Call for Abstract Seminar Nasional Sistem Informasi di Bali 2013 (SESINDO 2013)

Jurusan Sistem Informasi, Institut Teknologi Sepuluh Nopember (ITS) Surabaya menginformasikan kepada saudara untuk berpartisipasi dalam seminar tahunan keenam yakni SESINDO 2013 dengan mengumpulkan karya dalam bentuk makalah/poster dari hasil penelitian yang dilakukan. SESINDO 2013 adalah rangkaian kegiatan yang dilaksanakan bersamaan dengan Information Systems International Conference (ISICO – http://isico.info), sehingga peserta memiliki kesempatan untuk bersosialisasi dengan peserta seminar internasional pada sesi plenari.

SEMINAR NASIONAL SISTEM INFORMASI INDONESIA (SESINDO) 2013

Bali, 2 – 3 Desember 2013 (Tour Wisata Bali, 4 Desember 2013)

untuk info lebih lanjut silahkan kunjungi http://2013.sesindo.org

Rabu, 20 Maret 2013 // // 0 komentar //

General Algorithm Menggunakan R

Setelah sekian lama, akhirnya ngeblog lagi.. Padahal udah banyak blog yang aku buat (gara-gara lupa password hhehe)… Kali ini aku mau nulis tentang menggunakan software R untuk mendukung pengambilan keputusan. Jadi, ceritanya disini ada permasalahan terus coba dipecahkan permasalahannya itu menggunakan software R.

Sebelum masuk ke permasalahannya, aku mau jelasin dulu tentang software R. Jadi, apa sih R itu?

Pengertian Software R

Kalo secara definisinya, R itu merupakan software open-source yang biasanya dan banyak digunakan untuk lingkungan statistic dan grafik. Software R dapat dijalankan di berbagai system operasi antara lain : windows, Mac, dan Linux. Yah, sedikit saja bicara tentang R-nya ya,,,

Karena dalam kasus yg akan dibahas disini akan memadukan penggunaan Genetic Algorithm (GA) dengan software R, maka disini aku mau jelasin juga tentang GA.

Pengertian Genetic Algorithm (GA)

GA adalah teknik pencarian dalam bidang komputansi untuk menemukan solusi terbaik atau pendekatan yang digunakan untuk mengoptimasi suatu solusi. Teknik dalam GA didasarkan pada biologi evolusioner seperti pewarisan, mutasi, seleksi, dan crossover. GA diimplementasikan sebagai proses simulasi. Dalam GA, biasanya terdapat 2 hal yang harus didefinisikan :

Representasi genetis dari domain solusi
Fungsi fitness untuk mengevaluasi solusi domain

Representasi standar dari solusi adalah array of bits. Fungsi fitness merupakan representasi genetis dan kualitas representasi solusi. Setelah keduanya didefinisikan, GA lanjut ke proses inisialisasi, lalu berkembang melalui perulangan aplikasi mutasi, crossover, dan seleksi.

Well, aku pikir sekilas informasi tentang R dan GA sudah cukup. Sekarang kita masuk ke penyelesaian masalah menggunakan GA dalam software R. Sebelumnya, aku akan memberikan contoh kasusnya…

Contoh Kasus

Toko Usaha Maju merupakan sebuah UKM yang memproduksi sepatu kategori wedges. Produk-produk yang diproduksi memiliki berbagai macam model dengan rincian sebagai berikut:

Pada tahun 2012, Toko Usaha Maju mengalami krisis. Untuk menghemat biaya, maka Toko Usaha Maju memutuskan hanya memproduksi beberapa model sepatu dari total model sepatu yang pernah diproduksinya. Adapun budget yang dimiliki oleh Toko Usaha Maju sebesar Rp 15.000.000. Toko Usaha Maju, kemudian bingung menentukan model sepatu apa saja yang akan diproduksi guna memaksimalkan keuntungan penjualan.

Nah, dari contoh kasus tersebut sekarang bisa kita lakukan penyelesaiannya…

Implementasi Solusi pada R

Untuk mengimplementasikan solusi ini, saya menggunakan dua library, yaitu genalg dan ggplot2. Pastikan library sudah terinstal. Untuk menginstallnya cukup dengan mengetikkan seperti berikut.

Kemudian lakukan pemanggilan terhadap library yang baru diinstal tersebut. Caranya seperti berikut.

library(genalg)

library(ggplot2)

Setelah itu, barulah dapat dilakukan pemodelan terhadap data yang ada dalam table. Untuk melakukannya, disini menggunakan data frame. Selain itu, disini juga dilakukan pendefinisian batasan budget yang dimiliki. Sehingga apabila dituliskan dalam R adalah sebagai berikut.

dataset <- data.frame(model = c("Blow Wedges Slingback Cross Upper Beige", "Blow Open Toe Slingback Wedges Navy", "Tolliver Wedges Peep Toe Shoes with Synthetic Leather and Strap", "Blow Open Toe Slingback Wedges Khaki", "ShoeBank Fabric Strap Wedges Shoes", "Quinna Molla Lenore Wedges Black", "Quinna Molla Lenore Wedges Tan", "Fly Brenda Shoe Sandal Rose Gold", "Koumi Koumi Transparent Strap Wedges Sandals Black", "Missel Rutlyn Wedges Yellow"), keuntungan = c(1435200, 1339200, 859200, 1339200, 1195200, 1723200, 1723200, 1435200, 1579200, 1723200), harga_produksi = c(2152800, 2008800, 1288800, 2008800, 1792800, 2584800, 2584800, 2152800, 2368800, 2584800))

productionlimit <- 15000000

Berikutnya adalah memasukkan fungsi tujuan. Adapun tujuan dari kasus ini adalah memaksimalkan keuntungan penjualan dengan menentukan model sepatu apa saja yang dapat diproduksi. Karena GA memiliki tujuan untuk meminimalkan fungsi tujuan, maka disini kita memberikan nilai negative untuk nilainya.

evalFunc <- function(x) {

current_solution_harga_produksi <- x %*% dataset$harga_produksi

current_solution_keuntungan <- x %*% dataset$keuntungan

if (current_solution_harga_produksi > productionlimit)

return(0) else return(-current_solution_keuntungan)

}

Pemodelan data dan pendefinisian fungsi tujuan sudah dilakukan. Berikutnya adalah menggunakan GA untuk menentukan solusi terbaik. Disini kita memilih desain GA, jumlah iterasi, dan menjalankan GA menggunakan kode berikut:

iter = 100

GAmodel <- rbga.bin(size = 10, popSize = 200, iters = iter, mutationChance = 0.01, elitism = T, evalFunc = evalFunc)

cat(summary.rbga(GAmodel))

Hasilnya adalah sebagai berikut :

Sehingga hasil yang didapatkan untuk solusi terbaik dari permasalahan adalah 0 1 1 1 0 1 1 1 1 0. Ini berarti model yang harus diproduksi saat krisis ini adalah sebagai berikut: