadi mutasi maka
keturunan yang dihasilkan setelah
crossover
tidak berubah. Jika terjadi mutasi bagian
kromosom akan berubah. Jika probabilitasnya 100 %, semua kromosom dimutasi. Jika
probabilitasnya 0%, t idak ada yang mengalami mutasi.
2.
Jumlah Individu yang menunjukkan jumlah kromosom yang terdapat dalam populasi
(dalam satu generasi). Jika hanya sedikit kromosom dalam populasi maka algoritma
genetika akan mempunyai sedikit variasi kemungkinan untuk melakukan
crossover
antara orangtua karena hanya sebagian kecil dari
search space
yang dipakai.
3.
Jumlah Populasi yang menentukan jumlah populasi at au banyaknya generasi yang
dihasilkan, digunakan sebagai batas a khir proses seleksi, persilangan, dan mutasi.
4.
skateline
CONTOH SOURCE CODE
Kode ini dapat digunakan / ditambahkan dalam aplikasi apapun dengan hanya menambahkan
kelas yang ada ke dalam kode sumber Anda. Proses lainnya telah diimplementasikan dalam
format yang mudah untuk dimengerti dan tepat sesuai dengan fleksibilitas program yang anda
butuhkan.
Download Contoh Program + Source Code Artikel di Atas
Click here
skateline
iklan wordpress sekseh
contoh proposal tesis, judul tesis teknik informatika, biro jasa tesis informatika, Block, ciphers, 3-Way, Blowfish, CAST, CMEA, DES,
Triple-DES, DEAL, FEAL, GOST, [PDF]
OPTIMASI P ENJADWALAN KEGIATAN BELAJAR MENGAJAR …
sutanto.staff.uns.ac.id/files/2009/02/article-algogenetic.pdfJenis Berkas: PDF/Adobe Acrobat – Tampilan Cepat
[PDF]
APLIKASI ALGORITMA GENETIK UNTUK OPTIMASI PENJADWALAN
sutanto.staff.uns.ac.id/files/2008/09/makalahif2251-2008-023.pdfJenis Berkas: PDF/Adobe Acrobat – Tampilan Ce
Kata kunci: penjadwalan, optimasi, algoritma genetik. 1. PENDAHULUAN …
Tampilkan hasil lainnya dari uns.ac.id
Majalah Ilmiah Unikom
jurnal.unikom.ac.id/Tim Robot Unikom Peraih Medali Emas Kontes Robot Internasional The th Annual Robogames SAN MATEO USA
Peraih Medali Emas Kontes Robot …
[HELP]Penjadwalan Menggunakan Algoritma Genetika – Kaskus – The …
www.kaskus.us/showthread.php?p=454877107
9 pesan – 6 penulis – Pos terakhir: 4 Agu
ane masih lagi belajar tentang Algoritma Genetika, mau ane terapin untuk penjadwalan pada bimbingan belajar, ane pakai PHP …
Algoritma Genetika Untuk Optimasi Penjadwalan–kikifirmansyah
www.scribd.com/…/Algoritma-Genetika-Untuk-Optimasi-Penjadwala…13 Jan 2011 – Kata kunci : algoritma genetika, penjadwalan, optimasi
… Penjadwalan kegiatan belajar mengajar dalam suatu instansi pendidikan adalah hal …
[PDF]
MODEL PENJADWALAN KEGIATAN PEMBELAJARAN SEKOLAH …
digilib.its.ac.id/…/ITS-Master-14692-1208201017-Presentation.pdfJenis Berkas: PDF/Adobe Acrobat – Tampilan Cepat
Mengajar Dengan Algoritma Genetika;. Ivan Nugraha (2008) tentang ; Aplikasi. Algoritma Genetika Untuk penjadwalan. Kegiatan
Belajar Mengajar; …
[PDF]
1 BAB I PENDAHULUAN 1.1. LATAR BELAKANG Jadwal mata …
eprints.undip.ac.id/ 5197/1/BAB_I_%26_BAB_II.pdfJenis Berkas: PDF/Adobe Acrobat – Tampilan Cepat
oleh M Andi Wibowo – 2009
