Prosiding Seminar Nasional Manajemen Teknologi XX Program Studi MMT-ITS, Surabaya 1 Februari 2014
|
|
- Inge Pranata
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PENGEMBANGAN ALGORITMA DIFFERENTIAL EVOLUTION (DE) UNTUK MENYELESAIKAN PERMASALAHAN TATA LETAK FASILITAS DENGAN LUAS AREA BERBEDA (UNEQUAL AREA FACILITY LAYOUT PROBLEM) M. Bisyrul Jawwad 1), Budi Santosa 2), dan Nurhadi Siswanto 3) 1) Jurusan teknik Industri, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember Jl. Arief Rahman Hakim, Surabaya , 3) Jurusan teknik Industri, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember ABSTRAK Tata letak fasilitas merupakan permasalahan penempatan fasilitas pada suatu area atau lantai produksi. Dalam dunia nyata, fasilitas-fasilitas yang akan disusun mempunyai dimensi yang berbeda-beda (unequal area). Penyelesaian permasalahan ini dengan menggunakan algoritma eksak hanya mampu untuk 11 fasilitas saja dan akan menjadi rumit ketika fasilitas yang akan disusun semakin banyak. Untuk itu diperlukan metode pencarian yang efektif untuk menyelesaikan permasalahan tersebut. Pada penelitian ini digunakan algoritma Differential Evolution (DE) yang dipadukan Flexible Bay Structure (FBS) dengan fungsi tujuan meminimasi total biaya perpindahan material. Hasil dari penelitian ini menunjukan bahwa solusi yang dihasilkan algoritma DE cukup bagus dengan menghasilkan 5 solusi optimal dari 11 dataset. Untuk itu memperbaiki kekurangan tersebut, Algoritma DE digabungkan dengan teknik Local Search (DE-LS) dan Particle Swarm Optimization (DEPSO). Algoritma DE-LS memberikan hasil yang tidak jauh berbeda dengan yang dihasilkan oleh DE asli. Sedangkan algoritma DEPSO mampu memberikan solusi yang lebih bagus dari algoritma DE, dibuktikan dengan algoritma ini mampu memberikan solusi optimal pada 6 dataset dari 8 dataset yang digunakan untuk pengujian. Kata kunci: Tata Letak Fasilitas, Uneqal Area, Differential Evolution, Perpindahan Material, Flexible Bay Structure PENDAHULAN Fasilitas, menurut Heragu (2008) didefinisikan sebagai bangunan yang digunakan sebagai tempat mesin, material maupun bahan-bahan yang lain untuk membuat produk atau menyediakan jasa. Fasilitas-fasilitas ini perlu untuk disusun sedemikian rupa sehingga bisa memenuhi tujuan dari perusahaan. Tata letak fasilitas adalah permasalahan menempatkan fasilitas dalam perusahaan dengan tujuan mendapatkan susunan yang paling efektif dengan mempertimbangkan kriteria atau tujuan tertentu dan juga batasan tertentu (Kouveli s; dkk, 1992). Unequal Area Facility Layout Problem (UAFLP) adalah salah satu formulasi model dari tata letak fasilitas yang mempertimbangkan ukuran dari fasilitas yang akan disusun. Model ini diformulasikan untuk menyusun fasilitas yang berbentuk rectangular dengan dimensi yang berbeda-beda, dengan ketentuan semua fasilitas harus ditempatkan dalam plant layout dan semua fasilitas tidak boleh overlap antara satu dengan yang lain (Amour & Buffa, A-5-1
2 1963). Tujuan dari UAFLP adalah menempatkan fasilitas dalam suatu area sehingga tujuan yang diinginkan bisa tercapai, misalnya: minimasi biaya perpindahan material, minimasi penggunaan area fasilitas, dsb. Penyelesaian UAFLP dengan menggunakan metode eksak hanya mampu sampai 11 fasilitas saja, dan akan membutuhkan waktu yang semakin lama ketika jumlah fasilitas yang akan disusun bertambah. Penyelesaian untuk permasalahan yang lebih kompleks para peneliti banyak menggunakan metode metaheuristik. Dari semua teknik yang sudah digunakan, Genetic Algorithm yang paling banyak dipakai oleh para peneliti dan tidak ada teknik yang lebih unggul mutlak dibanding dengan yang lain. Namun belum pernah ada penelitian yang menggunakan Algoritma Differential Evolution untuk menyelesaikan permasalahan UAFLP. Dalam menyelesaikan tata letak fasilitas juga diperlukan algoritma untuk menyusun fasilitas-fasilitas pada suatu area. Ada beberapa cara untuk menyusun fasilitas, salah satu diantaranya adalah Flexible bay structure (FBS). Pada penelitian ini akan mencoba menggunakan algoritma Differential Evolution (DE) untuk menyelesaikan permasalahan UAFLP dengan metode penyusunan menggunakan Flexible bay structure (FBS). UNEQUAL AREA FACILITY LAYOUT PROBLEM (UAFLP) Unequal Area Facility Layout Problem (UAFLP) adalah salah satu dari formulasi tata letak fasilitas yang pertama kali ditemukan oleh Armour dan Buffa (1963). UAFLP ini termasuk dalam kategori layout dengan bentuk regular shape. Fasilitas yang akan disusun mempunyai bentuk rectangular dengan dimensi tetap (fix dimension) dan mempunyai ukuran berbeda satu dengan yang lainnya. Hubungan antar fasilitas seperti frekuensi perpindahan material dan biaya perpindahan antar fasilitas pada permasalahan UAFLP ini diasumsikan diketahui. Tujuanya adalah untuk meminimumkan biaya perpindahan material. Gambar 1 menunjukan Ilustrasi dari permasalahan layout dengan luas area yang berbeda. Gambar 1. Ilustrasi Variabel dan Parameter Multirow Layout Problem dengan Luas Area yang Berbeda (Heragu, 2008). Dimana: = jumlah departemen = notasi departemen, 1, 2,3,, n = aliran material dari departemen i ke j = panjang departemen i = lebar departemen i = jarak departemen i pada sumbu-x A-5-2
3 h = jarak departemen i pada sumbu-y = jarak clearance horizontal dept i ke j = jarak clearance vertikal dept i ke j ( ) = 1, 0, Fungsi tujuan: ( + ) (1) Fungsi pembatas: h (, ) (2) (, ) (3) 1 = 0 Supaya Permasalahan UAFLP ini lebih memberikan hasil yang realistis, Camp; dkk (1991) menambahkan Maximum Aspect Ratio. Hal ini dimaksudkan agar fasilitas yang akan disusun tidak terlalu sempit. Dengan adanya maksimum aspect ratio ini ukuran dari fasilitas menjadi lebih terbatas. = {, } {, } Dimana: = maximum aspect rasio = panjang fasilitas ke i = lebar fasilitas ke i Perhitungan jarak antar fasilitas dihitung dengan rectilinear. = + (6) DIFFERENTIAL EVOLUTION DE pertama kali diperkenalkan oleh Storn dan Price (1995) sebagai metode penyelesaian permasalahan optimasi kontinyu yang berdasarkan populasi (population -based) stokastik. Tahapan DE menurut Santosa dan Willy (2011) adalah sebagai berikut: Inisialisasi Membangkitkan nilai parameter Menentukan batas atas dan batas bawah Untuk pembangkitan nilai awal variabel generasi ke 0, variabel ke j dan vektor i bisa diwakili dengan notasi berikut:,, = + (, 1)( ) (7) (4) (5) A-5-3
