VARIANT ORDER CROSSOVER DAN MUTASI INVERTED DISPLACEMENT DALAM ALGORITMA GENETIKA PADA VEHICLE ROUTING PROBLEM WITH STOCHASTIC DEMANDS
|
|
- Verawati Sasmita
- 7 tahun lalu
- Tontonan:
Transkripsi
1 VARIANT ORDER CROSSOVER DAN MUTASI INVERTED DISPLACEMENT DALAM ALGORITMA GENETIKA PADA VEHICLE ROUTING PROBLEM WITH STOCHASTIC DEMANDS Rezha Kharisma Putri 1, Sapti Wahyuningsih 2, dan Trianingsih Eni Lestari 3 Universitas Negeri Malang chimarkp@gmail.com Abstrak: Vehicle routing problem with stochastic demands adalah masalah pencarian rute kendaraan dengan permintaan dari pelanggan baru diketahui ketika kendaraan sampai di tempat pelanggan. Rute dapat diperoleh dengan menggunakan algoritma genetika. Dengan operator mutasi yang sama yaitu inverted displacement akan dibandingkan hasil algoritma genetika pada VRPSD dengan operator order crossover dan operator variant order crossover. Operator variant order crossover memberikan hasil yang lebih optimum dibandingkan dengan. Hal ini dikarenakan pada operator variant order crossover komposisi keturunan yang dihasilkan lebih bervariasi dan mengurangi kemungkinan keturunan identik dengan induknya. Operator mutasi inverted displacement dapat mengeksplor kromosom yang belum muncul dalam populasi. Akan tetapi waktu yang diperlukan pada proses evolusi algoritma genetika cukup lama pada saat evaluasi kromosom. Kata kunci: Vehicle Routing Problem With Stochastic Demands, Algoritma Genetika, Variant Order Crossover, Order Crossover, Mutasi Inverted Displacement Teori graph merupakan salah satu cabang ilmu matematika yang dapat digunakan untuk menyelesaikan permasalahan dalam kehidupan sehari-hari. Salah satu permasalahan yang seringkali diselesaikan melalui pendekatan dengan teori graph adalah masalah pencarian rute kendaraan untuk pendistribusian maupun pengambilan barang. Pencarian rute kendaraan dapat mengoptimalkan jalur-jalur pengiriman sehingga biaya pendistribusian berkurang. Salah satu terapan dari teori graph yang banyak digunakan untuk menyelesaikan permasalahan pencarian rute kendaraan adalah vehicle routing problem with stochastic demansd (vrpsd). VRPSD ini berkembang ketika suatu perusahaan seringkali menggunakan vehicle routing problem secara umum dan mengabaikan kenyataan di lapangan bahwa permintaan dari pelanggan adalah stokastik. Algoritma heuristik yang dapat digunakan untuk menyelesaikan VRPSD adalah algoritma genetika yang pernah ditulis oleh Ismail dan Irhamah (2008b) dalam jurnal Journal of Applied Sciences. Proses evolusi algoritma genetika dipengaruhi oleh operator yang digunakan yaitu operator seleksi, crossover, dan mutasi. Metode pada masingmasing operator telah dikembangkan seperti yang dituliskan oleh Deep dan Mebrahtu 2011b dalam jurnal International Journal of Combinatorial Optimization Problems and Informatics. Deep dan Mebrahtu menemukan tiga variasi dari operator order crossover yaitu variant order crossover,, 1 1. Rezha Kharisma Putri adalah mahasiswa jurusan Matematika FMIPA Universitas Negeri Malang 2. Sapti Wahyuningsih adalah dosen jurusan Matematika FMIPA Universitas Negeri Malang 3. Trianingsih Eni Lestari adalah dosen jurusan Matematika FMIPA Universitas Negeri Malang
2 2 dan. Berdasarkan penelitian tersebut, variant order crossover memberikan hasil lebih optimum dibandingkan operator variant order crossover dan pada permasalahan travelling salesman problem. Selain mengembangkan operator crossover, Deep dan Mebrahtu 2011a juga mengembangkan operator mutasi dengan menggabungkan operator mutasi inversi, displacement, dan exchange. Berdasarkan penelitian tersebut, penggabungan operator mutasi inversi yang menginversi substring dalam kromosom dan displacement yang menyisipkan substring secara acak disebut inverted dispalcement memberikan hasil lebih optimum dibandingkan dengan operator mutasi inversi exchange. Berdasarkan uraian diatas akan dikaji penggunaan variant order crossover dan mutasi inverted displacement dalam algoritma genetika pada vehicle routing problem with stochastic demands. TUJUAN 1. Menganalisa perbandingan operator variant order crossover dengan order crossover dalam algoritma genetika yang digunakan untuk menyelesaikan VRPSD dengan operator mutasi inverted displacement. 2. Menganalisa kelebihan dan kekurangan algoritma genetika dengan operator variant order crossover dan mutasi inverted displacement untuk menyelesaikan VRPSD. HASIL DAN PEMBAHASAN Aldous dan Wilson (2000: 6) mengungkapkan gagasan tentang graph, yaitu diagram yang merepresentasikan titik yang disebut verteks sebagai objek dan garis yang disebut sisi merepresentasikan hubungan antar objek. Graph yang digunakan untuk masalah pencarian rute kendaraan adalah graph komplit yang telah diberi bobot yaitu bilangan yang berasosiasi pada setiap sisi. Graph komplit adalah graph yang setiap dua titik yang berbeda dihubungkan oleh satu sisi (Meng, 2007: 21). Graph komplit berbobot digunakan sebagai model dalam vehicle routing problem with stochastic demands. Vehicle Routing Problem with Stochastic Demands Vehicle routing problem with stochastic demands merupakan pengembangan dari model vehicle routing problem dengan penambahan kendala bahwa permintaan pelanggan bersifat stokastik yang nilai pastinya baru diketahui setelah kendaraan sampai di tempat pelanggan. Akan tetapi permintaan pelanggan diasumsikan mengikuti distribusi peluang tertentu berdasarkan perilaku permintaan pelanggan sebelumnya. Dalam artikel ini permintaan pelanggan dibatasi mengikuti distribusi seragam. Ismail dan Irhamah (2008a) menyebutkan ada dua pendekatan berbeda yang digunakan untuk menyelesaikan permasalahan pada VRPSD yaitu pendekatan priori yang merupakan pendekatan yang mengharuskan kendaraan melanjutkan pelayanan sesuai dengan rute yang direncanakan dan pendekatan reoptimazion yang merupakan pendekatan bahwa kendaraan mengunjungi pelanggan yang tersisa yang memungkinkan berbeda dengan rute yang telah ditentukan diawal.
