BAB 2

LANDASAN TEORI

2.1 Pengertian Algoritma Genetik

Algoritma ini ditemukan di Universitas Michigan, Amerika Serikat oleh John Holland (1975) melalui sebuah penelitian dan dipopulerkan oleh salah satu muridnya, David Goldberg (1989). Dimana mendefenisikan algoritma genetik ini sebagai metode algoritma pencarian berdasarkan pada mekanisme seleksi alam dan genetik alam.

Algoritma genetik adalah algoritma yang berusaha menerapkan pemahaman mengenai evolusi alamiah pada tugas-tugas pemecahan-masalah (problem solving). Pendekatan yang diambil oleh algoritma ini adalah dengan menggabungkan secara acak berbagai pilihan solusi terbaik di dalam suatu kumpulan untuk mendapatkan generasi solusi terbaik berikutnya yaitu pada suatu kondisi yang memaksimalkan kecocokannya atau lazim disebut fitness. Generasi ini akan merepresentasikan perbaikan-perbaikan pada populasi awalnya. Dengan melakukan proses ini secara berulang, algoritma ini diharapkan dapat mensimulasikan proses evolusioner.

Pada akhirnya, akan didapatkan solusi-solusi yang paling tepat bagi permasalahan yang dihadapi. Untuk menggunakan algoritma genetik, solusi permasalahan direpresentasikan sebagai khromosom. Tiga aspek yang penting untuk penggunaan algoritma genetik: 1. Defenisi fungsi fitness 2. Defenisi dan implementasi representasi genetik 3. Defenisi dan implementasi operasi genetik

Universitas Sumatera Utara

Algoritma Genetik secara umum dapat diilustrasikan dalam diagram alir berikut ini: Universitas Sumatera Utara . 2. bila tersedia komputerkomputer yang paralel. juga harus mengakui kekurangannya dalam dalam kecepatan pada sekumpulan komputer yang dipasang secara seri-fitness function dari tiap solusi harus dievaluasi. Untuk problem-problem ini pengguna harus mengakui fakta dari pengalaman ini dan memakai metode tradisional yang lebih cepat tersebut. Pada kasus-kasus ini. Namun. Karena itulah. untuk persoalan yang tidak terlalu rumit. pembentukan kromosom baru serta seleksi alami seperti yang terjadi pada makhluk hidup. algoritma genetik sangat cocok untuk perhitungan yang paralel. yang merupakan keunggulan dari algoritma genetik.10 Jika ketiga aspek di atas telah didefinisikan. algoritma genetik akan bekerja dengan baik. metode tradisional telah diatur untuk untuk mencari penyelesaian dari fungsi analitis convex yang “berperilaku baik” yang variabelnya sedikit. metode berbasis kalkulus lebih unggul dari algoritma genetik karena metode ini dengan cepat menemukan solusi minimum ketika algoritma genetik masih menganalisa bobot dari populasi awal.2 Struktur Umum Algoritma Genetik Algoritma genetik memberikan suatu pilihan bagi penentuan nilai parameter dengan meniru cara reproduksi genetik. Sebagai contoh. Jumlah besar dari populasi solusi. Akan tetapi. banyak persoalan realistis yang berada di luar golongan ini. tiap prosesor dapat mengevaluasi fungsi yang terpisah pada saat yang bersamaan. banyak cara yang lebih cepat dari algoritma genetik. algoritma genetik bukanlah solusi terbaik untuk memecahkan segala masalah. Tentu saja. Selain itu.

