Professional Documents
Culture Documents
FUNGSI LINIER
OLEH :
SUPRIYANTO
G651090191
Dosen :
MEI 2010
DEPARTEMEN ILMU KOMPUTER
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
Kepunyaan Allah-lah apa yang di langit dan apa yang di bumi, dan adalah (pengetahuan)
Allah Maha meliputi segala sesuatu. (QS 4 : 126)
Dan sesungguhnya telah Kami pilih mereka dengan pengetahuan (Kami) atas bangsa-bangsa
(QS 44 : 32)
KATA PENGANTAR
Puji syukur kehadirat Allah SWT yang dengan Rahmat dan Karunianya, maka penulis dapat
menyelesaikan tugas Algoritma Genetika. Topik yang diangkat pada tulisan ini adalah
tentang optimasi fungsi linier dengan menggunakan Algoritma Genetika.
Patut disadari bahwa dalam penulisan makalah ini tidak lepas dari kesalahan dan kekurangan.
Penulis mengharapkan masukan dan kritikan demi perbaikan di kemudian hari.
Penulis
i
DAFTAR ISI
Halaman
BAB I. PENDAHULUAN ...................................................................................................... 1
C. Tujuan ..................................................................................................................... 2
3. Seleksi ................................................................................................................ 6
4. Crossover ............................................................................................................ 7
5. Mutasi ................................................................................................................. 8
2. Persamaan Linier................................................................................................... 10
A. Perancangan Aplikasi............................................................................................ 11
ii
D. Hasil Running Program......................................................................................... 17
iii
DAFTAR TABEL
iv
DAFTAR GAMBAR
Gambar 2.1. Diagram Alir Rancangan Aplikasi Algoritma Genetika Untuk Optimisasi
Persamaan Linier ................................................................................................. 11
v
BAB I. PENDAHULUAN
A. Latar Belakang
1
B. Perumusan Masalah
x1-x2-x3 x2>5
Fungsi f(x1,x2,x3) =
x1-2x2-x3 x2<=5
C. Tujuan
2
BAB II. TINJUAN PUSTAKA
A. Terminologi Knowledge
Sejak algortima genetika (AG) pertama kali dirintis oleh John Holland dari Universitas
Michigan pada tahun 1960-an, AG telah diaplikasikan secara luas pada berbagai bidang.
AG banyak digunakan untuk memecahkan masalah optimasi, walaupun pada
kenyataannya juga memiliki kemampuan yang baik untuk masalah- masalah selain
optimasi. John Holland menyatakan bahwa setiap masalah yang berbentuk adaptasi
(alami maupun buatan) dapat diformulasikan dalam terminologi genetika. Algoritma
genetika adalah simulasi dari proses evolusi Darwin dan operasi genetika atas
kromosom.
Pada algoritma genetika, teknik pencarian dilakukan sekaligus atas sejumlah solusi yang
mungkin dikenal dengan istilah populasi. Individu yang terdapat dalam satu populasi
disebut dengan istilah kromosom. Kromosom ini merupakan suatu solusi yang masih
berbentuk simbol. Populasi awal dibangun secara acak, sedangkan populasi berikutnya
merupakan hasil evolusi kromosom-kromosom melalui iterasi yang disebut dengan
generasi.
Pada setiap generasi, kromosom akan melalui proses evaluasi dengan menggunakan alat
ukur yang disebut dengan fungsi fitness. Nilai fitness dari suatu kromosom akan
menunjukkan kualitas dari kromosom dalam populasi tersebut. Generasi berikutnya
dikenal dengan istilah anak (offspring) terbentuk dari gabungan dua kromosom generasi
sekarang yang bertindak sebagai induk (parent) dengan menggunakan operator
penyilangan (crossover). Selain operator penyilangan, suatu kromosom dapat juga
dimodifikasi dengan menggunakan operator mutasi. Populasi generasi yang baru dibentuk
dengan cara menyeleksi nilai fitness dari kromosom induk (parent) dan nilai fitness dari
kromosom anak (offspring), serta menolak kromosom-kromosom yang lainnya sehingga
ukuran populasi (jumlah kromosom dalam suatu populasi) konstan. Setelah melalui
beberapa generasi, maka algoritma ini akan konvergen ke kromosom terbaik.
