BAB 2 LANDASAN TEORI
|
|
- Widya Vera Jayadi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 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), Penjadwalan diartikan sebagai proses pengambilan keputusan yang dilakukan secara teratur di bidang manufaktur dan jasa. Menurut Gajpal (2014), penjadwalan adalah proses alokasi sumber daya yang terbatas. Menurut Ruiz (2007), permasalahan flow shop didefinisikan sebagai sekumpulan job N=1,2,...,n yang diproses oleh satu set mesin M=1,2,...n. Menurut Balasundaram (2014), penjadwalan flow shop adalah pengklasifikasian sebuah optimasi kombinatorial yang terdiri dari n-job, m mesin, diasumsikan bahwa job-job melewati semua mesin yang sama. Penjadwalan flow shop didefinisikan sebagai sebuah permasalahan produksi dimana terdapat satu set n job yang di proses pada aliran semua mesin yang identik, Tyagi (2014), Menurut Budi Santosa (2014), permasalahan dalam penjadwalan berfokus pada bagaimana mengalokasikan sumber daya produksi yang terbatas, seperti mesin, alat material handling, operator, dan peralatan lainnya untuk melakukan proses pada serangkaian aktivitas operasi (job) dalam periode waktu tertentu dengan optimalisasi pada fungsi objektif tertentu Tujuan penjadwalan Menurut Ginting (2009), ada beberapa tujuan dari aktivitas penjadwalan adalah sebagai berikut : 1. Meningkatkan penggunaan sumberdaya atau mengurangi waktu tunggunya, sehingga total waktu proses dapat berkurang dan produktivitas dapat meningkat.
2 5 2. Mengurangi persediaan barang setengah jadi atau mengurangi sejumlah job yang menunggu dalam antrian ketika sumber daya yang ada masih mengerjakan tugas lain. 3. Mengurang beberapa keterlambatan pada job yang mempunyai batas waktu penyelesaian. 4. Membantu pengambilan keputusan mengenai perencanaan kapasitas pabrik dan jenis kapasitas yang dibutuhkan Definisi dalam penjadwalan Menurut Ginting (2009), ada beberapa istilah dalam penjadwalan yaitu : 1. Processing time (t i ) Adalah waktu yang dibutuhkan untuk mengerjakan suatu job. Dalam waktu proses ini sudah termasuk waktu yang dibutuhkan untuk persiapan dan pengaturan (set-up) selama proses berlangsung. 2. Due-date (d i ) Adalah batas waktu di mana operasi terakhir dari suatu job harus selesai. 3. Slack time (SL i ) Adalah waktu tersisa yang muncul akibat dari waktu prosesnya lebih kecil dari due-date-nya. 4. Flow time (F i ) Adalah rentang waktu antara satu titik di mana tugas tersedia untuk diproses dengan suatu titik ketika tugas tersebut selesai. 5. Completion Time (C i ) Adalah waktu yang dibutuhkan untuk menyelesaikan job mulai dari saat tersedianya job (t= 0) sampai pada job tersebut selesai dikerjakan. 6. Lateness (L i ) Adalah selisih antara Completion time (C i ) dengan due-date-nya (d i ). Suatu job memiliki lateness yang bernilai positif apabila pckerjaan tersebut criseresaikan setelah due date-nya, job tersebut akan memiliki keterlambatan yang negatif. sebaliknya jika job diselesaikan setelah batas waktunya, job tersebut memiliki keterlambatan yang positif.
3 6 7. Tardiness (Ti) Adalah ukuran waktu terlambat yang bernilai positif jika suatu job dapat diselesaikan lebih cepat dari due-date-nya, job tersebut akan memiliki keterlambatan yang negatif. Sebaliknya jika job diselesaikan setelah batas waktunya, job tersebut memiliki keterlambatan yang positif 8. Makespan (M i ) Adalah total waktu penyelesaian pekeriaan-pekeriaan mulai dari urutan pertama yang dikerjakan pada mesin work center pertama sampai kepada urutan job terakhir pada mesin atau work center terakhir 2.2. Multi-objective Optimization (MO) Multi-objective Optimization (MO) merupakan sebuah proses yang dilakukan secara simultan untuk optimalisasi dua atau lebih tujuan (objektif). Proses akan semakin rumit jika optimasi dilakukan pada fungsi objektif yang saling bertentangan, dimana solusi optimal untuk sebuah fungsi objektif akan berbeda untuk fungsi objektif lainnya. Menurut Deb (2002), MO akan menghasilkan sekumpulan solusi optimal yang dikenal dengan pareto-optimal solutions (solusi pareto-optimal) bukan single-optimal solutions. Secara umum permasalahan MO diformulasikan oleh Deb (2011) ke dalam bentuk persamaan matematika sebagai berikut : Minimize/Maximize f m (x), m = 1,2,,M; Subject to g j (x) 0, j = 1,2,,J; (2.1) h k (x) = 0, k = 1,2,,K; x (L) (U) i x i x i i = 1,2,,n. Solusi x R n adalah vektor dengan n variabel keputusan : x = (x 1,x 2,,x n ) T. Ada banyak optimasi yang tersedia untuk menyelesaikan permasalahan MO, beberapa diantaranya akan dijelaskan pada sub-bab dibawah ini Single Aggregat Objective Function (AOF) Ide dasar dari optimasi ini adalah menggabungkan beberapa fungsi objektif menjadi satu bentuk fungsi objektif. Salah satunya adalah weighted linear sum of objective, yaitu fungsi-fungsi objektif yang akan dioptimasi diberi bobot dan dijumlahkan secara