Algoritma genetik pencarian pada sebuah solusi dari sejumlah individuindividu yang merupakan solusi permasalahan bukan hanya dari sebuah individu. 4. 2. yaitu: 1. Universitas Sumatera Utara . 3. Algoritma genetik menggunakan aturan-aturan transisi peluang. bukan turunan dari suatu fungsi. Algoritma genetik dengan pengkodean dari himpunan solusi permasalahan berdasarkan parameter yang telah ditetapkan dean bukan parameter itu sendiri.1 Diagram Alir Algoritma Genetik Golberg (1989) mengemukakan bahwa algoritma genetik mempunyai karakteristik-karakteristik yang perlu diketahui sehingga dapat terbedakan dari prosedur pencarian atau optimasi yang lain.11 Skema Pengkodean Mutasi Inisialisasi Populasi Generasi Baru Fungsi Objektif Fungsi Objektif Generasi Tua/ lama Tidak Seleksi Kondisi Terminasi Perkawinan Silang (Crossover) Ya Terminasi Gambar 2. sebagai cara untuk mengevaluasi individu yang mempunyai solusi terbaik. Algoritma genetik informasi fungsi objektif (fitness). bukan aturan-aturan deterministik.

Proses ini dilakukan berulang-ulang sehingga didapatkan jumlah kromosom yang cukup untuk membentuk generasi baru dimana generasi baru ini merupakan representasi dari solusi baru. Jumlah generasi yang akan dibentuk yang menentukan lama penerapan algoritma genetik. Membangkitkan populasi awal Populasi awal ini dibangkitkan secara random sehingga didapatkan solusi awal. Populasi jumlah individu yang dilibatkan pada setiap generasi. 4. Generasi baru ini dikenal denga istilah anak (offspring ). 5. Probabilitas terjadinya mutasi pada setiap individu. Secara umum struktur dari suatu algoritma genetik dapat mendefenisikan dengan langkah-langkah sebagai berikut: 1. Bila kriteria berhenti belum terpenuhi maka akan dibentuk lagi generasi baru dengan mengulangi langkah 2. Probabilitas terjadinya persilangan (crossover) pada suatu generasi. berhenti setelah dalam beberapa generasi berturut-turut didapatkan nilai fitness Universitas Sumatera Utara . Evaluasi solusi Pada tiap generasi. Proses ini akan mengevaluasi setiap populasi dengan menghitung nilai fitness setiap kromosom dan mengevaluasinya sampai terpenuhi kriteria berhenti. 2. digunakan operator reproduksi/ seleksi. 2. Fungsi fitness (fungsi tujuan) yang dimiliki oleh masing-masing individu untuk menentukan tingkat kesesuaian individu tersebut dengan criteria yang ingin dicapai. Nilai fitness suatu kromosom menggambarkan kualitas kromosom dalam populasi tersebut.12 Variabel dan parameter yang digunakan pada algoritma genetik adalah: 1. Populasi itu sendiri terdiri atas sejumlah kromosom yang merepresentasikan solusi yang diinginkan. crossover dan mutasi. 3. Membentuk generasi baru Untuk membentuk generasi baru. Beberapa kriteria berhenti sering digunakan antara lain: berhenti pada generasi tertentu. kromosom akan melalui proses evaluasi dengan menggunakan alat ukur yang dinamakan fitness. 3.

berhenti dalam n generasi tidak didapatkan nilai fitness yang lebih tinggi.13 tertinggi tidak berubah.2) Keterangan: Bp Np : Bobot Pelanggaran : Indikator Pelanggaran 2. Fungsi fitness tersebut sebagai berikut: Fitness = dimana: 1 1 + Penalti (2. Berdasarkan jenis symbol yang digunakan sebagai nilai suatu gen. metode pengkodean dapat diklasifikasikan sebagai berikut: Universitas Sumatera Utara . Jadi nilai penalty berbanding terbalik dengan nilai fitness.1) penalti = ∑ Bp ∑ Np Dari persamaan diatas nilai fitness ditentukan oleh nilai penalty. Penalty tersebut menunjukkan jumlah pelanggaran kendala pada suatu kromosom. Semakin tinggi nilai fitness akan semakin besar kemungkinan kromosom tersebut terpilih ke generasi berikutnya.3 Pengkodean Pengkodean adalah suatu teknik untuk menyatakan populasi awal sebagai calon solusi suatu masalah ke dalam suatu kromosom sebagai suatu kunci pokok persoalan ketika menggunakan algoritma genetik. Jadi fungsi fitness: Fitness = 1 1 + ∑ Bp ∑ Np (2. semakin kecil nilai penalty (jumlah pelanggaran) semakin besar nilai fitnessnya.