3
Ada tiga keunggulan dari aplikasi Algoritma Genetika dalam proses optimasi, yaitu: (a)
Algoritma Genetika tidak terlalu banyak memerlukan persyaratan matematika dalam
penyelesaian proses optimasi. Algoritma Genetika dapat diaplikasikan pada beberapa
jenis fungsi obyektif dengan beberapa fungsi pembatas baik berbentuk linier maupun
non-linier; (b) Operasi evolusi dari Algoritma Genetika sangat efektif untuk
mengobservasi posisi global secara acak; dan (c) Algoritma Genetika mempunyai
fleksibilitas untuk diimplementasikan secara efisien pada problematika tertentu.
Algoritma genetika sangat tepat jika digunakan untuk menyelesaikan masalah optimasi
yang kompleks dan sukar diselesaikan dengan menggunakan metode konvensional.
Sebagaimana halnya proses evolusi di alam, suatu algoritma genetika yang sederhana
umumnya terdiri dari tiga operasi, yaitu: operasi reproduksi, operasi crossover
(persilangan), dan operasi mutasi. Struktur umum dari suatu algoritma genetika terdiri
dari langkah-langkah:
4
B. Komponen-Komponen Utama Algoritme Genetika
1. Teknik Pengkodean
Teknik pengkodean adalah bagaimana mengkodekan gen dari kromosom. Satu gen
biasanya merepresentasikan satu variabel. Gen dapat diwakili dalam bentuk : bilangan
real, bit, daftar aturan, elemen permutasi, elemen program, atau representasi lainya
yang dapat diimplementasikan untuk operator genetika. Teknik pengkodean ini
tergantung pada pemecahan masalah yang dihadapi. Misalnya, pengkodean secara
langsung bilangan real atau integer.
Oleh karena itu, kromosom dapat direpresentasikan sebagai :
String bit : 11001, 10111
Array bilangan real : 7.9, 9.7, -70
Elemen permutasi : E5, E8, E11
Daftar aturan : R1, R2, R3
Elemen program : pemrograman genetika
5
dengan IPOP merupakan gen yang nantinya berisi pembulatan dari bilangan acak
yang dibangkitkan sebanyak (jumlah populasi) dan (jumlah gen
dalam tiap kromosom).
b. Pendekatan Tertentu
Teknik ini adalah memasukan nilai tertentu ke dalam gen dari populasi awal yang
dibentuk.
c. Permutasi Gen
Salah satu teknik permutasi gen dalam pembangkitan populasi awal adalah
penggunaan permutasi Josephus dalam permasalahan kombinatorial.
3. Seleksi
Seleksi digunakan untuk memilih individu-individu mana saja yang akan dipilih untuk
proses crossover dan mutasi. Selain itu, untuk mendapatkan calon induk yang baik.
“Induk yang baik akan menghasilkan keturunan yang baik”. Semakin tinggi nilai
fitness suatu individu semakin besar kemungkinannya untuk dipilih.
Langkah pertama yang dilakukan dalam seleksi ini adalah pencarian nilai fitness.
Nilai fitness ini nantinya akan digunakan pada tahap-tahap seleksi berikutnya.
Masing-masing individu dalam wadah seleksi akan menerima probabiltas reproduksi
yang tergantung pada nilai objektif dirinya sendiri terhadap nilai objektif dari semua
individu dalam wadah seleksi tersebut.
Ada beberapa metode seleksi, yaitu :
a. Seleksi dengan mesin Roulette
Metode seleksi dengan mesin roulette adalah metode sederhana dan sering dikenal
dengan nama stochatic sampling with replacement. Cara kerja metode ini sebagai
berikut :
1) Hitung nilai fitness dari masing-masing individu
2) Hitung nilai total nilai fitness semua individu
3) Hitung probabilitas masing-masing individu
4) Dari probabilitas tersebut, hitung jatah masing-masing individu pada angka 1
sampai 200
5) Lakukan pembangkitan bilangan acak antara 1 sampai 200
6
6) Bila langkah 5 selesai, tentukan individu mana yang terpilih dalam proses
diseleksi
4. Crossover
Kawin silang (Crossover) adalah operator dari algoritme genetika yang melibatkan
dua induk untuk membentuk kromosom baru. Crossover menghasilkan titik baru
dalam ruang pencarian yang siap diuji. Operasi ini tidak selalu dilakukan pada semua
individu yang ada. Individu dipilih secara acak untuk dilakukan penyilangan dengan
7
antara 0,6 sampai 0,95. Jika crossover tidak dilakukan, maka nilai dari induk akan
diturunkan kepada anak (keturunan).
