Hybrid Cat Swarm Optimization (CSO) Simulated Annealing ...repository.unair.ac.id/71346/1/KKC KK...

ix

Dyah Ayu Puspitasari. 2018. Hybrid Algoritma Cat Swarm Optimization (CSO) dan Simulated Annealing (SA) untuk Permasalahan Land Allocation. Skripsi ini dibawah bimbingan Dr. Herry Suprajitno, M.Si dan Auli Damayanti, S.Si., M.Si. Departemen Matematika. Fakultas Sains dan Teknologi. Universitas Airlangga.

ABSTRAK

Skripsi ini bertujuan untuk menyelesaikan masalah alokasi lahan dengan

mendapatkan urutan masuk dari lahan komponen yang dapat meminimalkan tinggi lahan yang terpakai menggunakan hybrid algoritma cat swarm optimization dan simulated annealing serta membuat program komputer menggunakan bahasa pemrograman C++. Permasalahan alokasi lahan digambarkan dengan penempatan lahan komponen ke dalam lahan yang tersedia. Beberapa metode telah digunakan untuk menyelesaikan permasalahan alokasi lahan, salah satunya adalah cat swarm optimization.

Cat Swarm Optimization (CSO) adalah algoritma yang didapat melalui pengamatan terhadap perilaku sekumpulan keluarga kucing, sedangkan Simulated Annealing adalah metode yang meniru perilaku pergerakan atom atom baja yang dipanaskan kemudian didinginkan secara perlahan. Hybrid algoritma cat swarm optimization dan simulated annealing merupakan algoritma yang menggabungkan proses algoritma cat swarm optimization dan simulated annealing. Proses simulated annealing diletakkan pada solusi terburuk dari cat swarm optimization pada 10 iterasi pertama. Proses hybrid algoritma cat swarm optimization dan simulated annealing dimulai dengan input data dan inisialisasi parameter, membangkitkan posisi dan kecepatan awal, mengevaluasi fungsi tujuan, memberi nilai SPC, penempatan flag, mode seeking, mode tracing, pemilihan solusi untuk diproses dengan algoritma simulated annealing, melakukan proses algoritma simulated annealing terhadap solusi terburuk cat swarm optimization dengan modifikasi, pencarian lokal, pemilihan, dan penurunan suhu.

Data yang digunakan berupa 2 jenis data dan diselesaikan dengan bahasa pemrograman C++ menggunakan software Borland C++ 5.0.2. Penyelesaian yang didapatkan menggunakan program hybrid algoritma cat swarm optimization dan simulated annealing untuk data pertama dengan jumlah lahan sebanyak 13 unit dan lebar lahan 200 feet, didapatkan tinggi minimum lahan terpakai adalah 50 feet. Untuk data kedua dengan jumlah lahan 75 unit dan lebar lahan 250 meter, didapatkan tinggi minimum lahan terpakai adalah 222 meter. Kata kunci : Penataan Lahan, Algoritma Cat Swarm Optimization, Simulated

Annealing, dan Hybrid.

IR - PERPUSTAKAAN UNIVERSITAS AIRLANGGA

SKRIPSI HYBRID ALGORITMA CAT... DYAH AYU PUSPITASARI

x

Dyah Ayu Puspitasari. 2018. Hybrid Cat Swarm Optimization Algorithm and Simulated Annealing for Land Allocation Problem. This Thesis was under guidance of Dr. Herry Suprajitno, M.Si and Auli Damayanti, S.Si., M.Si. Mathematics Department. Science and Technology Faculty. Airlangga University.

ABSTRACT

This thesis has purpose to solve land allocation problem to get the pack order

of component land into a square of land so that will minimize used object height using hybrid of Cat Swarm Optimization Algorithm and Simulated Annealing, and making a computer program of it using C++ languange programming. Land allocation problem can be presented by placement of component land into a square of land. Several methods have been used to solve land allocation problems, ones of which is cat swarm optimization. Cat Swarm Optimization (CSO) is an algorithm obtained through observation of the behavior of a family of cats, while Simulated Annealing is a method that mimics the behavior of later heated steel atomic atoms cool down slowly. Hybrid of Cat Swarm Optimization algorithm and Simulated Annealing is an algorithm that combines the process of Cat Swarm Optimization algorithm with Simulated Annealing. Process Simulated Annealing putting on the bad solution Cat Swarm Optimization on the 10 first iterasions. Process hybrid algorithm CSO and SA begins with data input and initialization parameters, raised position and the initial velocity, evaluate the objective function, giving a value of SPC, the placement of the flags, seeking mode, tracing mode, electoral solution to be processed by this algorithm, the process of this algorithm to the solution the worst in the CSO with modifications, local search, selection, and drop in temperature.

There’s 2 kinds of data being used and solve with C++ programming language using Borland C++ 5.0.2 software. Using hybrid of cat swarm optimization algorithm and simulated annealing with C++ programming language, achieved minimum height from used object is 50 feet for data with 13 component land and object width 200 feet. Second data with 75 component land and object width 250 meters, the minimum height achieved is 222 meters.

Key Words : Land Allocation, Cat Swarm Optimization Algorithm, Simulated

Annealing, and Hybrid.



x

DAFTAR ISI

Halaman

LEMBAR JUDUL ........................................................................................... i

LEMBAR PERNYATAAN ............................................................................. ii

LEMBAR PENGESAHAN NASKAH SKRIPSI ............................................ iii

LEMBAR PEDOMAN PENGGUNAAN SKRIPSI ........................................ iv

SURAT PERNYATAAN ORISINALITAS .................................................... v

KATA PENGANTAR ..................................................................................... vi

ABSTRAK ....................................................................................................... ix

ABSTRACT ..................................................................................................... x

DAFTAR ISI .................................................................................................... xi

DAFTAR TABEL ............................................................................................ xiii

DAFTAR GAMBAR ....................................................................................... xv

DAFTAR LAMPIRAN .................................................................................... xvii

BAB I PENDAHULUAN ................................................................................ 1

1.1 Latar Belakang ................................................................................... 1

1.2 Rumusan Masalah .............................................................................. 2

1.3 Tujuan ................................................................................................ 3

1.4 Manfaat .............................................................................................. 3

1.5 Batasan Masalah ................................................................................ 3

BAB II TINJAUAN PUSTAKA ...................................................................... 4

2.1 Land Allocation Problemms .............................................................. 5

2.2 Masalah Pengepakan Segi Empat 2 Dimensi ..................................... 5

2.2.1 Strip Packing Problem .............................................................. 6

2.3 Algoritma Cat Swarm Optimization .................................................. 6

2.3.1 Set Solusi dalam Model ............................................................ 7

2.3.2 Seeking Mode .......................................................................... 9

2.3.3 Tracing Mode ............................................................................ 10

2.4 Algoritma Simulated Annealing (SA) ................................................ 11



xi

2.5 Hybrid ................................................................................................ 13

2.6 Pengkodean ........................................................................................ 13

2.7 Penentuan Nilai Fitness dan Seleksi Roulette Wheel ......................... 14

2.8 Algoritma Pengisian Rekursif ............................................................ 15

2.9 Borland C++ ...................................................................................... 16

2.9.1 Struktur Bahasa C++ ................................................................. 16

BAB III METODOLOGI PENELITIAN......................................................... 20

BAB IV PEMBAHASAN ................................................................................ 29

4.1 Masalah Alokasi Lahan ...................................................................... 29

4.2 Hybrid Algoritma Cat Swarm Optimization dan Simulated

Annealing ........................................................................................... 29

4.2.1 Input Data dan Inisialisasi Parameter ..................................... 30

4.2.2 Membangkitkan Solusi Awal .................................................. 31

4.2.3 Membangkitkan Kecepatan Awal ........................................... 32

4.2.4 Representasi Permutasi ........................................................... 33

4.2.5 Menghitung Nilai Fungsi Tujuan ............................................ 34

4.2.6 Menghitung Nilai Fitness ....................................................... 36

4.2.7 Melakukan Penentuan Flag .................................................... 36

4.2.8 Menentukan Self Position Considering (SPC) ........................ 37

4.2.9 Melakukan Proses Mode Seeking ........................................... 38

4.2.10 Melakukan Proses Mode Tracing ........................................... 39

4.2.11 Penentuan Solusi Terburuk pada CSO .................................... 41

4.2.12 Proses Simulated Annealing ................................................... 42

4.2.13 Menyimpan Solusi Terbaik ..................................................... 43

4.3 Data .................................................................................................... 44

4.4 Contoh Kasus Masalah Alokasi Lahan dengan Menggunakan Data 13

Lahan Komponen yang Diselesaikan Secara Manual ........................ 44

4.5 Program .............................................................................................. 69

4.6 Implementasi Program pada Contoh Kasus Land Allocation ............ 69

4.6.1 Menggunakan Data 13 Lahan Komponen ................................ 69

4.6.2 Menggunakan Data 75 Lahan Komponen ................................ 70



xii

BAB V PENUTUP ........................................................................................... 72

5.1 Kesimpulan ........................................................................................ 72

5.2 Saran .................................................................................................. 72

DAFTAR PUSTAKA ...................................................................................... 73

LAMPIRAN



xiv

DAFTAR TABEL

Nomor Judul Tabel Halaman

4.1 Spesifikasi dan Ukuran Departemen 45

4.2 Area Komponen dan Dimensi yang Sesuai 45

4.3 Populasi Awal Kucing 46

4.4 Kecepatan Awal Kucing 47

4.5 Hasil Transformasi Kucing pada Populasi Awal 47

4.6 Urutan Masuk Lahan Kucing-1 ( ) 48

4.7 Subspace Setelah Lahan ke-1 Masuk 49



4.10 Subspace Setelah Semua Lahan Masuk 51

4.11 Nilai fungsi tujuan masing-masing kucing 52

4.12 flag populasi awal 53

4.13 Nilai fitness terurut dan SPC populasi awal 54

4.14 Hasil update kecepatan kucing 3 55

4.15 Hasil update posisi kucing 3 56

4.16 Hasil transformasi update kucing 3 56

4.17 Perbandingan nilai fitness baru dan nilai fitness lama 57

4.18 Proses Pengcopyan Individu 2 Sebanyak SMP-1 Kali 58

4.19 Penentuan Dimensi untuk Modifikasi 59

4.20 Kandidat Solusi Dalam Seeking Memory Pool Individu 2 60

4.21 Representasi Permutasi dalam SMP-1 individu 2 dan

Fleksibilitas 60

4.22 Tinggi dan Nilai Fitness 61

4.23 Probabilitas Terpilih SMP-1 Individu 2 61

4.24 Probabilitas Relatif SMP Individu 2 62

4.25 Roulette Wheel Individu 2 63



xv

4.26 Kandidat Solusi Dalam Seeking Memory Pool Individu 1 64

4.27 Representasi Permutasi dalam SMP individu 1 dan

Fleksibilitas 64

4.28 Tinggi dan Nilai Fitness SMP Individu 1 65

4.29 Probabilitas Terpilih dan Probabilitas Relatif SMP Individu 1 ( 65

4.30 Roulette Wheel Individu 1 66

4.31 Urutan lahan komponen masuk setelah modifikasi 68

4.32 Perbandingan Solusi Terbaik Data 13 Lahan Komponen 70

4.33 Perbandingan Solusi Terbaik Data 75 Lahan Komponen 71



xvi

DAFTAR GAMBAR

Nomor Judul Gambar Halaman

2.1 Algoritma Pengisian Rekursif 15

3.1 Flowchart Penyelesaian Land Allocation menggunakan Hybrid

Algoritma CSO dan SA 25

3.2 Flowchart Mode Tracing 27

3.3 Flowchart Mode Seeking 28

4.1 Prosedur Hybrid Algoritma CSO dan SA 30

4.2 Prosedur Input Data dan Inisialisasi Parameter 31

4.3 Membangkitkan Populasi awal 31

4.4 Membangkitan Kecepatan Awal 32

4.5 Prosedur Permutasi Objek 33

4.6 Prosedur Memasukkan Lahan ke Lahan yang Tersedia 35

4.7 Prosedur menghitung nilai fitness tiap kucing 36

4.8 Prosedur penentuan flag 37

4.9 Prosedur menentukan Self Position Considering 38

4.10 Prosedur update kecepatan pada mode seeking 39

4.11 Prosedur update kecepatan pada mode tracing 40

4.12 Prosedur update posisi tiap kucing pada mode tracing 40

4.13 Prosedur perbandingan fitness lama dan fitness baru 41

4.14 Prosedur penentuan solusi terburuk 42

4.15 Prosedur proses Simulated Annealing 43

4.16 Prosedur menyimpan solusi Terbaik (Global Best) 44

4.17 Lahan ke-1 masuk 49



4.20 Hasil penempatan lahan 52



xiv

DAFTAR LAMPIRAN

Nomor Judul Lampiran

1 Data Permasalahan Pengepakan Segi Empat 2D dengan 75 Lahan

Komponen

2 Source Code Program

3 Hasil Running Data Kecil 13 Lahan Komponen

4 Hasil Running Data Besar 75 Lahan Komponen



1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Pada jaman sekarang banyak alokasi penggunaan lahan yang tidak

efisien dan tidak sesuai dengan tata letak lahan yang baik. Hal ini

menyebabkan berbagai dampak negatif, diantaranya meningkatnya

ketidakteraturan tata letak lahan, kerusakan lingkungan, dan hilangnya lahan

yang seharusnya dapat digunakan secara optimal. Penggunaan lahan dapat

diartikan sebagai proses alokasi sejumlah aktivitas atau fungsi lahan yang

berbeda (pertanian, industri, rekreasi atau konservasi) ke dalam unit area yang

lebih spesifik.

(Stewart et al, 2007).

Masalah penataan lahan (land allocation) yakni untuk mengendalikan

segala bentuk efisiensi lahan yang telah ditetapkan, agar terwujudnya tata

letak lahan yang rapi, produktif, nyaman, serta memberikan dampak positif

bagi daerah tersebut. Masalah penataan lahan (land allocation) salah satu

contoh aplikasi masalah pengepakan segi empat 2 dimensi.

Masalah pengepakan segi empat 2 dimensi adalah masalah penempatan

sejumlah item ke objek persegi panjang dengan tujuan meminimalkan ruang

obyek yang digunakan. Proses pengepakan tidak boleh ada yang saling

tumpang tindih antar item satu dengan item lainnya.

(Dereli dan Sena Das, 2006)

Permasalahan land allocation yang didasarkan pada prosedur

permasalahan pengepakan segi empat 2 dimensi ini harus

mempertimbangkan tentang kompleknya masalah yang ada. Selain itu,

pengembangan algoritma yang digunakan untuk menyelesaikan masalah

land allocation haruslah mudah menyelesaikan masalah yang bertujuan untuk

meminimalkan penempatan lahan yang terpakai.



2

Algoritma Cat Swarm Optimization dikenalkan pertama kali oleh Shu

Cuan Chu dan Pe Wei Tsai pada tahun 2007 (Chu dan Tsai, 2007). Pada

awal tahun 2013 beberapa studi telah dikembangkan untuk mengaplikasikan

Cat Swarm Optimization dalam menyelesaikan berbagai persoalan di dunia

nyata. Salah satunya adalah menerapkan Algoritma Cat Swarm Optimization

untuk Optimal Power Flow Problem, (Suryakumari, 2013). Menurut

Suryakumari (2013), Cat Swarm Optimization memiliki keunggulan performa

yang lebih baik dalam menemukan solusi global dibandingkan PSO atau PSO

with Weighting Factor. Sedangkan pada algoritma simulated annealing (SA),

algoritma ini beranalogi dengan proses annealing (pendinginan) yang

diterapkan dalam pembuatan material glassy (terdiri dari butir kristal). Proses

annealing dapat didefinisikan sebagai penurunan temperatur secara teratur

atau konstan pada benda padat yang sebelumnya sudah dipanaskan sampai

keadaan dimana benda tersebut mencapai ground state / freezing point atau

dengan kata lain benda mencapai titik bekunya. Sedangkan, kelebihan

simulated annealing (SA) ini akan menghindari terjadinya minimum lokal

karena algoritma ini merupakan algoritma dengan metode stokastik yang

efektif.

(Chibante,2010)

Berdasarkan uraian di atas, penulis akan melakukan penelitian terhadap

masalah land allocation menggunakan hybrid algoritma Cat Swarm

Optimization (CSO) dan Simulated Annealing (SA).

1.2 Rumusan Masalah

Berdasarkan latar belakang, ada rumusan masalah yang dibahas dalam

proposal ini, yaitu:

1. Bagaimana menyelesaikan permasalahan land allocation dengan

menggunakan hybrid algoritma Cat Swarm Optimization (CSO) dan

Simulated Annealing (SA)?



3

2. Bagaimana membuat program dari hybrid algoritma Cat Swarm

Optimization (CSO) dan Simulated Annealing (SA) yang dapat

digunakan untuk menyelesaikan permasalahan land allocation?

3. Bagaimana mengimplementasikan program tersebut pada contoh

kasus?

1.3 Tujuan

Tujuan penulisan skripsi ini adalah:

1. Menyelesaikan permasalahan land allocation dengan menggunakan

hybrid algoritma Cat Swarm Optimization (CSO) dan Simulated

Annealing (SA).

2. Membuat program dari hybrid algoritma Cat Swarm Optimization

(CSO) dan Simulated Annealing (SA)

yang dapat digunakan untuk menyelesaikan permasalahan land

allocation.

3. Mengimplementasikan program pada contoh kasus.

1.4 Manfaat

Manfaat penulisan skripsi ini antara lain:

1. Menambah wawasan tentang persoalan Riset Operasional khususnya

untuk masalah land allocation.

2. Program komputer yang dibuat diharapkan mampu memberikan solusi

dari masalah land allocation.

3. Informasi yang didapat dari skripsi ini dapat dilanjutkan untuk skripsi

selanjutnya dengan berbagai modifikasi.

1.5 Batasan Masalah

Batasan masalah dalam proposal ini adalah sebagai berikut:

1. Lahan komponen yang digunakan berbentuk persegi..



4

2. Tidak memperhatikan aktifitas antar lahan komponen, tetapi hanya

memperhatikan penempatan lahan komponen.

3. Setiap lahan komponen sudah dipersiapkan fasilitas yang dibutuhkan

lahan tersebut.



5

BAB II

TINJAUAN PUSTAKA

Pada bab ini dibahas definisi yang digunakan pada pembahasan Hybrid

Algoritma Cat Swarm Optimization (CSO) dan Simulated Annealing (SA) untuk

Permasalahan Land Allocation.

2.1 Land Allocation Problems

Land Allocation Problems merupakan salah satu permasalahan resource

allocation problem yang secara umum memiliki dua langkah penyelesaian,

yaitu yang pertama adalah menentukan jumlah total lahan komponen, dan

yang kedua adalah menentukan lokasi yang optimal dari setiap masing-masing

lahan komponen sehingga penggunaan dari lahan yang tersedia menjadi

minimal.

(Callaghan, dkk, 1999)

2.2 Masalah Pengepakan Segi Empat 2 Dimensi

Menurut Dereli dan Sena Das (2006), masalah pengepakan segi empat

2D adalah penempatan sejumlah item berbentuk segi empat (yang kecil) ke

dalam satu objek segi empat (yang besar) dalam dua dimensi sehingga dapat

meminimalkan tinggi objek yang terpakai.

Masalah pengepakan berupa, terdapat n item (segi empat kecil) yang

masing-masing memiliki tinggi hi dan lebar wi, i=1,2,...,n dan satu atau lebih

objek yang lebih besar (segi empat). Kita diharuskan menempatkan item

secara ortogonal tanpa overlap (ujung dari setiap item paralel dengan ujung

dari objek) sehingga dapat mengoptimalkan fungsi yang diberikan.

(Imahori, dkk, 2007)



6

2.2.1 Strip Packing Problem

Permasalahan ini merupakan bagian dari masalah pengepakan segi

empat. Terdapat n item yang memiliki lebar wi dan tinggi hi

1,2,3, … , serta satu objek besar (disebut strip) yang memiliki lebar

tetap W, tetapi tingginya H merupakan variabel. Fungsi objektif dari

permasalahan ini adalah untuk meminimalkan tinggi dari H sehingga

semua item dapat dimasukkan ke dalam strip.

Umumnya, secara matematik permasalahan ini dideskripsikan

sebagai berikut:

Meminimumkan H

Kendala:

0 , 1 (2.1)

0 , 1 (2.2)

, , , (2.3)

Dengan (xi,yi) adalah koordinat dari ujung kiri bawah dari item ke i.

H tinggi dari strip/ objek. Pernyataan (2.1) dan (2.2) menyatakan bahwa

setiap item harus ditempatkan ke dalam lahan yang tersedia. Pada

pernyataan (2.3) setidaknya satu dari empat pernyataan terpenuhi untuk

setiap pasang i dan j.

Pernyataan (2.3) sendiri menyatakan bahwa tidak ada dua item

yang saling bertumpukan dan menyatakan empat sudut relatif yang

dibutukan untuk menghindari overlap.

(Imahori, dkk, 2007)

2.3 Algoritma Cat Swarm Optimization

Definisi 2.1 Algoritma merupakan suatu himpunan langkah-langkah atau

instruksi yang telah dirumuskan dengan baik (well defined)

untuk memperoleh suatu keluaran khusus (spesific output) dari

suatu masukan khusus (spesific input) dalam langkah yang

jumlahnya berhingga.

(Chartrand dan Oellermann, 1993)



7

Cat Swarm Optimization adalah algoritma yang diusulkan oleh Shu-

Chuan Chu dan Pei-Wei Tsai pada tahun 2007, yang didapat melalui

pengamatan terhadap perilaku sekumpulan keluarga kucing. Dalam Ant

Colony Optimization (ACO) semut digunakan sebagai agent, dan jalur yang

dilalui oleh semut-semut tersebut adalah set solusinya. Dalam Particle Swarm

Optimization (PSO), posisi-posisi dari kawanan burung digunakan untuk

menggambarkan set solusinya. Sedangkan, dalam CSO, sekumpulan keluarga

kucing dan model perilakunya digunakan untuk menyelesaikan permasalahan

optimasi. Shu-Chuan Chu dan Pei-Wei Tsai (2007) membagi algortima CSO

ke dalam dua sub model yang berdasar dari dua perilaku utama kucing, yaitu

”seeking mode” dan ”tracing mode”. Untuk lebih jelasnya langkah-langkah

algoritma CSO seperti yang Shu-Chuan Chu dan Pei-Wei Tsai (2007) dalam

penelitiannya akan dijabarkan dalam sub bab berikutnya.

(Chu dan Tsai , 2007)

2.3.1 Set Solusi dalam Model

Bagaimanapun bentuk algoritma optimasi, set solusi (hasil) harus

ditampilkan dalam suatu cara tertentu. Misalnya dalam Ant Colony

Optimization (ACO) semut disimulasikan sebagai agen, dan jalur yang

dibentuk oleh semut menunjukkan set solusinya. Dalam CSO, digunakan

kucing dan model perilaku kucing untuk menyelesaikan permasalahan

optimasi. Dengan kata lain kucing digunakan untuk menggambarkan set

solusi. Tahap pertama dalam CSO adalah menentukan berapa banyak kucing

akan digunakan dalam iterasi, kemudian menggunakan kucing dalam CSO

untuk menyelesaikan permasalahan. Setiap kucing masing-masing memiliki

posisi yang tersusun dalam dimensi D, kecepatan untuk setiap dimensi, nilai

fitness yang menunjukkan seberapa bagus posisi kucing untuk dijadikan

solusi, dan bendera untuk mengetahui apakah kucing berada dalam seeking

mode atau tracing mode. Solusi akhir adalah posisi terbaik dari salah satu

kucing. CSO akan menyimpan solusi terbaik hingga akhir iterasi.




8

Langkah-Langkah Algoritma Cat Swarm Optimization

Seperti yang telah dijabarkan sebelumnya, CSO terdiri dari dua sub

mode. Untuk mengkombinasikan kedua mode dalam satu algoritma, perlu

didefinisikan rasio campuran / mixture ratio (mr) untuk menggabungkan

seeking mode dan tracing mode. Dengan mengamati perilaku kucing, dapat

diketahui bahwa kucing menghabiskan sebagian besar waktunya untuk

beristirahat. Selama beristirahat, kucing mengubah posisinya perlahan dan

berhati-hati, terkadang bahkan tetap pada tempatnya. Untuk menerapkan

perilaku ini ke dalam CSO, digunakan seeking mode. Perilaku mengejar

target diaplikasikan dalam tracing mode. Karena itu maka mr harus bernilai

kecil untuk memastikan bahwa kucing menghabiskan sebagian besar waktu

dalam seeking mode, seperti di kehidupan nyatanya.

Proses CSO dapat digambarkan dalam 6 langkah sebagai berikut:

Langkah 1: Bangkitkan N kucing dalam proses.

Langkah 2: Sebarkan kucing secara acak dalam ruang solusi berdimensi D

dan secara acak pula pilih nilai dalam rentang kecepatan maksimum untuk

menjadi kecepatan kucing. Kemudian pilih sejumlah kucing secara

sembarang dan masukkan dalam tracing mode sesuai MR, sisanya

dimasukkan dalam seeking mode

Langkah 3: Hitung nilai fitness masing-masing kucing dengan

memasukkan nilai posisi kucing yang telah diubah menjadi representasi

permutasi ke dalam fungsi fitness, dan simpan kucing terbaik dalam

memori. Perlu diingat bahwa yang perlu disimpan adalah posisi kucing

terbaik (xbest ) karena kucing terbaik sejauh ini mewakili solusi terbaik.

Langkah 4: Pilih lagi sejumlah kucing dan masukkan dalam tracing mode

sesuai mr, sisanya masukkan ke dalam seeking mode.

Langkah 5: Pindahkan kucing sesuai benderanya, jika kucingk berada

dalam seeking mode, perlakukan sesuai proses seeking mode, sebaliknya

perlakukan sesuai tracing mode.



9

Langkah 6: Perhatikan iterasi maksimum-nya. Jika telah terpenuhi

hentikan program. Sebaliknya ulangi langkah 3 hingga 5.


2.3.2 Seeking Mode

Sub model ini digunakan untuk memodelkan situasi kucing ketika dalam

keadaan beristirahat, melihat sekeliling dan mencari posisi berikutnya untuk

bergerak. Dalam seeking mode, didefinisikan empat faktor penting: seeking

memory pool (SMP), seeking range of the selected dimension (SRD) ,counts

of dimension to change (CDC) , dan self-position considering (SPC) atau

mempertimbangkan posisi. SMP digunakan untuk mendefinisikan ukuran

memori pencarian untuk masing-masing kucing, yang mengindikasikan

titik-titik yang telah dicoba oleh kucing. Kucing tersebut kemudian akan

memilih titik dari kelompok memori berdasarkan aturan yang akan

dijelaskan kemudian. SRD menyatakan rentang perpindahan dalam dimensi

terpilih. Dalam seeking mode, jika suatu dimensi diputuskan berpindah,

selisih antara nilai baru dengan yang lama tidak boleh melebihi suatu

rentang, yaitu rentang yang didefinisikan oleh SRD. CDC memperlihatkan

berapa banyak dimensi yang akan berubah. Keseluruhan faktor inilah yang

memegang peran penting dalam seeking mode. SPC merupakan variabel

Boolean (bernilai 0 atau 1), untuk memutuskan apakah suatu titik, yang

pernah menjadi posisi kucing, akan menjadi kandidat posisi untuk bergerak.

Bagaimanapun nilai SPC, entah 0 ataupun 1, tidak akan mempengaruhi nilai

SMP.


Langkah-langkah seeking mode dapat dideskripsikan dalam 5 tahap:

Diasumsikan terdapat sebanyak a kucing berflag 1 dan setiap kucing

mempunyai dimensi sebanyak D 1,2,3, … ,



10

Langkah 1: Bangkitkan j tiruan dari posisi kucing1,d , dengan j = SMP.

Jika nilai SPC=1, maka j = (SMP–1), kemudian pertahankan posisi saat ini

sebagai salah satu kandidat.

Langkah 2: Untuk setiap tiruan dari kucing1,d , pilih sebanyak CDC posisi

d secara acak, untuk setiap posisi d yang terpilih .tambahkan atau

kurangkan SRD persen dari nilai saat ini dan gantikan nilai yang

sebelumnya.

Langkah 3: Hitung nilai fitness (FS) untuk semua titik kandidat.

Langkah 4: Jika semua FS tidak benar benar sama, hitung probabilitas

terpilih masing masing titik kandidat dengan menggunakan (2.4),

sebaliknya update probabilitas terpilih untuk semua titik sama dengan 1.

Langkah 5: hitung probabilitas terpilih komulatif untuk semua titik

kandidat dan lakukan roulette wheel untuk menentukan posisi baru dari

kucing1,d.

| | .

Keterangan:

: probabilitas terpilih

: Fitness ke , dengan 1,2, . . , .

: Fitness tertinggi

: Fitness terendah

Ulangi langkah 1 sampai langkah 5 sebanyak a kali.


2.3.3 Tracing Mode

Tracing mode adalah sub model yang menggambarkan keadaan ketika

kucing sedang mengikuti jejak targetnya. Sekali kucing memasuki tracing

mode, kucing tersebut akan bergerak sesuai dengan kecepatannya untuk tiap

dimensi.




11

Tahapan tracing mode dapat dijabarkan dalam 3 langkah sebagai

berikut:

Diasumsikan terdapat b kucing yang masuk dalam tracing mode.

Langkah 1: Perbarui nilai kecepatan kucing1 untuk setiap dimensi (v1,d)

dengan 1,2,3, … , . Kemudian update kecepatan didapatkan

berdasarkan (2.5)

, , , , (2.5)

1,2… ,

Keterangan:

, : nilai kecepatan kucingk baru pada dimensi d

, : nilai kecepatan kucingk lama pada dimensi ke d

xbest,d : posisi kucing yang memiliki nilai fitness terbesar

xk,d : posisi kucingk pada dimensi ke d.

: konstanta tracing

: nilai acak dalam rentang [0,1].

Langkah 2: Setelah melakukan upate kecepatan, langkah selanjutnya

adalah mengupdate posisi tiap – tiap kucing.

, , , (2.6)

1,2… ,

Keterangan:

, : posisi kucingk baru pada dimensi d

, : nilai kecepatan kucingk baru pada dimensi ke d

xk,d : posisi kucingk pada dimensi ke d.

Langkah 3: Perbarui posisi kucing1 berdasarkan (2.6).

Lakukan langkah 1 sampai langkah 3 sebanyak b kali.


2.4 Algoritma Simulated Annealing (SA)

Simulated Annealing (SA) adalah salah satu algoritma untuk optimasi

yang bersifat umum. Fitur utama algoritma Simulated Annealing (SA) adalah



12

kemampuan untuk menghindar dari perangkat minimum lokal, yaitu dengan

membiarkan algoritma tersebut tidak hanya menerima solusi yang lebih baik,

tetapi juga menerima solusi yang buruk dengan probabilitas tertentu.

Annealing merupakan suatu teknik yang dikenal dalam bidang metalurgi

yang digunakan dalam mempelajari proses pembentukan kristal dalam suatu

materi. Atom–atom dari materi ini memiliki energi yang tinggi pada suhu

yang tinggi. Hal ini memberikan atom banyak kebebasan dalam kemampuan

untuk merestrukturisasi diri mereka sendiri. Seperti saat suhu berkurang,

energi dari atom-atom tersebut menjadi berkurang sampai keadaan energi

mencapai minimum, dan perlahan-lahan memungkinkan atom-atom yang

tadinya bergerak bebas itu pada akhirnya menemukan tempat yang optimum.

Simulated Annealing (SA) berjalan berdasarkan analogi dengan proses

annealing yang telah dijelaskan. Gerakan bebas dari atom-atom pada materi,

direpresentasikan dalam bentuk modifikasi terhadap solusi awal / solusi awal

diatur tinggi, solusi sementara yang sudah ada diperbolehkan untuk

mengambil modifikasi secara bebas.

Bila nilai fungsi evaluasi hasil modifikasi ini membaik ( dalam masalah

optimisasi yang berusaha mencari nilai minimum berarti nilainya lebih kecil /

downhill). Solusi hasil modifikasi ini akan digunakan sebagai solusi

selanjutnya. Bila nilai fungsi evaluasi hasil modifikasi ini memburuk, pada

saat temperatur annealing masih tinggi, solusi lebih buruk ( up hill ) ini masih

mungkin diterima. Dalam tahap selanjutnya, saat temperatur sedikit demi

sedikit dikurangi, maka kemungkinan untuk menerima langkah modifikasi

yang tidak memperbaiki nilai fungsi evaluasi semakin berkurang.

Secara umum prinsip dalam algoritma simulated annealing (SA) dapat

dinyatakan sebagai berikut:

1. Inisialisasi temperatur awal dan temperatur akhir .

2. Inisialisasi individu awal

3. Mengevaluasi individu awal sebagai solusi sementara

4. Modifikasi individu awal dan evaluasi kembali sebagai solusi baru

.



13

5. Jika maka solusi sementara digantikan solusi baru.

Jika tidak maka dibangkitkan bilangan acak r pada interval [0,1].

Hitung probabilitas exp ∆ ,jika P > r maka solusi baru tetap

diterima sebagai solusi sementara.

6. Jika , maka algoritma berhenti. Jika tidak, hitung

perubahan temperatur pada iterasi ke - t dengan

0 1. Kemudian kembali ke langkah (4)

(Chibante, 2010)

2.5 Hybrid

Hybrid algoritma adalah perkawinan antara dua jenis yang berlainan.

Sehingga algoritma hybrid dapat dikatakan sebagai gabungan antara dua

algoritma.

(Milano dan Henterryck, 2010)

2.6 Pengkodean

Jenis-jenis pengkodean:

1. Pengkodean Biner

Adalah pengkodean yang setiap kromosomnya dinyatakan

(disimbolkan) dengan dua bilangan, yaitu 0 dan 1.

2. Pengkodean Nilai

Adalah pengkodean yang setiap kromosomnya direpresentasikan

sebagai nilai (nilai dapat berupa angka, bilangan real, atau karakter).

3. Pengkodean Permutasi

Adalah pengkodean yang setiap kromosomnya direpresentasikan

sebagai sebuah urutan bilangan.

(Obitko, 1998)



14

2.7 Penentuan Nilai Fitness dan Seleksi Roulette Wheel

Definisi 2.3

Nilai Fitness adalah nilai keandalan suatu individu pada suatu ukuran

populasi tempat individu itu berasal. Individu dengan nilai fitness yang

tinggi akan dapat kesempatan lebih besar untuk survive dalam populasi

selanjutnya. Rumus pencarian nilai fitness (fitness value) tergantung pada

permasalahan yang akan diselesaikan.

Untuk melakukan seleksi individu baru dalam mode seeking , sesuai

dengan jurnal Shu-Chuan Chu dan Pei-Wei Tsai (2007) dilakukan dengan

roulette wheel.

Dalam Obitko (1998), seleksi (selection) merupakan proses pemilihan

individu, menurut teori evolusi, individu yang terbaik seharusnya bertahan

dan membentuk keturunan baru.

a. Seleksi Roulette Wheel

Sebuah roulette wheel (roda rolet) yang ditempati semua

individu dalam populasi. Masing-masing individu menempati luasan

menurut nilai fitnessnya. Selanjutnya roda rolet diputar untuk

menyeleksi individu. Kromosom dengan fitness yang lebih besar

akan terseleksi beberapa kali.

(Obitko 1998)

Langkah-langkah seleksi roulette wheel dapat dijelaskan sebagai berikut :

a. Menghitung nilai fitness setiap kromosom, dinotasikan dengan

1,2, … ,

b. Menghitung jumlah total nilai fitness semua kromosom dalam populasi,

dinotasikan F

c. Menghitung peluang terpilih dari setiap kromosom, pi = fi/F

d. Menghitung peluang kumulatif setiap kromosom,

e. Membangkitkan bilangan random antara (0,1) kemudian dinotasikan r



15

f. Jika r ≤ q1, maka kromosom pertama terpilih; yang lain, pilih kromosom

ke i apabila qi-1 < r ≤ qi

(Gen dan Cheng, 1997)

2.8 Algoritma Pengisian Rekursif

Algoritma ini digunakan untuk menempatkan item ke dalam objek.

Langkah-langkah algoritma ini adalah:

1. Menempatkan item pertama ke dalam objek (Operasi ini membagi daerah

objek menjadi dua subspace).

2. Menempatkan item selanjutnya ke dalam subspace S1. Jika hal ini tidak

memungkinkan, maka ditempatkan ke dalam subspace S2. Lakukan

prosedur ini hingga seluruh item ditempatkan ke dalam objek.

Gambar 2.1 Algoritma Pengisian Rekursif

(Dereli dan Das, 2006)



16

2.9 Borland C++

Berbicara tentang C++ biasanya tidak lepas dari C, sebagai bahasa

pendahulunya. Pencipta C adalah Brian W. Kerninghan dan Dennis M. Ritchie

pada sekitar tahun 1972. C adalah bahasa pemrograman terstruktur, yang

membagi program dalam bentuk sejumlah blok. Tujuannya adalah untuk

memudahkan dalam pembuatan dan pengembangan program. Pada mulanya

C++ disebut “a better C”. Nama C++ sendiri diberikan oleh Rick Masciti pada

musim panas 1983. Adapun tanda ++ berasal dari nama operator penaikan

pada bahasa C.

Keistimewaan yang sangat berarti pada C++ adalah bahasa ini mendukung

pemrograman yang berorientasi obyek. Tujuan utama pembuatan C++ adalah

untuk meningkatkan produktivitas pemrograman dalam membuat aplikasi.

(Kadir, 2005)

C++ diciptakan oleh Bjarne Stoustrup di Laboratorium Bell, AT & T, pada

tahun 1980-an. C++ digunakan oleh banyak industri karena efisien, dapat

digunakan untuk menyelesaikan masalah dalam segala bidang (fleksibel) dan

compiler C tersedia di hampir seluruh jenis komputer (avaible).

(Horowitz et.al., 2006)

2.9.1 Struktur Bahasa C++

Program C ataupun C++ selalu tersusun dari 4 bagian utama, yaitu:

1. Bagian komentar

2. Bagian pengarah compiler

3. Bagian deklarasi

4. Bagian definisi

a. Bagian komentar

Program yang baik pada umumnya diberi komentar yang akan

membantu orang lain maupun pembuat program ini untuk memahami

program yang dibuat. Dalam C atau C++ setiap proposal yang diapit oleh

variabel /*...*/ atau setiap baris yang dimulai dengan variabel // dianggap

komentar. C++ tidak mengizinkan komentar bersarang (nested comment),



17

namun Borland C++ lebih fleksibel dalam hal ini. Pada Borland C++ dapat

menggunakan komentar bersarang asalkan opsi cek Nested Comment pada

menu Option/Compiler/Source dipilih.

b. Bagian pengarah compiler

Include adalah salah satu pengarah preprocessor directive yang tersedia

pada C++. Preprocessor selalu dijalankan terlebih dahulu pada saat proses

kompilasi terjadi. Bentuk umumnya:

#include<nama_file>

tidak diakhiri dengan tanda semicolon, karena bentuk tersebut bukanlah

suatu bentuk pernyataan, tetapi merupakan preprocessor directive. Baris

tersebut menginstruksikan kepada compiler yang menyisipkan file lain

dalam hal ini file yang berakhiran .h(fileheader) yaitu file yang berisi

sebagai deklarasi, contohnya:

1. #include <iostream.h> : diperlukan pada program yang melibatkan

objectcout.

2. #include <conio.h> : diperlukan bila melibatkan clrscr(), yaitu perintah

untuk membersihkan layar.

3. #include <iomanip.h> : diperlukan bila melibatkan setw(), yang

bermanfaat untuk mengatur lebar dari suatu tampilan data.

4. #include <math.h> : diperlukan pada program yang menggunakan

operasi sqrt(), yang bermanfaat untuk operasi matematika pengakaran.

c. Fungsi main()

Fungsi ini menjadi awal dan akhir eksekusi program C++. Main adalah

nama judul fungsi. Melihat bentuk seperti itu dapat kita ambil kesimpulan

bahwa batang tubuh program utama berada didalam fungsi main().

d. Pengaruh compiler #if, #else, #elif, #endif

Digunakan untuk memilih bagian program yang akan dikompilasi.

Kompilasi cara ini disebut kompilasi bersyarat dan program yang baik

biasanya memanfaatkan teknik ini.

e. Pengaruh compiler #ifdef, #ifndef



18

Digunakan juga dalam kompilasi bersyarat. #ifdef dapat dibaca: “jika

didefinisikan” dan #ifndef dapat dibaca: “jika tidak didefinisikan”. Pengaruh

compiler ini sering digunakan untuk menandai bahwa suatu file sudah

diikutsertakan dalam kompilasi.

f. Bagian deklarasi dan definisi

Semua program C pada dasarnya tersusun dari rangkaian pemanggilan

fungsi yang bekerja atas sekelompok data. Selain pemanggilan fungsi,

program C mengandung komponen lain yang disebut statement. Statement

C ada dua, yaitu statement yang tidak dapat dieksekusi/non-executable (bila

dikompilasi tidak menghasilkan kode objek dan biasanya digunakan untuk

mengatur alur program), dan statement yang dapat dieksekusi/executable

(bila dikompilasi akan menghasilkan objek). Setiap pemanggilan fungsi

maupun statement executable dalam C harus diakhiri dengan tanda titik

koma. Dalam contoh program C++ diatas, Return merupakan contoh

statement executable yang menginstruksikan agar suatu fungsi

mengembalikan nilai balik tertentu. Contoh statement non executable

adalah: if, else, dan while.

g. Input dan output

Dalam C++ input berarti menulis dari sistem dan output berarti membaca ke

stream.

Bentuk umum output operator:

cout<<ekspresi;

Bentuk umum input operator:

cin>>variabel

h. Tanda semicolon

Tanda semicolon “ ; ” digunakan untuk mengakhiri sebuah pernyataan.

Setiap pernyataan harus diakhiri dengan sebuah tanda semicolon.

i. Variabel

Variabel adalah suatu pengenal (identifier) yang digunakan untuk mewakili

suatu nilai tertentu didalam proses program. Berbeda dengan konstanta yang

nilainya selalu tetap, nilai dari suatu variabel diubah-ubah sesuai



19

kebutuhan. Untuk memperoleh nilai dari suatu variabel digunakan

pernyataan penugasan (assigment statement), yang mempunyai sintaks

sebagai berikut:

j. Deklarasi variabel

Bentuk umumnya:

k. Tipe dasar

Tipe Dasar

Ukuran

Memori

(byte)

Jangkauan Nilai

Jumlah

Digit

Presisi

Char 1 -128 hingga +127 -

Int 2 -32768 hingga +32767 -

Long 4 -2.147.438.648 hingga -2.147.438.647 -

Float 4 3.4E-38 hingga 3.4E38 6-7

Double 8 1.7E-308 hingga 1.7E308 15-16

Long double 10 3.4E-4932 hingga 1.1E4932 19

(Kadir, A, 2001)

variabel = ekspresi;

Nama_tipe nama_variabel;



20

BAB III

METODE PENELITIAN

Adapun langkah-langkah penelitian ini adalah sebagai berikut :

1. Melakukan kajian pustaka yang berhubungan dengan algoritma Cat

Swarm Optimization (CSO), Simulated Annealing (SA) dan land

allocation.

2. Menerapkan algoritma Cat Swarm Optimization (CSO) dalam

permasalahan land allocation dengan prosedur sebagai berikut:

a) Menginputkan parameter-parameter CSO, yaitu: jumlah populasi

kucing (m), Seeking Memory Pool (SMP), Count Dimension to

Change (CDC), Seeking Range Dimension (SRD), Mixing Ratio

(MR), max iteration, konstanta tracing (c), stripwidth.

b) Menginputkan sejumlah data-data yang berkaitan dengan land

allocation.

c) Menentukan pengkodean individu. Pengkodean yang akan

digunakan pada land allocation adalah pengkodean permutasi.

d) Membentuk populasi awal secara random.

e) Mengevaluasi nilai fungsi tujuan setiap individu dalam populasi

menggunakan algoritma pengisian rekursif.

f) Menempatkan Flag Secara Random dengan proporsi sejumlah

jumlah seeking kucing akan dibagikan flag=1 , dan sejumlah

jumlah tracing kucing akan dibagikan flag=0 , dengan ketentuan :

jumlah seeking=m-MR*m dan jumlah tracing=MR*m

g) Menentukan nilai dari Self Position Consideration (SPC) yakni

boolean untuk memutuskan suatu titik yang pernah menjadi posisi

kucing akan menjadi posisi untuk bergerak. Secara Khusus Proses

Penentuan SPC ini adalah sebagai berikut:

i. Menentukan jumlah kucing yang terlibat seeking yakni

sejumlah jumlah seeking.

ii. Melakukan proses pengurutan nilai fitness tiap-tiap kucing

yang terlibat dalam iterasi.



21

iii. Memberi tanda sejumlah jumlah seeking kucing bernilai

evaluasi tertinggi dengan SPC=1 dan sisanya SPC=0.

h) Menyimpan posisi kucing dengan nilai evaluasi terbesar sebagai

xbest.

i) Melakukan Mode Tracing (flag = 0)

i. Mengupdate kecepatan baru untuk setiap kucing yang terlibat

dalam mode tracing dengan formulasi:

, , , , 1,2… ,

ii. Periksa apakah kecepatan berada dalam ambang batas yang

ditentukan. Jika kecepatan baru melebihi batas, atur nilainya

sama dengan batas

iii. Mengupdate posisi baru dari setiap kucing yang terlibat dalam

mode tracing dengan formulasi:

, , ,

1,2… ,

iv. Hitung height (h) setiap posisi baru dari kucing dalam mode

tracing, nilai fitness dan representasi permutasinya.

v. Membandingkan nilai fitness awal dengan nilai fitness baru,

jika nilai fitness baru kurang dari nilai fitness awal maka posisi

baru diubah kembali menjadi posisi awal.

vi. Menyimpan posisi dan jarak dari kucing dalam mode tracing

berfitness terbaik.

j) Melakukan proses mode seeking (flag = 1):

i. Mengambil satu individu kucing yang bermode seeking secara

sebarang misal kucinga.

ii. Jika nilai boolean Self Position Consideration(SPC) dari

kucingk tersebut bernilai 1 maka lakukan langkah-langkah

berikut :

1. Buat tiruan dari posisi kucingk sejumlah SMP-1.

2. Ambil satu tiruan dari kucinga.



22

3. Tunjuk secara sebarang dimensi yang akan diubah

nilainya sampai sejumlah dim=CDC*jumlah dimensi

4. Untuk setiap dimensi yang ditunjuk lakukan penambahan

atau pengurangan sebanyak SRD persen dari posisi awal.

5. Cek apakah sejumlah (SMP-1) tiruan telah melalui proses

3 dan 4?

6. Jika belum maka kembali ke langkah 2, jika sudah ke

langkah 7.

7. Simpan posisi baru dari setiap kucing tiruan sebagai

kandidat solusi seeking dari kucinga

iii. Sebaliknya Jika nilai boolean Self Position

Consideration(SPC) dari kucinga tersebut bernilai 0 maka

lakukan langkah-langkah berikut :

1. Buat tiruan dari posisi kucinga sejumlah SMP.

2. Ambil satu tiruan dari kucinga.

3. Tunjuk secara sebarang dimensi yang akan diubah

nilainya sampai sejumlah dim=CDC*jumlah dimensi

4. Untuk setiap dimensi yang ditunjuk lakukan penambahan

atau pengurangan sebanyak SRD persen dari posisi awal.

5. Cek apakah sejumlah SMP tiruan telah melalui proses 3

dan 4?

6. Jika belum maka kembali ke langkah 2, jika sudah ke

langkah 7.

7. Simpan posisi baru dari setiap kucing tiruan sebagai

kandidat solusi seeking dari kucinga

iv. Menghitung nilai height (h) dari anggota setiap kandidat solusi

seeking.

v. Menghitung nilai fitness dari anggota setiap kandidat solusi

seeking.



23

vi. Jika tidak semua nilai fitness dari setiap anggota kandidat

bernilai sama, hitung probabilitas terpilih dari setiap kandidat

solusi seeking.

Jika tujuan dari fungsi fitness adalah meminimumkan solusi,

maka FSb=FSmax dan sebaliknya FSb=FSmin . Sebaliknya Jika

nilai fitness dari setiap anggota kandidat solusi seeking sama

maka probabilitas terpilih semua kandidat solusi seeking adalah

1.

vii. Hitung probabilitas terpilih relatif (Pir) setiap kandidat solusi

seeking.

viii. Menghitung probabilitas terpilih komulatif (Pik) setiap

kandidat solusi seeking dengan formula :

P

ix. Mulai bangkitkan satu bilangan acak dari interval [0.1]

dinotasikan r.

x. Jika r ≤ P1k, maka kandidat solusi seeking pertama terpilih

menjadi solusi seeking. Sebaliknya pilih kandidat solusi

seeking ke i sebagai solusi seeking apabila P(i-1)k < r ≤ Pik

(seleksi roulette wheel).

xi. Posisi kucingk=posisi solusi seeking.

xii. Simpan posisi dalam Memory Pool yang memberikan solusi

terbaik sebagai gbest seeking

xiii. Semua kucing berflag=1 telah melalui proses seeking?

xiv. Jika belum kembali ke langkah i, jika sudah lakukan proses l.

k) Tentukan solusi iterasi dengan menghitung:

=min (g ,g )

l) Setelah melakukan Mode Seeking dan Mode Tracing dipilih individu

terbaik dari masing-masing mode. Kemudian pilih individu terburuk

untuk dilanjutkan dengan proses Simulated Annealing (SA).



24

m) Jika iterasi saat ini kurang dari atau sama dengan 10 maka menuju

langkah berikutnya, jika tidak kembali ke langkah 2.f.

3. Proses Simulated Annealing (SA)

a. Modifikasi menggunakan pencarian lokal, yaitu dengan memilih

dua lokasi secara acak, kemudian menukarnya. Selanjutnya

dihitung fungsi tujuan dari hasil yang diperoleh.

b. Menghitung nilai selisih (calculate), evaluasi dilakukan dengan

cara membandingkan fungsi tujuan solusi hasil modifikasi atau

solusi baru f(xm) dengan fungsi tujuan individu awal atau solusi

sementara .

i. Jika ≤ maka solusi sementara sama dengan solusi

baru.

ii. Jika > maka dihitung probabilitas penerimaannya

menggunakan rumus: ∆

Dimana ΔC merupakan selisih nilai fungsi tujuan.

Kemudian bangkitkan bilangan real r antara interval [0 1], jika

r < P maka solusi baru menggantikan solusi lama, begitu juga

sebaliknya.

c. Jika looping sudah memenuhi, dilakukan penurunan suhu rumus

d. Cek suhu, jika Tb < Takhir, maka proses berhenti.

4. Solusi akhir pada proses simulated annealing menggantikan solusi yang

dipilih pada langkah 3.a.

5. Jika maksimum iterasi sudah tercapai maka menuju langkah

selanjutnya, jika tidak maka kembali ke langkah 2.f.

6. Membuat program dari algoritma di atas.

7. Mengimplementasikan program pada contoh kasus.



25

Ya Tidak

Tidak

Ya

Start

Inisialisasi Parameter

Input width (w), height (h) dan strip width

Inisialisasi posisi awal kucing dan kecepatan kucing

Evaluasi Nilai Fitness tiap kucing

Flag kucingk=1?

Kucingk diproses di mode seeking Kucingk diproses di mode tracing

Menentukan individu terbaik dari CSO

Menentukan individu terburuk dari CSO

C

Menentukan nilai SPC

Menentukan flag

Iterasi 10?

A

B



26

Ya

Tidak

Tidak

Ya

Ya

Tidak

Tidak

Ya

Gambar 3.1 Flowchart Penyelesaian land allocation menggunakan Hybrid Algoritma Cat Swarm Optimization (CSO) dan Simulated Annealing (SA)

?

End

Mengevaluasi individu yang telah dimodifikasi ( )

A

Hitung P dan Bangkitkan r

P > r ?

Penurunan Suhu

Max iterasi?

Solusi Terbaik

tetap

B

Melakukan modifikasi menjadi

C



27

Gambar 3.2 Flowchart Mode Tracing

Start

Update Kecepatan

Update Posisi

Menghitung Fungsi Tujuan

Kucing flag = 0 telah berproses

End

Gbest Solusi

Posisi dan Kecepatan Kucing

Ya

Tidak

Ambil satu individu kucing

Update solusi



28

Gambar 3.3 Flowchart Mode Seeking

Start

SPC = 1

End

Buat tiruan sejumlah SMP-1

Isi baris pertama SMP dengan posisi awal

Modifikasi

SMP-1 sudah dimodifikasi

Ambil salah satu tiruan kucing

Buat tiruan sejumlah SMP

Ambil salah satu tiruan kucing

Modifikasi

SMP sudah dimodifikasi

Bangkitkan satu bilangan real secara acak

Hitung tinggi, nilai fitness, probabilitas terpilih relatif dan kumulatif

Simpan kandidat solusi

Kucing flag =1 telah berproses

Ya Tidak Tidak

Ya

Tidak

Gbest Solusi

Ambil satu individu kucing

Ya Tidak

Seleksi



29

Gambar 3.4 Flowchart Seleksi Roullete Wheel

Start

Menghitung Nilai Fitness

Menghitung Jumlah Total Nilai

Menghitung Peluang Terpilih

Probabilitas Terpilih Kumulatif Setiap Individu Kucing

NoMenghitung Peluang Kumulatif

Bangkitkan Bilangan Random (r)

r Prob. Kumulatif

Probabilitas Terpilih Kumulatif Pertama

Yes



29

BAB IV

PEMBAHASAN

Pada bab ini akan dijelaskan mengenai penggunaan hybrid algoritma Cat

Swarm Optimization (CSO) dan Simulated Annealing (SA) pada masalah land

allocation.

4.1 Masalah Alokasi Lahan

Persoalan alokasi lahan merupakan masalah penempatan lahan komponen

persegi pada lahan yang tersedia, sehingga:

1. Lahan komponen yang akan dialokasikan ditinjau dari fleksibilitas

dimensinya.

2. Fleksibilits dimensi lahan komponen akan mempengaruhi penempatan

lahan komponen tersebut pada lahan yang tersedia, sehingga dapat

meminimalkan area yang dipakai.

4.2 Hybrid Cat Swarm Optimization (CSO) dan Simulated Annealing (SA)

Hybrid Cat Swarm Optimization (CSO) dan Simulated Annealing (SA)

adalah penggabungan dari proses Cat Swarm Optimization dengan Simulated

Annealing dalam aplikasinya merupakan salah satu algoritma heuristik yang

dapat digunakan untuk menyelesaikan masalah optimasi. Menurut (Chu dan

Tsai, 2007) proses penyelesaian permasalahan tersebut diawali dengan

membangkitkan sejumlah m populasi kucing awal, setiap kucing merupakan

representasi dari satu set solusi yang terdiri atas n dimensi. Setiap dimensi

dimodelkan untuk mempunyai inisialisasi kecepatan awal. Kecepatan awal

digunakan untuk memodelkan perilaku sekumpulan kucing yang selalu

berpindah-pindah posisi sesuai kecepatannya ketika sedang berburu. Proses

berlanjut dengan membagi m populasi awal kucing ini menjadi 2 populasi

baru. Yakni populasi mode seeking dan populasi mode tracing. MR (mixing

ratio) adalah parameter yang diinisialisasikan untuk menentukan proporsi

pembagian kucing ke dalam kedua mode tersebut.



30

Ilustrasi penggunaan hybrid algoritma Cat Swarm Optimization (CSO) dan

Simulated Annealing (SA) dalam Land Allocation telah diuraikan dalam

Gambar 4.1

Prosedur hybrid algoritma Cat Swarm Optimization (CSO) dan Simulated

Annealing (SA) dapat dilihat pada Gambar 4.1

Prosedur Hybrid Algoritma CSO dan SA Begin input data(); inisialisasi parameter(); bangkitkan populasi awal(); ` bangkitkan kecepatan awal(); hitung fungsi tujuan(); do hitung fitness(); bagikan flag secara acak(); tentukan nilai spc(); lakukan tahap seeking(); lakukan tahap tracing(); if(iterasi<11) proses sa pada individu terburuk(); end while(maks_iterasi) tentukan solusi terbaik(); End

Gambar 4.1 Prosedur Hybrid Algoritma CSO dan SA

Berikut ini dijelaskan langkah-langkah dalam prosedur algoritma Cat

Swarm Optimization (CSO).

4.2.1 Input Data dan Inisialisasi Parameter

Prosedur ini merupakan prosedur untuk menginput data dan

menentukan informasi awal yang dibutuhkan dalam algoritma Cat

Swarm Optimization (CSO). Data yang diinputkan adalah data berupa

lebar dan tinggi lahan serta lebar objek. Parameter yang diperlukan

adalah jumlah populasi kucing yang disimbolkan dengan m, jumlah

lahan yang disimbolkan dengan n, Seeking Memory Pool (SMP),

Count Dimension to Change (CDC), Seeking Range Dimension (SRD),



31

Mixing Ratio (MR), konstanta tracing (c), dan maks_iterasi yang dapat

dilihat pada Gambar 4.2

Prosedur Input Data dan Inisialisai Parameter

Begin Jumlah Kucing (Individu)=kucing; Jumlah Seeking Memory Pool=smp; Nilai CDC=cdc; Nilai SRD=srd; Nilai MR=mr; Nilai Beta=beta; Nilai c1=c1; Nilai lebar_wadah=lebar_wadah; Nilai suhu_awal=suhu_awal; Nilai suhu_akhir=suhu_akhir;

End

Gambar 4.2 Prosedur Input Data dan Inisialisasi Parameter

4.2.2. Membangkitkan Populasi Awal

Populasi awal terdiri dari beberapa individu kucing, yang

mereprentasikan urutan lahan masuk ke dalam objek, sebanyak n

dimensi. Tiap individu terdiri dari n sebanyak jumlah lahan. Oleh

karena itu, untuk membangkitkan populasi awal perlu dibangkitkan

bilangan real acak antara 0 dan 1 yang mewakili urutan tiap n dalam

individu. Nilai dalam tiap n akan digunakan untuk menentukan lahan

mana yang akan diletakkan terlebih dahulu. Prosedur pembangkitkan

populasi awal dapat dilihat pada Gambar 4.3

Prosedur Pembangkitan Populasi Awal

Begin for i=0 to kucing for j=0 to jumlah lahan data_kucingi,j = random (1,jumlah lahan); end end End

Gambar 4.3 Membangkitkan Populasi awal



32

Untuk mempermudah pembangkitkan populasi awal, dibuat

matriks dengan ukuran m x n.

4.2.3 Membangkitan Kecepatan Awal

Hal yang harus diperhatikan adalah setiap dimensi (n) dari setiap

individu juga memiliki inisialisasi lain yakni kecepatan awal (initial

velocity). Kecepatan awal adalah suatu bilangan acak yang terkait

dengan setiap dimensi dari setiap individu (kucing) yang dapat dilihat

pada Gambar 4.4

Prosedur Membangkitan Kecepatan Awal

Begin for i=0 to kucing for j=0 to jumlah lahan data_kecepatani,j = random (1,jumlah lahan); end end End

Gambar 4.4 Membangkitan Kecepatan Awal

Untuk mempermudah pembangkitan kecepatan awal, dibuat

matriks dengan ukuran m x n.



33

4.2.4 Representasi Permutasi

Posisi awal dari setiap individu (kucing) merupakan kandidat lahan

awal dari permasalahan Land Allocation. Untuk mengubah

representasi random dari posisi awal ke dalam bentuk lahan yang

diwakili oleh representasi permutasi digunakan Gambar 4.5 sebagai

prosedur.

Prosedur Konversi ke Dalam Representasi Permutasi Begin for i=0 to m-1

for j=0 to n-1 permutasij=j;

end for j=0 to n-1

kucingurut,j=kucingi,j; end z=0; while(z<1) for i1=0 to n-1

if(kucinguruti1<kucinguruti1+1) ii=kucinguruti1;

kucinguruti1=kucinguruti1+1;

kucinguruti1+1=ii;

k=permutasii1;

permutasii1=permutasii1+1;

permutasii1+1=k;

end end j1=0; for i1=0 to n-1

if (kucinguruti1>=kucinguruti1+1) j1=j1+1;

end end if (j1==n-2)

z=3; end

End

Gambar 4.5 Prosedur Permutasi Objek



34

4.2.5 Menghitung Nilai Fungsi Tujuan

Setelah pembangkitan populasi awal diubah menjadi bentuk

permutasi, maka diperoleh urutan masuk lahan kecil ke dalam lahan

besar. Dari urutan tersebut dapat diperoleh tata letak lahan kecil dalam

lahan besar, sehingga dapat diperoleh pula tinggi lahan terpakai.

Tinggi lahan terpakai tersebutlah yang akan diminimalkan sehingga

didapatkan hasil yang optimal. Prosedur meletakkan lahan kecil

dimulai dengan meletakkan lahan kecil pertama pada bagian ujung kiri

bawah objek sehingga terbentuk subspace S1 dan S2. Selanjutnya, lahan

kecil kedua diletakkan pada S1 jika memungkinkan, namun jika tidak

maka lahan kecil kedua akan diletakkan pada S2. Demikian seterusnya

hingga semua lahan kecil diletakkan ke dalam lahan besar. Prosedur

meletakkan lahan kecil ke dalam lahan besar disajikan pada Gambar

4.6



35

Prosedur Meletakkan Lahan ke dalam Objek

Begin for i=1 to n for j=1 to jumlah lahan if j=1 if lebarlahankecil[geni,j] <= lebarlahanbesar lebarsubspacei,j=lebarobjek-lebarlahan[geni,j]; tinggisubspacei,j=tinggilahan[geni,j]; end else

lebarsubspacei,j=tinggilahan[geni,j]; tinggisubspacei,j=lebarobjek- lebarlahan[geni,j]; end

end else

if pas=0; for k=1 to j-1

if lebarlahan[geni,j] <= lebarsubspace & tinggilahan[geni,j] <= tinggisubspace

for l > k+1 to l=j lebarsubspacei,l = lebarsubspacei,l-1; tinggisubspacei,l = tinggisubspacei,l-1; end

lebarsubspacei,k+1 = lebarsubspace; tinggisubspacei,k+1 = tinggisubspace -c; lebarsubspacei,k = lebarsubspace-lebarlahan[geni,j]; tinggisubspacei,k =tinggilahan[geni,j]; pas=1; break; end

else if tinggilahan[geni,j] <= lebarsubspace & lebarlahan[geni,j] <= tinggisubspace

for l > k+1 to l=j lebarsubspacei,l= lebarsubspacei,l-1; tinggisubspacei,l= tinggisubspacei,l-1; end

lebarsubspacei,k+1 =lebarsubspace; tinggisubspacei,k+1=tinggisubspace-lebarlahan[geni,j]; lebarsubspacei,k=lebarsubspace-tinggilahan[geni,j]; tinggisubspacei,k=lebarlahan[geni,j]; pas=1; break; end

end if pas!=1

if lebarlahan[geni,j]<=lebarobjek lebarsubspacei,j=lebarobjek- lebarlahan[geni,j]; tinggisubspacei,j= tinggilahan[geni,j]; end

else lebarsubspacei,j=lebarobjek- tinggilahan[geni,j]; tinggisubspacei,j= lebarlahan[geni,j]; end

end end

end End

.

Gambar 4.6 Prosedur Memasukkan Lahan ke Lahan Yang Tersedia



36

4.2.6 Menghitung Nilai Fitness

Dalam skripsi ini, nilai fitness (fitness value) yang didapat setiap

individu (kucing) bergantung perhitungan tinggi lahan yang didapat

dari representasi permutasi individu tersebut.

Cara menghitung nilai fitness kucing ke-i adalah dengan membagi

1 dengan nilai tinggi lahan yang diperoleh tiap set solusi kucing ke-i.

Prosedur menghitung nilai fitness setiap kucing dalam populasi dapat

disajikan pada Gambar 4.7

Prosedur menghitung nilai fitness tiap kucing Begin

for i=0 to m-1 fitnessi=1/jaraki;

end End

Gambar 4.7 Prosedur menghitung nilai fitness tiap kucing

Langkah selanjutnya adalah nilai fitness yang didapatkan dalam

proses nilai fitness diurutkan mulai dari yang terbesar hingga yang

terkecil untuk digunakan dalam proses penentuan Self Position

Considering dan penentuan xbest.

4.2.7 Melakukan Penentuan Flag

Setiap individu (kucing) akan dlahanpatkan ke dalam suatu mode,

diantaranya adalah mode seeking atau mode tracing. Gambar 4.8

menunjukkan prosedur penentuan flag dalam Algoritma Cat Swarm

Optimization.



37

Prosedur penentuan flag Begin jumtracing=MR*m; for i= 0 to m-1

ri=random(m)/m+1; end for i=0 to m-1

urutanrandomi=randomurut(ri,m) end

for i= 0 to jumtracing-1 flagurutanrandomi=1;

end for i= jumtracing to m-1

flagurutanrandomi=0; end

End

Gambar 4.8 Prosedur penentuan flag

Prosedur diatas adalah proses penentuan flag dilakukan secara

random (acak), dengan membangkitkan sejumlah m bilangan random

dan menempatkannya pada array ri , dengan i adalah indeks dari

individu (kucing). Urutan dari bilangan random dalam array ri secara

ascending disajikan dalam array urutan randomi, penempatan flag

ditentukan oleh indeks individu (i) yang berkaitan dengan bilangan

random terurut dalam array urutan random.

4.2.8 Menentukan Self Position Considering (SPC)

Self Position Considering (SPC) merupakan nilai boolean yang

melabeli setiap individu sebelum melakukan mode seeking atau mode

tracing. Label ini ditentukan sesaat setelah nilai fitness dari masing-

masing individu dalam populasi dihitung. Sebagai catatan dalam

konteks ini populasi yang dimaksud adalah populasi awal untuk iterasi

pertama , dan populasi gabungan hasil mode seeking dan mode tracing

untuk iterasi berikutnya. Secara prosedur penentuan SPC setiap individu

dapat dilakukan seperti terlihat pada Gambar 4.9



38

Prosedur penentuan SPC tiap individu (kucing) Begin jumseeking=(1-MR)*m; for i=0 to m-1

urutani=fitnessurut(fitness[],fitnessi,m) end

for i= 0 to jumseeking-1 spcurutani=1;

end for i= jumseeking to m-1

spcurutani =0; end

End Gambar 4.9 Prosedur menentukan Self Position Considering

Array urutan dalam prosedur diatas memuat urutan indeks kucing

dari yang mempunyai nilai fitness terbesar , hingga yang mempunyai

nilai fitness terkecil secara terurut dari atas ke bawah (descending).