Pengkodean bilang riil adalah suatu pengkodean bilangan dalam bentuk riil. dan masalah pewarnaan Graph. Pengkodean ini digunakan untuk masalah kehidupan yang lebih kompleks seperti perencanaan jalur robot. Pengkodean ini baik digunakan untuk masalah optimisasi kombinatorial. 4. Keuntungan pengkodean ini adalah sederhana untuk diciptakan dan mudah dimanipulasi. Pengkodean struktur data adalah model pengkodean yang menggunakan struktur data. Pengkodean biner memberikan banyak kemungkinan untuk kromosom walaupun dengan jumlah nilai-nilai yang mungkin terjadi pada suatu gen yang sedikit (0 dan 1). Di pihak lain. pengkodean biner sering tidak sesuai untuk banyak masalah dan kadang pengoreksian harus dilakukan setelah operasi crossover dan mutasi. yaitu mencapai solusi optimum yang belum waktunya. 2.14 1. Universitas Sumatera Utara . Pengkodean biner merupakan cara pengkodean yang paling umum digunakan karena adalah yang pertama kali digunakan dalam algoritma genetik oleh Holland.4 Operator Genetik Algoritma genetik merupakan proses pencarian yang heuristik dan acak sehingga penekanan pemilihan operator yang digunakan sangat menentukan keberhasilan algoritma genetik dalam menemukan solusi optimum suatu masalah yang diberikan. dalam arti bahwa solusi yang diperoleh adalah hasil optimum lokal. 2. Pengkodean bilangan bulat adalah metode yang mengkodekan bilangan dalam bentuk bilangan bulat. Hal yang harus diperhatikan adalah menghindari terjadinya konvergensi premature. sehingga mudah membentuk operator genetik yang efektif dengan cara memakai teknik yang dapat digunakan yang berasal dari metode konvensional. Masalah optimalisasi fungsi dan optimalisasi kendala lebih tepat jika diselesaikan dengan pengkodean bilangan riil karena struktur topologi ruang genotif untuk pengkodean bilangan riil identik dengan ruang fenotifnya. 3.

metode ini akan terus menghasilkan kromosom yang lebih baik berhubungan dengan penekanan selektif yang diterapkan pada individu anak tersebut. 2. Penekanan selektif dapat diterapkan dalam dua cara. hanya kromosom sebanyak yang dipelihara dalam populasi yang perlu dibuat bagi generasi berikutnya. crossover dan mutasi. 2003).1 Seleksi Seleksi bertujuan memberikan kesempatan reproduksi yang lebih besar bagi anggota populasi yang paling fit. Langkah pertama dalam seleksi ini adalah pencarian nilai fitness. metode ini akan terus menghasilkan kromosom yang lebih baik. Kemampuan algoritma genetik untuk memproduksi kromosom yang lebih baik secara progresif tergantung pada penekanan selektif (selective pressure) yang diterapkan ke populasi.15 Operator genetik yang digunakan setelah proses evaluasi tahap pertama membentuk populasi baru dari generasi sekarang. Masing-masing individu dalam suatu wadah seleksi akan menerima probabilitas reproduksi yang tergantung pada nilai objektif dirinya sendiri terhadap nilai objektif dari semua individu dalam wadah seleksi tersebut. karena adanya penekanan selektif yang diterapkan ke orangtua.4. Cara lain menerapkan penekanan selektif adalah memilih orang tua yang lebih baik ketika membuat keturunan baru. Walaupun penekanan selektif tidak diterapkan ke level keturunan. Nilai fitness inilah yang nantinya akan digunakan pada tahap seleksi berikutnya (Kusumadewi. Dengan metode ini. Cara pertama adalah membuat lebih banyak kromosom anak yang dipelihara dalam populasi dan memilih hanya kromosom-kromosom terbaik bagi generasi berikut. Universitas Sumatera Utara . Walaupun orang tua dipilih secara acak. Operator-operator tersebut adalah operator seleksi.

