ALGORITMA MODIFIED SIMULATED ANNEALING UNTUK MENYELESAIKAN AIRPORT GATE ASSIGNMENT PROBLEM STUDI KASUS BANDARA SOEKARNO-HATTA
|
|
- Adi Tedjo
- 6 tahun lalu
- Tontonan:
Transkripsi
1 1 ALGORITMA MODIFIED SIMULATED ANNEALING UNTUK MENYELESAIKAN AIRPORT GATE ASSIGNMENT PROBLEM STUDI KASUS BANDARA SOEKARNO-HATTA Siti Dwi Rahmawati, Prof. Ir. Budi Santosa, M.S., Ph.D Jurusan Teknik Industri, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya Indonesia Abstrak Airport Gate Assignment Problem (AGAP) adalah permasalahan penugasan aircraft pada gate yang mana. Tujuan dari penugasan ini adalah minimasi jarak yang ditempuh penumpang untuk melakukan transfer atau perpindahan. Ketidaktepatan dalam melakukan gate assignment akan berdampak pada flight delay, penggunaan gate yang tidak efisien, dan pelayanan terhadap konsumen yang buruk. AGAP merupakan permasalahan NP-Hard karena semakin banyak pesawat dan banyak gate maka semakin lama waktu komputasi yang dibutuhkan untuk mendapatkan solusi. Dalam pencarian solusi dengan menggunakan metode eksak menjadi kurang efektif ketika permasalahan AGAP melibatkan banyak pesawat dan banyak gate untuk mendapatkan solusi dari tujuan yang ditetapkan. Oleh karena itu, dilakukanlah pendekatan metaheuristik untuk menyelesaikan permasalahan ini. Dalam permasalahan ini digunakan metode metaheuristik simulated annealing yang dimodifikasi dengan mengembalikan nilai temperatur yang sudah rendah. Dengan pengembalian nilai temperatur ini, kemungkinan solusi yang didapat untuk terjebak pada local optima semakin kecil. Dari hasil eksperimen yang telah dilakukan, terlihat bahwa nilai fungsi tujuan yang didapatkan dengan menggunakan algoritma modified simulated annealing lebih baik dan kompetitif dibandingkan dengan menggunakan algoritma simulated annealing murni. Waktu komputasi yang dibutuhkan untuk menyelesaikan permasalahan ini menggunakan algoritma modified simulated annealing cukup cepat. Kata Kunci Airport Gate Assignment Problem (AGAP), Metaheuristik, Modified Simulated Annealing A I. PENDAHULUAN irport Gate Assignment Problem (AGAP) adalah permasalahan penugasan gerbang pada bandara yang nantinya berpengaruh pada sebuah nomor penerbangan (flight) harus ditempatkan pada gate nomor berapa agar nantinya terjadi minimasi jarak untuk melakukan transfer atau perpindahan. Faktor-faktor yang mempengaruhi gate assignment adalah ukuran pesawat, jarak penumpang berjalan pada saat transfer pesawat, transfer bagasi penumpang, kemacetan jalan, rotasi pesawat dan syaratsyarat yang harus dilakukan untuk perawatan pesawat (Gu and Cung, 1999). Pada penelitian-penelitian yang sudah dilakukan sebelumnya dinyatakan bahwa permasalahan AGAP ini penting untuk diatasi, sehingga nantinya dapat meminimumkan lama waktu penumpang berjalan untuk menuju ke pesawat berikutnya dengan meminimalkan jarak gate yang dituju. Penelitian sebelumnya menggunakan metode simulasi untuk mengatasi permasalahan AGAP ini. Penerapkan simulasi untuk mengatasi permasalahan ini kurang bisa menunjukkan hasil yang bagus. Penelitian lain menggunakan metode Genetic Algorithm (GA) dan Tabu Search dalam mengatasi permasalahan AGAP ini. Metode metaheuristik cocok untuk digunakan dalam menyelesaikan permasalahan AGAP ini karena permasalahan AGAP ini merupakan permasalahan NP-Hard. Metode optimasi kurang cocok untuk diterapkan karena akan membutuhkan waktu yang lama untuk menyelesaikan permasalahan ini dan sangat sulit untuk diselesaikan bila permasalahan memiliki skala yang besar. Dari penelitian-penelitian sebelumnya mengatakan bahwa metode metaheurustik memiliki peluang yang sangat tinggi untuk digunakan dalam penyelesaian AGAP ini dengan hasil yang baik. Simulated Annealing (SA) merupakan algoritma metaheuristik yang efektif untuk diterapkan pada permasalahan optimasi seperti Travelling Salesman Problem (TSP), Vehicle Routing Problem (VRP), penjadwalan pekerjaan dan permasalahan yang lain. SA memiliki hasil yang bagus karena solusi akhir tidak dipengaruhi oleh solusi awal yang dimasukkan. Keunggulan dari metode simulated annealing adalah dapat menghindari terjebak dalam local optima dengan cara menerima solusi yang lebih buruk (Santosa and Willy, 2011). Dalam metode ini, parameter utama yang digunakan adalah temperatur, dimana ketika temperatur masih tinggi, probabilitas menerima solusi yang lebih buruk masih besar dan probabilitas menerima solusi lebih buruk akan semakin mengecil seiring dengan mengecilnya temperatur. Simulated Annealing juga menghasilkan solusi yang sangat kompetitif untuk menyelesaikan permasalahan transportasi dan penugasan lainnya. AGAP merupakan salah satu permasalahan penugasan dengan tujuan minimasi total jarak berjalan penumpang dengan mendapatkan keputusan untuk menempatkan nomor penerbangan tertentu pada gate tertentu pula. Oleh karena itu dalam penelitian ini untuk menyelesaikan Airport Gate Assignment Problem (AGAP) digunakan algoritma Simulated Annealing (SA). Simulated Annealing tersebut akan dimodifikasi dengan mengembalikan nilai temperatur yang sudah rendah. Dengan pengembalian nilai temperatur ini, kemungkinan solusi yang didapat untuk terjebak pada local optima semakin kecil. Sehingga, penelitian dengan menggunakan algoritma modified simulated annealing ini diharapkan akan mendapatkan solusi yang bagus dan kompetitif pada AGAP dengan tujuan minimasi total jarak penumpang berjalan. II. METODOLOGI PENELITIAN Metodologi penelitian ini dibagi menjadi dua tahapan utama yaitu tahap pengembangan dan pengujian algoritma serta tahap analisis dan kesimpulan. Pada tahap pengembangan dan pengujian algoritma, terdapat beberapa