proses belajar mengajar di Program studi Matematika FMIPA UNDIP. Sering terjadinya …. Menjelaskan tentang penjadwalan mata kuliah,
typecat.com/…/penjadwalan-belajar-mengajar-algoritma-genet ika.ht…1. JUDUL OPTIMASI PENJADWALAN KEGIATAN BELAJAR
MENGAJAR DENGAN ALGORITMA GENETIK. 2. LATAR BELAKANG MASALAH Penjadwalan …
Algoritma genetika . | PDF Search Engine
www.searchinpdf.com/pdf/algoritma-gene tika-.html1. JUDUL OPTIMASI PENJADWALAN KEGIATAN BELAJAR
ALGORITMA GENETIK. 2. LATAR BELAKANG MASALAH Penjadwalan …
Algoritma Genetika Optimasi Penjadwalan Kegiatan Belajar Doc – DOCPDF
www.docpdf.info/…/algoritma+genetika+optimasi+penjadwalan+kegi…DOC PDF files of algoritma genetika optimasi penjadwalan kegiatan
belajar doc at DocPDF.info 0. Download DOC PDF Files of algoritma genetika optimasi …
APLIKASI ALGORITMA GENETIK UNTUK OPTIMASI PENJADWALAN KEGIATAN BELAJAR
www.inf ogigi. com/APLIKASI-AL GORITMA-G ENETIK-UNTUK-…Inil ah ebook mengena i APLIKASI ALGORIT MA GENETIK UNTUK OPTIMASI
PENJADWALAN KEGIATAN BELAJAR di InfoGigi.com. Silahkan kunjungi halaman ini untuk ebook …
DUNIA BELAJAR ALGORITMA GENETIKA
zawa.blogsome.com/?s=dunia+belajar+algoritma+genetika1 Sep 2008 – dunia belajar algoritma genetika, Blog info judul skripsi/tug as
akhir … Aplikasi Penjadwalan Pengajaran Menggunakan Algoritma Genetika …
SELAMAT DATANG DI BLOG ROBERT – Contoh Proposal
buser45.multiply.com/journal/item/6/Contoh_Proposal – Filipina20 Feb 2010 – Kendala apa saja yang muncul dalam pelaksanaan optimasi
penjadwalan belajar mengajar dengan algoritma genetika pada kegiatan KBM ? …
Listing Program Algoritma Genetik Optimasi Penjadwalan Kegiatan …
www.freeskripsi.com/…/listing-program-algoritma-genetik-op timasi-…Result for: listing prog ram algoritma genetik op timasi penjadwalan
kegiatan belajar mengajar. Recent Search. daftar ukm eksport jakarta# · proposal pengadaan …
Belajar dasar algoritma genetika
ebookkuliah.com/pdf/belajar-dasar- algoritma-genetika.htmlJUDUL OPTIMASI PENJADWALAN KEGIATAN BELAJAR MENGAJAR DENGAN
ALGORITMA GENETIK. 2. LATAR BELAKANG MASALAH Penjadwalan …
[PDF]
algoritma genetika untuk penjadwalan
repository.tp.ac.id/pdf/16/…/algoritma-genetika-untuk-penjadwalan.p…Jenis Berkas: PDF/Adobe Acrobat – Tampilan Cepat
Untuk Mengoptimalkan Proses Belajar. MENCINTAI LINGKUNGAN,. Click Here. 28 Agu 2010 penjadwalan. Mengadopsi algoritma genetik
BAB 1 PENDAHULUAN
digilib.its.ac.id/public/ITS-Master-14692-1208201017-Chapter1.pdfJenis Berkas: PDF/Adobe Acrobat – Tampilan
Novandri Widiastuty dkk (2008) tentang “Optimasi Penjadwalan Kegiatan Belajar Mengajar. Dengan Algoritm i
penjadwalan kegiatan …
Algoritma enetika optimasi jadwal … – kelompok 5 elektro reguler… o ye
elreg-05.blogspot.com/2010/…/algoritma-enetika-optimasi-jadwal.ht…13 Jan 2010 – Penjadwalan kegiatan belajar mengajar dalam suatu
kampus adalah hal … Algoritma genetik merupakan pendekatan komputasional untuk …
Aplikasi Algoritma Genetika untuk Penjadwalan Mata Kuliah ( Studi …