Dalam penelitian ini. Pada seleksi ini. Crossover 1-titik Pada crossover dilakukan dengan memisahkan suatu string menjadi dua bagian dan selanjutnya salah satu bagian dipertukarkan dengan salah satu bagian dari string yang lain yang telah dipisahkan dengan cara yang sama.4. Proses yang demikian dinamakan operator crossover satu titik seperti diperlihatkan pada gambar berikut: Tabel 2. metode yang digunakan adalah seleksi roda rolet (roulette wheel selection). orang tua dipilih berdasarkan fitness mereka. Universitas Sumatera Utara . seleksi ranking (rank selection) dam seleksi turnamen (tournament selection). Probabilitas suatu individu terpilih untuk crossover sebanding dengan fitness-nya.16 Ada beberapa metode untuk memilih kromosom yang sering digunakan antara lain adalah seleksi roda rolet (roulette wheel selection). 2. Crossover 2-titik Proses crossover ini dilakukan dengan memilih dua titik crossover. lebih besar peluangnya untuk terpilih. Kromosom keturunan kemudian dibentuk dengan barisan bit dari awal kromosom sampai titik crossover pertama disalin dari orangtua pertama.2 Crossover Crossover (perkawinan silang) bertujuan menambah keanekaragaman string dalam populasi dengan penyilangan antar-string yang diperoleh dari sebelumnya. Beberapa jenis crossover tersebut adalah: 1.1 Contoh Crossover 1-titik Kromosom Orangtua 1 Kromosom Orangtua 2 Keturunan 11001011 11011111 11001111 2. Lebih baik kualitas suatu kromosom. Cara penyeleksian ini merupakan peniruan dari permainan roda rolet.

4.2 Contoh Crossover 2-titik Kromosom Orangtua 1 Kromosom Orangtua 2 Keturunan 11001011 11011111 11011111 3.3 Contoh Crossover seragam Kromosom Orangtua 1 Kromosom Orangtua 2 Keturunan 11001011 11011111 11011111 2. Akan tetapi. untuk mencapai hal ini. Jika dalam proses pemilihan kromosom-kromosom cenderung pada kromosom yang memiliki fitness yang tinggi saja. Crossover seragam Crossover seragam manghasilkan kromosom keturunan dengan menyalin bit-bit secara acak dari kedua orangtuanya. Universitas Sumatera Utara . selain melakukan penekanan selektif yang lebih efisien.3 Mutasi Mutasi merupakan proses mengubah nilai dari satu atau beberapa gen dalam suatu kromosom. konvergensi premature. yaitu mencapai solusi yang optimal lokal sangat mudah terjadi Untuk menghindari konvergensi premature tersebut dan tetap menjaga perbedaan (diversity) kromosom-kromosom dalam populasi. penekanan selektif juga memegang peranan yang penting.17 bagian dari titik crossover pertama dan kedua disalin dari orangtua kedua. operator mutasi juga dapat digunakan. Operasi crossover yang dilakukan pada kromosom dengan tujuan untuk memperoleh kromosom-kromosom baru sebagai kandidat solusi pada generasi mendatang denga fitness yang lebih baik. Tabel 2. Tabel 2. kemudian selebihnya disalin dari orangtua pertama lagi. dan lama-kelamaan menuju solusi optimum yang diinginkan.