2 2 langkah didalamnya, antara lain pengumpulan data, penyusunan algoritma, validasi algoritma, pembuatan kode program, verifikasi, eksperimen, dan perbandingan dengan hasil algoritma lain. Pada tahapan analisis dan kesimpulan akan dilakukan analisis dari hasil perbandingan algoritma modified simulated annealing dengan algoritma simulated annealing tanpa modifikasi dalam permasalahan airport gate assignment problem (AGAP). Analisis dilakukan berdasarkan output yang dihasilkan ketika melakukan eksperimen, meliputi alternatif penugasan, total jarak penumpang berjalan dan waktu komputasi. Analisis terhadap parameter awal yang digunakan dalam algoritma simulated annealing juga dilakukan, sehingga didapatkan rekomendasi parameter awal yang baik untuk menyelesaikanpermasalahan yang serupa. Setelah dilakukan analisis terhadap performansi algoritma modified simulated annealing, kemudian dilakukan penarikan kesimpulan dari hasil penelitian yang telah dilakukan. Kesimpulan yang dilakukan akan menjawab tujuan penelitian yang telah ditetapkan. Setelah itu akan diberikan saran-saran yang dapat dijadikan sebagai rekomendasi terhadap penelitianpenelitian selanjutnya. III. MODEL AIRPORT GATE ASSIGNMENT PROBLEM Dalam pengembangan algoritma dilakukan pembuatan model matematis dari permasalahan yang diteliti. Model matematis dari airport gate assignmnet problem dalam penelitian ini mengacu pada model matematis dari penelitian sebelumnya yang dilakukan Xu dan Bailey. Xu and Bailey (2001) menyatakan bahwa fungsi objektif dari Airport Gate Assignment Problem (AGAP) adalah minimasi total jarak penumpang berjalan. Berikut ini formulasi dari model matematis: Parameter yang terdapat dalam model matematis adalah: G = set gate F = set aircraft a i = waktu kedatangan dari aircraft i d i = waktu keberangkatan dari aircraft i p ij = total jumlah transfer passenger dari aircraft i ke aircraft j p i0 = total jumlah arriving passenger dari aircraft i p 0i = total jumlah departing passenger dari aircraft i W kl = jarak berjalan antara gate k dan gate l W k0 = jarak berjalan antara gate k dan arrival hall W 0k = jarak berjalan antara departure hall dan gate k Variabel keputusan dalam kasus ini adalah sebagai berikut : X ik = variabel keputusan yang bernilai 1 ketika aircraft i ditugaskan ke gate k dan bernilai 0 bila sebaliknya Fungsi tujuan yang digunakan adalah minimasi total jarak penumpang berjalan, maka berikut ini adalah formulasi dari fungsi tujuan yang digunakan : Setiap aircraft ditugaskan untuk 1 dan hanya 1 gate kεg x ik = 1, i F Dalam 1 gate tidak boleh terdapat dua atau lebih aircraft yang ditugaskan pada waktu yang sama x ik x jk d j a i d i a j 0, i, j F, k G Variabel keputusan akan bernilai 1 ketika aircraft i ditugaskan ke gate k dan bernilai 0 bila sebaliknya x ik 0,1, i F, k G IV. PENGUJIAN ALGORITMA Setelah dijelaskan mengenai model permasalahan, kemudian akan dilakukan validasi dan verifikasi algoritma a. Validasi Algoritma Pada subbab ini akan dibahas mengenai hasil perhitungan menggunakan metode enumerasi beserta langkah-langkah yang dilakukan dalam metode yang diusulkan dengan menggunakan contoh kasus sederhana. Pada penyelesaian airport gate assignment problem ini akan digunakan contoh kasus kecil dengan menggunakan tujuh pesawat (aircraft) dan tiga gate. Berikut ini data yang diperlukan untuk mendapatkan fungsi tujuan: Tabel 1 Waktu dan Jumlah Penumpang Arriving dan Departing Tabel 2 Matriks Jumlah Penumpang Transfer Tabel 3 Matriks Jarak Antar Gate Min Z = p ij w kl x ik x jl + iεf jεf kεg lεg iεf kεg (p i0 w k0 + p 0i w 0k )x ik Berikut ini adalah konstrain konstrain yang dipertimbangkan :
3 3 Tabel 4 Jarak Gate dengan Arrival Hall dan Departure Hall Dengan terdapat tujuh pesawat (aircraft) dan tiga gate, maka terdapat 6 kemungkinan penugasan gate. Tabel 5 Kemungkinan Penugasan Gate Berikut ini merupakan penugasan yang menghasilkan TPWD minimal yaitu ,8 meter dibulatkan menjadi meter: Tabel 6 Hasil Penugasan Aircraft pada Gate dengan TPWD minimal Gambar di bawah ini akan menggambarkan penugasan aircraft pada gate tertentu yang menghasilkan nilai TPWD yang minimal. Gambar 1 Penugasan aircraft pada Gate tertentu yang menghasilkan nilai TPWD Optimal Langkah-langkah yang digunakan dalam algoritma simulated annealing untuk menyelesaikan airport gate assignment problem dengan kasus sederhana seperti pada kasus yang digunakan dalam enumerasi pada subbab sebelumnya dengan menggunakan tujuh aircraft dan tiga gate. Langkah 1: Inisialisasi Parameter Parameter-parameter yang digunakan dalam algoritma simulated annealing untuk menyelesaikan kasus sederhana ini adalah sebagai berikut: Temperatur awal = 600 Reduction factor = 0,6 Siklus penurunan temperatur = 5 Langkah 2 : Inisialisasi Solusi Awal Solusi awal yang dibangkitkan sebanyak satu buah. Pembangkitan solusi awal yang nantinya juga akan didapatkan nilai fungsi tujuan awal yang dilakukan dengan cara menugaskan aircraft pada gate yang available. Dalam kasus sederhana ini didapatkan alternatif penugasan awal yaitu gate 1 (1,6), gate 2 (2,4,7), dan gate 3 (3,5) dengan total TPWD meter. Angka yang berada di dalam kurung pada setiap gate merupakan nomor aircraft yang ditugaskan pada gate tersebut. Aircraft akan terletak secara berurutan pada masing-masing gate karena pada setiap aircraft memiliki jadwal