PENJADWALAN TRUK PADA SISTEM CROSS DOCKING DENGAN PENYIMPANAN SEMENTARA DENGAN ALGORITMA HYBRID CROSS ENTROPY-GENETIC ALGORITHM
|
|
- Suparman Sanjaya
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PENJADWALAN TRUK PADA SISTEM CROSS DOCKING DENGAN PENYIMPANAN SEMENTARA DENGAN ALGORITMA HYBRID CROSS ENTROPY-GENETIC ALGORITHM Pristi Dwi Puspitasari, Budi Santosa Jurusan Teknik Industri Institut Teknologi Sepuluh Nopember (ITS) Surabaya Kampus ITS Sukolilo Surabaya Abstrak Cross docking merupakan salah satu teknik logistik dimana produk dikirim ke Distribution Center dan segera dikirim ke pelanggan. Sistem cross docking sudah banyak diaplikasikan di berbagai industri karena sistem ini mampu meminimalkan biaya distribusi yang secara simultan mampu meningkatkan service level pelanggan. Dalam perencanaan cross docking, salah satu permasalahan yang muncul adalah bagaimana penjadwalan truk masuk dan truk keluar secara simultan sehingga dapat mencapai total waktu operasi atau makespan yang minimum. Permasalahan penjadwalan ini menjadi masalah yang sulit diselesaikan karena banyaknya alternatif solusi. Algoritma hybrid Cross Entropy-Genetic Algorithm (CEGA) merupakan Algoritma yang menggunakan Algoritma Cross Entropy sebagai Algoritma dasar dengan mekansime pembangkitan solusi menggunakan Genetic Algorithm. Dari hasil pengujian dengan 4 set problem, Algoritma CEGA menunjukkan performasi yang lebih bagus dibandingkan dengan Algoritma Cross Entropy pada 3 problem besar. Kata kunci: Penjadwalan truk, cross docking, penyimpanan sementara, Cross Entropy, hybrid Cross Entropy-Genetic Algorithm ABSTRACT Cross docking is one of the logistic technique in which the product entered to the Distribution Center must be sent as soon as possible so product is not stored in the warehouse. Cross docking system has been widely applied in various industries because the system able to minimize distribution costs and simultaneously able to improve customer service level. In the planning of cross docking, one of the problem is how to scheduling inbound trucks and outbound trucks simultaneously so can achieve minimum total operating time or makespan. Hybrid Cross Entropy- Genetic Algorithm is an algorithm that uses the Cross Entropy as basic algorithm and uses Genetic Algorithm in generate population. The results obtained in this research is the performance of hybrid CEGA showed better than Cross Entropy algorithm in 3 large problem. Keywords: Trucks scheduling, cross docking system, temporary storage, Cross Entropy, hybrid Cross Entropy-Genetic Algorithm 1. Pendahuluan Cross docking adalah konsep manajemen warehouse dimana produk dikirim ke warehouse dengan truk masuk lalu segera dipilah, diatur berdasarkan permintaan customer, dikirim ke dok pengiriman dan dimuatkan ke truk keluar untuk dikirim ke customer tanpa dilakukan penyimpanan produk di dalam warehouse (Yu dan Egbelu 2008). Konsep ini muncul karena meningkatnya tekanan pada sistem distribusi untuk membuat operasi menjadi lebih efisien sehingga dapat menurunkan biaya distribusi. Selain itu, juga muncul permintaan customer untuk mendapatkan pelayanan yang lebih baik, meliputi pengiriman yang lebih akurat dan tepat waktu. Cross docking secara potensial dapat mengontrol biaya logistik dan distribusi karena menghilangkan beberapa proses dalam pergudangan tradisional seperti penyimpanan dan pengambilan produk ketika pelanggan membutuhkan. Disamping mampu menurunkan biaya distribusi, cross docking secara simultan meningkatkan service level pelanggan (Apte & Viswanathan, 2000). Beberapa industri yang sukses menerapkan sistem cross docking dalam menghasilkan competitive advantage antara lain: Wal Mart, UPS, Toyota, dan penyedia jasa less-than-truckload logistic.
2 Pada sistem cross docking, diperlukan proses pemindahan muatan yang efisien sehingga diperlukan sinkronisasi truk masuk dan truk keluar agar penyimpanan di dalam terminal tetap rendah dan dapat mencapai pengiriman yang tepat waktu. Untuk mencapai tujuan ini, beberapa prosedur penjadwalan telah diperkenalkan beberapa tahun terakhir yang disebut dengan truck scheduling problem. Penelitian ini difokuskan pada tipe sistem cross docking dimana truk masuk yang dijadwalkan datang di dok penerimaan kemudian produk dibongkar, lalu dikategorikan dan langsung dimasukkan ke truk keluar yang dijadwalkan di dok pengiriman atau diletakaan di penyimpanan sementara. Fungsi tujuan dari sistem ini adalah memindahkan produk dari truk masuk ke truk keluar sesegera mungkin sehingga dapat meminimalkan total waktu operasi yang disebut makespan. Penempatan produk dari truk masuk ke truk keluar juga ditentukan secara simultan bersama dengan urutan truk masuk dan truk keluar. Pada penjadwalan truk dengan R buah truk masuk dan S buah truk masuk memiliki total solusi sebanyak (R!)(S!). Metoda dan model penelitian yang dikembangkan oleh peneliti untuk problem penjadwalan truk ini sudah cukup banyak. Pengembangan model matematika dan penyelesaian dengan heuristik (Yu & Egbelu, 2008) hanya sesuai untuk problem yang berukuran kecil dan medium, kurang efektif untuk problem berukuran besar yang lebih dapat teraplikasi dan sesuai dengan problem nyata. Oleh karena itu, aplikasi metaheuristik mungkin lebih bagus untuk problem yang berukuran besar karena lebih unggul dalam waktu komputasi. Arabani dkk (2011) menerapkan lima metoda meta-heuristik, yaitu Genetic Algorithm, Tabu Search, Particle Swarm Optimization, Ant Colony Optimization, dan Differential Evolution. Algoritma Cross Entropy sebagai salah satu Algoritma metaheuristik yang relatif baru telah digunakan pada berbagai permasalahan optimasi kombinatorial seperti penjadwalan, optimasi kontinyu, optimasi noisy, dan rare event simulation dengan hasil penyelesaian yang cukup optimal dengan waktu yang relatif singkat. Pengembangan Algoritma hybrid Cross Entropy-Genetic Algorithm untuk permasalahan penjadwalan job shop (Budiman, 2010) dapat menghasilkan penyelesaian yang lebih baik tetapi performansinya menurun dengan semakin besarnya problem. Namun, Algoritma hybrid Cross Entropy - Genetic Algorithm belum pernah diaplikasikan untuk permasalahan penjadwalan truk dalam sistem croos docking. Oleh karena itu, penelitian ini akan melakukan pengembangan Algoritma hybrid Cross Entropy - Genetic Algorithm untuk menyelesaiakn problem penjadwalan truk pada sistem cross docking dengan penyimpanan sementara. Penggunaan pendekatan ini diharapkan dapat menjadi alternatif untuk menghasilkan penjadwalan truk dengan makespan yang minimum. 2. Deskripsi Permasalahan dan Model Matematis Yu dan Egbelu (2008) mengajukan model untuk menyelesaikan salah satu skenario permasalahan penjadwalan truk pada sistem cross docking dari 32 skenario yang diajukan oleh Yu (2002). Model ini tidak memperhatikan operasi di dalam distribution center, seperti operasi scanning dan pemilahan. Pada model ini terdapat dua jenis truk, yaitu truk masuk dan truk keluar. Truk masuk membawa beberapa tipe produk dengan kuantitas tertentu dan kombinasi tipe produk yang dibawa oleh masing-masing truk berbeda karena kapasitas masing-masing truk masuk berbeda. Sama dengan truk masuk, truk keluar membutuhkan beberapa tipe produk dengan kuantitas tertentu dan kombinasi tipe produk yang diperlukan oleh truk keluar berbeda karena kapasitas masingmasing truk keluar berbeda. Selain itu, dalam model ini di asumsikan terdapat penyimpanan sementara di depan dok pengiriman. Produk yang dibongkar dari truk masuk yang tidak dibutuhkan oleh truk keluar yang sedang berada di dok pengiriman akan disimpan di penyimpanan sementara sampai datang truk keluar yang membutuhkan produk tersebut. Kapasitas penyimpanan diasumsikan tidak terbatas. Di samping itu, pengaturan untuk truk adalah truk masuk dan truk keluar yang dijadwalkan harus tetap di dok hingga produk di truk masuk selesai dibongkar dan semua produk yang dibutuhkan oleh truk keluar dimasukkan ke dalam truk karena truk hanya boleh datang ke dok satu kali. Jadi, sekali truk masuk ke dok, semua aktivitas bongkar dan muat harus diselesaikan sebelum truk meninggalkan dok. Yu dan Egbelu (2008) mengajukan model mixed integer programming dengan fungsi tujuan untuk meminimalkan total waktu operasi 2