3 Vehicle routing problem with stochastic demands oleh Ismail dan Irhamah (2008b) didefinisikan sebagai graph lengkap =,,. = {0,1,2,..,!} adalah himpunan titik dengan titik 0 disebut sebagai depot dan titik 1,2,..,! sebagai pelanggan. A= {#,$:#,$,# $} adalah himpunan sisi yang menghubungkan titik. C= {( )* :#,$,# $} adalah matriks non-negativ yang berisikan bobot antara titik # dan $. Permintaan pelanggan adalah variabel acak + ),# = 1,2,..,! berdistribusi bebas dan diketahui. Permintaan sesungguhnya setiap pelanggan hanya diketahui ketika kendaraan tiba di tempat pelanggan. Asumsikan permintaan pelanggan + ) tidak melebihi kapasitas kendaraan, dan mengikuti distribusi peluang diskret - ). = /012+ ) = 3,3 = 0,1,2,..,4,. Misalkan 6 = 0,1,2,..,! dengan priori tour $ $ + 1..! 0. Ongkos total yang diharapkan dari kendaraan melayani pelanggan ke $ sampai pelanggan ke! dan kembali ke depot adalah : * ; memenuhi : * ; = <#!#<=<>:? * * ;A Dimana :? * ; = ( *,*B +.DE : *B ; 3- *B,. +.HEF2 + 2( *B,G + : *B ; +, 3I- *B,. * ; = ( *,J + ( J,*B + K.L: *B, 3- *B,. dengan kondisi batas : M ; = ( M,J,; N M. Persamaan :? * ; adalah ongkos yang diharapkan untuk kondisi kendaraan melanjutkan rute ke titik selanjutnya secara langsung, sedangkan * ; adalah ongkos yang diharapkan untuk kondisi kendaraan kembali ke depot untuk menyetok ulang. Terdapat ambang batas kapasitas h * sedemikian sehingga jika kapasitas kendaraan setelah melayani pelanggan ke $ melebihi nilai ambang batas ini maka keputusan terbaik adalah melanjutkan proses menuju pelanggan selanjutnya yang telah direncanakan. Tetapi jika tidak maka lebih baik kembali ke depot untuk menyetok ulang. Nilai ambang batas h * adalah nilai terakhir ; sehingga ongkos *. lebih minimum dari ongkos :? * ;. ALGORITMA GENETIKA PADA VEHICLE ROUTING PROBLEM WITH STOCHASTIC DEMAND Algoritma genetika adalah pencarian heuristik yang didasarkan atas mekanisme seleksi alam dan evolusi biologis untuk menentukan struktur individu dengan kualitas tinggi dalam populasi. Dengan demikian algoritma genetika merupakan teknik pencarian dan optimasi yang meniru proses evolusi dan perubahan genetika pada struktur kromosom makhluk hidup. Sivanandam (2008: 30) memberikan langkah-langkah dasar dalam proses algoritma genetika yaitu membentuk populasi awal acak yang terdiri dari! kromosom. Kemudian mengevaluasi nilai fitness setiap kromosom dalam populasi. Membuat populasi baru dengan seleksi, crossover, mutasi, dan menempatkan keturunan baru dalam populasi baru. Mengulang proses pembentukan populasi baru sampai kondisi akhir terpenuhi. Michalewicz dalam Gen dan Cheng (1997: 1) meringkas bahwa algoritma genetika memiliki lima komponen dasar yaitu representasi genetika dari solusi suatu permasalahan, langkah untuk membentuk populasi awal solusi, mengevaluasi fungsi nilai solusi dalam bentuk nilai fitness, operator genetika yang 3
4 mengubah struktur genetika dari keturunan, dan nilai parameter dalam algoritma genetika. Langkah-langkah menyelesaikan vehicle routing problem with stochastic demands dengan menggunakan algoritma genetika adalah sebagai berikut: 1. Pengkodean Dalam vehicle routing problem with stochastic demands untuk merepresetasikan kromosom digunakan teknik pengkodean permutasi. Setiap kromosom adalah sejumlah bilangan integer yang merepresentasikan posisi dalam sebuah urutan. 2. Inisialisasi Tahap inisialisasi merupakan proses dalam menentukan parameter yang akan digunakan. Jumlah generasi merupakan banyaknya iterasi yang akan digunakan untuk memperoleh solusi. Parameter ini mempengaruhi kestabilan output dan lama iterasi. Ukuran populasi P adalah banyaknya kromosom yang akan digunakan untuk setiap iterasi. Parameter ini mempengaruhi kinerja dan efektivitas algoritma. Jika ukuran populasi terlalu kecil maka aloritma akan lebih cepat konvergen pada satu nilai (Michalewicz, 1996: 72). Probabilitas crossover - Q untuk menunjukkan seberapa sering gen tertentu dari kromosom yang telah terpilih akan melewati crossover. Semakin besar probabilitas crossover maka semakin cepat struktur baru terbentuk. Tetapi jika terlalu besar, fungsi objektivitas yang baik dapat dengan cepat keluar dari populasi. Sedangkan probabilitas crossover yang semakin kecil dapat menghalangi pencarian solusi optimal. De Jong, Grefenstette Schaffer dalam Michalewicz (2004: 293) mengungkapkan nilai probabilitas crossover yang baik berkisar antara 0,60 sampai 0,95. Probabilitas mutasi - R untuk menunjukkan seberapa sering gen tertentu dari kromosom yang telah diproses dengan crossover akan melewati mutasi. Parameter ini bertujuan untuk meningkatkan variasi kromosom dalam populasi. Semakin rendah probabilitas mutasi maka akan menghalangi gen yang berpotensi baik tidak dicoba. Sedangkan semakin tinggi probabilitas maka keturunan akan semakin mirip dengan induk. Schwefel, Wegener, dan Weinert (2003: 126) menuliskan bahwa probabilitas mutasi yang sering direkomendasikan adalah 1/!. Sedangkan Siarry dan Michalewicz (2008: 357) menuliskan probabilitas mutasi yang baik digunakan adalah berkisar antara 0,1% sampai 5%. 3. Membangkitkan Populasi Awal Proses pembentukan populasi awal untuk generasi pertama yang digunakan adalah dengan cara random generator. Langkah yang digunakan adalah membangkitkan bilangan acak sejumlah ukuran kromosom. Kemudian mengurutkan bilangan acak dari yang terkecil sampai yang terbesar. Urutan bilangan acak ini menunjukkan urutan gen dalam kromosom. 4. Evaluasi Pada vehicle routing problem with stochastic demands fungsi tujuannya adalah meminimumkan rute kendaraan. Kromosom terbaik adalah kromosom yang memiliki nilai fitness terkecil. Nilai fitness yang digunakan adalah nilai fungsi objektivitas vehicle routing problem with stochastic demands. Fungsi objektivitas suatu rute adalah : J ; yang diperoleh dari persamaan 4
