Penentuan Lokasi Pasang Baru Wifi.id Corner Menggunakan Metode AHP dan Algoritma Genetika (Studi Kasus : PT. Telkom Witel Kediri)

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol. 1, No. 12, Desember 2017, hlm. 1742-1749

e-ISSN: 2548-964X http://j-ptiik.ub.ac.id

Penentuan Lokasi Pasang Baru Wifi.id Corner Menggunakan Metode AHP dan Algoritma Genetika (Studi Kasus : PT. Telkom Witel Kediri) Figgy Rosaliana1, Dian Eka Ratnawati2, Mochammad Ali Fauzi3 Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: [email protected], [email protected], [email protected] Abstrak Wifi.id corner merupakan suatu lokasi yang disediakan oleh PT. Telkom untuk mengakses jaringan wifi.id. Dalam penentuan lokasi pasang baru wifi.id corner ini diperlukan pertimbangan dan keputusan yang tepat. Ada beberapa kriteria yang digunakan pada penelitian ini yaitu ketersediaan jaringan fiber optic, tingkat keramaian, jenis lokasi, dan tingkat kepadatan lokasi wifi.id corner. Untuk menyelesaikan masalah tersebut maka diterapkan metode Analytical Hyrarchy Process (AHP) dan algoritme genetika. Algoritme genetika akan melakukan optimasi bobot dari proses AHP. Algoritme ini menggunakan representasi kromosom real-code dengan panjang kromosom sebanyak 6 gen, yang setiap gen mewakili nilai tiap elemen matrik bobot. Reproduksi yang dilakukan menggunakan crossover intermediate dan random mutation. Di dalam proses evaluasi terdapat proses AHP untuk menentukan kelayakan lokasi yang kemudian akan dihitung nilai fitness dengan rumus akurasi. Metode seleksi yang digunakan yaitu ellitsm selection. Dari penelitian yang dilakukan diperoleh hasil dengan parameter optimal ukuran populasi 80, jumlah generasi 85, kombinasi Cr 0,4 dan Mr 0,2 dengan nilai rata-rata fitness 0,7000 atau dengan akurasi 70%. Hasil akhir yang akan ditampilkan kepada user adalah hasil kelayakan lokasi. Kata Kunci: Wifi.id Corner, AHP, Algoritma Genetika

Abstract Wifi.id corner is a location provided by Telkom Corporation to access @wifi.id network. Determining new location of wifi.id corner needs consideration and right decision. Several criterias are used to this study such as Fiber Optic network availability, level of crowdedness, location type and density level of wifi.id corner location. Analytical Hyrarchy Process (AHP) method and Genetic Algorithm are applied to solve those problems. Genetic Algorithm will optimize the weight of AHP process. This algorithm uses real code chromosome representation with length of 6 genes, each gene represent element of weighted matrix value. The Reproduction uses crossover intermediate and random mutation. In the evaluation, AHP process determine feasibility of location then will be calculated its fitness by using accuracy formula. Selection method uses elllism s election. From the result of study, optimal parameter obtained in population size of 80, number of generation 85, combination of cr 0.4 and mr 0.2 with average fitness value 0.700 or accuracy of 70%. Location feasibility will be shown to users as the final result of the system. Keywords: Wifi.id Corner, Genetic Algorithm, AHP

100 Mbps. Wifi.id corner ini merupakan tempat untuk mengakses internet melalui jaringan wifi.id yang berkecepatan tinggi dan berbayar dengan harga yang terjangkau oleh masyarakat. Salah satu wilayah telekomunikasi (witel) yaitu PT.Telkom Witel Kediri. Selama ini dalam menentukan lokasi pemasangan wifi.id corner, dilakukan berdasarkan pertimbangan dan persetujuan dari pihak dan manager divisi wireless broadband, yaitu melakukan survei ke lokasi berdasarkan permintaan masyarakat atau

1. PENDAHULUAN PT. Telekomunikasi Indonesia Tbk, atau yang biasa dikenal dengan PT. Telkom merupakan perusahaan milik BUMN dibidang telekomunikasi dan jaringan. Saat ini PT. Telkom telah mengembangkan salah satu jenis layanan internet yaitu dengan membangun atau memasang wifi.id corner yang mampu menyediakan kecepatan akses internet hingga Fakultas Ilmu Komputer Universitas Brawijaya