eprints.undip.ac.id/19757/oleh MA Wibowo – 2010
9 Agu 2010 – Aplikasi Algoritma Genetika untuk Penjadwalan Mata Kuliah ( Studi … belajar mengajar di universitas sangat ditentukan oleh
jadwal mata …
Algoritma Genetika Penjadwalan | pusatpanduan.com
pusatpanduan.com/pdf/alg oritma+genetika+penjadwalan.html1. JUDUL OPTIMASI PENJADWALAN KEGIATAN BELAJAR MENGAJAR
DENGAN ALGORITMA GENETIK. 2. LATAR BELAKANG MASALAH Penjadwalan …
BELAJAR ALGORITMA: EBooks Online, Documents, PDF …
www.freetechebooks.com/ebook-2011/belajar-alg oritma.html1. JUDUL OPTIMASI PENJADWALAN KEGIATAN BELAJAR MENGAJAR
DENGAN ALGORITMA GENETIK. 2. LATAR BELAKANG MASALAH Penjadwalan …
Aplikasi Algoritma Genetik Untuk Optimasi Penjadwalan Kegiatan …
www.docpdf.info/…/ap likasi+algoritma+genetik+untuk+optimasi+…Kumpulan file DOC PDF aplikasi algoritma genetik unt uk optimasi
penjadwalan kegiatan belajar mengajar dari berbagai sumber. Contoh & Makalah file DOC …
penjadwalan – Document Search Engine – Rapid4search.com
docs.rapid4search.com/penjadwalan/page1/enDescription: 12 Algoritma-algoritma Penjadwalan Algoritma-algoritma Penjadwalan …
KEGIATAN BELAJAR MENGAJAR DENGAN ALGORITMA GENETIK. 2. …
[PDF]
Sistem Penjadwalan Perkuliahan Menggunakan Algoritma Genetika …
repository.ipb.ac.id/bitstream/handle/…/G04GMP_abstract.pdf?…1Jenis Berkas: PDF/Adobe Acrobat – Tampilan Cepat
(SIAP). Penulis …
Pdf Jurnal-tentang-algoritma-genetika-penjadwalan-kegiatan …
typecat.com/…/jurnal-tentang-algoritma-genetika-penjadwalan-kegiat…Pdf Jurnal Tentang Algoritma Genetika l i Belajar. Your Ad Here · Home · Forum · Terms of Use · Copyright · Privacy · Contact Us …
PDF Document for OPTIMASI-PENJADWALAN-KEGIATAN-BELAJAR-MENGAJAR …
pdf.kq5.org/O PTIMASI-PENJADWALAN-KEGIATAN-BELAJAR-…JUDUL OPTIMASI PENJADWALAN KEGIATAN BELAJAR MENGAJAR DENGAN ALGORITMA GENETIK. 2. LATAR BELAKANG MASALAH Penjadwalan kegiatan belajar mengajar dalam suatu …
Program Algoritma Random | Cari Skripsi.info
www.cariskripsi.info/skripsi/program-algoritma-random.html1. JUDUL OPTIMASI PENJADWALAN KEGIATAN BELAJAR MENGAJAR DENGAN ALGORITMA GENETIK. 2. LATAR BELAKANG MASALAH Penjadwalan …
Algoritma Genetika Untuk Penjadwalan – KawYearBook.Org
www.kawyearbook.org/…/algoritma+genetika+untuk+penjadwalan.ht…JUDUL OPTIMASI PENJADWALAN KEGIATAN BELAJAR MENGAJAR DENGAN ALGORITMA GENETIK. 2. LATAR BELAKANG MASALAH Penjadwalan kegiatan belajar mengajar dalam suatu …
Pdf Aplikasi Algoritma Genetika Untuk Optimasi Penjadwalan …
www.bahankuliah.info/…/a plikasi-algoritma-genetika-untuk-optimasi…Artikel selengkapnya mengenai Pdf Aplikasi Algoritma Genetika Untuk Optimasi Penjadwalan Kegiatan Belajar Mengajar di BahanKuliah.info. Klik untuk baca …
algoritma genetika penjadwalan – PDF Free
www.downloadpdfdoc.com/…/algoritma-genetika-penjadwalan-.pdfdescription: 1 . judul optimasi penjadwalan kegiatan belajar mengajar dengan algoritma genetik. 2. latar belakang masalah penjadwalan … …surabaya, solo, surakarta, jogja, yogyakarta