PEMBUATAN APLIKASI PERENCANAAN PRODUKSI DISTRIBUSI AGREGAT PADA MANAJEMEN RANTAI PASOK DENGAN MENGGUNAKAN PENDEKATAN FUZZY-GENETIC
|
|
- Suharto Hermanto
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PEMBUATAN APLIKASI PERENCANAAN PRODUKSI DISTRIBUSI AGREGAT PADA MANAJEMEN RANTAI PASOK DENGAN MENGGUNAKAN PENDEKATAN FUZZY-GENETIC Cindy Masyta, Rully Soelaiman Manajemen Teknologi Informasi - Magister Manajemen Teknologi Institut Teknologi Sepuluh Nopember aral2e@yahoo.com ABSTRAK Rantai pasok meliputi semua pelaku-pelaku rantai pasok yang terlibat, baik secara langsung maupun tidak langsung, dalam usaha pemenuhan permintaan dari konsumen. Tujuan dari manajemen rantai pasok adalah untuk memaksimumkan profitabilitas keseluruhan komponen rantai pasok. Adapun fungsi dari rantai pasok yang turut memegang peranan penting dalam mencapai tujuan adalah fungsi produksi dan distribusi. Pengintegrasian kedua fungsi tersebut berpotensi besar dalam memaksimalkan kinerja rantai pasok. Permasalahan dalam perencanaan produksi-distribusi agregat antara lain adanya permintaan pasar dan kapasitas produksi yang tidak menentu, proses yang tidak tepat waktu dan faktor-faktor lain yang menyebabkan ketidakpastian solusi. Untuk mengatasi masalah ketidakpastian dapat digunakan pendekatan fuzzy untuk pemodelan, sedangkan algoritma genetika digunakan sebagai pemecahan untuk mencari solusi yang optimal. Aplikasi yang dibuat dapat mengoptimalkan profit dalam perencanaan produksi distribusi agregat dengan menggunakan metode fuzzy-genetic. Penentuan nilai parameter genetik berpengaruh terhadap tingkat profit yang diperoleh. Banyaknya iterasi ditentukan oleh pembuat keputusan berdasarkan profit yang diperoleh dari setiap iterasi. Jika hasil yang didapat dari iterasi belum memuaskan, pembuat keputusan dapat melakukan proses iterasi lebih lanjut. Kata kunci: Supply Chain Management, Perencanaan Agregate Produksi-Distribusi, Algoritma Genetika, Fuzzy Mathematical Programming PENDAHULUAN Bagian dari rantai pasok yang turut memegang peran penting untuk mencapai tujuan rantai pasok adalah perencanaan produksi agregat dan perencanaan distribusi. Pengintegrasian kedua fungsi tersebut sangat diperlukan karena hal ini berpotensi besar untuk mengoptimalkan kinerja produksi dan distribusi agar biaya-biaya yang terjadi dapat diminimumkan. Perencanaan produksi-distribusi agregat memperhitungkan sifat dari sistem produksi dan distribusi yang tidak saling terhubung. Penggabungan dua proses yang tidak saling terhubung akan memberikan perencanaan dan manajemen yang lebih baik. Permasalahan dalam perencanaan produksi-distribusi agregat adalah adanya permintaan pasar dan kapasitas produksi yang tidak menentu, proses yang tidak tepat waktu dan faktor-faktor lain yang menyebabkan ketidakpastian solusi. Penerapan kecerdasan buatan bisa menjadi salah satu cara untuk mengatasi situasi rantai pasok dalam lingkungan ketidakpastian. Beberapa model yang sudah dikembangkan untuk
2 menyelesaikan masalah perencanaan produksi-distribusi agregat [1]. Model dikembangkan dengan pendekatan fuzzy-genetic untuk menyelesaikan masalah perencanaan produksi linear fuzzy pada Rantai Pasok untuk memberikan hasil yang lebih memuaskan. Tujuan penelitian ini adalah mendeskripsi model, membuat implementasi terhadap model tersebut serta membuat skenario uji coba untuk memperoleh hasil studi terhadap kondisi yang ada. Kemudian dari hasil uji coba akan diambil kesimpulan dimana dapat ditentukan strategi yang tepat sehingga dapat merekomendasikan manajemen dalam memaksimumkan keseluruhan laba. Struktur dari paper ini yaitu sebagai berikut. Bagian 2 akan membahas dasar teori yang digunakan dalam memecahkan permasalahan tersebut di atas. Bagian 3 akan membahas tentang pemodelan serta solusi yang diusulkan untuk memperoleh hasil yang optimal. Bagian 4 membahas hasil uji yang diperoleh. Bagian 5 membahas kesimpulan yang diperoleh berdasarkan hasil ujicoba. METODE Pernyataan masalah pada model Supply chain perencanaan produksi distribusi adalah sebagai berikut : Terdapat npu (PU adalah production unit), ndc disctribution centers (DC) dan ncz customer zones (CZ). Beberapa PU memproduksi item -item produk. Biaya produksi dari suatu item tertentu pada PU yang berbeda dapat juga berbeda. Setiap PU digolongkan dengan fixed cost per periode dan kapasitas produksi. Beberapa Distribution Center digunakan untuk menyimpan produksi yang dihasilkan di DC. DC berbeda dalam kapasitas penyimpanan, fixed cost dan biaya penyimpanan. Biaya penyimpanan tidak linear terhadap jumlah item. Harga penjualan untuk item yang sama dapat berbeda pada CZ yang berbeda. Hanya item yang dipesan konsumen yang dikirim ke CZ (CZ tidak mempunyai penyimpanan; CZ dapat menyimpan item -item dengan periode tertentu). Pada periode waktu t, tersedianya peramalan permintaan fuzzy untuk periode waktu yang akan datang untuk semua CZ. PU dapat mensupply ke DC manapun dan DC dan mensupply ke CS manapun. Biaya transportasi tergantung dari lokasi PU, DC dan CZ. Formula Matematis Pemodelan Fungsi tujuan utama, menggambarkan keseluruhan laba maksimum, bentuknya: Dimana : (1) (2) (3) Komponen E digambarkan dalam bentuk: (4) C-9-2