3 yang disebut makespan. Pada model ini, makespan dihitung mulai dari waktu ketika produk pertama dari truk masuk yang dijadwalkan pertama diambil dari truk masuk sampai waktu ketika produk terakhir dari truk keluar yang dijadwalkan terakhir dimasukkan ke truk. Beberapa asumsi yang digunakan dalam model ini adalah: (1) untuk semua kelas komoditas, waktu loading dan unloading komoditas ke dan dari truk dipertimbangkan sama, yaitu satu unit waktu per unit komoditas; (2) waktu unloading komoditas dari konveyor ke penyimpanan sementara (setelah dibongkar dari truk masuk) dan waktu loading dari konveyor ke truk keluar (sebelum truk keluar meninggalkan dok pengiriman) adalah satu unit waktu per unit komoditas; (3) diasumsikan semua operasi di dalam cross dock dapat dilakukan secara simultan, kecuali operasi unloading dari konveyor ke penyimpanan sementara dan operasi loading dari penyimpanan sementara ke truk keluar yang harus dilakukan terpisah. Berikut ini notasi yang digunakan dalam mendeskripsikan model: R jumlah truk masuk dalam set S jumlah truk keluar dalam set N jumlah tipe produk dalam set r ik jumlah unit produk tipe k yang dimuat di truk masuk i s jk jumlah unit produk tipe k yang dibutuhkan truk keluar j D waktu pergantian truk V waktu perpindahan produk dari dok penerimaan ke dok pengiriman M angka yang sangat besar Variabel kontinyu T makespan c i waktu ketika truk masuk i masuk dok penerimaan F i waktu ketika truk masuk i meninggalkan dok penerimaan d j waktu ketika truk keluar j masuk dok pengiriman L j waktu ketika truk keluar j meninggalkan dok pengiriman Variabel integer x ijk jumlah unit produk tipe k yang berpindah dari truk masuk i ke truk keluar j Variabel biner Berikut ini model matematis yang diajukan oleh Yu dan Egbelu (2008): Min T Subject to T L j, untuk semua j (1) Semua variabel 0 Problem dengan jumlah truk masuk sebanyak R dan truk keluar sebanyak S, jumlah variabel keputusan pada model Mixed Integer Programming ini adalah RS(N+3) + 2(R+S) + 1. Variabel keputusan terdiri dari 3RS variabel biner, RSN variabel integer non biner, dan 2(R+S) + 1 variabel kontinyu. total jumlah solusi yang mungkin adalah (R!)(S!). Jumlah constraint adalah 2(R 2 +S 2 ) + R(S+N) + S(RN+N+1), meliputi 2(R 2 +S 2 ) + R(S-1) constraint pertidaksamaan dan (R+S)(N+1) + RSN constraint persamaan. 3
4 3. Pengembangan Algoritma Pada tahap ini dilakukan pengembangan Algoritma Cross Entropy dan Algoritma hybrid Cross Entropy-Genetic Algorithm untuk penjadwalan truk pada sistem cross docking dengan penyimpanan sementara. 3.1 Algoritma Cross Entropy untuk Penjadwalan Truk pada Sistem Cross Docking Berikut ini penjelasan dari pengembangan Algoritma Cross Entropy yang diajukan. 1. Penentuan parameter Pada tahap ini ditetapkan nilai parameter dari Algoritma, diantaranya smoothing parameter ( ), proporsi sampel elite ( ), probabilitas transisi, dan jumlah populasi setiap iterasi (N). Penentuan nilai probabilitas transisi dengan menggunakan node placement. Nilai probabilitas untuk truk masuk adalah 1/jumlah truk masuk, sedangkan untuk truk keluar adalah 1/jumlah truk keluar. 2. Pembangkitan matriks transisi Pada tahap ini dibangkitkan matriks transisi untuk truk masuk dan truk keluar. Untuk truk masuk, matriks yang dibangkitkan adalah RxR, sedangkan untuk truk keluar, matriks yang dibangkitkan adalah SxS. R merupakan jumlah truk masuk yang harus dijadwalkan, sedangkan S adalah jumlah truk keluar yang harus dijadwalkan. 3. Pembangkitan urutan truk Pada tahap ini dibangkitkan urutan truk dengan menggunakan matriks transisi. Jumlah truk yang dibangkitkan adalah N. Pembangkitan urutan untuk truk masuk dan truk keluar dilakukan secara terpisah. 4. Perhitungan makespan Pada tahap ini dilakukan perhitungan makespan untuk semua solusi yang dibangkitkan. Perhitungan makespan dilakukan dengan menggunakan metoda yang diajukan oleh Yu (2002) yang juga digunakan oleh Arabani dkk (2011). Pada metoda ini, makespan merupakan waktu yang dibutuhkan oleh semua truk untuk melakukan proses pembongkaran dan pemuatan. Jadi, makespan dihitung dari waktu truk masuk pertama menempati dok penerimaan hingga truk keluar yang dijadwalkan terakhir meninggalkan dok pengiriman. 5. Pemilihan sampel elite Pada tahap ini dalkukan pemilihan sampel elite dengan cara mengambil sejumlah xn urutan terbaik, yaitu urutan yang menghasilkan makespan terkecil. 6. Update parameter Pada tahap ini dilakukan update matriks transisi. Hasil update ini digunakan untuk membangkitkan solusi pada iterasi selanjutnya. Rumus yang digunakan untuk update matriks placement truk masuk adalah sebagai berikut. Sedangkan rumus yang digunakan untuk update matriks transisi truk keluar adalah sebagai berikut. dimana R = jumlah truk masuk S = jumlah truk keluar 7. Pengecekan stopping criteria Pada tahap ini dilakukan pengecekan stopping criteria. Jika belum terpenuhi, maka kembali ke tahap 3. Akan tetapi, jika sudah terpenuhi maka iterasi dihentikan. Kriteria pemberhentian di sini adalah selisih maksimum dari matriks transisi truk masuk dan truk keluar kurang dari toleransi. 3.2 Algoritma Hybrid Cross Entropy-Genetic Algorithm untuk Penjadwalan Truk pada Sistem Cross Docking Pengembangan Algoritma hybrid CEGA menggunakan Algoritma Cross Entropy sebagai Algoritma dasar, sedangkan mekanisme Genetic Algorithm digunakan untuk membangkitkan populasi. Pada Algoritma ini, mekanisme Cross Entropy digunakan untuk meng-update parameter crossover, sedangkan pembangkitan populasi menggunakan mekanisme crossover dan mutasi. Berikut ini pengembangan Algoritma hybrid CEGA yang diajukan: 1. Penentuan parameter inisial Pada tahap ini ditentukan nilai parameter inisial dari Algoritma, diantaranya adalah jumlah populasi (N), parameter kejarangan ( ), koefisien smoothing ( ), parameter crossover (Pc). 2. Pembangkitan populasi awal Populasi yang dibangkitkan pada tahap ini merupakan urutan dari truk masuk dan truk keluar. Pembangkitan populasi awal (iterasi=1) dilakukan dengan teknik acak penuh (full randomized). Sedangkan 4
5 pembangkitan populasi selanjutnya (iterasi > 1) dilakukan dengan menggunakan kaidah Algoritma dengan alur sebagai berikut : a. Pembobotan sampel elite Pembobotan ini diperlukan untuk tahap pemilihan induk pertama yang diambil dari sampel elite. Aturan pembobotan yang digunakan adalah jika makespan yang dihasilkan oleh urutan lebih baik daripada makespan terbaik pada iterasi sebelumnya, maka bobot yang diberikan adalah senilai banyaknya sampel elite, selebihnya diberi bobot 1. Pembobotan ini untuk menentukan probabilitas setiap urutan dalam sampel elite terpilih sebagai induk pertama. b. Penghitungan Linear Fitness Ranking Linear Fitness Ranking (LFR) dihitung dari perbandingan nilai kesesuaian (fitness) semua sampel yang telah dibangkitkan pada iterasi sebelumnya. Nilai LFR dihitung dengan rumus berikut ini. LFR(I(N-u+1))=Fmax-(Fmax- Fmin)*((u-1)/(N-1)) dimana u = 1 sampai N I = indeks c. Pemilihan induk Pemilihan induk dilakukan dengan menggunakan mekanisme roda roulette (roulette wheel selection). Dalam mekanisme ini bobot yang besar akan mendapatkan peluang yang lebih besar untuk terpilih sebagai induk. Induk pertama dipilih dari sampel elite berdasarkan pembobotan yang telah ditentukan sebelumnya, sedangkan induk kedua dipilih dari populasi pada iterasi sebelumnya dengan pembobotan dari nilai LFR. d. Crossover Pada tahap ini dilakukan proses crossover dengan menggunakan twopoint order cross over e. Mutasi Pada tahap ini dilakukan proses mutasi untuk N-1 urutan yang dihasilkan dari proses crossover. Nilai parameter mutasi ditentukan ½ dari parameter crossover. 3. Perhitungan makespan Pada tahap ini dilakukan perhitungan nilai makespan untuk semua urutan yang telah dibangkitkan. Perhitungan makespan dilakukan dengan menggunakan metoda yang diajukan oleh Yu (2002) yang juga digunakan oleh Arabani dkk (2011). Pada metoda ini, makespan merupakan waktu yang dibutuhkan oleh semua truk untuk melakukan proses pembongkaran dan pemuatan. Jadi, makespan dihitung dari waktu truk masuk pertama menempati dok penerimaan hingga truk keluar yang dijadwalkan terakhir meninggalkan dok pengiriman. 4. Pemilihan sampel elite Pada tahap ini dilakukan pengambilan sampel sejumlah xn. Urutan yang diambil sebagai sampel elite adalah urutan yang memiliki nilai makespan terkecil. 5. Update parameter crossover Pada tahap ini dilakukan proses update parameter crossover dengan menggunakan rumus Pc(it) = x up + (1- ) x Pc(it-1) dimana up merupakan perbandingan antara rata-rata makespan pada sampel elite dengan 2 kali nilai makespan terbaik pada tiap iterasi. Sedangkan nilai parameter mutasi didefinisikan sebagai ½ dari nilai parameter crossover. 6. Pengecekan stopping criteria Pada tahap ini dilakukan pengecekan terhadap stopping criteria. Pada Algoritma ini stopping criteria yang digunakan adalah selisih antara parameter crossover hasil update dengan parameter crossover sebelumnya lebih kecil dari. Jika kriteria pemberhentian terpenuhi, maka iterasi dihentikan dan jika belum terpenuhi kembali ke tahap pembangkitan populasi. 4. Mekanisme Perhitungan Makespan Prosedur penghitungan makespan yang diajukan oleh Yu (2002) (Arabani dkk, 2011) adalah sebagai berikut. Beberapa notasi yang digunakan adalah sebagai berikut: jumlah unit produk tipe k yang pada awalnya dimuat di truk masuk yang menempati posisi ke dalam urutan truk masuk. jumlah unit produk tipe k yang pada awalnya dibutuhkan oleh truk masuk 5