kedatangan (arrive) yang berurutan. Misalkan gate 1 (1,6) berarti di dalam gate 1 terdapat aircraft 1 dan 6. Langkah 3 : Penentuan Iterasi Awal dan Siklus Awal Dalam langkah ketiga ini iterasi sama dengan nol (0) yang berarti iterasi masih belum dimulai. Langkah ini adalah langkah awal sebelum memasuki iterasi. Siklus awal juga sama dengan nol (0) karena siklus juga masih baru dimulai. Langkah 4 : Membangkitkan Bilangan Random untuk Memilih Perlakuan Flip, Swap, atau Slide untuk Mendapatkan Alternatif Penugasan yang Baru Untuk mendapatkan alternatif penugasan baru dapat dilakukan dengan cara melakukan flip, swap, atau slide pada solusi penugasan awal. Bilangan random yang akan dibangkitkan digunakan untuk menentukan cara yang dipakai untuk menentukan alternatif penugasan baru. Jika bilangan random yang dibangkitkan < 0,333 maka dilakukan flip untuk mendapatkan alternatif solusi baru. Jika bilangan random yang dibangkitkan diantara 0,333 0,666 maka dilakukan swap untuk mendapatkan alternatif solusi baru. Jika bilangan random yang dibangkitkan > 0,666 makadilakukan slide untuk mendapatkan alternatif solusi baru. Misalkan bilangan random yang dibangkitkan adalah 0,2753, maka cara yang digunakan untuk mendapatkan alternatif penugasan baru adalah flip dengan menukar gate 1 dan gate 2. Sehingga alternatif penugasan baru menjadi gate 1 (2,4,7), gate 2 (1,6), dan gate 3 (3,5). Langkah 5 : Menghitung Fungsi Tujuan dari Alternatif Penugasan Baru Hasil perhitungan fungsi tujuan dari alternatif penugasan baru dengan gate 1 (2,4,7), gate 2 (1,6), dan gate 3 (3,5). Nilai fungsi tujuan (TPWD) dari alternatif penugasan baru yaitu meter. Langkah 6 : Membandingkan Solusi Lama dengan Solusi Baru Pada langkah ini dilakukan perbandingan dari nilai fungsi tujuan dari alternaif penugasan awal dengan nilai fungsi tujuan dari alternatif penugasan baru. Dalam algoritma simulated annealing terdapat keputusan bila nantinya solusi baru lebih baik daripada solusi lama maka solusi baru tersebut akan diterima. Sedangkan bila solusi baru yang didapat ternyata lebih buruk daripada solusi lama maka akan dibangkitkan bilangan random yang nantinya akan dibandingkan dengan kriteria metropolis. Bila nilai bilangan random yang dibangkitkan lebih kecil daripada kriteria metropolis maka solusi tersebut akan diterima namun jika nilai bilangan random yang dibangkitkan lebih besar daripada kriteria metropolis, maka solusi baru akan ditolak, sehingga tetap menggunakan solusi lama.
4 4 Dari hasil perhitungan nilai fungsi tujuan alternatif penugasan yang baru dan hasil perhitungan nilai fungsi tujuan alternatif penugasan lama, diketahui bahwa nilai fungsi tujuan alternatif baru yaitu meter lebih besar daripada nilai fungsi tujuan alternatif penugasan lama yaitu meter, hal ini berarti nilai fungsi tujuan alternatif penugasan baru lebih buruk daripada nilai fungsi tujuan alternatif penugasan lama. Maka dilakukan perhitungan kriteria metropolis yang akan dibandingkan dengan bilangan random. ΔE = TPWD 2 TPWD = = 178 Temperatur (T) = 600 k =1 P(E) = e -ΔE/kT P(E) = e -178/1x600 P(E) = 0,7433 Dari perhitungan di atas didapatkan nilai dari kriteria metropolis yaitu 0,7433. Pembangkitan bilangan random yang dilakukan menghasilkan nilai 0,0252. Hal ini berarti nilai bilangan random lebih kecil daripada kriteria metropolis sehingga alternatif penugasan baru diterima meskipun solusi tersebut lebih buruk daripada alternatif penugasan awal. Solusi baru tersebut kemudian akan digunakan dalam iterasi selanjutnya. Langkah 7 : Kriteria Pemberhentian Saat solusi baru sudah didapatkan, langkah selanjutnya adalah meakukan update iterasi dan juga update siklus. Algoritma simulated annealing akan berhenti melakukan iterasi sesuai dengan kriteria pemberhentian yang telah ditentukan sebelumnya. Kriteria pemberhentian yang digunakan adalah nilai temperatur yang sangat kecil yaitu 0, sehingga nantinya bila temperatur sudah lebih kecil dari 0, maka iterasi akan berhenti. Dalam kasus sederhana ini setelah dilakukan beberapa iterasi didapatkan nilai TPWD sama dengan nilai TPWD yang telah didapatkan pada perhitungan enumerasi yaitu dengan penugasan gate 1 (3,5), gate 2 (1,6), dan gate 3 (2,4,7) yang memiliki nilai TPWD sebesar meter. Dengan membandingkan hasil antara penyelesaian permasalahan dengan menggunakan enumerasi dan simulated annealing yang menghasilkan nilai yang sama, maka dapat dikatakan bahwa algoritma simulated annealing valid sehingga algoritma simulated annealing tersebut sudah dapat digunakan untuk menyelesaikan permasalahan dengan skala besar. Nilai TPWD minimal yang diperoleh dengan menggunakan algoritma simulated annealing dan algoritma modified simulated annealing sama yaitu meter dengan penugasan gate 1 (3,5), gate 2 (1,6), dan gate 3 (2,4,7). Maka dari itu, kode program simulated annealing murni dan kode program modified simulated annealing dalam software MATLAB sudah valid untuk menyelesaikan airport gate assignment problem (AGAP) b. Verifikasi Algoritma Pada kode program dari algoritma simulated annealing murni dan modified simualted annealing yang telah dibuat, verifikasi dilakukan dengan mengecek setiap langkah dari kode program disesuaikan dengan algoritma simulated annealing murni dan modified simulated annealing. Saat kode program sudah berjalan dan output yang dihasilkan sesuai dengan hasil perhitungan dengan menggunakan enumerasi, maka dapat dikatakan bahwa kode program sudah terverifikasi dan tervalidasi. V. EKSPERIMEN