1742

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

organisasi yang ingin memasang wifi.id corner, sehingga sering mengalami ketidaksesuaian dalam menentukan lokasi pemasangan wifi.id corner dari beberapa alternatif lokasi yang ada karena sulit untuk memprediksi atau meramalkan lokasi mana yang mampu memberikan manfaat dan keuntungan yang optimal baik bagi masyarakat maupun PT. Telkom Kediri. Ada beberapa wifi.id corner yang telah dilepas setelah sekian lama dari waktu selesainya pemasangan dikarenakan tidak bisa memberikan manfaat dan kurang meningkatkan pendapatan perusahaan. Dari permasalahan tersebut diperlukan suatu sistem yang bisa membantu untuk menentukan keputusan yang tepat dan cepat dalam melakukan pasang baru wifi.id corner agar masyarakat bisa dengan segera menggunakan layanan internet berkecepatan tinggi dan juga mampu meningkatkan pendapatan dari PT. Telkom Kediri. Dalam penyelesaian permasalahan penentukan lokasi pasang baru wifi.id corner penelitian ini menggunakan metode Analytical Hyrarchy Process (AHP) yang dikombinasikan dengan algoritma genetika. Metode AHP merupakan model untuk mendukung keputusan yang menggunakan hirarki fungsional yang mampu menyelesaikan permasalahan multikriteria yang dalam penelitian ini memiliki kriteria ketersediaan jaringan fiber optic, jenis lokasi yang akan digunakan untuk pemasangan, tingkat keramaian pengunjung, dan tingkat kerapatan antar wifi corner. Kelebihan AHP yaitu adanya struktur hirarki sebagai konsekuensi dari kriteria yang telah dipilih, sampai ke sub-sub kriteria yang paling mendetail juga memperhitungkan validitas konsistensi ratio pada berbagai kriteria dan alternatif yang dipilih oleh para pengambil keputusan (Makkasau, 2013). Algoritme genetika digunakan untuk mengoptimasi nilai bobot dan meminimalkan nilai CR pada metode AHP (Alek., 2013). Algoritme ini merupakan bagian dari algoritma evolusi. Algoritme genetika dapat menyelesaikan dan melakukan optimasi permasalahan yang memiliki model matematika yang kompleks (Mahmudy., 2015). Pada penelitian sebelumnya metode AHP digunakan untuk prediksi hasil pertandingan sepak bola yang mendapatkan nilai CR<0,1 dengan 2 kali iterasi yang menghasilkan tingkat akurasi 80% (Walarange., Delima., Restyandito., 2012). Penelitian selanjutnya yang menggunakan AHP dan SVM untuk klasifikasi Fakultas Ilmu Komputer, Universitas Brawijaya

1743

penerima beasiswa memperoleh akurasi sebesar 89,74% (Ariyanti., Cholissodin., Setiawan., 2016). Gabungan kedua algoritma ini dalam penelitian yang lalu juga telah digunakan untuk optimasi dosis pupuk berdasakan jenis pupuk yang mampu meminimalkan biaya sebesar 0,25 % (Fadilah., 2015). Berdasarkan paparan diatas, pada penelitian ini maka digunakanlah metode AHP dan algoritma genetika yang diharapkan mampu memberikan solusi dan tingkat akurasi yang optimal pada PT. Telkom Kediri dalam menentukan lokasi wifi.id corner dengan parameter ketersediaan jaringan, tingkat keramaian lokasi, jenis lokasi, dan tingkat kerapatan wifi.id corner. 2. LANDASAN KEPUSTAKAAN 2.1 Tahapan Perhitungan AHP Berikut ini merupakan tahapan dalam perhitungan metode AHP: 1. Mendefinisikan masalah dan menentukan solusi yang diinginkan. 2. Membuat struktur hierarki yang diawali dengan tujuan umum, dilanjutkan dengan kriteria-kriteria dan alternatif- alternatif pilihan. 3. Membuat matriks perbandingan berpasangan yang menggambarkan kontribusi relatif atau pengaruh setiap elemen terhadap kriteria yang setingkat di atasnya. Perbandingan dilakukan berdasarkan pilihan dari pembuat keputusan dengan menilai tingkat kepentingan suatu elemen dibandingkan elemen lainnya. yang akan ditunjukkan pada Tabel 1. Tabel 1 Elemen Perbandingan Identitas Kepentingan 1 3