6 yang menempati posisi ke j dalam urutan truk masuk. total jumlah produk tipe k yang berpindah dari truk masuk yang menempati posisi ke i dalam urutan truk masuk ke truk pengirim yang menempati urutan ke j dalam urutan truk pengirim. waktu ketika truk masuk yang menempati posisi ke i dalam urutan truk masuk meninggalkan dok penerimaan (waktu penyelesaian untuk truk masuk) waktu ketika truk keluar yang menempati posisi ke j dalam urutan truk keluar meninggalkan dok pengiriman (waktu penyelesaian untuk truk keluar) Berdasarkan notasi tersebut, [i] dapat disamakan dengan posisi urutan ke i. Untuk mengukur makespan, hal yang paling penting adalah menghitung waktu truk masuk dan truk keluar meninggalkan dok. Berikut ini formulasi untuk mendapatkan waktu truk masuk meninggalkan dok pengiriman: Pada persamaan (14), total waktu unloading yang diperlukan oleh truk masuk yang pertama yang merupakan waktu truk masuk yang terjadwal pertama meninggalkan dok penerimaan. Persamaan (15), penjumlahan tiga faktor yang merupakan waktu untuk sisa truk masuk yang dijadwalkan meninggalkan dok penerimaan, yaitu (1) waktu truk masuk yang telah dijadwalkan sebelumnya meninggalkan dok penerimaan; (2) waktu pergantian truk; (3) total waktu unloading yang diperlukan oleh truk masuk yang berkaitan. Waktu loading dan unloading per produk sama dengan satu satuan waktu. Sedangkan formulasi untuk truk keluar adalah sebagai berikut: (16) Dimana, (17) Persamaan (17) menghitung waktu ketika truk keluar yang menempati posisi ke j selesai memuat produk. Sedangkan persamaan (18) menjumlahkan tiga faktor berikut : (1) waktu truk keluar yang telah dijadwalkan meninggalkan dok pengirimn; (2) waktu untuk perpindahan truk; (3) total waktu loading yang diperlukan oleh truk keluar yang berkaitan. Berikut ini formulasi untuk menghitung makespan: Pada persamaan (19), waktu penyelesaian truk keluar, waktu penyelesaian truk keluar yang terakhir atau maksimum waktu penyelesaian yang dicapai oleh semua truk keluar. 5. Contoh Numerik Perhitungan Makespan Mekanisme perhitungan makespan menggunakan rumus matemasi yang diajukan oleh Yu (2002). Berikut ini data-data yang akan digunakan dalam perhitungan makespan. Jumlah truk masuk R = 5 Jumlah truk keluar S = 4 5Jumlah tipe produk K = 6 Urutan truk Z = [ ] Matriks produk yang dibawa oleh truk masuk Matriks produk yang dibutuhkan oleh truk keluar Waktu pergantian truk D = 75 satuan waktu Waktu perpindahan produk dari dok penerimaan ke dok pengiriman 6
7 V = 100 satuan waktu Berikut ini langkah-langkah perhitungan makespan dalam penjadwalan truk pada sistem cross docking dengan penyimpanan sementara. 1. Mengurutkan matriks produk yang dibawa oleh truk masuk dan matriks produk yang dibutuhkan oleh truk keluar berdasarkan urutannya. a. Mengurutkan matriks produk yang dibawa oleh truk masuk Urutan truk masuk : rik Matriks produk yang dibawa truk masuk berdasarkan urutannya: b. Mengurutkan matriks produk yang dibawa oleh truk keluar Urutan truk keluar: Konversi urutan truk keluar menjadi indeks 1 sampai Matriks produk yang dibutuhkan truk masuk berdasarkan urutannya: sjk Menentukan waktu truk masuk meninggalkan dok penerimaan. Rumus yang digunakan untuk menentukan waktu truk masuk meninggalkan dok penerimaan adalah sebagai berikut. Berikut ini perhitungan penentuan waktu truk masuk meninggalkan dok penerimaan. Truk masuk urutan 1 C TM (1) = = 230 Truk masuk urutan 2 C TM (2) = ( ) = 475 Truk masuk urutan 3 C TM (3) = ( ) = 780 Truk masuk urutan 4 C TM (4) = ( ) = 1085 Truk masuk urutan 5 C TM (5) = ( ) = 1330 Waktu truk masuk 1 sampai 5 meninggalkan dok dapat dilihat pada Tabel 1 berikut ini. Tabel 1 waktu truk masuk meninggalkan dok penerimaan Urutan truk C TM Menentukan waktu truk keluar meninggalkan dok pengiriman. Mekanisme penentuan nilai t ijk adalah sebagai berikut. 1. Untuk j=1, jika jumlah produk tipe k yang diperlukan oleh truk j lebih dari jumlah produk tipe k yang dibawa oleh truk i, nilai t ijk = jumlah produk yang dibawa oleh truk masuk. Selain itu, t ijk = jumlah produk yang dibutuhkan oleh truk keluar. Sisa produk yang tidak dipindahkan secara langsung dari truk masuk i ke truk keluar j disimpan di penyimpanan sementara. 2. Untuk 2 j S, pertama cek apakah ada produk yang dipindahkan dari penyimpanan sementara. Jika ada, ambil produk yang ada di penyimpanan sementara dan jika terdapat kekurangan maka diambil dari truk masuk i yang sedang dijadwalkan. Berikut ini contoh perhitungan penentuan waktu truk keluar meninggalkan dok. a. Menentukan waktu truk keluar urutan 1 meninggalkan dok. Pada perhitungan 7
8 ini i adalah urutan truk masuk ke-i, sedangkan j adalah urutan truk keluar ke-j. Berikut ini langkah-langkah dalam menentukan waktu truk keluar meninggalkan dok adalah sebagai berikut. Penyimpanan sementara = t ijk = Untuk j=1 dan i=1 r 1k = Demand = s 1k = t 11k = Penyimpanan sementara = Penyimpanan sementara + r 1k t 11k (1) ={1 x (230 ( ) + ( ) + 100} = = ( ) = 138 C TK (1) = max( ) = 163 b. Menentukan waktu truk keluar urutan 2 sampai 4 meninggalkan dok Untuk j=2 Storage = Penyimpanan sementara = a. Untuk j=2 dan i=2 Demand = s 2k = r 2k = Pertama: hitung jumlah produk yang diambil dari penyimpanan sementara APS (banyaknya produk yang diambil dari penyimpanan sementara) = Kekurangan =Demand - APS Storage = Storage - APS Kedua: hitung jumlah produk yang diambil dari truk masuk 2 t 22k = Kekurangan = Storage = Storage - t 22k Hitung nilai 1 1(2) ={1x(475 ( ) + ( ) + 100} = 462 b. Untuk j=2 dan i=3 Demand = Kekurangan r 3k = Pertama: hitung jumlah produk yang diambil dari penyimpanan sementara APS (banyaknya produk yang diambil dari penyimpanan sementara) = Kekurangan =Demand - APS Storage = Storage - APS Kedua: hitung jumlah produk yang diambil dari truk masuk 3 t 32k = Kekurangan = Storage = Storage + r 3k - t 22k Hitung nilai 1 1(3)={1x(780 ( )+ ( )+100} = 707 8
9 Karena total kekurangan sudah mencapai nol, maka hitung 2 dan C TK (2). 2(2)= ( ) = = maks{ 1 (2), 1(3)} = 707 C TK (2) = maks ( 1, 2) = 707 Untuk j=3 Untuk j=3 dan i=4 Demand = s 3k = r 4k = Pertama: hitung jumlah produk yang diambil dari penyimpanan sementara APS (banyaknya produk yang diambil dari penyimpanan sementara) = Kekurangan =Demand - APS Storage = Storage - APS Kedua: hitung jumlah produk yang diambil dari truk masuk 4 t 43k = Kekurangan = Storage = Storage + r 4k t 43k Hitung nilai 1 1(4)={1x(1085 ( ) + ( ) + 100} = 1067 Karena total kekurangan sudah mencapai nol, maka hitung 2 dan C TK (3). 2(3)= ( ) = 1125 C TK (3) = maks ( 1, 2) = 1125 Untuk j=4 dan i=5 Demand = s 4k = r 5k = Pertama: hitung jumlah produk yang diambil dari penyimpanan sementara APS (banyaknya produk yang diambil dari penyimpanan sementara) = Kekurangan =Demand - APS Storage = Storage - APS Kedua: hitung jumlah produk yang diambil dari truk masuk 5 t 43k = Kekurangan = Storage = Storage + r 5k t 54k Hitung nilai 1 1(5)={1x(1330 ( )+( )+100} = 1430 Karena total kekurangan sudah mencapai nol, maka hitung 2 dan C TK (2). 2(4)= ( ) = 1577 C TK (4) = maks ( 1, 2) = 1577 Makespan = T = C TK (S) = C TK (4) = Pengujian Algoritma Algoritma hybrid CEGA untuk penjadwalan truk ini diuji menggunakan 4 set data. Berikut ini perincian set problem yang digunakan. Tabel 2 Set problem Set Problem Jumlah truk masuk Jumlah truk keluar Jumlah tipe produk