Prinsip dari crossover adalah melakukan operasi genetika (pertukaran, aritmatika)
pada gen-gen yang bersesuaian dari dua induk untuk menghasilkan individu baru.
Para crossover dilakukan pada setiap individu dengan probabilitas crossover yang
telah ditentukan. Pada Gambar 2.1, diilustrasikan diagram alir penggunaan
probabilitas crossover pada proses crossover.
Induk 1
Induk 2
P = random[0,1]
P < probCO
tidak
ya
Crossover
5. Mutasi
Operator ini berperan untuk menggantikan gen yang hilang dari populasi akibat
proses seleksi yang memungkinkan munculnya kembali gen yang tidak muncul pada
inisialisasi populasi. Kromosom anak dimulai dengan menambahkan nilai random
yang sangat kecil dengan probabilitas yang rendah. Peluang mutasi ( didefinisikan
sebagai persentase dari jumlah total gen pada populasi yang mengalami mutasi.
Peluang mutasi mengendalikan banyaknya gen baru yang akan dimunculkan untuk
dievaluasi. Jika peluang mutasi terlalu kecil, banyak gen yang mungkin berguna tidak
8
pernah dievaluasi. Tetapi jika peluang mutasi terlalu besar, maka akan terlalu banyak
gangguan acak, sehingga anak akan kehilangan kemiripan dari induknya dan
algoritme kehilangan kemampuan untuk belajar dan melakukan pencarian. Ada yang
berpendapat bahwa laju mutasi sebesar akan memberikan hasil cukup baik. Ada
juga yang berpendapat bahwa laju mutasi tidak tergantung pada ukuran populasi.
Kromosom hasil mutasi harus diperiksa, apakah masih berada pada domain solusi,
dan bila perlu dapat dilakukan perbaikan.
Pada Gambar 2.2, diilustrasikan diagram alir penggunaan mutasi pada proses mutasi.
Proses yang diilustrasikan tersebut adalah cara mudah untuk melakukan mutasi.
Proses mutasi yang dilakukan tidak harus seperti pada tersebut, tapi bisa dengan
melakukan mutasi pada gen sebanyak (probabilitas mutasi * jumlah gen), dimana
posisi gen yang akan dilakukan mutasi dipilih secara acak.
Induk 1
Induk 2
P = random[0,1]
P < probMut
tidak
ya
r = random
Gen (r)
dimutasi
Mutasi biner merupakan salah satu cara sederhana untuk mengganti satu atau
beberapa nilai gen dari kromosom. Contoh mutasi biner pada Gambar 2.3.
9
1 0 0 1 1 r=3 1 0 1 1 1
2. Persamaan Linier
Persamaan linier digunakan untuk merepresentasikan suatu masalah yang akan dilakukan
optimisasi (minimisasi dan maksimisasi) dengan beberapa fungsi tujuan dan fungsi
kendala. Penyelesaian program linier digunakan untuk mencari nilai optimal dari
variabel-variabel pembentuk fungsi tersebut. Tujuan dari penyelesaian program linier
adalah untuk mencari solusi optimal yang memenuhi semua kendala. Akan didapatkan
berbagai macam solusi yang fisible yang memenuhi persamaan yang diberikan.
Program linier dapat digunakan dalam berbagai aplikasi, diantaranya adalah optimasi
sumberdaya yang ada di suatu organisasi. Misalnya dalam alokasi alat dan mesin, kita
memiliki alat dan mesin X1, X2 dan X3. Maka bagaimana kita bisa mengoptimalkan
pengguanaan mesin tersebut sementara terdapat batasan-batasan fungsi.
10
BAB III. HASIL DAN PEMBAHASAN
A. Perancangan Aplikasi
Pembanguanan aplikasi yang dilakukan menggunakan tahapan-tahapan sesuai dengan
metode pemecahan masalah optimasi dengan menggunakan algoritma genetika. Berikut
adalah urut-urutan (diagram alir) pemecahan masalah yang dilakukan.