4.2.9 Melakukan Proses Mode Seeking

Setelah dilakukan proses penempatan flag, beberapa kucing akan

diproses dalam mode seeking. Setiap kucing yang memiliki flag

bernilai 1 akan memasuki tahap mode seeking. Prosedur mode seeking

ditujukkan pada Gambar 4.10



39

Pseudocode proses seeking Begin if(spc(grup_seeking(i))==1 for j=0 to smp for k=0 to jumlahLahan Memory_pool(j,k)=data_random(grup_seeking(i))(k) end for for k=0 to jumlahLahan terpilih[k]=-1; end for if j>0 Modifikasi Memory_Pool() end if end for end if else if(spc(grup_seeking(i))!=1 for j=0 to smp for k=0 to jumlahLahan terpilih[k]=-1; end for Modifikasi Memory_Pool() end for end if End

Gambar 4.10 Prosedur update kecepatan pada mode seeking

4.2.10 Melakukan Proses Mode Tracing

Setelah dilakukan proses penempatan flag secara random (acak),

kemudian beberapa kucing akan diproses dalam mode tracing. Secara

operasional dalam mode ini setiap individu akan mengubah

representasi kecepatan yang lama menjadi representasi kecepatan yang

baru. Proses update kecepatan ini dipengaruhi oleh memory yang

dimiliki setiap kucing, yang berfungsi mengingat posisi terbaik yang

sejauh ini diperoleh swarm (xbest) . Hal ini dapat dijelaskan pada

prosedur dalam Gambar 4.11



40

Prosedur update kecepatan pada mode tracing Begin for i=0 to jumtracing-1

acak=random(100); acak1=random(99); d=acak/acak1;

for j=0 to n-1 hj=xi,j; end for j=0 to n-1 m=xbest,j-hj; s=d*c*m; end for j=0 to n-1 vbarui,j=vi,j+s; end

end End

Gambar 4.11 Prosedur update kecepatan pada mode tracing

Untuk mendapatkan set solusi yang lebih baik, dalam fase ini

representasi kecepatan baru digunakan oleh setiap individu (kucing) ini

untuk mengubah posisinya. Prosedur dalam menentukan posisi baru

dapat dilihat dalam Gambar 4.12

Prosedur mengupdate posisi lama setiap kucing

Begin for i= 0 to jumtracing-1

for j = 0 to n-1 kucingbarui,j= kucingi,j +vbarui,j;

end end

End

Gambar 4.12 Prosedur update posisi tiap kucing pada mode

tracing

Dalam skripsi ini ,ditambahkan beberapa prosedur tambahan salah

satunya adalah untuk setiap individu dilakukan pengecekan apakah set



41

solusi baru memberikan nilai fitness yang lebih baik dari set solusi lama.

Proses ini kemudian disajikan dalam Gambar 4.13

Prosedur perbandingan fitness lama dan fitness baru Begin

for i= 0 to jumtracing-1 if(fitnessbi-fitnessi>0)

for j=0 to n-1 kucingbarui,j;

end end else

for j=0 to n-1 kucingbarui,j=kucingi,j;

end end

end End

Gambar 4.13 Prosedur perbandingan fitness lama dan fitness baru

4.2.11 Penentuan Solusi Terburuk pada CSO

Penentuan solusi terburuk ini menggunakan informasi posisi kucing

yang baru setelah melalui proses mode seeking dan mode tracing yaitu

dengan cara membandingkan posisi terburuk antara mode seeking dan

mode tracing masing-masing kucing yang telah disimpan pada proses

diatas. Solusi terburuk yang diperoleh dari proses mode seeking dan

proses mode tracing akan dibandingkan dan dicari posisi yang memiliki

nilai fungsi tujuan terbesar. Proses penentuan solusi terburuk dapat

dilihat dalam Gambar 4.14



42

Pseucode penentuan solusi terburuk Begin if(tinggi_best_tracing<tinggi_best) real_tinggi=tinggi_best_tracing for i=0 to jumlahLahan real_lahan[i]=lahan_best_tracing[i]; real_variasi[i]=variasi_best_tracing[i]; end for end if else if(tinggi_best<tinggi_best_tracing) real_tinggi=tinggi_best; for i=0 to jumlahLahan real_lahan[i]=lahan_best[i]; real_variasi[i]=variasi_best[i]; end for end else End

Gambar 4.14 Prosedur penentuan solusi terburuk

Setelah solusi terburuk di cat swarm optimization diperoleh, maka

selanjutnya adalah solusi terburuk pada cat swarm optimization

diproses engan menggunakan algoritma simulated annealing.

4.2.12 Proses Simulated Annealing

Pada proses ini individu terburuk dari cat swarm optimization akan

diproses menggunakan simulated annealing. Pada proses annealing

pertama yang dilakukan adalah modifikasi. Proses mutasi yang

digunakan dalam proses modifikasi adalah pencarian lokal, metode

yang digunakan adalah resiprochal exchange mutation. Resiprochal

exchange mutation merupakan suatu metode mutasi dengan cara

memilih secara acak dua lokus kemudian ditukar. Prosedur proses

algoritma simulated annealing dapat dilihat pada Gambar 4.15



43

Prosedur Simulated Annealing Begin select_1=random(jumlahLahan-1); select_2=random(jumlahLahan-1); while(select_1==select_2||select_1>select_2); for int sel=0 to jumlah lahan data_random[counter_sa][sel]; end for int j=select_1;j<=select_1+mutatecounter;j++) tempSA=solusi_sa[j]; solusi_sa[j]=solusi_sa[select_2]; solusi_sa[select_2]=tempSA; select_2--; end

evaluasi solusi sa(); penentuan tolak atau terima solusi(); suhu=suhu_sekarang*beta; suhu_sekarang=suhu;

end End

Gambar 4.15 Prosedur proses Simulated Annealing

4.2.13 Menyimpan Solusi Terbaik (Global Best)

Prosedur ini merupakan prosedur untuk menyimpan solusi terbaik

pada setiap iterasinya. Nilai fungsi tujuan terbaik merupakan nilai

fungsi tujuan dari solusi yang terbaik. Solusi terbaik ini dlahanukan

diantara solusi CSO dan SA sehingga dapat pula disebut global best.

Perlu diingat bahwa proses ini dilakukan pada tiap iterasi, sehingga

akan diperoleh solusi terbaik setiap iterasinya maka untuk keseluruhan

akan didapat sejumlah t solusi terbaik (global best). Prosedur

penyimpanan solusi terbaik ditunjukkan pada Gambar 4.16



44

Prosedur menentukan gbest Begin

for j=0 to individu-1 if (ftGbest > ftj) then

for k= 0 to n-1 individuGbestk=individuk,j xGbestk=xk,j

end for k end if

end for j End

Gambar 4.16 Prosedur menyimpan solusi Terbaik (Global Best)

4.3 Data

Untuk mengimplementasikan penggabungan algoritma cat swarm

optimization dan simulated annealing pada Land Allocation, akan digunakan

data yang diambil dari Alison R. Callaghan (1999) dan Egy Rifky (2015).

Data yang digunakan dalam skripsi ini dibagi menjadi 2 yaitu :

1. Data dengan 13 lahan komponen

2. Data dengan 75 lahan komponen

Data secara lengkap dapat dilihat pada Tabel 4.1 dan Lampiran 1.

4.4 Contoh Kasus Masalah Alokasi Lahan dengan Menggunakan Data 13

Lahan Komponen yang Diselesaikan Secara Manual

Misalkan pada sebuah gedung terdapat ruangan yang berukuran WxH

dengan W = 200 feet dan H = 171.5 feet. Pada ruangan tersebut akan

dialokasikan lahan untuk departemen – departemen yang ukuran masing-

masing departemen memiliki fleksibilitas dimensi yang dapat dilihat pada

Tabel 4.1 dan Tabel 4.2



45

Tabel 4.1 Spesifikasi dan Ukuran Departemen

No. Nama Departemen Size in ft. 1 Police 1520 2 Jail 660 3 Court room 3840 4 Judge’s chamber 300 5 License bureau 900 6 Treasurer’s office 900 7 Welfare office 900 8 Health dept. 900 9 Sanitation 900 10 Engineer’s office 2300 11 Rec. Dept. 900 12 Mayor’s office 300 13 Town council room 750

Tabel 4.1 dapat diubah dengan fleksibilitas dimensi sebagai berikut:

Tabel 4.2 Area Komponen dan Dimensi yang Sesuai

Komponen Total Area

Dimensi (ft.) 1 2 3 4 5 6

1 1520 80x19 76x20 40x38 38x40 20x76 19x80 2 660 132x5 66x10 33x20 20x33 10x66 5x132 3 3840 120x32 96x40 64x60 60x64 40x96 32x1204 300 60x5 30x10 20x15 15x20 10x30 5x60 5 900 90x10 60x15 36x25 30x30 15x60 10x90 6 900 90x10 60x15 36x25 30x30 15x60 10x90 7 900 90x10 60x15 36x25 30x30 15x60 10x90 9 900 90x10 60x15 36x25 30x30 15x60 10x90 10 2300 100x23 92x25 50x46 46x50 25x92 23x10011 900 90x10 60x15 36x25 30x30 15x60 10x90 12 300 60x5 30x10 20x15 15x20 10x30 5x60 13 750 75x10 50x15 30x25 25x30 15x50 10x75

Sumber: Alison R. Callaghan; Anoop R.Nair; Kemper E. Lewis, 1999, ASME Design Engineering Technical Conferences.



46

Penyelesaian:

Untuk menyelesaikan alokasi lahan dengan data 13 komponen lahan

menggunakan prosedur hybrid algoritma CSO dan SA, dengan langkah-

langkah sebagai berikut:

Langkah 1: Inisialisasi Parameter

Parameter-parameter dari hybrid algoritma Cat Swarm Optimization

(CSO) dan Simulated Annealing (SA) yang akan digunakan untuk masalah

alokasi lahan adalah sebagai berikut:

jumlah populasi kucing (m) = 3, Seeking Memory Pool (SMP) = 4 , Count

Dimension to Change (CDC) = 0.33 , Seeking Range Dimension (SRD) =

0.5 , Mixing Ratio (MR) = 0.33 , 100, 20, 0,09

Langkah 2: Membangkitkan Individu

Proses membangkitkan individu dilakukan dengan membangkitkan

secara acak bilangan real antara 0 sampai 1 sebanyak a x b untuk setiap

individu. Dimana a adalah banyaknya kucing dan b adalah banyaknya lahan

komponen. Individu baru ditujukkan pada Tabel 4.3

Tabel 4.3 Populasi Awal Kucing

Individu Awal

Urutan Lahan Komponen Masuk 1 2 3 4 5 6 7 8 9 10 11 12 13

0.84 0.09 0.71 0.29 0.16 0.60 0.81 0.92 0.99 0.08 0.26 0.69 0.63 0.23 0.40 0.91 0.51 0.94 0.65 0.14 0.66 0.36 0.79 0.80 0.89 0.34 0.93 0.95 0.50 0.05 0.22 0.99 0.48 0.75 0.28 0.86 0.72 0.30 0.73

Dengan , , dan merupakan notasi yang melambangkan kucing

1, kucing 2, dan kucing 3.

Langkah 3: Membangkitkan Kecepatan Awal

Proses pembangkitkan kecepatan awal kucing analog dengan proses

membangkitkan posisi awal kucing yaitu dengan membangkitkan secara



47

acak bilangan real antara 0 sampai 1 sebanyak a x b untuk setiap individu.

Dimana a adalah banyaknya kucing dan b adalah banyaknya lahan

komponen. Hasil pembangkitkan kecepatan awal kucing disajikan pada

Tabel 4.4

Tabel 4.4 Kecepatan Awal Kucing

Kecepatan Awal

Urutan Lahan Komponen Masuk 1 2 3 4 5 6 7 8 9 10 11 12 13

0.52 0.36 0.77 0.13 0.44 0.31 0.50 0.29 0.46 0.67 0.41 0.70 0.61 0.45 0.78 0.71 0.84 0.58 0.16 0.83 0.72 0.47 0.06 0.40 0.55 0.97 0.76 0.10 0.43 0.73 0.87 0.35 0.28 0.85 0.05 0.42 0.86 0.06 0.80

Dengan , , dan merupakan notasi yang melambangkan

kecepatan kucing 1, kecepatan kucing 2, dan kecepatan kucing 3.

Langkah 4: Evaluasi nilai fungsi tujuan beserta fleksibilitas dimensi

Sebelum menghitung nilai fungsi tujuan, elemen dari masing-masing

kucing ditransformasikan ke bilangan asli dengan cara tiap elemen kucing

dengan mengurutkan bilangan asli yang acak tersebut dari yang terkecil

hingga yang terbesar beserta fleksibilitas dimensinya secara acak. Hasil

transformasi disajikan dalam Tabel 4.5

Tabel 4.5 Hasil transformasi kucing pada populasi awal

Individu Urutan Lahan Komponen Masuk

1 2 3 4 5 6 7 8 9 10 11 12 13

11 2 9 5 3 6 10 12 13 1 4 8 7

Dimensi Ukuran 4 3 2 2 1 1 1 5 1 2 5 3 1

2 5 12 6 13 7 1 8 4 9 10 11 3

Dimensi Ukuran 1 4 1 4 4 3 2 2 1 2 3 2 2

11 12 6 1 2 13 5 9 3 10 7 4 8

Dimensi Ukuran 5 6 5 4 2 4 4 4 3 4 1 3 1



48

Kemudian mencari dimensi ukuran lahan yang telah dimiliki oleh

masing-masing lahan yang tersedia. Pada data yang diperoleh memiliki 6

variasi dimensi ukuran, sehingga pada masing-masing lahan diacak bilangan

asli pada interval [1 6]. Dari Tabel 4.5 diketahui bahwa lahan komponen

yang dimiliki oleh kucing-1 ( ) adalah 11,2,9,5,3,6,10,12,13,1,4,8,7

dengan dimensi ukuran lahan ke 4,3,2,2,1,1,1,5,1,2,5,3,1. Begitu juga

dengan kucing-2 ( dan kucing-3 ( ). Setelah urutan komponen lahan

yang akan diletakkan sudah diketahui beserta dimensi ukurannya, langkah

selanjutnya adalah menghitung nilai fungsi tujuan.

Perhitungan nilai fungsi tujuan merupakan representasi untuk

memperoleh tinggi dari objek yang terpakai (H). Nilai fungsi tujuan

diperoleh melalui proses penempatan lahan ke dalam objek wadah

berdasarkan prosedur algoritma rekursif. Dalam setiap space, W merupakan

lebar space yang terbentuk dari lebar space awal dikurangi dengan lebar

lahan masuk, dan H merupakan tinggi dari space (tinggi lahan masuk).

Proses perhitungan fungsi tujuan diuraikan sebagai berikut:

Misalnya kucing-1 ( ) yang mempunyai urutan masuk lahan sebagai

berikut:

Tabel 4.6 Urutan Masuk Lahan Kucing-1 ( )


1 2 3 4 5 6 7 8 9 10 11 12 13

11 2 9 5 3 6 10 12 13 1 4 8 7

Dimensi Ukuran 4 3 2 2 1 1 1 5 1 2 5 3 1

1. Komponen lahan pertama yang akan diletakkan adalah lahan

komponen yang ke-11 dengan dimensi ukuran ke-4. Menurut

Tabel 4.2 lahan komponen ke-11 memiliki ukuran 30 dan

30. Karena merupakan lahan pertama, maka akan terbentuk

space baru S1 dan S2 seperti pada Tabel 4.7 dan Gambar 4.17.

Space S1 terbentuk dengan ukuran W – w11 = 200 – 30 = 170,

sedangkan H dengan ukuran 30 karena tinggi w11 = 30.



49

Tabel 4.7 Subspace setelah lahan komponen ke-1 masuk

Sisa Ukuran Lahan

SubspaceS1 S2

W 170 - H 30 -

Gambar 4.17 Lahan ke-1 masuk

2. Selanjutnya diletakkan lahan komponen yang kedua yaitu lahan

komponen yang ke-2 dengan dimensi ukuran ke-3. Menurut Tabel

4.2 lahan komponen ke-2 memiliki ukuran 33 dan 20.

Lahan ini dapat dlahanpatkan pada subspace S1. Sehingga terbentuk

space baru S11 dan S12 seperti pada Tabel 4.8 dan Gambar 4.18


Sisa Ukuran Lahan

Subspace S11 S12 S2

W 137 170 - H 20 10 -

200 Width (W)

Height (H)



50


3. Selanjutnya diletakkan lahan komponen yang ketiga yaitu lahan

komponen yang ke-9 dengan dimensi ukuran ke-2. Menurut Tabel

4.2 lahan komponen ke-9 memiliki ukuran 60 dan 15.

Lahan ini dapat dlahanpatkan pada subspace S11. Sehingga

terbentuk space baru S111 dan S112 seperti pada Tabel 4.9 dan

Gambar 4.19


Sisa Ukuran Lahan

Subspace S111 S112 S12 S2

W 77 137 170 -

H 15 5 10 -

200 Width (W)

Height (H)



51

200

Width (W)


Demikian juga dengan komponen lahan lainnya dilakukan dengan

proses yang sama. Sehingga, setelah semua lahan kompenen dimasukkan,

maka dapat dihitung tinggi minimum dengan menjumlahkan tinggi

subspace yang terbentuk. Sehingga didapat hasil tinggi dari wadah yang

terpakai adalah 95 square feet seperti pada Tabel 4.10 dan Gambar

4.20

Tabel 4.10 Subspace setelah semua lahan masuk

Sisa Ukuran Lahan

Subspace S111 S112 S12 S211 S212 S22 S31 S32 S4 S5

W 17 137 5 24 60 80 24 100 110 -

H 15 5 10 25 5 2 20 3 10 -

Height (H)



52

200

Width (W)

Gambar 4.20 Hasil penempatan lahan

Selanjutnya dengan cara yang sama untuk menghitung fungsi tujuan

dari tiap-tiap individu kucing. 1 2 3 4 30 32

23 10 95.Hasil lengkapnya terlihat pada Tabel 4.11

Tabel 4.11 Nilai fungsi tujuan masing-masing kucing

Individu f(x) 95

96

120

Langkah 5: Menghitung nilai fitnes dari fungsi tujuan

Menghitung nilai fitness berdasarkan nilai fungsi tujuan. Nilai fitness

dirumuskan dengan:

1

Height (H)

h1=30

h2=32

h3=23

h4=10



53

Perhitungannya adalah sebagai berikut:

1. Kucing ke-1 ( )

1 1

950.01053

2. Kucing ke-2 ( )

1 1

960.01042

3. Kucing ke-3 ( )

1 1

1200.00833

Langkah 6: Penempatan Flag

Sebelumnya diperkenalkan formulasi berikut:

∗

∗

Penentuan flag setiap kucing dilakukan secara acak dengan tujuan

menempatkan sejumlah Jumlah seeking kucing ke dalam mode seeking

(flag=1), dan sejumlah Jumlah tracing kucing ke dalam mode tracing

(flag=0). Dalam contoh kasus, parameter yang digunakan adalah mr = 0.33

dan m = 3. Jadi proporsi pembagian ini adalah 2 : 1, 2 individu bermode

seeking dan 1 individu bermode tracing . Hasil pembagian flag secara

random ini dapat dilihat dalam Tabel 4.12

Tabel 4.12 flag populasi awal

Individu Random Urutan Flag 0,4679 2 1 0,5671 3 1 0,2414 1 0



54

Langkah 7: Memberi Nilai SPC

Informasi tentang nilai fitness dari setiap individu diatas penting untuk

menetapkan nilai boolean dari Self Position Considering (SPC) . Karena Self

Position Considering (SPC) ditentukan di dalam populasi dengan nilai

fitness yang tertinggi diberi nilai 1. Hasil Penentuan SPC setiap individu

dapat terlihat dalam Tabel 4.13

Tabel 4.13 Nilai fitness terurut dan SPC populasi awal

Individu Nilai Fitness SPC 0.01042 0

0.01053 1

0.00833 0

Dalam Tabel 4.13 (1 individu bernilai label SPC = 1 dan sisanya yang

belum mempunyai label SPC secara otomatis mendapatkan label SPC = 0 ).

Langkah 8: Tracing Mode

Dari Tabel 4.13 dapat dilihat bahwa individu yang masuk ke dalam

mode tracing adalah individu 3 . Sesuai dengan jurnal (Chu,et all,2007)

setiap individu yang tersaring dalam mode ini akan mengupdate

kecepatannya dengan rumus :

∗ ∗

1,2,3, … , 1,2, … ,

xbest terpilih dari iterasi-1 adalah dengan posisi awal yaitu:

0.84 0.09 0.71 0.29 0.16 0.60 0.81 0.92 0.99 0.08 0.26 0.69 0.63

Berikut adalah proses update kecepatan baru untuk individu . Telah

diketahui sebelumnya kecepatan awal dan posisi awal dari individu

adalah sebagai berikut:

0.76 0.10 0.43 0.73 0.87 0.35 0.28 0.85 0.05 0.42 0.86 0.06 0.80

0.93 0.95 0.50 0.05 0.22 0.99 0.48 0.75 0.28 0.86 0.72 0.30 0.73



55

Dengan bilangan real secara acak = 0.3498, maka akan dilakukan proses

update kecepatan dengan cara berikut:

Untuk d = 1

0.3498 ∗ 2 ∗

0.93 0.3498 ∗ 2 ∗ 0.84 0.93 0,697

Dengan cara yang sama untuk masing-masing komponen pada individu

kucing, maka diperoleh update kecepatan baru pada Tabel 4.14

Tabel 4.14 Hasil update kecepatan kucing 3

Individu Kecepatan Baru

0.697

-0.5017

0.5769

0.8979

0.828

0.0772

0.5109

0.9689

0.5467

-0.1257

0.5382

0.3328

0.73

Setelah nilai kecepatan kucing 1 diperbarui maka langkah selanjutnya

adalah memperbarui posisi kucing 1. Untuk memperbarui posisi kucing 1

diperlukan nilai kecepatan yang baru kucing 1 dengan menggunakan rumus:

Untuk d= 1

0.93 0.697 1.627



56

Dengan cara yang sama untuk masing-masing komponen pada individu

kucing, maka diperoleh update posisi baru Tabel 4.15

Tabel 4.15 Hasil update posisi kucing 3

Individu Posisi Baru

1.627

0.4483 1.0769 0.9479 1.048 1.0672 0.9909 1.7189 0.8267 0.9857 1.2582 0.6328 1.46

Kemudian ditransformasikan ke bilangan asli dengan cara mengurutkan

dari yang terkecil hingga yang terbesar. Hasil transformasi disajikan dalam

Tabel 4.16

Tabel 4.16 Hasil transformasi update kucing 3

Kucing Urutan Lahan Komponen Masuk

1 2 3 4 5 6 7 8 9 10 11 12 13

12 1 9 4 7 8 6 13 3 5 10 2 11

Dimensi Ukuran 6 4 4 5 4 4 4 1 2 1 2 2 2

Diperoleh tinggi sebesar 100 feet dengan urutan lahan masuk 12-1-9-4-7-8-

6-13-3-5-10-2-11 dengan dimensi ukuran 6-4-4-5-4-4-4-1-2-1-2-2-2.

Kemudian dicari nilai fitness:



57

1. Kucing ke-3 baru ( baru)

1 1

1000.01

Perbandingan nilai fitness baru dan nilai fitness lama disajikan dalam Tabel

4.17

Tabel 4.17 Perbandingan nilai fitness baru dan nilai fitness lama

Individu Nilai fitness baru Nilai fitness lama

0.01 0,00833

Karena pada individu 3 nilai fitness baru > nilai finess lama, maka

solusi dari tracing diterima.

Sehingga nilai local best untuk mode tracing adalah 100 feet dengan

dengan urutan lahan masuk 12-1-9-4-7-8-6-13-3-5-10-2-11 dengan dimensi

ukuran 6-4-4-5-4-4-4-1-2-1-2-2-2.


1 2 3 4 5 6 7 8 9 10 11 12 13

12 1 9 4 7 8 6 13 3 5 10 2 11

Dimensi Ukuran 6 4 4 5 4 4 4 1 2 1 2 2 2

Langkah 9: Seeking Mode

Dari Tabel 4.13 dapat dilihat bahwa individu yang masuk dalam mode

seeking adalah individu 2 dan individu 1 , dapat dilihat juga dari

Tabel 4.13 bahwa SPC individu 2 = 1 dan SPC individu 1 = 0. Terdapat 6

parameter yang diinputkan dalam algoritma Cat Swarm Optimization

(CSO), 3 diantaranya digunakan dalam mode seeking. Parameter-parameter

tersebut antara lain Seeking Memory Pool (SMP) = 4, Change Dimension to

Change (CDC) = 0,33 dan Seeking Range Dimension (SRD) = 0,5

Berikut diberikan operasi mode seeking untuk individu 2, dengan SPC = 1

Posisi awal dari individu 2 adalah sebagai berikut:



58

0.23 0.40 0.91 0.51 0.94 0.65 0.14 0.66 0.36 0.79 0.80 0.89 0.34

Karena SPC individu 2 = 1, maka individu 2 akan di copy sebanyak SMP-1.

Tabel 4.18 Proses Pengcopyan Individu 2 Sebanyak SMP-1 Kali

Individu Posisi

0.23 0.40 0.91 0.51 0.94 0.65 0.14 0.66 0.36 0.79 0.80 0.89 0.34

0.23 0.40 0.91 0.51 0.94 0.65 0.14 0.66 0.36 0.79 0.80 0.89 0.34

0.23 0.40 0.91 0.51 0.94 0.65 0.14 0.66 0.36 0.79 0.80 0.89 0.34

0.23 0.40 0.91 0.51 0.94 0.65 0.14 0.66 0.36 0.79 0.80 0.89 0.34

Setelah posisi kucing 2 di copy sejumlah SMP-1, maka langkah

selanjutnya adalah proses modifikasi pada sejumlah dimensi untuk setiap tiruan

kucing.

Langkah mutasi dari individu 2 adalah sebagai berikut:

Hitung jumlah dimensi yang akan dimutasi/dimodifikasi dengan rumus:

Jumlah Modifikasi = CDC * n = 0,33*13 = 4,2 4

Jadi sejumlah 4 dimensi yang akan dimodifikasi untuk setiap tiruan

kucing 2 . Sebanyak 4 dimensi yang akan dimodifikasi dipilih secara acak,

dilakukan dengan cara membangkitkan bilangan real pada interval [0 1] secara

acak kemudian diurutkan dari yang terkecil hingga terbesar. Penentuan dimensi

untuk modifikasi selengkapnya dapat dilihat pada Tabel 4.19



59

Tabel 4.19 Penentuan Dimensi untuk Modifikasi

Dimensi (lahan komponen)

1 2 3 4 5 6 7 8 9 10 11 12 13

Posisi 0.23 0.40 0.91 0.51 0.94 0.65 0.14 0.66 0.36 0.79 0.80 0.89 0.34

Bil.real secara acak (Modifikasi)

0.12 0.92 0.78 0.06 0.96 0.30 0.19 0.33 0.99 0.81 0.28 0.07 0.03

Urutan 4 11 9 2 12 7 5 8 13 10 6 3 1

Status M - - M - - - - - - - M M

Pada Tabel 4.19 dimensi dengan status M merupakan dimensi yang

terpilih untuk dimodifikasi yaitu dimensi (lahan komponen) ke 13,4,12, dan

1. Dengan cara yang sama lakukan penentuan dimensi yang akan

dimodifikasi untuk tiruan kucing-kucing yang lain.

Dibawah ini merupakan formulasi untuk menghitung nilai modifikasi

dari tiap dimensi yang terpilih.

1 ∗ ∗

Untuk k =1 (dimensi terpilih = 13)

1 ∗ 0,5 ∗

0.34 0.5 ∗ 0.34 0.17

Demikian pula untuk k = 4,12, dan 1 diperoleh:

0.51 0.5 ∗ 0.51 0.765

0.89 0.5 ∗ 0.89 1.335

0.23 0,5 ∗ 0.23 0.115

Hasil mutasi dari individu 2 yang didapatkan dari operasi yang

dipengaruhi oleh CDC, dan SRD ini biasa disebut disebut copy dari individu

2 , dinotasikan . Dalam algoritma ini setiap kucing mempunyai slot

memory yang disebut Seeking Memory Pool yang berfungsi menampung

sebanyak SMP-1 copy dari individu 2 . Semua copy didapatkan dengan



60

melakukan perulangan semua langkah modifikasi hingga SMP-1 kali.

Secara lengkap kandidat solusi dalam Seeking Memory Pool individu 2

dapat dilihat pada Tabel 4.20

Tabel 4.20 Kandidat Solusi Dalam Seeking Memory Pool Individu 2

Kandidat Solusi

Lahan Komponen 1 2 3 4 5 6 7 8 9 10 11 12 13

Modif 0.115 0.4 0.91 0.765 0.94 0.65 0.07 0.99 0.36 0.79 0.8 0.89 0.34

Modif

0.115 0.4 0.91 0.765 0.94 0.65 0.14 0.66 0.36 0.79 0.8 1.335 0.17

Modif

0.23 0.4 0.91 0.765 0.94 0.975 0.14 0.66 0.36 0.79 0.8 1.335 0.17

Modif

0.115 0.4 0.455 0.51 0.94 0.65 0.07 0.66 0.36 0.79 0.8 1.335 0.34

Semua kandidat solusi dalam Seeking Memory Pool individu 2

kemudian dicari representasi permutasinya untuk keperluan evaluasi area

yang terpakai dan nilai fitness. Representasi Permutasi dalam Seeking

Memory Pool individu 2 dapat dilihat selengkapnya dalam Tabel 4.21

Tabel 4.21 Representasi Permutasi dalam SMP-1 individu 2 dan

Fleksibilitas


1 2 3 4 5 6 7 8 9 10 11 12 13

2 5 12 7 11 6 1 13 4 8 9 10 3

Dimensi Ukuran 2 1 2 1 1 4 2 2 3 1 5 4 1

1 5 11 8 12 6 2 7 4 9 10 13 3

Dimensi Ukuran 4 4 2 2 1 1 2 1 1 5 4 5 2

3 5 10 7 11 12 1 6 4 8 9 13 2

Dimensi Ukuran 3 5 4 4 4 2 2 1 2 1 1 1 2

2 5 6 7 12 8 1 9 4 10 11 13 3

Dimensi Ukuran 2 1 4 4 2 4 2 1 4 1 1 1 1



61

Dengan prosedur yang sama dengan perhitungan area lahan yang

terpakai dalam populasi awal, dan perhitungan nilai fitness dalam populasi

awal didapatkan hasil seperti dalam Tabel 4.22

Tabel 4.22 Tinggi dan Nilai Fitness

Individu Tinggi Nilai fitness

110 0.00909

100 0.01

90 0.01111

95 0.01053

Selanjutnya akan dihitung probabilitas terpilih masing-masing kandidat

dalam Seeking Memory Pool berdasarkan formulasi dibawah ini :

1,2, … ,

Sebagai contoh berikut dihitung probabilitas terpilih dari

0.01111 0.009090.01111 0.00909

1

Dengan cara yang sama, diterapkan terhadap setiap copy individu 2.

Sehingga didapatkan hasil pada Tabel 4.23

Tabel 4.23 Probabilitas Terpilih SMP-1 Individu 2

Individu Nilai fitness Probabilitas Terpilih

0.00909 0

0.01 0.45049

0.01111 1

0.01053 0.71287



62

Total probabilitas terpilih dari Tabel 4.23 adalah 2.16336 , untuk

mendapatkan distribusi peluang masing-masing individu dalam roulette

wheel maka dilakukanlah perhitungan Probabilitas Relatif (Relative

Probability) dengan formulasi:

Sebagai contoh dihitung probabilitas relative dari

1

2.163360.46224

Hasil selengkapnya dapat dilihat pada Tabel 4.24

Tabel 4.24 Probabilitas Relatif SMP Individu 2

Individu Nilai fitness Probabilitas Terpilih Probabilitas Relatif

0.00909 0 0

0.01 0.45049 0.20824

0.01111 1 0.46224

0.01053 0.71287 0.32952

Proses pemilihan posisi baru dari individu 2 dilakukan dengan prosedur

seleksi roulette wheel, Prosedur seleksi roulette wheel dapat dilakukan

dengan cara menyebar probabilitas terpilih kumulatif setiap individu dalam

garis bilangan 0-1 kemudian membangkitkan satu bilangan acak secara

random untuk memilih posisi baru bagi individu yang berkaitan.

Formulasi untuk menghitung probabilitas terpilih kumulatif adalah

sebagai berikut :

0

. . .