5 : * ; = <#!#<=<>:? * * ;A Dimana :? * ; = ( *,*B +.DE : *B ; 3- *B,. +.HEF2 + 2( *B,G + : *B ; +, 3I- *B,. * ; = ( *,J + ( J,*B + K.L: *B, 3- *B,. dengan 2 = 0 dan kondisi batas : M ; = ( M,J,; N M. 5. Roulette Wheel Selection Agar hanya kromosom terbaik yang melanjutkan perannya dalam evolusi algoritma genetika maka tahap selanjutnya adalah proses seleksi. Operator seleksi yang digunakan adalah roulette wheel selection. Dalam artikel ini untuk menghitung probabilitas setiap kromosom diterapkan mekanisme penyesuaian normalisasi linear. Mekanisme penyesuaian ini dapat mempertinggi kemampuan kromosom terbaik untuk reproduksi disaat kromosom yang lemah justru mungkin untuk reproduksi turunannya. Parameter yang diperlukan dalam mekanisme penyesuaian normalisasi linear adalah nilai dasar, selang pengurangan, dan nilai minimum. Probabilitas kromosom dengan mekanisme penyesuaian normalisasi linear diperoleh dengan persamaan berikut -. = VWX Y, untuk setiap kromosom 3 = 1,2,3,..,P Z Dimana \]^. = 2 V _` 3 1b dan jika\]^. < <, maka \]^. = <. Menghitung probabilitas kumulatif ;. masing-masing kromosom. )L ;. = - ), untuk setiap kromosom 3 = 1,2,3,..,P Menentukan individu yang terpilih dalam proses seleksi. Jika ;.d < 0 ;. maka kromosom ke 3 yang terpilih. 6. Order Crossover dan Variant Order Crossover Proses crossover terlebih dahulu membangkitkan bilangan acak antara 0 dan 1 sebanyak kromosom dalam populasi. Jika nilai bilangan acak kromosom lebih kecil atau sama dengan probabilitas crossover - Q, maka kromosom tersebut akan mengalami proses crossover. Selanjutnya kromosom terpilih akan mengalami proses crossover dengan langkah sebagai berikut. 1. Menentukan dua gen sebagai cut point. 2. Menyalin gen yang berada diantara cut point tersebut ke keturunan dengan posisi yang sama. 3. Mengurutkan gen yang berada pada induk kedua dengan urutan gen yang berada pada posisi setelah cut point kedua diikuti dengan gen yang berada pada posisi sebelum cut point pertama dan diakhiri dengan gen yang berada pada posisi diantara kedua cut point. 4. Kemudian gen yang telah diurutkan tersebut dibandingkan dengan keturunan pertama. Apabila gen tersebut ada pada keturunan pertama maka abaikan gen tersebut dari urutan itu. 5. Kemudian memasukkan urutan yang baru saja didapat pada keturunan dengan cara memasukkan urutan gen pada posisi setelah cut point kedua terlebih dahulu dan sisanya dimasukkan pada posisi sebelum cut point pertama. 6. Mengulangi langkah 3 sampai 5 untuk menghasilkan keturunan kedua. 5
6 Dalam artikel ini operator crossover yang digunakan adalah order crossover dan variant order crossover. Misalkan kromosom terpilih adalah dan Pada order crossover posisi cut point kedua induk adalah sama Induk - = k = Keturunan 1 = k = Pada variant order crossover posisi cut point kedua induk berberda Induk - = k = Keturunan 1 = k = Mutasi Inverted Displacement Pemilihan kromosom yang akan mengalami mutasi dengan membangkitkan bilangan acak antara 0 dan 1 sebanyak kromosom dalam populasi. Jika nilai bilangan acak kromosom lebih kecil atau sama dengan probabilitas mutasi - R, maka kromosom tersebut akan mengalami proses mutasi. Operator mutasi yang digunakan adalah inverted displacement. Operator mutasi ini merupakan penggabungan dari operator mutasi inversi dan displacement. Langkah proses mutasi adalah sebagai berikut. 1. Memilih dua posisi dalam kromosom secara acak, misal diperoleh 4 dan 8. Maka substring pada posisi 4 sampai posisi 8 yaitu diinversikan menjadi \ l = Memasukkan substring yang diperoleh pada langkah 1 ke dalam kromosom secara acak, misal diperoleh 2. Maka substring berada pada posisi \ l = Populasi Baru Pembentukan generasi baru yang digunakan adalah penggantian induk yang lemah. Pada artikel ini induk yang lemah adalah induk dengan nilai fitness terbesar dalam kromosom. 9. Kriteria Terminasi Kondisi algoritma genetika dihentikan dalam artikel ini adalah generasi maksimum. Algoritma genetika berhenti berevolusi jika telah melakukan evolusi sebanyak generasi yang telah ditentukan saat inisialisasi. Contoh Vehicle Routing Problem with Stochastic Demands dengan Algoritma Genetika Seorang penjual produk makanan ringan setiap 2 minggu harus mengirim produknya yang telah dipak dalam box kepada 5 pelanggan tetapnya yang berada dalam satu kota. Kendaraan yang digunakan penjual berjumlah 1 dengan kapasitas angkut 20 box. Setiap pelanggan tidak memesan permintaan sebelumnya sehingga penjual baru mengetahui permintaan pelanggan saat penjual sampai ditempat pelanggan tersebut. Akan tetapi penjual memiliki range permintaan pelanggan 6
7 berdasarkan pada catatan pembelian yang telah dilakukan pelanggan selama 3 bulan terakhir. Perkiraan pembelian pelanggan disajikan dalam Tabel 1 berikut. Tabel 1 Perkiraan Pembelian 5 Pelanggan Pelanggan Catatan pembelian (box) Range permintaan (box) 1 1,4,3,2,2,3 1,2,3,4 2 3,2,5,4,3,4 2,3,4,5 3 4,2,5,1,3,2 1,2,3,4,5 4 3,5,7,5,4,6 3,4,5,6,7 5 0,3,2,2,1,1 0,1,2,3 Jarak antar pelanggan dan pelanggan dengan depot disajikan dalam Tabel 2 berikut. Tabel 2 Jarak Antar 5 Pelanggan dan 5 Pelanggan dengan Depot Node Langkah awal dalam menyelesaikan permasalah tersebut adalah menentukan distribusi permintaan setiap pelanggan. Dengan menggunakan alat bantu EasyFit diperoleh hasil uji distribusi permintaan kelima pelanggan sebagai berikut: (1) Permintaan pelanggan 1 berdistribusi seragam U1,4, peluang pelanggan 1 dikunjungi dengan range permintaan 3 = 1,2,3,4 adalah -. = ; (2) Permintaan pelanggan 2 berdistribusi seragam U2,5, peluang pelanggan 2 dikunjungi dengan range permintaan 3 = 2,3,4,5 adalah -. = ; (3) Permintaan pelanggan 3 berdistribusi seragam U1,5, peluang pelanggan 3 dikunjungi dengan range permintaan 3 = 1,2,3,4,5 adalah -. = ; (4) Permintaan pelanggan 4 berdistribusi seragam U3,7; (5) peluang pelanggan 4 dikunjungi dengan range permintaan 3 = 3,4,5,6,7 adalah -. = ; (6) Permintaan pelanggan 5 berdistribusi seragam U0,3, peluang pelanggan 5 dikunjungi dengan range permintaan 3 = 0,1,2,3 adalah -. =. Setelah distribusi permintaan diketahui, maka permasalahan tersebut diselesaikan dengan algoritma genetika. 7 a) Operator Order Crossover n Penyelesaian permasalahan diatas dengan operator order crossover dalam algoritma genetika menghasilkan fungsi objektivitas minimum 98,425 pada kromosom Sehingga rute kendaraan yang minimum adalah dengan ambang batas h = 4,h = 1, h k = 5,dan h = 10. Dengan demikian rute berawal dari depot dan mengunjungi pelanggan 4. Jika kapasitas kendaraan setelah melayani pelanggan 4 kurang dari atau sama dengan 4 maka kendaraan disarankan kembali ke depot untuk menyetok ulang sebelum melanjutkan melayani pelanggan 2. Tetapi jika kapasitas kendaraan melebihi 4 maka kendaraan dapat langsung melanjutkan ke pelanggan 1. Kendaraan melanjutkan mengunjungi pelanggan sesuai dengan rute yang telah direncanakan beserta masing-masing ambang batas setelah melayani pelanggan. Sampai