10 Tipe produk dan kuantitas yang dibawa oleh masing-masing truk masuk dan yang dibutuhkan oleh truk keluar dibangkitkan sendiri dengan mengacu pada penelitian Arabani dkk (2011). Untuk detail set data yang dgunakan dapat dilihat di lampiran A. Data tambahan yang digunakan adalah sebagai berikut. Waktu perpindahan truk diasumsikan sama untuk semua truk masuk dan truk keluar, yaitu 75 satuan waktu. Waktu perpindahan produk dari dok penerimaan ke dok pengiriman adalah 100 satuan waktu. Waktu loading dan unloading untuk semua tipe produk adalah 1 satuan waktu. Pada pengujian Algoritma ini dilakukan replikasi sebanyak 5 kali. Selain itu, stopping criteria yang digunakan untuk kedua Algoritma adalah selisih maksimum parameter sebelum dan sesudah di-update sebesar Pengujian dilakukan dengan pembangkitan urutan sebanyak dengan parameter sebesar Parameter dibedakan antara pengujian Algoritma hybrid CEGA dengan pengujian Algoritma CE karena pengaruh parameter untuk kedua Algoritma ini berbeda. Dari hasil eksperimen didapatkan nilai yang bagus untuk Algoritma hybrid CEGA sebesar 0.2 sedangkan untuk Algoritma CE sebesar 0.6 untuk problem 2 dan 0.8 untuk problem 3, 4, dan 5. Setelah didapatkan hasil pengujian Algoritma akan dilakukan perhitungan RPD (Relative Percentage Deviation) dengan rumus sebagai berikut. Berikut ini perbandingan makespan yang dihasilkan oleh Algoritma hybrid CEGA dengan Algoritma Cross Entropy. Tabel 3 Perbandingan makespan hasil Algoritma hybrid CEGA dan Algoritma CE Set Best Average Problem CE CEGA CE CEGA Berikut ini perbandingan standar deviasi makespan yang dihasilkan dari 5 replikasi dan RPD. Tabel 4 Perbandingan atandar deviasi dan RPD makespan hasil Algoritma hybrid CEGA dan Algoritma CE Set Stdev RPD Problem CE CEGA CE CEGA % 1.54% % 1.12% % 0.96% % 1.87% 7. Analisis Performansi Algoritma Hybrid Cross Entropy-Genetic Algorithm dan Algoritma Cross Entropy Pada pengujian ini parameter smoothing ( ) yang digunakan untuk Algoritma hybrid CEGA adalah 0.2, sedangkan untuk Algoritma CE adalah 0.8 dan 0.6. Untuk Algoritma hybrid CEGA, yang digunakan adalah 0.2 karena dari hasil eksperimen parameter ini menghasilkan solusi yang lebih baik jika dibandingkan dengan yang lebih tinggi. Hal ini disebabkan karena dengan nilai yang kecil, update parameter crossover menjadi lebih smooth sehingga peluang untuk dilakukan crossover maupun mutasi menjadi lebih besar. Dengan demikian, kemungkinan ditemukan solusi yang lebih baik menjadi lebih besar. Untuk Algoritma CE, parameter smoothing yang digunakan adalah 0.8 untuk problem 1 dan 0.6 untuk 3 problem yang lain. Nilai yang bagus untuk penyelesaian permasalahan kombinatorial adalah sehingga untuk penelitian ini digunakan nilai sebesar 0.6 dan 0.8. Dari hasil pengujian Algoritma hybrid CEGA dan Algoritma CE terhadap 4 problem, untuk problem 1 rata-rata makespan yang dihasilkan oleh Algoritma CE lebih bagus daripada makespan yang dihasilkan oleh Algoritma hybrid CEGA. Sedangkan untuk problem 2, 3, dan 4, rata-rata makespan yang dihasilkan oleh Algoritma hybrid CEGA lebih bagus daripada makespan yang dihasilkan oleh Algoritma CE. Jadi, dari pengujian dengan menggunakan 4 set problem, untuk problem kecil, Algoritma CE dapat menghasilkan ratarata makespan yang lebih bagus dibandingkan dengan Algoritma hybrid CEGA. Hal ini disebabkan karena pencarian solusi Algoritma CE sangat dipengaruhi oleh jumlah sampel yang dibangkitkan sedangkan pencarian solusi Algoritma hybrid CEGA tidak dipengaruhi oleh 10
11 jumlah populasi yang dibangkitkan. Oleh kerana itu, untuk problem kecil, Algoritma CE bisa menghasilkan solusi yang lebih bagus sedangkan untuk problem yang besar solusi yang dihasilkan lebih jelek dibandingkan dengan hasil Algoritma hybrid CEGA karena pada pengujian ini digunakan jumlah sampel yang sama untuk 4 set problem.. Selain itu, untuk penyelesaian permasalahan penjadwalan truk ini, Algoritma hybrid CEGA lebih stabil dibandingkan dengan Algoritma CE. Hal ini terlihat dari standar deviasi dari 5 replikasi untuk Algoritma hybrid CEGA lebih kecil daripada Algoritma CE pada 3 problem. Grafik performansi Algoritma hybrid CEGA dibandingkan dengan Algoritma CE dapat dilihat di Gambar 1 dan Gambar 2 berikut Grafik 1 Perbandingan makespan terbaik yang dihasilkan oleh Algoritma hybrid CEGA dan Algoritma CE Grafik 2 Perbandingan rata-rata makespan yang dihasilkan oleh Algoritma hybrid CEGA dan Algoritma CE Dilihat dari waktu komputasi, Algoritma hybrid CEGA lebih unggul jika dibandingkan dengan Algoritma CE. Pada pengujian ini, dengan jumlah sampel yang sama, waktu komputasi Algoritma hybrid CEGA jauh lebih cepat dibandingkan dengan Algoritma CE. Berikut ini hal-hal yang dapat menyebabkan CE Hybrid CEGA CE Hybrid CEGA Algoritma hybrid CEGA lebih cepat dibandingkan dengan Algoritma CE. 1. Algoritma CE harus membangkitkan solusi baru berdasarkan probabilitas yang diupdate setiap iterasi, sedangkan Algoritma hybrid CEGA mengeksplorasi solusi dari iterasi dan sampel elite sebelumnya. Di samping itu, proses pencarian solusi dengan mekanisme crossover dan mutasi lebih cepat dibandingkan dengan menggunakan matriks transisi. Pada Algoritma hybrid CEGA, 2 urutan dapat dihasilkan dalam 1 kali proses crossover, sedangkan 1 kali proses mutasi dapat menghasilkan 1 urutan. Hal ini berbeda dengan pembangkitan solusi pada Algoritma CE yang menggunakan matriks transisi dimana untuk menghasilkan 1 urutan harus melakukan proses normalisasi sebanyak jumlah truk yang harus dibangkitkan. Sebagai contoh, jika membangkitkan urutan 5 truk masuk dan 4 truk keluar, maka pembangkitan 1 urutan memerlukan sembilan kali proses normalisasi. 2. Proses pencarian solusi pada Algoritma hybrid CEGA berdasarkan proses crossover dan mutasi yang mempertimbangkan kombinasi beberapa truk sekaligus pada setiap prosesnya. Selain itu, mekanisme pemilihan induk pada proses crossover adalah urutan dengan nilai makespan yang kecil akan mendapatkan probabilitas yang besar untuk terpilih sebagai induk. Dengan demikian, kombinasi truk yang dipertimbangkan di proses crossover kemungkinan merupakan urutan yang bagus. Hal ini berbeda dengan proses pembangkitan pada Algoritma CE yang tidak mempertimbangkan kombinasi beberapa truk melainkan hanya melihat per truk. Padahal ketika truk tertentu yang dijadwalkan pada urutan tertentu dapat menghasilkan makespan yang kecil di suatu kombinasi belum tentu bisa menghasilkan makespan yang kecil juga ketika dikombinasikan dengan truk tertentu yang bagus dijadwalkan pada urutan tertentu pada kombinasi lain. Sebagai contoh, pada sampel elite, truk 1 sering dijadwalkan di urutan 4, sedangkan truk 2 sering dijadwalkan di urutan 1. Ketika truk 1 dijadwalkan di truk 4 dikombinasikan 11
12 dengan truk 2 dijadwalkan di urutan 1 belum tentu menghasilkan makespan yang bagus (kecil). Hal ini yang membuat proses konvergensi pada Algoritma hybrid CEGA lebih cepat dibandingkan dengan Algoritma CE. Grafik perbandingan waktu komputasi Algoritma hybrid CEGA dan CE untuk untuk menghasilkan makespan terbaik pada penjadwalan truk pada sistem cross docking dapat dilihat pada Gambar 3 berikut ini Grafik 3 Perbandingan waktu komputasi Algoritma hybrid CEGA dan Algoritma CE 8. Kesimpulan Dari eksperimen dan analisis hasilnya, kesimpulan yang dapat diambil adalah sebagai berikut. 1. Dalam penelitian ini berhasil dikembangkan Algoritma hybrid CEGA untuk penjadwalan truk pada system cross docking dengan penyimpanan sementara. 2. Dari hasil pengujian Algoritma dengan 4 set problem, Algoritma hybrid CEGA menunjukkan performansi yang lebih bagus dibandingkan dengan Algoritma CE pada 3 problem besar. 3. Waktu komputasi Algoritma hybrid CEGA lebih cepat dibandingkan dengan Algoritma Cross Entropy. 9. Saran Untuk penelitian selanjutnya permasalahan penjadwalan truk pada system cross docking ini dapat dikembangkan menjadi multi criteria. 10. Daftar Pustaka Agustina, D., Lee, C.K.M. & Piplani, R., A Review: Mathematical Models for Cross Docking Planning. Singapore: Nanyang Technological University. Apte, U.M. & Viswanathan, S., Effective Cross Docking for Improfing Distribution Efficiencies. International Journal of CE Hybrid CEGA Logistics: Research and Applications, 3(3), pp Arabani, A.R.B. & Ghomi, S.M.T.F., Meta-heuristics Implementation for Scheduling of Trucks in a Cross Docking System with Temporary Storage. Expert Systems with Applications, pp Bartholdi, J.J. & Gue, K.R., The Best Shape for a Crossdock. Transporatation Science, 38(2), pp Boysen, N. & Fliedner, M., Cross dock scheduling: Classification, Literature Review and Research Agenda. Omega, pp Budiman, M.A., Pendekatan Cross Entropy-Genetic Algorithm untuk Permasalahan Penjadwalan Job Shop Tanpa Waktu Tunggu pada Banyak Mesin. Surabaya: Institut Teknologi Sepuluh Nopember. Fudhla, A.F., Pengembangan Model Matematis untuk Penjadwalan Rute Kendaraan Cross Docking dalam Rantai Pasok dengan Mempertimbangkan Batasan Kelas Jalan dan Kendaraan yang Heterogen. Thesis. Surabaya: Institut Teknologi Sepuluh Nopember Surabaya. Kroese, D.P., Cross-Entropy Method. Brisbane: School of Mathematics and Physics, The University of Queensland. Rubinstein, R.Y. & Kroese, D.P., The Cross - Entropy Method: A Unified Approach to Combinatorial Optimization, Monte-Carlo Simulation, and Machine Learning. Berlin, Heidelberg: Springer. Santosa, B. & Willy, P., Metode Metaheuristik Konsep dan Implementasi. Surabaya: Penerbit Guna Widya. Vahdani, B. & Zandieh, M., Scheduling Trucks in Cross-docking Systems: Robust Meta-heuristics. Computer & Industrial Engineering, pp Yu, W. & Egbelu, P.J., Scheduling of Inboud and Outbound Trucks in Cross Docking Systems with Temporary Storage. European Journal of Operational Research, 184, pp