3 (5) Notasi variabel: (6) adalah jumlah (fuzzy) yang diproyeksikan untuk dikirim dari PU i ke DC j pada periode t; adalah jumlah item (fuzzy) yang diproyeksikan untuk dikirim dari DC j ke CZ k pada periode t; adalah jumlah item produk p diproyeksikan untuk dihasilkan oleh PU i pada waktu t; adalah jumlah item di DC j untuk disupply ke berbagai CZ pada waktu t;,, adalah total (proyeksi) laba; total (proyeksi) pengembalian setelah penjualan; total (proyeksi) biaya; ~, E PU, adalah total (proyeksi) biaya DC, PU, Transportasi; adalah jumlah item produk p diproyeksikan untuk suplai dan dijual pada CZ k pada periode t; adalah nilai fuzzy mewakili jumlah item maksimum yang dapat disimpan di DC j; adalah biaya transportasi (sekelompok) item dari PU i ke DC j; U jk adalah biaya transportasi (sekelompok) item dari DC j ke CZ k; adalah ramalan permintaan fuzzy untuk item produk p di CZ k pada periode t; adalah harga penjualan item produk p di CZ k; adalah fixed cost untuk eksploitasi PU i selama periode tertentu; adalah fixed cost untuk eksploitasi DC j selama periode tertentu; adalah biaya penyimpanan satu item di DC selama periode tertentu; adalah biaya produksi satu item produk p di PU i; C-9-3
4 ~ V i max adalah nilai fuzzy yang mewakili kapasitas produksi maksimum (yaitu jumlah maksimum item yang dapat dihasilkan pada PU i selama periode tertentu); adalah jumlah item produk p di DC j diproyeksikan untuk suplai ke berbagai CZ pada periode t. Batasan Pemodelan (Constraint) Adapun batasan-batasan pada model APDP adalah sebagai berikut: Batasan Produk yang Diproduksi Pabrik 0 (7) Batasan Produk yang Disuplai Pusat Distribusi 0 (8) Batasan Produk yang Disimpan Pusat Distribusi 0 (9) Batasan Kapasitas Pabrik (10) Batasan Kapasitas Penyimpanan Pusat Distribusi (11) Batasan Pemenuhan Permintaan (12) Batasan Pengiriman ke Pusat Distribusi (13) Batasan Pengiriman ke Customer Zone (14) Batasan Penyimpanan Produk (15) Metode Optimasi Garis besar prosedur optimal distribusi produk dapat dilihat sebagai berikut: 1. Memperoleh peramalan permintaan ( demand forecast) untuk periode t dan tn-1 menggantikan quarter (t+1,t+2,t+n -1,dst). Memperbaharui nilai data lain (contoh: biaya DC/PU, harga penjualan produk, dan lain-lain). Masukkan input data distribusi produk dan karakteristik Algoritma Genetika. 2. Melakukan optimasi berdasarkan Algoritma Genetika. Flowchart umum dari satu populasi algoritma genetika dapat dilihat dalam gambar 2.1. a. Siapkan structure kromosom untuk menjaga coded yang mewakili dari nilai parameter menjadi optimal (,, dan ). b. Generate secara random populasi dari kromosom (mewakili coded dari potensial solusi) : Populasi ={ S1,S2,.,S popsize }. Solosi sesungguhnya dari periode sebelumnya diubah untuk kromosom dapat ditambahkan pada populasi (seperti memilih parent genome dari generasi sebelumnya). C-9-4
5 c. Evaluasi nilai fitness untuk tiap kromosom. Fungsi fitness dihitung pada dasar dari nilai peramalan permintaan. Dimana: F max adalah nilai terpilihnya kemungkinan maksimum (terburuk) dari nilai fitness yang dibutuhkan untuk menyeimbangkan efek fungsi fitness dari tujuan fillrate dan profit. ETP (Expected Total Profit) adalah defuzzified fuzzy diproyeksikan total profit F dikalkulasikan berdasarkan data yang diberikan dan produksi/transportasi dan asumsi dari peramalan permintaan. MinFillRate adalah memilih minimum level yang dapat diterima untuk fillrate. d. Menggunakan operator genetik yaitu crossover, mutasi untuk generasi yang baru. e. Menggunakan operator selection dan elitism. Memilih generasi yang lebih baik untuk generasi baru f. Mengembalikan solusi terbaik yang ada dari populasi kromosom terpilih. Jika definisi awal dari iterasi (generasi) telah selesai dilakukan, Pembuat keputusan mengevaluasi jika optimasi lebih lanjut dibutuhkan. Jika solusi yang dapat diterima sudah ditemukan lakukan langkah 3. Jika tidk lanjutkan mulai langkah 2c. 3. Persiapkan rencana produksi dan transportasi untuk period saat ini (yang berikutnya) dan menyertakan periode n -1. HASIL DAN DISKUSI Aplikasi diuji coba diatas perangkat keras dengan Processor Intel Core 2 Duo 1,83 GHz, Memori 0,99 GB RAM. Sedangkan untuk sistem operasi yang digunakan adalah Microsoft Windows XP Professional Version 2002 SP2. Pengujian data implementasi akan menggunakan data sebagai berikut: Tabel 1 Data (fuzzy) Kapasitas Pabrik PU ( V ~ i max ), items PU 1 PU 2 ( ; ; ) (95.000; ; ) Tabel 2 Data (fuzzy) Kapasitas Ppusat Distribusi DC ( ), items DC 1 DC 2 ( ; ; ) ( ; ; ) C-9-5
6 Fixed Cost ( Biaya Produksi ( Fixed Cost ( Tabel 3 Tabel Biaya dan Harga Penjualan Produk CZ PU 1 PU 2 Biaya Penyimpanan ( Harga Jual ( DC1 DC CZ1 CZ Tabel 4 Biaya Transportasi (dalam satuan 1000 item/bunches) Diterima oleh : Biaya transportasi ( DC 1 DC 2 PU Dikirim oleh : PU Biaya transportasi ( U Diterima oleh : jk CZ 1 CZ 2 DC Dikirim oleh : DC Tabel 5 Jumlah Item (fuzzy) Ramalan Permintaan untuk Dijual ( ) t CZ1 CZ2 Total 1 ( ; ; ) (94.000; ; ) ( ; ; ) 2 ( ; ; ) (98.000; ; ) ( ; ; ) Studi kasus menggunakan npu=2; ndc=2, ncz=2 dan periode t=2. Pengujian dilakukan dengan menggunakan skenario sebagai berikut : Uji #1 Uji Hasil Optimasi dengan Hasil Aktual Pasar nvar=16; nbit=21; jumpopulasi=50; jumgenerasi=750; parentpass=10; randompass=0; probmutasi=5%; probcrossover=30%; jumpoint=38; minfillrate=90%; beta=1 Hasil Uji coba: Hasil Optimasi Iterasi ke-1 Hasil Optimasi Iterasi ke-5 Pasar Aktual Revenue Epu expenses Edc expenses Et expenses Expense Profit Dari hasil uji coba dapat dilihat bahwa: pada iterasi 1 nilai keuntungan ( profit) yang diperoleh sebesar , setelah mengalami iterasi sebanyak 5 kali, keuntungan yang diperoleh menjadi sebesar , semakin mendekati hasil nyata yang ada di pasar. Uji#2 Uji Parameter MinimumFillRate nvar=16; nbit=21; jumpopulasi=50; jumgenerasi=750; parentpass=10; randompass=0; probmutasi=5%; probcrossover=30%; jumpoint=38; minfillrate=20%; beta=1 C-9-6