1,2,3, … ,

Selengkapnya hasil pemilihan update posisi individu 2 , dengan seleksi

roulette wheel diperlihatkan dalam Tabel 4.25



63

Tabel 4.25 Roulette Wheel Individu 2

Individu Probabilitas Terpilih Kumulatif Status Individu

0 -

0.20824 Terpilih

0.67048 -

1 -

Dalam Tabel 4.25 dilakukan pembangkitan satu bilangan real secara

acak yaitu r = 0.13696, ini berarti secara probabilitas, terpilih

sebagai posisi pengganti dari , karena bilangan r berada dalam interval

probabilitas terpilih kumulatif dari , dapat dituliskan:

0 0.20824

Dari tahapan ini individu 2 mengupdate posisinya menjadi sama dengan

posisi dari .

Update local best seeking dilakukan dengan cara mengambil lahan

komponen terbaik dari Seeking Memory Pool individu 2 yaitu :


1 2 3 4 5 6 7 8 9 10 11 12 13

1 5 11 8 12 6 2 7 4 9 10 13 3

Dimensi Ukuran 4 4 2 2 1 1 2 1 1 5 4 5 2

Selanjutnya akan ditentukan solusi terbaik dari individu kucing tiruan 2.

Individu terbaik adalah individu yang memiliki tinggi terkecil. Berdasarkan

Tabel 4.22 dapat dilihat bahwa individu yang memiliki tinggi terkecil

adalah individu . Karena tinggi , maka

menjadi solusi terbaik sementara.

Individu Urutan Lahan Komponen Masuk 1 2 3 4 5 6 7 8 9 10 11 12 13

3 5 10 7 11 12 1 6 4 8 9 13 2

Dimensi Ukuran 3 5 4 4 4 2 2 1 2 1 1 1 2



64

Dengan nilai tinggi sebesar 90 feet dengan urutan lahan komponen masuk 3-

5-10-7-11-12-1-6-4-8-9-13-2 dengan dimensi ukuran 3-5-4-4-4-2-2-1-2-1-1-

1-2.

Dengan cara yang sama individu 1 menggunakan slot Seeking Memory

Poolnya, yang berbeda adalah karena SPC individu 1 bernilai 0, maka slot

pertama dari Seeking Memory Pool individu 3 diisi oleh posisi dirinya

sendiri (posisi individu dipertahankan sebagai kandidat solusi) , Untuk

individu 3 dapat dilihat dalam Tabel 4.26

Tabel 4.26 Kandidat Solusi Dalam Seeking Memory Pool Individu 1

Kandidat Solusi

Lahan Komponen

1 2 3 4 5 6 7 8 9 10 11 12 13

0.84 0.09 0.71 0.29 0.16 0.60 0.81 0.92 0.99 0.08 0.26 0.69 0.63

0.84 0.09 0.71 0.29 0.16 0.60 0.81 0.92 0.99 0.08 0.26 0.69 0.63

0.84 0.09 0.71 0.29 0.16 0.60 0.81 0.92 0.99 0.08 0.26 0.69 0.63

0.84 0.09 0.71 0.29 0.16 0.60 0.81 0.92 0.99 0.08 0.26 0.69 0.63

Analog dengan proses mode seeking individu 2 , Semua kandidat solusi

dalam Seeking Memory Pool individu 1 kemudian dicari representasi

permutasinya untuk keperluan evaluasi tinggi dan nilai fitness . Representasi

Permutasi dalam Seeking Memory Pool individu 1 dapat dilihat

selengkapnya dalam Tabel 4.27

Tabel 4.27 Representasi Permutasi dalam SMP individu 1 dan

Fleksibilitas


1 2 3 4 5 6 7 8 9 10 11 12 13

6 3 9 5 4 11 10 12 13 1 2 8 7

Dimensi Ukuran 5 3 5 3 4 1 2 4 3 2 1 1 1

12 2 6 5 1 8 11 13 7 3 4 10 9

Dimensi Ukuran 2 2 1 3 1 2 4 4 4 1 5 2 1

7 2 6 5 3 11 10 12 13 1 4 9 8

Dimensi Ukuran 4 3 2 2 2 1 2 2 2 1 3 1 1



65


1 2 3 4 5 6 7 8 9 10 11 12 13

11 2 9 5 3 12 10 13 7 1 4 8 6

Dimensi Ukuran 1 1 5 5 1 2 1 4 2 2 5 1 1

Hasil evaluasi tinggi dan nilai fitness dari kandidat solusi dalam

Seeking Memory Pool individu 2 dapat dilihat dalam Tabel 4.28

Tabel 4.28 Tinggi dan Nilai Fitness SMP Individu 1

Individu Tinggi Nilai fitness

85 0.01176

97 0.01031

99 0.01010

90 0.01111

Nilai fitness individu dalam Tabel 4.28 dihitung nilai probabilitas

terpilihnya dengan operasi yang sama dengan individu 2. Hasil Perhitungan

Probabilitas Terpilih dan Probabilitas Relatif pada Seeking Memory Pool

individu 2 dapat dilihat dalam Tabel 4.29

Tabel 4.29 Probabilitas Terpilih dan Probabilitas Relatif SMP Individu 1 (

Individu Nilai fitness Probabilitas Terpilih Probabilitas Relatif

0.01176 1 0.57639

0.01031 0.12651 0.07292

0.01010 0 0

0.01111 0.60843 0.35068

Nilai Probabilitas Relatif dari masing-masing kandidat solusi dalam

Seeking Memory Pool individu 2, kemudian dihitung nilai kumulatifnya

untuk melakukan seleksi roulette wheel. Selengkapnya hasil pemilihan



66

update posisi individu 2, dengan seleksi roulette wheel, dan menggunakan r

= 0,23135 dapat dilihat dalam Tabel 4.30

Tabel 4.30 Roulette Wheel Individu 1

Individu Probabilitas Terpilih Kumulatif Status Individu

0.57639 Tepilih

0.64391 -

0.64391 -

1 -

terpilih sebagai posisi pengganti dari , karena bilangan r

berada dalam interval probabilitas terpilih kumulatif dari , dapat

dituliskan:

0 0.57639

Dari tahapan ini individu 1 mengupdate posisinya menjadi sama dengan

posisi dari .

Update local best seeking dilakukan dengan cara mengambil lahan

komponen terbaik dari Seeking Memory Pool individu 1 yaitu :


1 2 3 4 5 6 7 8 9 10 11 12 13

6 3 9 5 4 11 10 12 13 1 2 8 7

Dimensi Ukuran 5 3 5 3 4 1 2 4 3 2 1 1 1

Dengan nilai fitness yang diperoleh adalah 0.01176 dan tinggi 85 feet

dengan urutan lahan komponen masuk 6-3-9-5-4-11-10-12-13-1-2-8-7 dan

dimensi ukuran 5-3-5-3-4-1-2-4-3-2-1-1-1.

Setelah semua individu dalam seeking mode selesai diproses maka

langkah selanjutnya adalah menentukan gbest seeking yaitu solusi

sementara dari seeking mode. Oleh karena fungsi tujuan dari alokasi lahan



67

adalah mencari nilai tinggi minimum maka gbest seeking dapat ditentukan

dengan cara berikut:

gbest seeking = min ( , )

= min (85,90)

= 85

Jadi individu terpilih sebagai gbest seeking dengan urutan

sebagai berikut:


1 2 3 4 5 6 7 8 9 10 11 12 13

6 3 9 5 4 11 10 12 13 1 2 8 7

Dimensi Ukuran 5 3 5 3 4 1 2 4 3 2 1 1 1

Dengan nilai fitness yang diperoleh adalah 0.01176 dan tinggi 85 feet

dengan urutan lahan komponen masuk 6-3-9-5-4-11-10-12-13-1-2-8-7 dan

dimensi ukuran 5-3-5-3-4-1-2-4-3-2-1-1-1.

Langkah 10: Simulated Annealing

Karena pada proses tracing mode dan seeking mode terburuk pada

tracing mode yaitu individu maka akan dilakukan proses annealing.

a. Modifikasi

Modifikasi solusi dapat dilakukan dengan pencarian lokal. Solusi

semula adalah

1.627 0.4483 1.0769 0.9479 1.048 1.0672 0.9909 1.7189 0.8267 0.9857 1.2582 0.6328 1.46

Dengan tinggi sebasar 100 feet.

b. Pencarian Lokal

Pencarian lokal yang digunakan adalah resiprochal exchange

mutation. Memilih secara acak dua lokus, misal terpilih lokus 3 dan

lokus 4, sehingga:

0.8267 0.4483 1.0769 0.9479 1.048 1.0672 0.9909 1.7189 1.627 0.9857 1.2582 0.6328 1.46



68

Setelah dilakukan proses resiprochal exchange mutation maka

diperoleh urutan lahan komponen pada individu modifikasi yang

ditunjukan pada Tabel 4.31

Tabel 4.31 Urutan lahan komponen masuk setelah modifikasi

Kucing Urutan Lahan Komponen Masuk

1 2 3 4 5 6 7 8 9 10 11 12 13

3 1 9 4 7 8 6 13 12 5 10 2 11

Dimensi Ukuran 2 4 4 5 2 2 2 4 3 3 2 2 2

Diperoleh tinggi sebesar 80 feet dengan urutan lahan komponen masuk 3-1-

9-4-7-8-6-13-12-5-10-2-11 dengan dimensi ukuran 2-4-4-5-2-2-2-4-3-3-2-2-

2. Sehingga modifikasi menggantikan .

c. Penurunan Suhu

100 0.9100

100 90

10

Cek suhu:

Suhu baru 10

Suhu akhir 20

Karena , 10 <20, maka proses berhenti.

Jadi, solusi dari simulated annealing adalah dengan tinggi sebesar 80

feet dengan urutan lahan komponen masuk 3-1-9-4-7-8-6-13-12-5-10-2-

11 dengan dimensi ukuran 2-4-4-5-2-2-2-4-3-3-2-2-2.

Langkah 11: Menentukan Solusi Terbaik dari Hybrid Algoritma Cat

Swarm Optimization dan Simulated Annealing

Proses akhir adalah menentukan Land Allocation menggunakan Hybrid

Algoritma Cat Swarm Optimization dan Simulated Annealing , yaitu:



69

min ,

min 85,80

80

Jadi, solusi terbaik dari iterasi 1 dari Hybrid Algoritma Cat Swarm

Optimization dan Simulated Annealing untuk Land Allocation adalah

dari algoritma Simulated Annealing.


1 2 3 4 5 6 7 8 9 10 11 12 13

3 1 9 4 7 8 6 13 12 5 10 2 11

Dimensi Ukuran 2 4 4 5 2 2 2 4 3 3 2 2 2

Dengan tinggi sebesar 80 feet dengan urutan lahan komponen masuk 3-1-

9-4-7-8-6-13-12-5-10-2-11 dengan dimensi ukuran 2-4-4-5-2-2-2-4-3-3-

2-2-2.

4.5 Program

Untuk mempermudah penyelesaian masalah land allocation dengan

hybrid algoritma Cat Swarm Optimization (CSO) dan Simulated Annealing

(SA) maka dibuat program menggunakan software Borland C++

4.6 Implementasi Program pada Contoh Kasus Land Allocation

Program hybrid algoritma Cat Swarm Optimization (CSO) dan

Simulated Annealing (SA) yang telah dibuat, diimplementasikan pada data

dengan 13 lahan komponen dan 75 lahan komponen. Source code program

dapat dilihat pada Lampiran 2.

4.6.1 Menggunakan Data 13 Lahan Komponen

Berikut ini perbandingan solusi terbaik dari 13 lahan komponen yang

dihasilkan dengan nilai Seeking Memory Pool (SMP) = 4 , Seeking Range



70

Dimension (SRD) = 0.6 , Mixing Ratio (MR) = 0.3 , 1000,

1, 0.2, c = 2, serta mengganti nilai jumlah kucing (m),

max.iterasi, dan CDC

Tabel 4.32 Perbandingan Solusi Terbaik Data 13 Lahan Komponen

Max. Iterasi

Jumlah Kucing (m)

CDC 0.1 0.4 0.8

10 10 77 85 86 50 75 80 80 100 70 76 78

100 10 64 72 71 50 64 67 67 100 61 66 66

500 10 59 64 66 50 56 56 64 100 50 60 58

Dari Tabel 4.32 dapat dilihat bahwa solusi terbaik yang dihasilkan

adalah 50 feet dengan urutan 3 11 10 7 4 2 6 8 1 13 9 5 12 dengan dimensi

ukuran 2 5 5 5 1 4 4 1 2 1 5 1 1. Dalam hal ini semakin besar nilai parameter

maksimal iterasi dan jumlah kucing (m) maka solusi yang dihasilkan

cenderung semakin baik pula.

4.6.2 Menggunakan Data 75 Lahan Komponen

Berikut ini perbandingan solusi terbaik dari 75 lahan komponen yang

dihasilkan dengan nilai Seeking Memory Pool (SMP) = 4 , Seeking Range

Dimension (SRD) = 0.6 , Mixing Ratio (MR) = 0.3 , 1000,

1, 0.2, c = 2, serta mengganti nilai jumlah kucing (m),

max.iterasi, dan CDC.



71

Tabel 4.33 Perbandingan Solusi Terbaik Data 75 Lahan Komponen

Max. Iterasi

Jumlah Kucing (m)

CDC 0.1 0.4 0.8

10 10 324 318 342 50 332 313 321 100 288 302 319

100 10 288 291 295 50 284 281 292 100 268 261 282

500 10 260 256 262 50 257 255 257 100 246 251 222

Dari Tabel 4.33 dapat dilihat bahwa solusi terbaik yang dihasilkan

adalah 222 meter dengan urutan 13 72 37 68 41 51 62 7 55 53 44 4

22 39 74 6 64 30 25 27 63 69 15 17 33 28 23 5 56 12 11 42 29

34 19 10 40 57 14 43 49 20 66 2 58 50 70 59 21 47 65 35 67 3

9 61 75 16 73 54 26 48 52 18 45 8 36 46 60 32 71 31 38 1 24

dengan dimensi ukuran 2 3 4 2 3 3 1 4 1 5 5 4 1 4 3 3 2 3 1 1 3 1 2 2 3 4 2 4

1 4 2 4 1 2 3 1 1 4 2 2 5 3 4 2 3 5 5 2 1 5 3 3 1 2 4 3 5 3 2 1 5 5 5 2 1 2 1 5 2

3 4 2 3 2 3. Dalam hal ini semakin besar nilai parameter maksimal iterasi

dan jumlah kucing (m) maka solusi yang dihasilkan cenderung semakin baik

pula.



72

4.6 Perbandingan Solusi dengan Algoritma Lain

Solusi yang dihasilkan dari penataan lahan komponen dengan data 75 lahan

komponen seperti yang ditulis oleh Egy Rifki Yuda, 2015. Perbandingan

solusi telah ditambahkan dengan solusi yang dihasilkan oleh hybrid algoritma

cat swarm optimization dan simulated annealing. Disajikan pada Tabel 4.34

Tabel 4.34 Perbandingan Solusi yang Dihasilkan oleh Ketiga Algoritma

Algoritma Total tinggi lahan

Genetic Algorithm 383

Firefly Algorithm 247

Hybrid cat swarm optimization and

simulated annealing Algorithm 222

Dengan demikian, solusi yang dihasilkan oleh Hybrid cat swarm optimization

and simulated annealing Algorithm merupakan solusi terbaik dibandingkan

dengan Genetic Algorithm dan Firefly Algorithm.



72

BAB V

KESIMPULAN DAN SARAN

Pada bab ini akan dijelaskan mengenai kesimpulan dan saran hybrid

algoritma Cat Swarm Optimization (CSO) dan Simulated Annealing (SA) pada

masalah land allocation.

5.1 Kesimpulan.

1. Hybrid algoritma cat swarm optimization dan simulated annealing dapat

digunakan untuk menyelesaikan permasalahan land allocation.

2. Program untuk menyelesaikan permasalahan land allocation dengan

menggunakan hybrid algoritma cat swarm optimization dan simulated

annealing dapat dibuat dengan bahasa pemrograman C++ dengan

software Borland C++ 5.0.2.

3. Implementasi program untuk contoh kasus menggunakan data 13 lahan

komponen, diperoleh nilai fungsi tujuan terbaik yaitu sebesar 50 feet.

Untuk data 75 lahan komponen, diperoleh nilai fungsi tujuan terbaik

sebesar 222 meter. Dengan menggunakan parameter yang berbeda dapat

mempengaruhi solusi yang didapatkan. Semakin besar nilai parameter

jumlah kucing dan maks_iterasi, maka solusi yang didapat semakin baik.

5.2 Saran

Untuk penelitian selanjutnya dapat dilakukan hal sebagai berikut:

1. Permasalahan dapat dikembangkan dengan menggunakan permasalahan

land allocation dengan bentuk selain segi empat.

2. Permasalahan dapat diselesaikan dengan menggunakan algoritma atau

metode yang lain.



73

DAFTAR PUSTAKA

Callaghan, A.R., Nair, A.R., and Lewis, K.E., 1999, An Extension Of The Orthogonal Packing Problem Through Dimensional Flexibility, ASME Design Engineering Technical Conferences, Las Vegas, Nevada.

Chatrand, G. and Oellermann, O.R., 1993, Applied and Algorithmic Graph Theory, McGraw-Hill, New York.

Chibante, R., 2010, Simulated Annealing Theory and Aplication, Sciyo, Croatia

Chu, S.C and Tsai, P.W, 2007, “Computational Intellegence Based On Behaviour of Cat, International Journal of Innovative Computing, Taiwan

Dereli, T. dan Sena Das, G., 2006, A Hybrid Simulated Annealing Algorithm for 2D Packing Problems, Sakarya University, Turkey.

Gen, M. and Cheng, R., 1997, Genetic Algorithms and Engineering Design, John Wiley & Sons, New York.

Horowitz, E., Sahni, S., dan Rajasekaran, S., 2006, Computer Algorithms C++, Computer Science Press, New York.

Imahori, S., Yagiura, M., Ibaraki, T., 2007, Hybrid Metaheuristics for Packing Problems, Mathematical Engineering Technical Reports, University of Tokyo, Tokyo, Japan.

Kadir, A. dan Heriyanto, 2015, Algoritma Pemrograman Menggunakan C++, ANDI, Yogyakarta.

Milano, M. Dan Henternryck, P.V., 2010, Hybrid Optimization, Springer, New York.

Obitko, M., 1998, Genetic Algorithms, Czezh Technical University.

Stewart, T.J., Janssen, R., and Herwijen, M. Van, 2004, A Genetic Algorithm Approach to Multi-objective Land Use Planning, Netherland: Computer & Operations Research, 2293-2313.

Suryakumari, P, P. Kantarao, 2013, Power Loss Minimation Using CSO, International Journal of Application, India



Lampiran 1 - 1

Lampiran 1: Data Besar (75 Lahan Komponen)

No. No. Hak

Luas (

No. No. Hak

Luas (

No. No. Hak Luas (

1. B.607 320 26. B.669 308 51. B.641 300 2. B.608 300 27. B.670 308 52. B.642 300 3. B.609 300 28. B.671 308 53. B.674 308 4. B.610 300 29. B.672 308 54. B.721 450 5. B.611 300 30. B.673 308 55. B.725 450 6. B.612 300 31. B.681 720 56. B.727 450 7. B.613 300 32. B.716 450 57. B.730 560 8. B.614 300 33. B.717 450 58. B.731 480 9. B.615 300 34. B.718 450 59. B.728 450

10. B.616 450 35. B.719 450 60. B.729 450 11. B.617 460 36. B.720 450 61. B.732 450 12. B.618 300 37. B.722 480 62. B.668 456 13. B.619 300 38. B.691 486 63. B.708 456 14. B.620 300 39. B.625 300 64. B.709 456 15. B.621 300 40. B.626 300 65. B.710 456 16. B.622 300 41. B.628 300 66. B.704 456 17. B.623 300 42. B.629 300 67. B.741 450 18. B.624 300 43. B.630 300 68. B.723 480 19. B.627 320 44 B.631 300 69. B.742 450 20. B.634 200 45. B.632 300 70. B.733 300 21. B.635 480 46. B.633 300 71. B.734 300 22. B.712 940 47. B.635 300 72. B.735 300 23. B.660 324 48. B.638 300 73. B.738 300 24. B.715 560 49. B.639 300 74. B.739 300 25. B.707 456 50. B.640 300 75. B.749 300

Dengan fleksibilitas dimensi:

No. Luas (

Dimensi 1 2 3 4 5 6

1. 320 5x64 10x32 16x20 40x8 8x40 20x16 2. 300 5x60 10x30 12x25 15x20 20x15 25x12 3. 300 5x60 10x30 12x25 15x20 20x15 25x12 4. 300 5x60 10x30 12x25 15x20 20x15 25x12 5. 300 5x60 10x30 12x25 15x20 20x15 25x12 6. 300 5x60 10x30 12x25 15x20 20x15 25x12 7. 300 5x60 10x30 12x25 15x20 20x15 25x12 8. 300 5x60 10x30 12x25 15x20 20x15 25x12 9. 300 5x60 10x30 12x25 15x20 20x15 25x12

10. 450 5x90 10x45 15x30 30x15 45x10 90x5 11. 460 5x92 10x46 20x23 23x20 46x10 92x5 12. 300 5x60 10x30 12x25 15x20 20x15 25x12 13. 300 5x60 10x30 12x25 15x20 20x15 25x12 14. 300 5x60 10x30 12x25 15x20 20x15 25x12 15. 300 5x60 10x30 12x25 15x20 20x15 25x12



Lampiran 1 - 2

No Luas (m2)

Dimensi 1 2 3 4 5 6

17. 300 5x60 10x30 12x25 15x20 20x15 25x12 18. 300 5x60 10x30 12x25 15x20 20x15 25x12 19. 320 5x64 8x40 10x32 16x20 20x16 32x10 20. 200 4x50 5x40 10x20 20x10 40x5 50x4 21. 480 8x60 10x48 12x40 15x32 20x24 24x20 22. 940 5x188 10x94 20x47 47x20 94x10 188x5 23. 324 4x81 6x54 9x36 36x9 54x6 81x4 24. 560 4x140 5x112 8x70 10x56 20x28 28x20 25. 456 4x114 6x76 8x57 57x8 76x6 114x4 26. 308 4x77 7x44 14x22 22x14 44x7 77x4 27. 308 4x77 7x44 14x22 22x14 44x7 77x4 28. 308 4x77 7x44 14x22 22x14 44x7 77x4 29. 308 4x77 7x44 14x22 22x14 44x7 77x4 30. 308 4x77 7x44 14x22 22x14 44x7 77x4 31. 720 8x90 9x80 10x72 20x36 24x30 40x18 32. 450 5x90 10x45 15x30 30x15 45x10 90x5 33. 450 5x90 10x45 15x30 30x15 45x10 90x5 34. 450 5x90 10x45 15x30 30x15 45x10 90x5 35. 450 5x90 10x45 15x30 30x15 45x10 90x5 36. 450 5x90 10x45 15x30 30x15 45x10 90x5 37. 480 8x60 10x48 12x40 15x32 20x24 24x20 38. 486 3x162 6x81 9x54 54x9 81x6 162x3 39. 300 5x60 10x30 12x25 15x20 20x15 25x12 40. 300 5x60 10x30 12x25 15x20 20x15 25x12 41. 300 5x60 10x30 12x25 15x20 20x15 25x12 42. 300 5x60 10x30 12x25 15x20 20x15 25x12 43. 300 5x60 10x30 12x25 15x20 20x15 25x12 44 300 5x60 10x30 12x25 15x20 20x15 25x12 45. 300 5x60 10x30 12x25 15x20 20x15 25x12 46. 300 5x60 10x30 12x25 15x20 20x15 25x12 47. 300 5x60 10x30 12x25 15x20 20x15 25x12 48. 300 5x60 10x30 12x25 15x20 20x15 25x12 49. 300 5x60 10x30 12x25 15x20 20x15 25x12 50. 300 5x60 10x30 12x25 15x20 20x15 25x12 51. 300 5x60 10x30 12x25 15x20 20x15 25x12 52. 300 5x60 10x30 12x25 15x20 20x15 25x12 53. 308 4x77 7x44 14x22 22x14 44x7 77x4 54. 450 5x90 10x45 15x30 30x15 45x10 90x5 55. 450 5x90 10x45 15x30 30x15 45x10 90x5 56. 450 5x90 10x45 15x30 30x15 45x10 90x5 57. 560 5x90 10x45 15x30 30x15 45x10 90x5 58. 480 5x90 10x45 15x30 30x15 45x10 90x5 59. 450 5x90 10x45 15x30 30x15 45x10 90x5 60. 450 5x90 10x45 15x30 30x15 45x10 90x5 61. 450 5x90 10x45 15x30 30x15 45x10 90x5 62. 456 4x114 6x76 8x57 57x8 76x6 114x4 63. 456 4x114 6x76 8x57 57x8 76x6 114x4 64. 456 4x114 6x76 8x57 57x8 76x6 114x4 65. 456 4x114 6x76 8x57 57x8 76x6 114x4 66. 456 4x114 6x76 8x57 57x8 76x6 114x4 67. 450 5x90 10x45 15x30 30x15 45x10 90x5



Lampiran 1 - 3

No Luas (m2)

Dimensi 1 2 3 4 5 6

68. 480 8x60 10x48 12x40 15x32 20x24 24x20 69. 450 5x90 10x45 15x30 30x15 45x10 90x5 70. 300 5x60 10x30 12x25 15x20 20x15 25x12 71. 300 5x60 10x30 12x25 15x20 20x15 25x12 72. 300 5x60 10x30 12x25 15x20 20x15 25x12 73. 300 5x60 10x30 12x25 15x20 20x15 25x12 74. 300 5x60 10x30 12x25 15x20 20x15 25x12 75. 300 5x60 10x30 12x25 15x20 20x15 25x12

Sumber: Egy Rifky Yuda, 2015, Penerapan Algoritma Firefly untuk Permasalahan Land Allocation.



Lampiran 2 - 1

Lampiran 2: Source Code Program #include <iostream> #include <conio.h> #include <fstream> #include <stdlib.h> #include <time.h> #include <math.h> #include <iomanip.h> #include <cstring.h> //batasan input (string) string pilih_data_sampel,adjustment,adjustment2; //batasan input (int) int data_sampel,adjust,adjust2; //parameter-parameter dalam algoritma cso-sa (string) string kucing_string,smp_string,lebar_wadah_string,c1_string; string cdc_string,srd_string,mr_string; string alpha_string,suhu_awal_string,suhu_akhir_string; //parameter-parameter dalam algoritma cso-sa (final) int kucing,smp,lebar_wadah,c1,jumlahLahan,jumlahVariasi; double cdc,srd,mr,alpha,suhu_awal,suhu_akhir; //variabel pembaca data int himpunan_data[1000],ambil_data,tinggi_lahan[1000][1000]; int lebar_lahan[1000][1000]; //penentu iterasi int max_iterasi,iterasi,z,sum,choose; string max_iterasi_string; //elemen data cso double data_random[1000][1000],data_kecepatan[1000][1000]; double data_flag[1000]; int variasi_bentuk[1000][1000],ambil_lebar[1000][1000]; int urutan_Lahan_masuk[1000][1000],ambil_tinggi[1000][1000]; int jumlahtracing,jumlahseeking,flag[1000],spc[1000]; int grup_seeking[1000],grup_tracing[1000]; //elemen seeking double Memory_pool[1000][1000]; int terpilih[1000],write_dimension[1000][1000]; int seeking_counter,counter;



Lampiran 2 - 2

//pembanding dan fitness lahan int tinggi_total[1000],data_urutan_fungsitujuan[1000]; double nilai_fitness[1000]; //elemen memory pool int urutan_Lahan_masuk_mp[1000][1000],ambil_tinggi_mp[1000][1000],tinggi_total_mp[1000]; int variasi_bentuk_mp[1000][1000],ambil_lebar_mp[1000][1000]; double nilai_fitness_mp[1000],probabilitas[1000]; int indeks_bestseeking; double probabilitask[1000],probabilitasr[1000]; int indeks_terpilih_roulette; int doc_tinggi,doc_lahan[1000],doc_variasi[1000]; int tinggi_best,lahan_best[1000],variasi_best[1000]; double x_best[1000],copy_cat[1000]; //elemen tracing int doc_tinggi_tracing,doc_lahan_tracing[1000],doc_variasi_tracing[1000]; int tinggi_best_tracing,lahan_best_tracing[1000],variasi_best_tracing[1000]; //elemen form akhir int real_tinggi,real_lahan[1000],real_variasi[1000],status; //elemen SA double suhu_sekarang,tempSA,solusi_sa[1000],random_SA,suhu; int select_1,select_2,urutan_Lahan_masuk_sa[1000],mutatecounter,tinggi_total_copy[1000]; int variasi_bentuk_sa[1000],ambil_lebar_sa[1000],ambil_tinggi_sa[1000],tinggi_total_sa; //banner tampilan awal void receptionist() { cout<<endl; cout<<" ///////////////////////////////////////////////////////////////////////////"<<endl; cout<<" /// PROGRAM PENYELESAIAN LAND ALLOCATION DENGAN HYBRID ALGORITMA CSO-SA /// "<<endl; cout<<" ///////////////////////////////////////////////////////////////////////////"<<endl; cout<<endl; }



Lampiran 2 - 3

//pilihan data void optionist() { cout<<" Pilih Sampel Data Yang Akan Di Running : "<<endl<<endl; cout<<" 1) DATA KECIL ( 13 Lahan ) "<<endl<<endl; cout<<" 2) DATA BESAR ( 75 Lahan ) "<<endl<<endl; cout<<endl<<" Tentukan Pilihan Dalam Angka (1/2) : "; } void default_parameter() { if(data_sampel==1) { kucing=100; smp=4; cdc=0.1; srd=0.6; mr=0.3; alpha=0.2; c1=2; lebar_wadah=200; suhu_awal=1000; suhu_akhir=1; } if(data_sampel==2) { kucing=100; smp=4; cdc=0.8; srd=0.6; mr=0.3; alpha=0.2; c1=2; lebar_wadah=250; suhu_awal=1000; suhu_akhir=1; } } void view_parameter() { cout<<" Parameter Dalam Program : "<<endl<<endl; cout<<" 1) Jumlah Kucing : "<<kucing<<endl; cout<<" 2) Nilai SMP : "<<smp<<endl;



Lampiran 2 - 4

cout<<" 3) Nilai CDC : "<<cdc<<endl; cout<<" 4) Nilai SRD : "<<srd<<endl; cout<<" 5) Nilai MR : "<<mr<<endl; cout<<" 6) Nilai Alpha : "<<alpha<<endl; cout<<" 7) Nilai C1 : "<<c1<<endl; cout<<" 8) Nilai Lebar Wadah : "<<lebar_wadah<<endl; cout<<" 9) Suhu Awal : "<<suhu_awal<<endl; cout<<"10) Suhu Akhir : "<<suhu_akhir<<endl; cout<<endl<<" Ingin Rubah Parameter? (ya=1/tidak=2) : "; } void the_parameters() { receptionist(); default_parameter(); view_parameter(); } void revision_parameter() { cout<<" Parameter Dalam Program : "<<endl<<endl; cout<<" 1) Jumlah Kucing : "<<kucing<<endl; cout<<" 2) Nilai SMP : "<<smp<<endl; cout<<" 3) Nilai CDC : "<<cdc<<endl; cout<<" 4) Nilai SRD : "<<srd<<endl; cout<<" 5) Nilai MR : "<<mr<<endl; cout<<" 6) Nilai Alpha : "<<alpha<<endl; cout<<" 7) Nilai C1 : "<<c1<<endl; cout<<" 8) Nilai Lebar Wadah : "<<lebar_wadah<<endl; cout<<" 9) Suhu Awal : "<<suhu_awal<<endl; cout<<"10) Suhu Akhir : "<<suhu_akhir<<endl; cout<<endl<<" Apakah Parameter Sudah Benar (ya=1/tidak=2) : "; } void permutasi_Lahan_masuk() { int i, j, maksIndeks; double variabelsementara; double kucing_sementara[1000]; double kucing_matching[1000]; for(int ke=0;ke<kucing;ke++) {



Lampiran 2 - 5

for(int u=0;u<jumlahLahan;u++) { kucing_sementara[u]=data_random[ke][u]; } for(int u=0;u<jumlahLahan;u++) { kucing_matching[u]=data_random[ke][u]; } for (i=0;i<jumlahLahan-1;i++) { maksIndeks = i; for (j=i+1;j<jumlahLahan;j++) { if (kucing_sementara[j]>kucing_sementara[maksIndeks]) { maksIndeks=j; } } if(j!=i) { variabelsementara=kucing_sementara[i]; kucing_sementara[i]=kucing_sementara[maksIndeks]; kucing_sementara[maksIndeks]=variabelsementara; } } for (int j=0;j<jumlahLahan;j++) { int match=0; for (int k=0;k<jumlahLahan;k++) { if(match==0) { if(kucing_sementara[j]==kucing_matching[k]) { kucing_matching[k]=-1; urutan_Lahan_masuk[ke][j] = k + 1; match++; }