Gambar 3.1. Diagram Alir Rancangan Aplikasi Algoritma Genetika Untuk Optimisasi
Persamaan Linier
11
B. Perangkat Lunak
Perangkat lunak yang digunakan dalam pembuatan aplikasi ini adalah dengan menggunakan
VBA macro Microsoft Excel.
Untuk dapat mengaplikasikan algoritma genetika, ada beberapa langkah yang harus
dilakukuan antara lain mengenerate fungsi awal dalam bentuk representasi kromosom,
mengukur optimasi untuk semua calon solusi dari suatu masalah menggunakan fungsi fitness,
seleksi kromosom, penggunaan operator genetika seperti crossover dan mutasi agar
sekumpulan calon solusi (representasi kromosom) yang dibangkitkan pada populasi awal
dapat berkembang biak dengan sendirinya (melalui beberapa generasi) sehingga konvergen
memberikan nilai fitness yang terbaik (solusi tunggal dengan nilai paling optimum diantara
solusi) (Davids, 1991).
1. Pembentukan Kromosom
x1 = 0 s.d. 10
x2 = 0 s.d. 10
x3 = 0 s.d. 10
12
2. Inisiasi Masalah dan Pembantukan Kromosom
Proses inisiasi masalah dilakukan dengan membentuk generasi awal gen-gen dengan nilai
acak sesuai dengan batasan yang ditentukan. Dalam hal ini ditentukan jumalh populasi
yang digunakan adalah sebanyak 10 seperti tampak pada tabel di bawah ini :
Berikut adalah kode program dengan VBA Excel untuk melakukan pembantukan
generasi pertama :
For i = 1 To 10
x(i, 1) = Cells(2, 5) + Rnd() * (Cells(2, 6) - Cells(2, 5))
x(i, 2) = Cells(3, 5) + Rnd() * (Cells(3, 6) - Cells(3, 5))
x(i, 3) = Cells(4, 5) + Rnd() * (Cells(4, 6) - Cells(4, 5))
Cells(i + 9, 3) = x(i, 1)
Cells(i + 9, 4) = x(i, 2)
Cells(i + 9, 5) = x(i, 3)
If x(i, 2) > 5 Then
f(i) = Abs(x(i, 1) - x(i, 2) - x(i, 3))
Else
f(i) = Abs(x(i, 1) - 2 * x(i, 2) - x(i, 3))
End If
Cells(i + 9, 6) = f(i)
13
Next i
n=0
br = 0
jum = Cells(1, 2)
For k = 1 To jum
3. Seleksi Kromosom
Proses seleksi kromoson bertujuan untuk memilih kromosom yang akan menghasilkan
solusi dari persamaan linier yang optimal. Berikut adalah kode program yang digunakan
untuk proses seleksi :
tbs = f(i)
For i = 1 To 10
If f(i) > tbs Then
tbs = f(i)
x1tbs = x(i, 1)
x2tbs = x(i, 2)
x3tbs = x(i, 3)
End If
Next i
n=n+1
DoEvents
cacah.Text = "Generasi ke -" & Str(n)
Cells(n + 55, 2) = n
Cells(n + 55, 3) = x1tbs
Cells(n + 55, 4) = x2tbs
Cells(n + 55, 5) = x3tbs
Cells(n + 55, 6) = tbs
If Cells(n + 55, 6) > Cells(n + 55 - 1, 7) Then
Cells(n + 55, 7) = Cells(n + 55, 6)
Else
Cells(n + 55, 7) = Cells(n + 55 - 1, 7)
End If
Cells(56, 7) = Cells(56, 6)
DoEvents
hasil.Text = "Nilai terbaik : " & Str(Cells(n + 55, 7))
14
4. Proses Penyilangan
Metode crossover yang digunakan pada eksperimen ini adalah one-cut-point yaitu
memilih secara acak satu posisi dalam kromosom induk kemudian saling menukar gen.
Kromosom dipilih secara acak sesuai dengan parameter cross over rate, yang dalam
eksperimen ini digunakan 0,3 yang artinya rata-rata 0,3 x 10 = 3,3 kromosom yang
mengalami cross over pada setiap populasi.