7 Hasil Uji coba: Hasil Optimasi Nilai Terkecil Hasil Optimasi Nilai Terbesar Pembanding Revenue Epu expenses Edc expenses Et expenses Expense Profit Dari hasil uji coba dapat dilihat bahwa: Nilai profit terbesar yang diperoleh adalah dan nilai profit terkecil yang diperoleh dari uji coba adalah Dari nilai profit terbesar yang diperoleh nilai jauh lebih besar daripada hasil yang diperoleh pada uji coba hasil optimasi dengan aktual pasar ( ), profit naik sebesar atau naik sebesar 71%. Yang dapat dikatakan bahwa minfillrate dengan keuntungan yang diperoleh perusahaan bersifat berbanding terbalik. Sedangkan dari nilai profit terkecil naik atau sekitar 3%. Kenaikannya tidak terlalu besar, tetapi masih dapat dikatakan bahwa dengan menurunkan minfillrate akan tetap menaikkan profit. Uji#3 Uji Parameter Probabilitas Mutasi dan Pindah Silang nvar=16; nbit=21; jumpopulasi=50; jumgenerasi=750; parentpass=10; randompass=0; probmutasi=6%; probcrossover=50%; jumpoint=38; minfillrate=90%; beta=1 Hasil Uji coba: Hasil Optimasi Nilai Terkecil Hasil Optimasi Nilai Terbesar Pembanding Revenue Epu expenses Edc expenses Et expenses Expense Profit Dari hasil uji coba dapat dilihat bahwa: Nilai profit terkecil yang diperoleh adalah dan nilai profit terbesar yang diperoleh dari uji coba adalah , dimana bisa meningkatkan hasil optimasi sebesar 0.025%-1.725%. Hal ini menandakan, dengan memperbesar nilai probmutasi dan probcrossover memberikan perubahan profit yang tidak terlalu signifikan. Sehingga dapat ditarik kesimpulan bahwa variasi yang besar atau banyak pada kromosom tiap generasi belum tentu membawa hasil akhir yang baik pula. Hal tersebut bergantung juga kromosom yang dihasilkan pada tiap generasi. KESIMPULAN Setelah melakukan beberapa kali uji coba maka dapat diambil kesimpulan sebagai berikut: 1. Implementasi yang dibuat telah teruji kebenarannya, karena hasil pembangkitan random aplikasi sudah memenuhi constraint-constraint dari model. 2. Aplikasi yang dibuat dapat mengoptimalkan profit dalam perencanaan produksi distribusi agregat dengan menggunakan metode fuzzy-genetic. 3. Penentuan nilai parameter genetik berpengaruh terhadap hasil output. Nilai probabilitas mutasi dan probabilitas crossover mempengaruhi variasi kromosom yang dihasilkan pada tiap iterasi. Semakin besar nilai kedua variabel tersebut maka C-9-7
8 akan semakin besar kemungkinan terjadinya mutasi dan crossover sehingga kromosom yang dihasilkan pada suatu iterasi akan semakin bervariasi. 4. Semakin besar nilai minimum FillRate maka akan semakin kecil profit yang didapat. Ini berarti bahwa tingkat pemenuhan permintaan pelanggan minimum (minfillrate) bersifat berbanding terbalik dengan tingkat profit yang diperoleh. 5. Semakin banyak iterasi yang dilakukan maka hasil profit yang diperoleh semakin besar. Banyaknya iterasi ditentukan oleh pembuat keputusan berdasarkan profit yang diperoleh dari setiap iterasi. Jika hasil yang didapat dari iterasi belum memuaskan, pembuat keputusan dapat melakukan proses iterasi lebih lanjut. DAFTAR PUSTAKA DeCETI. (20 09), Possibility Theory. Diambil dari /IRIT/MSI- FUSION/node93.html pada tanggal 12 April 2009, pukul 19:23 WIB [10] IlmuKomputer.Com. (2007), Algoritma Genetika dan Contoh Aplikasinya, Entry from Hermawanto, D. Diambil dari -content/uploads /2007/ 03/denny-agoptimasi.doc pada tanggal 17 Maret 2009, pukul 18:00 WIB [3] Kamaluddin, R. (1987), Ekonomi Transportasi, Cetakan Per tama, Ghalia Indonesia, Jakarta [4] Kusuma, H (2002), Manajemen Produksi Perencanaan dan Pengendalian Produksi, Edisi 2, Andi, Yogyakarta [5] Kusumadewi, S. (2002), Analisis & Desain Sistem Fuzzy Menggunakan ToolBox MathLab, Graha Ilmu, Yogyakarta [6] R Aliev, R.A, Fazlollahi, B. dan Guirimov, B.G. (2007), Fuzzy-Genetic Approach to Aggragate Production-Distribution Planning in Supply Chain Management, Information Sciences, hal [1] S Chopra, S. dan Meindl, P. (2001), Supply Chain Management Strategy, Planning & Operations, Third Edition, Prentice Hall, New Jersey [2] Salim, A. (1995), Manajemen Transportasi, Cetakan Kedua, R aja Grafind Persada, Jakarta [7] Simchi-Levi, D., Kaminsky, P. dan Simchi-Levi, E. (2000), Designing and Managing the Supply Chain, Second Edition, McGraw Hill, New York.Sri Kusumadewi, 2003, Metode Pendekatan Heuristik,Yogyakarta:Graha Ilmu [8] Sipper, D. dan Bulfin, R.L., Jr. (1997), Production Planning, Control and Integration, McGraw Hill, New York [9] Yan, J., Ryan, M., Power, J. (1994), Using Fuzzy Logic (Toward Intelligent Systems), Prentice Hall, Inggris [11] C-9-8
WEB PORTAL UNTUK DOKUMENTASI ISO 9001:2000 DI GRAPARI SURABAYA PT. TELKOMSEL INDONESIA