Lampiran 2 - 6

} } } } } void permutasi_Lahan_masuk_mp() { int i, j, maksIndeks; double variabelsementara; double kucing_sementara[1000]; double kucing_matching[1000]; for(int ke=0;ke<smp;ke++) { for(int u=0;u<jumlahLahan;u++) { kucing_sementara[u]=Memory_pool[ke][u]; } for(int u=0;u<jumlahLahan;u++) { kucing_matching[u]=Memory_pool[ke][u]; } for (i=0;i<jumlahLahan-1;i++) { maksIndeks = i; for (j=i+1;j<jumlahLahan;j++) { if (kucing_sementara[j]>kucing_sementara[maksIndeks]) { maksIndeks=j; } } if(j!=i) { variabelsementara=kucing_sementara[i]; kucing_sementara[i]=kucing_sementara[maksIndeks]; kucing_sementara[maksIndeks]=variabelsementara;



Lampiran 2 - 7

} } for (int j=0;j<jumlahLahan;j++) { int match=0; for (int k=0;k<jumlahLahan;k++) { if(match==0) { if(kucing_sementara[j]==kucing_matching[k]) { kucing_matching[k]=-1; urutan_Lahan_masuk_mp[ke][j] = k + 1; match++; } } } } } } void akses_Lahan() { for(int i=0;i<kucing;i++) { for(int j=0;j<jumlahLahan;j++) { int ambil_individu=urutan_Lahan_masuk[i][j]; int ambil_variasi=variasi_bentuk[i][j]; ambil_lebar[i][j]=lebar_lahan[ambil_individu-1][ambil_variasi]; ambil_tinggi[i][j]=tinggi_lahan[ambil_individu-1][ambil_variasi]; } } } void akses_Lahan_mp() {



Lampiran 2 - 8

for(int i=0;i<smp;i++) { for(int j=0;j<jumlahLahan;j++) { int ambil_individu=urutan_Lahan_masuk_mp[i][j]; int ambil_variasi=variasi_bentuk_mp[i][j]; ambil_lebar_mp[i][j]=lebar_lahan[ambil_individu-1][ambil_variasi]; ambil_tinggi_mp[i][j]=tinggi_lahan[ambil_individu-1][ambil_variasi]; } } } void fungsi_tujuan_land_allocation() { int lebar_slot[1000],tinggi_slot[1000]; for(int i=0;i<kucing;i++) { for(int j=0;j<jumlahLahan;j++) { int ambil_lebar_Lahan=ambil_lebar[i][j]; int ambil_tinggi_Lahan=ambil_tinggi[i][j]; if(j==0) { if(ambil_lebar_Lahan<=lebar_wadah) { lebar_slot[j]=lebar_wadah-ambil_lebar_Lahan; tinggi_slot[j]=ambil_tinggi_Lahan; } else { lebar_slot[j]=lebar_wadah-ambil_tinggi_Lahan; tinggi_slot[j]=ambil_lebar_Lahan; } } else if(j!=0) { int pas=0; for(int k=0;k<j;k++) { int periksa_lebarslot=lebar_slot[k]; int periksa_tinggislot=tinggi_slot[k];



Lampiran 2 - 9

if(ambil_lebar_Lahan<=periksa_lebarslot&&ambil_tinggi_Lahan<=periksa_tinggislot) { for(int l=j;l>k+1;l--) { int h=lebar_slot[l-1]; int g=tinggi_slot[l-1]; lebar_slot[l]=h; tinggi_slot[l]=g; } lebar_slot[k+1]=periksa_lebarslot; tinggi_slot[k+1]=periksa_tinggislot-ambil_tinggi_Lahan; lebar_slot[k]=periksa_lebarslot-ambil_lebar_Lahan; tinggi_slot[k]=ambil_tinggi_Lahan; pas=1; break; } else if(ambil_tinggi_Lahan<=periksa_lebarslot&&ambil_lebar_Lahan<=periksa_tinggislot) { for(int l=j;l>k+1;l--) { int h=lebar_slot[l-1]; int g=tinggi_slot[l-1]; lebar_slot[l]=h; tinggi_slot[l]=g; } lebar_slot[k+1]=periksa_lebarslot; tinggi_slot[k+1]=periksa_tinggislot-ambil_lebar_Lahan; lebar_slot[k]=periksa_lebarslot-ambil_tinggi_Lahan; tinggi_slot[k]=ambil_tinggi_Lahan; pas=1; break; } }



Lampiran 2 - 10

if(pas!=1) { if(ambil_lebar_Lahan<=lebar_wadah) { lebar_slot[j]=lebar_wadah-ambil_lebar_Lahan; tinggi_slot[j]=ambil_tinggi_Lahan; } else { lebar_slot[j]=lebar_wadah-ambil_tinggi_Lahan; tinggi_slot[j]=ambil_lebar_Lahan; } } } } int tinggi=0; for(int j=0;j<jumlahLahan;j++) { tinggi=tinggi+tinggi_slot[j]; } tinggi_total[i]=tinggi; } } void fungsi_tujuan_land_allocation_mp() { int lebar_slot[1000],tinggi_slot[1000]; for(int i=0;i<smp;i++) { for(int j=0;j<jumlahLahan;j++) { int ambil_lebar_Lahan=ambil_lebar_mp[i][j]; int ambil_tinggi_Lahan=ambil_tinggi_mp[i][j]; if(j==0) { if(ambil_lebar_Lahan<=lebar_wadah) {



Lampiran 2 - 11

lebar_slot[j]=lebar_wadah-ambil_lebar_Lahan; tinggi_slot[j]=ambil_tinggi_Lahan; } else { lebar_slot[j]=lebar_wadah-ambil_tinggi_Lahan; tinggi_slot[j]=ambil_lebar_Lahan; } } else if(j!=0) { int pas=0; for(int k=0;k<j;k++) { int periksa_lebarslot=lebar_slot[k]; int periksa_tinggislot=tinggi_slot[k]; if(ambil_lebar_Lahan<=periksa_lebarslot&&ambil_tinggi_Lahan<=periksa_tinggislot) { for(int l=j;l>k+1;l--) { int h=lebar_slot[l-1]; int g=tinggi_slot[l-1]; lebar_slot[l]=h; tinggi_slot[l]=g; } lebar_slot[k+1]=periksa_lebarslot; tinggi_slot[k+1]=periksa_tinggislot-ambil_tinggi_Lahan; lebar_slot[k]=periksa_lebarslot-ambil_lebar_Lahan; tinggi_slot[k]=ambil_tinggi_Lahan; pas=1; break; } else if(ambil_tinggi_Lahan<=periksa_lebarslot&&ambil_lebar_Lahan<=periksa_tinggislot) { for(int l=j;l>k+1;l--) {



Lampiran 2 - 12

int h=lebar_slot[l-1]; int g=tinggi_slot[l-1]; lebar_slot[l]=h; tinggi_slot[l]=g; } lebar_slot[k+1]=periksa_lebarslot; tinggi_slot[k+1]=periksa_tinggislot-ambil_lebar_Lahan; lebar_slot[k]=periksa_lebarslot-ambil_tinggi_Lahan; tinggi_slot[k]=ambil_tinggi_Lahan; pas=1; break; } } if(pas!=1) { if(ambil_lebar_Lahan<=lebar_wadah) { lebar_slot[j]=lebar_wadah-ambil_lebar_Lahan; tinggi_slot[j]=ambil_tinggi_Lahan; } else { lebar_slot[j]=lebar_wadah-ambil_tinggi_Lahan; tinggi_slot[j]=ambil_lebar_Lahan; } } } } int tinggi=0; for(int j=0;j<jumlahLahan;j++) { tinggi=tinggi+tinggi_slot[j]; } tinggi_total_mp[i]=tinggi; } }



Lampiran 2 - 13

void hitung_nilai_fitness() { for(int i=0;i<kucing;i++) { nilai_fitness[i]=1/tinggi_total[i]; } } void hitung_nilai_fitness_mp() { for(int i=0;i<smp;i++) { nilai_fitness_mp[i]=1/tinggi_total_mp[i]; } } void class_penempatan_flag() { int flag_queque[1000],temp_queque; double flag_acak[1000],temp_flag; for(int i=0;i<kucing;i++) { flag_queque[i]=i; } for(int i=0;i<kucing;i++) { flag_acak[i]=data_flag[i]; } for(int k=0;k<4*kucing;k++) { for(int l=0;l<kucing-1;l++) { if(flag_acak[l]<flag_acak[l+1]) { temp_flag=flag_acak[l]; flag_acak[l]=flag_acak[l+1]; flag_acak[l+1]=temp_flag; temp_queque=flag_queque[l]; flag_queque[l]=flag_queque[l+1]; flag_queque[l+1]=temp_queque;



Lampiran 2 - 14

} } } for(int t=0;t<jumlahtracing;t++) { flag[flag_queque[t]]=0; } for(int t=jumlahtracing;t<kucing;t++) { flag[flag_queque[t]]=1; } } void class_urutan_tinggi_lahan() { double fungsi_tujuan_temp[1000],fungsi_tujuan_cek[1000],temp_var; int indeks_min,j; for(int u=0;u<kucing;u++) { fungsi_tujuan_temp[u]=tinggi_total[u]; } for(int u=0;u<kucing;u++) { fungsi_tujuan_cek[u]=tinggi_total[u]; } for (int h=0;h<kucing-1;h++) { indeks_min=h; for(j=h+1;j<kucing;j++) { if (fungsi_tujuan_temp[j]<fungsi_tujuan_temp[indeks_min]) { indeks_min=j; } } if(j!=h) { temp_var=fungsi_tujuan_temp[h];



Lampiran 2 - 15

fungsi_tujuan_temp[h]=fungsi_tujuan_temp[indeks_min]; fungsi_tujuan_temp[indeks_min]=temp_var; } } for (int k=0;k<kucing;k++) { int cocok=0; for (int l=0;l<kucing;l++) { if(cocok==0) { if(fungsi_tujuan_temp[k]==fungsi_tujuan_cek[l]) { fungsi_tujuan_cek[l]=-1; data_urutan_fungsitujuan[k]=l; cocok++; } } } } } void class_klasifikasi_kucing() { int tracing=0; int seeking=0; for(int member=0;member<kucing;member++) { if(flag[member]==0) { grup_tracing[tracing]=member; tracing++; } else if(flag[member]==1) { grup_seeking[seeking]=member; seeking++; } } }



Lampiran 2 - 16

void class_penentuan_xbest() { for(int i=0;i<jumlahLahan;i++) { x_best[i]=data_random[data_urutan_fungsitujuan[0]][i]; } } void pilihan_variasi_mp() { randomize(); for(int i=0;i<smp;i++) { for(int j=0;j<jumlahLahan;j++) { int var=random(5); variasi_bentuk_mp[i][j]=var; } } } void hitungprobabilitasterpilih() { double minimal,maksimal,perbedaanmp; minimal=tinggi_total_mp[0]; for(int member=0;member<smp;member++) { if(minimal>tinggi_total_mp[member]) { minimal=tinggi_total_mp[member]; indeks_bestseeking=member; } } maksimal=tinggi_total_mp[0]; for(int member=0;member<smp;member++) {



Lampiran 2 - 17

if(maksimal<tinggi_total_mp[member]) { maksimal=tinggi_total_mp[member]; } } perbedaanmp=maksimal-minimal; if(perbedaanmp==0) { for(int member=0;member<smp;member++) { probabilitas[member]=1; } } else if(perbedaanmp!=0) { for(int member=0;member<smp;member++) { probabilitas[member]=tinggi_total_mp[member]-minimal/perbedaanmp; } } } void roulettewheel(int indeks_kucing,double random_smp) { double totalprobabilitas; totalprobabilitas=0; for(int member=0;member<smp;member++) { totalprobabilitas=totalprobabilitas+probabilitas[member]; } for(int member=0;member<smp;member++) { probabilitasr[member]=probabilitas[member]/totalprobabilitas; } for(int member=0;member<smp;member++)



Lampiran 2 - 18

{ if(member!=0) { probabilitask[member]=probabilitask[member-1]+probabilitasr[member]; } else if(member==0) { probabilitask[member]=probabilitasr[member]; } } for(int member=0;member<smp;member++) { if(random_smp>probabilitask[member-1]&&random_smp<probabilitask[member]) { indeks_terpilih_roulette=member; for(int time=0;time<jumlahLahan;time++) { data_random[indeks_kucing][time]=Memory_pool[indeks_terpilih_roulette][time]; variasi_bentuk[indeks_kucing][time]=variasi_bentuk_mp[indeks_terpilih_roulette][time]; } } } } void simpan_terbaik_seeking() { doc_tinggi=tinggi_total_mp[indeks_bestseeking]; for(int i=0;i<jumlahLahan;i++) { doc_lahan[i]=urutan_Lahan_masuk_mp[indeks_bestseeking][i]; doc_variasi[i]=variasi_bentuk_mp[indeks_bestseeking][i]; } if(seeking_counter==0) {



Lampiran 2 - 19

tinggi_best=doc_tinggi; for(int i=0;i<jumlahLahan;i++) { lahan_best[i]=doc_lahan[i]; variasi_best[i]=doc_variasi[i]; } } else if(seeking_counter!=0) { if(tinggi_best>doc_tinggi) { tinggi_best=doc_tinggi; for(int i=0;i<jumlahLahan;i++) { lahan_best[i]=doc_lahan[i]; variasi_best[i]=doc_variasi[i]; } } } } void copy_tinggi_cat() { for(int i=0;i<kucing;i++) { tinggi_total_copy[i]=tinggi_total[i]; } } void class_penentuan_terbaik_tracing() { doc_tinggi_tracing=tinggi_total[data_urutan_fungsitujuan[0]]; for(int i=0;i<jumlahLahan;i++) { doc_lahan_tracing[i]=urutan_Lahan_masuk[data_urutan_fungsitujuan[0]][i]; doc_variasi_tracing[i]=variasi_bentuk[data_urutan_fungsitujuan[0]][i]; }



Lampiran 2 - 20

if(iterasi==1) { tinggi_best_tracing=doc_tinggi_tracing; for(int i=0;i<jumlahLahan;i++) { lahan_best_tracing[i]=doc_lahan_tracing[i]; variasi_best_tracing[i]=doc_variasi_tracing[i]; } } else if(iterasi!=1) { if(tinggi_best_tracing>doc_tinggi_tracing) { tinggi_best_tracing=doc_tinggi_tracing; for(int i=0;i<jumlahLahan;i++) { lahan_best_tracing[i]=doc_lahan_tracing[i]; variasi_best_tracing[i]=doc_variasi_tracing[i]; } } } } void compare_best_tracing_dan_best_seeking() { if(tinggi_best_tracing<tinggi_best) { real_tinggi=tinggi_best_tracing; for(int i=0;i<jumlahLahan;i++) { real_lahan[i]=lahan_best_tracing[i]; real_variasi[i]=variasi_best_tracing[i]; } } else if(tinggi_best<tinggi_best_tracing) {



Lampiran 2 - 21

real_tinggi=tinggi_best; for(int i=0;i<jumlahLahan;i++) { real_lahan[i]=lahan_best[i]; real_variasi[i]=variasi_best[i]; } } } void form_hasil_akhir() { ofstream result_write; result_write.open("C:/Skripsi Pipid/Hasil Running/hasil akhir land allocation.txt"); clrscr(); cout<<"//////////////////////////////////////////////////////////////////"<<endl; cout<<"/// IMPLEMENTASI ALGORITMA CSO-SA PADA MASALAH PENJADWALAN ///"<<endl; cout<<"/// LAND ALLOCATION ///"<<endl; cout<<"/// FORM HASIL AKHIR ///"<<endl; cout<<"//////////////////////////////////////////////////////////////////"<<endl<<endl; result_write<<"//////////////////////////////////////////////////////////////////"<<endl; result_write<<"/// IMPLEMENTASI ALGORITMA CSO PADA MASALAH PENJADWALAN ///"<<endl; result_write<<"/// LAND ALLOCATION ///"<<endl; result_write<<"/// FORM HASIL AKHIR ///"<<endl; result_write<<"//////////////////////////////////////////////////////////////////"<<endl<<endl; cout<<"Tinggi Minimal Dari Proses Land Allocation ="<<real_tinggi<<endl<<endl; result_write<<"Tinggi Terendah Dari Proses Land Allocation ="<<real_tinggi<<endl<<endl; cout<<"Urutan Lahan Masuk Terbaik : "<<endl<<endl;



Lampiran 2 - 22

result_write<<"Urutan Lahan Masuk Terbaik : "<<endl<<endl; for(int k=0;k<jumlahLahan;k++) { cout<<real_lahan[k]<<" "; result_write<<real_lahan[k]<<" "; } cout<<endl<<endl; result_write<<endl<<endl; result_write<<" URAIAN BENTUK LAHAN "<<endl<<endl; for(int i=0;i<jumlahLahan;i++) { int variasi_akhir=real_variasi[i]+1; result_write<<" Lahan KE -"<<real_lahan[i]<<" MENGGUNAKAN VARIASI BENTUK KE- "<<variasi_akhir<<endl; } cout<<endl<<endl<<"nb=Variasi dapat dilihat di path berikut C:Skripsi Pipid/Hasil Running/hasil akhir land allocation"<<endl; } void permutasi_Lahan_masuk_sa() { int i, j, maksIndeks; double variabelsementara; double kucing_sementara[1000]; double kucing_matching[1000]; for(int ke=0;ke<kucing;ke++) { for(int u=0;u<jumlahLahan;u++) { kucing_sementara[u]=solusi_sa[u]; }



Lampiran 2 - 23

for(int u=0;u<jumlahLahan;u++) { kucing_matching[u]=solusi_sa[u]; } for (i=0;i<jumlahLahan-1;i++) { maksIndeks = i; for (j=i+1;j<jumlahLahan;j++) { if (kucing_sementara[j]>kucing_sementara[maksIndeks]) { maksIndeks=j; } } if(j!=i) { variabelsementara=kucing_sementara[i]; kucing_sementara[i]=kucing_sementara[maksIndeks]; kucing_sementara[maksIndeks]=variabelsementara; } } for (int j=0;j<jumlahLahan;j++) { int match=0; for (int k=0;k<jumlahLahan;k++) { if(match==0) { if(kucing_sementara[j]==kucing_matching[k]) { kucing_matching[k]=-1; urutan_Lahan_masuk_sa[j] = k + 1; match++; } } } } }



Lampiran 2 - 24

} void pilihan_variasi_sa() { randomize(); for(int j=0;j<jumlahLahan;j++) { int var=random(5); variasi_bentuk_sa[j]=var; } } void akses_Lahan_sa() { for(int j=0;j<jumlahLahan;j++) { int ambil_individu=urutan_Lahan_masuk_sa[j]; int ambil_variasi=variasi_bentuk_sa[j]; ambil_lebar_sa[j]=lebar_lahan[ambil_individu-1][ambil_variasi]; ambil_tinggi_sa[j]=tinggi_lahan[ambil_individu-1][ambil_variasi]; } } void fungsi_tujuan_land_allocation_sa() { int lebar_slot[1000],tinggi_slot[1000]; for(int j=0;j<jumlahLahan;j++) { int ambil_lebar_Lahan=ambil_lebar_sa[j]; int ambil_tinggi_Lahan=ambil_tinggi_sa[j]; if(j==0) { if(ambil_lebar_Lahan<=lebar_wadah) { lebar_slot[j]=lebar_wadah-ambil_lebar_Lahan; tinggi_slot[j]=ambil_tinggi_Lahan; } else



Lampiran 2 - 25

{ lebar_slot[j]=lebar_wadah-ambil_tinggi_Lahan; tinggi_slot[j]=ambil_lebar_Lahan; } } else if(j!=0) { int pas=0; for(int k=0;k<j;k++) { int periksa_lebarslot=lebar_slot[k]; int periksa_tinggislot=tinggi_slot[k]; if(ambil_lebar_Lahan<=periksa_lebarslot&&ambil_tinggi_Lahan<=periksa_tinggislot) { for(int l=j;l>k+1;l--) { int h=lebar_slot[l-1]; int g=tinggi_slot[l-1]; lebar_slot[l]=h; tinggi_slot[l]=g; } lebar_slot[k+1]=periksa_lebarslot; tinggi_slot[k+1]=periksa_tinggislot-ambil_tinggi_Lahan; lebar_slot[k]=periksa_lebarslot-ambil_lebar_Lahan; tinggi_slot[k]=ambil_tinggi_Lahan; pas=1; break; } else if(ambil_tinggi_Lahan<=periksa_lebarslot&&ambil_lebar_Lahan<=periksa_tinggislot) { for(int l=j;l>k+1;l--) { int h=lebar_slot[l-1]; int g=tinggi_slot[l-1]; lebar_slot[l]=h;



Lampiran 2 - 26

tinggi_slot[l]=g; } lebar_slot[k+1]=periksa_lebarslot; tinggi_slot[k+1]=periksa_tinggislot-ambil_lebar_Lahan; lebar_slot[k]=periksa_lebarslot-ambil_tinggi_Lahan; tinggi_slot[k]=ambil_tinggi_Lahan; pas=1; break; } } if(pas!=1) { if(ambil_lebar_Lahan<=lebar_wadah) { lebar_slot[j]=lebar_wadah-ambil_lebar_Lahan; tinggi_slot[j]=ambil_tinggi_Lahan; } else { lebar_slot[j]=lebar_wadah-ambil_tinggi_Lahan; tinggi_slot[j]=ambil_lebar_Lahan; } } } } int tinggi=0; for(int j=0;j<jumlahLahan;j++) { tinggi=tinggi+tinggi_slot[j]; } tinggi_total_sa=tinggi; } void fitness_comparation_beforeaftermutate(int indeks) { double Probability,r,deltafitness;



Lampiran 2 - 27

if(tinggi_total[indeks]>tinggi_total_sa) { tinggi_total[indeks]=tinggi_total_sa; for(int j=0;j<jumlahLahan;j++) { data_random[indeks][j]=solusi_sa[j]; variasi_bentuk[indeks][j]=variasi_bentuk_sa[j]; } status=1; } else { r=random_SA; deltafitness=tinggi_total[indeks]-tinggi_total_sa; Probability=exp(-(deltafitness/suhu_sekarang)); if(Probability>r) { tinggi_total[indeks]=tinggi_total_sa; for(int j=0;j<jumlahLahan;j++) { data_random[indeks][j]=solusi_sa[j]; variasi_bentuk[indeks][j]=variasi_bentuk_sa[j]; } status=2; } else { for(int j=0;j<jumlahLahan;j++) { data_random[indeks][j]; variasi_bentuk[indeks][j]; } status=3; } } } void main() {



Lampiran 2 - 28

randomize(); ifstream read_data; ofstream write; point1: clrscr(); receptionist(); optionist(); cin>>pilih_data_sampel; data_sampel=atoi(pilih_data_sampel.c_str()); string validasi; if(data_sampel<1||data_sampel>3) { cout<<endl<<" Input Error !!"<<endl; cout<<" Press any key then enter... "<<endl; cout<<" "; cin>>validasi; int valid=atoi(validasi.c_str()); if(valid!=-98) { goto point1; } } point2: clrscr(); the_parameters(); cin>>adjustment; adjust=atoi(adjustment.c_str()); if(adjust<1||adjust>2) { cout<<endl<<" Input Error !!"<<endl; cout<<" Press any key then enter... "<<endl; cout<<" "; cin>>validasi; int valid=atoi(validasi.c_str());



Lampiran 2 - 29

if(valid!=-98) { goto point2; } } else if(adjust==1) { input_point: clrscr(); receptionist(); cout<<endl; alpha=0.2; c1=2; lebar_wadah=500; suhu_awal=100; suhu_akhir=1; cout<<" 1) INPUTKAN JUMLAH KUCING : "; cin>>kucing_string; kucing=atoi(kucing_string.c_str()); if(kucing<3||kucing>5000) { goto input_point; } cout<<endl; cout<<" 2) INPUTKAN NILAI SMP : "; cin>>smp_string; smp=atoi(smp_string.c_str()); if(smp<1||smp>100) { goto input_point; } cout<<endl; cout<<" 3) INPUTKAN NILAI CDC : "; cin>>cdc_string; cdc=atof(cdc_string.c_str()); const char *cdc_char=cdc_string.c_str();



Lampiran 2 - 30

int cdc_long=strlen(cdc_char); sum=0; for(int character=0;character<cdc_long;character++) { if(isalpha(cdc_char[character])) { sum=sum+1; } else { sum=sum+0; } } if(cdc<=0||cdc>1||sum!=0) { goto input_point; } cout<<endl; cout<<" 4) INPUTKAN NILAI SRD : "; cin>>srd_string; srd=atof(srd_string.c_str()); const char *srd_char=srd_string.c_str(); int srd_long=strlen(srd_char); sum=0; for(int character=0;character<srd_long;character++) { if(isalpha(srd_char[character])) { sum=sum+1; } else { sum=sum+0; } } if(srd<=0||srd>1||sum!=0) { goto input_point; }



Lampiran 2 - 31

cout<<endl; cout<<" 5) INPUTKAN NILAI MR : "; cin>>mr_string; mr=atof(mr_string.c_str()); const char *mr_char=mr_string.c_str(); int mr_long=strlen(mr_char); int sum=0; for(int character=0;character<mr_long;character++) { if(isalpha(mr_char[character])) { sum=sum+1; } else { sum=sum+0; } } if(mr<=0||mr>1||sum!=0) { goto input_point; } cout<<endl; cout<<" 6) INPUTKAN NILAI ALPHA : "; cin>>alpha_string; //VALIDASI INPUT ALPHA alpha=atof(alpha_string.c_str()); const char *alpha_char=alpha_string.c_str(); int alpha_long=strlen(alpha_char); int sum_b=0; for(int character=0;character<alpha_long;character++) { if(isalpha(alpha_char[character])) { sum_b=sum_b+1; } else



Lampiran 2 - 32

{ sum_b=sum_b+0; } } if(alpha<=0||alpha>1||sum_b!=0) { goto input_point; } cout<<endl; cout<<" 7) INPUTKAN NILAI C1 : "; cin>>c1_string; c1=atoi(c1_string.c_str()); if(c1<1||kucing>10) { goto input_point; } cout<<endl; cout<<" 8) INPUTKAN NILAI LEBAR WADAH : "; cin>>lebar_wadah_string; lebar_wadah=atoi(lebar_wadah_string.c_str()); if(lebar_wadah<1||lebar_wadah>10000) { goto input_point; } cout<<endl; cout<<" 9) NILAI SUHU AWAL : "; cin>>suhu_awal_string; //VALIDASI INPUT SUHU AWAL suhu_awal=atoi(suhu_awal_string.c_str()); if(suhu_awal>1000||suhu_awal<=0) { goto input_point; } cout<<endl; cout<<" 10) NILAI SUHU AKHIR : "; cin>>suhu_akhir_string; //VALIDASI INPUT SUHU AKHIR suhu_akhir=atoi(suhu_akhir_string.c_str());



Lampiran 2 - 33

if(suhu_akhir>1000||suhu_akhir<=0||suhu_akhir>=suhu_awal) { goto input_point; } end_point: clrscr(); receptionist(); revision_parameter(); cin>>adjustment2; adjust2=atoi(adjustment2.c_str()); if(adjust2<1||adjust2>2) { cout<<endl<<" Input Error !!"<<endl; cout<<" Press any key then enter... "<<endl; cout<<" "; cin>>validasi; int valid=atoi(validasi.c_str()); if(valid!=-98) { goto end_point; } } else if(adjust2==2) { goto input_point; } } iterasi_point: clrscr(); receptionist(); cout<<endl; cout<<" INPUTKAN JUMLAH ITERASI : "; cin>>max_iterasi_string; max_iterasi=atoi(max_iterasi_string.c_str());



Lampiran 2 - 34

if(max_iterasi<1) { goto iterasi_point; } //point load data switch(data_sampel) { case 1: read_data.open("C:/Skripsi Pipid/Data Program/Data Kecil.txt"); write.open("C:/Skripsi Pipid/Hasil Running/hasil land allocation cso-sa (data kecil).txt"); jumlahLahan=13; jumlahVariasi=6; break; case 2: read_data.open("C:/Skripsi Pipid/Data Program/Data Besar.txt"); write.open("C:/Skripsi Pipid/Hasil Running/hasil land allocation cso-sa (data besar).txt"); jumlahLahan=75; jumlahVariasi=6; break; } if(data_sampel==1||data_sampel==2) { if(!read_data.eof()) { int counter_data=0; do { read_data>>ambil_data; himpunan_data[counter_data]=ambil_data; counter_data++; } while(!read_data.eof()); }



Lampiran 2 - 35

else { cout<<"file kosong"<<endl; jumlahLahan=0; } if(data_sampel==1) { for(int i=0;i<jumlahLahan;i++) { int counter_row=jumlahVariasi*i; for(int z=0;z<jumlahVariasi;z++) { lebar_lahan[i][z]=himpunan_data[counter_row+z]; } } int counter_row_lebar=(jumlahLahan*jumlahVariasi); for(int i=0;i<jumlahLahan;i++) { int counter_row=jumlahVariasi*i; for(int z=0;z<jumlahVariasi;z++) { tinggi_lahan[i][z]=himpunan_data[counter_row+counter_row_lebar+z]; } } } if(data_sampel==2) { for(int i=0;i<jumlahLahan;i++) { int counter_row=jumlahVariasi*i; for(int z=0;z<jumlahVariasi;z++) { tinggi_lahan[i][z]=himpunan_data[counter_row+z]; } } int counter_row_lebar=(jumlahLahan*jumlahVariasi);



Lampiran 2 - 36

for(int i=0;i<jumlahLahan;i++) { int counter_row=jumlahVariasi*i; for(int z=0;z<jumlahVariasi;z++) { lebar_lahan[i][z]=himpunan_data[counter_row+counter_row_lebar+z]; } } } } cout<<"-----------------------------------------"<<endl; cout<<" MULAI PROSES CSO UNTUK LAND ALLOCATION "<<endl; cout<<"-----------------------------------------"<<endl; write<<"-----------------------------------------"<<endl; write<<" MULAI PROSES CSO UNTUK LAND ALLOCATION "<<endl; write<<"-----------------------------------------"<<endl; seeking_counter=0; for(iterasi=1;iterasi<=max_iterasi;iterasi++) { cout<<endl<<"Iterasi ke - "<<iterasi<<endl; cout<<endl<<"======================"<<endl; write<<endl<<"Iterasi ke - "<<iterasi<<endl; write<<endl<<"======================"<<endl; if(iterasi==1) { for(int i=0;i<kucing;i++) { for(int j=0;j<jumlahLahan;j++) { double bil_acak=random(100); double bil_pembagi=99; data_random[i][j]=bil_acak/bil_pembagi; } }



Lampiran 2 - 37

for(int i=0;i<kucing;i++) { for(int j=0;j<jumlahLahan;j++) { double bil_acak=random(100); double bil_pembagi=99; data_kecepatan[i][j]=bil_acak/bil_pembagi; } } } //random variasi bentuk if(iterasi==1) { for(int i=0;i<kucing;i++) { for(int j=0;j<jumlahLahan;j++) { int var=random(5); variasi_bentuk[i][j]=var; } } } for(int i=0;i<kucing;i++) { double bil_acak=random(100); double bil_pembagi=99; data_flag[i]=bil_acak/bil_pembagi; } permutasi_Lahan_masuk(); akses_Lahan(); fungsi_tujuan_land_allocation(); hitung_nilai_fitness(); cout<<"Urutan Lahan Masuk Bentukan Dari Data Random Kucing Awal : "<<endl<<endl;



Lampiran 2 - 38

write<<"Urutan Lahan Masuk Bentukan Dari Data Random Kucing Awal : "<<endl<<endl; for(int i=0;i<kucing;i++) { cout<<"individu ke- "<<(i+1)<<" : "<<endl; write<<"individu ke- "<<(i+1)<<" : "<<endl; for(int j=0;j<jumlahLahan;j++) { cout<<urutan_Lahan_masuk[i][j]<<" "; write<<urutan_Lahan_masuk[i][j]<<" "; } cout<<endl; write<<endl; } cout<<endl; write<<endl; cout<<"Variasi Bentuk Yang Dipilih Data Kucing Awal : "<<endl<<endl; write<<"Variasi Bentuk Yang Dipilih Data Kucing Awal : "<<endl<<endl; for(int i=0;i<kucing;i++) { cout<<"individu ke- "<<(i+1)<<" : "<<endl; write<<"individu ke- "<<(i+1)<<" : "<<endl; for(int j=0;j<jumlahLahan;j++) { cout<<(variasi_bentuk[i][j]+1)<<" "; write<<(variasi_bentuk[i][j]+1)<<" "; } cout<<endl<<endl; write<<endl<<endl; } cout<<endl<<endl; write<<endl<<endl;