4 Fasilitas Random Gambar 2. Pembentukan Urutan Solusi dengan Pembangkitan Bilangan Random Mutasi Setelah diinisialisasi, DE akan memutasi dan mengkombinasi populasi awal untuk menghasilkan populasi dengan ukuran N vektor percobaan. Dalam DE, mutasi dilakukan dengan cara menambahkan perbedaan dua vektor terhadap vektor ketiga dengan cara:, =, + (,, ) (8) F = Faktor skala (F (0, 1+)) Beberapa peneliti lain juga menerapkan cara mutasi yang sedikit diubah dari cara awal seperti yang dikemukakan oleh Storn dan Price (Ali,dkk, 2009). DE/rand/1:, =, + (,, ) (9) DE/rand/2:, =, +,, + (,, ) (10) DE/best/1:, =, + (,, ) (11) DE/best/2:, =, +,, + (,, ) (12) DE/rand-to-best/1:, =, +,, + (,, ) (13) Crossover Pada tahap ini DE menyilangkan setiap vektor,,, dengan vektor mutan,,, untuk membentuk vektor hasil persilangan,, dengan formula.,, = (14),,,, Probabilitas crossover, Cr (0, 1) adalah nilai yang didefinisikan untuk mengendalikan fraksi nilai variabel yang disalin dari mutan. Seleksi Jika trial vektor, u,,, mempunyai nilai fungsi tujuan yang lebih kecil dari fungsi tujuan vektor targetnya, x,, maka u,, akan menggantikan posisi x,, dalam populasi pada generasi berikutnya. Jika terjadi sebaliknya, vektor target akan tetap pada posisinya dalam populasi. A-5-4
5 ,, =,, (,, ) (,, ),, (15) Kriteria Pemberhentian (Stopping Criteria) Apabila sudah memenuhi kriteria pemberhentian maka bisa di hentikan, namun jika belum ulangi dari tahap mutasi. FLEXIBLE BAY STRUCTURE Flexible bay structure (FBS) merupakan cara penempatan fasilitas pada suatu area dengan membagi area menjadi kolom-kolom vertikal ataupun horizontal. Setelah area dibagi dalam bentuk kolom-kolom, selanjutnya menempatkan fasilitas pada kolom tersebut. Jumlah kolom yang terbentuk juga flekisbel (Komarudin, 2010). Pada FBS, setiap solusi yang dihasilkan dari teknik optimasi mempunyai dua segmen, segmen yang pertama menunjukan urutan dari fasilitas sebanyak n, sedangkan segmen yang kedua menunjukan kapan fasilitas yang disusun tersebut berpindah kolom sebanyak n-1. Gambar 3 merupakan ilustrasi flexible bay structure. PENGUJIAN DATASET susunan fasilitas Gambar 3. Flexible Bay Structure Dataset permasalahan Unequal Area Facility Layout Problem (UAFLP) ini terdiri dari sejumlah departemen yang sudah diketahui luasnya, namun tidak diketahui dimensinya secara pasti (unfixed dimension), untuk menjaga agar departemen yang terbentuk tidak terlalu sempit maka digunakan aspect ratio. Tabel 1. Dataset Penelitian No Facility Size Common Reference Problem Number of Shape Set Departments Width Height data set Constraint 1 O max = 4 Meller et al. (1998) 2 FO max = 5 Meller et al. (1998) 3 FO max = 5 Meller et al. (1998) 4 O max = 5 Meller et al. (1998) 5 V10a lmin = 5 van Camp (1989) 6 V10s max = 5 van Camp (1989) 7 BA lmin = 1 van Camp (1989) 8 BA lmin = 1 van Camp (1989) 9 M max = 5 Bozer et al. (1994) 10 SC max = 5 Liu and Meller (2007) 11 SC max = 4 Liu and Meller (2007) A-5-5
6 Dari Tabel 2 bisa diketahui bahwa algoritma DE mampu mendapatkan nilai yang lebih baik pada 5 dataset, sedangkan untuk 6 dataset yang lain algoritma ini masih kalah dibanding dengan penelitian sebelumnya. Untuk dataset ukuran kecil (7-9 fasilitas), algoritma DE unggul pada dataset O7 dan FO7, namun kurang baik pada dataset FO8 dan O9. Untuk data ukuran sedang (10-14 fasilitas), algoritma DE unggul hanya pada dataset V10s, sedangkan untuk data V10a, BA12, dan BA14, biaya perpindahan material yang dihasilkan algoritma DE masih kalah. Untuk data ukuran besar (25-35 fasilitas), algoritma DE unggul pada dataset M25 dan SC35. Dari hasil percobaan terhadap dataset, bisa diketahui bahwa algoritma DE tidak unggul mutlak pada data set ukuran kecil, sedang dan besar. Algoritma DE ini pun juga bisa dikatakan tidak terlalu buruk dalam menemukan solusi, sebab DE mampu menemukan solusi 5 dari sebelas dataset. Kelebihan dari algoritma DE adalah kemampuannya dalam melakukan pencarian yang cepat dan handal, namun ada kemungkinan terjebak pada lokal optimal. Pada dataset permasalahan UAFLP ini ada kemungkinan hal sama juga terjadi. Lokal optimal kemungkinan terjadi karena proses mutasi algoritma DE ini tidak mampu menghasilkan kombinasi solusi yang berbeda dari solusi sebelumnya, sehingga solusi yang dihasilkan sama seperti iterasi sebelumnya. Misal dari individu (0,2; 0,8; 0,5) menghasilkan urutan (1-3-2), kemudian dilakukan mutasi sebagai berikut., =, + (,, ) = = Maka hasil dari mutasi (0.32; 0,92; 0,35) akan menghasilkan urutan (1-3-2). Tabel 2. Hasil Pengujian Dataset No Dataset x worst x mean x best Best Known %gap Computation Time 1 O FO FO O V10a 2.69E E E V10s 2.47E E E BA E E E BA E E E M E E E SC E E E SC E E E ALGORITMA ALTERNATIF Kemampuan algoritma DE untuk melakukan pencarian yang cepat ada kemungkinan terjebak pada kondis local optimal. Untuk memperbaiki solusi yang dihasilkan, algoritma DE selanjutnya dimodifikasi dengan diharapkan mampu menghasilkan solusi yang lebih baik dari DE-asli yang sebelumnya. Modifikasi yang dilakukan meliputi dua cara, yaitu: Hybrid DE-Particle Swarm Optimization (DEPSO) Particle Swarm Optimization (PSO) adalah sebuah teknik stochastic optimization berdasarkan populasi yang terinspirasi oleh perilaku sosial dari pergerakan burung atau ikan ( bird flocking or fish schooling). ). PSO digolongkan ke dalam teknik A-5-6
