Uraian latar belakang masalah diatas menunjukkan permasalahan dalam modul semi sederhana cukup luas. Oleh karena itu untuk penulisan tugas akhir ini akan dibahas sebagian permasalahan dalam modul semi sederhana, yaitu sifat – sifat yang berlaku dalam modul sederhana dan sifat – sifat yang berlaku dalam modul semi sederhana.

ob-shop scheduling problems (JSP) merupakan satu dari masalah penjadwalan mesin yang menentukan urutan proses operasi pada tiap mesin dengan tujuan meminimumkan waktu penyelesaian maksimum. Masalah penjadwalan job-shop melibatkan perubahan beberapa parameter yang tidak pasti sehingga lebih efektif jika mengenalkan logika fuzzy dan merumuskan masalah menjadi optimisasi fuzzy.
Untuk mendapatkan hasil penjadwalan yang optimal ( makespan minimum ) dengan banyaknya kemungkinan dan kombinasi solusi yang berkembang secara eksponensial seiring meningkatnya jumlah pekerjaan dan sumberdaya/mesin, maka lebih efektif digunakan algoritma genetika. Algoritma genetika merupakan proses yang menyerupai cara-cara terjadinya evolusi biologis. Algoritma genetika berusaha mendapatkan individu (solusi) terbaik dengan melakukan kombinasi diantara individu yang baik. Hasil operasi genetika akan diubah kembali menjadi sebuah jadwal yang mudah difahami oleh pengguna.

Salah satu masalah yang dihadapi pengembang real estate adalah menentukan pembagian jumlah rumah yang dibangun sesuai tipe-tipenya di real estate. Inilah yang mendorong perusahaan real estate untuk mencari teknik pengambilan keputusan yang tepat.
PT. Panca Teja Sentana, selaku pengembang juga mengalami hal yang sama. Pembagian lahan dilakukan dengan cara mengira-ngira jumlah rumah yang akan dibangun sesuai tipenya. Memang apa yang dibangun pada tahun 2004, yaitu Taman Pondok Jati, telah mendatangkan keuntungan. Keuntungan yang diperoleh belum maksimal, sementara muncul masalah dengan banyak target. Perusahaan mengalami kesulitan dalam mengambil keputusan.
Pada tugas akhir ini, penulis memanfaatkan goal programming untuk mengolah data pada real estate yang menghasilkan pembagian lahan yang sesuai dengan pembagian jumlah tipe-tipe rumah. Metode ini merupakan pemrograman tujuan ganda dan merupakan solusi yang dapat mencapai semuanya secara optimal pada waktu bersamaan berdasarkan kendala-kendala yang dimilikinya.
Keuntungan aktual yang didapat oleh PT. Panca Teja Sentana sebesar Rp. 2.252.000.000. Kemudian dari solusi optimal yang diperoleh, keuntungan tersebut mengalami kenaikan 1,5 % menjadi Rp. 2.285.000.000. Solusi optimal yang diperoleh tersebut yaitu jumlah rumah tipe 36 sebanyak 15 unit, tipe 45 sebanyak 28 unit, tipe 54 sebanyak 22 unit dan tipe 70 sebanyak 27 unit.

Kata kunci: goal programming, prioritas, target/goal.

PENGENALAN POLA SIDIK JARI MANUSIA DENGAN METODE PROBABILISTIC NEURAL NETWORK (PNN)

Abstrak
Pengenalan sidik jari merupakan salah satu perkembangan teknologi biometrika yang digunakan untuk mengenali sidik jari manusia. Sidik jari telah terbukti cukup akurat, aman, mudah, dan nyaman bila dibandingkan dengan sistem biometrik yang lainnya seperti bentuk wajah, warna suara dan retina mata. Dalam penelitian ini metode yang digunakan sebagai proses pengenalan sidik jari adalah Probabilistic Neural Network (PNN). PNN dilihat dari cara pendekatannya merupakan metode pengklasifikasian pola yang menggunakan penggabungan secara statistik dan jaringan syaraf. tiruan. PNN memiliki 4 lapisan terdiri dari lapisan input, lapisan pola, lapisan penjumlahan dan lapisan keluaran.
Seperti dalam sistem jaringan syaraf tiruan lainnya, PNN memerlukan proses pelatihan (training) untuk sidik jari yang akan dikenali. Pola–pola sidik jari yang digunakan untuk proses PNN merupakan hasil dari FFT yamg berupa nilai spektrum. Keputusan diambil menggunakan keputusan Bayes berdasarkan nilai pada lapisan penjumlahan yang tertinggi.
Uji coba sistem dilakukan terhadap 9 orang dimana 4 pria dan 5 wanita. Setiap orang memiliki masing–masing 40 sampel yaitu 20 ibu jari tangan kanan dan 20 ibu jari tangan kiri. Dari data-data ini, 10 data sebagai digunakan untuk data training dan 10 data sebagai untuk data testing. Dilihat dari hasil uji coba yang telah dilakukan memperlihatkan bahwa PNN sesuai dalam mengenali sidik jari. Hasil pengenalan sidik jari rata-rata bisa mencapai 81,67% dengan ukuran gambar diperkecil hingga 25% dari ukuran gambar asli, 91,39% dengan ukuran gambar diperkecil hingga 50% dari ukuran gambar asli, 92,5% dengan ukuran gambar diperkecil hingga 75% dari ukuran gambar asli dan 93,06% dengan ukuran gambar asli.

Kata Kunci : Biometrika, Probabilistic Neural Network (PNN), Fast Fourier Transform (FFT), spektrum, sidik jari.

Abstrak

Berkembangnya penemuan-penemuan baru dari pengembangan metode Soft Computing semakin mempermudah manusia dalam menyelesaikan permasalahan di berbagai bidang. Salah satu metode Soft Computing yang sering digunakan adalah ANFIS (Adaptive Neuro Fuzzy Inference System). ANFIS merupakan metode yang menggunakan jaringan syaraf tiruan untuk mengimplementasikan sistem inferensi fuzzy.
Keunggulan sistem fuzzy adalah dapat menerjemahkan pengetahuan dari pakar dalam bentuk aturan-aturan, namun biasanya dibutuhkan waktu yang lama untuk menetapkan fungsi keanggotaannya. Oleh sebab itu dibutuhkan teknik pembelajaran dari jaringan syaraf tiruan untuk mengotomatisasi proses tersebut sehingga dapat mengurangi waktu pencarian Hal tersebut menyebabkan metode ANFIS sangat baik diterapkan pada berbagai bidang [8].
Telah dibuktikan pada penelitian sebelumnya bahwa ANFIS dapat digunakan untuk prediksi curah hujan [5], pengenalan suara [9] dan lain-lain.. Dalam tugas akhir ini penulis ingin mengaplikasikan ANFIS dalam bidang sumber daya manusia. Tes masuk sebagai salah satu dari serangkaian tes untuk menyeleksi tenaga kerja sangat dibutuhkan bagi pihak manajemen sumber daya manusia (SDM). ANFIS akan dilatih dengan menggunakan algoritma Least Square Estimator pada arah maju dan Gradient Descent pada arah mundur untuk menentukan nilai akhir dan rangking dari tiap calon karyawan untuk memudahkan pemilihan calon karyawan.

Kata Kunci: ANFIS, Seleksi Karyawan, Least Square Estimator, Gradient Descent