8 8 kendaraan melayani pelanggan terakhir yaitu pelanggan 2. Setelah melayani pelanggan 2 maka kendaraan kembali ke depot. b) Operator Variant Order Crossover Sebagai perbandingan dalam pencarian rute kendaraan permasalahan diatas, dengan populasi awal dan parameter yang sama, akan digunakan operator variant order crossover pada proses evolusi algoritma genetika. Proses evolusi algoritma genetika berjalan sama seperti langkah diatas. Setelah mencapai 5 generasi diperoleh fungsi objektivitas minimum 97,700 pada kromosom dengan ambang batas h = 3,h = 0,h k = 3,dan h = 8. Selain contoh diatas, telah dikaji studi kasus 6 pelanggan dan 7 pelanggan. Solusi yang diperoleh dari masing-masing kasus disajikan dalam Tabel 3 berikut: Tabel 3 Tabel Ringkasan Solusi Tiga Contoh Kasus No. Kasus - Q Order Crossover Vaiant Order Crossover 1 5 pelanggan 0,75 Rute yang diperoleh dengan ongkos 98,425 Rute yang diperoleh dengan ongkos 97, pelanggan 0,70 Rute yang diperoleh atau dengan ongkos 38,049 Rute yang diperoleh dengan ongkos 36, pelanggan 0,65 Rute yang diperoleh dengan ongkos 57,721 Rute yang diperoleh dengan ongkos 57,008 Hasil yang diperoleh dari ketiga permasalahan adalah rute yang merupakan urutan pelanggan yang akan dikunjungi. Ongkos yang dimiliki suatu rute adalah ongkos yang diharapkan dari kendaraan melanjutkan melayani pelanggan dan kendaraan kembali ke depot untuk menyetok ulang. Operator variant order crossover memberikan hasil yang lebih optimum dibandingkan dengan operator order crossover. Hal ini dikarenakan pada operator variant order crossover komposisi keturunan yang dihasilkan dari penyilangan dua induk lebih bervariasi Operator mutasi inverted displacement dapat mengeksplor kromosom sehingga menghasilkan kromosom yang lebih baik dari induknya. Kemampuan operator mutasi inverted displacement dalam mengeksplor kromosom dikarenakan proses mutasi yang dilakukan dengan menginversikan substring kemudian menyisipkannya secara acak. Proses inversi memungkinkan substring yang baik dipertahankan sedangkan proses menyisipkan memungkinkan mengeksplor kromosom yang belum muncul. Penggunaan mekanisme penyesuaian normalisasi linear mempengaruhi pencapaian solusi yang lebih optimum karena hanya kromosom dengan fungsi objektivitas minimum yang berperan dalam proses evolusi crossover dan mutasi. Selain itu, dengan digunakannya penggantian induk yang lemah pada saat pembentukan populasi baru setelah proses evolusi berperan dalam menyimpan kromosom yang baik agar tidak keluar dari populasi dan mengganti kromosom induk yang kurang baik dengan keturunan yang lebih baik. Disisi lain dengan digunakannya algoritma genetika untuk menyelesaikan vehicle routing problem with stochastic demands juga memiliki kekurangan. Kekurangan algoritma genetika ini adalah waktu yang diperlukan cukup kompleks
9 9 seperti yang dituliskan Shanmugam, Ganesan dan Vanathi (2011). Salah satu proses yang memerlukan waktu cukup kompleks adalah proses evaluasi. Setiap kromosom dalam populasi harus dievaluasi dengan fungsi objektivitas vehicle routing problem with stochastic demands. PENUTUP Kesimpulan Berdasarkan pembahasan dapat disimpulkan bahwa: 1. Berdasarkan kajian yang telah dilakukan, operator variant order crossover memberikan hasil yang lebih optimum dibandingkan dengan operator order crossover. Hal ini dikarenakan keturunan yang dihasilkan lebih bervariasi. 2. Dengan menggunakan algoritma genetika untuk menyelesaikan vehicle routing problem with stochastic demands solusi dapat diperoleh kapanpun dan tidak tunggal. Solusi yang dihasilkan adalah rute yang merupakan urutan pelanggan yang harus dikunjungi. Ongkos yang diharapkan dari rute yang diperoleh adalah ongkos minimum dari kendaraan kembali ke depot dan kendaraan melanjutkan melayani pelanggan. Dengan operator variant order crossover dapat mengurangi kemungkinan kromosom yang dihasilkan identik dengan induknya sedangkan dengan mutasi inverted displacement mengoptimalkan proses eksplorasi kromosom yang akan dihasilkan. Akan tetapi proses evolusi algoritma genetika membutuhkan waktu yang cukup lama. Salah satu proses yang membutuhkan waktu adalah pada saat proses evaluasi kromosom. Semakin banyak titik dan semakin banyak kromosom dalam populasi maka iterasi pada fungsi objektivitas semakin lama. Besarnya kapasitas kendaraan juga mempengaruhi lama iterasi fungsi objektivitas, karena disetiap iterasi kapasitas kendaraan dievaluasi dari kapasitas kendaraan maksimum sampai kapasitas kendaraan minimum atau 0. Saran Agar dapat disimpulkan secara umum variant order crossover lebih optimum dibandingkan order crossover dalam algoritma genetika pada vehicle routing problem with stochastic demands, diperlukan pengkajian lebih lanjut dengan penggunaan metode seleksi tournament, stochastic universal sampling, local selection, dan steady state selection. Selain pengkajian dengan metode seleksi, juga diperlukan pengkajian lebih lanjut dengan operator mutasi insertion, displacement, reciprocal exchange, dan inversi exchange. Untuk mempermudah dan mempercepat proses pencarian solusi disarankan realisasi dalam bentuk perangkat lunak. Sedangkan untuk vehicle routing problem with stochastic demands diperlukan pengkajian jika distribusi permintaan pelanggan heterogen dan selain distribusi seragam serta meningkatkan jumlah pelanggan dan kapasitas kendaraan. DAFTAR RUJUKAN Aldous, Joan & Wilson, Robin J Graph and Application. Great Britain : Springer. Deep, Kusum & Mebrahtu, Hadush. 2011a. Combined Mutation Operators of Genetic Algorithm for the Travelling Salesman Problem. International
10 Journal of Combinatorial Optimization Problems and Informatics, (Online), 2 (3): 1-23, ( &path%5b%5d=44&path%5b%5d=80), diakses 20 Januari Deep, Kusum & Mebrahtu, Hadush. 2011b. New Variants of Order Crossover for Travelling Salesman Problem. International Journal of Combinatorial Optimization Problems and Informatics, (Online), 2 (11): 2-13, ( &path%5b%5d=44&path%5b%5d=80), diakses 20 Januari Gen, Mitsuo & Cheng, Runwei Genetic Algorithms and Engineering Optimization. John Wiley & Sons, Inc. Ismail, Z. & Irhamah. 2008a. Adaptive Permutation-Based Genetic Algorithm for Solving Vehicle Routing Problem with stochastic Demands. Journal of Applied Sciences, (Online), 8 (18): , ( diakses tanggal 25 Januari Ismail, Z. & Irhamah. 2008b. Solving the Vehicle Routing Problem with stochastic Demands via Hybrid Genetic Algorithm-Tabu Search. Journal of Applied Sciences, (Online), 4(3): , ( diakses tanggal 25 Januari Meng, K.K. Fengming, D. & Guan, T.E Introduction to Graph Theory. Singapura: World Scientific. Dari Google Book, (Online), ( diakses tanggal 20 Januari Michalewicz, Zbigniew Genetic Algorithms+Data Structures=Evolution Programs (3rd rev. & ext. ed). New York: Springer. Dari Google Book, (Online), ( diakses 7 Maret Michalewicz, Zbigniew & Fogel, David B How to Solve It: Modern Heuristic (2nd Ed). Jerman: Springer. Dari Google Book, (Online), ( diakses 7 Maret Schwefel, Hans-Paul, Wegener, Ingo & Weinert, Klaus Advances in Computational Intelligence: Theory and Practice. New York: Springer. Dari Google Book, (Online), ( T7Gu0AcC&hl=id), diakses tanggal 7 Maret Shanmugam, Geetha, Ganesan, Poonthalir & Dr. P.T. Vanathi Meta Heuristic Algorithms for Vehicle Routing Problem with Stochastic Demands. Journal of Computer Science, (Online), 7 (4): , ( diakses tanggal 3 April Siarry, Patrick & Michalewicz, Zbigniew (eds) Advances in Metaheuristics for Hard Optimization. New York: Springer. Dari Google Book, (Online), ( diakses tanggal 7 Maret Sivanandam, S.N. & Deepa, S.N Introduction to Genetic Algorithms. Berlin: Springer. 10
BAB 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 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 terperinciALGORITMA GENETIKA PADA PEMROGRAMAN LINEAR DAN NONLINEAR
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 5, No. 03(2016), hal 265 274. ALGORITMA GENETIKA PADA PEMROGRAMAN LINEAR DAN NONLINEAR Abdul Azis, Bayu Prihandono, Ilhamsyah INTISARI Optimasi
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 terperinciKeywords Algoritma, Genetika, Penjadwalan I. PENDAHULUAN
Optimasi Penjadwalan Mata Kuliah Dengan Algoritma Genetika Andysah Putera Utama Siahaan Universitas Pembangunan Pancabudi Jl. Gatot Subroto Km. 4,5, Medan, Sumatra Utara, Indonesia andiesiahaan@gmail.com
Lebih terperinciBAB II KAJIAN PUSTAKA. Pada bab kajian pustaka berikut ini akan dibahas beberapa materi yang meliputi
BAB II KAJIAN PUSTAKA Pada bab kajian pustaka berikut ini akan dibahas beberapa materi yang meliputi graf, permasalahan optimasi, model matematika dari objek wisata di Yogyakarta, dan algoritma genetika
Lebih terperinciERWIEN TJIPTA WIJAYA, ST.,M.KOM
ERWIEN TJIPTA WIJAYA, ST.,M.KOM DEFINISI ALGEN adalah algoritma yang memanfaatkan proses seleksi alamiah yang dikenal dengan evolusi Dalam evolusi, individu terus menerus mengalami perubahan gen untuk
Lebih terperinciBAB II KAJIAN TEORI. memindahkan barang dari pihak supplier kepada pihak pelanggan dalam suatu supply
BAB II KAJIAN TEORI Berikut diberikan beberapa teori pendukung untuk pembahasan selanjutnya. 2.1. Distribusi Menurut Chopra dan Meindl (2010:86), distribusi adalah suatu kegiatan untuk memindahkan barang
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tinjauan Pustaka (Samuel, Toni & Willi 2005) dalam penelitian yang berjudul Penerapan Algoritma Genetika untuk Traveling Salesman Problem Dengan Menggunakan Metode Order Crossover
Lebih terperinciPENENTUAN MATCHING MAKSIMUM PADA GRAPH BIPARTISI BERBOBOT DENGAN MENGGUNAKAN ALGORITMA GENETIKA
PENENTUAN MATCHING MAKSIMUM PADA GRAPH BIPARTISI BERBOBOT DENGAN MENGGUNAKAN ALGORITMA GENETIKA,, Universitas Negeri Malang E-mail: love_nisza@yahoo.co.id ABSTRAK: Matching berguna untuk menyelesaikan
Lebih terperinciPendekatan Algoritma Genetika pada Peminimalan Fungsi Ackley menggunakan Representasi Biner
Vol. 7, 2, 108-117, Januari 2011 Pendekatan Algoritma Genetika pada Peminimalan Fungsi Ackley menggunakan Representasi Biner Jusmawati Massalesse Abstrak Tulisan ini dimaksudkan untuk memperlihatkan proses
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 terperinciPengantar Kecerdasan Buatan (AK045218) Algoritma Genetika
Algoritma Genetika Pendahuluan Struktur Umum Komponen Utama Seleksi Rekombinasi Mutasi Algoritma Genetika Sederhana Referensi Sri Kusumadewi bab 9 Luger & Subblefield bab 12.8 Algoritma Genetika 1/35 Pendahuluan
Lebih terperinciPENGGUNAAN ALGORITMA GENETIKA UNTUK MENENTUKAN LINTASAN TERPENDEK STUDI KASUS : LINTASAN BRT (BUS RAPID TRANSIT) MAKASSAR
PENGGUNAAN ALGORITMA GENETIKA UNTUK MENENTUKAN LINTASAN TERPENDEK STUDI KASUS : LINTASAN BRT (BUS RAPID TRANSIT) MAKASSAR Karels, Rheeza Effrains 1), Jusmawati 2), Nurdin 3) karelsrheezaeffrains@gmail.com
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 terperinciAnalisis Operator Crossover pada Permasalahan Permainan Puzzle
Analisis Operator Crossover pada Permasalahan Permainan Puzzle Kun Siwi Trilestari [1], Ade Andri Hendriadi [2] Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Singaperbanga Karawang
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK TRAVELING SALESMAN PROBLEM DENGAN MENGGUNAKAN METODE ORDER CROSSOVER DAN INSERTION MUTATION
PENERAPAN ALGORITMA GENETIKA UNTUK TRAVELING SALESMAN PROBLEM DENGAN MENGGUNAKAN METODE ORDER CROSSOVER DAN INSERTION MUTATION Samuel Lukas 1, Toni Anwar 1, Willi Yuliani 2 1) Dosen Teknik Informatika,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan membahas landasan atas teori-teori yang bersifat ilmiah untuk mendukung penulisan tugas akhir ini. Teori-teori yang dibahas mengenai pengertian penjadwalan, algoritma
Lebih terperinciOptimasi Penjadwalan Ujian Menggunakan Algoritma Genetika
Optimasi Penjadwalan Ujian Menggunakan Algoritma Genetika Nia Kurnia Mawaddah Wayan Firdaus Mahmudy, (wayanfm@ub.ac.id) Jurusan Matematika, FMIPA Universitas Brawijaya, Malang 65145 Abstrak Penjadwalan
Lebih terperinciLingkup Metode Optimasi
Algoritma Genetika Lingkup Metode Optimasi Analitik Linier Non Linier Single Variabel Multi Variabel Dgn Kendala Tanpa Kendala Numerik Fibonacci Evolusi Complex Combinasi Intelijen/ Evolusi Fuzzy Logic
Lebih terperinciBAB 2 LANDASAN TEORI. 2.1 Algoritma Genetika
6 BAB 2 LANDASAN TEORI 2.1 Algoritma Genetika Algoritma genetika merupakan metode pencarian yang disesuaikan dengan proses genetika dari organisme-organisme biologi yang berdasarkan pada teori evolusi
Lebih terperinciAlgoritma Evolusi Dasar-Dasar Algoritma Genetika
Algoritma Evolusi Dasar-Dasar Algoritma Genetika Imam Cholissodin imam.cholissodin@gmail.com Pokok Bahasan 1. Pengantar 2. Struktur Algoritma Genetika 3. Studi Kasus: Maksimasi Fungsi Sederhana 4. Studi
Lebih terperinciBAB III. Metode Penelitian
BAB III Metode Penelitian 3.1 Diagram Alir Penelitian Secara umum diagram alir algoritma genetika dalam penelitian ini terlihat pada Gambar 3.1. pada Algoritma genetik memberikan suatu pilihan bagi penentuan
Lebih terperinciGENETIKA UNTUK MENENTUKAN RUTE LOPER KORAN DI AGEN SURAT KABAR
MULTI TRAVELING SALESMAN PROBLEM (MTSP) DENGAN ALGORITMA Abstrak GENETIKA UNTUK MENENTUKAN RUTE LOPER KORAN DI AGEN SURAT KABAR Oleh : Fitriana Yuli Saptaningtyas,M.Si. Jurusan Pendidikan Matematika FMIPA
Lebih terperinciSeminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004
Seminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004 Penyelesaian Masalah Penugasan dengan Algoritma Genetika Zainudin Zukhri Jurusan Teknik Informatika, Fakultas Teknologi Industri,
Lebih terperinciIMPLEMENTASI ALGORITMA GENETIKA HYBRID (BEST IMPROVEMENT SEARCH) PADA VEHICLE ROUTING PROBLEM WITH TIME WINDOW
IMPLEMENTASI ALGORITMA GENETIKA HYBRID (BEST IMPROVEMENT SEARCH) PADA VEHICLE ROUTING PROBLEM WITH TIME WINDOW Fitria Dwi Rosi, Purwanto, dan Mohammad Yasin Universitas Negeri Malang ABSTRAK: Vehicle Routing
Lebih terperinciPemaksimalan Papan Sirkuit Di Pandang Sebagai Masalah Planarisasi Graf 2-Layer Menggunakan Algoritma Genetika
Vol. 14, No. 1, 19-27, Juli 2017 Pemaksimalan Papan Sirkuit Di Pandang Sebagai Masalah Planarisasi Graf 2-Layer Menggunakan Algoritma Genetika Jusmawati Massalesse dan Muh. Ali Imran Abstrak Tulisan ini
Lebih terperinciIMPLEMENTASI ALGORITMA GENETIKA UNTUK PENCARIAN RUTE PALING OPTIMUM
IMPLEMENTASI ALGORITMA GENETIKA UNTUK PENCARIAN RUTE PALING OPTIMUM Anies Hannawati, Thiang, Eleazar Fakultas Teknologi Industri, Jurusan Teknik Elektro, Universitas Kristen Petra Jl. Siwalankerto 121-131,
Lebih terperinciANALISIS PENGATURAN INDIVIDU CROSSOVER DAN MUTASI ALGORITMA GENETIKA STUDI KASUS TRAVELLING SALESMAN PROBLEM
ANALISIS PENGATURAN INDIVIDU CROSSOVER DAN MUTASI ALGORITMA GENETIKA STUDI KASUS TRAVELLING SALESMAN PROBLEM Sean Coonery Sumarta* 1 1 Program Studi Teknik Informatika, Universitas Atma Jaya Makassar,
Lebih terperinciOptimasi Fungsi Tanpa Kendala Menggunakan Algoritma Genetika Dengan Kromosom Biner dan Perbaikan Kromosom Hill-Climbing
Optimasi Fungsi Tanpa Kendala Menggunakan Algoritma Genetika Dengan Kromosom Biner dan Perbaikan Kromosom Hill-Climbing Wayan Firdaus Mahmudy, (wayanfm@ub.ac.id) Program Studi Ilmu Komputer, Universitas
Lebih terperinciAplikasi Algoritma Genetika Untuk Menyelesaikan Travelling Salesman Problem (TSP)
JTRISTE, Vol.1, No.2, Oktober 2014, pp. 50~57 ISSN: 2355-3677 Aplikasi Algoritma Genetika Untuk Menyelesaikan Travelling Salesman Problem (TSP) STMIK Handayani Makassar najirah_stmikh@yahoo.com Abstrak
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN APLIKASI
27 BAB 3 ANALISIS DAN PERANCANGAN APLIKASI 3.1 Analisis Pada subbab ini akan diuraikan tentang analisis kebutuhan untuk menyelesaikan masalah jalur terpendek yang dirancang dengan menggunakan algoritma
Lebih terperinciPERANCANGAN ALGORITMA GENETIKA UNTUK MENENTUKAN JALUR TERPENDEK. Kata kunci: Algoritma Genetika, Shortest Path Problem, Jalur Terpendek
PERANCANGAN ALGORITMA GENETIKA UNTUK MENENTUKAN JALUR TERPENDEK Fajar Saptono 1, Taufiq Hidayat 2 Laboratorium Pemrograman dan Informatika Teori Jurusan Teknik Informatika, Fakultas Teknologi Industri,
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 ALGORITMA GENETIKA DALAM PENYELESAIAN TRAVELLING SALESMAN PROBLEM WITH PRECEDENCE CONSTRAINTS (TSPPC)
PENERAPAN ALGORITMA GENETIKA DALAM PENYELESAIAN TRAVELLING SALESMAN PROBLEM WITH PRECEDENCE CONSTRAINTS (TSPPC) Yayun Hardianti 1, Purwanto 2 Universitas Negeri Malang E-mail: yayunimoet@gmail.com ABSTRAK:
Lebih terperinciZbigniew M., Genetic Alg. + Data Structures = Evolution Program, Springler-verlag.
Zbigniew M., Genetic Alg. + Data Structures = Evolution Program, Springler-verlag. 12/11/2009 1 Ditemukan oleh Holland pada tahun 1975. Didasari oleh fenomena evolusi darwin. 4 kondisi yg mempengaruhi
Lebih terperinciBAB 2 DASAR TEORI. 2.1 Teka-Teki Silang
BAB 2 DASAR TEORI 2.1 Teka-Teki Silang Teka-teki silang atau disingkat TTS adalah suatu permainan yang mengharuskan penggunanya untuk mengisi ruang-ruang kosong dengan huruf-huruf yang membentuk sebuah
Lebih terperinciOptimalisasi Pengantaran Barang dalam Perdagangan Online Menggunakan Algoritma Genetika
Optimalisasi Pengantaran Barang dalam Perdagangan Online Menggunakan Algoritma Genetika Rozak Arief Pratama 1, Esmeralda C. Djamal, Agus Komarudin Jurusan Informatika, Fakultas MIPA Universitas Jenderal
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 terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Penjadwalan Penjadwalan kegiatan belajar mengajar pada suatu lembaga pendidikan biasanya merupakan salah satu pekerjaan yang tidak mudah dan menyita waktu. Pada lembaga pendidikan
Lebih terperinciPENYELESAIAN VEHICLE ROUTING PROBLEM MENGGUNAKAN ALGORITME GENETIKA DEDI HARIYANTO
PENYELESAIAN VEHICLE ROUTING PROBLEM MENGGUNAKAN ALGORITME GENETIKA DEDI HARIYANTO DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2016 PERNYATAAN MENGENAI
Lebih terperinciIMPLEMENTASI ALGORITMA GENETIKA DALAM OPTIMASI JALUR PENDISTRIBUSIAN KERAMIK PADA PT. CHANG JUI FANG
IMPLEMENTASI ALGORITMA GENETIKA DALAM OPTIMASI JALUR PENDISTRIBUSIAN KERAMIK PADA PT. CHANG JUI FANG Adnan Buyung Nasution 1 1,2 Sistem Infomasi, Tehnik dan Ilmu Komputer, Universitas Potensi Utama 3 Universitas
Lebih terperinciDenny Hermawanto
Algoritma Genetika dan Contoh Aplikasinya Denny Hermawanto d_3_nny@yahoo.com http://dennyhermawanto.webhop.org Lisensi Dokumen: Seluruh dokumen di IlmuKomputer.Com dapat digunakan, dimodifikasi dan disebarkan
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Pustaka. Penelitian serupa mengenai penjadwalan matakuliah pernah dilakukan oleh penelliti yang sebelumnya dengan metode yang berbeda-neda. Berikut
Lebih terperinciSeminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004
Seminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004 Perbandingan Metode-Metode dalam Algoritma Genetika untuk Travelling Salesman Problem Irving Vitra P. Jurusan Teknik Informatika,
Lebih terperinciGenetic Algorithme. Perbedaan GA
Genetic Algorithme Algoritma ini bekerja dengan sebuah populasi yang terdiri atas individu-individu (kromosom). Individu dilambangkan dengan sebuah nilai kebugaran (fitness) yang akan digunakan untuk mencari
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pada awal diciptakan, komputer hanya difungsikan sebagai alat hitung saja. Namun seiring dengan perkembangan zaman, maka peran komputer semakin mendominasi kehidupan.
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
5 BAB 2 TINJAUAN PUSTAKA 2.1. Algoritma Genetika Pada tahun 1975, John Holland, di dalam bukunya yang berjudul Adaption in Natural and Artificial Systems, mengemukakan komputasi berbasis evolusi. Tujuannya
Lebih terperinciPENERAPAN ALGORITMA GENETIKA PADA PERENCANAAN LINTASAN KENDARAAN Achmad Hidayatno Darjat Hendry H L T
PENERAPAN ALGORITMA GENETIKA PADA PERENCANAAN LINTASAN KENDARAAN Achmad Hidayatno Darjat Hendry H L T Abstrak : Algoritma genetika adalah algoritma pencarian heuristik yang didasarkan atas mekanisme evolusi
Lebih terperinciBAB II LANDASAN TEORI
27 BAB II LANDASAN TEORI 2.1. Penelitian Terkait Penelitian terkait yang menggunakan algoritma genetika untuk menemukan solusi dalam menyelesaikan permasalahan penjadwalan kuliah telah banyak dilakukan.