7 metaheuristik optimasi swarm intelligence (SI) di mana prinsip sosio-psikologi yang mempengaruhi perilaku sosial makhluk hidup diadopsi. Perilaku sosial terdiri dari tindakan individu dan pengaruh dari individu-individu lain dalam suatu kelompok (Santosa dan Willy, 2010). Dalam konteks optimasi, setiap individu dalam populasi terletak pada suatu ruang tertentu dan masing-masing memiliki posisi juga kecepatan. Jika ada individu yang mampu menghasilkan nilai lebih baik, maka individu lain yang memiliki nilai kurang baik akan mendekat (update posisi) sesuai dengan kecepatannya. Dalam bentuk matematis, update posisi dan kecepatan dari setiap individu bisa digambarkan pada formulasi = h + 1 ( ) + 2( ) (16) = + (17) DE membutuhkan waktu komputasi yang lebih sedikit (cepat), lebih bagus dalam mencari solusi pada permasalahan skala besar. Sedangkan PSO bagus dalam keluar dari jebakan lokal optimal. Dua keuntungan dari algoritma ini akan coba digabungkan. Penggabungan dilakukan atau penggunaan update posisi dilakukan pada proses crossover sebagai pilihan jika mutan yang dihasilkan tidak memenuhi kriteria crossover. Hybrid PSO Set parameter (np, F, CR, itmax) Inisialisasi For it<=itmax Mutasi 1 = 0, + ( 1, 2, ) Crossover r=rand If r < CR Crossover=mutan Else PSO (update velocity dan posisi) = h + 1 ( ) + 2( ) = + End Seleksi It=it+1 End Hybrid DE-Local Search (DE-LS) Modifikasi dilakukan pada proses mutasi dan menambahkan pencarian lokal. Penggunaan local search bertujuan untuk mendapatkan nilai solusi yang lebih beragam lagi. Dari Tabel 3 bisa diketahui bahwa algoritma DE-LS dan DEPSO yang diujikan pada dataset UAFLP, tidak unggul mutlak dibanding penelitian sebelumnya, tetapi setidaknya lebih baik dibanding dengan biaya perpindahan material yang dihasilkan oleh algoritma DE-asli. Bila dibandingkan dengan hasil terbaik yang diperoleh pada penelitian terdahulu, algoritma DE-LS masih kurang bagus pada tiga data set (O9, V10a, dan SC30). Sedangkan algoritma DEPSO masih kurang bagus hanya pada dua dataset (O9 dan V10a). Penyebab dari kelemahan DE-LS kemungkinan juga sama seperti yang terjadi pada DE asli, yaitu terjebak pada kondisi lokal optimal. sebab individu yang digunakan DE-LS sama dengan individu DE asli, hanya saja urutan penempatannya yang dibalik. A-5-7
8 Modifikasi mutasi DE/rand/1: =, + (,, ) DE/rand-to-best/1: =, +,, + (,, ) Mutan : = + (1 ) Local search 1. Mengubah urutan bilangan random dari kecil ke besar menjadi besar ke kecil Sort (random, 2, ascend ) sort (random, 2, descend ) 2. Mengubah urutan pergantian baris. Dari 0 menjadi 1, begitu juga sebaliknya Tabel 3. Perbandingan Hasil DE, DE_LS dan DEPSO terhadap Nilai Terbaik Data Set Best known DE(%) DE-LS (%) DEPSO (%) O FO FO O V10a E E E M E E E SC E E E SC E E E Modifikasi algoritma DE dengan menambahkan pencarian lokal dan update posisi akan membuat waktu komputasi yang dibutuhkan untuk menyelesaikan program juga bertambah. Tabel 4 menunjukan perbandingan waktu yang diperlukan oleh algoritma DE asli, DE_LS dan DEPSO untuk menyelesaikan program. Dari kedua Tabel 3 dan tersebut menunjukan bahwa modifikasi DE dengan menambahkan update posisi didalamnya akan membuat hasil yang dicapai lebih baik dari DE asli, tetapi modifikasi ini juga membuat waktu komputasi semakin bertambah. Sedangkan modifikasi DE dengan pencarian lokal tidak terlalu berpengaruh pada hasil pencarian, sebab individu yang digunakan dalam pencarian lokal bukanlah individu yang berbeda dari hasil mutasi, melainkan individu yang sama, hanya saja urutan penempatanya yang dibalik. Waktu yang dibutuhkan pun lebih lama dibanding dengan DE asli. Sehingga modifikasi DE dengan pencarian lokal bisa dikatakan tidak lebih baik dibanding DE asli. Tabel 4. Perbandingan Waktu Komputasi Dataset DE DE-LS DEPSO O FO FO O V10a M SC SC A-5-8
9 PENGARUH PARAMETER DE TERHADAP HASIL Parameter yang digunakan dalam percobaan sedikit banyak juga berpengaruh pada biaya perpindahan material handling yang dihasilkan dari algoritma DE. Parameter-parameter tersebut meliputi; nilai faktor pertumbuhan mutan (F), nilai crossover ratio (CR), serta jumlah populasi yang dibangkitkan diawal (jml_populasi). Nilai Faktor Pertumbuhan Mutan (F) Gambar 4 menunjukan pengaruh nilai F terhadap solusi yang dihasilkan. Dari gambar grafik tersebut bisa diketahui bahwa penambahan nilai parameter F tidak terlalu memberikan dampak pada pencarian solusi optimal. Hasil yang dicapai algoritma DE asli dan DE-LS pada rentang nilai F, menunjukan bahwa diawal dengan semakin bertambahnya nilai F didapatkan hasil yang semakin bagus, namun hasil bagus ini tidak terjadi terus menerus seiring dengan bertambahnya nilai F. Nilai solusi yang dihasilkan dengan menambah nilai F (dari 0.7 hingga 0.99) tidak lebih baik dari sebelumnya bahkan cenderung kurang baik. G R A F I K P E N G A R U H N I L A I F BIAYA F DE asli DEPSO DE-LS Gambar 4. Grafik Pengaruh Nilai F Terhadap Solusi Hasil paling mencolok untuk membuktikan tidak ada pengaruh nilai F terhadap pencarian solsusi diperlihatkan oleh algoritma DEPSO, penambahan nilai parameter F tidak memebuat solusi yang dihasilkan oleh algoritma DEPSO menjadi lebih baik dari sebelumnya. Jadi bisa disimpulkan perubahan nilai parameter F tidak memberikan dampak yang cukup berarti pada pencarian solusi, namun parameter ini harus tetap dibutuhkan untuk proses mutasi. Nilai Crossover Ratio (CR) Nilai CR berpengaruh pada probabilitas diterima atau tidaknya hasil mutasi, jika nilai CR yang digunakan besar maka akan membuat probabilitas mutan diterima semakin besar, yang artinya akan semakin besar tercipta peluang timbulnya individu baru yang berbeda dari sebelumnya, sehingga diharapkan segera didapatkan solusi yang optimal dari adanya individu yang semakin beragam tersebut. Grafik pengaruh CR Biaya Crossover Ratio DE asli DEPSO DE-LS Gambar 5. Grafik Pengaruh CR Terhadap Solusi A-5-9