Lampiran 2 - 39

cout<<"Tinggi Lahan Yang Diperoleh Masing-Masing Kucing: "<<endl<<endl; write<<"Tinggi Lahan Yang Diperoleh Masing-Masing Kucing : "<<endl<<endl; for(int i=0;i<kucing;i++) { cout<<"individu ke- "<<(i+1)<<" : "<<endl; write<<"individu ke- "<<(i+1)<<" : "<<endl; cout<<tinggi_total[i]<<endl<<endl; write<<tinggi_total[i]<<endl<<endl; } jumlahtracing=floor(mr*kucing); jumlahseeking=kucing-jumlahtracing; class_penempatan_flag(); write<<endl<<"Informasi Flag :"<<endl; cout<<endl<<"Informasi_Flag :"<<endl; cout<<"===================="<<endl<<endl; write<<"================="<<endl<<endl; for(int i=0;i<kucing;i++) { write<<"Kucing ke - "<<(i+1)<<" = "<<flag[i]<<" "<<endl; cout<<"Kucing ke - "<<(i+1)<<" = "<<flag[i]<<" "<<endl; } class_urutan_tinggi_lahan(); write<<endl<<"Informasi Ranking Solusi :"<<endl; cout<<endl<<"Informasi Ranking Solusi :"<<endl; cout<<"========================="<<endl<<endl; write<<"====================="<<endl<<endl; for(int i=0;i<kucing;i++) { write<<"Rank Ke - "<<(i+1)<<" = kucing ke - "<<(data_urutan_fungsitujuan[i]+1)<<endl; cout<<"Rank Ke - "<<(i+1)<<" = kucing ke - "<<(data_urutan_fungsitujuan[i]+1)<<endl; }



Lampiran 2 - 40

class_penentuan_xbest(); cout<<endl<<" x-best Terpilih Kucing - "<<(data_urutan_fungsitujuan[0]+1)<<endl; spc[data_urutan_fungsitujuan[0]]=1; write<<endl<<"Informasi Nilai SPC :"<<endl; cout<<endl<<"Informasi Nilai SPC :"<<endl; cout<<"========================="<<endl<<endl; write<<"====================="<<endl<<endl; for(int i=0;i<kucing;i++) { write<<"Kucing ke - "<<(i+1)<<" = "<<spc[i]<<endl; cout<<"Kucing ke - "<<(i+1)<<" = "<<spc[i]<<endl; } //belum di review class_klasifikasi_kucing(); write<<endl<<" Masuk Tahap Seeking :"<<endl; cout<<endl<<" Masuk Tahap Seeking :"<<endl; cout<<" ======================="<<endl; write<<" ===================="<<endl; int dimensi=cdc*jumlahLahan; for(int i=0;i<jumlahseeking;i++) { if(spc[grup_seeking[i]]==1) { for(int j=0;j<smp;j++) { for(int k=0;k<jumlahLahan;k++) { Memory_pool[j][k]=data_random[grup_seeking[i]][k]; } for(int k=0;k<jumlahLahan;k++)



Lampiran 2 - 41

{ terpilih[k]=-1; } if(j>0) { z=0; counter=0; while(z<dimensi) { do { sum=0; choose=random(jumlahLahan-1); for(int i=0;i<jumlahLahan;i++) { if(choose==terpilih[i]) { sum=sum+1; } else if(choose!=terpilih[i]) { sum=sum+0; } } } while(sum!=0); Memory_pool[j][choose]=Memory_pool[j][choose]+pow(-1,z)*srd*Memory_pool[j][choose]; terpilih[counter]=choose; counter++; z++; } }



Lampiran 2 - 42

for(int h=0;h<jumlahLahan;h++) { write_dimension[j][h]=terpilih[h]; } } } else if(spc[grup_seeking[i]]==0) { for(int j=0;j<smp;j++) { z=0; for(int k=0;k<jumlahLahan;k++) { Memory_pool[j][k]=data_random[grup_seeking[i]][k]; } for(int k=0;k<jumlahLahan;k++) { terpilih[k]=-1; } counter=0; while(z<dimensi) { do { sum=0; choose=random(jumlahLahan-1); for(int i=0;i<jumlahLahan;i++) { if(choose==terpilih[i]) { sum=sum+1; } else if(choose!=terpilih[i]) { sum=sum+0; } } } while(sum!=0);



Lampiran 2 - 43

Memory_pool[j][choose]=Memory_pool[j][choose]+pow(-1,z)*srd*Memory_pool[j][choose]; terpilih[counter]=choose; counter++; z++; } for(int h=0;h<jumlahLahan;h++) { write_dimension[j][h]=terpilih[h]; } } } cout<<endl<<"PROFIL MEMORY POOL KUCING KE - "<<(grup_seeking[i]+1)<<" : "<<endl; write<<endl<<"PROFIL MEMORY POOL KUCING KE - "<<(grup_seeking[i]+1)<<" : "<<endl; cout<<endl<<"Dimensi Yang Berubah = "<<dimensi<<endl; write<<endl<<"Dimensi Yang Berubah = "<<dimensi<<endl; cout<<"Proses Seeking Kucing ke- "<<(grup_seeking[i]+1)<<endl; cout<<"Nilai SPC = "<<spc[grup_seeking[i]]<<endl; cout<<"================================================="<<endl<<endl; write<<"Proses Seeking Kucing ke- "<<(grup_seeking[i]+1)<<endl; write<<"Nilai SPC = "<<spc[grup_seeking[i]]<<endl; write<<"================================================="<<endl<<endl; for(int i=0;i<smp;i++) { cout<<"Dimensi Berubah Copy-"<<(i+1)<<" = "; write<<"Dimensi Berubah Copy-"<<(i+1)<<" = "; for(int j=0;j<jumlahLahan;j++) {



Lampiran 2 - 44

if(write_dimension[i][j]!=-1) { cout<<(write_dimension[i][j]+1)<<" "; write<<(write_dimension[i][j]+1)<<" "; } } cout<<endl; write<<endl; } permutasi_Lahan_masuk_mp(); pilihan_variasi_mp(); akses_Lahan_mp(); fungsi_tujuan_land_allocation_mp(); hitung_nilai_fitness_mp(); cout<<endl<<"Urutan Lahan Masuk Memory Pool Kucing - "<<(grup_seeking[i]+1)<<endl<<endl; write<<endl<<"Urutan Lahan Masuk Memory Pool Kucing - "<<(grup_seeking[i]+1)<<endl<<endl; for(int i=0;i<smp;i++) { cout<<"individu ke- "<<(i+1)<<" : "<<endl; write<<"individu ke- "<<(i+1)<<" : "<<endl; for(int j=0;j<jumlahLahan;j++) { cout<<urutan_Lahan_masuk_mp[i][j]<<" "; write<<urutan_Lahan_masuk_mp[i][j]<<" "; } cout<<endl<<endl; write<<endl<<endl; } cout<<endl<<endl; write<<endl<<endl;



Lampiran 2 - 45

cout<<endl<<" Variasi Bentuk Yang Dipilih Memory Pool Kucing - "<<(grup_seeking[i]+1)<<endl<<endl; write<<endl<<"Variasi Bentuk Yang Dipilih Memory Pool Kucing - "<<(grup_seeking[i]+1)<<endl<<endl; for(int i=0;i<smp;i++) { cout<<"individu ke- "<<(i+1)<<" : "<<endl; write<<"individu ke- "<<(i+1)<<" : "<<endl; for(int j=0;j<jumlahLahan;j++) { cout<<(variasi_bentuk_mp[i][j]+1)<<" "; write<<(variasi_bentuk_mp[i][j]+1)<<" "; } cout<<endl<<endl; write<<endl<<endl; } cout<<endl<<"Hasil Tinggi Lahan Dari Memory Pool Individu - "<<(grup_seeking[i]+1)<<endl<<endl; write<<endl<<"Hasil Tinggi Lahan Dari Memory Pool Individu - "<<(grup_seeking[i]+1)<<endl<<endl; for(int i=0;i<smp;i++) { cout<<"copy-"<<(i+1)<<" = "<<tinggi_total_mp[i]<<endl; write<<"copy-"<<(i+1)<<" = "<<tinggi_total_mp[i]<<endl; } hitungprobabilitasterpilih(); double bilRandom=random(99); double bilBagi=99; double random_smp=bilRandom/bilBagi; roulettewheel(grup_seeking[i],random_smp); cout<<endl<<"Tabulasi Roulette Wheel : "<<endl; write<<endl<<"Tabulasi Roulette Wheel : "<<endl; for(int i=0;i<smp;i++) { write<<"Probabilitas copy - "<<(i+1)<<" = "<<probabilitas[i]<<", Probabilitas relatif = "<<probabilitasr[i]<<endl;



Lampiran 2 - 46

cout<<"Probabilitas copy - "<<(i+1)<<" = "<<probabilitas[i]<<", Probabilitas relatif = "<<probabilitasr[i]<<endl; } cout<<endl<<"Nilai Probabilitas Kumulatif : "<<endl; write<<endl<<"Nilai Probabilitas Kumulatif : "<<endl; for(int i=0;i<smp;i++) { write<<"Probabilitas Kumulatif copy - "<<(i+1)<<" = "<<probabilitask[i]<<endl; cout<<"Probabilitas Kumulatif copy - "<<(i+1)<<" = "<<probabilitask[i]<<endl; } cout<<endl<<"Nilai Random = "<<random_smp<<" posisi kucing Terpilih = "<<(indeks_terpilih_roulette+1); write<<endl<<"Nilai Random = "<<random_smp<<" posisi kucing Terpilih = "<<(indeks_terpilih_roulette+1); cout<<endl<<"Best Seeking Dalam Memory Pool Kucing ke- "<<(grup_seeking[i]+1)<<" , copy ke- "<<(indeks_bestseeking+1); write<<endl<<"Best Seeking Dalam Memory Pool Kucing ke- "<<(grup_seeking[i]+1)<<" , copy ke- "<<(indeks_bestseeking+1); cout<<endl<<endl; write<<endl<<endl; simpan_terbaik_seeking(); cout<<endl<<"Best Seeking Secara Global : "<<endl<<endl; write<<endl<<"Best Seeking Secara Global : "<<endl<<endl; cout<<endl<<"Urutan Lahan Masuk : "<<endl<<endl; write<<endl<<"Urutan Lahan Masuk : "<<endl<<endl; for(int j=0;j<jumlahLahan;j++) { cout<<lahan_best[j]<<" "; write<<lahan_best[j]<<" "; } cout<<endl<<endl<<"Variasi yang dipilih : "<<endl<<endl; write<<endl<<endl<<"Variasi yang dipilih : "<<endl<<endl; for(int j=0;j<jumlahLahan;j++)



Lampiran 2 - 47

{ cout<<(variasi_best[j]+1)<<" "; write<<(variasi_best[j]+1)<<" "; } cout<<endl<<endl<<"Dengan Tinggi Lahan : "<<tinggi_best<<endl; write<<endl<<endl<<"Dengan Tinggi Lahan : "<<tinggi_best<<endl; seeking_counter++; } //mulai tahap tracing cout<<endl; write<<endl; for(int b=0;b<jumlahtracing;b++) { double bilRandom=random(100); double bilPembagi=99; for(int l=0;l<jumlahLahan;l++) { copy_cat[l]=data_random[grup_tracing[b]][l]; } for(int l=0;l<jumlahLahan;l++) { double random_tracing=bilRandom/bilPembagi; double selisih_xbest=x_best[l]-copy_cat[l]; double hasil_pengali=c1*random_tracing*selisih_xbest; data_kecepatan[grup_tracing[b]][l]=data_kecepatan[grup_tracing[b]][l]+hasil_pengali; } for(int l=0;l<jumlahLahan;l++) {



Lampiran 2 - 48

data_random[grup_tracing[b]][l]=data_random[grup_tracing[b]][l]+data_kecepatan[grup_tracing[b]][l]; if(data_random[grup_tracing[b]][l]<0) { data_random[grup_tracing[b]][l]=data_random[grup_tracing[b]][l]*-1; } } } permutasi_Lahan_masuk(); akses_Lahan(); fungsi_tujuan_land_allocation(); hitung_nilai_fitness(); class_urutan_tinggi_lahan(); class_penentuan_terbaik_tracing(); cout<<endl<<"Best Tracing Secara Global : "<<endl<<endl; write<<endl<<"Best Tracing Secara Global : "<<endl<<endl; cout<<endl<<"Urutan Lahan Masuk : "<<endl<<endl; write<<endl<<"Urutan Lahan Masuk : "<<endl<<endl; for(int j=0;j<jumlahLahan;j++) { cout<<lahan_best_tracing[j]<<" "; write<<lahan_best_tracing[j]<<" "; } cout<<endl<<endl<<"Variasi Terpilih : "<<endl<<endl; write<<endl<<endl<<"Variasi Terpilih : "<<endl<<endl; for(int j=0;j<jumlahLahan;j++) { cout<<(variasi_best_tracing[j]+1)<<" "; write<<(variasi_best_tracing[j]+1)<<" "; } cout<<endl<<endl<<"Dengan Tinggi Lahan : "<<tinggi_best_tracing<<endl; write<<endl<<endl<<"Dengan Tinggi Lahan : "<<tinggi_best_tracing<<endl; compare_best_tracing_dan_best_seeking();



Lampiran 2 - 49

if(iterasi<11) { int counter_sa; counter_sa=data_urutan_fungsitujuan[kucing-1]; cout<<endl<<endl; cout<<"PEMPROSESAN SIMULATED ANNEALING "<<endl; write<<endl<<endl; write<<"PEMPROSESAN SIMULATED ANNEALING "<<endl; cout<<"---------------------------------------------------------"<<endl; cout<<"kucing ke- "<<counter_sa<<" Mengalami Proses Annealing "<<endl; cout<<"---------------------------------------------------------"<<endl<<endl; write<<"---------------------------------------------------------"<<endl; write<<"kucing ke- "<<counter_sa<<" Mengalami Proses Annealing "<<endl; write<<"---------------------------------------------------------"<<endl; suhu_sekarang=suhu_awal; for(int j=0;j<jumlahLahan;j++) { solusi_sa[j]=data_random[counter_sa][j]; } do { cout<<" --------------------------"<<endl; cout<<" Suhu Sekarang ="<<suhu_sekarang<<endl; write<<endl; write<<" --------------------------"<<endl; write<<" Suhu Sekarang ="<<suhu_sekarang<<endl; copy_tinggi_cat(); do { select_1=random(jumlahLahan-1); select_2=random(jumlahLahan-1);



Lampiran 2 - 50

} while(select_1==select_2||select_1>select_2); write<<" Data kucing Lama :"<<endl<<endl;; for(int sel=0;sel<jumlahLahan;sel++) { write<<data_random[counter_sa][sel]<<" "; } cout<<endl; write<<endl; mutatecounter=(select_2-select_1)/2; for(int j=select_1;j<=select_1+mutatecounter;j++) { tempSA=solusi_sa[j]; solusi_sa[j]=solusi_sa[select_2]; solusi_sa[select_2]=tempSA; select_2--; } double random_SA_rejection=random(100); double random_SA_rejection_divisor=99; random_SA=(random_SA_rejection/random_SA_rejection_divisor)+0.5; //proses hitung fungsi write<<endl; write<<"Data Kucing Mengalami Mutasi Inversi di kolom -"<<(select_1+1)<<" sampai kolom -"<<(select_2+1)<<" : "<<endl; write<<endl; for(int sel=0;sel<jumlahLahan;sel++) { write<<solusi_sa[sel]<<" "; } write<<endl<<endl; permutasi_Lahan_masuk_sa(); pilihan_variasi_sa();



Lampiran 2 - 51

akses_Lahan_sa(); fungsi_tujuan_land_allocation_sa(); fitness_comparation_beforeaftermutate(counter_sa); if(status==1) { cout<<"Solusi Hasil Mutasi Lebih Baik (Solusi Diterima)"<<endl; write<<"Solusi Hasil Mutasi Lebih Baik (Solusi Diterima)"<<endl; } if(status==2) { cout<<"Solusi Hasil Mutasi Lebih Buruk Atau = (Diterima Karena Probabilitas)"<<endl; write<<"Solusi Hasil Mutasi Lebih Buruk Atau = (Diterima Karena Probabilitas)"<<endl; } if(status==3) { cout<<"Solusi Hasil Mutasi Lebih Buruk (Solusi Baru Ditolak)"<<endl; write<<"Solusi Hasil Mutasi Lebih Buruk (Solusi Baru Ditolak)"<<endl; } suhu=suhu_sekarang*alpha; suhu_sekarang=suhu; write<<endl; cout<<"CAT->NEW CAT ="<<tinggi_total_copy[counter_sa]<<"->"<<tinggi_total[counter_sa]<<endl; write<<"CAT->NEW CAT ="<<tinggi_total_copy[counter_sa]<<"->"<<tinggi_total[counter_sa]<<endl; } while(suhu_sekarang>=suhu_akhir); } if(iterasi==max_iterasi)



Lampiran 2 - 52

{ form_hasil_akhir(); } } getch(); }



Lampiran 3 - 1

Lampiran 3: Hasil Running Program untuk Data 13 Lahan Komponen

Best Seeking Secara Global :

Urutan Lahan Masuk :

3 11 10 7 4 2 6 8 1 13 9 5 12

Variasi yang dipilih :

2 5 5 5 1 4 4 1 2 1 5 1 1

Dengan Tinggi Lahan : 50

Best Tracing Secara Global :


11 7 3 10 9 2 1 5 12 8 13 6 4

Variasi Terpilih :

5 1 5 2 2 3 2 5 1 5 1 2 2


//////////////////////////////////////////////////////////////////

/// IMPLEMENTASI ALGORITMA CSO PADA MASALAH PENJADWALAN ///

/// LAND ALLOCATION ///

/// FORM HASIL AKHIR ///

//////////////////////////////////////////////////////////////////

Tinggi Terendah Dari Proses Land Allocation =50

Urutan Lahan Masuk Terbaik :

3 11 10 7 4 2 6 8 1 13 9 5 12

URAIAN BENTUK LAHAN



Lampiran 3 - 2

Lahan KE ‐3 MENGGUNAKAN VARIASI BENTUK KE‐ 2















Lampiran 4 - 1

Lampiran 4: Hasil Running Program untuk Data 75 Lahan Komponen Iterasi ke ‐ 1

======================

Urutan Lahan Masuk Bentukan Dari Data Random Kucing Awal :

individu ke‐ 1 :

17 41 40 64 24 36 71 7 25 32 45 4 18 34 75 66 3 70 53 56 60 48 67 6 61 1 9 31 62 74 19 49 29 72 59 21 39 57 5 26 63 47 51 38 58 68 33 14 28 30 73 52 43 22 69 54 44 55 8 20 11 2 46 65 16 27 23 37 12 13 42 50 10 15 35

individu ke‐ 2 :

3 68 75 31 42 27 20 24 64 61 29 69 72 21 39 2 35 16 23 45 43 70 6 41 25 7 11 22 58 5 15 47 62 34 63 53 30 4 49 37 65 57 51 36 19 59 71 8 33 60 12 18 1 14 28 52 54 66 46 26 44 56 55 38 40 67 74 9 10 73 50 17 48 32 13

individu ke‐ 3 :

47 37 65 31 19 66 44 23 18 21 59 20 73 33 13 5 54 24 41 57 56 16 28 10 45 49 53 38 22 27 60 40 74 30 4 46 29 71 14 42 69 2 61 6 11 68 51 25 70 62 32 9 63 3 72 34 39 12 36 35 7 43 55 26 64 52 17 48 58 15 50 1 67 8 75

individu ke‐ 4 :

21 6 12 57 39 61 45 26 31 28 65 38 8 37 56 72 55 10 23 69 2 42 24 19 58 29 44 11 7 46 47 50 64 36 17 20 48 51 32 60 59 53 34 1 13 14 16 27 33 52 63 41 62 30 67 43 66 49 4 15 74 70 22 9 3 25 5 18 40 68 73 75 54 71 35

individu ke‐ 5 :

21 58 71 11 65 64 38 25 56 68 48 60 42 66 75 51 29 52 10 28 62 33 12 54 3 4 24 14 39 30 61 47 63 9 27 49 1 2 8 43 16 41 57 32 13 23 74 19 73 37 55 35 46 6 20 70 36 5 7 15 18 26 45 50 67 17 59 34 40 31 72 53 22 69 44

individu ke‐ 6 :

70 10 19 75 6 74 12 37 18 63 26 34 27 15 31 56 61 66 1 67 2 24 7 73 21 57 29 45 59 50 68 47 13 71 11 8 58 54 3 16 4 35 65 40 33 39 53 64 17 44 51 5 14 20 36 55 60 52 30 22 32 41 28 38 62 42 72 46 48 49 23 9 43 25 69

individu ke‐ 7 :

68 25 1 10 21 59 69 56 13 52 4 65 7 14 71 9 19 42 55 8 11 57 75 70 40 61 28 15 39 41 24 18 16 34 63 36 43 46 51 17 45 73 67 72 54 60 5 2 3 6 49 23 26 38 48 22 32 31 50 66 29 44 37 47 74 30 27 53 12 33 64 35 62 20 58

individu ke‐ 8 :



Lampiran 4 - 2

15 12 46 70 42 35 28 38 55 61 62 66 67 71 75 14 16 37 5 20 49 11 56 10 23 31 44 32 57 64 33 74 47 45 52 58 29 63 60 8 53 48 34 68 3 19 13 7 59 22 43 54 6 4 26 39 51 36 2 9 73 41 1 18 40 65 21 27 50 69 17 72 30 25 24

individu ke‐ 9 :

58 56 16 46 33 74 57 1 64 27 26 19 28 65 3 24 15 17 60 2 7 30 8 13 14 62 70 75 41 20 39 48 31 35 21 68 43 50 61 71 44 6 32 54 25 42 72 18 34 40 11 36 23 53 12 55 9 22 29 66 38 63 73 47 45 59 49 51 10 37 5 69 52 67 4

individu ke‐ 10 :

31 10 20 22 69 71 11 29 28 34 47 44 33 74 55 43 53 42 49 61 63 12 38 48 13 39 1 51 3 70 14 67 37 8 52 6 16 21 57 4 72 54 7 25 23 56 75 9 19 2 15 30 17 35 41 24 73 27 18 62 58 5 36 64 26 45 60 59 68 65 46 66 40 32 50

individu ke‐ 11 :

55 19 14 66 6 50 58 52 49 16 60 48 73 12 30 45 15 28 64 11 41 20 53 69 74 5 75 2 40 42 37 18 25 29 70 35 23 8 21 22 26 3 33 39 13 68 1 38 47 7 36 43 46 59 72 65 57 24 17 44 67 4 34 62 32 71 31 27 61 10 9 56 51 54 63

individu ke‐ 12 :

72 42 17 56 63 2 47 46 22 58 65 48 60 6 55 74 13 62 68 10 27 26 4 18 28 39 69 29 49 14 7 3 50 53 11 59 40 41 5 33 52 51 57 75 32 38 73 64 9 19 23 1 8 54 36 44 25 61 15 16 67 37 70 12 34 43 45 66 35 31 30 20 24 21 71

individu ke‐ 13 :

14 16 3 45 17 66 32 59 25 47 68 30 34 35 5 8 15 46 40 53 36 1 72 7 19 65 4 50 71 58 20 28 37 39 11 54 70 33 61 52 63 75 10 13 38 42 62 73 26 55 57 56 27 43 12 60 64 24 6 69 48 29 31 9 18 51 22 67 74 23 21 41 44 2 49

individu ke‐ 14 :

66 37 68 9 46 6 70 12 39 44 53 63 73 3 42 50 24 33 10 72 2 71 56 49 26 38 43 60 74 65 25 21 7 41 5 28 30 59 8 13 55 47 45 14 15 36 22 32 1 35 18 31 40 57 58 75 17 62 64 67 51 16 29 69 4 11 23 27 52 19 20 34 48 54 61

individu ke‐ 15 :

75 8 21 34 39 10 32 52 9 16 70 72 73 63 37 54 36 13 41 27 74 18 35 45 24 56 30 7 49 11 65 68 53 20 17 3 26 25 59 66 60 12 47 61 1 5 51 43 55 2 57 62 71 40 44 15 58 22 31 48 14 19 33 67 46 64 23 28 50 6 38 42 4 29 69

individu ke‐ 16 :

28 5 33 1 70 12 18 20 59 45 54 53 56 27 31 66 67 42 6 34 10 19 7 9 29 41 58 74 13 11 52 15 8 32 60 37 62 38 14 39 73 16 4 51 23 43 50 40 63 21 69 61 64 36 55 71 72 75 3 26 49 24 35 44 25 22 30 2 17 47 68 57 65 48 46



Lampiran 4 - 3

individu ke‐ 17 :

3 49 57 10 7 27 28 50 61 2 34 6 9 74 25 29 41 47 56 54 12 45 68 44 24 53 73 19 62 75 71 4 17 39 55 46 60 72 23 51 52 40 8 11 13 42 32 37 33 18 26 66 31 63 20 21 35 14 67 30 43 5 16 59 48 22 15 38 58 1 36 69 65 70 64

individu ke‐ 18 :

7 46 62 24 10 34 16 13 69 18 39 70 5 26 57 3 11 20 29 55 64 8 19 44 9 41 1 48 72 50 61 73 53 40 51 75 23 56 4 15 32 42 22 58 67 33 37 43 2 74 6 21 47 54 49 63 65 31 60 12 28 38 17 66 52 59 45 35 36 71 30 27 14 68 25

individu ke‐ 19 :

2 51 54 42 72 13 40 10 18 57 11 33 9 67 73 3 55 25 58 62 41 60 1 38 48 64 65 70 61 26 66 12 75 52 30 50 16 44 59 17 27 35 21 28 43 49 31 46 23 53 36 4 19 34 32 45 14 39 68 22 8 71 20 37 6 63 69 5 47 7 56 29 74 15 24

individu ke‐ 20 :

46 40 54 45 49 13 31 68 44 19 23 25 36 57 4 42 67 21 9 33 10 2 58 3 38 17 56 26 29 53 75 59 73 12 70 27 63 41 60 69 6 24 37 66 47 51 20 48 18 22 11 15 30 43 14 8 61 34 39 64 74 35 5 72 62 55 28 52 16 32 71 1 7 65 50

individu ke‐ 21 :

33 26 27 31 35 42 70 9 10 44 60 62 18 49 48 7 5 19 8 41 65 53 52 59 40 54 71 72 15 61 2 43 4 68 66 34 75 3 67 14 73 13 47 36 23 57 69 12 51 55 32 64 74 21 24 16 1 25 46 6 17 39 45 28 38 56 58 22 11 20 30 37 50 63 29

individu ke‐ 22 :

75 25 21 59 30 9 31 61 26 57 6 52 71 36 7 65 56 14 70 12 24 32 41 66 15 1 62 17 20 54 11 44 69 49 68 60 50 4 40 34 2 33 19 35 64 74 38 48 13 28 51 42 22 37 53 3 63 16 27 45 39 58 23 29 47 5 10 46 18 55 67 43 8 72 73

individu ke‐ 23 :

38 45 20 5 69 66 51 11 54 67 12 40 58 49 8 29 13 33 35 44 1 74 61 31 34 39 52 22 65 36 25 75 14 60 2 37 70 57 7 71 32 3 72 59 16 53 55 56 63 6 26 17 27 30 50 64 41 10 9 28 48 68 43 4 23 62 19 42 73 21 46 15 18 24 47

individu ke‐ 24 :

36 16 44 31 21 55 19 29 22 73 39 57 2 18 52 48 61 49 51 75 71 70 26 33 42 28 66 1 20 32 38 59 68 62 63 4 17 50 60 64 46 74 67 14 37 24 25 35 65 34 56 6 27 47 53 23 45 9 54 3 12 72 30 11 58 10 40 41 13 69 15 43 8 7 5

individu ke‐ 25 :



Lampiran 4 - 4

60 27 56 20 28 39 26 19 44 53 67 17 18 46 62 74 14 65 75 29 61 6 73 8 12 59 71 30 42 32 33 57 64 31 63 5 48 68 2 40 49 1 16 22 58 52 47 15 13 72 23 51 55 3 7 34 9 54 69 10 21 45 25 50 38 43 36 11 66 41 37 4 35 24 70

individu ke‐ 26 :

13 38 15 41 67 73 43 61 26 32 11 66 68 22 58 29 16 30 75 27 36 39 53 59 64 40 45 6 25 55 57 37 12 62 3 18 23 35 28 4 42 70 14 69 33 60 19 54 56 34 50 46 48 5 65 52 74 24 31 44 17 9 72 7 63 47 2 8 21 1 10 71 49 51 20

individu ke‐ 27 :

44 19 29 6 31 41 22 43 21 17 71 8 69 75 52 51 65 30 40 63 2 14 12 10 13 58 37 1 48 56 64 36 32 57 28 47 55 16 27 50 26 59 20 25 38 67 73 11 39 62 42 74 53 66 35 18 3 23 61 15 24 7 49 54 34 9 72 5 70 60 68 4 33 46 45

individu ke‐ 28 :

18 17 32 59 62 44 14 43 10 5 70 8 25 64 71 60 16 31 47 7 22 50 54 51 57 3 35 38 58 61 34 36 75 30 24 40 72 21 11 45 39 4 48 66 1 29 73 23 67 19 56 63 37 55 9 20 74 13 26 42 2 69 12 52 65 53 49 28 41 46 27 68 6 15 33

individu ke‐ 29 :

12 8 56 35 52 51 50 53 3 31 14 32 36 42 25 54 11 64 22 44 61 62 72 9 38 46 70 15 75 30 55 2 65 43 67 33 28 48 37 45 68 6 20 23 71 1 4 24 7 27 41 59 39 57 74 13 60 16 18 34 47 5 29 10 17 66 49 69 26 40 19 73 58 21 63

individu ke‐ 30 :

25 38 52 59 10 35 24 19 72 32 62 65 11 18 28 71 3 22 6 48 34 67 58 46 54 43 5 63 53 64 49 40 16 45 74 42 69 44 60 1 61 20 33 55 15 39 41 31 37 57 47 73 23 4 12 66 26 36 8 13 30 17 68 2 51 21 29 50 70 27 9 75 14 56 7

individu ke‐ 31 :

4 5 72 24 23 41 6 11 55 2 9 29 49 15 21 16 64 69 74 66 48 54 63 57 71 28 37 40 59 12 43 31 8 68 30 56 75 38 62 7 45 46 51 44 33 36 42 10 47 27 1 32 26 65 58 70 17 73 39 53 61 3 22 50 52 25 67 18 19 20 60 35 14 34 13

individu ke‐ 32 :

17 66 8 51 37 20 46 73 31 15 69 44 70 45 64 41 47 60 9 72 13 43 63 2 10 28 22 6 23 34 27 53 75 62 11 59 61 39 5 24 38 48 36 32 57 68 74 33 58 12 25 49 26 3 1 55 4 18 42 71 21 16 30 19 35 65 50 40 54 52 67 7 14 29 56

individu ke‐ 33 :

32 16 30 40 52 38 58 64 62 22 43 17 7 13 21 18 34 75 54 31 72 15 11 33 5 14 60 3 27 68 6 44 41 45 69 4 26 37 57 51 61 10 8 36 47 59 23 20 25 56 70 9 24 65 2 29 73 39 53 49 1 48 50 63 67 71 42 46 35 66 28 55 12 19 74



Lampiran 4 - 5

individu ke‐ 34 :

65 71 33 37 42 22 61 38 26 53 1 6 20 50 75 66 72 70 35 23 29 64 8 21 7 47 54 62 12 18 27 13 73 56 55 16 24 36 9 5 34 59 10 3 25 14 67 58 48 17 41 52 44 40 2 49 63 4 43 11 15 32 46 69 28 31 19 39 51 74 30 68 45 60 57

individu ke‐ 35 :

72 31 48 23 18 19 45 62 5 74 2 25 51 54 65 67 33 42 71 75 28 15 13 16 60 3 32 34 50 14 70 36 43 35 9 40 52 61 64 21 27 46 44 66 73 37 11 55 22 53 59 49 10 41 58 6 47 17 20 12 30 8 29 56 69 4 1 39 7 57 68 63 24 38 26

individu ke‐ 36 :

1 35 73 54 71 61 27 67 12 70 9 51 60 66 68 50 4 41 69 58 46 37 64 30 47 34 38 8 10 18 5 24 74 22 3 36 23 59 26 62 28 72 33 29 32 6 20 25 53 17 19 65 43 49 42 44 2 14 11 75 7 40 55 39 45 63 21 56 13 52 57 15 16 31 48

individu ke‐ 37 :

52 8 30 42 13 22 44 62 69 15 72 14 48 68 4 57 5 41 67 58 70 1 7 45 9 12 17 21 47 19 38 54 31 61 74 64 56 43 10 29 59 2 23 27 11 39 40 16 63 71 55 66 26 28 3 24 33 35 49 73 6 20 36 60 51 65 75 32 46 53 18 34 50 25 37

individu ke‐ 38 :

30 56 45 48 15 34 12 6 38 53 5 16 75 3 46 25 24 69 65 42 61 10 40 51 52 49 27 62 28 14 7 68 37 18 32 2 41 8 31 67 59 70 29 74 13 19 44 54 60 4 55 71 73 11 36 39 58 17 23 64 33 9 20 35 57 21 26 1 43 22 47 63 66 72 50

individu ke‐ 39 :

60 24 57 51 49 29 34 63 69 3 61 64 20 39 44 13 37 18 14 31 71 1 19 23 32 42 9 62 45 68 17 70 4 30 25 10 33 21 35 73 52 66 75 43 7 38 11 6 5 53 65 48 67 50 59 40 12 15 47 55 58 8 26 56 27 28 46 2 16 54 72 36 74 22 41

individu ke‐ 40 :

41 3 32 36 38 8 10 25 28 14 52 6 61 75 34 47 11 29 72 16 37 27 69 48 70 74 62 15 17 13 21 18 54 20 53 7 42 39 40 51 71 12 22 55 24 44 57 33 60 50 68 4 73 43 59 31 56 66 49 1 26 5 30 9 46 65 58 23 64 19 45 67 35 63 2

individu ke‐ 41 :

66 54 70 72 30 31 2 74 21 35 42 37 58 46 62 19 50 65 29 32 61 75 11 53 13 48 47 55 63 16 18 64 17 36 51 44 4 68 7 33 15 43 10 14 73 41 40 49 25 56 57 27 26 28 67 12 60 24 45 5 59 23 69 52 71 22 39 3 38 8 6 34 1 9 20

individu ke‐ 42 :



Lampiran 4 - 6

63 32 49 17 8 36 1 69 3 43 22 29 13 61 16 24 34 52 15 60 66 25 56 4 47 21 27 39 72 65 74 59 67 11 51 14 31 71 45 20 40 26 12 28 30 57 35 70 58 64 2 7 6 75 53 10 41 54 18 50 23 62 73 37 46 48 33 9 19 42 44 55 5 38 68

individu ke‐ 43 :

43 32 66 71 21 70 10 54 65 61 3 48 67 52 29 47 55 36 2 50 62 72 16 40 23 25 1 5 15 22 63 51 4 57 6 39 11 13 26 30 33 45 9 38 56 27 37 59 42 74 44 64 19 60 28 31 18 46 14 53 75 8 17 68 20 73 7 34 58 12 41 49 24 35 69

individu ke‐ 44 :

20 28 45 43 13 29 38 52 6 9 3 25 19 32 15 23 73 74 64 63 12 75 27 5 41 36 42 10 22 71 44 53 35 72 1 33 60 67 11 40 58 30 34 50 65 8 48 37 26 56 54 55 61 66 68 21 31 24 62 49 70 47 59 39 46 69 18 51 4 14 2 16 7 57 17

individu ke‐ 45 :

45 57 43 26 67 8 18 41 59 42 61 3 56 34 25 16 21 24 14 68 58 7 72 13 23 55 12 38 11 69 51 10 19 70 15 71 30 37 5 22 20 49 32 17 28 31 44 40 50 27 66 60 36 62 4 53 9 29 65 46 47 39 6 33 54 64 73 74 63 48 35 52 2 75 1

individu ke‐ 46 :

10 75 46 56 12 48 50 40 52 68 60 36 19 2 15 65 32 18 29 25 3 14 17 37 54 69 24 30 55 74 1 9 23 38 49 62 28 21 35 66 6 57 63 34 13 51 73 61 42 45 67 41 11 43 70 27 59 72 39 71 44 8 53 58 26 16 64 7 20 22 4 47 5 33 31

individu ke‐ 47 :

2 12 35 46 47 11 62 38 43 8 31 36 22 65 23 28 68 13 67 29 54 72 19 26 49 51 24 48 63 16 27 60 74 25 3 30 50 17 37 21 61 6 20 45 18 55 73 9 58 1 40 42 15 71 39 4 34 44 57 56 70 52 59 5 7 64 14 10 33 66 32 75 69 41 53

individu ke‐ 48 :

31 20 44 14 54 59 8 5 1 29 13 39 15 23 66 26 30 3 36 4 70 32 63 11 7 51 47 18 21 2 25 12 61 16 56 55 41 28 52 38 71 9 24 27 37 72 75 33 6 48 69 43 57 73 62 68 60 50 64 40 65 67 10 35 17 19 74 49 42 45 22 34 53 58 46

individu ke‐ 49 :

59 15 8 19 53 43 46 65 7 14 40 31 33 58 72 9 11 50 32 30 12 23 75 25 18 61 10 66 41 67 26 6 4 64 54 62 68 36 55 45 22 44 69 28 47 71 56 38 70 5 60 1 16 2 48 51 24 3 27 37 39 13 74 17 20 21 34 35 29 42 73 49 57 52 63

individu ke‐ 50 :

74 34 10 1 55 9 42 75 44 30 40 21 19 41 49 58 11 54 33 25 38 4 3 66 63 48 60 2 31 22 35 32 65 53 69 27 17 52 57 72 13 12 5 62 7 50 24 39 46 23 15 67 51 73 6 28 29 18 70 8 68 26 43 56 61 45 71 36 64 37 14 16 47 20 59



Lampiran 4 - 7

individu ke‐ 51 :

48 51 75 41 21 30 43 26 35 53 68 23 2 13 27 46 14 24 6 20 39 42 4 16 33 22 15 59 29 28 55 56 60 37 36 7 32 3 5 61 71 12 49 11 57 72 1 67 44 54 64 10 31 38 66 17 25 74 40 52 50 65 19 62 73 34 9 47 69 8 45 63 18 58 70

individu ke‐ 52 :

47 10 57 21 27 42 64 58 2 48 44 69 73 19 68 71 36 39 22 56 46 33 25 5 32 11 15 35 7 12 16 50 52 34 23 1 41 54 65 38 8 40 26 45 3 14 61 66 67 72 13 49 55 59 75 60 62 37 20 4 18 53 6 30 31 9 43 28 74 63 29 70 51 17 24

individu ke‐ 53 :

21 27 35 70 34 32 48 73 19 52 17 38 41 5 36 66 74 7 31 16 18 13 63 25 69 40 4 44 61 68 8 2 29 58 22 62 67 65 30 55 43 42 56 71 10 14 57 64 1 23 12 54 9 45 60 49 72 33 47 3 75 46 11 28 53 39 50 59 20 24 26 15 51 6 37

individu ke‐ 54 :

70 30 52 47 25 50 28 72 67 3 10 64 37 41 68 62 48 66 29 15 69 2 51 16 39 60 22 44 8 9 26 42 27 20 32 56 74 46 53 61 75 71 23 19 59 63 57 31 12 34 65 58 5 36 49 24 35 54 1 18 21 38 13 17 43 45 55 11 14 6 4 73 40 7 33

individu ke‐ 55 :

19 53 8 70 60 46 63 17 1 22 57 14 38 34 35 49 62 74 30 66 50 47 16 41 68 10 27 40 58 75 33 56 4 24 51 31 44 29 3 15 64 65 6 25 7 48 18 37 26 59 13 43 5 71 61 2 21 20 36 67 45 52 12 28 54 73 11 55 39 9 69 72 32 23 42

individu ke‐ 56 :

5 53 70 9 22 42 33 41 16 69 18 19 6 58 11 36 48 63 35 46 1 75 26 39 60 62 74 14 30 40 27 2 56 68 4 73 28 71 72 38 3 17 20 23 51 7 67 50 59 29 13 21 12 47 24 49 61 8 32 37 43 34 52 45 64 66 10 55 65 15 57 44 25 54 31

individu ke‐ 57 :

70 43 11 31 37 46 5 47 8 1 9 44 57 72 12 42 60 7 75 3 52 16 51 35 65 34 39 15 49 54 18 26 2 27 62 63 6 13 41 67 19 66 59 40 17 68 71 28 48 10 29 20 64 32 73 36 4 38 69 24 56 61 30 45 33 14 55 25 21 23 74 22 50 53 58

individu ke‐ 58 :

67 36 64 19 27 58 71 12 26 2 13 59 65 54 43 74 3 10 32 41 35 17 14 72 37 48 15 39 49 69 42 16 25 30 7 51 20 33 75 34 45 4 9 24 47 56 52 22 38 23 62 61 29 53 18 1 8 31 60 50 5 28 21 55 11 68 73 40 6 44 57 66 70 46 63

individu ke‐ 59 :



Lampiran 4 - 8

62 66 73 14 26 56 11 31 68 32 42 9 21 25 63 10 4 38 45 46 74 29 23 41 65 67 53 61 16 5 8 70 19 39 43 28 47 24 58 20 27 18 17 22 35 34 30 2 3 12 6 52 15 49 13 57 48 33 59 51 37 55 60 72 50 64 71 1 75 44 36 40 54 69 7

individu ke‐ 60 :

34 31 11 66 71 7 1 49 13 58 28 30 54 23 26 72 36 19 73 55 61 40 45 51 59 18 67 2 32 56 3 62 10 65 52 53 75 43 24 74 37 29 17 60 64 12 22 46 14 47 69 33 4 27 70 5 50 41 21 39 9 6 44 48 15 68 16 38 8 20 25 63 35 42 57

individu ke‐ 61 :

11 28 46 37 61 62 58 6 21 5 68 36 44 51 2 13 8 57 60 42 22 55 7 66 15 25 67 9 53 17 38 64 20 35 10 39 33 65 74 29 49 45 54 71 24 27 3 26 40 41 52 18 34 47 4 50 14 23 1 69 59 63 32 19 73 75 48 31 56 12 43 16 70 30 72

individu ke‐ 62 :

8 15 69 29 51 74 5 24 38 61 18 37 70 11 41 46 34 67 31 4 3 10 42 33 35 48 71 54 23 36 44 7 64 66 27 65 40 13 53 16 72 39 1 9 45 21 19 47 58 17 55 68 22 59 43 75 32 12 25 57 2 63 6 49 20 56 62 73 52 30 14 26 28 60 50

individu ke‐ 63 :

41 28 43 6 23 5 72 45 42 61 12 69 11 48 8 35 37 2 54 55 30 4 15 17 53 19 14 21 32 51 38 33 40 68 71 24 47 63 49 60 27 20 50 65 31 18 64 74 10 3 52 62 57 29 56 26 73 44 13 58 36 39 67 7 22 70 25 9 16 46 1 34 59 66 75

individu ke‐ 64 :

74 39 14 45 33 38 8 5 44 63 41 62 34 55 72 2 12 66 58 9 37 49 75 30 54 15 28 42 43 21 47 71 68 69 4 51 73 52 18 29 56 35 70 17 26 64 7 22 27 57 53 24 16 20 25 46 31 32 48 10 61 19 23 3 1 13 36 59 65 50 60 6 11 40 67

individu ke‐ 65 :

56 30 66 28 29 37 39 55 5 60 69 14 4 23 43 52 15 25 3 6 35 9 20 71 38 31 72 36 61 65 53 42 48 73 12 33 41 19 58 54 11 51 75 59 46 62 18 8 49 24 34 44 32 1 13 68 17 16 27 57 70 45 22 40 74 50 63 2 10 47 7 64 67 26 21

individu ke‐ 66 :

32 14 43 3 50 63 65 36 75 57 28 11 70 31 66 27 47 9 34 61 8 6 5 17 39 42 55 18 33 44 23 74 68 62 46 7 19 49 25 22 45 59 41 26 38 1 35 37 30 69 53 52 71 15 67 60 54 48 64 29 40 16 20 24 13 2 72 4 56 73 21 58 12 10 51

individu ke‐ 67 :

46 64 55 19 25 23 32 21 61 43 41 59 5 33 42 44 24 1 10 70 49 11 62 57 75 54 71 72 12 13 73 2 14 37 50 16 28 30 9 26 48 8 47 68 20 7 53 18 31 6 65 63 66 17 3 67 15 34 56 40 69 60 36 51 35 39 4 22 27 74 29 58 45 52 38



Lampiran 4 - 9

individu ke‐ 68 :

50 32 45 61 72 33 65 75 74 3 7 35 27 36 4 17 5 19 57 16 22 34 29 13 37 52 10 38 12 2 30 56 15 59 69 39 8 24 62 73 70 42 58 51 20 44 23 48 40 49 60 1 11 41 21 14 54 71 53 28 68 18 47 9 26 64 55 31 6 43 66 25 46 63 67

individu ke‐ 69 :

50 10 9 73 34 3 6 21 37 28 23 60 64 74 11 33 54 16 36 44 59 5 47 24 65 30 62 18 22 72 58 75 48 25 67 12 29 8 70 27 69 35 38 14 56 66 49 39 53 4 7 68 71 26 20 42 51 63 15 40 41 43 55 31 1 61 19 17 52 32 2 13 46 45 57

individu ke‐ 70 :

6 9 12 68 67 24 17 34 13 18 14 61 64 30 70 72 51 69 3 36 23 26 65 38 74 39 22 73 20 59 54 62 55 10 11 28 35 75 29 42 53 1 16 71 7 2 27 41 31 40 43 37 21 8 57 25 5 50 33 32 60 19 49 15 52 47 58 4 45 66 44 48 46 56 63

individu ke‐ 71 :

39 40 53 70 66 12 26 34 10 11 29 5 49 68 30 46 58 23 67 17 54 27 56 61 59 14 32 41 37 51 8 63 1 43 9 18 48 74 6 71 20 62 21 44 52 25 64 31 60 47 4 7 72 28 15 42 75 13 16 38 73 19 3 69 24 33 55 57 22 35 36 50 65 45 2

individu ke‐ 72 :

34 52 59 12 37 47 6 20 1 23 35 40 48 11 54 26 46 66 58 5 50 51 32 24 60 62 4 36 16 7 57 30 29 39 28 75 18 71 9 33 17 70 74 31 53 13 25 67 15 43 3 14 63 69 27 44 61 19 10 8 64 38 49 68 45 73 21 72 2 22 65 41 56 42 55

individu ke‐ 73 :

43 29 16 70 63 65 69 53 11 27 14 35 54 40 46 21 49 32 59 61 56 3 50 45 62 10 57 60 64 23 58 55 38 15 33 72 17 6 19 48 30 67 51 5 4 28 73 18 37 75 44 1 24 66 41 12 22 8 31 25 7 39 34 42 9 13 20 52 71 26 2 68 36 74 47

individu ke‐ 74 :

70 4 33 26 69 32 15 45 28 41 58 36 42 72 40 9 50 52 55 1 29 62 49 18 68 11 53 65 71 37 27 34 16 59 3 73 24 31 66 5 13 54 23 46 57 25 48 64 12 14 75 60 2 61 67 38 7 51 43 6 17 20 44 47 22 30 21 63 8 35 56 39 10 19 74

individu ke‐ 75 :

63 72 24 15 30 37 42 65 67 35 16 19 52 34 73 50 60 1 3 4 14 18 59 43 38 56 55 11 23 27 54 20 33 68 25 5 31 74 62 71 66 2 53 26 29 21 41 28 64 49 22 69 75 6 13 46 36 10 40 47 61 45 12 48 58 70 8 17 32 51 9 57 7 39 44

individu ke‐ 76 :



Lampiran 4 - 10

55 56 19 64 68 18 52 2 61 51 40 59 74 67 69 41 42 49 11 24 43 10 20 3 8 26 34 32 53 57 7 28 45 38 46 17 25 44 30 35 75 73 72 21 36 13 6 23 63 9 47 58 66 39 22 65 1 16 62 54 15 29 4 14 60 27 70 48 50 5 33 37 12 71 31

individu ke‐ 77 :

66 36 10 16 6 64 12 24 70 5 59 52 2 38 50 41 46 39 73 15 32 9 53 72 40 55 37 75 56 23 34 13 44 45 11 57 35 29 47 62 43 42 48 14 19 22 33 28 61 74 71 1 26 25 65 63 8 20 18 60 4 51 17 69 49 27 54 3 30 31 58 67 7 68 21

individu ke‐ 78 :

4 3 25 13 56 30 48 67 11 22 38 66 6 9 36 37 46 72 32 44 62 26 59 39 69 19 55 54 34 65 58 29 14 2 28 31 12 10 33 52 1 43 24 41 71 60 17 61 64 57 42 63 73 5 20 45 16 53 68 70 15 23 40 18 50 74 35 49 8 75 21 27 51 7 47

individu ke‐ 79 :

42 45 49 1 10 38 27 19 21 24 52 36 37 40 32 55 28 44 29 65 20 31 72 11 13 34 62 54 73 18 30 51 75 59 15 17 48 6 8 56 47 67 74 16 71 35 69 53 50 66 12 63 14 68 5 61 57 64 9 58 60 70 41 26 4 7 2 22 43 46 25 33 39 3 23

individu ke‐ 80 :

70 24 34 21 46 62 37 58 54 15 35 50 7 23 20 71 28 74 60 19 30 10 1 44 27 9 6 55 72 64 4 3 61 8 56 12 68 39 63 2 31 53 17 42 18 29 67 40 51 49 36 47 16 5 66 13 57 26 52 59 73 33 43 45 11 48 14 41 32 38 22 69 65 25 75

individu ke‐ 81 :

65 74 26 50 12 39 55 42 61 28 29 6 33 15 2 1 59 72 36 44 19 70 49 21 22 57 58 11 51 54 66 20 53 27 47 31 24 45 37 46 62 5 48 14 52 35 43 68 7 10 71 8 32 17 25 18 38 69 75 13 9 34 41 64 73 3 60 23 4 16 56 30 40 67 63

individu ke‐ 82 :

19 53 73 5 26 44 55 15 71 21 49 51 25 61 62 39 60 11 38 17 40 57 47 2 63 8 27 72 65 74 75 66 48 34 30 36 37 42 46 18 29 10 3 24 4 9 12 6 43 22 23 33 67 68 7 14 45 70 20 69 64 54 56 50 28 16 52 58 13 59 31 35 41 32 1

individu ke‐ 83 :

39 32 49 74 35 27 33 15 31 38 21 14 16 11 20 30 1 53 5 42 68 65 46 72 50 60 36 57 19 62 54 12 44 23 22 28 67 18 4 59 61 73 9 10 24 2 45 48 25 51 13 52 8 58 75 6 47 63 41 17 69 56 7 40 71 70 3 26 29 64 66 34 43 37 55

individu ke‐ 84 :

40 10 46 32 60 44 59 69 4 47 31 19 43 70 72 23 21 67 54 33 36 75 15 34 12 18 68 29 16 14 38 35 65 39 53 41 51 24 7 30 71 58 57 62 55 66 1 22 2 5 27 8 52 63 28 3 13 73 45 49 50 25 74 64 17 20 26 37 42 6 9 48 61 11 56



Lampiran 4 - 11

individu ke‐ 85 :

21 17 37 41 39 48 46 8 10 28 72 44 6 70 2 19 60 18 7 57 22 67 12 49 73 11 3 15 24 52 68 9 75 54 71 61 47 74 20 58 35 13 26 66 30 51 4 53 62 5 42 16 69 32 56 38 43 50 36 14 25 40 27 64 65 23 55 29 31 45 63 33 1 59 34

individu ke‐ 86 :

25 43 73 39 67 52 3 61 69 4 48 9 74 13 33 59 7 32 24 62 23 30 58 2 16 40 17 64 12 63 1 68 6 60 26 41 45 70 49 56 18 10 15 51 19 65 71 29 28 50 21 55 8 31 75 66 11 42 46 53 14 44 54 34 38 36 57 27 20 72 47 35 22 37 5

individu ke‐ 87 :

69 10 45 18 39 74 50 14 27 73 11 44 30 26 40 24 51 7 42 3 29 47 33 56 53 60 22 70 13 38 35 68 20 4 15 28 21 34 36 5 23 62 32 46 59 72 64 66 71 17 63 67 65 1 16 12 49 55 25 31 41 61 58 37 19 8 2 43 52 54 57 75 6 9 48

individu ke‐ 88 :

70 4 60 45 30 62 57 36 54 35 11 13 44 20 22 7 52 18 34 55 56 15 16 51 23 42 72 31 14 48 25 64 5 37 46 40 29 1 8 73 66 27 49 69 61 65 19 68 63 74 6 2 32 24 39 17 28 43 75 41 47 21 58 59 12 26 71 33 67 53 50 9 10 3 38

individu ke‐ 89 :

6 32 47 12 44 19 5 60 2 15 69 67 58 14 42 1 63 65 18 28 11 68 13 64 17 29 26 54 4 20 66 70 37 41 21 16 24 33 39 55 73 45 30 57 23 50 22 8 48 10 56 62 36 46 7 25 31 53 43 9 74 52 38 27 49 59 40 61 34 72 75 51 35 3 71

individu ke‐ 90 :

62 11 25 15 70 36 33 46 51 58 45 17 52 74 42 26 69 9 67 49 71 41 57 23 6 53 35 13 60 19 37 65 16 7 50 72 28 5 10 18 39 68 44 32 34 1 14 2 61 63 31 66 55 21 54 20 30 59 73 27 75 40 47 38 8 64 12 29 3 22 24 56 43 48 4

individu ke‐ 91 :

63 68 9 10 22 24 35 73 13 28 56 27 61 41 5 31 47 11 48 75 3 6 25 1 12 26 18 72 30 40 62 59 7 4 44 54 21 65 50 23 17 34 66 2 38 39 69 70 60 33 37 46 58 14 20 29 19 64 16 49 42 15 36 57 67 71 52 51 53 43 55 8 45 74 32

individu ke‐ 92 :

40 42 31 6 11 71 39 38 15 12 34 16 30 33 26 50 28 5 1 37 54 52 46 64 69 19 2 7 72 74 45 55 48 29 56 57 25 47 10 61 70 4 59 73 14 18 21 49 51 75 24 23 27 68 65 67 36 35 17 44 53 66 13 62 8 9 32 41 58 60 22 43 20 3 63

individu ke‐ 93 :



Lampiran 4 - 12

13 75 30 38 64 33 31 10 45 6 21 3 17 50 44 70 27 28 59 11 47 60 18 25 42 74 20 23 65 69 36 7 34 19 63 15 41 46 32 26 39 68 52 58 9 49 37 61 24 51 4 53 12 35 71 62 22 1 29 5 57 73 16 55 14 67 43 66 8 40 48 56 72 54 2

individu ke‐ 94 :

28 54 26 46 19 30 5 16 64 1 35 67 69 2 65 15 31 13 18 41 27 14 59 10 9 33 3 53 60 43 42 40 11 44 8 38 23 20 45 32 61 72 36 71 55 75 56 74 70 57 73 6 52 63 24 17 7 21 4 47 22 51 25 62 34 58 12 48 66 39 29 68 50 37 49

individu ke‐ 95 :

39 65 18 49 63 33 11 27 73 26 71 66 16 59 67 14 52 58 54 17 75 31 41 46 55 62 19 22 30 38 15 3 36 5 37 69 53 42 2 9 44 47 61 72 6 29 32 56 64 24 34 51 50 21 12 20 28 57 10 70 60 40 7 23 68 48 8 1 74 13 4 35 45 25 43

individu ke‐ 96 :

66 65 51 12 35 59 64 71 60 15 70 46 2 18 8 21 55 43 17 33 74 28 75 41 61 52 14 56 38 54 37 22 30 5 63 9 50 16 24 7 26 39 58 23 36 47 45 49 40 19 48 1 13 73 20 57 31 72 10 11 29 25 68 3 34 69 27 32 4 67 53 6 42 44 62

individu ke‐ 97 :

45 19 50 43 11 13 7 30 44 46 3 67 73 10 64 6 51 22 14 39 57 72 18 41 38 32 59 21 31 17 25 71 68 27 56 69 24 63 37 9 1 23 33 53 26 66 12 65 75 5 61 47 42 62 8 16 28 55 36 48 70 40 74 35 60 4 52 29 20 15 54 34 49 2 58

individu ke‐ 98 :

71 48 63 62 27 64 12 24 28 75 33 13 43 9 3 44 22 61 72 50 49 36 1 34 35 2 25 20 32 10 70 4 31 52 16 45 38 74 19 69 7 68 30 58 15 18 73 29 14 67 51 41 60 66 5 23 39 56 26 46 57 37 55 11 40 53 8 17 65 42 59 6 21 47 54

individu ke‐ 99 :

10 31 55 64 67 23 68 18 70 48 11 52 25 3 15 39 61 34 44 62 72 9 63 33 57 20 38 59 4 49 42 69 16 43 24 50 1 75 71 36 13 40 65 5 58 27 54 22 32 46 8 41 51 60 2 45 7 37 47 66 30 73 74 17 6 35 26 14 53 56 29 12 19 21 28

individu ke‐ 100 :

17 32 54 5 3 9 1 20 62 4 35 53 27 8 42 71 34 38 29 66 44 69 33 74 25 64 2 41 57 10 37 65 49 30 31 6 47 70 15 73 13 72 67 55 68 7 16 45 58 52 59 50 63 14 39 61 75 40 56 21 28 24 18 19 60 11 22 43 26 46 12 36 23 48 51

Variasi Bentuk Yang Dipilih Data Kucing Awal :



Lampiran 4 - 13

individu ke‐ 1 :

4 4 2 5 4 3 5 4 2 1 1 5 1 3 2 1 2 2 5 1 5 3 3 3 4 2 4 2 3 4 1 5 3 2 2 1 4 4 2 3 5 5 3 1 1 4 5 5 4 2 5 2 3 5 4 1 4 2 3 5 3 5 4 4 3 5 2 1 5 2 5 5 4 2 2

individu ke‐ 2 :

5 3 2 3 1 5 3 4 3 3 4 5 1 5 5 2 3 3 5 3 3 5 1 5 4 4 3 1 2 2 3 4 2 1 2 4 3 1 1 4 2 5 5 5 1 1 3 4 5 1 4 4 1 5 2 4 2 5 1 3 2 3 4 3 5 1 2 3 5 3 3 4 4 4 5

individu ke‐ 3 :

2 2 4 2 5 5 5 5 2 1 1 5 2 3 4 1 4 2 2 2 4 2 5 3 2 5 3 1 1 1 3 4 5 1 5 3 4 1 3 4 1 5 1 3 5 5 4 5 5 3 1 2 3 5 4 2 3 2 3 1 4 5 4 2 3 5 1 5 5 4 4 4 1 4 5

individu ke‐ 4 :

5 2 4 3 3 5 1 5 2 2 5 2 3 2 3 4 5 1 2 5 1 3 2 1 1 2 5 5 2 5 2 5 1 2 4 5 2 4 1 2 3 5 4 4 4 5 3 1 5 2 4 5 2 2 2 3 5 4 2 2 3 5 2 2 5 5 4 5 5 4 1 5 2 1 5

individu ke‐ 5 :

1 3 1 3 2 1 2 5 5 2 4 2 3 4 2 2 2 2 2 5 2 3 2 4 5 3 4 4 3 4 5 3 5 3 2 5 4 3 5 3 3 4 4 2 3 3 1 4 3 3 2 5 4 1 1 4 2 4 3 3 4 2 3 4 1 2 5 5 1 4 5 4 1 3 2

individu ke‐ 6 :

5 3 5 1 3 1 1 3 1 4 4 1 5 3 3 2 5 5 3 3 5 1 5 4 3 2 4 2 5 4 3 5 2 2 3 5 5 2 4 5 4 3 1 1 5 2 1 3 4 3 3 4 5 4 2 2 3 4 1 2 5 3 3 3 3 4 4 3 2 3 3 1 3 3 1

individu ke‐ 7 :

5 5 1 5 3 3 5 1 2 1 4 3 4 3 2 2 2 2 4 1 5 5 2 2 3 5 1 5 1 3 2 2 3 5 5 1 1 3 4 4 4 1 3 3 2 4 2 2 4 3 3 3 5 1 2 2 3 2 1 1 5 2 4 5 3 4 1 5 2 3 2 3 4 2 5

individu ke‐ 8 :

3 5 3 5 4 5 4 1 2 5 1 3 5 3 5 2 5 5 4 4 1 5 1 5 3 5 5 3 3 5 3 4 1 3 5 5 2 5 2 2 5 4 2 3 4 4 4 5 2 1 2 2 3 2 4 5 5 1 5 3 1 2 3 5 2 2 4 3 1 4 2 4 3 3 2



Lampiran 4 - 14

individu ke‐ 9 :

2 5 1 3 3 1 2 4 3 2 3 1 4 3 3 3 4 5 2 4 5 4 1 5 4 4 2 2 3 2 1 5 1 2 5 5 4 1 2 5 3 2 1 3 2 4 1 5 2 2 2 3 5 5 4 5 3 5 3 3 5 4 5 1 5 5 5 2 3 2 4 3 2 2 2

individu ke‐ 10 :

3 2 2 2 1 4 3 2 5 4 1 4 5 5 2 2 1 5 3 5 1 2 1 5 1 3 1 2 1 5 2 1 5 1 1 3 1 5 2 3 3 2 4 4 3 2 3 5 1 4 3 5 5 4 3 2 4 1 5 4 5 2 4 3 2 3 3 1 5 3 1 2 5 5 3

individu ke‐ 11 :

2 1 4 1 1 1 2 2 1 4 1 2 2 1 5 4 2 5 1 5 3 4 3 5 5 1 3 2 1 5 1 2 5 2 5 3 1 2 3 3 1 3 1 2 1 4 2 2 4 1 5 1 1 4 5 5 4 5 1 5 5 1 1 4 5 1 4 4 3 4 3 5 5 1 2

individu ke‐ 12 :

5 2 1 1 2 3 4 1 4 4 1 1 3 2 2 5 2 4 4 1 2 5 1 5 4 2 1 5 4 5 2 2 1 4 4 1 1 2 2 2 4 3 3 2 4 4 3 4 4 1 1 4 5 3 2 3 3 4 5 3 3 3 2 5 5 2 5 4 5 2 1 2 1 3 4

individu ke‐ 13 :

5 3 5 5 5 4 1 2 1 2 3 3 1 1 1 3 3 5 2 1 3 1 1 1 3 1 3 4 4 1 4 3 1 3 5 4 2 3 5 2 2 2 2 3 4 2 1 2 2 1 5 2 4 5 4 1 3 1 1 1 5 4 4 5 4 4 4 2 3 3 3 3 2 3 5

individu ke‐ 14 :

5 2 3 1 2 2 2 5 4 1 2 4 5 1 3 5 2 5 3 4 2 3 3 4 2 4 4 3 3 2 1 1 2 1 3 1 1 3 3 5 5 4 2 3 5 3 1 4 2 4 1 5 4 5 5 2 2 4 3 2 4 3 2 5 2 4 2 4 1 2 1 1 5 2 2

individu ke‐ 15 :

3 4 5 5 2 3 4 3 4 1 2 4 2 5 5 1 1 4 5 4 5 2 1 5 5 4 4 2 1 5 5 2 4 2 1 3 1 1 4 1 4 1 5 1 5 3 2 3 2 5 3 3 1 4 4 2 3 4 1 2 2 3 3 3 5 5 2 4 4 5 2 5 2 3 2

individu ke‐ 16 :



Lampiran 4 - 15

5 4 1 5 2 3 3 3 2 1 2 5 5 3 3 1 2 3 1 2 5 2 5 2 3 1 1 2 4 5 4 3 5 1 3 2 2 2 3 1 3 1 2 1 4 4 2 4 4 2 4 4 1 3 3 2 4 3 2 2 3 2 2 2 3 1 5 4 1 5 3 3 4 5 5

individu ke‐ 17 :

4 1 2 3 4 2 2 2 5 5 5 1 5 5 2 1 4 3 4 2 2 1 5 3 2 5 4 4 4 1 5 3 5 4 2 1 2 2 5 5 4 2 1 4 3 5 5 1 3 2 3 1 5 5 3 4 2 3 2 3 3 3 2 4 4 2 2 1 4 1 4 3 3 5 4

individu ke‐ 18 :

2 2 5 4 4 4 4 5 4 5 4 1 1 5 1 2 2 1 3 1 2 4 2 4 5 3 4 3 4 5 5 3 4 3 2 1 5 2 4 4 2 3 3 5 1 1 4 2 1 2 1 1 4 4 4 3 1 4 3 4 2 4 4 1 1 5 5 3 3 4 2 2 4 4 2

individu ke‐ 19 :

3 2 4 5 2 4 4 5 5 4 2 3 1 2 4 5 3 1 3 1 4 5 5 1 4 1 4 4 3 1 3 2 4 2 5 5 1 2 5 3 3 2 3 5 5 4 2 1 5 1 4 4 5 4 4 1 2 4 1 4 4 2 3 2 2 3 4 5 2 1 3 3 1 4 1

individu ke‐ 20 :

4 5 3 1 1 3 2 1 4 1 4 1 1 4 3 2 1 4 3 5 2 2 4 5 5 3 5 1 5 2 5 4 4 3 2 2 3 2 2 4 5 5 1 1 1 1 1 2 1 3 5 5 2 4 2 3 2 5 5 5 1 3 5 2 1 5 1 4 1 5 4 4 4 1 5

individu ke‐ 21 :

4 5 5 5 4 5 3 2 2 2 5 1 2 2 5 5 4 1 5 3 5 2 1 1 3 5 2 5 2 5 2 5 2 3 1 2 4 5 2 1 5 4 2 2 2 3 1 2 4 5 3 2 3 4 3 1 1 2 4 3 3 2 5 4 2 3 4 1 3 5 5 1 5 2 3

individu ke‐ 22 :

2 2 3 1 3 2 4 3 4 4 5 4 4 1 1 5 2 4 2 5 4 2 1 2 1 4 4 4 5 4 2 3 5 5 1 3 2 2 4 1 3 1 3 5 5 4 1 5 4 3 4 5 2 5 1 3 3 3 4 1 5 5 4 2 1 4 4 1 1 5 5 5 5 1 5

individu ke‐ 23 :

2 4 1 1 5 5 4 4 4 2 2 4 5 2 3 2 2 5 1 3 2 4 3 3 5 2 4 2 1 2 3 1 4 4 4 2 4 1 3 2 3 5 2 1 2 2 1 2 3 4 1 5 4 4 5 5 3 4 3 2 3 4 3 5 5 2 3 3 4 2 5 4 2 2 3



Lampiran 4 - 16

individu ke‐ 24 :