5

7 9 2,4,6,8

Keterangan Kedua elemen sama pentingnya. Elemen yang satu sedikit lebih penting darpada elemen yang lain. Elemen yang satu sedikit lebih cukup penting darpada elemen lainnya. Satu elemen jelas lebih penting daripada elemen lainnya. Satu elemen mutlak penting daripada elemen lainnya. Nilai-nilai antara dua nilai


Kebalikan

perbandingan berdekatan. Jika untuk aktivitas i mendapat satu angka bila dibandingkan dengan aktivitas j, maka j mempunyai nilai kebalikannya bila dibandingkan dengan i.

4. Menormalkan data yaitu dengan membagi nilai dari setiap elemen di dalam matriks yang berpasangan dengan nilai total dari setiap kolom. 5. Menghitung nilai eigen vector dan menguji konsistensinya, jika tidak konsisten maka pengambilan data (preferensi) perlu diulangi. 6. Mengulangi langkah 3, 4 dan 5 untuk seluruh tingkat hirarki. 7. Menghitung eigen vector dari setiap matrikss perbandingan berpasangan. Nilai eigen vector merupakan bobot setiap elemen. 8. Menguji konsistensi hirarki. Jika tidak memenuhi dengan CR. Matrikss Perbandingan dinyatakan konsisten jika nilai CR ≤ 0.1. 𝐶𝑅 = 𝐶𝐼 =

𝐶𝐼 𝑅𝐼 𝜆𝑚𝑎𝑥−𝑛 𝑛−1

Keterangan: CR : Rasio Konsistensi CI : Index Konsistensi RI : Random Index λmax : Nilai Eigen Maksimus Nilai λmax dihitung dengan menjumlahkan hasil perkalian dari penjumlahan nilai kriteria dikalikan dengan bobot prioritas kemudian dibagi dengan jumlah kriteria. 9. Setelah diketahui nilai CR, maka selanjutnya yaitu melakukan proses pemeringkatan dengan melakukan perkalian bobot atau matriks alternatif dengan bobot kriteria. 2.2 Tahapan AHP dan Algoritma Genetika Metode AHP dan algoritme genetika telah digunakan untuk penyelesaian berbagai persoalan. AHP sendiri merupakan teknik untuk mendukung proses pengambilan keputusan yang bertujuan untuk menentukan pilihan terbaik dari beberapa alternatif yang dapat diambil (Fadhilah, A, N., 2015). Dalam proses perhitungan AHP dan Algoritma Genetika langkah pertama yang akan Fakultas Ilmu Komputer, Universitas Brawijaya

1744

dilakukan adalah membentuk matriks perbandingan dari input ahli (manager) yang akan menjadi individu dalam proses pembentukan kromosom. Setelah itu dilakukan proses perhitungan GA (Genetic algorithm) yang di dalamnya terdapat proses AHP. Dalam memecahkan masalah, algoritme genetika mampu memetakan (encoding) permasalahan menjadi suatu string kromosom yang terdiri atas gen-gen yang menggambarkan variabel keputusan yang digunakan dalam solusi. Representasi string kromosom dan fungsi fitness untuk menilai seberapa baik sebuah kromosom untuk menjadi solusi yang layak sehingga dapat dimasukkan ke dalam algoritma genetika (Mahmudy, 2015). Setelah menghasilkan individu baru dari proses GA, maka individu tersebut akan menjadi input pada proses AHP dari mulai membuat matrikss bobot (matriks yang sudah dioptimasi dengan GA) sampai pada perankingan. Dari perankingan tersebut akan didapatkan nilai akurasi yang akan digunakan sebagai nilai fitnss. Proses selanjutnya dilakukan seleksi untuk memilih individu terbaik yang akan bertahan pada generasi selanjutnya. Individu terbaik dipilih berdasarkan nilai fitness tertinggi (Mu’asyaroh, F,L.,2016), sehingga individu tersebut yang menjadi solusi terbaik dalam penentuan lokasi wifi.id corner. Matrikss perbandingan berpasangan Pembobotan pada setiap kriteria atau nilai perbandingan pada masing-masing kriteria akan membentuk matrikss perbandingan berpasangan. Inisialisasi Dalam tahap ini harus ditentukan ukuran populasi atau popsize. Panjang setiap chromosome dihitung berdasarkan presisi variabel dari solusi yang dicari (Mahmudy, 2015). Reproduksi Tahap ini dilakukan untuk menghasilkan keturunan atau individu baru yang ditempatkan dalam offspring (Mahmudy, 2015). Dua operator genetika dari proses reproduksi yaitu crossover dan mutasi. a. Crossover Dilakukan dengan cara memilih dua parent secara acak yang menghasilkan offspring sebanyak cr x popsize dari kombinasi kedua parent tersebut. metode crossover yg digunakan yaitu Intermediate