Operator mutasi merupakan operasi yang menyangkut satu kromosom tertentu. Proses mutasi ini bersifat acak sehingga tidak selalu menjamin bahwa setelah proses mutasi akan diperoleh kromosom dengan fitness yang lebih baik.18 Proses mutasi dalam system biologi berlangsung dengan mengubah isi allele gen pada suatu locus dengan allele yang lain. Universitas Sumatera Utara . Proses yang dilakukan adalah menginversi nilai bit pada posisi tertentu yang terpilih secara acak (atau menggunakan skema tertentu) pada kromosom. Mutasi dalam Pengkodean Nilai Mutasi pada pengkodean nilai hampir sama dengan yang dilakukan pada pengkodean biner.5 Contoh Mutasi pada pengkodean permutasi Kromosom sebelum mutasi Kromosom setelah mutasi 123465879 127465839 3. Beberapa cara operasi mutasi diterapkan dalam algoritma genetik menurut jenis pengkodean terhadap phenotype. Salah satu cara yang dapat dilakukan adalah dengan memilih dua posisi (locus) dari kromosom dan kemudian nilainya saling dipertukarkan. yang disebut inverse bit. Tabel 2. Tabel 2. antara lain: 1. Mutasi dalam Pengkodean Biner Mutasi pada pengkodean biner merupakan operasi yang sangat sederhana.4 Contoh Mutasi pada pengkodean biner Kromosom sebelum mutasi Kromosom setelah mutasi 10010111 10010011 2. Mutasi dalam Pengkodean Permutasi Proses mutasi yang dilakukan dalam pengkodean biner dengan mengubah langsung bit-bit pada kromosom tidak dapat dilakukan pada pengkodean permutasi karena konsistensi urutan permutasi harus diperhatikan. tetapi yang dilakukan bukan menginversi nilai bit.

19 Penerapannya bergantung pada jenis nilai yang digunakan. Tidak setiap gen selalu dimutasi tetapi mutasi dikontrol dengan probabilitas tertentu yang disebut dengan mutation rate (probabilitas mutasi) dengan notasi Pm. Hubungan tersebut dinyatakan secara matematis sebagai berikut: nr (i ) = n (i ) 1 + ntotal (2. proses mutasi dapat dilakukan seperti yang dilakukan pada pengkodean permutasi. *. Sebagai contoh untuk nilai riil. -.4) Universitas Sumatera Utara . Jenis operator mutasi antara lain: 1. Mutasi dalam Pengkodean Pohon Mutasi dalam pengkodean pohon dapat dilakukan antara lain dengan cara mengubah operator (+. Gen yang mempunyai nilai pelanggaran yang lebih besar maka gen tersebut mempunyai peluang untuk terjadi mutasi. Ini berarti bahwa setiap gen mempunyai peluang yang berbeda untuk terjadi mutasi. Mutasi Terarah Mutasi terarah tergantung dari informasi gen. /) atau nilai yang terkandung pada suatu verteks pohon yang dipilih. Informasi gen tersebut berupa nilai pelanggaran gen (violation gen). Atau. dengan saling mempertukarkan nilai dua gen pada kromosom. 4. Mutasi ini menghubungkan nilai pelanggaran relatif (nilai pelanggaran suatu gen dibagi dengan nilai pelanggaran total suatu kromosom) dengan probabilitas terjadinya mutasi dari suatu gen pada kromosom. dapat juga dilakukan dengan memilih dua verteks dari pohon dan saling mempertukarkan operator atau nilainya.3) pm(i) = (1 + nr (i ))2 pm Keterangan persamaan: nr(i) ntotal : nilai pelanggaran relative gen ke-i : nilai pelanggaran total kromosom (2.