Data yang digunakan untuk menyelesaikan airport gate assignment problem merupakan data yang berasal dari Bandar Udara Soekarno Hatta. Data uji digunakan sebagai input yang digunakan untuk menghitung fungsi tujuan yang ingin dioptimalkan. Data yang digunakan terdiri dari berbagai jenis data sebagai berikut: 1. Data waktu kedatangan dan keberangkatan aircraft. Data ini berasal dari flight scheduling yang ada pada website PT Angkasa Pura II yang mengelola Bandar Udara Soekarno Hatta. Jumlah aircraft yang digunakan sebanyak 79 dan jumlah gate yang digunakan berjumlah 14 buah. 2. Data jumlah penumpang yang datang dan jumlah penumpang yang berangkat dari masing-masing aircraft. Data ini didapatkan dari jumlah kursi yang tersedia pada setiap jenis aircraft yang digunakan dalam setiap penerbangan dan dikalikan dengan bilangan antara minimum requirement untuk melakukan penerbangan sampai jumlah kursi terisi penuh. 3. Data jumlah transfer penumpang dari aircraft satu ke aircraft yang lain. Data ini berasal dari asumsi jumlah orang yang melakukan transfer dan berpacu pada connecting habit pada waktu tertentu. 4. Data jarak transfer penumpang dari aircraft satu ke aircraft yang lain. Data ini didapatkan dari peta terminal 2 sub terminal 2D dan 2E pada Bandar Udara Soekarno Hatta dengan melakukan asumsi pengukuran jarak dengan cara manual. Skala pada peta 1:100 meter. 5. Data jarak jadi setiap gate ke arrival hall dan departure hall. Data jarak setiap gate ke arrival hall dan departure hall juga ini didapatkan dari peta terminal 2 sub terminal 2D dan 2E pada Bandar Udara Soekarno Hatta dengan melakukan asumsi pengukuran jarak dengan cara manual. Skala pada peta 1:100 meter..pengujian parameter yang dilakukan pertama adalah menguji parameter temperatur awal untuk menyelesaikan airport gate assignment problem (AGAP) pada Bandar Udara Soekarno Hatta. Temperatur awal yang akan diuji adalah sebesar 200, 600, dan Nilai TPWD terkecil dengan melakukan replikasi sebanyak lima kali pada parameter temperatur yang berbeda yaitu Nilai TPWD tersebut didapatkan dari penggunaan parameter temperatur sebesar Nilai parameter temperatur tersebut kemudian akan digunakan untuk menguji parameter faktor pereduksi dari temperatur (cr). Nilai parameter faktor pereduksi temperatur yang akan diuji adalah 0,4, 0,6, dan 0,8. Faktor pereduksi temperatur 0,6 sudah dilakukan pengujian seperti pada tabel sebelumnya dengan menggunakan temperatur awal Dari hasil pengujian parameter faktor pereduksi yang bernilai 0,4 dan 0,8 masih belum menghasilkan nilai fungsi tujuan yang terkecil. Parameter yang memberikan nilai fungsi tujuan total passenger walking distance (TPWD) terkecil sebesar pada beberapa replikasi yang dilakukan adalah dengan menggunakan nilai parameter temperatur awal 1000 dan nilai faktor pereduksi temperatur 0,6. Di bawah ini merupakan perbandingan solusi yang berupa nilai fungsi tujuan yaitu total passenger walking distance (TPWD) yang dihasilkan dengan menggunakan algoritma simulated annealing dan algoritma modified simulated annealing:
5 5 Tabel 7 Perbandingan nilai TPWD yang Dihasilkan dari Algoritma SA dan Algoritma Modified SA Dari pencarian solusi dengan menggunakan algoritma modified simulated annealing didapatkan hasil TPWD minimum yaitu: Tabel 8 Hasil TPWD minimal dari penyelesaian Gate Assignment Problem Studi Kasus Bandar Udara Soekarno Hatta VI. ANALISIS HASIL EKSPERIMEN Uji nilai parameter untuk temperatur awal yaitu 200, 600, dan 1000, sedangkan untuk nilai parameter faktor pereduksi temperatur yang diuji adalah 0,2, 0,6, dan 0,8. Dari beberapa kombinasi yang dilakukan hingga lima kali replikasi, kombinasi parameter temperatur awal sebesar 1000 dan faktor pereduksi temperatur 0,6 yang dapat memberikan performansi yang terbaik dari segi kualitas solusi dibandingkan dengan kombinasi yang lain dengan waktu komputasi yang cukup cepat. Terdapat tujuh gap positif dan tiga gap negatif. Tujuh gap positif tersebut menunjukkan bahwa hasil TPWD yang diperoleh dari menggunakan algoritma modified simulated annealing lebih baik daripada menggunakan algoritma simulated annealing. Sedangkan tiga gap negatif berarti bahwa hasil TPWD yang diperoleh dari algoritma modified simulated annealing lebih buruk daripada menggunakan algoritma simulated annealing. Hal ini dapat terjadi karena pada algoritma modified simulated annealing terjadi penaikkan kembali temperatur yang sudah rendah sehingga ruang pencarian solusi semakin besar sehingga lebih banyak hasil TPWD yang lebih bagus daripada hasil TPWD dengan menggunakan menggunakan algoritma simulated annealing murni dari sepuluh replikasi yang dilakukan. Nilai minimum TPWD yang digunakan untuk menyelesaikan airport gate assignment problem Bandar Udara Soekarno Hatta yang didapatkan dengan menggunakan algoritma modified simulated annealing adalah setara dengan ,7 km dengan penugasan gate sebagai berikut: 1. gate 1 (4, 18, 32, 46, 57, 70) 2. gate 2 (12, 26, 40, 54, 64, 78) 3. gate 3 (2, 16, 30, 44, 56, 68) 4. gate 4 (13, 27, 41, 55, 65, 79) 5. gate 5 (10,24,38,52,62,76) 6. gate 6 (11, 25, 39, 53, 63, 77) 7. gate 7 (9, 23, 37, 51, 61, 75) 8. gate 8 (5, 19, 33, 47, 58, 71) 9. gate 9 (6, 20, 34, 48, 72) 10. gate 10 (14, 28, 42, 66) 11. gate 11 (1, 15, 29, 43, 67) 12. gate 12 (3, 17, 31, 45, 69) 13. gate 13 (7, 21, 35, 49, 59, 73) 14. gate 14 (8, 22, 36, 50, 60, 74) Sistem pengaturan gate pada Bandara Soekarno Hatta saat ini adalah dengan menyewakan gate-gate yang ada kepada