crossover. Dengan rumus pada Persamaan 1 (Mahmudy, 2015). C1 = P1 + α (P2-P1) C2 = P2 + α (P1-P2)

Setelah melakukan proses crossover dan mutasi yang menghasilkan individu baru, maka selanjutnya adalah proses perhitungan fitness terhadap masing-masing individu tersebut guna mendapatkan solusi yang paling optimal. Chromosome yang telah terbentuk yaitu terdiri dari 6 gen akan membentuk matrikss perbandingan berpasangan yang akan digunakan dalam metode AHP untuk mendapatkan nilai bobot prioritas dan hasil keputusan yang paling tepat dari proses perankingan. Nilai fitness dihitung berdasarkan Persamaan 3. ∑ data benar

× 100

(3)

Dalam menghitung fitness, representasi chromosome dari proses sebelumnya, setiap gen melambangkan nilai bobot dari matrikss perbandingan berpasangan pada metode AHP. Kemudian dihitung nilai fitness dengan bersamaan (3) pada setiap individu. Seleksi Setelah didapatkan nilai fitness dari proses evaluasi, maka selanjutnya adalah melakukan seleksi yaitu memilih individu terbaik yang akan Fakultas Ilmu Komputer, Universitas Brawijaya

Berikut ini merupakan perancangan sistem secara umum yang dapat dilihat pada Gambar 1

Gambar 1. Diagram alir sistem

Evaluasi

∑ semua data

3. METODOLOGI PENELITIAN

(2)

Keterangan : x’i = parent terpilih maxi= nilai random terbesar range r misal [-0,1;0,1]

𝑓𝑖𝑡𝑛𝑒𝑠𝑠 =

lolos pada generasi selanjutnya. Metode seleksi yang digunakan yaitu ellitsm selection yaitu memilih individu dengan nilai fitness terbesar (Mahmudy, 2015).

(1)

Keterangan: C1 = Child 1 C2= Child 2 P1 = Parent 1 P2 = Parent 2 α = dipilih secara acak berdasarkan range. Contoh pada interval [-0,25; 1,25]. b. Mutasi Dilakukan dengan memilih salah satu parent secara acak. Mutation rate harus ditentukan untuk menyatakan rasio offspring sehingga offspring sejumlah mr x popsize. Metode mutasi yang digunakan adalah random mutation seperti pada persamaan 2 (Mahmudy, 2015). x’i = x’i + r(maxi-minj)

1745

Diagram alir diatas yaitu pada Gambar 1 menggambarkan alur sistem secara keseluruhan, proses diawali dengan user memasukkan nilai kriteria dari calon lokasi wifi.id corner yang kemudian data nya akan disimpan. Lalu akan dilanjutkan oleh sistem dengan melakukan proses optimasi dengan menggunakan algoritma genetika dan AHP. Setelah proses algoritma genetika dan AHP selesai, maka sistem akan menampilkan hasil dari proses perhitungan. 3.1. Optimasi AHP dengan Algoritma Genetika Berikut ini adalah diagram alir optimasi dengan algoritma genetika pada Gambar 2.