Jika hanya sedikit kromosom dalam populasi maka algoritma genetik akan mempunyai sedikit variasi kemungkinan untuk melakukan crossover antara orangtua karena hanya sebagian kecil dari search space yang dipakai. Jika tidak terjadi crossover maka keturunannya akan sama persis dengan kromosom orangtua. Crossover dilakukan dengan harapan bahwa kromosom yang baru akan lebih baik. 2. Jika probabilitas crossover 100% maka semua keturunannya dihasilkan dari crossover. tetapi tidak berarti generasi yang baru akan sama persis dengan generasi yang lama. 2003) yaitu: 1. Jumlah Individu Menunjukkan jumlah kromosom yang terdapat dalam populasi (dalam satu generasi).4. Probabilitas Mutasi (Mutation Probability) Menunjukkan kemungkinan mutasi terjadi pada gen-gen yag menyusun sebuah kromosom. Jika tidak terjadi mutasi maka keturunan yang dihasilkan setelah crossover tidak berubah. Sebaliknya jika terlalu banyak maka algoritma genetik akan berjalan lambat. 2. Jika terjadi mutasi bagian kromosom akan berubah. Probabilitas Persilangan (Crossover Probability) Menunjukkan kemungkinan crossover terjadi antara 2 kromosom. Mutasi Biasa Mutasi biasa tidak tergantung dari informasi gen. tidak ada yang mengalami mutasi. 3.4 Parameter Genetik Pengoperasian algoritma genetik dibutuhkan 4 parameter (Juniawati. semua kromosom dimutasi. Setiap gen mempunyai peluang yang sama untu terjadi mutasi. Jika probabilitasnya 0%. Jika probabilitas 100%. Universitas Sumatera Utara .20 pm(i) : probabilitas mutasi gen ke-i pm : probabilitas mutasi 2.

5. Meskipun demikian. Mengenal Java 2 Standard Edition. Jumlah Populasi Menetukan jumlah populasi atau banyaknya generasi yang dihasilkan. proses kelahirannya tidak ada hubungannya secara fisik dengan Indonesia atau pulau Jawa. dipakai dalam mobile phone. Sejarah kelahiran bahasa Java dimulai pada tahun 1991 ketika Sun Microsystems memulai proyek penelitian yang diberi kode Green. 4. Jawa. Bahasa ini sangat berkembang pesat terutama untuk web programming. Beberapa komponen dalam Java yaitu java class-library. persilangan dan mutasi. 3. 2. Dalam beberapa tahun terakhir.5 Uraian Singkat Java 2 Standard Edition Untuk mengembangkan program aplikasi ini penulis menggunakan bahasa pemrograman berbasis Java 2 Standard Edition .1 Mengenal Java 2 Standard Edition Nama Java kebetulan sama dengan pulau tempat tinggal sebagian besar penduduk Indonesia. Struktur Aplikasi Java 2 Standard Edition Development Kit. Universitas Sumatera Utara . PDA. Java telah merambah dunia mobile dengan J2ME (Micro Edition: MIDlet. smart phone dan sebagainya). servlet). Dalam penelitian ini penulis menggunakan J2SE (Java 2 Standard Edition). Java juga banyak dipakai dalam aplikasi server dengan J2EE (Enterprise Edition : JSP.21 4. 2. Proyek ini bertujuan untuk membangun system yang memungkinkan komputer berperan dalam peralatan rumah tangga. Yaitu terutama untuk pemrograman aplikasi java dan applet. Penulis akan memperkenalkan dari: 1. 2. digunakan sebagai batas akhir proses seleksi. Keyword dan tipe data dalam Java 2 Standard Edition.

Aplikasi Java yang dibangun dengan memakai berbagai macam tool dari JDK dapat digambarkan dengan diagram berikut: Universitas Sumatera Utara .22 2. list. yaitu antarmuka grafik yang memudahkan pemakainnya untuk navigasi dengan menggunakan elemen user interface seperti button. komponen activeX dan lainnya. Diharapkan aplikasi ini akan diimplementasikan juga pada platform yang lain. Free BSD dan lainnya. Pada saat ini aplikasi sistem simulasi ini ditulis pada platform windows dan dengan menggunakan X-window Unix atau Linux pada Ubuntu 8.1. Java SDK sering juga disingkat dengan JDK (Java Development Kit). Pemrograman windows GUI (Graphical User Interface) adalah interaksi antara pengguna aplikasi dengan aplikasi dilakukan melalui antarmuka yang disebut dengan graphical user interface. seperti Apple Machintos.04 interface. input field.5.1 Java 2 Software Development Kit Java 2 SDK (Software Development Kit) adalah suatu perangkat lunak yang digunakan untuk manajemen dan membangun berbagai macam aplikasi Java.