4 7 linear menjadi sebuah fungsi yang dapat diselesaikan dengan Single-objective Optimization (SO). Secara umum, persamaan matematika untuk AOF diformulasikan oleh Srinivas (1994) sebagai berikut : Minimize/Maximize Z = Subject to x X dimana X adalah himpunan solusi; (2.2) 0 w i 1 Dengan menggunakan optimasi ini solusi yang dihasilkan akan sangat bergantung pada nilai bobot (w) yang diberikan. Nilai setiap bobot merupakan nilai desimal antara 0 sampai 1, yang jika semua bobot dijumlahkan akan bernilai Evolutionary Algorithm (EA) Menurut Deb (2011), pendekatan yang digunakan dalam Algoritma Evolutionary Optimization (EO) adalah tahapan iterasi (pengulangan) terhadap populasi solusi (sekumpulan solusi) yang mengembangkan populasi solusi baru untuk iterasi berikutnya. EO sangat terkenal dan banyak digunakan dalam permasalahan MO karena : (1) EO tidak membutuhkan informasi tambahan seperti bobot pada optimasi AOF, (2) Relatif sederhana untuk diimplementasikan dan (3) Fleksibel dan dapat diterapkan pada banyak permasalahan. Penerapan EO yang memakai populasi solusi untuk Single-objective Optimization (SO) akan terlihat sia-sia karena hanya mencari satu solusi optimal saja. Namun untuk MO, penerapan EO ini adalah pilihan yang tepat sebab EO akan menghasilkan populasi solusi pareto-optimal, yang seluruh populasi tersebut diproses lebih lanjut agar mendapatkan sebuah solusi Evolutionary Optimization (EO) untuk Single-Objective Optimization Tahapan pencarian solusi EO untuk SO dijelaskan oleh Deb (2011) dimulai dengan inisialiasi populasi solusi yang dihasilkan secara acak. Selanjutnya dilakukan tahapan iterasi dimana setiap iterasi akan menghasilkan populasi baru dengan menggunakan 4 operator utama yaitu seleksi, crossover (penyilangan), mutasi dan elite-preservation. Iterasi akan berhenti ketika satu atau lebih kriteria berhenti telah terpenuhi.
5 8 Inisialiasi populasi dilakukan dengan menghasilkan populasi solusi secara acak, namun jika beberapa solusi telah diketahui sebelumnya, maka inisialisasi populasi akan lebih cepat dengan menggunakan solusi tersebut. Seleksi diterapkan untuk memilih beberapa solusi dan ditempatkan pada penyimpanan (pool) sementara. Crossover diterapkan dengan menyilangkan dua solusi (parent) secara acak dari pool dan menghasilkan satu atau lebih solusi (children). Parameter utama crossover adalah probabilitas crossover (p c [0,1]) yang menunjukkan bagian populasi yang diikutsertakan pada crossover. Sementara itu, parameter utama mutasi adalah probabilitas p m yang biasanya bernilai 1/ ( adalah jumlah variabel). Elitism akan menggabungkan populasi lama dengan yang baru (children) dan mempertahankan solusi yang lebih baik untuk populasi berikutnya, untuk memastikan algoritma mempunyai peningkatan kinerja secara monoton. Untuk menentukan kriteria berhenti, biasanya digunakan angka yang menunjukkan batas jumlah generasi populasi. Dibawah ini dilampirkan gambar yang menjelaskan populasi solusi yang dihasilkan pada setiap generasi EO. (i) Inisialiasasi Populasi (ii) Populasi Generasi ke-5 (iii) Populasi Generasi ke-40 (iv) Populasi Generasi ke-100 Gambar 2.1 Populasi yang dihasilkan pada setiap Generasi EO (Deb, 2011)
6 9 Pada gambar diatas, terlihat bahwa inisialiasi awal populasi yang acak, akan berada dalam solusi feasible (himpunan solusi yang mungkin) pada generasi ke-5, dan akan makin konvergen menuju sebuah solusi untuk generasi berikutnya Evolutionary Multi-objective Optimization (EMO) Definisi dan skema prosedur untuk mencari solusi pareto-optimal EMO dijelaskan oleh Deb (2011) sebagai berikut dibawah ini. Solusi optimal pada MO dapat didefinisikan dengan konsep matematika partial ordering yang dikenal dengan istilah Dominasi pada MO. Definisi Dominasi dari dua buah solusi adalah sebagai berikut : Sebuah solusi x (1) dikatakan mendominasi solusi yang lain x (2), jika kedua kondisi berikut terpenuhi (benar) yaitu : 1. Solusi x (1) tidak lebih buruk dari x (2) untuk semua objektif, Dengan demikian, solusi-solusi tersebut dibandingkan berdasarkan nilai fungsi objektif-nya (atau lokasi dari titik (z (1) dan z (2) ) pada ruang solusi). 2. Solusi x (1) lebih baik dari x (2) minimal pada satu objektif. Tujuan ideal (utama) dalam MO adalah : 1. Mencari sekumpulan solusi yang terdapat pada pareto-optimal front. 2. Mencari sekumpulan bermacam-macam yang merepresentasikan jangkauan pareto-optimal front. Meskipun perbedaan utama antara SO dan MO terdapat pada kardinalitas solusi yang optimal, namun dari sisi penerapan tetap yang dibutuhkan hanya satu solusi. Pemilihan satu solusi dari sekumpulan solusi yang optimal melibatkan informasi tingkat tinggi yang biasanya non teknis, kualitatif dan pengalaman. Langkah-langkah dasar pada prosedur EMO adalah : Langkah 1 : Mencari beberapa titik non-dominated yang paling dekat dengan pareto-optimal front. Langkah 2 : Memilih satu dari titik yang dihasilkan pada langkah 1 berdasarkan informasi tingkat tinggi. Gambar 2.2 dibawah ini menjelaskan skema dari langkah-langkah prosedur EMO diatas.