1746 Tabel 2. contoh Hasil Crossover

Gambar 2. Diagram Alir AHP dan Algoritma Genetika

Inisialisasi Representasi kromosom dalam pembentukan kromosom dibangkitkan dengan angka acak antar range 1 sampai 3 berdasarkan metode AHP dalam nilai bobot matriks perbandingan untuk proses manual dan range 19 untuk proses implementasi sistem. Panjang kromosomnya adalah 6 gen yang ditentukan dan disesuaikan berdasarkan kebutuhan matriks perbandingan berpasangan sebanyak 4 kriteria dengan pengkodean real code. Parameter awal pada algoritme genetika ini telah ditentukan sebagai berikut: Popsize = 5 Crossover rate (Cr) = 0,4 Mutation rate (Mr) = 0,1 Banyak generasi = 1 Contoh Representasi kromosom p1

1,098

2,956

2,443

1,024

1,527

Mutasi Random mutation merupakan metode yang dipakai dalam proses mutasi ini. Metode ini memilih satu individu secara acak yang dianggap sebagai parent. Jumalah offspring yang dihasilkan yaitu mr x popsize sebanyak 0,1 x 5 = 0,5 yng berarti 1 offspring. Misal pada kasus ini parent yang terpilih yaitu p3 dan gen x4 yang akan dihitung proses mutasi dengan menambahkan atau mengurangi dengan nilai r yang dipilih secara acak [-0,1;0,1] yaitu -0,0393. Contoh hasil mutasi seperti pada Tabel 3 Tabel 3. Hasil Mutasi

Evaluasi Setelah mendapatkan sekumpulan individu, dari kromosom tersebut akan diproses kedalam AHP. Dengan membentuk matrik perbandingan. Proses selanjutnya dilanjut sampai mendapatkan bobot prioritas setiap kriteria. Contoh Hasil Bobot Prioritas terlihat pada tabel 4. Tabel 4. Contoh Hasil Bobot Prioritas

2,565

Reproduksi Crossover Extended intermediate merupakan metode crossover yang dipakai pada penelitian ini. Metode ini dilakukan dengan menggabungkan dua individu yang dianggap sebagai parent. Dalam proses ini nilai Cr harus ditentukan terlebih dahulu. Misal parent yang terpilih secara acak adalah p1 dan p2 dan cr = 0,4. Maka banyaknya offspring yaitu 0,4 x 5 = 2 dengan nilai α yang terpilih secara acak pada interval [0,25;1,25]. Contoh Hasil Crossover pada Tabel 2 Fakultas Ilmu Komputer, Universitas Brawijaya

Setelah mendapatkan bobot prioritas maka selanjutnya akan dilakukan proses perankingan dengan menghitung matrik alternatif dikalikan dengan bobot prioritas kriteria yang sudah di dapat. Contoh hasil bobot alternatif seperti pada Tabel 5.


Tabel 5. Contoh Hasil Bobot Alternatif

1747

Grafik pada Gambar 3 menunjukkan hasil pengujian bahwa threshold mulai ke 0,011 cenderung mengalami peningkatan nilai fitness dan menurun mulai threshold ke 0,021. Fitness terbesar didapatkan pada threshold ke 0,019 yang berarti menunjukkan threshold yang paling baik untuk digunakan. Threshold ke 0,025 menuju 0,029 nilai fitness-nya cenderung stabil. Semakin besar nilai threshold maka semakin kecil nilai fitness. Hal ini karena hasil bobot alternatif pilihan yang diambil dari hasil hitungan nilainya juga semakin kecil. 4.2 Pengujian Ukuran Populasi

Seleksi Proses seleksi dilakukan dengan memilih fitness terbaik dengan fitness terbesar yang akan terpilih untuk dilanjutkan ke generasi selanjutnya. 4. PENGUJIAN 4.1 Pengujian Threshold Uji coba ini dilakukan untuk mendapatkan nilai threshold yang terbaik. Sehingga bisa didapatkan nilai fitness yang paling optimal dengan menggunakan beberapa parameter berikut: Nilai threshold : 0,011 – 0,029 Popsize : 20 Generasi : 10 Cr dan Mr : 0,4 dan 0,2 Hasil pengujian dapat dilihat pada Gambar 3.

rata-rata fitness

rata-rata fitnes 1 0,5

0 0,000

0,010

0,020

0,030

0,040

Thresshold Gambar 3. Grafik Thresshold

Fakultas Ilmu Komputer, Universitas Brawijaya

Uji Popsize rata-rata fitness

Setelah itu dihitung nilai fitness-nya dengan menggunakan Persamaan 3. Prosesnya dengan terlebih dahulu ditentukan kelayakan lokasi berdasarkan nilai threshold yang sudah diuji dan ditentukan.