10 Gambar 5 menunjukan dengan semakin bertambahnya nilai CR membuat solsui yang dihasilkan semakin bagus. Pengaruh ini lebih terasa pada algoritma DE asli dan DE-LS, sebab pada kedua algoritma ini hanya mendapatkan nilai individu baru yang berasal dari mutasi. Sedangkan pada DEPSO, selain berasal dari mutasi, individu baru juga bisa diperoleh daro proses update posisi yang ditambahkan dan inilah yang membuat algoritma CR mampu menemukan solusi yang bagus pada nilai CR berapapun. Sehingga bisa dikatakan bahwa kelemahan proses crossover pada DE bisa diatasi dengan menambahkan proses update posisi (DEPSO). Jumlah Populasi Hasil dari percobaan tersebut terhadap ketiga algoritma menunjukan tren yang sama, bahwa semakin besar jumlah populasi yang dibangkitkan akan membuat algoritma semakin muda menemukan solusi yang optimal. Namun jika jumlah populasi terus ditambah solusi yang didapatkan akan mengurucut pada satu titik solusi optimal yang tetap atau solusi tidak bisa semakin baik lagi, karena sudah sampai pada puncaknya. Sehingga penentuan jumlah populasi harus menjadi perhatian yang serius, sebab dengan jumlah populasi yang sedikit sulit menemukan solusi optimal, sedangkan jika populasinya banyak maka waktu komputasinya pun akan bertambah. Grafik Populasi terhadap biaya biaya Populasi yang dibangkitkan DE asli DEPSO DE-LS KESIMPULAN Gambar 6. Grafik Pengaruh Jumlah Populasi Terhadap Biaya Kesimpulan yang bisa diambil, dari percobaan yang sudah dilakukan sebagai berikut: 1. Algoritma Differential Evolution (DE) yang dikembangkan mampu digunakan untuk menyelesaikan permasalahan Unequal Area Facility Layout Problem (UAFLP). 2. Algoritma DE kurang kompetitif untuk menyelesaikan permasalahan UAFLP, terbukti hanya mampu mendapatkan 5 hasil optimal dari 11 data set. 3. Modifikasi algoritma DE dengan menambahkan local Search pada crossover tidak memberikan solusi yang lebih baik, dan membutuhkan waktu komputasi yang lebih tinggi. 4. Modifikasi algoritma DE dengan menambahkan update posisi sebagaimana yang digunakan pada algoritma Particle Swarm Optimization (PSO), mampu memberikan hasil yang lebih baik. 5. Parameter CR dan jumlah populasi yang dibangkitkan dalam algoritma DE memberikan pengaruh pada proses pencarian solusi. Sedangkan F tidak memberikan pengarus pada pencarian solsusi. meskipun demikian keberadaan ketiga parameter ini harus tetap ada pada algoritma DE A-5-10
11 Saran untuk penelitian selanjutnya permasalahan bisa dikembangkan untuk kasus layout fasilitas dinamis (dynamic unequal area facility layout problem). pengukuran jarak bisa digunakan cara lain yang lebih mendekati kondisi sesungguhnya, dalam hal ini bisa digunakan titik input/output (I/O). Dengan semakin berkembangnya teknik metaheuristik, bisa digunakan algoritma penyelesaian yang lain, sehingga bisa menemukan solusi yang lebih baik lagi. Metode penyusunan layout bisa menggunakan cara yang berbeda, seperti Space Filling Curve (SFC) mauapun cara kontinyus yang lain. UCAPAN TERIMAKASIH Penulis menyampaikan terima kasih kepada Dosen Jurusan Teknik Industri, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember yang memberikan banyak dukungan dalam pelaksanaan penelitian ini. Juga seseorang yang sudah memberikan data pada penelitian ini DAFTAR PUSTAKA Ali, M; Pant, M.;& Abraham, A.; (2008), Simplex Differential Evolution, Vol. 6, No. 5, Armour, G..C., dan Buffa, E.S. (1963). A Heuristic Algorithm and Simulation Approach to Relative Allocation of Facilities, Management Science, 9(2), Camp, D.J., Carter, M.W. dan Vannelli, A. (1991), A Nonlinear Optimization Approach for Solving Facility Layout Problem, European Journal of Operation Research. Vol. 57, N. 2, pp Heragu, S.S. (2008), Facilities Design, 3 rd edition, CRC Press, New York. Hernandez, L.G; Pierreval, H.; Morrera L.S.; & Azofra, A.A.(2013), Handling qualitative aspects in Unequal Area Facility Layout Problem:An Interactive Genetic Algorithm, Applied Soft Computing, 13, Komarudin dan Wong, K.Y.(2010), Applying Ant System for solving Unequal Area Facility Layout Problems, European Journal of Operational Research, Vol. 202, N. 3, pp Konak, A., Kulturel-Konak, S., Norman, B.A., dan Smith, A.E. (2006), A New Mixed Integer Formulation for Optimal Facility Layout Design, Operation Research Letters. 34(6), Konak, S.K dan Ulutas, B.H.(2012), An Artificcial Immune System based Algorithm to Solve Unequal Area Facility Layout Problem, Expert System with Application, 39, Kouvelis, P.; Kurawarwala, A.A. dan Gutiérrez, G.J.(1992), Algorithms for Robust Single and Multiple Period Layout Planning for Manufacturing Systems, European Journal of Production Research, Vol. 63, pp Kushida, J. I; Oba, K. dan Hara, A. (2012), Solving Quadratic Assignment Problem by Differential Evolution, Departement of Intelegent System, Hiroshima City University, Hiroshima, Japan. Meller, R. D., Narayanan, V., dan Vance, P. H. (1999), Optimal Fa cility Layout Design, Operations Research Letters, 23(3 5), A-5-11
12 Meller, R. D., Chen, W. dan Sherali, H.D.(2007), Applying the Sequence Pair Representation to Optimal Facility Layout Problems, Operations Research Letters, Vol. 35, N. 5, pp Santosa, B. dan Willy, P.(2011), Metoda Metaheuristik Konsep dan Implementasi, Guna Widya, Surabaya. Storn, R. dan Price, K.(1995), Differential Evolution - a Simple and Efficient Adaptive Scheme for Global Optimization Over Continuous Spaces, Technical Report TR , ICSI. Van Camp, D. J. (1989). A Nonlinear Optimization Approach for Solving Facility Layout Problem. Master of Applied Science, Department of Industrial Engineering, University of Toronto, Canada. A-5-12
Manual Penggunaan Algoritma Evolusi Diferensial untuk Mengoptimasikan Tata Letak Fasilitas Komarudin
Manual Penggunaan Algoritma Evolusi Diferensial untuk Mengoptimasikan Tata Letak Fasilitas Komarudin Laboratorium Rekayasa, Simulasi dan Pemodelan Sistem Departemen Teknik Industri Fakultas Teknik Universitas
Lebih terperinciPENYELESAIAN PERMASALAHAN TRAVELLING SALESMAN PROBLEM MENGGUNAKAN ALGORITMA DIFFERENTIAL EVOLUTION
PENYELESAIAN PERMASALAHAN TRAVELLING SALESMAN PROBLEM MENGGUNAKAN ALGORITMA DIFFERENTIAL EVOLUTION Heri Awalul Ilhamsah Jurusan Teknik Industri Universitas Trunojoyo Email: hilhamsah@gmail.com ABSTRAK