PENJADWALAN TRUK PADA SISTEM CROSS DOCKING DENGAN PENYIMPANAN SEMENTARA DENGAN ALGORITMA HYBRID CROSS ENTROPY GENETIC ALGORITHM
PENJADWALAN TRUK PADA SISTEM CROSS DOCKING DENGAN PENYIMPANAN SEMENTARA DENGAN ALGORITMA HYBRID CROSS ENTROPY GENETIC ALGORITHM PENELITI : Pristi Dwi Puspitasari 2507 100 003 DOSEN PEMBIMBING : Ir. Budi
Lebih terperinciPENERAPAN ALGORITMA HYBRID CROSS ENTROPY-GENETIC ALGORITHM DALAM PENYELESAIAN RESOURCE-CONSTRAINED PROJECT SCHEDULING PROBLEM
PENERAPAN ALGORITMA HYBRID CROSS ENTROPY-GENETIC ALGORITHM DALAM PENYELESAIAN RESOURCE-CONSTRAINED PROJECT SCHEDULING PROBLEM Nur Rahmawati 1), Budi Santosa 2) 1) Jurusan Teknik Industri, Institut Teknologi
Lebih terperinciPENYELESAIAN PERMASALAHAN MULTI-OBJECTIVE HYBRID FLOW SHOP SCHEDULING DENGAN ALGORITMA MODIFIED PARTICLE SWARM OPTIMIZATION
PENYELESAIAN PERMASALAHAN MULTI-OBJECTIVE HYBRID FLOW SHOP SCHEDULING DENGAN ALGORITMA MODIFIED PARTICLE SWARM OPTIMIZATION Fiqihesa Putamawa 1), Budi Santosa 2) dan Nurhadi Siswanto 3) 1) Program Pascasarjana
Lebih terperinciLOGO PENGEMBANGAN METODE HYBRID TABU SEARCH-CROSS ENTROPY UNTUK PENJADWALAN FLOWSHOP
LOGO PENGEMBANGAN METODE HYBRID TABU SEARCH-CROSS ENTROPY UNTUK PENJADWALAN FLOWSHOP Oleh : Muhammad Fahmi L. 2506 100 080 Pembimbing : Ir. Budi Santosa, M.Sc., Ph.D Ko-Pembimbing : Stefanus Eko Wiratno,
Lebih terperinciTEKNIK Vol. V, No. 2 PERBANDINGAN PERFORMANSI ALGORITMA CROSS ENTROPY (CE) DINAMIKA DAN ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO) PADA
53 PERBANDINGAN PERFORMANSI ALGORITMA CROSS ENTROPY (CE) DINAMIKA DAN ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO) PADA TEKNIK Vol. V, No. 2 PENYELESAIAN PERMASALAHAN FLOWSHOP SCHEDULING Dosen Fakultas
Lebih terperinciBAB I PENDAHULUAN. yang dikerjakan pada beberapa buah mesin (Rosnani Ginting, 2009). Pekerjaan
BAB I PENDAHULUAN 1.1. Latar Belakang Penjadwalan adalah pengurutan pengerjaan produk secara menyeluruh yang dikerjakan pada beberapa buah mesin (Rosnani Ginting, 2009). Pekerjaan yang akan diselesaikan
Lebih terperinci1, 2 Dosen Teknik Manufaktur Politeknik 17 Agustus 1945 Surabaya
PENGEMBANGAN CROSS ENTROPY-GENETIC ALGORITHM (CEGA) PADA PENJADWALAN MODEL FLOW SHOP UNTUK MEMINIMALKAN MAKESPAN Dian Setiya Widodo (1), Nuzullis Lailatul Kamaliyah (2) 1, 2 Dosen Teknik Manufaktur Politeknik
Lebih terperinciPENGEMBANGAN ALGORITMA HYBRID CROSS ENTROPY-TABU SEARCH UNTUK PENYELESAIAN TRAVELLING REPAIRMAN PROBLEM
PENGEMBANGAN ALGORITMA HYBRID CROSS ENTROPY-TABU SEARCH UNTUK PENYELESAIAN TRAVELLING REPAIRMAN PROBLEM Muchammad Aminuddin, Budi Santosa Jurusan Teknik Industri Institut Teknologi Sepuluh Nopember (ITS)
Lebih terperinciPENGEMBANGAN ALGORITMA CROSS ENTROPY- GENETIC ALGORITHM UNTUK MENYELESAIKAN CAPACITATED LOCATION- ROUTING PROBLEM
PENGEMBANGAN ALGORITMA CROSS ENTROPY- GENETIC ALGORITHM UNTUK MENYELESAIKAN CAPACITATED LOCATION- ROUTING PROBLEM M. Firdias Aulia Baskoro W. 1, *), Budi Santosa 2), Yudha Prasetyawan 3) 1) Pasca Sarjana
Lebih terperinciPENDEKATAN ALGORITMA CROSS ENTROPY- GENETIC ALGORITHM UNTUK MENURUNKAN MAKESPAN PADA PENJADWALAN FLOW SHOP
PENDEKATAN ALGORITMA CROSS ENTROPY- GENETIC ALGORITHM UNTUK MENURUNKAN MAKESPAN PADA PENJADWALAN FLOW SHOP Dian Setiya Widodo 1*, Purnomo Budi Santoso 2, Eko Siswanto 3 1,2,3 Universitas Brawijaya, Fakultas
Lebih terperinciPENGEMBANGAN ALGORITMA HYBRID CROSS ENTROPY- TABU SEARCH UNTUK PENYELESAIAN TRAVELLING REPAIRMAN PROBLEM
PENGEMBANGAN ALGORITMA HYBRID CROSS ENTROPY- TABU SEARCH UNTUK PENYELESAIAN TRAVELLING REPAIRMAN PROBLEM Pembimbing : Ir. Budi Santosa, M.S., Ph.D NIP. 196905121994021001 LOGO Peneliti : Muchammad Aminuddin
Lebih terperinciJURNAL TEKNIK NDUSTRI ITS Vol. 1, No. 1, (2013) 1-6 1
JURNAL TEKNIK NDUSTRI ITS Vol. 1, No. 1, (2013) 1-6 1 PENGEMBANGAN ALGORITMA HYBRID CROSS ENTROPY-GENETIC ALGORITHM DALAM PENYELESAIAN MULTI-PRODUCT INVENTORY SHIP ROUTING PROBLEM DENGAN HETEROGENEOUS
Lebih terperinciPENERAPAN ALGORITMA HYBRID CROSS ENTROPY-GENETIC ALGORITHM DALAM PENYELESAIAN RESOURCE-CONSTRAINED PROJECT SCHEDULING PROBLEM
PENERAPAN ALGORITMA HYBRID CROSS ENTROPY-GENETIC ALGORITHM DALAM PENYELESAIAN RESOURCE-CONSTRAINED PROJECT SCHEDULING PROBLEM Nur Rahmawati dan Budi Santosa Jurusan Teknik Industri, Fakultas Teknologi
Lebih terperinciOPTIMASI NURSE SCHEDULING PROBLEM
OPTIMASI NURSE SCHEDULING PROBLEM Disusun Oleh Aditya Pratama H (2510100111) Pembimbing Prof. Ir. Budi Santosa, M.S., Ph.D Pendahuluan Latar Belakang Perumusan Masalah Batasan & Asumsi Penjadwalan Proses
Lebih terperinciPENDEKATAN CROSS ENTROPY-GENETIC ALGORITHM UNTUK PERMASALAHAN PENJADWALAN JOB SHOP TANPA WAKTU TUNGGU PADA BANYAK MESIN
PENDEKATAN CROSS ENTROPY-GENETIC ALGORITHM UNTUK PERMASALAHAN PENJADWALAN JOB SHOP TANPA WAKTU TUNGGU PADA BANYAK MESIN Muhammad Arif Budiman Jurusan Teknik Industri, Fakultas Teknologi Industri, Institut
Lebih terperinciPENJADWALAN FLOW SHOP DENGAN PENDEKATAN CROSS ENTROPY-GENETIC ALGORITHM UNTUK MENURUNKAN MAKESPAN PADA PEMBUATAN RODA GIGI
PENJADWALAN FLOW SHOP DENGAN PENDEKATAN CROSS ENTROPY-GENETIC ALGORITHM UNTUK MENURUNKAN MAKESPAN PADA PEMBUATAN RODA GIGI Dian Setiya Widodo, Mario Sarisky Dwi Ellianto Politeknik 17 Agustus 1945 Surabaya
Lebih terperinciPENJADWALAN FLOW SHOP DENGAN PENERAPAN CROSS ENTROPY-GENETIC ALGORITHM (CEGA) UNTUK MEMINIMASI MAKESPAN
PENJADWALAN FLOW SHOP DENGAN PENERAPAN CROSS ENTROPY-GENETIC ALGORITHM (CEGA) UNTUK MEMINIMASI MAKESPAN Hasan Bashori 1, Pratikto 2, Sugiono 3 1,2,3 Universitas Brawijaya, Fakultas Teknik Mesin, Malang
Lebih terperinciCross Docking 2/4/2010. Disusun oleh: Ahmad Fatih Fudhla ( ) Dibimbing oleh: Prof. Ir. I Nyoman Pujawan, M.Eng. PhD Arief Rahman, ST, MSc
Tesis Pengembangan Model Matematis untuk Penjadwalan Rute Kendaraan Cross Docking dalam Rantai Pasok dengan Mempertimbangkan Batasan Kelas Jalan dan Kendaraan yang Heterogen Disusun oleh: Ahmad Fatih Fudhla
Lebih terperinciPENDEKATAN CROSS ENTROPY
PENDEKATAN CROSS ENTROPY UNTUK MINIMASI BIKRITERIA MAKESPAN DAN TOTAL TARDINESS PADA PENJADWALAN PRODUKSI FLOWSHOP DENGAN MESIN PARALEL Sayid Basori dan Suparno Jurusan Teknik Industri Institut Teknologi
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pembangunan daerah perkotaan atau city development memiliki beberapa aspek penting salah satunya adalah logistik perkotaan atau city logistics. Alasan mengapa city
Lebih terperinciBAB I PENDAHULUAN. lebih efektif dan efisien karena akan melewati rute yang minimal jaraknya,
BAB I PENDAHULUAN A. Latar Belakang Distribusi merupakan proses penyaluran produk dari produsen sampai ke tangan masyarakat atau konsumen. Kemudahan konsumen dalam mendapatkan produk yang diinginkan menjadi
Lebih terperinciPENERAPAN METODE CROSS ENTROPY DALAM PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM (Study Kasus : Distribusi Koran Jawa Pos Surabaya)
PENERAPAN METODE CROSS ENTROPY DALAM PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM (Study Kasus : Distribusi Koran Jawa Pos Surabaya) Gladiez Florista Rera dan Budi Santosa Jurusan Teknik Industri Institut
Lebih terperinciPERENCANAAN SUMBER DAYA PADA PROYEK DENGAN MENGGUNAKAN METODE ANT COLONY
PERENCANAAN SUMBER DAYA PADA PROYEK DENGAN MENGGUNAKAN METODE ANT COLONY Niken A. Savitri, I Nyoman Pujawan, Budi Santosa Jurusan Teknik Industri, Fakultas Teknologi Industri Institut Teknologi Sepuluh
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Travelling Salesman Problem (TSP) Travelling Salesmen Problem (TSP) termasuk ke dalam kelas NP hard yang pada umumnya menggunakan pendekatan heuristik untuk mencari solusinya.