23 EDITOR TEXT Source code (Java) Byte-Code (.class) GENERATOR DOKUMENTASI (javadoc : .2 Pemrograman Berorientasi Objek Orientasi objek merupakan metode pemrograman modern yang mempunyai kelebihan ketimbang dengan metode konvensional biasa.2 Tool-Tool Dasar JDK 2. Salah satu keuntungan pemrograman berorientasi objek adalah Reusability (kemampuan untuk digunakan kembali). baik dibuat sendiri maupun yang dibuat oleh pihak lainnya. yaitu memakai komponen yang sudah pernah dibuat. Universitas Sumatera Utara . untuk kemudian mengintegrasikan komponen ini dalam aplikasi yang baru.5.html) GENERATOR ARCHIEVE (jar) COMPILER (javac) INTERPRETER (java) APPLET VIEWER DISASSEMBLER (javap) DEBUGGER (jdb) GENERATOR HEADER (javah) Gambar 2.1.

Dalam library ini terdapat bermacam-macam class yang dikelompokkan ke dalam package-package. Class untuk AWT java.applet java. yaitu terdiri dari class-class inti yang dipakai dalam pemrograman bahasa java. tanggal. bilangan dan message Class-class untuk melakukan perhitungan Math java.beans java.6 Tabel Package yang terdapat dalam J2SE Package Language Nama package java.2 Java Class-Library Java menyediakan library-library standard yang telah di-compile dan dapat langsung dipakai.text untuk penanganan teks. Tabel berikut menjelaskan package-package yang tersedia dalam J2SE.util I/O java.24 2.io Universitas Sumatera Utara .lang.math aritmatik arbitrary-precesion. Tabel 2. baik integer atau floating point Abstract Windowing Toolkit.5.lang Keterangan Class-class utama merupakan inti dari bahasa java Class-class yang mendukung utilitas struktur data Class-class yang mendukung bermacammacam tipe input/ output Class-class yang mendukung lokalisasi Text java.reflect Perluasan/ extention dari bahasa java Class-class untuk membuat applet Class untuk membuat Java Beans Class untuk memperoleh informasi run -time Utilities java.awt peracangan user-interface dan eventhandling Class untuk membuat berbagai komponen Swing javax.swing dalam java yang bertingkah laku sama dengan berbagai platform Javax Applet Beans Reflection javax java.

5. Tabel 2. Beberapa kara kunci dalam bahasa Java dalam tabel di bawah ini.7 Keyword dalam Java Data Declaration boolean byte char double float int long short Loop break continue do for while Conditional case else if switch Exception catch finally throw try Structure abstract class default extends implements instance of interface Modifier final native new private protected public static synchronized threadsafe transient void Miscellaneous false import null package return super this true Universitas Sumatera Utara .sql Class untuk mendukung akses dan pengolahan data dalam database Class untuk mendukung distributed programming Class yang mendukung dalam pembangunan aplikasi jaringan Class untuk mendukung keamanan kriptografi RMI java. atribut-atribut. dideklarasikan dengan menggunakan kata-kata kunci yang khas dalam Java.5.1 Keyword dalam Java Pemahaman kata-kata kunci ini sangat penting sebab jika peubah-peubah.25 SQL java. metode dan sebagainya. tipe-tipe bentukan.3.3 Keyword dan Tipe Data dalam J2SE 2. objek-objek.rmi Networking java. maka interpreter bahasa Java akan langsung melaporkan adanya kesalahan (error). kelaskelas.net Security java.security 2.

5.2 Tipe Data dalam Java Tabel 2.4e38 -1.3.7e308 s/d 1.26 2.4e38 s/d 3.8 Tipe Data dalam Java Tipe Data byte short int long float double char boolean Panjang 8 bit 16 bit 32 bit 64 bit 4 byte 8 byte 16 bit Unicode 1 bit TRUE atau FALSE Nilai 128 s/d 127 -32768 s/d 32767 -2147483684 s/d 2147483647 -9223372036854775808 s/d 9223372036854775807 -3.7e308 Universitas Sumatera Utara .

Sign up to vote on this title
UsefulNot useful