pihak maskapai, sehingga pada gate-gate tertentu tersebut hanya boleh digunakan maskapai yang menyewanya. Hal ini yang membuat adanya low customer satisfaction, adanya flight delay, dll. Gate assignment sebaiknya diterapkan oleh pihak bandara karena semua masalah yang timbul akibat tidak tepatnya pengaturan gate akan teratasi. Dengan adanya minimum TPWD yang dilakukan penumpang akan membuat lalu-lintas di dalam bandara akan teratur, penumpang tidak banyak mengeluh karena harus melakukan transfer penumpang di tempat jauh, tidak adanya flight delay, dsb. Algoritma modified simualted annealing yang diusulkan dalam penelitian ini memberikan solusi yang kompetitif untuk menyelesaikan airport gate assignment problem. Untuk waktu komputasi yang diperlukan dalam menyelesaikan airport gate assignment problem dengan studi kasus Bandar Udara Soekarno Hatta cukup cepat karena waktu yang dibutuhkan hanya sekitar 0,5 detik. Dari perbandingan hasil TPWD yang didapatkan dengan menggunakan algoritma modified simulated annealing dengan replikasi yang dilakukan sebanyak sepuluh kali menghasilkan TPWD yang lebih kecil sebanyak tujuh kali daripada menggunakan algoritma simulated annealing murni. Sehingga algoritma modified simulated annealing ini memiliki kemungkinan mendapatkan nilai TPWD minimum sebesar 70% bila dibandingkan dengan menggunakan algoritma simulated annealing murni. VII. KESIMPULAN Airport gate assignment problem (AGAP) studi kasus Bandar Udara Soekarno Hatta dapat diselesaikan dengan menggunakan algoritma modified simulated annealing dengan minimum total jarak penumpang berjalan sebesar setara dengan ,7 km dan semua aircraft dapat teralokasikan di gate yang tersedia. Algoritma modified simulated annealing memberikan solusi yang kompetitif dibandingkan algoritma simulated annealing murni untuk menyelesaikan airport gate assignment problem studi kasus Bandar Udara Soekarno Hatta karena memiliki kemungkinan mendapatkan nilai TPWD minimum sebesar 70% dan waktu komputasinya cukup cepat yaitu sekitar 0,5 detik. DAFTAR PUSTAKA Angkasapura2. (2014). Retrieved 1 3, 2014, from Flight Schedule Soekarno Hatta: angkasapura2.co.id/
6 6 BACoE. (2009). Gate Assignment Solution (GAM) Using Hybrid Heuristic Algorithm. Gate Assignment Solution. Bazargan, M. (2010). Airline Operation and Scheduling. USA: Ashgate. Cheng, C. H., Ho, S. C., & Kwan, C. L. (2012). The Use of Metaheuristics For Airport Gate Assignment. Expert System with Application, Ding, H., Lim, A., Rodrigues, B., & Zhu, Y. (2004). Aircraft and Gate Scheduling Optimization at Airports. Proceedings of the 37th Hawaii International Conference on System Sciences. Hawaii. Ding, H., Lim, A., Rodrigues, B., & Zhu, Y. (2002). THE AIRPORT GATE ASSIGNMENT PROBLEM. Flightstats. (2014). Retrieved 1 2, 2014, from Flight Schedule Soekarno Hatta: flightstats.com Gu, Y., & Chung, C. A. (1999). Genetic Algorithm Approach to Aircraft Gate Reassignment Problem. Journal of Transportation Engineering, Hanka, M. K. (2013). Pengembangan Algoritma Hybrid Cross Entropy-Genetic Algorithm pada Permasalahan Multiobjective Job Shop Scheduling untuk Minimasi Makespan dan Mean Flow Time. Surabaya: Institut Teknologi Sepuluh Nopember. Hansen, J. M., Raut, S., & Swarni, S. (2010). Retail Shelf Allocation: A Comparative Analysis of Heuristic and Meta-Heuristic Approach. Journal of Retailing, Hyun, K. S., Feron, E., Clarke, J. P., Marzuoli, A., & Delahaye, D. (2013). Airport Gate Scheduling for Passengers, Aircraft, and. Tenth USA/Europe Air Traffic Management Research and Development Seminar. USA. Li, C. Airport Gate Assignment A Hybrid Model and Implementation. Texas: Texas Tech University. Rofiq, A. (2013). Pengembangan Algoritma Simulated Annealing pada Permasalahan Hybrid Flowshop Scheduling untuk Minimasi Makespan dan Total Tardiness. Surabaya: Institut Teknologi Sepuluh Nopember. Tiger Air: British Aerospace 146: Boeing 777: Boeing 737: Wikipedia. (2013). Retrieved 12 26, 2013, from Penumpang Pesawat: penumpang sipil Xu, J., & Bailey, G. (2001). The Airport Gate Assignment Problem: Mathematical Model and Tabu Search Algorithm. Proceedings of the 34th Hawaii International Conference on System Science. Hawaii.
Algoritma Modified Simulated Annealing untuk Menyelesaikan Airport Gate Assignment Problem (Studi Kasus Bandara Soekarno-Hatta)
Disusun Oleh : Siti Dwi Rahmawati NRP 2510100144 Pembimbing : Prof. Ir. Budi Santosa, M.S., Ph.D NIP 19690512 199402 1001 JURUSAN TEKNIK INDUSTRI FAKULTAS TEKNOLOGI INDUSTRI INSTITUT TEKNOLOGI SEPULUH
Lebih terperinciTUGAS AKHIR Pengembangan Algoritma Simulated Annealing pada Permasalahan Hybrid Flowshop Scheduling untuk Minimasi Makespan
SIDANG TUGAS AKHIR Pengembangan Algoritma Simulated Annealing pada Permasalahan Hybrid Flowshop Scheduling untuk Minimasi Makespan dan Total Tardiness Peneliti Pembimbing : Ainur Rofiq : Prof. Ir. Budi
Lebih 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 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 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 terperinciAlgoritma Greedy untuk Penjadwalan Penerbangan di Gerbang - Gerbang Bandara
Algoritma Greedy untuk Penjadwalan Penerbangan di Gerbang - Gerbang Bandara Robertus Theodore-13509008 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung,
Lebih terperinciPENGEMBANGAN ALGORITMA SIMULATED ANNEALING PADA PERMASALAHAN HYBRID FLOWSHOP SCHEDULING UNTUK MINIMASI MAKESPAN DAN TOTAL TARDINESS