Lebih terperinciPENJADWALAN MESIN BERTIPE JOB SHOP UNTUK MEMINIMALKAN MAKESPAN DENGAN METODE ALGORITMA GENETIKA (STUDI KASUS PT X)
PENJADWALAN MESIN BERTIPE JOB SHOP UNTUK MEMINIMALKAN MAKESPAN DENGAN METODE ALGORITMA GENETIKA (STUDI KASUS PT X) Ria Krisnanti 1, Andi Sudiarso 2 1 Jurusan Teknik Mesin dan Industri, Fakultas Teknik,
Lebih terperinciOPTIMASI PENJADWALAN CERDAS MENGGUNAKAN ALGORITMA MEMETIKA
OPTIMASI PENJADWALAN CERDAS MENGGUNAKAN ALGORITMA MEMETIKA Muhammad Arief Nugroho 1, Galih Hermawan, S.Kom., M.T. 2 1, 2 Universitas Komputer Indonesia Jl. Dipatiukur No. 112-116, Bandung 40132 E-mail
Lebih terperinciKata Kunci - Ship Scheduling and Assignment, NP - Hard Problem, Metode Meta-heuristik, Simple Iterative Mutation Algoritm, Minimum requirement draft
1 Pengembangan Simple Iterative Mutation Algorithm (SIM-A) untuk Menyelesaikan Permasalahan Ship Scheduling and Assignment (Studi Kasus: Distribusi Semen Curah Pada PT. X) Ketut Hendra Harianto, Nyoman
Lebih terperinciHIBRIDISASI GENETIC-TABU SEARCH ALGORITHM UNTUK PENJADWALAN JOB TERHADAP BEBERAPA RESOURCE DI DALAM KOMPUTASI GRID
HIBRIDISASI GENETIC-TABU SEARCH ALGORITHM UNTUK PENJADWALAN JOB TERHADAP BEBERAPA RESOURCE DI DALAM KOMPUTASI GRID Irfan Darmawan Teknik Elektro dan Informatika, Universitas Siliwangi ABSTRAK Permasalahan
Lebih terperinciAlgoritma Cross Entropy Untuk Optimalisasi Penjadwalan Pertandingan Kompetisi Liga Super Indonesia. Andhika Eko Prasetyo
Algoritma Cross Entropy Untuk Optimalisasi Penjadwalan Pertandingan Kompetisi Liga Super Indonesia Andhika Eko Prasetyo Latar Belakang 1. Struktur dari Kompetisi Liga Super. 2. Geografis Indonesia yang
Lebih terperinciProsiding Seminar Nasional Manajemen Teknologi XIV Program Studi MMT-ITS, Surabaya 23 Juli 2011
PENGEMBANGAN ALGORITMA DIFFERENTIAL EVOLUTION UNTUK PENYELESAIAN PERMASALAHAN VEHICLE ROUTING PROBLEM SIMULTANEOUS DELIVERIES PICK-UP WITH TIME WINDOWS (VRPSDPTW) Heri Awalul, Budi Santosa, Stefanus Eko
Lebih terperinciPENYELESAIAN PERMASALAHAN TRAVELLING SALESMAN PROBLEM MENGGUNAKAN ALGORITMA DIFFERENTIAL EVOLUTION
PENYELESAIAN PERMASALAHAN TRAVELLING SALESMAN PROBLEM MENGGUNAKAN ALGORITMA DIFFERENTIAL EVOLUTION Heri Awalul Ilhamsah Jurusan Teknik Industri Universitas Trunojoyo Email: hilhamsah@gmail.com ABSTRAK
Lebih terperinciBAB III PEMBAHASAN. diperoleh menggunakan algoritma genetika dengan variasi seleksi. A. Model Matematika CVRPTW pada Pendistribusian Raskin di Kota
BAB III PEMBAHASAN Pada bab ini akan dibahas mengenai model matematika pada pendistribusian raskin di Kota Yogyakarta, penyelesaian model matematika tersebut menggunakan algoritma genetika serta perbandingan
Lebih terperinciPenjadwalan dan Penentuan Rute Kendaraan pada Industri Bahan Kimia Menggunakan Kombinasi Algoritma Genetika dan Algoritma Pencarian Tabu
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-7 1 Penjadwalan dan Penentuan Rute Kendaraan pada Industri Bahan Kimia Menggunakan Kombinasi Genetika dan Pencarian Tabu Maya Sagita Walalangi, Arif Djunaidy
Lebih terperinciOPTIMASI GENETIC ALGORITHM DENGAN SIMULATED ANNEALING UNTUK MULTIPLE DEPOT CAPACITATED VEHICLE ROUTING PROBLEM
OPTIMASI GENETIC ALGORITHM DENGAN SIMULATED ANNEALING UNTUK MULTIPLE DEPOT CAPACITATED VEHICLE ROUTING PROBLEM Aditya Permana 1, Mahmud Dwi Sulistiyo 2, Gia Septiana Wulandari 3 1,2,3 Prodi S1 Teknik Informatika,
Lebih terperinciDosen Pembimbing : Ir. Budi Santosa, M.S., Ph.D Oleh : Sas Wahid Hamzah
Artificial Immune System untuk Penyelesaian Vehicle Routing Problem with Time Windows Dosen Pembimbing : Ir. Budi Santosa, M.S., Ph.D Oleh : Sas Wahid Hamzah 2507100054 Pendahuluan Pendahuluan Fungsi Objektif
Lebih terperinciPENGEMBANGAN ALGORITMA DIFFERENTIAL EVOLUTION UNTUK PENJADWALAN FLOW SHOP MULTI OBYEKTIF DENGAN BANYAK MESIN ABSTRAK
PENGEMBANGAN ALGORITMA DIFFERENTIAL EVOLUTION UNTUK PENJADWALAN FLOW SHOP MULTI OBYEKTIF DENGAN BANYAK MESIN Rudi Nurdiansyah Jurusan Teknik Industri, Fakultas Teknologi Industri, Institut Teknologi Sepuluh
Lebih terperinciOptimasi pada Rute Truk Peti Kemas dengan Algoritma Optimasi Koloni Semut
E-journal Teknik Elektro dan Komputer (tahun), ISSN : 20-8402 7 Optimasi pada Rute Truk Peti Kemas dengan Algoritma Optimasi Koloni Semut Feisy D. Kambey feisy.kambey@yahoo.co.id Abstrak Perdagangan global
Lebih terperinciPenjadwalan Job Shop pada Empat Mesin Identik dengan Menggunakan Metode Shortest Processing Time dan Genetic Algorithm
Jurnal Telematika, vol.9 no.1, Institut Teknologi Harapan Bangsa, Bandung ISSN: 1858-251 Penjadwalan Job Shop pada Empat Mesin Identik dengan Menggunakan Metode Shortest Processing Time dan Genetic Algorithm
Lebih terperinciMETODE MAX MIN VOGEL S APPROXIMATION METHOD UNTUK MENEMUKAN BIAYA MINIMAL PADA PERMASALAHAN TRANSPORTASI
METODE MAX MIN VOGEL S APPROXIMATION METHOD UNTUK MENEMUKAN BIAYA MINIMAL PADA PERMASALAHAN TRANSPORTASI Bilqis Amaliah 1), Agri Krisdanto 2), dan Astris Dyah Perwita 3) 1,2,3) Teknik Informatika, Fakultas
Lebih terperinciKOMBINASI ALGORITMA DIFFERENTIAL EVOLUTION DENGAN ITERATED GREEDY UNTUK PERMASALAHAN TRAVELING SALESMAN PROBLEM (TSP)
KOMBINASI ALGORITMA DIFFERENTIAL EVOLUTION DENGAN ITERATED GREEDY UNTUK PERMASALAHAN TRAVELING SALESMAN PROBLEM (TSP) Ong Andre Wahju Riyanto * ABSTRAKSI Penelitian ini ditujukan untuk memperbaiki kelemahan
Lebih terperinciBAB I PENDAHULUAN. Pemerintah Pusat hingga Pemerintah Daerah, salah satu program dari
BAB I PENDAHULUAN A. Latar Belakang Masalah Peningkatan kesejahteraan dalam memenuhi kebutuhan pangan masyarakat berpendapatan rendah merupakan program nasional dari Pemerintah Pusat hingga Pemerintah
Lebih terperinciBAB 1 PENDAHULUAN 1.1. Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Distribusi merupakan salah satu komponen dari suatu sistem logistik yang bertanggungjawab akan perpindahan material antar fasilitas. Distribusi berperan dalam membawa
Lebih terperinciPENELITI : Fiqihesa Putamawa
PENGEMBANGAN ALGORITMA BEE SWARM OPTIMIZATION UNTUK PENYELESAIAN CONTAINER STOWAGE PROBLEM PENELITI : Fiqihesa Putamawa 2507 100 064 DOSEN PEMBIMBING : Ir. Budi Santosa, M.S., Ph.D Contents PENDAHULUAN
Lebih terperinciOPTIMASI PENCAPAIAN TARGET PADA SIMULASI PERENCANAAN JALUR ROBOT BERGERAK DI LINGKUNGAN DINAMIS
OPTIMASI PENCAPAIAN TARGET PADA SIMULASI PERENCANAAN JALUR ROBOT BERGERAK DI LINGKUNGAN DINAMIS Yisti Vita Via Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember
Lebih terperinciBAB 2 LANDASAN TEORI
18 BAB 2 LANDASAN TEORI 2.1 Pengertian Optimasi Optimasi adalah salah satu ilmu dalam matematika yang fokus untuk mendapatkan nilai minimum atau maksimum secara sistematis dari suatu fungsi, peluang maupun
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1 Gambaran Umum Perusahaan Pembahasan mengenai gambaran umum perusahaan meliputi sejarah singkat perusahaan dan struktur organisasi perusahaan saat ini. 3.1.1 Sejarah Singkat
Lebih terperinciIMPLEMENTASI METODE HEURISTIK DAN SIMULASI UNTUK MENYEIMBANGKAN LINI PERAKITAN LAMPU