7 10 Prosedur Elitist Non-dominated Sorting Genetic Algorithm (NSGA-II) adalah salah satu prosedur EMO yang terkenal, karena NSGA-II mempunyai 3 keutamaan, yaitu : 1. Prinsip elitist. 2. Mekanisme diversity preserving (melestarikan keragaman). 3. Mengutamakan solusi non-dominated. Beberapa prosedur yang membedakan NSGA-II dengan algoritma EMO lainnya adalah fast-non-dominated-sort, crowding-distance-assignment dan Crowded Comparison Operator. Gambar 2.2 Skema prosedur Multi-objective Optimization (Deb, 2011) Prosedur fast-non-dominated-sort digunakan untuk mengidentifikasi dan mengurutkan solusi kedalam beberapa tingkatan front non-dominated yang berbeda. Sebagai permulaan, semua solusi dihitung entitas : (1) jumlah dominasi n p, yaitu jumlah solusi yang mendominasi solusi p, (2) S p, yaitu himpunan solusi yang didominasi solusi p. Penghitungan entitas ini membutuhkan kompleksitas komputasi sebesar O(MN 2 ).
8 11 Semua solusi di front non-dominated pertama akan mempunyai jumlah dominasi bernilai nol. Selanjutnya untuk setiap solusi dengan n p =0 akan ditelusuri semua solusi q yang terdapat pada S p dan mengurangi jumlah dominasi q (n q ) dengan satu. Jika n q ada yang bernilai nol, maka q dipisahkan ke himpunan Q. Solusi q yang terdapat pada himpunan Q akan menjadi front non-dominated berikutnya. Proses ini dilanjutkan sampai semua front berhasil diidentifikasikan. Algoritma untuk fast-non-dominated-sort yang lebih rinci disajikan oleh Deb (2002) sebagai berikut : fast-non-dominated-sort(p) for each p P S p = n p = 0 for each q P if (p q) then S p = S p {q} else if (q p) then n p = n p + 1 if n p = 0 then p rank = 1 Ƒ 1 = Ƒ 1 {p} i = 1 while Ƒ i Q = for each p Ƒ i for each q S p n q = n q 1 if n q = 0 then q rank = i + 1 Q = Q {q} i = i + 1 Ƒ i = Q jika p mendominasi q tambahkan q ke himpunan solusi yg didominasi p increment jumlah dominasi p p termasuk front pertama inisialisasi jumlah front untuk menyimpan anggota front berikutnya q termasuk front berikutnya Selain menghasilkan solusi yang konvergen terhadap himpunan paretooptimal, NSGA-II juga menjaga agar solusi yang dihasilkan menggambarkan keragaman dari himpunan pareto-optimal. Untuk itu didefinisikan metric perkiraan kepadatan (Density Estimation Metric) dan operator perbandingan keramaian (Crowded-Comparison Operator). Untuk perkiraan kepadatan solusi di sekeliling sebuah solusi i, dilakukan perhitungan jarak rata-rata antara dua solusi di kedua sisi solusi i untuk setiap objektif. Nilai yang dihasilkan i distance adalah perkiraan keliling cuboid yang dibentuk oleh solusi terdekat i sebagaimana disajikan dalam gambar dibawah ini.