PENGEMBANGAN ALGORITMA SIMULATED ANNEALING PADA PERMASALAHAN HYBRID FLOWSHOP SCHEDULING UNTUK MINIMASI MAKESPAN DAN TOTAL TARDINESS Ainur Rofiq, Budi Santosa Jurusan Teknik Industri Institut Teknologi
Lebih terperinciPENJADWALAN JOB SHOP STATIK DENGAN METODE SIMULATED ANNEALING UNTUK MEMINIMASI WAKTU MAKESPAN
PENJADWALAN JOB SHOP STATIK DENGAN METODE SIMULATED ANNEALING UNTUK MEMINIMASI WAKTU MAKESPAN Moh.Husen, Ilyas Masudin, Dana Marsetiya Utama Jurusan Teknik Industri - Universitas Muhammadiyah Malang Muhammad.husen12@yahoo.com
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 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 terperinciUJI KINERJA DAN SIMULASI PENENTUAN JARAK TERPENDEK DENGAN SIMULATED ANNEALING PADA SUHU TETAP DAN SUHU BERUBAH
UJI KINERJA DAN SIMULASI PENENTUAN JARAK TERPENDEK DENGAN SIMULATED ANNEALING PADA SUHU TETAP DAN SUHU BERUBAH Dian Savitri, S.Si, M.Si Jurusan Teknik Sipil Fakultas Teknik Unesa dee_11januari@yahoo.com
Lebih terperinciKata Kunci - Ship Scheduling and Assignment, NP - Hard Problem, Metode Meta-heuristik, Simple Iterative Mutation Algoritm, Minimum requirement draft
1 Pengembangan Simple Iterative Mutation Algorithm (SIM-A) untuk Menyelesaikan Permasalahan Ship Scheduling and Assignment (Studi Kasus: Distribusi Semen Curah Pada PT. X) Ketut Hendra Harianto, Nyoman
Lebih terperinciAlgoritma Penjadwalan Job Shop Alternatif Routing Menggunakan Variable Neighborhood Descent With Fixed Threshold Untuk Minimisasi Makespan *
Reka Integra ISSN: 2338-5081 Jurusan Teknik Industri Itenas No.04 Vol.01 Jurnal Online Institut Teknologi Nasional April 2014 Algoritma Penjadwalan Job Shop Alternatif Routing Menggunakan Variable Neighborhood
Lebih terperinciBAB I PENDAHULUAN. yang dikerjakan pada beberapa buah mesin (Rosnani Ginting, 2009). Pekerjaan
BAB I PENDAHULUAN 1.1. Latar Belakang Penjadwalan adalah pengurutan pengerjaan produk secara menyeluruh yang dikerjakan pada beberapa buah mesin (Rosnani Ginting, 2009). Pekerjaan yang akan diselesaikan
Lebih 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 terperinciPENJADWALAN FLOW SHOP DENGAN PENDEKATAN CROSS ENTROPY-GENETIC ALGORITHM UNTUK MENURUNKAN MAKESPAN PADA PEMBUATAN RODA GIGI
PENJADWALAN FLOW SHOP DENGAN PENDEKATAN CROSS ENTROPY-GENETIC ALGORITHM UNTUK MENURUNKAN MAKESPAN PADA PEMBUATAN RODA GIGI Dian Setiya Widodo, Mario Sarisky Dwi Ellianto Politeknik 17 Agustus 1945 Surabaya
Lebih 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 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 terperinciPENDEKATAN ALGORITMA CROSS ENTROPY- GENETIC ALGORITHM UNTUK MENURUNKAN MAKESPAN PADA PENJADWALAN FLOW SHOP
PENDEKATAN ALGORITMA CROSS ENTROPY- GENETIC ALGORITHM UNTUK MENURUNKAN MAKESPAN PADA PENJADWALAN FLOW SHOP Dian Setiya Widodo 1*, Purnomo Budi Santoso 2, Eko Siswanto 3 1,2,3 Universitas Brawijaya, Fakultas
Lebih terperinciPENJADWALAN FLOW SHOP DENGAN PENERAPAN CROSS ENTROPY-GENETIC ALGORITHM (CEGA) UNTUK MEMINIMASI MAKESPAN
PENJADWALAN FLOW SHOP DENGAN PENERAPAN CROSS ENTROPY-GENETIC ALGORITHM (CEGA) UNTUK MEMINIMASI MAKESPAN Hasan Bashori 1, Pratikto 2, Sugiono 3 1,2,3 Universitas Brawijaya, Fakultas Teknik Mesin, Malang
Lebih terperinciEvaluasi Kinerja Gate Assignment pada Terminal 1 Keberangkatan Domestik Bandar Udara Internasional Juanda Surabaya
E4 Evaluasi Kinerja Gate Assignment pada Terminal 1 Keberangkatan Domestik Bandar Udara Internasional Juanda Surabaya Hersanti Rahayu, Ervina Ahyudanari Jurusan Teknik Sipil, Fakultas Teknik Sipil dan
Lebih terperinciPENERAPAN ALGORITMA HARMONY SEARCH DALAM PENYELESAIAN RESOURCE-CONSTRAINED PROJECT SCHEDULING PROBLEM
PENERAPAN ALGORITMA HARMONY SEARCH DALAM PENYELESAIAN RESOURCE-CONSTRAINED PROJECT SCHEDULING PROBLEM Peneliti Dosen Pembimbing : Achmad Setiawan NRP. 2506100136 : Ir. Budi Santosa, M.Sc., Ph.D NIP. 132
Lebih terperinciABSTRAK. Universitas Kristen Maranatha
ABSTRAK P.T. Gistex Textile Division adalah sebuah perusahaan yang bergerak dibidang textile yang mengolah polyester (bahan baku) menjadi kain. Perusahaan memproduksi barang sesuai dengan pesanan konsumen
Lebih 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 terperinciPENJADWALAN FLOWSHOP DENGAN MENGGUNAKAN SIMULATED ANNEALING
PENJADWALAN FLOWSHOP DENGAN MENGGUNAKAN SIMULATED ANNEALING Muhammad Firdaus, Ilyas Masudin, Dana Marsetya Utama Jurusan Teknik Industri - Universitas Muhammadiyah Malang masudin@umm.ac.id ABSTRACT This
Lebih terperinciPENGARUH NILAI PARAMETER TERHADAP SOLUSI HEURISTIK PADA MODEL VTPTW
INFOMATEK Volume 19 Nomor 1 Juni 2017 PENGARUH NILAI PARAMETER TERHADAP SOLUSI HEURISTIK PADA MODEL VTPTW Tjutju T. Dimyati Program Studi Teknik Industri Fakultas Teknik Universitas Pasundan Abstrak: Penentuan
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Perkembangan yang sangat pesat dalam dunia industri menuntut suatu perusahaan melakukan aktifitas bisnisnya secara optimal. Mulai dari penyediaan barang baku,
Lebih terperinciAPLIKASI SIMULATED ANNEALING UNTUK MENYELESAIKAN TRAVELLING SALESMAN PROBLEM
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 03, No. 1 (2015), hal 25 32. APLIKASI SIMULATED ANNEALING UNTUK MENYELESAIKAN TRAVELLING SALESMAN PROBLEM Edi Samana, Bayu Prihandono, Evi Noviani
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 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 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 terperinciABSTRAK. Job shop scheduling problem merupakan salah satu masalah. penjadwalan yang memiliki kendala urutan pemrosesan tugas.