IMPLEMENTASI METODE HEURISTIK DAN SIMULASI UNTUK MENYEIMBANGKAN LINI PERAKITAN LAMPU Septian Andrew Susanto 1) dan Nurhadi Siswanto 2) 1) Jurusan Teknik Industri, Institut Teknologi Sepuluh Nopember, Surabaya,
Lebih terperinciPENERAPAN METODE CROSS ENTROPY DALAM PENYELESAIAN CAPACITATED LOCATION-ROUTING PROBLEM
PENERAPAN METODE CROSS ENTROPY DALAM PENYELESAIAN CAPACITATED LOCATION-ROUTING PROBLEM Nuresti Prabaningtyas dan Budi Santosa Jurusan Teknik Industri Institut Teknologi Sepuluh Nopember (ITS) Surabaya
Lebih terperinciTUGAS AKHIR Pengembangan Algoritma Simulated Annealing pada Permasalahan Hybrid Flowshop Scheduling untuk Minimasi Makespan
SIDANG TUGAS AKHIR Pengembangan Algoritma Simulated Annealing pada Permasalahan Hybrid Flowshop Scheduling untuk Minimasi Makespan dan Total Tardiness Peneliti Pembimbing : Ainur Rofiq : Prof. Ir. Budi
Lebih terperinciKONSEP ALGORITMA GENETIK BINER UNTUK OPTIMASI PERENCANAAN JADWAL KEGIATAN PERKULIAHAN
Jurnal Teknik dan Ilmu Komputer KONSEP ALGORITMA GENETIK BINER UNTUK OPTIMASI PERENCANAAN JADWAL KEGIATAN PERKULIAHAN (Binary Genetic Algorithm Concept to Optimize Course Timetabling) Iwan Aang Soenandi
Lebih terperinciBAB II TINJAUAN PUSTAKA. Job shop scheduling problem (JSSP) adalah permasalahan optimasi
BAB II TINJAUAN PUSTAKA 2.1 Job Shop Scheduling Problem (JSSP) Job shop scheduling problem (JSSP) adalah permasalahan optimasi kombinatorial. Misalkan terdapat n buah job atau pekerjaan, yaitu J 1, J 2,,
Lebih terperinciMODEL PENYELESAIAN JOB SHOP SCHEDULING PROBLEM MENGGUNAKAN METODE LOCAL SEARCH ALGORITHM DENGAN CROSS OVER
MODEL PENYELESAIAN JOB SHOP SCHEDULING PROBLEM MENGGUNAKAN METODE LOCAL SEARCH ALGORITHM DENGAN CROSS OVER Amiluddin Zahri Dosen Universtas Bina Darma Jalan Ahmad Yani No.3 Palembang Sur-el: amiluddin@binadarma.ac.id
Lebih terperinciOptimasi Penyusunan Paket Suku Cadang Pada PT. XYZ Menggunakan Metode Algoritma Genetik
Optimasi Penyusunan Paket Suku Cadang Pada PT. XYZ Menggunakan Metode Algoritma Genetik Ridzky Utomo 1,, Pratya Poeri S 2, Mira Rahayu 3 Program Studi Teknik Industri, Fakultas Rekayasa Industri,Institut
Lebih terperinciPengembangan Model Capacitated Maximal Covering Location Problem (CMCLP) Dalam Penentuan Lokasi Pendirian Gudang
https://doi.org/10.22219/jtiumm.vol19.no1.21-27 Pengembangan Model Capacitated Maximal Covering Location Problem (CMCLP) Dalam Penentuan Lokasi Pendirian Gudang Putu Eka Dewi Karunia Wati *, Hilyatun Nuha
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Penjadwalan dan Penjadwalan Flow shop Menurut Kumar (2011), jadwal merupakan rencana sistematis yang umumnya menceritakan hal-hal yang akan dikerjakan. Menurut Pinedo (2005),
Lebih terperinciAlgoritma Genetika Ganda (AGG) untuk Capacitated Vehicle Routing Problem (CVRP)
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2015 T 6 Algoritma Genetika Ganda (AGG) untuk Capacitated Vehicle Routing Problem (CVRP) Daryono Budi Utomo, Mohammad Isa Irawan, Muhammad Luthfi
Lebih terperinciAnalisis Komparasi Genetic Algorithm dan Firefly Algorithm pada Permasalahan Bin Packing Problem
Analisis Komparasi Genetic Algorithm dan Firefly Algorithm pada Permasalahan Bin Packing Problem Adidtya Perdana Sekolah Tinggi Teknik Harapan Medan Jl. H.M. Jhoni No. 70 C Medan adid.dana@gmail.com Abstrak
Lebih terperinciOptimasi Teknik Klasifikasi Modified k Nearest Neighbor Menggunakan Algoritma Genetika
Optimasi Teknik Klasifikasi Modified k Nearest Neighbor Menggunakan Algoritma Genetika Siti Mutrofin 1, Arrie Kurniawardhani 2, Abidatul Izzah 3, Mukhamad Masrur 4 Universitas Pesantren Tinggi Darul Ulum
Lebih terperinciSWARM GENETIC ALGORITHM, SUATU HIBRIDA DARI ALGORITMA GENETIKA DAN PARTICLE SWARM OPTIMIZATION. Taufan Mahardhika 1
SWARM GENETIC ALGORITHM, SUATU HIBRIDA DARI ALGORITMA GENETIKA DAN PARTICLE SWARM OPTIMIZATION Taufan Mahardhika 1 1 Prodi S1 Kimia, Sekolah Tinggi Analis Bakti Asih 1 taufansensei@yahoo.com Abstrak Swarm
Lebih terperinciPENYELESAIAN VEHICLE ROUTING PROBLEM WITH TIME WINDOWS (VRPTW) MENGGUNAKAN ALGORITMA GENETIKA HYBRID
JOURNAL OF ENVIRONMENTAL ENGINEERING & SUSTAINABLE TECHNOLOGY P-ISSN : 2356-3109 PENYELESAIAN VEHICLE ROUTING PROBLEM WITH TIME WINDOWS (VRPTW) MENGGUNAKAN ALGORITMA GENETIKA HYBRID Diah Anggraeni Pitaloka
Lebih terperinciABSTRAK. Job shop scheduling problem merupakan salah satu masalah. penjadwalan yang memiliki kendala urutan pemrosesan tugas.
ABSTRAK Job shop scheduling problem merupakan salah satu masalah penjadwalan yang memiliki kendala urutan pemrosesan tugas. Pada skripsi ini, metode yang akan digunakan untuk menyelesaikan job shop scheduling
Lebih terperinciBab II. Tinjauan Pustaka
7 Bab II Tinjauan Pustaka 2.1 Penelitian Terdahulu Penelitian mengenai Visualisasi Rute Terpendek Jalur Angkutan Kota Dengan Algoritma Genetika membahas tentang perancangan dan pembuatan aplikasi yang
Lebih terperinciPenerapan Algoritma Genetika dalam Job Shop Scheduling Problem
Penerapan Algoritma Genetika dalam Job Shop Scheduling Problem Haris Sriwindono Program Studi Ilmu Komputer Universitas Sanata Dharma Paingan, Maguwoharjo, Depok Sleman Yogyakarta, Telp. 0274-883037 haris@staff.usd.ac.id
Lebih terperinciPERANCANGAN KONFIGURASI JARINGAN DISTRIBUSI PRODUK BISKUIT MENGGUNAKAN METODE ALGORITMA GENETIKA (Studi Kasus: PT. EP)
PERANCANGAN KONFIGURASI JARINGAN DISTRIBUSI PRODUK BISKUIT MENGGUNAKAN METODE ALGORITMA GENETIKA (Studi Kasus: PT. EP) Rezki Susan Ardyati dan Dida D. Damayanti Program Studi Teknik Industri Institut Teknologi
Lebih terperinciOPTIMASI POLA DISTRIBUSI BBM PERTAMINA MENGGUNAKAN ALGORITMA HEURISTIK
OPTIMASI POLA DISTRIBUSI BBM PERTAMINA MENGGUNAKAN ALGORITMA HEURISTIK Oleh: Rif atul Khusniah 1209201715 Dosen Pembimbing: Subchan, M.Sc, Ph.D Dr. Imam Mukhlas, MT SPBU 1 Order Daily DEPO SPBU 2 SPBU
Lebih terperinciPERANCANGAN ALGORITMA HEURISTIK UNTUK PENYELESAIAN PERMASALAHAN SWAP-BODY VEHICLE ROUTING PROBLEM
PERANCANGAN ALGORITMA HEURISTIK UNTUK PENYELESAIAN PERMASALAHAN SWAP-BODY VEHICLE ROUTING PROBLEM Pembimbing: Dr. Eng. Ir. Ahmad Rusdiansyah, M.Eng, CSCP Disusun Oleh: Jurusan Teknik Industri Andre T.
Lebih terperinciPENERAPAN ALGORITMA CODEQ UNTUK MENYELESAIKAN PERMASALAHAN JOB SHOP SCHEDULING
PENERAPAN ALGORITMA CODEQ UNTUK MENYELESAIKAN PERMASALAHAN JOB SHOP SCHEDULING Dosen Pembimbing: 1. Yudha Prasetyawan, S.T. M.Eng 2. Ir. Budi Santosa, M.S., Ph.D. Oleh: M Bisyrul Jawwad 2507100069 Pendahuluan
Lebih terperinciPENGARUH NILAI PARAMETER TERHADAP SOLUSI HEURISTIK PADA MODEL VTPTW
INFOMATEK Volume 19 Nomor 1 Juni 2017 PENGARUH NILAI PARAMETER TERHADAP SOLUSI HEURISTIK PADA MODEL VTPTW Tjutju T. Dimyati Program Studi Teknik Industri Fakultas Teknik Universitas Pasundan Abstrak: Penentuan
Lebih terperinciOptimasi Multi Travelling Salesman Problem (M-TSP) Menggunakan Algoritma Genetika
Optimasi Multi Travelling Salesman Problem (M-TSP) Menggunakan Algoritma Genetika Wayan Firdaus Mahmudy (wayanfm@ub.ac.id) Program Studi Ilmu Komputer, Universitas Brawijaya, Malang, Indonesia Abstrak.