Lebih terperinciBAB 6 KESIMPULAN DAN SARAN
BAB 6 KESIMPULAN DAN SARAN 6.1. Kesimpulan Berdasarkan hasil penelitian dan analisis data yang telah dilakukan, maka penulis dapat mengambil kesimpulan sebagai berikut : a. Representasi kromosom yang digunakan
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 terperinciPENJADWALAN TRUK PADA SISTEM CROSS DOCKING DENGAN PENYIMPANAN SEMENTARA DENGAN ALGORITMA HYBRID CROSS ENTROPY GENETIC ALGORITHM
PENJADWALAN TRUK PADA SISTEM CROSS DOCKING DENGAN PENYIMPANAN SEMENTARA DENGAN ALGORITMA HYBRID CROSS ENTROPY GENETIC ALGORITHM PENELITI : Pristi Dwi Puspitasari 2507 100 003 DOSEN PEMBIMBING : Ir. Budi
Lebih terperinciPENGEMBANGAN ALGORITMA DIFFERENTIAL EVOLUTION UNTUK PENJADWALAN FLOW SHOP MULTI OBYEKTIF DENGAN BANYAK MESIN ABSTRAK
PENGEMBANGAN ALGORITMA DIFFERENTIAL EVOLUTION UNTUK PENJADWALAN FLOW SHOP MULTI OBYEKTIF DENGAN BANYAK MESIN Rudi Nurdiansyah Jurusan Teknik Industri, Fakultas Teknologi Industri, Institut Teknologi Sepuluh
Lebih terperinciPerbandingan Kombinasi Genetic Algorithm Simulated Annealing dengan Particle Swarm Optimization pada Permasalahan Tata Letak Fasilitas
Jurnal Teknik Industri, Vol. 12, No. 2, Desember 2010, 119-124 ISSN 1411-2485 Perbandingan Kombinasi Genetic Algorithm Simulated Annealing dengan Particle Swarm Optimization pada Permasalahan Tata Letak
Lebih terperinciKOMBINASI ALGORITMA DIFFERENTIAL EVOLUTION DENGAN ITERATED GREEDY UNTUK PERMASALAHAN TRAVELING SALESMAN PROBLEM (TSP)
KOMBINASI ALGORITMA DIFFERENTIAL EVOLUTION DENGAN ITERATED GREEDY UNTUK PERMASALAHAN TRAVELING SALESMAN PROBLEM (TSP) Ong Andre Wahju Riyanto * ABSTRAKSI Penelitian ini ditujukan untuk memperbaiki kelemahan
Lebih 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 terperinciSWARM GENETIC ALGORITHM, SUATU HIBRIDA DARI ALGORITMA GENETIKA DAN PARTICLE SWARM OPTIMIZATION. Taufan Mahardhika 1
SWARM GENETIC ALGORITHM, SUATU HIBRIDA DARI ALGORITMA GENETIKA DAN PARTICLE SWARM OPTIMIZATION Taufan Mahardhika 1 1 Prodi S1 Kimia, Sekolah Tinggi Analis Bakti Asih 1 taufansensei@yahoo.com Abstrak Swarm
Lebih terperinciTEKNIK Vol. V, No. 2 PERBANDINGAN PERFORMANSI ALGORITMA CROSS ENTROPY (CE) DINAMIKA DAN ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO) PADA
53 PERBANDINGAN PERFORMANSI ALGORITMA CROSS ENTROPY (CE) DINAMIKA DAN ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO) PADA TEKNIK Vol. V, No. 2 PENYELESAIAN PERMASALAHAN FLOWSHOP SCHEDULING Dosen Fakultas
Lebih 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 NURSE SCHEDULING PROBLEM
OPTIMASI NURSE SCHEDULING PROBLEM Disusun Oleh Aditya Pratama H (2510100111) Pembimbing Prof. Ir. Budi Santosa, M.S., Ph.D Pendahuluan Latar Belakang Perumusan Masalah Batasan & Asumsi Penjadwalan Proses
Lebih terperincikomputasi dan memori yang rendah), mampu memecahkan permasalahan dengan area fasilitas yang sama atau tidak sama (equal and unequal area), dan
BAB 1 PENDAHULUAN 1.1. Latar Belakang Permasalahan tata letak fasilitas merupakan salah satu area penting dalam merancang sistem produksi sekaligus merupakan kunci untuk meningkatkan produktivitas pabrik.
Lebih terperinciPENERAPAN ALGORITMA CODEQ UNTUK MENYELESAIKAN PERMASALAHAN JOB SHOP SCHEDULING
PENERAPAN ALGORITMA CODEQ UNTUK MENYELESAIKAN PERMASALAHAN JOB SHOP SCHEDULING Dosen Pembimbing: 1. Yudha Prasetyawan, S.T. M.Eng 2. Ir. Budi Santosa, M.S., Ph.D. Oleh: M Bisyrul Jawwad 2507100069 Pendahuluan
Lebih 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 terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Penelitian yang berkaitan dengan permasalahan tata letak fasilitas telah dilakukan pada berbagai kasus. Kado (1995) dalam thesisnya melakukan investigasi parameter algoritma genetik
Lebih terperinciIMPLEMENTASI SELF-ADAPTIVE DIFFERENTIAL EVOLUTION WITH NEIGHBORHOOD SEARCH (SANSDE) UNTUK OPTIMASI SISTEM POMPA AIR
IMPLEMENTASI SELF-ADAPTIVE DIFFERENTIAL EVOLUTION WITH NEIGHBORHOOD SEARCH (SANSDE) UNTUK OPTIMASI SISTEM POMPA AIR Isnani Pramusinto 1 1 Jurusan Teknik Informatika, Fakultas Teknologi Industri,Universitas
Lebih terperinciAPLIKASI SIMULATED ANNEALING UNTUK PENENTUAN TATA LETAK MESIN
APLIKASI SIMULATED ANNEALING UNTUK PENENTUAN TATA LETAK MESIN Sri Kusumadewi, Hari Purnomo Teknik Informatika, Teknik Industri Universitas Islam Indonesia Jl. Kaliurang Km 14,5 Yogyakarta cicie@fti.uii.ac.id,
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Listrik dewasa ini menjadi salah satu kebutuhan yang sangat penting bagi kehidupan manusia. Teknologi dan ilmu pengetahuan yang tidak pernah henti perkembangannya mendorong
Lebih terperinciPenjadwalan Mata Kuliah Menggunakan Algoritma Genetika di Jurusan Sistem Informasi ITS
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) A-127 Mata Kuliah Menggunakan Algoritma Genetika di Jurusan Sistem Informasi ITS Wiga Ayu Puspaningrum, Arif Djunaidy, dan Retno
Lebih terperinciOPTIMISASI PEMBENTUKAN SEL DIINTEGRASIKAN DENGAN PENEMPATAN MESIN DAN PENJADWALAN DI DALAM SELULAR MANUFAKTUR MENGGUNAKAN ALGORITMA GENETIKA
OPTIMISASI PEMBENTUKAN SEL DIINTEGRASIKAN DENGAN PENEMPATAN MESIN DAN PENJADWALAN DI DALAM SELULAR MANUFAKTUR MENGGUNAKAN ALGORITMA GENETIKA Oleh : Moh Khoiron 1209 100 705 Dosen pembimbing : Dr. Imam
Lebih 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 terperinciMODIFIKASI ALGORITMA SYMBIOTIC ORGANISMS SEARCH UNTUK TRAVELING SALESMAN PROBLEM
MODIFIKASI ALGORITMA SYMBIOTIC ORGANISMS SEARCH UNTUK TRAVELING SALESMAN PROBLEM Muhammad Isnaini Hadiyul Umam 1), Budi Santosa 2), dan Nurhadi Siswanto 3) 1) Program Magister Teknik Industri, Institut
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
1 BAB I PENDAHULUAN 1.1. Latar Belakang Clustering adalah proses di dalam mencari dan mengelompokkan data yang memiliki kemiripan karakteristik (similarity) antara satu data dengan data yang lain. Clustering
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 terperinciOPTIMISASI PARTICLE SWARM PADA PEMASANGAN JARINGAN PIPA AIR PDAM"