ABSTRAK Job shop scheduling problem merupakan salah satu masalah penjadwalan yang memiliki kendala urutan pemrosesan tugas. Pada skripsi ini, metode yang akan digunakan untuk menyelesaikan job shop scheduling
Lebih terperinciReka Integra ISSN: Jurusan Teknik Industri Itenas No.02 Vol. 02 Jurnal Online Institut Teknologi Nasional Oktober 2014
Reka Integra ISSN: 2338-5081 Jurusan Teknik Industri Itenas No.02 Vol. 02 Jurnal Online Institut Teknologi Nasional Oktober 2014 Algoritma Penjadwalan Job Shop Kelompok Mesin Homogen dan Heterogen Menggunakan
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 terperinciYour Slide Title KESIMPULAN DAN SARAN
Pengembangan Model Model Dynamic Dynamic Pricing Pricing untuk dengan Menentukan Mempertimbangkan Alokasi Kursi Pesawat Customer dengan Overflow Mempertimbangkan Kompetisi Customer Antar Overflow Dua Maskapai
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 terperinciABSTRAK. iv Universitas Kristen Maranatha
ABSTRAK PT. Mitra Abadi Sejahtera adalah sebuah perusahaan yang bergerak di bidang garmen yang mengolah kain menjadi pakaian. Perusahaan memproduksi barang sesuai pesanan konsumen (job order). Masalah
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Salah satu permasalahan optimasi kombinatorial yang terkenal dan sering dibahas adalah traveling salesman problem. Sejak diperkenalkan oleh William Rowan Hamilton
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 terperinciPENYELESAIAN TRAVELLING SALESMAN PROBLEM DENGAN ALGORITMA BRANCH AND BOUND
PENYEESAIAN TRAVEING SAESMAN PROBEM DENGAN AGORITMA BRANCH AND BOND Yogo Dwi Prasetyo Pendidikan Matematika, niversitas Asahan e-mail: abdullah.prasetyo@gmail.com Abstract The shortest route search by
Lebih 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 terperinci4.6 Data Waktu Siap Setiap Mesin Pengerjaan Komponenkomponen Screw Conveyor Penentuan Due Date BAB 5 PENGOLAHAN DATA DAN ANALISIS
ABSTRAK PT Kerta Laksana merupakan perusahaan manufaktur berskala internasional yang membuat berbagai jenis mesin, dimana setiap pesanan dikerjakan sesuai dengan permintaan dan keinginan konsumen (job
Lebih terperinciGENETIKA UNTUK MENENTUKAN RUTE LOPER KORAN DI AGEN SURAT KABAR
MULTI TRAVELING SALESMAN PROBLEM (MTSP) DENGAN ALGORITMA Abstrak GENETIKA UNTUK MENENTUKAN RUTE LOPER KORAN DI AGEN SURAT KABAR Oleh : Fitriana Yuli Saptaningtyas,M.Si. Jurusan Pendidikan Matematika FMIPA
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
12 BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah penjadwalan secara umum adalah aktifitas penugasan yang berhubungan dengan sejumlah kendala, sejumlah kejadian yang dapat terjadi pada suatu periode waktu
Lebih terperinciPENERAPAN METODE SIMULATED ANNEALING UNTUK PENJADWALAN JOB SHOP PADA MESIN PABRIK
PENERAPAN METODE SIMULATED ANNEALING UNTUK PENJADWALAN JOB SHOP PADA MESIN PABRIK Hanafi Agam 1, Arna Fariza 2, Ira Prasetyaningrum 2 Mahasiswa Jurusan Teknik Informatika 1, Dosen Pembimbing 2 Politeknik
Lebih terperinciPERANCANGAN ALAT BANTU PENGAMBILAN KEPUTUSAN UNTUK PENENTUAN JUMLAH DAN RUTE ARMADA PESAWAT TERBANG
PERANCANGAN ALAT BANTU PENGAMBILAN KEPUTUSAN UNTUK PENENTUAN JUMLAH DAN RUTE ARMADA PESAWAT TERBANG Fadhilatul Azizah, Ahmad Rusdiansyah, Niniet Indah A. Jurusan Teknik Industri Institut Teknologi Sepuluh
Lebih terperinci1 BAB I PENDAHULUAN. 1.1 Latar Belakang dan Permasalahan
1 BAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan Fokus dalam bidang teknologi saat ini tidak hanya berada pada proses pengembangan yang disesuaikan dengan permasalahan yang dapat membantu manusia
Lebih terperinciBAB 1 PENDAHULUAN. Pengiriman barang dari pabrik ke agen atau pelanggan, yang tersebar di berbagai
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Pengiriman barang dari pabrik ke agen atau pelanggan, yang tersebar di berbagai tempat, sering menjadi masalah dalam dunia industri sehari-hari. Alokasi produk
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 terperinciPengembangan Model Pengelolaan Pendapatan Pengangkutan Kargo Udara berdasarkan Pengendalian Ruang Kargo dan Overbooking Limit
JURNAL TEKNIK POMITS Vol. 1, No. 1, (212) 1-5 1 Pengembangan Model Pengelolaan Pendapatan Pengangkutan Kargo Udara berdasarkan Pengendalian Ruang Kargo dan Overbooking Limit Arfini Alivia Dewanty dan Ahmad
Lebih terperinciOPTIMASI POLA DISTRIBUSI BBM PERTAMINA MENGGUNAKAN ALGORITMA HEURISTIK
OPTIMASI POLA DISTRIBUSI BBM PERTAMINA MENGGUNAKAN ALGORITMA HEURISTIK Oleh: Rif atul Khusniah 1209201715 Dosen Pembimbing: Subchan, M.Sc, Ph.D Dr. Imam Mukhlas, MT SPBU 1 Order Daily DEPO SPBU 2 SPBU
Lebih terperinciJURNAL TEKNIK ITS Vol. 6, No. 1, (2017) ISSN: ( Print) E-1