Pengujian ukuran populasi ini dilakukan untuk mendapatkan popsize yang paling baik agar mendapatkan nilai fitness yang paling optimal dengan menggunakan parameter dibawah ini: Popsize : 20 – 130 Generasi : 10 Cr dan mr : 0,4 dan 0,2 Hasil Pengujian ukuran populasi ditunjukkan oleh Gambar 4.

0,6700 0,6650

0,6600 0

50

100

150

popsize

Gambar 4. Hasil Pengujian ukuran populasi

Menurut hasil dari grafik pada gambar 6.2 menunjukkan bahwa semakin tinggi ukuran populasi maka rata-rata nilai fitness yang didapatkan cenderung meningkat karena semakin banyak populasi berarti semakin banyak pula kemungkinan solusi yang didapatkan. Berdasarkan grafik, dapat dilihat rata-rata nilai fitness mengalami peningkatan pada popsize 20 menuju ke 40 dan kembali meningkat mulai pada ukuran populasi 50 ke 70. Kemudian, ukuran populasi diatas 80 nilai ratarata fitness yang diambil cenderung stabil. Yang berarti konvergen mulai pada ukuran populasi 80. Pengujian Generasi Pengujian generasi merupakan pengujian untuk mengetahui generasi yang paling baik agar


rata-rata fitness

Uji Generasi 0,7000 0,6900 0,6800 0,6700 50

100

0,71 0,7 0,69 0,68 0,67 0,1;0,5 0,2;0,4 0,3;0,3 0,4;0,2 0,5;0,1

cr;mr Gambar 6. Hasil Uji Cr & Mr

0,7100

0

Uji Nilai Cr dan Mr rata-rata fitness

menghasilkan fitness yang paling optimal dan solusi yang terbaik. Pengujian ini dilakukan menggunakan parameter berikut : popsize : 80 generasi : 15 - 105 Threshold : 0,019 cr dan mr : 0,4 dan 0,2 Hasil Pengujian Generasi terlihat pada Gambar 5.

1748

150

generasi Gambar 5. Hasil Uji Generasi

Berdasarkan grafik pada Gambar 6.3 menunjukkan bahwa dari generasi ke 20 hingga ke 85 mengalami peningkatan nilai fitness. Yang berarti semakin besar nilai generasi maka semakin besar pula nilai fitness yang dihasilkan. Sedangkan mulai generasi 85 nilai rata-rata fitness yang dihasilkan cenderung stabil yang berarti konvergen mulai generasi ke 85. Karena individu yang terpilih untuk bertahan pada generasi selanjutnya merupakan individu yang terbaik (Mahmudy, 2015). Pengujian Cr dan Mr Pengujian ini merupakan pengujian untuk mendapatkan gabungan nilai cr dan mr yang paling baik agar menghasilkan nilai fitness paling optimal. Pengujian dilakukan dengan range nilai cr dan mr 0,1 hingga 0,5 dengan parameter berikut: Popsize : 80 Generasi : 85 Hasil Uji Cr dan Mr terlihat pada Gambar 6.