WEB PORTAL UNTUK DOKUMENTASI ISO 9001:2000 DI GRAPARI SURABAYA PT. TELKOMSEL INDONESIA Andika Wahyu Prihandoko, Aris Tjahyanto Program Studi Magister Manajemen Teknologi Bidang Keahlian Manajemen Teknologi
Lebih terperinciOptimasi Persediaan Multi-item Fuzzy EOQ Di PT UWBM dengan Algoritma Genetika
Optimasi Persediaan Multi-item Fuzzy EOQ Di PT UWBM dengan Algoritma Genetika Disusun Oleh : Ainy Mahmudah 1307 100 002 Pembimbing I Pembimbing II : Dr. Irhamah, S.Si., M.Si : Dra. Sri Mumpuni R, M.Si
Lebih 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 METODE PENELITIAN. Penelitian dilakukan dilingkungan Jurusan Ilmu Komputer Fakultas Matematika
BAB III METODE PENELITIAN 3.1. Waktu dan Tempat Penelitian Penelitian dilakukan dilingkungan Jurusan Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Lampung. Waktu penelitian dilaksanakan
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 4 IMPLEMENTASI DAN EVALUASI. Berikut ini merupakan spesifikasi perangkat keras dan perangkat lunak yang
BAB IMPLEMENTASI DAN EVALUASI. Implementasi Sistem Berikut ini merupakan spesifikasi perangkat keras dan perangkat lunak yang diperlukan agar program simulasi Tata Letak Tempat Sampah dengan Algoritma
Lebih terperinciMEMBANGUN TOOLBOX ALGORITMA EVOLUSI FUZZY UNTUK MATLAB
MEMBANGUN TOOLBOX ALGORITMA EVOLUSI FUZZY UNTUK MATLAB Syafiul Muzid 1, Sri Kusumadewi 2 1 Sekolah Pascasarjana Magister Ilmu Komputer, Universitas Gadjah Mada, Yogyakarta e-mail: aakzid@yahoo.com 2 Jurusan
Lebih terperinciSUPPLY CHAIN MANAGEMENT
LAPORAN E-BISNIS SUPPLY CHAIN MANAGEMENT disusun oleh : PHAZA HENDRA KUMARA (08.11.2243) S1 TI 6F JURUSAN TEKNIK INFORMATIKA JENJANG STRATA SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER STMIK AMIKOM
Lebih terperinciOleh : Edi Sugiarto, S.Kom, M.Kom
Oleh : Edi Sugiarto, S.Kom, M.Kom Perancangan jaringan supply chain merupakan kegiatan strategis yang perlu dilakukan. Tujuanya untuk memenuhi kebutuhan pelanggan yang permintaanya berubah secara dinamis
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 terperinciJl. Veteran 2 Malang
PENGEMBANGAN MODEL DASAR EOQ DENGAN INTEGRASI PRODUKSI DISTRIBUSI UNTUK PRODUK DETERIORASI DENGAN KEBIJAKAN BACKORDER (Studi Kasus Pada UD. Bagus Agrista Mandiri, Batu) Siti Aisyah 1, Sobri Abusini 2,
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 terperinciAPLIKASI UNTUK PREDIKSI JUMLAH MAHASISWA PENGAMBIL MATAKULIAH DENGAN MENGGUNAKAN ALGORITMA GENETIKA, STUDI KASUS DI JURUSAN TEKNIK INFORMATIKA ITS
APLIKASI UNTUK PREDIKSI JUMLAH MAHASISWA PENGAMBIL MATAKULIAH DENGAN MENGGUNAKAN ALGORITMA GENETIKA, STUDI KASUS DI JURUSAN TEKNIK INFORMATIKA ITS Hafid Hazaki 1, Joko Lianto Buliali 2, Anny Yuniarti 2
Lebih terperinciPERANCANGAN KONFIGURASI JARINGAN DISTRIBUSI PRODUK BISKUIT MENGGUNAKAN METODE ALGORITMA GENETIKA (Studi Kasus: PT. EP)
PERANCANGAN KONFIGURASI JARINGAN DISTRIBUSI PRODUK BISKUIT MENGGUNAKAN METODE ALGORITMA GENETIKA (Studi Kasus: PT. EP) Rezki Susan Ardyati dan Dida D. Damayanti Program Studi Teknik Industri Institut Teknologi
Lebih terperinciPENGARUH PENENTUAN JUMLAH PEMESANAN PADA BULLWHIP EFFECT
PENGARUH PENENTUAN JUMLAH PEMESANAN PADA BULLWHIP EFFECT Puji Lestari, Liong Irena, I Gede Agus Widyadana Program Studi Teknik Industri, Universitas Kristen Petra Siwalankerto, Surabaya, Indonesia (Received:
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah 1.2 Perumusan Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Masalah pemilihan lokasi usaha yang tepat merupakan salah satu faktor penunjang suksesnya suatu usaha. Dalam pemilihan lokasi usaha yang tepat diperlukan pertimbangan
Lebih terperinciAPLIKASI HASIL PENCARIAN DAN RUTE PENGIRIMAN BARANG DARI SOLUSI MASALAH TRANSPORTASI BIKRITERIA DENGAN METODE LOGIKA FUZZY
APLIKASI HASIL PENCARIAN DAN RUTE PENGIRIMAN BARANG DARI SOLUSI MASALAH TRANSPORTASI BIKRITERIA DENGAN METODE LOGIKA FUZZY Faisal Dosen Jurusan Teknik Informatika Fakultas Sains & Teknologi UIN Alauddin
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 terperinciUSULAN RANCANGAN RUTE TRANSPORTASI MULTI TRIP
USULAN RANCANGAN RUTE TRANSPORTASI MULTI TRIP UNTUK MEMINIMASI BIAYA TRANSPORTASI DENGAN HETEROGENEOUS FLEET DAN TIME WINDOW MENGGUNAKAN METODE ALGORITMA GENETIKA DI PT.XYZ Muhammad Zuhdi Aiman Anka 1,
Lebih terperinciBAB 4 IMPLEMENTASI DAN HASIL PENELITIAN. Pada bab 4 ini akan dijelaskan hasil rancangan sistem aplikasi optimizer, yaitu
BAB 4 IMPLEMENTASI DAN HASIL PENELITIAN Pada bab 4 ini akan dijelaskan hasil rancangan sistem aplikasi optimizer, yaitu implementasi sistem tersebut dan juga evaluasi dari implementasi sistem untuk mengetahui
Lebih terperinciPengembangan Model Vendor Managed Inventory dengan Mempertimbangkan Ketidakpastian Leadtime yang Memaksimasi Service Level Jonathan Rezky, Carles Sitompul Jurusan Teknik Industri, Universitas Katolik Parahyangan
Lebih terperinciBAB I PENDAHULUAN. kehidupan sehari-hari dan juga merupakan disiplin ilmu yang berdiri sendiri serta
BAB I PENDAHULUAN A. Latar Belakang Matematika adalah cabang ilmu pengetahuan yang dapat digunakan dalam kehidupan sehari-hari dan juga merupakan disiplin ilmu yang berdiri sendiri serta tidak merupakan
Lebih terperinciBAB III PEMBAHASAN. harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017.
BAB III PEMBAHASAN Data yang digunakan dalam bab ini diasumsikan sebagai data perkiraan harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017. Dengan demikian dapat disusun model Fuzzy
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 terperinciOPTIMASI PENEMPATAN KAPASITOR PADA SALURAN DISTRIBUSI 20 kv DENGAN MENGGUNAKAN METODE KOMBINASI FUZZY DAN ALGORITMA GENETIKA
OPTIMASI PENEMPATAN KAPASITOR PADA SALURAN DISTRIBUSI 20 kv DENGAN MENGGUNAKAN METODE KOMBINASI FUZZY DAN ALGORITMA GENETIKA I Made Wartana, Mimien Mustikawati Program Studi Teknik Elektro, Fakultas Teknologi
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 IV PERCOBAAN DAN ANALISIS. Percobaan metode kompresi citra fraktal menggunakan algoritma
BAB IV PERCOBAAN DAN ANALISIS Percobaan metode kompresi citra fraktal menggunakan algoritma genetika dilakukan menggunakan bahasa pemrograman Matlab 7.6.0.324 (R2008a). Percobaan dilakukan pada komputer
Lebih terperinciAPLIKASI ALGORITMA GENETIKA DALAM MENENTUKAN SPESIFIKASI PC BERDASARKAN KEMAMPUAN FINANSIAL KONSUMEN
APLIKASI ALGORITMA GENETIKA DALAM MENENTUKAN SPESIFIKASI PC BERDASARKAN KEMAMPUAN FINANSIAL KONSUMEN Eva Haryanty, S.Kom. ABSTRAK Komputer adalah salah satu peralatan yang pada saat ini banyak pula digunakan
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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Setiap perusahaan tidak dapat lepas dari persoalan transportasi, baik untuk pengadaan bahan baku ataupun dalam mengalokasikan barang jadinya. Salah satu metode yang
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3 Agar penelitian yang dilakukan sesuai dengan tujuan yang diharapkan maka diperlukan langkah-langkah yang tersusun secara sistematis seperti yang dijabarkan pada gambar 3.1
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Pada kurun waktu terakhir, persaingan dalam bidang ekonomi semakin kuat. Dipengaruhi dengan adanya perdagangan bebas, tingkat kompetisi menjadi semakin ketat. Hal
Lebih terperinciBAB IV IMPLEMENTASI DAN HASIL PENGUJIAN
BAB IV IMPLEMENTASI DAN HASIL PENGUJIAN Pada Bab IV ini, implementasi dari metode AM dan GRASP untuk menyelesaikan PFSP dibahas pada Subbab 4.1. Pengujian dilakukan dengan melakukan percobaan terhadap
Lebih terperinciPENJADWALAN DAN PENENTUAN RUTE KENDARAAN PADA INDUSTRI BAHAN KIMIA MENGGUNAKAN KOMBINASI METODE ALGORITMA GENETIKA DAN ALGORITMA PENCARIAN TABU
PRESENTASI TUGAS AKHIR KS091336 PENJADWALAN DAN PENENTUAN RUTE KENDARAAN PADA INDUSTRI BAHAN KIMIA MENGGUNAKAN KOMBINASI METODE ALGORITMA GENETIKA DAN ALGORITMA PENCARIAN TABU Oleh : Maya Sagita W. 5208
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 terperinciOptimasi Penyusunan Paket Suku Cadang Pada PT. XYZ Menggunakan Metode Algoritma Genetik
Optimasi Penyusunan Paket Suku Cadang Pada PT. XYZ Menggunakan Metode Algoritma Genetik Ridzky Utomo 1,, Pratya Poeri S 2, Mira Rahayu 3 Program Studi Teknik Industri, Fakultas Rekayasa Industri,Institut
Lebih terperinciProsiding Seminar Nasional Manajemen Teknologi XVI Program Studi MMT-ITS, Surabaya 14 Juli 2012
ANALISIS PENENTUAN LOKASI REGIONAL DISTRIBUTION CENTER DI PULAU JAWA UNTUK OPTIMALISASI PENDISTRIBUSIAN DAN PENINGKATAN ORDER FULFILLMENT RATE PADA PT. XYZ GRESIK Bortiandy TPL Tobing dan Ahmad Rusdiansyah
Lebih terperinciOPTIMASI DYNAMIC PRICING MENGGUNAKAN METODE ALGORITMA GENETIKA BERDASARKAN MODEL PERMINTAAN PADA HOTEL JW MARRIOTT SURABAYA
OPTIMASI DYNAMIC PRICING MENGGUNAKAN METODE ALGORITMA GENETIKA BERDASARKAN MODEL PERMINTAAN PADA HOTEL JW MARRIOTT SURABAYA R I F A N D A P U T R I I N D R E S W A R I 5 2 0 9 1 0 0 0 2 0 PENDAHULUAN Latar
Lebih terperinciBAB I PENDAHULUAN I.1 Latar Belakang Masalah
BAB I PENDAHULUAN I.1 Latar Belakang Masalah Di dalam dunia logistik, pendistribusian barang sudah menjadi bagian penting dan sangat diperhatikan. Distribusi merupakan langkah untuk memindahkan dan memasarkan
Lebih terperinciKONSEP ALGORITMA GENETIK BINER UNTUK OPTIMASI PERENCANAAN JADWAL KEGIATAN PERKULIAHAN
Jurnal Teknik dan Ilmu Komputer KONSEP ALGORITMA GENETIK BINER UNTUK OPTIMASI PERENCANAAN JADWAL KEGIATAN PERKULIAHAN (Binary Genetic Algorithm Concept to Optimize Course Timetabling) Iwan Aang Soenandi
Lebih terperinciBAB II 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 terperinciPELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE SELEKSI TURNAMEN UNTUK DATA TIME SERIES
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 65-72 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE
Lebih terperinciPENGEMBANGAN MODEL PERSEDIAAN OBAT-OBATAN PADA INSTALASI FARMASI DI INTERNAL RUMAH SAKIT
PENGEMBANGAN MODEL PERSEDIAAN OBAT-OBATAN PADA INSTALASI FARMASI DI INTERNAL RUMAH SAKIT Prita Meilanitasari 1), Iwan Vanany 2), dan Erwin Widodo 3) 1) Logistik dan Manajemen Rantai Pasok, Jurusan Teknik
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 terperinciPenerapan algoritma evolution strategies untuk optimasi distribusi barang dua tahap
Penerapan algoritma evolution strategies untuk optimasi distribusi barang dua tahap Candra Bella Vista 1, Wayan Firdaus Mahmudy 2 Program Studi Informatika / Ilmu Komputer Fakultas Ilmu Komputer Universitas
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 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 III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Alur Penelitian Menentukan lokasi dan kapasitas optimal SVC pada sistem transmisi 150 kv subsistem Bandung Selatan dan New Ujungberung menggunakan algoritma genetika membutuhkan
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK PENENTUAN BATASAN FUNGSI KENGGOTAAN FUZZY TSUKAMOTO PADA KASUS PERAMALAN PERMINTAAN BARANG
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol. 3, No. 3, September 2016, hlm. 169-173 PENERAPAN ALGORITMA GENETIKA UNTUK PENENTUAN BATASAN FUNGSI KENGGOTAAN FUZZY TSUKAMOTO PADA KASUS PERAMALAN
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 terperinciPENYELESAIAN KNAPSACK PROBLEM MENGGUNAKAN ALGORITMA GENETIKA
PENYELESAIAN KNAPSACK PROBLEM MENGGUNAKAN ALGORITMA GENETIKA Kartina Diah KW1), Mardhiah Fadhli2), Charly Sutanto3) 1,2) Jurusan Teknik Komputer Politeknik Caltex Riau Pekanbaru Jl. Umban Sari No.1 Rumbai-Pekanbaru-Riau
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI
111 BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Implementasi Aplikasi otomatisasi penjadwalan yang dibuat merupakan aplikasi desktop. Dalam pengoperasiannya, dibutuhkan perangkat keras dan piranti lunak dengan
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 terperinciPENERAPAN ALGORITMA GENETIK UNTUK OPTIMASI POLA PENYUSUNAN BARANG DALAM RUANG TIGA DIMENSI ABSTRAK
PENERAPAN ALGORITMA GENETIK UNTUK OPTIMASI POLA PENYUSUNAN BARANG DALAM RUANG TIGA DIMENSI Eddy Triswanto Setyoadi, ST., M.Kom. ABSTRAK Melakukan optimasi dalam pola penyusunan barang di dalam ruang tiga
Lebih terperinciANALISIS PENETAPAN DISKON DALAM DUAL CHANNEL SUPPLY CHAIN (Studi Kasus PT. INDOPROM INDONESIA Cabang Surabaya)
1 ANALISIS PENETAPAN DISKON DALAM DUAL CHANNEL SUPPLY CHAIN (Studi Kasus PT. INDOPROM INDONESIA Cabang Surabaya) Afrida Karina Savira; Erwin Widodo Jurusan Teknik Industri, Fakultas Teknologi Industri,
Lebih terperinciPEMODELAN DAN SIMULASI TINGGI GENANGAN BANJIR DI KECAMATAN GUBENG KOTA SURABAYA MENGGUNAKAN SISTEM INFORMASI GEOGRAFIS
PEMODELAN DAN SIMULASI TINGGI GENANGAN BANJIR DI KECAMATAN GUBENG KOTA SURABAYA MENGGUNAKAN SISTEM INFORMASI GEOGRAFIS Penyusun Tugas Akhir : Ratri Enggar Pawening/5107100613 Pembimbing I Dr. Ir. Joko
Lebih terperinciRancang Bangun Aplikasi Prediksi Jumlah Penumpang Kereta Api Menggunakan Algoritma Genetika
1 Rancang Bangun Aplikasi Prediksi Jumlah Penumpang Kereta Api Menggunakan Algoritma Genetika Annisti Nurul Fajriyah Politeknik Elektronika Negeri Surabaya Institut Teknologi Sepuluh Nopember (ITS) Surabaya
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Dalam kehidupan sehari hari, selalu dilakukan perjalanan dari satu titik atau lokasi ke lokasi yang lain dengan mempertimbangkan efisiensi waktu dan biaya sehingga
Lebih terperinciKNAPSACK PROBLEM DENGAN ALGORITMA GENETIKA
LAPORAN TUGAS BESAR ARTIFICIAL INTELLEGENCE KNAPSACK PROBLEM DENGAN ALGORITMA GENETIKA Disusun Oleh : Bayu Kusumo Hapsoro (113050220) Barkah Nur Anita (113050228) Radityo Basith (113050252) Ilmi Hayyu
Lebih terperinciBAB 3 METODE PEMECAHAN MASALAH
49 BAB 3 METODE PEMECAHAN MASALAH 3.1 Tempat Pelaksanaan Penelitian dilakukan di sebuah distribution center pada suatu perusahaan manufaktur yaitu PT. Sepatu Bata Indonesia, Tbk, yang berlokasi di Jl.
Lebih terperinciBab III Metode Perancangan Sistem
23 Bab III Metode Perancangan Sistem Perancangan sistem yang digunakan dalam membangun sistem ini adalah dengan menggunakan metode prototyping. Proses pada model prototyping yang digambarkan pada Gambar
Lebih terperinciSTUDI PENGGUNAAN PACKING PLANT PADA DISTRIBUSI SEMEN DI KALIMANTAN MENGGUNAKAN METODE TRANSSHIPMENT: STUDI KASUS PT. SEMEN GRESIK
STUDI PENGGUNAAN PACKING PLANT PADA DISTRIBUSI SEMEN DI KALIMANTAN MENGGUNAKAN METODE TRANSSHIPMENT: STUDI KASUS PT SEMEN GRESIK Ikhyandini GA dan Nadjadji Anwar Bidang Keahlian Manajemen Proyek Program
Lebih terperinciSeminar Nasional IENACO 2015 ISSN
ANALISIS PERMINTAAN PRODUK DENGAN MENGGUNAKAN METODE BULLWHIP EFFECT DI INDUSTRI KECIL OBAT TRADISIONAL Studi Kasus : CV. Annuur Herbal Indonesia Yandra Rahadian Perdana Jurusan Teknik Industri, Fakultas
Lebih terperinci1.PENDAHULUAN 1.1 Latar Belakang
1.PENDAHULUAN 1.1 Latar Belakang Pemakaian tenaga listrik dapat naik turun sebanding dengan besar kecilnya kegiatan dilakukan oleh manusia dalam periode tertentu. Untuk memenuhi kebutuhan listrik yang
Lebih terperinciHASIL DAN PEMBAHASAN. Gambar 7 Diagram alur proses mutasi.
5 Mulai HASIL DAN PEMBAHASAN Kromosom P = rand [0,1] Ya P < Pm R = random Gen(r) dimutasi Selesai Tidak Gambar 7 Diagram alur proses mutasi. Hasil populasi baru yang terbentuk akan dievaluasi kembali dan
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 terperinciIII. METODOLOGI PENELITIAN
A. KERANGKA PEMIKIRAN III. METODOLOGI PENELITIAN Produksi bunga krisan yang mengalami peningkatan dari tahun ke tahun memberikan kontribusi yang positif kepada petani dalam peningkatan kesejahteraan mereka.
Lebih terperinciPENENTUAN KOMBINASI OPTIMUM JUMLAH, BERAT, DAN WAKTU TAMBAT KAPAL DI PT (PERSERO) PELABUHAN INDONESIA III GRESIK MENGGUNAKAN ALGORITMA GENETIKA
LOGO PENENTUAN KOMBINASI OPTIMUM JUMLAH, BERAT, DAN WAKTU TAMBAT KAPAL DI PT (PERSERO) PELABUHAN INDONESIA III GRESIK MENGGUNAKAN ALGORITMA GENETIKA Oleh : Aris Saputro 1206100714 Pembimbing : Dr. M. Isa
Lebih terperinciBAB I PENDAHULUAN. sejumlah aktivitas kuliah dan batasan mata kuliah ke dalam slot ruang dan waktu
18 BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Penjadwalan merupakan kegiatan administrasi utama di berbagai institusi. Masalah penjadwalan merupakan masalah penugasan sejumlah kegiatan dalam periode
Lebih terperinciIII METODOLOGI 3.1. Kerangka Penelitian
III METODOLOGI 3.1. Kerangka Penelitian Sebuah manajemen rantai pasok yang baik memerlukan berbagai keputusan yang berhubungan dengan aliran informasi, produk dan dana. Rancang bangun rantai pasokan untuk
Lebih terperinci1. Pendahuluan 1.1. Latar Belakang
1. Pendahuluan 1.1. Latar Belakang Perkembangan teknologi informasi yang begitu pesat sekarang ini memberikan dampak yang besar terhadap kinerja manusia khususnya dalam bekerja. Segala sesuatu yang dahulu
Lebih terperinciOPTIMASI RANCANGAN FILTER BANDPASS AKTIF UNTUK SINYAL LEMAH MENGGUNAKAN ALGORITMA GENETIK Studi Kasus: Sinyal EEG
OPTIMASI RANCANGAN FILTER BANDPASS AKTIF UNTUK SINYAL LEMAH MENGGUNAKAN ALGORITMA GENETIK Studi Kasus: Sinyal EEG Oleh : Ellys Kumala P (1107100040) Dosen Pembimbing Dr. Melania Suweni Muntini, MT JURUSAN
Lebih terperinciData untuk Perhitungan Biaya Kirim Data untuk Perhitungan Biaya Simpan Pembeli Data untuk Perhitungan Biaya
ABSTRAK Perkembangan zaman yang semakin maju menyebabkan persaingan semakin meningkat. Namun, persaingan yang terjadi saat ini adalah bukan lagi persaingan antar perusahaan, tetapi persaingan antar rantai
Lebih terperinci1 BAB III METODE PENELITIAN
30 1 BAB III METODE PENELITIAN 3.1 Desain Penelitian Studi Literatur Observasi dan Wawancara Pengumpulan data : 1. Data dosen, matakuliah, ruangan, waktu, dan rombel dari PGSD 2. Jadwal yang terdahulu,
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI
BAB 4 IMPLEMENTASI DAN EVALUASI BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Spesifikasi Sistem Spesifikasi perangkat lunak dan perangkat keras yang digunakan dalam pengembangan aplikasi adalah sebagai berikut
Lebih terperinciPEMILIHAN SUPPLIER DENGAN PENDEKATAN POSSIBILITY FUZZY MULTI-OBJECTIVE PROGRAMMING
PEMILIHAN SUPPLIER DENGAN PENDEKATAN POSSIBILITY FUZZY MULTI-OBJECTIVE PROGRAMMING Oleh : Heny Nurhidayanti 1206 100 059 Dosen Pembimbing : Drs. Sulistiyo, MT Jurusan Matematika Fakultas Matematika dan
Lebih terperinciBAB III. Solusi Optimal Permasalahan Penjadwalan Perkuliahan Menggunakan Algoritma Fuzzy Evolusi
BAB III Solusi Optimal Permasalahan Penjadwalan Perkuliahan Menggunakan Algoritma Fuzzy Evolusi Pada bab ini dijelaskan mengenai penerapan dari algoritma fuzzy evolusi pada permasalahan penjadwalan perkuliahan.
Lebih terperinciBAB III PEMBAHASAN. Berikut akan diberikan pembahasan mengenai penyelesaikan CVRP dengan
BAB III PEMBAHASAN Berikut akan diberikan pembahasan mengenai penyelesaikan CVRP dengan Algoritma Genetika dan Metode Nearest Neighbour pada pendistribusian roti di CV. Jogja Transport. 3.1 Model Matetematika
Lebih terperinciBAB III PERANCANGAN. Gambar 3.1 di bawah ini mengilustrasikan jalur pada TSP kurva terbuka jika jumlah node ada 10:
BAB III PERANCANGAN Pada bagian perancangan ini akan dipaparkan mengenai bagaimana mencari solusi pada persoalan pencarian rute terpendek dari n buah node dengan menggunakan algoritma genetika (AG). Dari
Lebih terperinciBAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah 1.2. Rumusan Masalah
BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Seorang investor tentu akan kesulitan dalam menanamkan modalnya apabila perusahaan yang ditawarkan cukup banyak jumlahnya, dengan biaya investasi, risiko kegagalan,
Lebih terperinciJl. Ahmad Yani, Pontianak Telp./Fax.: (0561)
APLIKASI PENCARIAN RUTE TERPENDEK MENGGUNAKANALGORITMA GENETIKA (Studi Kasus: Pencarian Rute Terpendek untuk Pemadam Kebakaran di Wilayah Kota Pontianak) [1] Putri Yuli Utami, [2] Cucu Suhery, [3] Ilhamsyah
Lebih terperinciBAB III PEMBAHASAN. menggunakan model Fuzzy Mean Absolute Deviation (FMAD) dan penyelesaian
BAB III PEMBAHASAN Dalam bab ini akan dibahas mengenai pembentukan portofolio optimum menggunakan model Fuzzy Mean Absolute Deviation (FMAD) dan penyelesaian model Fuzzy Mean Absolute Deviation (FMAD)
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 terperinciSATUAN ACARA PERKULIAHAN
Topik bahasan : Pendahuluan Mahasiswa dapat memahami konsep cerdasan buatan dan aplikasinya dalam bidang rekayasa 1 Setelah mempelajari materi ini, diharapkan mahasiswa : 1.Mampu mengenal permbangan teknologi
Lebih terperinciPERANCANGAN DAN PEMBUATAN APLIKASI OPTIMASI PENYUSUNAN IKLAN GAMBAR DENGAN ALGORITMA GENETIKA ABSTRAK
PERANCANGAN DAN PEMBUATAN APLIKASI OPTIMASI PENYUSUNAN IKLAN GAMBAR DENGAN ALGORITMA GENETIKA Leo Willyanto Santoso*, Johan Saputra**, dan Rolly Intan*** *, **, ***Jurusan Teknik Informatika FTI Universitas
Lebih terperinciA. ADHA. Program Studi Teknik Sipil, Fakultas Teknik,Universitas Islam Riau, Pekanbaru, Indonesia Corresponding author:
Institut Teknologi Padang, 27 Juli 217 ISBN: 978-62-757-6-7 http://eproceeding.itp.ac.id/index.php/spi217 Optimasi Bentuk Struktur dan Penampang pada Struktur Rangka Baja Terhadap Kendala Kehandalan Material
Lebih terperinciGambar I.1 Modal Pendistribusian di PT.XYZ
BAB I PENDAHULUAN I.1 Latar Belakang Distribusi adalah aktivitas penyaluran barang dari produsen kepada konsumen. Aktivitas ini memiliki peranan yang sangat penting dalam sebuah perusahaan. Didalam supply
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 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 terperinciOptimasi Kendali Distribusi Tegangan pada Sistem Tenaga Listrik dengan Pembangkit Tersebar
Optimasi Kendali Distribusi Tegangan pada Sistem Tenaga Listrik dengan Pembangkit Tersebar Soni Irawan Jatmika 2210 105 052 Pembimbing : 1. Prof. Dr. Ir. Adi Soeprijanto, MT. 2. Heri Suryoatmojo, ST. MT.
Lebih terperinciImplementasi Algoritma Genetika dalam Pembuatan Jadwal Kuliah
Implementasi Algoritma Genetika dalam Pembuatan Jadwal Kuliah Leonard Tambunan AMIK Mitra Gama Jl. Kayangan No. 99, Duri-Riau e-mail : leo.itcom@gmail.com Abstrak Pada saat ini proses penjadwalan kuliah
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 terperinciOPTIMASI PERSEDIAAN BAJU MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI PERSEDIAAN BAJU MENGGUNAKAN ALGORITMA GENETIKA andra Aditya 1), Wayan Firdaus Mahmudy 2) 1) Program Studi Teknik Informatika, Fakultas Ilmu Komputer Malang Jl. Veteran, Malang 65145, Indonesia
Lebih terperinciIMPLEMENTASI ALGORITMA GENETIKA PADA KNAPSACK PROBLEM UNTUK OPTIMASI PEMILIHAN BUAH KEMASAN KOTAK
IMPLEMENTASI ALGORITMA GENETIKA PADA KNAPSACK PROBLEM UNTUK OPTIMASI PEMILIHAN BUAH KEMASAN KOTAK Komang Setemen Jurusan Manajemen Informatika, Fakultas Teknik Kejuruan, Universitas Pendidikan Ganesha
Lebih terperinciPENGENDALIAN PERSEDIAAN DUA ESELON DENGAN MENGGUNAKAN METODE JOINT ECONOMIC LOT SIZE (JELS)
PENGENDALIAN PERSEDIAAN DUA ESELON DENGAN MENGGUNAKAN METODE JOINT ECONOMIC LOT SIZE (JELS) Santoso 1*, David Try Liputra 2, Yoanes Elias 3 1,2,3 Jurusan Teknik Industri, Fakultas Teknik, Universitas Kristen
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI. genetik yang dibuat. Dalam mengimplementasi program aplikasi diperlukan syarat
BAB 4 IMPLEMENTASI DAN EVALUASI Pada bab ini, penulis akan menguraikan hasil implementasi dan evaluasi terhadap program aplikasi optimasi penjadwalan penggunaan ruang menggunakan teori algoritma genetik
Lebih terperinciAPLIKASI LINIER PROGRAMMING UNTUK PERENCANAAN PRODUKSI AGREGAT DI UKM ROKOK KRETEK
APLIKASI LINIER PROGRAMMING UNTUK PERENCANAAN PRODUKSI AGREGAT DI UKM ROKOK KRETEK Heri Awalul Ilhamsah Jurusan Teknik Industri Universitas Trunojoyo Madura Kampus Universitas Trunojoyo Madura Jl. Raya
Lebih terperinciBAB III 1 METODE PENELITIAN
23 BAB III 1 METODE PENELITIAN 1.1 Sumber Data Data yang digunakan dalam penelitian ini sebagai berikut: 1. Karakteristik pembangkit meliputi daya maksimum dam minimum, karakteristik heat-rate (perbandingan
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 I PENDAHULUAN. 1.1 Latar Belakang Masalah. Di zaman yang global ini persaingan bisnis berjalan cukup ketat dan mengharuskan
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Di zaman yang global ini persaingan bisnis berjalan cukup ketat dan mengharuskan manajemen untuk memberikan terobosan yang strategis untuk tetap dapat mengembangkan
Lebih terperinci