OPTIMISASI PARTICLE SWARM PADA PEMASANGAN JARINGAN PIPA AIR PDAM" Izak Habel Wayangkau Email : izakwayangkau@gmail.com Jurusan Teknik Informatika, Fakultas Teknik Universitas Musamus Merauke Abstrak Penelitian
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 terperinciALGORITMA DIFFERENTIAL EVOLUTION UNTUK PENJADWALAN FLOW SHOP BANYAK MESIN DENGAN MULTI OBYEKTIF
ALGORITMA DIFFERENTIAL EVOLUTION UNTUK PENJADWALAN FLOW SHOP BANYAK MESIN NGAN MULTI OBYEKTIF Steanus Eko Wiratno 1, Rudi Nurdiansyah 2, dan Budi Santosa 3 Teknik Industri, Fakultas Teknologi Industri,
Lebih terperinciKonsep dan Penjelasan Pustaka Simulated Annealing Untuk Menyelesaikan Permasalahan Tata Letak Mesin
Konsep dan Penjelasan Pustaka Simulated Annealing Untuk Menyelesaikan Permasalahan Tata Letak Mesin Akhmad Hidayatno Armand Omar Moeis Komarudin Oscar Sriloka Sukoco Laboratorium Rekayasa, Simulasi dan
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 terperinciAnalisis Komparasi Genetic Algorithm dan Firefly Algorithm pada Permasalahan Bin Packing Problem
Analisis Komparasi Genetic Algorithm dan Firefly Algorithm pada Permasalahan Bin Packing Problem Adidtya Perdana Sekolah Tinggi Teknik Harapan Medan Jl. H.M. Jhoni No. 70 C Medan adid.dana@gmail.com Abstrak
Lebih terperinciBlending Agregat Menggunakan Algoritma Genetika
JURNAL TEKNIK ITS Vol. 1, No. 1, (Sept. 212) ISSN: 231-9271 D-113 Blending Menggunakan Algoritma Genetika Yeni Rochsianawati, PujoAji dan Januarti Jaya Ekaputri Jurusan Teknik Sipil, Fakultas Teknik Sipil
Lebih terperinciTINJAUAN PUSTAKA. terbentuklah suatu sistem tenaga listrik. Setiap GI sesungguhnya merupakan pusat
II. TINJAUAN PUSTAKA A. Operasi Sistem Tenaga Listrik Pusat-pusat listrik dan gardu induk satu sama lain dihubungkan oleh saluran transmisi agar tenaga listrik dapat mengalir sesuai dengan kebutuhan dan
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 terperinciPengembangan Algoritma Ant Colony Optimization untuk Menyelesaikan Permasalahan Layout
Pengembangan Algoritma Ant Colony Optimization untuk Menyelesaikan Permasalahan Layout Risang Galih Bhaktiaji, Arief Rahman Jurusan Teknik Industri Institut Teknologi Sepuluh Nopember (ITS) Surabaya, Indonesia
Lebih terperinciProsiding Seminar Nasional Manajemen Teknologi XIV Program Studi MMT-ITS, Surabaya 23 Juli 2011
PENGEMBANGAN ALGORITMA DIFFERENTIAL EVOLUTION UNTUK PENYELESAIAN PERMASALAHAN VEHICLE ROUTING PROBLEM SIMULTANEOUS DELIVERIES PICK-UP WITH TIME WINDOWS (VRPSDPTW) Heri Awalul, Budi Santosa, Stefanus Eko
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK MENYELESAIKAN PERMASALAHAN PENJADWALAN DOSEN DENGAN FUZZY
PENERAPAN ALGORITMA GENETIKA UNTUK MENYELESAIKAN PERMASALAHAN PENJADWALAN DOSEN DENGAN FUZZY Arief Kelik Nugroho Fakultas Teknik, Universitas PGR Yogyakarta e-mail : ariefkeliknugroho@gmail.com Abstrak
Lebih 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 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 terperinciTABU SEARCH SEBAGAI LOCAL SEARCH PADA ALGORITMA ANT COLONY UNTUK PENJADWALAN FLOWSHOP
Jurnal Teknik Industri, Vol. 11, o. 2, Desember 2009, pp. 188-194 ISS 1411-2485 TABU SEARCH SEBAGAI LOCAL SEARCH PADA ALGORITMA AT COLO UTUK PEJADWALA FLOWSHOP Iwan Halim Sahputra, Tanti Octavia, Agus
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 terperinciPENGGUNAAN METODE CODEQ UNTUK MENYELESAIKAN PERMASALAHAN CAPACITATED VEHICLE ROUTING PROBLEM
PENGGUNAAN METODE CODEQ UNTUK MENYELESAIKAN PERMASALAHAN CAPACITATED VEHICLE ROUTING PROBLEM Dosen Pembimbing: Ir. Budi Santosa, M.Sc., Ph.D Y Giri N (2503 100 061) Latar Belakang Metode CODEQ merupakan
Lebih terperinciAlgoritma Genetika Ganda untuk Capacitated Vehicle Routing Problem
JURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) 2337-3520 (2301-928X Print) A-19 Algoritma Genetika Ganda untuk Capacitated Vehicle Routing Problem Muhammad Luthfi Shahab dan Mohammad Isa Irawan Matematika,
Lebih 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 terperinciPREPROCESSING DATA DAN REPRESENTASI ORGANISME ALGORITMA SYMBIOTIC ORGANISMS SEARCH PADA PERMASALAHAN PENJADWALAN PRAKTIKUM PERGURUAN TINGGI
PREPROCESSING DATA DAN REPRESENTASI ORGANISME ALGORITMA SYMBIOTIC ORGANISMS SEARCH PADA PERMASALAHAN PENJADWALAN PRAKTIKUM PERGURUAN TINGGI Hendrawan Armanto 1), C. Pickerling 2), Eka Rahayu Setyaningsih
Lebih terperinciDosen Pembimbing : Ir. Budi Santosa, M.S., Ph.D Oleh : Sas Wahid Hamzah
Artificial Immune System untuk Penyelesaian Vehicle Routing Problem with Time Windows Dosen Pembimbing : Ir. Budi Santosa, M.S., Ph.D Oleh : Sas Wahid Hamzah 2507100054 Pendahuluan Pendahuluan Fungsi Objektif
Lebih 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 terperinciKata kunci: job shop scheduling, CODEQ,
PENERAPAN ALGORITMA CODEQ UNTUK MENYELESAIKAN PERMASALAHAN JOB SHOP SCHEDULING Mohammad Bisyrul Jawwad, Yudha Prasetyawan, Budi Santosa Jurusan Teknik Industri Institut Teknologi Sepuluh Nopember (ITS)
Lebih terperinciPENGEMBANGAN ALGORITMA CROSS ENTROPY- GENETIC ALGORITHM UNTUK MENYELESAIKAN CAPACITATED LOCATION- ROUTING PROBLEM
PENGEMBANGAN ALGORITMA CROSS ENTROPY- GENETIC ALGORITHM UNTUK MENYELESAIKAN CAPACITATED LOCATION- ROUTING PROBLEM M. Firdias Aulia Baskoro W. 1, *), Budi Santosa 2), Yudha Prasetyawan 3) 1) Pasca Sarjana
Lebih terperinciPenyelesaian {0,1}-Knapsack Problem dengan Algoritma Soccer League Competition
Penyelesaian {0,1}-Knapsack Problem dengan Algoritma Soccer League Competition Muji Prasetyo Iryanto, Sri Mardiyati Departemen Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Indonesia,
Lebih terperinciBAB II TINJAUAN PUSTAKA. Job shop scheduling problem (JSSP) adalah permasalahan optimasi
BAB II TINJAUAN PUSTAKA 2.1 Job Shop Scheduling Problem (JSSP) Job shop scheduling problem (JSSP) adalah permasalahan optimasi kombinatorial. Misalkan terdapat n buah job atau pekerjaan, yaitu J 1, J 2,,
Lebih terperinciLOGO PENGEMBANGAN METODE HYBRID TABU SEARCH-CROSS ENTROPY UNTUK PENJADWALAN FLOWSHOP