Lebih terperinciBAB III PEMBAHASAN. Berikut akan diberikan pembahasan mengenai penyelesaikan CVRP dengan
BAB III PEMBAHASAN Berikut akan diberikan pembahasan mengenai penyelesaikan CVRP dengan Algoritma Genetika dan Metode Nearest Neighbour pada pendistribusian roti di CV. Jogja Transport. 3.1 Model Matetematika
Lebih terperinciBAB II STUDI PUSTAKA
BAB II STUDI PUSTAKA 2.1 UMUM Masalah yang dihadapi oleh perusahaan jasa angkutan adalah merencanakan dan menentukan rute yang optimal untuk dioperasikan didalam wilayah kajian. Wilayah kajian dapat dikarakteristikkan
Lebih terperinciOPTIMISASI PEMBENTUKAN SEL DIINTEGRASIKAN DENGAN PENEMPATAN MESIN DAN PENJADWALAN DI DALAM SELULAR MANUFAKTUR MENGGUNAKAN ALGORITMA GENETIKA
OPTIMISASI PEMBENTUKAN SEL DIINTEGRASIKAN DENGAN PENEMPATAN MESIN DAN PENJADWALAN DI DALAM SELULAR MANUFAKTUR MENGGUNAKAN ALGORITMA GENETIKA Oleh : Moh Khoiron 1209 100 705 Dosen pembimbing : Dr. Imam
Lebih terperinciPENCOCOKAN KATA SECARA ACAK DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL
Jurnal Matematika UNAND Vol. 2 No. 2 Hal. 1 9 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENCOCOKAN KATA SECARA ACAK DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL MULIA AFRIANI KARTIKA
Lebih terperinciPENERAPAN ALGORITMA ANT COLONY PADA PENJADWALAN PRODUKSI
PENERAPAN ALGORITMA ANT COLONY PADA PENJADWALAN PRODUKSI Nurul Imamah, S.Si 1, Dr.Imam Mukhlas, S.Si, MT 2 Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan, Institut Teknologi Sepuluh Nopember
Lebih terperinciAlgoritma Genetika Ganda untuk Capacitated Vehicle Routing Problem
JURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) 2337-3520 (2301-928X Print) A-19 Algoritma Genetika Ganda untuk Capacitated Vehicle Routing Problem Muhammad Luthfi Shahab dan Mohammad Isa Irawan Matematika,
Lebih terperinci1 BAB I PENDAHULUAN. 1.1 Latar Belakang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Listrik pada abad ini sudah merupakan kebutuhan primer yang tidak bisa tergantikan. Karena pentingnya listrik ini, sistem yang menyuplai dan mengalirkan listrik ini
Lebih terperinciPenyelesaian Permasalahan Penjadwalan Aktivitas Proyek dengan Batasan Sumber Daya Menggunakan Metode Cross Entropy
Penyelesaian Permasalahan Penjadwalan Aktivitas Proyek dengan Batasan Sumber Daya Menggunakan Metode Cross Entropy Problem Solving on The Resource Constrains Project Scheduling Problem (RCPSP) Using Cross
Lebih terperinciAlgoritma Penjadwalan Job Shop Alternatif Routing Menggunakan Variable Neighborhood Descent With Fixed Threshold Untuk Minimisasi Makespan *
Reka Integra ISSN: 2338-5081 Jurusan Teknik Industri Itenas No.04 Vol.01 Jurnal Online Institut Teknologi Nasional April 2014 Algoritma Penjadwalan Job Shop Alternatif Routing Menggunakan Variable Neighborhood
Lebih terperinciKata kunci: job shop scheduling, CODEQ,
PENERAPAN ALGORITMA CODEQ UNTUK MENYELESAIKAN PERMASALAHAN JOB SHOP SCHEDULING Mohammad Bisyrul Jawwad, Yudha Prasetyawan, Budi Santosa Jurusan Teknik Industri Institut Teknologi Sepuluh Nopember (ITS)
Lebih terperinciMODEL PENJADWALAN FLOW SHOP n JOB m MESIN UNTUK MEMINIMASI MAKESPAN TANPA TARDY JOB DENGAN KENDALA KETIDAKTERSEDIAAN MESIN
MODEL PENJADWALAN FLOW SHOP n JOB m MESIN UNTUK MEMINIMASI MAKESPAN TANPA TARDY JOB DENGAN KENDALA KETIDAKTERSEDIAAN MESIN Jefikz Berhitu, Mokh. Suef, dan Nani Kurniati Jurusan Teknik Industri - Institut
Lebih terperinciJaringan Syaraf Tiruan dengan Pembelajaran Algoritma Genetika dan Diversitas untuk Deteksi Kelas Penyakit
Jaringan Syaraf Tiruan dengan Pembelajaran Algoritma Genetika dan Diversitas untuk Deteksi Kelas Penyakit Abidatul Izzah 1), Ratih Kartika Dewi 2) 1)2) Jurusan Teknik Informatika ITS Surabaya Jl. Teknik
Lebih terperinciPENJADWALAN OPERASIONAL PEMBANGKIT BERBASIS ALGORITMA GENETIK PADA SISTEM PEMBANGKIT SUMATERA BAGIAN TENGAH
Penjadwalan Operasional Pembangkit Berbasis Algoritma Genetik (Dwi Ana dkk) PENJADWALAN OPERASIONAL PEMBANGKIT BERBASIS ALGORITMA GENETIK PADA SISTEM PEMBANGKIT SUMATERA BAGIAN TENGAH Rahmanul Ikhsan 1,
Lebih terperinciBAB III MODEL DAN TEKNIK PEMECAHAN
BAB III MODEL DAN TEKNIK PEMECAHAN III.1. Diskripsi Sistem Sistem pendistribusian produk dalam penelitian ini adalah berkaitan dengan permasalahan vehicle routing problem (VRP). Berikut ini adalah gambar
Lebih terperinciOptimasi Persediaan Multi-item Fuzzy EOQ Di PT UWBM dengan Algoritma Genetika
Optimasi Persediaan Multi-item Fuzzy EOQ Di PT UWBM dengan Algoritma Genetika Disusun Oleh : Ainy Mahmudah 1307 100 002 Pembimbing I Pembimbing II : Dr. Irhamah, S.Si., M.Si : Dra. Sri Mumpuni R, M.Si
Lebih terperinciBAB 1 PENDAHULUAN 1.1. Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Dalam kehidupan sehari-hari, di manapun, kapanpun dan siapapun pasti semua orang menggunakan kendaraan sebagai sarana transportasi mereka. Dan sering kali perjalanan
Lebih terperinciALGORITMA GENETIKA Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning
ALGORITMA GENETIKA Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning Achmad Basuki Politeknik Elektronika Negeri Surabaya PENS-ITS Surabaya 2003 Algoritma Genetika Algoritma
Lebih terperinciPemilihan Supplier dan Penjadwalan Distribusi CNG dengan Pemodelan Matematis
JURNAL TEKNIK POMITS Vol. 3, No. 2, (23) ISSN: 2337-3539 (23-927 Print) G-49 Pemilihan Supplier dan Penjadwalan Distribusi CNG dengan Pemodelan Matematis Ludfi Pratiwi Bowo, AAB. Dinariyana, dan RO. Saut
Lebih terperinciPERBANDINGAN KINERJA ALGORITMA GENETIK DAN ALGORITMA BRANCH AND BOUND PADA TRAVELLING SALESMAN PROBLEM
PERBANDINGAN KINERJA ALGORITMA GENETIK DAN ALGORITMA BRANCH AND BOUND PADA TRAVELLING SALESMAN PROBLEM Nico Saputro dan Suryandi Wijaya Jurusan Ilmu Komputer Universitas Katolik Parahyangan nico@home.unpar.ac.id
Lebih terperinciOptimasi Penjadwalan Mesin Produksi Flowshop dengan Metode Campbell Dudek and Smith (CDS) dan Nawaz Enscore Ham (NEH) pada Departemen Produksi Massal
Optimasi Penjadwalan Mesin Produksi Flowshop dengan Metode Campbell Dudek and Smith (CDS) dan Nawaz Enscore Ham (NEH) pada Departemen Produksi Massal Fitria Imatus Solikhah 1, Renanda Nia R. 2, Aditya
Lebih terperinciI PENDAHULUAN II LANDASAN TEORI
1 I PENDAHULUAN 1.1 Latar Belakang Salah satu tujuan dari industri atau perusahaan adalah menciptakan laba yang maksimal. Salah satu bentuk usahanya adalah dengan memaksimumkan hasil produksi atau meminimumkan
Lebih terperinciPENYELESAIAN TRAVELLING SALESMAN PROBLEM DENGAN ALGORITMA BRANCH AND BOUND
PENYEESAIAN TRAVEING SAESMAN PROBEM DENGAN AGORITMA BRANCH AND BOND Yogo Dwi Prasetyo Pendidikan Matematika, niversitas Asahan e-mail: abdullah.prasetyo@gmail.com Abstract The shortest route search by
Lebih terperinciPengembangan Model Robust Cellular Manufacturing System yang Mempertimbangkan Kapasitas Mesin, Fleksibilitas Urutan Proses dan Perubahan Demand
Bandung, 9 1 Oktober 212 Pengembangan Model Robust Cellular Manufacturing System yang Mempertimbangkan Kapasitas Mesin, Fleksibilitas Urutan Proses dan Perubahan Demand Muhammad Shodiq Abdul Khannan Program
Lebih terperinciAnalisis Penjadwalan Produksi Flowshop dengan Membandingkan Metode Harmony Search dan Algoritma Nawaz, Enscore and Ham
Petunjuk Sitasi: Tarigan, U., Lubis, N. I., & Tarigan, U. P. (2017). Analisis Penjadwalan Produksi Flowshop dengan Membandingkan Metode Harmony Search dan Algoritma Nawaz, Enscore and Ham. Prosiding SNTI
Lebih terperinciABSTRAK. Universitas Kristen Maranatha
ABSTRAK P.T. Gistex Textile Division adalah sebuah perusahaan yang bergerak dibidang textile yang mengolah polyester (bahan baku) menjadi kain. Perusahaan memproduksi barang sesuai dengan pesanan konsumen
Lebih terperinciPenyelesaian Penjadwalan Flexible Job Shop Problem dengan menggunakan Real Coded Genetic Algorithm
Penyelesaian Penjadwalan Flexible Job Shop Problem dengan menggunakan Real Coded Genetic Algorithm M. C. C. Utomo 1, Wayan Firdaus Mahmudy 2, Marji Program Teknologi Informasi dan Ilmu Komputer, Universitas
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK MENYELESAIKAN PERMASALAHAN PENJADWALAN DOSEN DENGAN FUZZY
PENERAPAN ALGORITMA GENETIKA UNTUK MENYELESAIKAN PERMASALAHAN PENJADWALAN DOSEN DENGAN FUZZY Arief Kelik Nugroho Fakultas Teknik, Universitas PGR Yogyakarta e-mail : ariefkeliknugroho@gmail.com Abstrak
Lebih terperinciPENGGUNAAN ALGORITMA GENETIKA PADA PENJADWALAN PRODUKSI DI PT DNP INDONESIA PULO GADUNG
PENGGUNAAN ALGORITMA GENETIKA PADA PENJADWALAN PRODUKSI DI PT DNP INDONESIA PULO GADUNG Suriadi AS, Ulil Hamida, N. Anna Irvani STMI Jakarta, Kementerian Perindustrian RI ABSTRAK Permasalahan yang terjadi
Lebih terperinciMENGUKUR KINERJA ALGORITMA GENETIK PADA PEMAMPATAN MATRIKS JARANG
MENGUKUR KINERJA ALGORITMA GENETIK PADA PEMAMPATAN MATRIKS JARANG Nico Saputro dan Joice Aritonang Email : nico@home.unpar.ac.id, jo_aritonang@yahoo.com A matrix that has lots of zero elements is called
Lebih terperinciPRESENTASI TUGAS AKHIR CF 1380 PENERAPAN ALGORITMA GENETIKA UNTUK MASALAH PENJADWALAN JOB SHOP PADA LINGKUNGAN INDUSTRI PAKAIAN
PRESENTASI TUGAS AKHIR CF 1380 PENERAPAN ALGORITMA GENETIKA UNTUK MASALAH PENJADWALAN JOB SHOP PADA LINGKUNGAN INDUSTRI PAKAIAN Penyusun Tugas Akhir : Fachrudin Afandi (NRP : 5204.100.017) Dosen Pembimbing
Lebih terperinciPENERAPAN METODE SIMULATED ANNEALING UNTUK PENJADWALAN JOB SHOP PADA MESIN PABRIK
PENERAPAN METODE SIMULATED ANNEALING UNTUK PENJADWALAN JOB SHOP PADA MESIN PABRIK Hanafi Agam 1, Arna Fariza 2, Ira Prasetyaningrum 2 Mahasiswa Jurusan Teknik Informatika 1, Dosen Pembimbing 2 Politeknik
Lebih terperinci