9 12 Gambar 2.3 Perhitungan Crowding-Distance (Deb,2011) Perhitungan Crowding-Distance memerlukan pengurutan solusi dalam urutan membesar sesuai dengan fungsi objektif-nya. Solusi dengan nilai fungsi terkecil dan terbesar selanjutnya diberi nilai distance tak terhingga, sementara solusi lainnya diberi nilai berdasarkan perhitungan nilai absolut dari selisih nilai objektif solusi terdekat yang telah dinormalisasi. Nilai total Crowding Distance dihitung dari jumlah distance untuk setiap fungsi objektif. Algoritma rincinya telah disusun oleh Deb (2002) sebagai berikut : Crowding-distance-assignment (χ) l = χ jumlah solusi di χ for each i, set χ[i] distance = 0 inisialisasi jarak for each objective m χ = sort(χ,m) pengurutan menggunakan nilai objektif χ[1] distance = χ[l] distance = agar titik batas selalu terpilih for i = 2 to (l-1) untuk semua titik lain χ[i] distance = χ[i] distance + (χ[i+1].m - χ[i-1].m) / ( ) Setelah distance metric terbentuk, selanjutnya dapat dibandingkan kedekatan sebuah solusi dengan solusi lainnya. Solusi dengan nilai distance yang kecil berarti lebih ramai daripada solusi yang lain. Untuk itu digunakan Crowded-Comparison Operator sebagai panduan proses seleksi untuk mendapatkan pareto-optimal front yang tersebar merata. Asumsikan setiap individu i pada populasi mempunyai 2 atribut, yaitu Nondomination rank (i rank ) dan Crowding Distance (i distance ). Maka Deb (2002) mendefinisikan partial order n sebagai berikut : i n j jika (i rank < j rank ) atau ((i rank = j rank ) dan (i distance > j distance ))
10 13 Definisi diatas mempunyai arti jika dua buah solusi berbeda Nondomination rank, maka akan dipilih solusi yang mempunyai rank lebih kecil. Jika solusi mempunyai rank yang sama (berasal dari front yang sama), maka akan dipilih solusi dari daerah yang kurang ramai (distance besar). Prosedur utama dari algoritma NSGA-II terdiri dari tahapan inisialisasi populasi parent P o secara acak, kemudian diurutkan berdasarkan tingkatan nondomination (rank/fitness). Awalnya operator binary tournament selection, recombination, dan mutasi akan digunakan untuk menghasilkan populasi offspring (child) Q o. Tahapan inisialisasi diatas hanya dilakukan sekali, untuk generasi berikutnya akan dilakukan langkah-langkah yang berbeda. Pertama, populasi R t dibentuk dari penggabungan populasi P t dan Q t. populasi R t berjumlah 2N. Populasi R t kemudian diurutkan menurut nilai nondomination sehingga dihasilkan solusi pada front Ƒ 1 merupakan solusi terbaik. Jika ukuran Ƒ 1 lebih kecil dari N, maka seluruh solusi pada Ƒ 1 dimasukkan pada populasi baru P t+1. Sisa jumlah populasi P t+1 diisikan Ƒ 2, Ƒ 3 dan seterusnya. Untuk memenuhi jumlah populasi baru tepat sebanyak N solusi, maka solusi pada front terakhir diurutkan menggunakan operator n. sebagai berikut : Algoritma pengulangan utama dari NSGA-II, dirincikan oleh Deb (2002) R t = P t Q t Ƒ = fast-non-dominated-sort(r t ) menggabungkan parent dan offspring Ƒ = (Ƒ 1, Ƒ 2, ) semua front non-dominated R t P t+1 = and i = 1 until P t+1 + Ƒ i N sampai populasi parent terisi crowding-distance-assignment(ƒ i ) hitung crowding-distance di Ƒ i P t+1 = P t+1 Ƒ i masukkan front non-dominated ke-i ke populasi parent periksa front berikutnya untuk disertakan urutkan mengecil menggunakan n i = i + 1 Sort(Ƒ i, n ) P t+1 = P t+1 Ƒ i [1:(N - P t+1 )] pilih elemen pertama Ƒ i sebanyak (N- P t+1 ) Q t+1 = make-new-pop(p t+1 ) t = t + 1 gunakan seleksi, crossover dan mutasi untuk menghasilkan populasi baru Q t+1 increment jumlah generasi
11 14 Prosedur NSGA-II diatas dapat digambarkan sebagai berikut : Gambar 2.4 Prosedur NSGA-II (Deb,2011)
OPTIMASI MULTI-OBJECTIVE UNTUK DISTRIBUSI BEBAN KERJA PEGAWAI MENGGUNAKAN NSGA-II AHMAD KHAIDIR TELEMATIKA CIO - TEKNIK ELEKTRO - ITS
OPTIMASI MULTI-OBJECTIVE UNTUK DISTRIBUSI BEBAN KERJA PEGAWAI MENGGUNAKAN NSGA-II AHMAD KHAIDIR 2210206725 TELEMATIKA CIO - TEKNIK ELEKTRO - ITS LATAR BELAKANG Perbaikan kinerja aparatur pemerintah Optimasi
Lebih terperinciDiterima : 13 Februari 2016 Direvisi : 19 April 2016 Disetujui : 20 Juni 2016 ABSTRAK
JURNAL TEKNOLOGI INFORMASI DAN KOMUNIKASI Vol. 5 No. 1, Juni 2016 : 1-12 OPTIMASI MAKESPAN DAN TOTAL TARDINESS DALAM PENJADWALAN MESIN PRODUKSI TYPE FLOW SHOP MENGGUNAKAN METODE NON-DOMINATED SORTING GENETIC
Lebih terperinciOPTIMALISASI SOLUSI TERBAIK DENGAN PENERAPAN NON-DOMINATED SORTING II ALGORITHM
OPTIMALISASI SOLUSI TERBAIK DENGAN PENERAPAN NON-DOMINATED SORTING II ALGORITHM Poetri Lestari Lokapitasari Belluano poe3.setiawan@gmail.com Universitas Muslim Indonesia Abstrak Non Dominated Sorting pada
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Fuzzy Local Binary Pattern (FLBP) Fuzzifikasi pada pendekatan LBP meliputi transformasi variabel input menjadi variabel fuzzy, berdasarkan pada sekumpulan fuzzy rule. Dalam
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 terperinciOPTIMASI MULTI-OBJECTIVE MENGGUNAKAN NSGA-II DALAM PENJADWALAN MESIN PRODUKSI FLOW SHOP
OPTIMASI MULTI-OBJECTIVE MENGGUNAKAN NSGA-II DALAM PENJADWALAN MESIN PRODUKSI FLOW SHOP TESIS Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Magister Teknik Informatika FIFIN SONATA
Lebih terperinciBAB 3 LANDASAN TEORI
BAB 3 LANDASAN TEORI 3.1. Pengertian Penjadwalan Penjadwalan adalah aktivitas perencanaan untuk menentukan kapan dan di mana setiap operasi sebagai bagian dari pekerjaan secara keseluruhan harus dilakukan
Lebih terperinciPenerapan Algoritma Genetika Multi-objective NSGA-II Pada Optimasi Portofolio Saham
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.2 Agustus 2015 Page 6841 Penerapan Algoritma Genetika Multi-objective NSGA-II Pada Optimasi Portofolio Saham Sherly Isnaeni 1, Deni Saepudin 2,
Lebih terperinciBAB 2 LANDASAN TEORI
15 BAB 2 LANDASAN TEORI 2.1 Tinjauan Pustaka 2.1.1 Pengertian Dasar Penjadwalan Produksi Secara umum, penjadwalan merupakan suatu proses dalam perencanaan dan pengendalian produksi yang merencanakan produksi
Lebih terperinciPENJADWALAN PRODUKSI DI LINE B MENGGUNAKAN METODE CAMPBELL-DUDEK-SMITH (CDS)
11 Dinamika Teknik Juli PENJADWALAN PRODUKSI DI LINE B MENGGUNAKAN METODE CAMPBELL-DUDEK-SMITH (CDS) Antoni Yohanes Dosen Fakultas Teknik Universitas Stikubank Semarang DINAMIKA TEKNIK Vol. VII, No. 2
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 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 terperinci2.3.1.b Himpunan Fuzzy Trapezodial dengan L Fuzzy Set 12
DAFTAR ISI Halaman Judul i Pernyataan Keaslian Tugas Akhir ii Lembar Pengesahan DosenPembimbingiii Lembar Pengesahan Dosen Penguji iv Halaman Persembahan Halaman Motto Kata Pengantar Abstraksi Daftar Isi
Lebih terperinciBAB 2 LANDASAN TEORI
22 BAB 2 LANDASAN TEORI 2.1 Tinjauan Pustaka 2.1.1 Definisi penjadwalan Secara umum, penjadwalan merupakan proses dalam perencanaan dan pengendalian produksi yang digunakan untuk merencanakan produksi
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 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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Pengertian dan Ruang Lingkup Sistem Produksi Pada sub bab ini akan dibahas mengenai pengertian sistem produksi dari beberapa teori yang sudah ada, serta ruang lingkup sistem produksi
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Penjadwalan 2.1.1 Pengertian Penjadwalan Penjadwalan dalam proses produksi merupakan sesuatu yang cukup penting, dalam proses penjadwalan dapat menentukan waktu yang dibutuhkan
Lebih terperinciBAB I PENDAHULUAN. pekerjaan turun ke lantai produksi. Sistem penjadwalan yang kurang baik dapat
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Penjadwalan merupakan bagian yang penting dari proses produksi sebelum pekerjaan turun ke lantai produksi. Sistem penjadwalan yang kurang baik dapat memperpanjang
Lebih terperinciBAB 2 TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB 2 TINJAUAN PUSTAKA DAN LANDASAN TEORI Edward (1998) menjelaskan bahwa sebuah work center terdiri dari banyak jenis mesin, dan pada kenyataannya work center lebih sering diindikasikan sebagai mesin
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Konsep Dasar Sistem dan Informasi 2.1.1 Sistem Menurut Sutabri (2004), bahwa sistem adalah sekelompok unsur yang erat hubungannya satu dengan yang lainnya berfungsi untuk mencapai
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 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 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 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 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 II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Tinjauan Pustaka 2.1.1 Definisi Umum Penjadwalan Produksi Untuk mengatur suatu sistem produksi agar dapat berjalan dengan baik, diperlukan adanya pengambilan keputusan yang tepat
Lebih terperinciBAB II LANDASAN TEORI. menolong manusia dalam melaksanakan tugas tertentu. Aplikasi software yang. dirancang untuk menjalankan tugas tertentu.
BAB II LANDASAN TEORI 2.1 Pengertian Aplikasi Menurut Kadir (2008:3) program aplikasi adalah program siap pakai atau program yang direka untuk melaksanakan suatu fungsi bagi pengguna atau aplikasi yang
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 terperinciBAB II LANDASAN TEORI. atau minimum suatu fungsi tujuan. Optimasi produksi diperlukan perusahaan dalam
BAB II LANDASAN TEORI 2.1 Optimasi Optimasi merupakan pendekatan normatif dengan mengidentifikasi penyelesaian terbaik dari suatu permasalahan yang diarahkan pada titik maksimum atau minimum suatu fungsi
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 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 terperinciOPTIMALISASI PENJADWALAN PRODUKSI DENGAN METODE ALGORITMA GENETIKA DI PT. PROGRESS DIECAST
OPTIMALISASI PENJADWALAN PRODUKSI DENGAN METODE ALGORITMA GENETIKA DI PT. PROGRESS DIECAST Lily Amelia 1, Aprianto 1 1 Program Studi Teknik Industri, Universitas Esa Unggul, Jakarta Jalan Arjuna Utara
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Pengukuran Waktu Pengukuran waktu adalah pekerjaan mengamati dan mencatat waktuwaktu kerjanya baik setiap elemen ataupun siklus. Teknik pengukuran waktu terbagi atas dua bagian
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 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 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 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 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 terperinciBAB II LANDASAN TEORI. informasi penjadwalan produksi paving block pada CV. Eko Joyo. Dimana sistem
BAB II LANDASAN TEORI 2.1 Penelitian Sebelumnya Rudyanto (2011) melakukan penelitian tentang rancang bangun sistem informasi penjadwalan produksi paving block pada CV. Eko Joyo. Dimana sistem infomasi
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 terperinciBAB I PENDAHULUAN. produksi yang umumnya ditemukan adalah sistem flow shop dan job shop. Dalam
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Penjadwalan merupakan hal yang penting dalam sistem produksi. Sistem produksi yang umumnya ditemukan adalah sistem flow shop dan job shop. Dalam industri yang
Lebih terperinciBAB 2 LANDASAN TEORI
36 BAB 2 LANDASAN TEORI 2.1 Pengurutan Pekerjaan (Job Sequencing) 2.1.1 Deskripsi Umum Dalam industri manufaktur, tujuan penjadwalan ialah untuk meminimasikan waktu dan biaya produksi, dengan cara mengatur
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 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 terperinciJOB SHOP PANDUAN BIG PROJECT
PANDUAN BIG PROJECT SIMULASI KOMPUTER - 2014 DAFTAR ISI 1. Pengertian... 1 2. Tujuan Penjadwalan Workcenter... 2 3. Pengurutan Tugas (Sequencing)... 2 4. Definisi dalam Penjadwalan... 3 5. Karakteristik
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 terperinciPENJADWALAN PRODUKSI MENGGUNAKAN ALGORITMA JADWAL NON DELAY UNTUK MEMINIMALKAN MAKESPAN STUDI KASUS DI CV. BIMA MEBEL
PENJADWALAN PRODUKSI MENGGUNAKAN ALGORITMA JADWAL NON DELAY UNTUK MEMINIMALKAN MAKESPAN STUDI KASUS DI CV. BIMA MEBEL Setyo Harto, Annisa Kesy Garside, dan Dana Marsetya Utama Jurusan Teknik Industri Universitas
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 I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Penelitian ini merupakan tugas akhir yang berdasarkan kepada hasil penelitian sebelumnya yang dilakukan oleh Cepi Dea Iskandar pada tahun 2013 dengan judul
Lebih terperinciTugas Mata Kuliah E-Bisnis REVIEW TESIS
Tugas Mata Kuliah E-Bisnis REVIEW TESIS Desain Algoritma Genetika Untuk Optimasi Penjadwalan Produksi Meuble Kayu Studi Kasus Pada PT. Sinar Bakti Utama (oleh Fransiska Sidharta dibawah bimbingan Prof.Kudang
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Penjadwalan Penjadwalan adalah penempatan sumber daya (resource) dalam satu waktu. Penjadwalan mata kuliah merupakan persoalan penjadwalan yang umum dan sulit dimana tujuannya
Lebih terperinci1. Pendahuluan Selama ini penjadwalan pelajaran hampir di semua sekolah yang meliputi jadwal mata pelajaran dan pembagian guru di setiap kelas yang
1. Pendahuluan Selama ini penjadwalan pelajaran hampir di semua sekolah yang meliputi jadwal mata pelajaran dan pembagian guru di setiap kelas yang ada masih menggunakan cara manual yaitu pihak Tata Usaha
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 terperinciBAB 1. PENDAHULUAN. 1.1 Latar Belakang
BAB 1. PENDAHULUAN 1.1 Latar Belakang Sejalan dengan tuntutan persaingan bisnis, banyak perusahaan menyadari bahwa keunggulan teknologi dan produk yang dihasilkan semata tidak lagi dapat diandalkan menjadi
Lebih terperinciPENJADWALAN PRODUKSI MESIN INJECTION MOULDING PADA PT. DUTA FLOW PLASTIC MACHINERY
Penjadwalan Produksi Injection Moulding Pada PT. Duta Flow Plastic Machinery PENJADWALAN PRODUKSI MESIN INJECTION MOULDING PADA PT. DUTA FLOW PLASTIC MACHINERY Roesfiansjah Rasjidin, Iman hidayat Dosen
Lebih terperinciBAB II LANDASAN TEORI. sistem kontrol persediaan dan produksi, dan MRP tipe 3 berhubungan dengan. sistem perencanaan manufaktur (Tersine, 1984).
BAB II LANDASAN TEORI 2.1 Material Requirement Planning (MRP) MRP dibagikan dan didefinisikan dalam 3 kategori, yaitu MRP tipe 1 berhubungan dengan sistem kontrol persediaan, MRP tipe 2 berhubungan dengan
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 terperinciPENERAPAN EVOLUTIONARY ALGORITHM PADA PENJADWALAN PRODUKSI (Studi Kasus di PT Brother Silver Product Indonesia)
PENERAPAN EVOLUTIONARY ALGORITHM PADA PENJADWALAN PRODUKSI (Studi Kasus di PT Brother Silver Product Indonesia) I Gede Agus Widyadana Dosen Fakultas Teknologi Industri, Jurusan Teknik Industri Universitas
Lebih terperinciPENJADWALAN PRODUKSI DENGAN METODE BRANCH AND BOUND PADA PT. XYZ
PENJADWALAN PRODUKSI DENGAN METODE BRANCH AND BOUND PADA PT. XYZ Saiful Mangngenre 1, Amrin Rapi 2, Wendy Flannery 3 Program Studi Teknik Industri, Fakultas Teknik, Universitas Hasanuddin, Makassar, 90245
Lebih terperinciPENGEMBANGAN MODEL PENJADWALAN MENGGUNAKAN TEKNIK SISIPAN (INSERTION TECHNIQUE)
PENGEMBANGAN MODEL PENJADWALAN MENGGUNAKAN TEKNIK SISIPAN (INSERTION TECHNIQUE) IR. DINI WAHYUNI, MT. Fakultas Teknik Jurusan Teknik Industri Universitas Sumatera Utara 1. Latar Belakang Kecenderungan
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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Tinjauan Pustaka 2.1.1 Peranan Penjadwalan dan Pengaruhnya Penjadwalan adalah proses pengambilan keputusan yang memainkan peranan penting dalam industri manufaktur maupun jasa.
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 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 terperinciABSTRAK. Laporan Tugas Akhir. Universitas Kristen Maranatha
ABSTRAK PT. Kerta Laksana adalah perusahaan manufaktur yang bergerak di bidang pembuatan mesin, dimana pesanan pada perusahaan ini bersifat Job Order. Dalam menjadwalkan pesanan yang diterima, perusahaan
Lebih terperinciPENJADWALAN DENGAN TEKNIK SISIPAN (INSERTION TECHNIQUE) IR. DINI WAHYUNI, MT. Fakultas Teknik Jurusan Teknik Industri Universitas Sumatera Utara
PENJADWALAN DENGAN TEKNIK SISIPAN (INSERTION TECHNIQUE) IR. DINI WAHYUNI, MT. Fakultas Teknik Jurusan Teknik Industri Universitas Sumatera Utara. Konsep Penadwalan Penadwalan dapat didefinisikan sebagai
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN Pada bab ini akan dijelaskan mengenai hal-hal yang menjadi latar belakang dilakukan penelitian ini, perumusan masalah, batasan penelitian yang dikerjakan, tujuan, manfaat penelitian terhadap
Lebih terperinciBAB II LANDASAN TEORI. dibuat untuk menolong manusia dalam melaksanakan tugas tertentu (Noviansyah, dirancang untuk menjalankan tugas tertentu.
BAB II LANDASAN TEORI 2.1 Sistem Informasi Aplikasi adalah penggunaan atau penerapan suatu konsep yang menjadi suatu pokok pembahasan. Aplikasi dapat diartikan juga sebagai program komputer yang dibuat
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 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Penyelesaian permasalahan dalam penjadwalan dapat dilakukan dengan mengkaji kompleksitas penjadwalan. Menurut Pinedo (2002), kompleksitas dalam penjadwalan terbagi menjadi mesin
Lebih terperinciABSTRAK. v Universitas Kristen Maranatha
ABSTRAK PD BLESSING adalah sebuah perusahaan di Kota Bandung yang memproduksi pakaian bayi (Jumper). Perusahaan memproduksi barang sesuai dengan pesanan konsumen (job order). Pesanan dari konsumen dikumpulkan
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 I PENDAHULUAN. Penjadwalan produksi flow shop merupakan kegiatan perencanaan
BAB I PENDAHULUAN 1.1 Latar Belakang Penjadwalan produksi flow shop merupakan kegiatan perencanaan produksi yang terdapat pada perusahaan manufaktur. Penjadwalan produksi melibatkan n job dan m mesin dalam
Lebih terperinciALGORITMA PENJADWALAN PRODUKSI PADA LINGKUNGAN MESIN JOB SHOP DENGAN MINIMALISASI RATAAN WAKTU TUNGGU OPERASI
ALGORITMA PENJADWALAN PRODUKSI PADA LINGKUNGAN MESIN JOB SHOP DENGAN MINIMALISASI RATAAN WAKTU TUNGGU OPERASI Gamma/13502058 Abstraksi. Pada makalah ini dijelaskan mengenai pengembangan algoritma untuk
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Permasalahan
BAB I PENDAHULUAN 1.1 Latar Belakang Permasalahan Masalah penjadwalan secara umum adalah aktivitas penugasan yang berhubungan dengan sejumlah constraint, sejumlah kejadian yang dapat terjadi pada suatu
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 terperinciALTERNATIF MODEL PEMAMPATAN MATRIKS JARANG DENGAN MENGGUNAKAN ALGORITMA GENETIK
ALTERNATIF MODEL PEMAMPATAN MATRIKS JARANG DENGAN MENGGUNAKAN ALGORITMA GENETIK Nico Saputro dan Ruth Beatrix Yordan Jurusan Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Katolik
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 terperinciBAB 3 METODOLOGI PEMECAHAN MASALAH
42 BAB 3 METODOLOGI PEMECAHAN MASALAH 3.1 Flow Diagram Pemecahan Masalah dan Penjelasannya 3.1.1 Studi Pendahuluan Untuk mengidentifikasi masalah yang akan diteliti di PT. Furin Jaya, maka penulis melakukan
Lebih terperinciBAB 2 LANDASAN TEORI
26 BAB 2 LANDASAN TEORI 2.1 Penjadwalan 2.1.1 Definisi Penjadwalan Penjadwalan dapat didefinisikan sebagai penugasan dan penentuan waktu dari kegunaan sumber daya seperti tenaga kerja, peralatan, dan fasilitas
Lebih terperinciBAB I PENDAHULUAN. hampir di seluruh dunia, termasuk Indonesia. Alat transportasi ini memiliki
BAB I PENDAHULUAN 1.1 Latar Belakang Kereta api merupakan alat transportasi darat utama yang digunakan hampir di seluruh dunia, termasuk Indonesia. Alat transportasi ini memiliki multi keunggulan komparatif,
Lebih terperinciBAB III LANDASAN TEORI. ilmu yang terkait dalam penyelesaian dalam kerja praktek.
BAB III LANDASAN TEORI 2.1 Landasan Teori Landasan teori digunakan untuk menyelesaikan masalah secara sistematis. Pada bab ini akan membahas landasan teori yang menjelaskan tentang ilmu yang terkait dalam
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 LANDASAN TEORI
Bab 2 LANDASAN TEORI 2.1 Linear Programming Linear Programming (LP) merupakan metode yang digunakan untuk mencapai hasil terbaik (optimal) seperti keuntungan maksimum atau biaya minimum dalam model matematika
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 terperinciII. TINJAUAN PUSTAKA A. PENJADWALAN PRODUKSI
II. TINJAUAN PUSTAKA A. PENJADWALAN PRODUKSI Menurut Sumayang (2003), penjadwalan adalah mengatur pendayagunaan kapasitas dan sumber daya yang tersedia melalui aktivitas tugas. Perencanaan fasilitas dan
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 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 terperinciANALISA PERBANDINGAN PENGGUNAAN ATURAN PRIORITAS PENJADWALAN PADA PENJADWALAN NON DELAY N JOB 5 MACHINE
ANALISA PERBANDINGAN PENGGUNAAN ATURAN PRIORITAS PENJADWALAN PADA PENJADWALAN NON DELAY N JOB 5 MACHINE Dana Marsetiya Utama Jurusan Teknik Industri, Fakultas Teknik, Universitas Muhammadiyah Malang Kontak
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
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 terperinciBAB II LANDASAN TEORI. Evolutionary Algorithm merupakan terminologi umum yang menjadi payung
BAB II LANDASAN TEORI 2.1 Algoritma Genetika Evolutionary Algorithm merupakan terminologi umum yang menjadi payung bagi empat istilah : algoritma genetika (genetic algorithm), pemrograman genetika (genetic
Lebih terperinciLina Gozali, Lamto Widodo, Wendy Program Studi Teknik Industri Fakultas Teknik Universitas Tarumanagara Jl. S Parman no.1, Jakarta
1 2 USULAN PENJADWALAN JOB DENGAN METODE CAMPBELL, DUDEK AND SMITH (CDS) DAN METODE NAWAZ, ENSCORE AND HAM (NEH) UNTUK MEMINIMASI MAKESPAN PROSES STAMPING PART ISUZU DI LINE B PT. XYZ Lina Gozali, Lamto
Lebih terperinciTEKNIK PENJADWALAN KULIAH MENGGUNAKAN METODE ALGORITMA GENETIKA. Oleh Dian Sari Reski 1, Asrul Sani 2, Norma Muhtar 3 ABSTRACT
TEKNIK PENJADWALAN KULIAH MENGGUNAKAN METODE ALGORITMA GENETIKA Oleh Dian Sari Reski, Asrul Sani 2, Norma Muhtar 3 ABSTRACT Scheduling problem is one type of allocating resources problem that exist to
Lebih terperinciBAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI
BAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Penelitian Terdahulu Apriana (2009) melakukan penelitian mengenai penjadwalan produksi pada sistem flow shop dengan mesin parallel (flexible flow shop) sehingga
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 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 terperinciBAB III PEMODELAN MASALAH
BAB III PEMODELAN MASALAH Masalah penjadwalan kereta api jalur tunggal dapat dimodelkan sebagai sebuah kasus khusus dari masalah penjadwalan Job-Shop. Hal ini dilakukan dengan menganggap perjalanan sebuah
Lebih terperinciPEMAMPATAN MATRIKS JARANG DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL
Jurnal Matematika UNAND Vol. 3 No. 1 Hal. 98 106 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMAMPATAN MATRIKS JARANG DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL YOSI PUTRI, NARWEN
Lebih terperinci