LOGO PENGEMBANGAN METODE HYBRID TABU SEARCH-CROSS ENTROPY UNTUK PENJADWALAN FLOWSHOP Oleh : Muhammad Fahmi L. 2506 100 080 Pembimbing : Ir. Budi Santosa, M.Sc., Ph.D Ko-Pembimbing : Stefanus Eko Wiratno,
Lebih terperinciOptimasi Pemilihan Pekerja Bangunan Proyek Pada PT. Citra Anggun Pratama Menggunakan Algoritma Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 2, Februari 2017, hlm. 80-84 http://j-ptiik.ub.ac.id Optimasi Pemilihan Pekerja Bangunan Proyek Pada PT. Citra Anggun
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. 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 terperinciImplementasi Metode Pairwise Comparison pada Uji Kinerja Varian Metode Kecerdasan Buatan pada Penyelesaian Masalah TSP
JURNAL TEKNIK POMITS Vol. 2, No. 1, (201) ISSN: 2337-3539 (2301-9271 Print) 1 Implementasi Metode Pairwise Comparison pada Uji Kinerja Varian Metode Kecerdasan Buatan pada Penyelesaian Masalah TSP Muhammad
Lebih terperinciPENGEMBANGAN ALGORITMA PARTICLE SWARM OPTIMIZATION UNTUK OPTIMALISASI DISPERSI BATCH PADA PROSES PRODUKSI
PENGEMBANGAN ALGORITMA PARTICLE SWARM OPTIMIZATION UNTUK OPTIMALISASI DISPERSI BATCH PADA PROSES PRODUKSI Misra Hartati 1, Iwan Vanany 2, Budi Santosa 3 Jurusan Teknik Industri, Fakultas Teknologi Industri,
Lebih terperinciMENEMUKAN AKAR PERSAMAAN POLINOMIAL MENGGUNAKAN PARTICLE SWARM OPTIMIZATION
MENEMUKAN AKAR PERSAMAAN POLINOMIAL MENGGUNAKAN PARTICLE SWARM OPTIMIZATION Oei,EdwinWicaksonoDarmawan, Suyanto Edward Antonius, Ir., M.Sc, Program Studi Teknik Informatika Universitas Katolik Soegijapranata
Lebih terperinciOptimasi (Equal) Site Layout Menggunakan Multi Objectives Function Pada Proyek The Samator Surabaya
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2014) ISSN: 2337-3539 (2301-9271 Print) 1 Optimasi (Equal) Site Layout Menggunakan Multi Objectives Function Pada Proyek The Samator Surabaya Akhmad Alkhabib, Trijoko
Lebih terperinciAlgoritma Genetika Ganda (AGG) untuk Capacitated Vehicle Routing Problem (CVRP)
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2015 T 6 Algoritma Genetika Ganda (AGG) untuk Capacitated Vehicle Routing Problem (CVRP) Daryono Budi Utomo, Mohammad Isa Irawan, Muhammad Luthfi
Lebih terperinciOptimasi (Unequal) Site Layout Menggunakan Multi-Objectives Function Pada Proyek Pembangunan Apartemen Puncak Kertajaya Surabaya
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6 1 Optimasi (Unequal) Site Layout Menggunakan Multi-Objectives Function Pada Proyek Pembangunan Apartemen Puncak Kertajaya Surabaya Daniel Tri Effendi, Tri
Lebih terperinciUniversitas Kristen Maranatha
ABSTRAK PT Sinar Terang Logamjaya merupakan salah satu perusahaan yang memproduksi sparepart motor yang berbahan utama logam. Perusahaan menerapkan layout lantai produksi berupa layout by process. oleh
Lebih terperinciPENGEMBANGAN ALGORITMA ANT COLONY OPTIMIZATION UNTUK MENYELESAIKAN PERMASALAHAN LAYOUT
PENGEMBANGAN ALGORITMA ANT COLONY OPTIMIZATION UNTUK MENYELESAIKAN PERMASALAHAN LAYOUT Risang Galih Bhaktiaji 2506 100 105 Dosen pembimbing: Arief Rahman S.T., M.Sc. pendahuluan PROCESS PRODUCT GT Minimasi
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
BAB I PENDAHULUAN 1.1 Latar Belakang Pembangunan daerah perkotaan atau city development memiliki beberapa aspek penting salah satunya adalah logistik perkotaan atau city logistics. Alasan mengapa city
Lebih terperinciIMPLEMENTASI ALGORITMA CAT SWARM OPTIMIZATION DALAM MENYELESAIKAN JOB SHOP SCHEDULING PROBLEM (JSSP)
E-Jurnal Matematika Vol. 5 (3), Agustus 2016, pp. 90-97 ISSN: 2303-1751 IMPLEMENTASI ALGORITMA CAT SWARM OPTIMIZATION DALAM MENYELESAIKAN JOB SHOP SCHEDULING PROBLEM (JSSP) I Wayan Radika Apriana 1, Ni
Lebih terperinciPROGRAM FRAKSIONAL LINIER DENGAN KOEFISIEN INTERVAL. Annisa Ratna Sari 1, Sunarsih 2, Suryoto 3. Jl. Prof. H. Soedarto, S.H. Tembalang Semarang
PROGRAM FRAKSIONAL LINIER DENGAN KOEFISIEN INTERVAL Annisa Ratna Sari 1, Sunarsih 2, Suryoto 3 1,2,3 Jurusan Matematika FSM Universitas Diponegoro Jl. Prof. H. Soedarto, S.H. Tembalang Semarang Abstract.
Lebih terperinciPENENTUAN JALUR TERPENDEK PADA APLIKASI OJEK ONLINE GO-JEK DENGAN PROBABILISTIC NEURAL NETWORK (PNN) DAN PARTICLE SWARM OPTIMIZATION (PSO)
PENENTUAN JALUR TERPENDEK PADA APLIKASI OJEK ONLINE GO-JEK DENGAN PROBABILISTIC NEURAL NETWORK (PNN) DAN PARTICLE SWARM OPTIMIZATION (PSO) Levina Fitri Rahmawati, Isnandar Slamet, dan Diari Indriati Program
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 terperinciOptimasi Tata Letak Semi Dinamis Raw Material Fast Moving Pada Gudang Dengan Pendekatan Matematis
JURNAL TEKNIK (2014) - 1 Optimasi Tata Letak Semi Dinamis Raw Material Fast Moving Pada Gudang Dengan Pendekatan Matematis Abdan Sakur Ad hani, Budi Santosa Jurusan Teknik Industri, Fakultas Teknologi
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 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 terperinciPenyelesaian Permasalahan Penjadwalan Aktivitas Proyek dengan Batasan Sumber Daya Menggunakan Metode Cross Entropy
Penyelesaian Permasalahan Penjadwalan Aktivitas Proyek dengan Batasan Sumber Daya Menggunakan Metode Cross Entropy Problem Solving on The Resource Constrains Project Scheduling Problem (RCPSP) Using Cross
Lebih terperinciPerancangan Sistem Penjadwalan Asisten Dosen Menggunakan Algoritma Genetika (Studi Kasus: STIKOM Bali)
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Perancangan Sistem Penjadwalan Asisten Dosen Menggunakan Algoritma Genetika (Studi Kasus: STIKOM Bali) I Made Budi Adnyana
Lebih terperinciAplikasi Algoritma Differential Evolution Untuk Permasalahan Kompleks Pemilihan Portofolio
Aplikasi Algoritma Differential Evolution Untuk Permasalahan Kompleks Pemilihan Portofolio Disusun Oleh: Irmaduta Fahmiari 2506 100 077 Dosen Pembimbing: Ir. Budi Santosa, M.S., Ph.D INVESTASI ALOKASI
Lebih terperinciFUNGSI GRIEWANK DAN PENENTUAN NILAI OPTIMUMNYA MENGGUNAKAN ALGORITMA STROBERI. Tri Nadiani Solihah