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 terperinciPENERAPAN ALGORITMA GENETIKA PADA PERSOALAN PEDAGANG KELILING (TSP)
Abstrak PENERAPAN ALGORITMA GENETIKA PADA PERSOALAN PEDAGANG KELILING (TSP) Aulia Fitrah 1, Achmad Zaky 2, Fitrasani 3 Program Studi Informatika, Sekolah Teknik Elektro dan Informatika, Institut Teknologi
Lebih terperinciALGORITMA HARMONY SEARCH DALAM OPTIMALISASI VEHICLE ROUTING PROBLEM WITH TIME WINDOW (VRPTW)
ALGORITMA HARMONY SEARCH DALAM OPTIMALISASI VEHICLE ROUTING PROBLEM WITH TIME WINDOW (VRPTW) Irinne Puspitasari 1, Purwanto 2 Email : irinne.puspitasari@gmail.com JURUSAN MATEMATIKA FAKULTAS MATEMATIKA
Lebih terperinciPencarian Rute Optimum Menggunakan Algoritma Genetika
Jurnal Teknik Elektro Vol. 2, No. 2, September 2002: 78-83 Pencarian Rute Optimum Menggunakan Algoritma Genetika Anies Hannawati, Thiang, Eleazar Fakultas Teknologi Industri, Jurusan Teknik Elektro, Universitas
Lebih terperinciBAB I PENDAHULUAN. Universitas Sumatera Utara
BAB I PENDAHULUAN 1.1 Latar Belakang Setelah berkembangnya AI (Artifical Intelligence), banyak sekali ditemukan sejumlah algoritma yang terinspirasi dari alam. Banyak persoalan yang dapat diselesaikan
Lebih terperinciBAB II KAJIAN PUSTAKA
BAB II KAJIAN PUSTAKA Pengertian-pengertian dasar yang digunakan sebagai landasan pembahasan pada Bab II yaitu masalah ditribusi, graf, Travelling Salesman Problem (TSP), Vehicle Routing Problem (VRP),
Lebih terperinciOPTIMASI PENDUGAAN PARAMETER DALAM ANALISIS STRESS DAN STRAIN TERHADAP MATERIAL MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI PENDUGAAN PARAMETER DALAM ANALISIS STRESS DAN STRAIN TERHADAP MATERIAL MENGGUNAKAN ALGORITMA GENETIKA Mike Susmikanti Pusat Pengembangan Informatika Nuklir, Badan Tenaga Nuklir Nasional Kawasan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Algoritma Genetika Algoritma genetika merupakan algoritma pencarian heuristik ysng didasarkan atas mekanisme seleksi alami dan genetika alami (Suyanto, 2014). Adapun konsep dasar
Lebih terperinciBAB I PENDAHULUAN. wisata budaya, wisata belanja, hingga wisata Alam. Untuk menarik minat
BAB I PENDAHULUAN A. Latar Belakang Masalah Objek pariwisata di Yogyakarta sudah semakin beragam mulai dari wisata budaya, wisata belanja, hingga wisata Alam. Untuk menarik minat wisatawan dapat dibuat
Lebih terperinciPEMANFAATAN ALGORITMA FUZZY EVOLUSI UNTUK PENYELESAIAN KASUS TRAVELLING SALESMAN PROBLEM
PEMANFAATAN ALGORITMA FUZZY EVOLUSI UNTUK PENYELESAIAN KASUS TRAVELLING SALESMAN PROBLEM Syafiul Muzid Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia, Yogyakarta E-mail:
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Konsep Umum Optimasi Optimasi merupakan suatu cara untuk menghasilkan suatu bentuk struktur yang aman dalam segi perencanaan dan menghasilkan struktur yang
Lebih terperinciAPLIKASI ALGORITMA GENETIKA UNTUK PENENTUAN TATA LETAK MESIN
APLIKASI ALGORITMA GENETIKA UNTUK PENENTUAN TATA LETAK MESIN Hari Purnomo, Sri Kusumadewi Teknik Industri, Teknik Informatika Universitas Islam Indonesia Jl. Kaliurang Km 4,5 Yogyakarta ha_purnomo@fti.uii.ac.id,
Lebih terperinciPENDAHULUAN. Latar Belakang. Tujuan Penelitian
PENDAHULUAN Latar Belakang Fungsi Cobb-Douglas dengan galat aditif merupakan salah satu fungsi produksi yang dapat digunakan untuk menganalisis hubungan antara hasil produksi dan faktor-faktor produksi.
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 terperinciPENERAPAN ALGORITMA GENETIK UNTUK OPTIMASI DENGAN MENGUNAKAN PENYELEKStAN RODA ROULETTE
PENERAPAN ALGORTMA GENETK UNTUK OPTMAS DENGAN MENGUNAKAN PENYELEKStAN RODA ROULETTE Samuel Lukas, M.Tech." Abstract The purpose of this paper is to introducing genetic algorithm. This algorithm is one
Lebih terperinciVEHICLE ROUTING PROBLEM WITH STOCHASTIC DEMANDS DENGAN METODE HIBRID SIMULATED ANNEALING ALGORITMA GENETIKA
VEHICLE ROUTING PROBLEM WITH STOCHASTIC DEMANDS DENGAN METODE HIBRID SIMULATED ANNEALING ALGORITMA GENETIKA Adi Slamet Kusumawardana, 2 Irhamah,2 Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan
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 terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Pada saat sekarang ini, setiap perusahaan yang ingin tetap bertahan dalam persaingan dengan perusahaan lainnya, harus bisa membuat semua lini proses bisnis perusahaan tersebut
Lebih terperinciPERFORMANCE ALGORITMA GENETIKA (GA) PADA PENJADWALAN MATA PELAJARAN
PERFORMANCE ALGORITMA GENETIKA (GA) PADA PENJADWALAN MATA PELAJARAN Eva Desiana, M.Kom Pascasarjana Teknik Informatika Universitas Sumatera Utara, SMP Negeri 5 Pematangsianta Jl. Universitas Medan, Jl.
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK MENENTUKAN BIAYA MINIMAL DISTRIBUSI BARANG TIGA TAHAP PT. SEMEN TONASA
PENERAPAN ALGORITMA GENETIKA UNTUK MENENTUKAN BIAYA MINIMAL DISTRIBUSI BARANG TIGA TAHAP PT. SEMEN TONASA Andi Baharuddin 1, Aidawayati Rangkuti 2, Armin Lawi 3 Program Studi Matematika, Jurusan Matematika,
Lebih terperinciBAB I PENDAHULUAN an berkembang algoritma genetika (genetic algorithm) ketika I. Rochenberg dalam bukunya yang berjudul Evolution Strategies
BAB I PENDAHULUAN A. Latar Belakang Perkembangan teori graf sangat pesat dari tahun ke tahun, pada tahun 1960-an berkembang algoritma genetika (genetic algorithm) ketika I. Rochenberg dalam bukunya yang
Lebih terperinciABSTRAK. Universitas Kristen Maranatha
ABSTRAK Dalam beberapa tahun terakhir ini, peranan algoritma genetika terutama untuk masalah optimisasi, berkembang dengan pesat. Masalah optimisasi ini beraneka ragam tergantung dari bidangnya. Dalam
Lebih terperinciPENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM
PENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM (CVRP) UNTUK DISTRIBUSI SURAT KABAR KEDAULATAN RAKYAT DI KABUPATEN SLEMAN SKRIPSI Diajukan Kepada Fakultas Matematika
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 terperinciPENERAPAN ALGORITMA GENETIKA UNTUK PERMASALAHAN OPTIMASI DISTRIBUSI BARANG DUA TAHAP
PENERAPAN ALGORITMA GENETIKA UNTUK PERMASALAHAN OPTIMASI DISTRIBUSI BARANG DUA TAHAP Riska Sulistiyorini ), Wayan Firdaus Mahmudy ), Program Studi Teknik Informatika Program Teknologi Informasi dan Ilmu
Lebih terperinciPERBANDINGAN ALGORITMA EXHAUSTIVE, ALGORITMA GENETIKA DAN ALGORITMA JARINGAN SYARAF TIRUAN HOPFIELD UNTUK PENCARIAN RUTE TERPENDEK
PERBANDINGAN ALGORITMA EXHAUSTIVE, ALGORITMA GENETIKA DAN ALGORITMA JARINGAN SYARAF TIRUAN HOPFIELD UNTUK PENCARIAN RUTE TERPENDEK Rudy Adipranata 1) Felicia Soedjianto 2) Wahyudi Tjondro Teknik Informatika,
Lebih terperinciBAB II KAJIAN TEORI. berbeda di, melambangkan rusuk di G dan jika adalah. a. dan berikatan (adjacent) di. b. rusuk hadir (joining) simpul dan di
1. Teori graf BAB II KAJIAN TEORI 1. Definisi Graf G membentuk suatu graf jika terdapat pasangan himpunan ) )), dimana ) (simpul pada graf G) tidak kosong dan ) (rusuk pada graf G). Jika dan adalah sepasang
Lebih terperinciOptimasi Multiple Travelling Salesman Problem Pada Pendistribusian Air Minum Menggunakan Algoritme Genetika (Studi Kasus: UD.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 9, Juni 2017, hlm. 849-858 http://j-ptiik.ub.ac.id Optimasi Multiple Travelling Salesman Problem Pada Pendistribusian
Lebih terperinciBAB II KAJIAN TEORI. digunakan dalam penelitian yaitu teori graf, vehicle routing problem (VRP),
BAB II KAJIAN TEORI Secara umum, pada bab ini membahas mengenai kajian teori yang digunakan dalam penelitian yaitu teori graf, vehicle routing problem (VRP), capacitated vehicle routing problem with time
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
20 BAB 2 TINJAUAN PUSTAKA 2.1. Pengantar Algoritma genetika merupakan algoritma yang lahir dari sebuah inspirasi teori evolusi Darwin yang mengatakan anggota dari spesies yang lemah lambat laun akan mengalami
Lebih terperinciCrossover Probability = 0.5 Mutation Probability = 0.1 Stall Generation = 5
oleh pengguna sistem adalah node awal dan node tujuan pengguna. Lingkungan Pengembangan Sistem Implementasi Algoritme Genetika dalam bentuk web client menggunakan bahasa pemrograman PHP dan DBMS MySQL.