3 3 4 5 2 4 2 5 4 1 5 2 4 5 2 3 3 1 4 1 2 5 4 3 2 5 3 2 1 1 4 4 5 3 3 1 4 3 1 2 2 2 1 4 1 5 2 1 1 1 4 1 4 3 4 2 4 3 2 3 4 2 4 3 2 2 5 4 4 2 5 3 4 1 3

individu ke‐ 25 :

3 3 5 5 4 2 3 4 2 2 4 3 5 3 2 4 3 3 2 5 2 2 2 3 2 5 2 4 4 2 4 1 2 4 1 5 3 1 3 1 5 4 5 5 4 2 2 2 5 1 3 4 1 2 4 5 4 5 5 3 5 2 4 5 2 5 1 5 1 5 2 3 5 1 2

individu ke‐ 26 :

4 2 2 5 5 1 1 2 2 4 4 4 4 5 2 2 2 1 4 5 4 3 3 5 2 2 3 1 1 1 3 1 2 5 3 5 1 1 1 4 4 3 2 1 4 4 1 3 1 5 3 3 2 4 3 5 2 5 5 2 3 4 3 3 4 5 1 2 5 1 1 5 5 1 5

individu ke‐ 27 :

1 2 3 5 3 4 2 5 4 2 1 2 2 3 1 1 4 2 3 5 3 2 1 5 2 4 2 2 5 4 5 1 5 5 4 1 5 2 5 5 3 1 4 2 3 2 3 4 1 3 5 2 3 5 1 1 4 5 5 4 4 2 3 1 1 3 2 4 4 1 5 4 5 4 4

individu ke‐ 28 :

2 4 2 3 1 3 2 2 1 5 5 2 4 1 4 5 1 5 2 3 3 4 1 1 3 2 3 3 2 4 1 5 4 1 3 4 5 2 5 5 3 3 4 2 4 4 3 2 4 4 2 2 4 1 5 4 4 1 1 2 4 4 1 2 4 1 4 5 3 2 1 4 1 5 2

individu ke‐ 29 :

3 3 3 4 1 1 1 1 5 3 2 2 5 3 5 3 3 3 5 2 3 5 3 2 2 5 2 2 3 1 3 3 2 4 4 4 3 4 3 2 5 5 4 2 4 3 4 5 3 4 1 1 4 4 3 4 3 3 2 4 3 2 5 4 4 2 3 3 5 5 5 4 2 3 1

individu ke‐ 30 :

3 3 3 4 3 4 4 1 1 5 4 3 5 4 4 1 5 2 2 2 5 3 4 3 4 1 2 5 5 2 1 4 5 2 3 2 3 2 5 3 1 4 1 2 2 4 2 4 4 1 3 5 1 5 4 4 4 1 1 1 1 1 3 3 1 4 4 2 5 1 5 4 4 3 1

individu ke‐ 31 :

5 2 4 3 1 2 4 4 5 5 2 1 3 1 2 4 1 4 3 2 2 5 5 1 1 4 1 2 3 4 2 1 3 2 2 2 1 5 4 2 3 1 2 4 5 1 5 5 3 2 2 1 3 5 2 3 4 2 4 2 5 1 5 2 4 2 4 1 4 2 2 2 2 4 4



Lampiran 4 - 17

individu ke‐ 32 :

2 4 5 2 1 4 2 3 2 2 5 2 5 2 4 3 3 4 1 4 2 4 1 3 3 1 1 5 5 3 5 1 1 3 2 1 5 3 5 5 4 4 1 2 4 3 2 4 2 1 1 2 5 3 2 4 1 4 3 3 5 1 5 3 1 2 5 4 3 4 4 3 2 2 5

individu ke‐ 33 :

1 4 4 5 1 2 3 1 1 4 4 4 3 2 3 4 5 2 3 1 3 2 3 2 3 5 3 5 5 2 4 1 5 2 5 3 5 1 4 4 1 4 5 2 3 4 3 2 5 1 4 2 1 5 1 3 5 2 4 2 5 3 1 1 4 4 5 1 5 5 2 4 4 4 5

individu ke‐ 34 :

4 1 5 2 1 4 5 3 3 3 1 1 1 5 4 5 2 4 4 4 4 2 5 3 2 4 5 4 1 5 2 5 5 1 4 2 1 3 4 1 1 4 5 5 2 1 1 1 4 2 4 2 5 5 2 3 5 2 2 5 3 2 2 1 4 4 2 1 4 3 5 3 5 1 1

individu ke‐ 35 :

1 5 3 2 1 1 4 2 2 4 2 2 4 1 2 3 1 3 1 3 1 1 4 5 2 1 5 4 4 2 1 3 5 5 5 1 5 3 5 2 3 4 4 4 2 2 3 5 2 4 1 4 2 4 3 5 5 3 4 3 3 2 2 2 3 4 3 4 5 1 1 4 3 4 2

individu ke‐ 36 :

2 4 2 3 2 5 5 5 1 3 5 3 4 4 5 2 4 5 5 3 4 5 4 4 4 5 3 2 1 1 2 4 3 4 1 4 3 2 1 1 4 3 3 1 4 5 2 1 5 3 4 3 3 5 1 3 5 2 5 5 2 3 5 1 2 5 5 2 3 1 4 4 2 3 3

individu ke‐ 37 :

4 4 5 1 5 3 1 1 1 1 5 3 3 2 5 1 2 3 5 5 3 4 5 3 4 5 4 4 4 2 1 5 5 1 4 2 1 3 5 2 1 1 4 4 1 3 3 4 4 2 1 5 5 3 4 4 4 3 4 3 4 3 2 1 1 3 4 1 5 4 5 2 1 3 5

individu ke‐ 38 :

5 3 4 1 1 2 4 1 3 3 5 4 2 4 4 5 3 2 5 4 4 2 2 4 4 5 3 2 3 1 4 5 1 2 4 5 1 3 5 3 1 1 4 1 1 1 5 3 4 4 1 5 5 2 1 1 2 1 3 2 1 2 1 3 2 3 5 1 5 5 5 1 5 5 4

individu ke‐ 39 :



Lampiran 4 - 18

5 1 3 2 4 5 5 3 4 2 3 4 5 2 1 5 3 3 3 3 4 3 4 3 5 2 3 4 5 4 2 1 3 2 1 5 3 2 5 1 2 2 3 3 3 4 1 2 2 5 4 3 1 2 2 4 4 5 5 1 5 5 2 2 4 1 4 4 4 4 1 3 3 5 4

individu ke‐ 40 :

1 2 3 4 1 4 5 4 2 3 4 3 3 2 1 4 3 5 2 1 3 3 3 2 4 3 3 5 2 2 2 4 4 5 2 3 4 4 5 1 2 3 5 3 3 3 1 5 2 2 1 4 3 5 5 2 1 3 4 4 5 2 1 4 1 2 4 2 3 3 2 2 3 3 2

individu ke‐ 41 :

1 4 2 2 2 5 3 5 4 1 4 4 3 1 4 5 2 1 5 3 1 2 4 4 5 1 3 4 4 5 4 5 4 5 5 2 4 2 3 3 2 2 3 5 5 5 2 5 4 1 4 5 1 1 4 1 3 4 3 2 5 5 4 1 4 3 1 3 5 5 4 3 5 4 4

individu ke‐ 42 :

1 5 5 5 2 5 4 1 5 5 5 2 2 1 2 3 4 1 1 1 1 2 2 3 1 5 3 1 4 3 1 1 4 3 5 5 4 1 5 1 2 3 3 4 2 2 2 4 2 2 2 3 3 3 2 1 5 3 5 5 3 4 4 1 2 2 3 1 1 3 3 1 3 5 5

individu ke‐ 43 :

4 3 2 2 4 3 5 5 1 1 1 1 5 5 1 4 5 4 1 3 4 1 3 1 5 1 1 4 5 5 3 4 2 4 4 3 4 4 5 4 4 5 5 4 3 5 5 1 1 1 3 1 5 4 3 1 5 1 5 4 3 3 3 5 4 4 4 4 2 1 3 2 4 2 4

individu ke‐ 44 :

3 3 3 2 3 1 2 5 4 1 1 2 4 2 4 4 3 1 5 4 2 1 5 2 2 1 1 1 4 2 1 3 2 5 1 2 2 2 5 5 3 3 3 5 1 3 4 2 1 2 5 5 2 2 4 3 4 2 4 3 5 5 4 5 5 2 5 4 3 1 1 3 5 4 2

individu ke‐ 45 :

1 1 5 3 1 5 3 1 4 3 2 4 4 4 2 2 2 3 2 1 4 1 3 4 2 3 4 1 5 2 5 1 2 1 5 5 2 1 2 5 1 3 3 2 2 1 2 5 5 5 2 1 1 3 3 4 4 4 1 3 2 1 3 2 2 5 5 4 4 5 3 5 5 2 1

individu ke‐ 46 :

3 2 4 1 4 1 4 3 1 1 4 4 5 4 1 1 5 5 3 1 4 5 5 1 5 4 1 3 3 4 2 4 4 5 2 2 2 1 3 1 1 3 3 5 5 5 1 1 3 1 5 4 3 5 4 1 3 5 1 2 4 2 5 4 4 1 3 4 4 1 5 3 2 3 5



Lampiran 4 - 19

individu ke‐ 47 :

1 5 1 1 1 5 3 4 4 1 1 1 3 2 3 5 3 1 5 5 3 4 1 4 2 1 3 4 1 3 3 3 4 4 2 2 5 3 2 3 3 2 3 3 2 3 5 3 3 2 5 4 4 5 1 2 5 1 4 4 5 5 3 3 3 4 1 4 4 5 2 5 1 5 4

individu ke‐ 48 :

2 1 4 4 5 1 1 3 2 2 5 2 5 5 1 4 5 5 4 1 5 2 3 2 5 5 2 3 3 5 1 3 3 3 5 5 5 2 2 3 2 5 4 4 5 3 1 4 3 4 4 2 1 5 4 5 4 4 3 1 1 1 5 1 2 3 2 2 5 5 3 3 1 4 4

individu ke‐ 49 :

2 3 2 3 4 3 4 5 4 2 5 3 3 3 1 2 2 2 5 1 1 1 5 3 5 3 3 3 4 2 4 2 1 5 2 3 2 4 5 2 4 3 3 1 1 2 3 3 2 1 1 3 2 3 4 1 2 1 1 3 1 3 2 1 4 3 2 4 2 2 5 3 2 4 4

individu ke‐ 50 :

3 5 1 2 2 2 1 4 4 2 4 1 2 2 4 2 2 5 5 1 5 4 2 3 5 4 2 4 2 5 2 2 5 5 4 3 5 2 5 4 3 5 4 1 5 5 1 3 2 5 4 1 3 4 4 3 3 4 3 4 3 5 3 3 2 2 1 4 3 5 4 5 4 2 2

individu ke‐ 51 :

4 5 3 4 1 1 3 1 5 1 1 3 5 2 2 2 1 2 2 1 3 4 4 1 1 5 2 1 4 3 5 4 5 3 3 1 5 2 2 3 5 5 3 5 1 1 4 2 4 2 1 1 3 2 1 5 2 1 1 5 2 2 3 2 5 5 2 4 1 3 4 1 4 2 2

individu ke‐ 52 :

4 2 1 4 2 3 3 4 4 3 5 2 1 3 4 4 3 1 3 5 5 2 1 5 1 4 3 2 3 3 2 1 4 2 5 4 5 1 5 5 2 1 2 1 3 4 5 4 3 5 2 5 2 4 3 5 4 5 4 5 1 3 4 1 5 2 4 4 1 2 4 4 3 4 4

individu ke‐ 53 :

1 1 4 4 1 1 4 3 2 5 1 3 2 4 4 4 3 3 5 1 5 2 3 4 4 2 2 1 2 1 3 3 3 2 1 4 2 3 4 4 4 1 3 2 3 4 1 3 5 4 2 3 5 2 5 1 4 4 2 4 2 3 3 4 3 3 5 2 5 2 2 2 2 1 5

individu ke‐ 54 :

3 3 5 1 1 5 1 3 4 5 5 5 5 2 3 5 2 4 1 1 2 1 3 2 3 3 1 2 2 5 1 3 1 5 1 3 5 1 1 4 1 1 2 4 4 5 2 3 2 3 5 2 2 2 4 2 3 4 5 3 2 2 5 3 5 3 3 5 2 1 4 1 5 5 5



Lampiran 4 - 20

individu ke‐ 55 :

4 1 2 2 2 4 1 1 5 1 3 1 1 5 1 3 3 3 4 3 3 2 2 1 4 4 5 3 5 3 5 3 4 4 4 1 1 1 5 5 4 1 5 5 3 1 5 4 3 5 4 3 3 3 3 1 2 2 4 4 3 5 1 1 1 1 1 2 3 2 1 4 2 3 3

individu ke‐ 56 :

2 3 4 2 2 5 2 1 2 1 1 1 4 3 5 2 4 1 2 3 5 4 5 3 3 5 4 3 4 2 4 1 5 3 2 3 3 2 1 5 3 1 1 3 4 3 2 2 4 4 1 3 1 3 4 4 3 5 5 5 1 3 5 2 2 2 5 5 4 3 4 4 3 2 1

individu ke‐ 57 :

2 5 1 5 2 2 2 5 2 2 3 2 2 1 2 1 5 2 3 5 3 5 3 5 2 5 2 1 2 1 4 4 5 2 1 3 2 1 3 2 2 5 2 5 3 5 5 3 1 1 1 2 2 5 2 1 5 5 2 1 3 4 4 2 5 2 4 1 3 4 3 5 3 4 4

individu ke‐ 58 :

5 4 1 3 5 4 3 4 3 4 2 5 4 3 4 2 3 1 2 2 2 2 2 2 2 2 5 3 5 5 4 1 1 3 2 1 3 1 2 1 3 4 5 1 2 5 2 5 3 1 2 3 3 4 4 1 4 3 4 5 3 5 4 2 3 4 5 2 4 1 1 4 1 3 3

individu ke‐ 59 :

1 1 1 5 5 3 5 5 2 4 2 1 3 2 3 2 2 1 3 5 2 1 4 1 2 4 1 3 3 3 2 3 2 5 4 4 1 3 4 2 5 1 5 2 4 2 3 4 3 3 3 3 5 4 1 3 3 4 4 2 4 3 1 5 3 3 3 4 4 5 1 4 3 4 1

individu ke‐ 60 :

3 2 1 5 1 5 1 1 2 2 4 2 1 5 1 3 4 2 4 5 1 3 5 1 5 2 2 2 1 3 2 2 3 4 4 4 4 5 5 5 2 5 2 1 4 2 2 3 4 2 5 1 1 4 3 1 2 5 4 2 2 1 3 3 1 4 1 4 3 3 4 4 2 1 5

individu ke‐ 61 :

5 5 2 4 4 3 1 3 1 1 3 5 5 1 1 5 3 4 4 5 2 3 3 2 3 3 4 4 1 4 5 1 2 5 1 4 3 1 4 4 4 2 5 4 5 3 4 5 1 4 2 4 3 2 1 2 1 1 4 4 3 1 3 3 5 5 5 1 2 2 5 3 1 2 4

individu ke‐ 62 :



Lampiran 4 - 21

4 4 2 3 1 4 4 2 5 1 2 3 5 3 5 3 5 4 5 2 5 3 3 3 4 1 2 5 4 5 4 4 2 2 5 2 4 3 3 4 1 1 4 3 3 4 1 2 3 2 4 2 4 5 4 1 5 2 4 5 5 3 4 2 3 2 2 3 4 4 4 3 4 1 3

individu ke‐ 63 :

4 3 3 4 2 1 4 4 2 2 2 3 1 1 1 4 2 2 5 1 5 2 4 1 3 3 1 2 4 1 3 3 3 4 5 3 4 3 4 3 1 4 3 4 2 4 4 4 1 4 3 3 4 1 1 4 4 5 5 2 5 5 1 4 2 2 5 3 4 1 2 5 4 4 5

individu ke‐ 64 :

2 3 3 1 4 1 2 5 5 1 3 5 3 3 2 1 3 3 1 5 2 3 1 2 2 5 2 4 2 1 2 2 3 1 1 2 1 4 3 2 2 3 4 4 3 1 2 4 1 2 5 5 1 3 1 3 5 4 3 3 3 3 3 5 5 3 3 1 2 5 4 2 5 2 1

individu ke‐ 65 :

3 2 4 1 2 4 4 5 3 1 3 1 1 4 2 3 3 4 3 3 2 2 3 3 3 1 3 1 4 4 1 3 4 4 5 3 2 2 4 3 2 5 1 1 3 2 5 3 2 2 3 1 1 5 5 4 2 2 2 1 2 2 4 3 1 4 4 4 4 3 2 5 5 4 4

individu ke‐ 66 :

3 3 5 3 4 3 4 1 3 1 3 2 1 4 4 2 2 2 4 2 1 1 3 1 1 2 4 3 4 3 4 3 5 2 5 3 2 2 3 3 5 5 2 3 5 5 2 3 5 1 4 3 1 4 1 2 2 1 4 4 2 3 2 2 4 3 1 2 5 1 2 4 4 4 3

individu ke‐ 67 :

2 5 1 2 1 4 3 4 2 2 3 5 3 1 3 5 3 5 2 5 3 5 4 5 3 5 1 1 4 1 4 2 3 5 3 1 3 2 1 5 1 3 4 3 2 3 3 4 3 3 3 5 5 1 1 1 3 5 4 1 3 5 4 2 5 4 1 1 3 5 4 2 2 1 4

individu ke‐ 68 :

1 2 2 1 2 4 3 3 1 2 1 2 3 3 5 1 1 1 3 3 2 3 4 1 3 2 1 2 3 3 2 3 3 5 1 4 2 1 3 1 2 3 3 3 4 2 5 1 3 5 1 4 2 2 5 3 2 5 5 1 4 1 2 3 3 1 2 3 4 3 1 4 1 2 5

individu ke‐ 69 :

5 2 2 2 3 5 5 2 4 5 1 4 1 4 3 1 3 3 5 4 5 3 4 2 5 4 3 2 3 5 1 5 3 4 2 3 4 5 3 4 3 1 5 4 2 4 5 4 5 2 2 5 5 1 2 4 4 1 5 1 5 3 1 1 5 3 3 1 1 3 4 3 2 4 1



Lampiran 4 - 22

individu ke‐ 70 :

5 1 3 2 3 4 4 1 5 3 4 1 1 4 4 1 5 5 2 4 5 4 5 3 1 5 3 5 2 1 4 2 2 5 2 1 2 1 2 5 4 2 3 1 2 3 5 2 4 5 5 3 4 2 2 5 5 2 2 3 3 1 1 3 1 2 2 1 3 2 2 1 1 2 3

individu ke‐ 71 :

5 5 5 2 3 2 2 1 2 1 3 4 3 4 3 1 5 4 5 3 3 4 4 5 1 3 4 5 4 1 1 1 4 5 5 1 4 5 4 2 1 2 4 2 2 2 5 5 1 2 3 4 2 3 2 1 1 2 4 3 3 4 3 4 3 5 4 2 2 4 1 3 3 4 4

individu ke‐ 72 :

4 3 2 1 5 1 5 3 5 5 2 5 1 3 3 3 3 4 5 4 5 4 5 2 1 5 4 1 5 5 5 2 1 4 2 5 5 4 3 5 4 5 4 1 4 5 5 5 2 2 1 2 5 5 2 2 2 3 5 4 1 5 5 3 2 5 2 2 3 1 3 1 4 5 1

individu ke‐ 73 :

5 2 3 2 3 5 2 4 1 3 2 4 4 5 1 4 5 2 4 4 3 4 3 5 1 4 1 4 3 2 3 2 1 5 4 3 1 4 2 3 2 5 5 1 2 1 1 1 5 5 4 1 3 3 3 2 5 2 1 5 3 3 5 3 1 1 4 1 4 5 1 4 3 4 2

individu ke‐ 74 :

4 5 5 4 4 2 4 2 3 2 1 2 2 4 3 1 3 4 2 3 5 5 5 1 3 5 3 3 1 5 5 4 2 2 2 3 5 1 1 5 2 5 2 4 4 2 2 1 1 2 2 3 1 5 4 5 4 5 1 5 4 4 5 4 1 3 3 5 2 3 3 2 3 3 2

individu ke‐ 75 :

2 1 4 4 1 5 2 2 1 1 1 1 5 2 2 4 2 5 3 4 5 1 3 1 4 2 3 1 3 3 1 5 5 3 1 2 4 2 2 3 3 2 5 3 3 4 3 4 4 4 2 1 3 3 1 4 3 4 3 5 3 3 5 4 4 3 4 3 3 5 4 1 3 4 2

individu ke‐ 76 :

1 1 2 2 4 5 5 4 4 4 3 3 4 5 2 5 2 4 5 2 2 1 2 2 2 4 4 3 3 4 2 2 3 3 5 1 3 1 3 2 1 4 2 3 3 5 3 4 4 1 1 2 4 3 3 2 2 4 2 2 2 1 4 3 2 5 1 2 5 5 5 4 1 1 4

individu ke‐ 77 :

2 4 1 4 5 2 4 2 1 2 5 3 5 2 4 1 2 1 3 4 5 3 1 3 5 5 3 2 3 4 1 1 2 2 1 1 2 1 2 1 4 1 5 4 3 4 3 5 1 2 1 5 2 3 3 2 2 1 3 5 1 1 1 3 3 5 1 4 4 5 5 4 2 4 3



Lampiran 4 - 23

individu ke‐ 78 :

3 5 3 1 1 2 2 4 2 2 1 2 1 2 2 1 3 2 5 3 3 1 5 3 2 3 5 4 4 3 4 3 1 1 1 5 2 4 1 1 5 4 1 4 4 1 2 3 1 1 4 4 3 2 3 1 3 1 4 4 5 1 3 5 3 1 2 5 1 4 3 2 4 5 5

individu ke‐ 79 :

1 2 1 4 4 3 2 2 3 3 5 3 1 3 3 1 5 4 4 4 3 3 4 1 5 4 2 1 3 4 5 5 2 3 5 1 3 1 4 2 2 2 4 3 5 4 1 3 1 2 2 4 3 4 5 2 2 5 2 2 3 3 4 2 4 3 1 4 3 5 2 1 1 3 2

individu ke‐ 80 :

1 5 2 3 2 5 4 4 4 2 2 5 1 5 4 4 1 4 4 3 5 5 3 3 4 2 1 3 1 5 5 2 3 3 4 3 4 3 1 3 4 3 2 3 4 1 1 4 2 1 2 1 2 2 5 2 2 2 3 1 4 4 2 4 2 4 4 2 3 5 4 5 5 3 2

individu ke‐ 81 :

1 2 4 1 5 1 2 1 5 2 2 4 5 5 3 1 1 3 5 1 5 4 2 2 3 4 1 4 4 4 3 1 2 5 5 2 1 1 5 5 3 3 3 4 2 1 1 3 3 4 1 2 4 3 2 3 5 3 3 1 3 5 4 5 4 1 5 1 4 5 5 3 1 1 1

individu ke‐ 82 :

4 3 4 4 1 1 4 2 3 1 5 5 5 3 3 4 4 3 4 3 1 4 1 3 4 3 4 4 3 3 2 5 1 4 1 5 1 4 1 3 4 4 5 2 5 5 4 2 3 2 5 4 2 4 4 1 5 2 3 5 1 5 3 5 1 5 4 1 4 4 5 3 3 2 5

individu ke‐ 83 :

3 2 3 3 1 5 5 2 3 1 4 4 5 3 2 5 4 3 1 3 5 1 4 1 3 4 2 2 5 3 3 2 4 4 1 2 5 3 4 2 2 5 1 3 5 2 1 2 1 3 1 3 2 2 1 5 4 2 3 2 2 5 3 1 3 4 3 5 4 4 2 2 2 2 1

individu ke‐ 84 :

5 4 1 4 4 3 3 1 5 5 1 2 1 1 5 1 3 5 3 2 1 3 4 5 1 4 3 4 1 2 3 4 4 5 2 1 1 2 2 3 5 4 2 3 1 5 3 1 1 2 3 3 2 4 3 3 4 3 4 2 3 4 5 1 3 2 2 2 2 4 5 1 4 3 2

individu ke‐ 85 :



Lampiran 4 - 24

5 3 2 3 4 5 4 3 3 2 5 2 4 4 1 3 5 5 4 2 5 5 5 3 3 3 2 3 4 3 4 2 4 3 2 4 4 2 3 3 3 4 4 2 5 2 2 1 1 4 3 4 1 4 4 4 4 5 3 4 4 5 5 2 4 1 4 5 5 1 1 5 1 1 4

individu ke‐ 86 :

2 4 5 4 2 4 2 1 5 3 5 3 4 1 2 4 5 5 1 5 5 1 1 2 3 5 1 5 5 5 2 2 3 5 4 4 2 1 5 3 2 1 5 4 5 3 4 5 1 4 5 5 2 1 3 3 2 3 2 3 3 2 3 2 2 4 5 5 1 4 5 4 5 2 4

individu ke‐ 87 :

5 5 2 1 2 3 1 3 1 5 4 4 5 2 2 4 5 3 4 2 3 3 3 5 5 5 3 2 5 5 5 5 5 5 1 4 3 5 2 4 1 1 1 4 5 4 1 5 5 3 1 4 2 3 4 3 1 2 2 5 2 2 5 1 5 3 1 2 2 5 3 1 3 1 5

individu ke‐ 88 :

4 2 1 1 4 2 5 5 3 1 2 5 5 3 1 5 2 3 4 5 4 4 5 3 1 4 5 1 4 3 3 2 3 1 3 1 4 1 5 5 2 5 5 1 1 5 1 4 2 3 2 1 1 5 4 2 5 4 5 2 4 2 3 2 1 5 3 4 5 4 1 4 1 5 1

individu ke‐ 89 :

5 1 2 4 5 1 1 1 2 1 5 1 5 3 4 4 1 2 4 2 3 1 2 4 2 2 1 2 3 5 3 3 5 3 2 4 5 1 3 3 5 4 2 1 5 4 5 5 4 3 4 4 1 2 5 1 2 5 5 4 5 2 1 4 2 4 1 1 1 1 3 5 5 2 5

individu ke‐ 90 :

4 3 4 1 4 2 1 1 1 5 3 3 5 4 1 2 2 1 3 1 1 1 2 5 4 4 4 4 4 2 2 2 3 2 1 4 1 1 1 4 3 2 5 5 5 3 5 5 5 4 2 5 5 1 2 4 3 3 4 3 4 1 4 4 3 4 5 1 3 5 4 3 1 2 1

individu ke‐ 91 :

5 5 3 3 4 4 1 3 4 4 3 3 5 1 5 5 4 1 2 4 2 5 1 1 1 5 4 1 5 2 1 2 3 2 4 5 1 4 1 5 2 3 1 1 2 4 2 1 2 5 5 3 1 4 3 2 3 5 3 1 3 5 5 2 1 5 4 3 1 2 3 4 3 4 3

individu ke‐ 92 :

2 5 3 2 5 5 1 4 5 1 1 5 3 3 5 3 4 2 1 4 3 4 1 5 2 1 3 2 2 3 1 3 4 5 5 5 1 3 3 4 3 4 4 4 3 2 4 4 4 2 1 3 5 3 3 1 5 5 2 2 4 4 5 1 3 1 4 3 5 2 3 1 4 4 3



Lampiran 4 - 25

individu ke‐ 93 :

1 1 2 3 4 3 5 5 4 5 1 4 3 3 4 3 5 5 3 1 2 3 5 3 2 1 1 2 3 3 3 2 1 1 1 2 3 2 2 3 5 2 1 5 5 3 4 5 2 3 4 4 2 3 5 1 5 3 4 5 1 4 4 5 5 2 3 1 4 2 2 5 1 4 5

individu ke‐ 94 :

3 3 2 3 1 4 3 4 1 2 1 3 5 3 4 5 1 5 3 3 1 5 2 4 1 4 3 1 5 4 4 1 3 3 1 3 5 2 4 3 3 5 1 5 1 1 1 5 3 3 4 3 3 1 5 3 4 4 4 2 4 1 4 5 4 1 3 5 5 4 4 5 2 3 5

individu ke‐ 95 :

2 3 4 3 1 3 5 5 2 3 1 2 2 4 1 4 2 1 5 3 2 1 5 3 3 2 2 4 5 2 3 5 3 4 2 3 2 1 2 2 2 2 3 4 5 2 4 1 3 5 2 4 3 3 1 4 4 1 2 1 2 2 4 4 3 3 5 3 2 2 2 4 5 2 2

individu ke‐ 96 :

1 1 1 5 1 4 3 5 3 5 1 3 3 5 4 5 1 1 2 2 4 4 5 3 3 3 5 5 3 3 2 5 4 1 3 5 2 1 2 2 4 2 5 4 2 5 3 2 3 3 1 4 4 1 1 5 4 2 5 3 4 5 3 5 3 4 2 4 5 3 2 2 2 5 4

individu ke‐ 97 :

1 3 4 3 4 1 2 3 3 5 4 4 1 1 1 2 5 4 5 3 5 2 5 1 1 5 2 4 2 5 2 2 2 1 3 2 4 3 4 1 4 3 5 4 3 4 4 2 4 3 4 3 3 1 4 1 4 2 3 1 4 3 3 5 5 4 4 1 3 5 2 5 5 5 2

individu ke‐ 98 :

3 5 1 2 4 2 4 3 4 1 4 1 4 1 5 5 2 5 1 1 2 5 4 1 1 5 4 3 3 4 5 3 1 2 5 5 3 1 5 1 4 1 1 3 3 3 1 3 2 1 5 3 5 3 1 4 3 2 4 2 2 4 1 5 2 4 3 1 3 3 5 2 3 5 1

individu ke‐ 99 :

1 5 5 2 4 4 2 2 4 1 3 5 4 3 5 3 5 4 2 1 2 1 5 4 4 3 1 3 2 1 1 1 5 4 5 1 1 2 2 3 5 4 5 5 3 5 3 5 1 2 5 1 5 5 4 4 4 2 5 2 4 5 2 4 1 1 3 5 4 1 2 3 2 3 2

individu ke‐ 100 :

3 1 5 4 4 3 2 3 3 5 4 2 2 4 2 5 4 5 4 1 3 1 4 1 3 5 2 2 3 2 4 5 2 2 5 5 1 5 1 1 2 4 4 3 3 3 4 3 5 2 4 4 4 2 3 4 2 2 1 1 4 5 5 5 4 5 4 4 2 3 3 2 2 4 4



Lampiran 4 - 26


13 72 37 68 41 51 62 7 55 53 44 4 22 39 74 6 64 30 25 27 63 69 15 17 33 28 23 5 56 12 11 42 29 34 19 10 40 57 14 43 49 20 66 2 58 50 70 59 21 47 65 35 67 3 9 61 75 16 73 54 26 48 52 18 45 8 36 46 60 32 71 31 38 1 24

Variasi yang dipilih :

2 3 4 2 3 3 1 4 1 5 5 4 1 4 3 3 2 3 1 1 3 1 2 2 3 4 2 4 1 4 2 4 1 2 3 1 1 4 2 2 5 3 4 2 3 5 5 2 1 5 3 3 1 2 4 3 5 3 2 1 5 5 5 2 1 2 1 5 2 3 4 2 3 2 3


Best Tracing Secara Global :


64 6 12 45 34 65 39 70 21 54 51 71 72 28 57 59 41 30 56 5 68 4 42 10 33 69 19 36 50 62 58 14 7 37 13 73 55 67 46 25 3 27 29 26 32 1 74 35 15 40 16 9 53 52 18 44 20 47 38 48 2 61 49 17 11 43 66 8 22 23 24 31 60 63 75

Variasi Terpilih :

2 3 5 4 5 2 3 4 3 5 3 3 3 3 5 4 4 3 2 2 1 5 2 3 3 3 5 1 2 3 1 2 4 1 3 3 4 4 3 3 4 3 4 5 2 5 2 3 5 2 4 5 1 5 3 3 1 2 3 5 4 3 3 3 2 2 1 3 3 5 1 1 4 3 5




Lampiran 4 - 27

//////////////////////////////////////////////////////////////////

/// IMPLEMENTASI ALGORITMA CSO PADA MASALAH PENJADWALAN ///

/// LAND ALLOCATION ///

/// FORM HASIL AKHIR ///

//////////////////////////////////////////////////////////////////

Tinggi Minimal Dari Proses Land Allocation =222

Urutan Lahan Masuk Terbaik :

13 72 37 68 41 51 62 7 55 53 44 4 22 39 74 6 64 30 25 27 63 69 15 17 33 28 23 5 56 12 11 42 29 34 19 10 40 57 14 43 49 20 66 2 58 50 70 59 21 47 65 35 67 3 9 61 75 16 73 54 26 48 52 18 45 8 36 46 60 32 71 31 38 1 24

URAIAN BENTUK LAHAN :




















Lampiran 4 - 28






























Lampiran 4 - 29






























Lampiran 4 - 30







Hybrid Cat Swarm Optimization (CSO) Simulated Annealing ...repository.unair.ac.id/71346/1/KKC KK...

Documents

Transcript of Hybrid Cat Swarm Optimization (CSO) Simulated Annealing ...repository.unair.ac.id/71346/1/KKC KK...