Berikut adalah kode program yang digunakan untuk melakukan cross over :
ulang:
nc = 0
For i = 1 To 10
mc = Rnd()
If mc <= Cells(4, 2) Then
nc = nc + 1
co(nc) = i 'no kromosom yg cross over
End If
Next i
If nc Mod 2 <> 0 Then GoTo ulang
Cells(55 + n, 9) = nc
For i = 1 To nc Step 2
If pot >= 0.5 Then
buff = x(co(i), 2)
x(co(i), 2) = x(co(i + 1), 2)
x(co(i + 1), 2) = buf
Else
buff = x(co(i), 3)
x(co(i), 3) = x(co(i + 1), 3)
x(co(i + 1), 3) = buff
End If
Next i
15
Berikut adalah kromosom hasil penyilangan pada generasi ke 200 yang dirunning :
Tabel 3.2. Kromosom Hasil Penyilangan Pada Generasi ke-200
Kromosom Gen-1 Gen-2 Gen-3 f(X)
1 0,8868 5,2633 6,8569 11,2334
2 0,8868 5,2633 6,8569 11,2334
3 0,8868 5,2633 6,8569 11,2334
4 0,8868 5,2633 6,8569 11,2334
5 0,8868 5,2633 6,8569 11,2334
6 0,8868 5,2633 6,8569 11,2334
7 0,8868 5,2633 6,8569 11,2334
8 0,8868 5,2633 6,8569 11,2334
9 0,8868 5,2633 6,8569 11,2334
10 0,8868 5,2633 6,8569 11,2334
5. Proses Mutasi
Jumlah kromosom yang mengalami mutasi dalam satu populasi ditentukan oleh
parameter mutatation ration. Mutasi sendiri dilakukan untuk melakukan penggantian satu
gen yang terpilih secara acak dengan satu nilai baru yang didapat secara acak pula.
Prosesnya adalah dengan menghitung terlebih dahulu panjang gen yang ada dalam
populasi. Mutation ratio yang digunakan dalam percobaan ini adalah sebesar 0,1.
16
6. Proses Seleksi
Proses seleksi adalah proses pengurutan solusi-solusi yang terbaik. Hal ini dilakukan
untuk mendapatkan nilai-nilai terbaik dari kromosom-kromosom yang telah dimutasi dan
cross over.
20.000
18.000
16.000
14.000
12.000
Nilai f( )
f(x)
10.000
f(x)*
8.000
6.000
4.000
2.000
0.000
0 50 100 150 200
Generasi
Dari hasil running tersebut kita dapatkan nilai optimum global diperoleh pada iterasi
sebanyak 200 generasi adalah sebesar 17.8417807817459. Nilai tersebut merupakan nilai
optimal dari fungsi yang diselesaikan.
17
BAB IV. KESIMPULAN
18
DAFTAR PUSTAKA
Davids, L. (Ed). 1991. Handbook of Genetic Algorithm. Van Nonstrand Reinhold, New York
Gen M and Cheng R. 1997. Genetic Algorithms and Engineering Design. John Willey and Sons,
Inc, USA.
19
Lampiran 1. Kode Program dengan VBA Excel
Dim i, j As Integer
Dim x(20, 4), f(20), co(10) As Single
Sub populasi()
'Hapus tampilan
Call hapus
' Menggenerate generasi Pertama
For i = 1 To 10
x(i, 1) = Cells(2, 5) + Rnd() * (Cells(2, 6) - Cells(2, 5))
x(i, 2) = Cells(3, 5) + Rnd() * (Cells(3, 6) - Cells(3, 5))
x(i, 3) = Cells(4, 5) + Rnd() * (Cells(4, 6) - Cells(4, 5))
Cells(i + 9, 3) = x(i, 1)
Cells(i + 9, 4) = x(i, 2)
Cells(i + 9, 5) = x(i, 3)
If x(i, 2) > 5 Then
f(i) = Abs(x(i, 1) - x(i, 2) - x(i, 3))
Else
f(i) = Abs(x(i, 1) - 2 * x(i, 2) - x(i, 3))
End If
Cells(i + 9, 6) = f(i)
Next i
n=0
br = 0