Fakultas Ilmu Komputer, Universitas Brawijaya

Dari grafik pada Gambar 6 dapat dilihat bahwa gabungan nilai cr dan mr yang paling baik terletak pada cr;mr yaitu 0,4;0,2 dan 0,5;0,1 dengan nilai fitness yang paling optimal 0,7000. Hasil yang didapatkan dipengaruhi oleh gabungan cr dan mr yang tepat. Dalam menentukan kombinasi cr dan mr cukup sulit dan memerlukan percobaan pendahuluan. Setiap permasalahan yang berbeda dibutuhkan nilai yang juga berbeda (Mahmudy, 2015). 5. PENUTUP Dari pengujian pada parameter threshold dan algoritma genetika yang telah dilkakukan dalam penentuan lokasi pasang baru wifi.id corner menghasilkan beberapa kesimpulan : 1. Metode AHP dan algoritma genetika dapat diterapkan untuk menyelesaikan permasalahan dalam penentuan lokasi pasang baru wifi.id corner. Yaitu mengoptimasi nilai bobot matriks perbandingan pada metode AHP dengan menggunakan algoritma genetika. Panjang gen yang digunakan adalah 6. Dimana setiap nilai gen mewakili nilai perbandingan tiap elemen pada matriks perbandingan segitiga atas. Proses reproduksi dilakukan dengan intermediate crossover dan random mutation. Didalam proses evaluasi terdapat proses AHP untuk menentukan kelayakan lokasi wifi.id corner yang kemudian dihitung fitnessnya menggunakan rumus akurasi. Untuk metode seleksi yang digunakan yaitu ellitsm selection. Parameter terbaik yang digunakan dengan rata-rata nilai fitness paling optimal adalah sebagai berikut : Popsize : 80 Generasi : 85 Crossover Rate : 0,4 Mutation Rate : 0,2. 2. Threshold yang digunakan untuk mentukan


kelayakan lokasi wifi.id corner adalah nilai bobot alternatif yang diperoleh. Dari hasil pengujian yang dilakukan menghasilkan nilai threshold 0,019 yang paling baik digunakan sehingga menghasilkan fitness paling optimal. 3. Solusi yang didapatkan dari proses AHP dan Algoritma genetika menghasilkan nilai akurasi terbaik atau fitness paling optimal sebesar 70 % . Yang menunjukkan bahwa algoritma genetika dan AHP bisa diterapkan untuk menyelesaikan masalah penentuan lokasi pasang baru wifi.id corner. Pada penelitian selanjutnya bisa menggunakan metode optimasi lain, atau metode perankingan lain. Serta bisa melakukan wawancara lebih lanjut untuk mendapatkan hasil prioritas lebih baik. DAFTAR PUSTAKA Mahmudy, Wayan., 2015. Dasar-Dasar Algoritma Evolusi. Malang : Universitas Brawijaya. Fadhilah, A, N., Cholissodin., Mahmudy., 2015. Implementasi Analytical Hierarchy Process (Ahp) Dan Algoritma Genetika Untuk Rekomendasi Dan Optimasi Pemupukan Berimbang Tanaman Hortikultura. Malang : Universitas Brawijaya. Walarange, D., Delima, R., Restyandito., 2012. Sistem Prediksi Pertandingan Sepak Bola Dengan Metode Analytical Hierarchy Process (AHP). Yogyakarta : Universitas Kristen Duta Wacana. PT. Telkom Indonesia. 2015. Venue wifi.id Corner. [online] Tersedia di: <www.wificorner.id/wificorner.html> [Diakses 15 September 2016]. Makkasau, K., 2013. Penggunaan Metode Analytic Hierarchy Process (Ahp) Dalam Penentuan Prioritas Program Kesehatan (Studi Kasus Program Promosi Kesehatan). Semarang: Universitas Diponegoro. Mu’asyaroh, F,L.,2016. Implementasi Algoritma Genetika Dalam Optimasi Model AHP dan TOPSIS Untuk Penentuan Kelayakan Pengisian Bibit Ayam Broiler Dikandang Peternak. Malang : Universitas Brawijaya. Fakultas Ilmu Komputer, Universitas Brawijaya

1749

Ariyanti, W., Cholissodin., Setiawan., 2016., Penerapan Metode Ahp Dan Svm Untuk Klasifikasi Penerima Beasiswa (Studi Kasus : Lembaga Gnota Kediri)., Malang : Universitas Brawijaya.

Penentuan Lokasi Pasang Baru Wifi.id Corner Menggunakan Metode AHP dan Algoritma Genetika (Studi Kasus : PT. Telkom Witel Kediri)

Recommend Documents