Lebih terperinciBAB II LANDASAN TEORI. Tahun 2001 pemilik CV. Tunas Jaya membuka usaha di bidang penjualan dan
BAB II LANDASAN TEORI 2.1 Sejarah Perusahaan Tahun 2001 pemilik CV. Tunas Jaya membuka usaha di bidang penjualan dan pengadaan suku cadang computer. Dalam bidang tersebut diharuskan berbadan hukum PD,
Lebih terperinciOPTIMASI PENJADWALAN KEGIATAN BELAJAR MENGAJAR DENGAN ALGORITMA GENETIK
OPTIMASI PENJADWALAN KEGIATAN BELAJAR MENGAJAR DENGAN ALGORITMA GENETIK Usulan Skripsi S-1 Jurusan Matematika Diajukan oleh 1. Novandry Widyastuti M0105013 2. Astika Ratnawati M0105025 3. Rahma Nur Cahyani
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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Traveling Salesman Problem (TSP) adalah permasalahan dimana seorang salesman harus mengunjungi semua kota yang ada dan kota tersebut hanya boleh dikunjungi tepat satu
Lebih terperinciPENENTUAN JARAK TERPENDEK PADA JALUR DISTRIBUSI BARANG DI PULAU JAWA DENGAN MENGGUNAKAN ALGORITMA GENETIKA. Abstraksi
PENENTUAN JARAK TERPENDEK PADA JALUR DISTRIBUSI BARANG DI PULAU JAWA DENGAN MENGGUNAKAN ALGORITMA GENETIKA I Dewa Made Adi Baskara Joni 1, Vivine Nurcahyawati 2 1 STMIK STIKOM Indonesia, 2 STMIK STIKOM
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan membahas landasan atas teori-teori yang bersifat ilmiah untuk mendukung penulisan skripsi ini. Teori-teori yang dibahas mengenai optimisasi, pengertian penjadwalan,
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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Pendahuluan Pada bab ini akan dibahas tentang travelling salesman problem (TSP), metodemetode yang digunakan dalam penyelesaian TSP. Khusus penggunaan metode algoritma genetika
Lebih terperinciPenerapan Adaptive Genetic Algorithm dengan Fuzzy Logic Controller pada Capacitated Vehicle Routing Problem
Penerapan Adaptive Genetic Algorithm dengan Fuzzy Logic Controller pada Capacitated Vehicle Routing Problem Tri Kusnandi Fazarudin 1, Rasyid Kurniawan 2, Mahmud Dwi Sulistiyo 3 1,2 Prodi S1 Teknik Informatika,
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Penjadwalan Perkuliahan Penjadwalan memiliki pengertian durasi dari waktu kerja yang dibutuhkan untuk melakukan serangkaian untuk melakukan aktivitas kerja[10]. Penjadwalan juga
Lebih terperinciBAB III IMPLEMENTASIALGORITMA GENETIK DAN ACS PADA PERMASALAHAN TRAVELLING SALESMAN PROBLEM
BAB III IMPLEMENTASIALGORITMA GENETIK DAN ACS PADA PERMASALAHAN TRAVELLING SALESMAN PROBLEM 3.1 TRAVELLING SALESMAN PROBLEM Sebelum membahas pencarian solusi Travelling Salesman Problem menggunakan algoritma
Lebih terperinciPerbandingan Algoritma Exhaustive, Algoritma Genetika Dan Algoritma Jaringan Syaraf Tiruan Hopfield Untuk Pencarian Rute Terpendek
Perbandingan Algoritma Exhaustive, Algoritma Genetika Dan Algoritma Jaringan Syaraf Tiruan Hopfield Untuk Pencarian Rute Terpendek Rudy Adipranata 1, Felicia Soedjianto 2, Wahyudi Tjondro Teknik Informatika,
Lebih terperinciBAB II LANDASAN TEORI. Suatu graph merupakan suatu pasangan { E(G), V(G) } dimana :
BAB II LANDASAN TEORI 2.1 Defenisi Graph Suatu graph merupakan suatu pasangan { E(G), V(G) } dimana : V(G) adalah sebuah himpunan terhingga yang tidak kosong ( non empty finite set) yang elemennya disebut
Lebih terperinciBAB II KAJIAN TEORI. dalam penelitian yaitu optimasi, graf, traveling salesman problem (TSP), vehicle
BAB II KAJIAN TEORI Secara umum, pada bab ini membahas mengenai kajian teori yang digunakan dalam penelitian yaitu optimasi, graf, traveling salesman problem (TSP), vehicle routing problem (VRP), capacitated
Lebih terperinci8. Evaluasi Solusi dan Kriteria Berhenti Perumusan Masalah METODE PENELITIAN Studi Pustaka Pembentukan Data
Gambar 4 Proses Swap Mutation. 8. Evaluasi Solusi dan Kriteria Berhenti Proses evaluasi solusi ini akan mengevaluasi setiap populasi dengan menghitung nilai fitness setiap kromosom sampai terpenuhi kriteria
Lebih terperinciALGORITMA SEQUENTIAL INSERTION UNTUK MENYELESAIKAN MASALAH MULTIPLE TRIP VEHICLE ROUTING PROBLEM (MTVRP)
ALGORITMA SEQUENTIAL INSERTION UNTUK MENYELESAIKAN MASALAH MULTIPLE TRIP VEHICLE ROUTING PROBLEM (MTVRP) Nine Winda Yunita 1, Sapti Wahyuningsih 2, dan Darmawan Satyananda 3 Universitas Negeri Malang E-mail:
Lebih terperinciBab II Konsep Algoritma Genetik
Bab II Konsep Algoritma Genetik II. Algoritma Genetik Metoda algoritma genetik adalah salah satu teknik optimasi global yang diinspirasikan oleh proses seleksi alam untuk menghasilkan individu atau solusi
Lebih terperinciAlgoritma Evolusi Real-Coded GA (RCGA)
Algoritma Evolusi Real-Coded GA (RCGA) Imam Cholissodin imam.cholissodin@gmail.com Pokok Bahasan 1. Siklus RCGA 2. Alternatif Operator Reproduksi pada Pengkodean Real 3. Alternatif Operator Seleksi 4.
Lebih terperinciOptimasi Cluster Pada Fuzzy C-Means Menggunakan Algoritma Genetika Untuk Menentukan Nilai Akhir
IJCCS, Vol.6, No.1, January 2012, pp. 101~110 ISSN: 1978-1520 101 Optimasi Cluster Pada Fuzzy C-Means Menggunakan Algoritma Genetika Untuk Menentukan Nilai Akhir Putri Elfa Mas`udia* 1, Retantyo Wardoyo
Lebih terperinci