jum = Cells(1, 2)
For k = 1 To jum
Cells(55 + n, 9) = nc
For i = 1 To nc Step 2
If pot >= 0.5 Then
buff = x(co(i), 2)
x(co(i), 2) = x(co(i + 1), 2)
x(co(i + 1), 2) = buf
Else
buff = x(co(i), 3)
x(co(i), 3) = x(co(i + 1), 3)
x(co(i + 1), 3) = buff
End If
Next i
21
For j = 1 To 3
If Rnd() < Cells(3, 2) Then
mut = mut + 1
If j = 1 Then x(i, 1) = Cells(2, 5) + Rnd() * (Cells(2, 6) - Cells(2, 5))
If j = 2 Then x(i, 2) = Cells(3, 5) + Rnd() * (Cells(3, 6) - Cells(3, 5))
If j = 3 Then x(i, 3) = Cells(4, 5) + Rnd() * (Cells(4, 6) - Cells(4, 5))
End If
Next j
Next i
Cells(n + 55, 10) = mut ' Jumlah kejadian mutasi
' pencetakan mutasi
Cells(28, 10) = n
Call cetak(29, 10)
Cells(41, 10) = n
' Proses pengurutan
For i = 1 To 10
For j = 1 To 10
If f(i) > f(j) Then
buf1 = x(i, 1)
buf2 = x(i, 2)
buf3 = x(i, 3)
buf4 = f(i)
x(i, 1) = x(j, 1)
x(i, 2) = x(j, 2)
x(i, 3) = x(j, 3)
f(i) = f(j)
x(j, 1) = buf1
x(j, 2) = buf2
x(j, 3) = buf3
f(j) = buf4
End If
Next j
Next i
'Pencetakan hasil pengurutan
Call cetak(42, 10)
Cells(23, 3) = n + 1
' Seleksi
b=0
For i = 1 To 10
br = (Rnd() * 1000) / 1000
If br <= 0.182 Then x(i, 1) = x(1, 1): x(i, 2) = x(1, 2): x(i, 3) = x(1, 3): f(i) = f(1)
If br <= 0.345 And br > 0.182 Then x(i, 1) = x(2, 1): x(i, 2) = x(2, 2): x(i, 3) = x(2, 3):
f(i) = f(2)
If br <= 0.491 And br > 0.345 Then x(i, 1) = x(3, 1): x(i, 2) = x(3, 2): x(i, 3) = x(3, 3):
f(i) = f(3)
22
If br <= 0.618 And br > 0.491 Then x(i, 1) = x(4, 1): x(i, 2) = x(4, 2): x(i, 3) = x(4, 3):
f(i) = f(4)
If br <= 0.727 And br > 0.618 Then x(i, 1) = x(5, 1): x(i, 2) = x(5, 2): x(i, 3) = x(5, 3):
f(i) = f(5)
If br <= 0.818 And br > 0.727 Then x(i, 1) = x(6, 1): x(i, 2) = x(6, 2): x(i, 3) = x(6, 3):
f(i) = f(6)
If br <= 0.891 And br > 0.818 Then x(i, 1) = x(7, 1): x(i, 2) = x(7, 2): x(i, 3) = x(7, 3):
f(i) = f(7)
If br <= 0.945 And br > 0.891 Then x(i, 1) = x(8, 1): x(i, 2) = x(8, 2): x(i, 3) = x(8, 3):
f(i) = f(8)
If br <= 0.982 And br > 0.945 Then x(i, 1) = x(9, 1): x(i, 2) = x(9, 2): x(i, 3) = x(9, 3):
f(i) = f(9)
If br <= 1 And br > 0.982 Then x(i, 1) = x(10, 1): x(i, 2) = x(10, 2): x(i, 3) = x(10, 3):
f(i) = f(10)
Next i
Call cetak(24, 3)
Next k
End Sub
Sub cetak(bar, kol)
For i = 1 To 10
Cells(bar + i, kol) = x(i, 1)
Cells(bar + i, kol + 1) = x(i, 2)
Cells(bar + i, kol + 2) = x(i, 3)
If x(i, 2) > 5 Then
f(i) = Abs(x(i, 1) - x(i, 2) - x(i, 3))
Else
f(i) = Abs(x(i, 1) - 2 * x(i, 2) - x(i, 3))
End If
Cells(bar + i, kol + 3) = f(i)
Next i
End Sub
Sub hapus()
For i = 1 To 300
Cells(i + 55, 2) = ""
Cells(i + 55, 3) = ""
Cells(i + 55, 4) = ""
Cells(i + 55, 5) = ""
Cells(i + 55, 6) = ""
Cells(i + 55, 7) = ""
Cells(i + 55, 9) = ""
Cells(i + 55, 10) = ""
Next i
End Sub
23
Private Sub CommandButton1_Click()
Call populasi
End Sub
24