Prosiding Seminar Nasional Matematika dan Terapannya 2016 p-issn : 2550-0384; e-issn : 2550-0392 FUNGSI GRIEWANK DAN PENENTUAN NILAI OPTIMUMNYA MENGGUNAKAN ALGORITMA STROBERI Tri Nadiani Solihah trinadianisolihah@gmail.com
Lebih terperinciPENELITI : Fiqihesa Putamawa
PENGEMBANGAN ALGORITMA BEE SWARM OPTIMIZATION UNTUK PENYELESAIAN CONTAINER STOWAGE PROBLEM PENELITI : Fiqihesa Putamawa 2507 100 064 DOSEN PEMBIMBING : Ir. Budi Santosa, M.S., Ph.D Contents PENDAHULUAN
Lebih terperinciDOSEN PEMBIMBING Chastine Fatichah, S.Kom, M.Kom MAHASISWA Yudis Anggara P. ( )
Sidang Tugas Akhir September 2009 Implementasi Metode Ant Colony Optimization untuk Pemilihan Fitur pada Kategorisasi Dokumen Teks DOSEN PEMBIMBING Chastine Fatichah, S.Kom, M.Kom MAHASISWA Yudis Anggara
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 terperinciPenerapan Algoritma Differential Evolution untuk Penyelesaian Permasalahan Vehicle Routing Problem with Delivery and Pick-up
JURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: 2301-9271 A-391 Penerapan Algoritma Differential Evolution untuk Penyelesaian Permasalahan Vehicle Routing Problem with Delivery and Pick-up Ika Ayu Fajarwati
Lebih terperinciPENJADWALAN OPERASIONAL PEMBANGKIT BERBASIS ALGORITMA GENETIK PADA SISTEM PEMBANGKIT SUMATERA BAGIAN TENGAH
Penjadwalan Operasional Pembangkit Berbasis Algoritma Genetik (Dwi Ana dkk) PENJADWALAN OPERASIONAL PEMBANGKIT BERBASIS ALGORITMA GENETIK PADA SISTEM PEMBANGKIT SUMATERA BAGIAN TENGAH Rahmanul Ikhsan 1,
Lebih terperinciBAB I PENDAHULUAN. telah diadopsi untuk mengurangi getaran pada gedung-gedung tinggi dan struktur
BAB I PENDAHULUAN 1.1 Latar Belakang Tuned mass damper (TMD) telah banyak digunakan untuk mengendalikan getaran dalam sistem teknik mesin. Dalam beberapa tahun terakhir teori TMD telah diadopsi untuk mengurangi
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 terperinciPenerapan Genetic Algorithm Untuk Optimasi Peningkatan Laba Persediaan Produksi Pakaian
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 6, Juni 218, hlm. 2168-2172 http://j-ptiik.ub.ac.id Penerapan Genetic Algorithm Untuk Optimasi Peningkatan Laba Persediaan
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 terperinciPENERAPAN ALGORITMA GENETIKA UNTUK MEMAKSIMALKAN LABA PRODUKSI JILBAB
Journal of Environmental Engineering & Sustainable Technology Vol. 02 No. 01, July 2015, Pages 06-11 JEEST http://jeest.ub.ac.id PENERAPAN ALGORITMA GENETIKA UNTUK MEMAKSIMALKAN LABA PRODUKSI JILBAB Samaher
Lebih terperinciPENJADWALAN TRUK PADA SISTEM CROSS DOCKING DENGAN PENYIMPANAN SEMENTARA DENGAN ALGORITMA HYBRID CROSS ENTROPY-GENETIC ALGORITHM
PENJADWALAN TRUK PADA SISTEM CROSS DOCKING DENGAN PENYIMPANAN SEMENTARA DENGAN ALGORITMA HYBRID CROSS ENTROPY-GENETIC ALGORITHM Pristi Dwi Puspitasari, Budi Santosa Jurusan Teknik Industri Institut Teknologi
Lebih terperinciPERANCANGAN APLIKASI PENJADWALAN TRAVELING SALESMAN PROBLEM DENGAN ALGORITMA GENETIKA
PERANCANGAN APLIKASI PENJADWALAN TRAVELING SALESMAN PROBLEM DENGAN ALGORITMA GENETIKA Hendy Tannady; Andrew Verrayo Limas Industrial Engineering Department, Faculty of Engineering, Binus University Jl.
Lebih terperinciDAFTAR ACUAN. Sites Through Gis And Bim Integration. Journal of. Information Technology in Construction, 17,
DAFTAR ACUAN [1]. Irizarry. J., Karan, E. P. 2012. Optimizing Location Of Tower Cranes [2]. Irizarry. J., Karan, E. P. 2012. Optimizing Location Of Tower Cranes [3]. Al-Hussein, M., Niaz, M., A., Yu, H.,
Lebih terperinciAlgoritma Penentuan Rute Kendaraan Dengan Memperhatikan Kemacetan Muhammad Nashir Ardiansyah (hal 88 92)
ALGORITMA PENENTUAN RUTE KENDARAAN DENGAN MEMPERHATIKAN KEMACETAN Muhammad Nashir Ardiansyah Program Studi Teknik Industri, Fakultas Rekayasa Industri, Telkom University nashir.ardiansyah@gmail.com Abstrak
Lebih terperinciIMPLEMENTASI METODE ANT COLONY OPTIMIZATION UNTUK PEMILIHAN FITUR PADA KATEGORISASI DOKUMEN TEKS
IMPLEMENTASI METODE ANT COLONY OPTIMIZATION UNTUK PEMILIHAN FITUR PADA KATEGORISASI DOKUMEN TEKS Yudis Anggara Putra Chastine Fatichah Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut
Lebih terperinciAlgoritma Cross Entropy untuk Penentuan Rute Kendaraan dengan Penjemputan dan Pengantaran yang Mempertimbangkan Jendela Waktu dan Durasi Maksimum
Algoritma Cross Entropy untuk Penentuan Rute Kendaraan dengan Penjemputan dan Pengantaran yang Mempertimbangkan Jendela Waktu dan Durasi Maksimum Andriansyah, Suhendrianto, Prima Denny Sentia, Jurusan
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 terperinciPERENCANAAN SUMBER DAYA PADA PROYEK DENGAN MENGGUNAKAN METODE ANT COLONY
PERENCANAAN SUMBER DAYA PADA PROYEK DENGAN MENGGUNAKAN METODE ANT COLONY Niken A. Savitri, I Nyoman Pujawan, Budi Santosa Jurusan Teknik Industri, Fakultas Teknologi Industri Institut Teknologi Sepuluh
Lebih terperinciOptimisasi Dynamic Economic Dispatch Menggunakan Algoritma Artificial Bee Colony
Optimisasi Dynamic Economic Dispatch Menggunakan Algoritma Artificial Bee Colony Nurlita Gamayanti 1, Abdullah Alkaff 2, Amien Karim 3 Jurusan Teknik Elektro Institut Teknologi Sepuluh Nopember (ITS) Surabaya,
Lebih terperinciPenyelesaian Penjadwalan Flexible Job Shop Problem Menggunakan Real Coded Genetic Algorithm
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 1, Januari 2017, hlm 57-62 http://j-ptiik.ub.ac.id Penyelesaian Penjadwalan Flexible Job Shop Problem Menggunakan
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 terperinciPenentuan Portofolio Saham Optimal Menggunakan Algoritma Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 1, Januari 2017, hlm. 63-68 http://j-ptiik.ub.ac.id Penentuan Portofolio Saham Optimal Menggunakan Algoritma Genetika
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1. Penelitian Terdahulu Penelitian dilakukan dengan meninjau penelitianpenelitian terdahulu yang berkaitan. Tinjauan pustaka akan mengetahui faktor-faktor yang perlu diperhatikan
Lebih terperinci