JURNAL TEKNIK ITS Vol. 6, No., (207) ISSN: 2337-3539 (230-927 Print) E- Evaluasi Ketersediaan Di Terminal 3 Ultimate Bandar Udara Internasional Soekarno- Hatta Andree Noviar Pradana, Ervina Ahyudanari,
Lebih terperinciPENGEMBANGAN ALGORITMA HYBRID CROSS ENTROPY-TABU SEARCH UNTUK PENYELESAIAN TRAVELLING REPAIRMAN PROBLEM
PENGEMBANGAN ALGORITMA HYBRID CROSS ENTROPY-TABU SEARCH UNTUK PENYELESAIAN TRAVELLING REPAIRMAN PROBLEM Muchammad Aminuddin, Budi Santosa Jurusan Teknik Industri Institut Teknologi Sepuluh Nopember (ITS)
Lebih terperinciMODEL SIMULASI SISTEM DINAMIK UNTUK ANALISIS PENUMPUKKAN JUMLAH PENUMPANG DI GATE YANG DIPENGARUHI ON TIME PERFORMANCE
MODEL SIMULASI SISTEM DINAMIK UNTUK ANALISIS PENUMPUKKAN JUMLAH PENUMPANG DI GATE YANG DIPENGARUHI ON TIME PERFORMANCE Larasati Kusuma Wardhani 1,*), Ahmad Rusdiansyah 2), dan Ervina Ahyudanari 3) 1) Program
Lebih terperinciBAB I PENDAHULUAN Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Di dunia ini terdapat 3 jenis jalur transportasi, transportasi melalui darat, laut dan udara. Transportasi dari setiap jalur juga mempunyai banyak jenis, seperti
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 terperinciPENGEMBANGAN ALGORITMA HYBRID CROSS ENTROPY- TABU SEARCH UNTUK PENYELESAIAN TRAVELLING REPAIRMAN PROBLEM
PENGEMBANGAN ALGORITMA HYBRID CROSS ENTROPY- TABU SEARCH UNTUK PENYELESAIAN TRAVELLING REPAIRMAN PROBLEM Pembimbing : Ir. Budi Santosa, M.S., Ph.D NIP. 196905121994021001 LOGO Peneliti : Muchammad Aminuddin
Lebih terperinciMODEL SIMULASI DISKRIT UNTUK MENGUKUR EFEK KETERLAMBATAN JADWAL PENERBANGAN TERHADAP ANTRIAN PRA TINGGAL LANDAS DAN PASCA PENDARATAN
MODEL SIMULASI DISKRIT UNTUK MENGUKUR EFEK KETERLAMBATAN JADWAL PENERBANGAN TERHADAP ANTRIAN PRA TINGGAL LANDAS DAN PASCA PENDARATAN Ayunda Larasati 2509100053 300 FLIGHTS Penelitian terdahulu Penulis
Lebih terperinciJURNAL TEKNIK NDUSTRI ITS Vol. 1, No. 1, (2013) 1-6 1
JURNAL TEKNIK NDUSTRI ITS Vol. 1, No. 1, (2013) 1-6 1 PENGEMBANGAN ALGORITMA HYBRID CROSS ENTROPY-GENETIC ALGORITHM DALAM PENYELESAIAN MULTI-PRODUCT INVENTORY SHIP ROUTING PROBLEM DENGAN HETEROGENEOUS
Lebih terperinciBAB I PENDAHULUAN. Traveling Salesman Problem (TSP) dikenal sebagai salah satu masalah
BAB I PENDAHULUAN I.1. Latar Belakang Traveling Salesman Problem (TSP) dikenal sebagai salah satu masalah optimasi yang banyak menarik perhatian para peneliti sejak beberapa dekade terdahulu. Pada mulanya,
Lebih terperinciEVALUASI ON TIME PERFORMANCE PESAWAT UDARA DI BANDAR UDARA HUSEIN SASTRANEGARA MENGGUNAKAN APLIKASI FLIGHTRADAR24
EVALUASI ON TIME PERFORMANCE PESAWAT UDARA DI BANDAR UDARA HUSEIN SASTRANEGARA MENGGUNAKAN APLIKASI FLIGHTRADAR24 Ganayu Girasyitia Jurusan Teknik Sipil Universitas Katolik Parahyangan Jln. Ciumbuleuit
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 terperinciPENGEMBANGAN MODEL AIRLINE ROSTERING SYSTEM MENGGUNAKAN METODE DIFFERENTIAL EVOLUTION
PENGEMBANGAN MODEL AIRLINE ROSTERING SYSTEM MENGGUNAKAN METODE DIFFERENTIAL EVOLUTION Andiek Sunarto 1), Budi Santosa 2), dan Arief Rahman 3) 1,2,3) Jurusan Teknik Industri, Institut Teknologi Sepuluh
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 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 terperinciMODEL PENJADWALAN NO-WAIT JOB SHOP MENGGUNAKAN ALGORITMA VARIABLE NEIGHBOURHOOD DESCENT DENGAN THRESHOLD UNTUK MEMINIMISASI MAKESPAN
Reka Integra ISSN: 2338-5081 Jurusan Teknik Industri Itenas No.01 Vol.03 Jurnal Online Institut Teknologi Nasional Januari 2015 MODEL PENJADWALAN NO-WAIT JOB SHOP MENGGUNAKAN ALGORITMA VARIABLE NEIGHBOURHOOD
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Teori graf 2.1.1 Defenisi graf Graf G adalah pasangan {,} dengan adalah himpunan terhingga yang tidak kosong dari objek-objek yang disebut titik (vertex) dan adalah himpunan pasangan
Lebih terperinciOptimasi Penjadwalan Mesin Produksi Flowshop dengan Metode Campbell Dudek and Smith (CDS) dan Nawaz Enscore Ham (NEH) pada Departemen Produksi Massal
Optimasi Penjadwalan Mesin Produksi Flowshop dengan Metode Campbell Dudek and Smith (CDS) dan Nawaz Enscore Ham (NEH) pada Departemen Produksi Massal Fitria Imatus Solikhah 1, Renanda Nia R. 2, Aditya
Lebih terperinciOLEH : RULI ASTRI ANDRIANI ( ) Jurusan Teknik Industri Fakultas Teknologi Industri Institut Teknologi Sepuluh Nopember Surabaya
PENJADWALAN FLOWSHOP UNTUK MEMINIMASI LOGOTOTAL TARDINESS DENGAN URUTAN JOB YANG SAMA DAN/ATAU BERBEDA DAN MEMPERHATIKAN KETIDAKTERSEDIAAN PADA MASING-MASING MESIN OLEH : RULI ASTRI ANDRIANI (2506 100
Lebih terperinciPERANCANGAN ALGORITMA HEURISTIK UNTUK PENYELESAIAN PERMASALAHAN SWAP-BODY VEHICLE ROUTING PROBLEM
PERANCANGAN ALGORITMA HEURISTIK UNTUK PENYELESAIAN PERMASALAHAN SWAP-BODY VEHICLE ROUTING PROBLEM Pembimbing: Dr. Eng. Ir. Ahmad Rusdiansyah, M.Eng, CSCP Disusun Oleh: Jurusan Teknik Industri Andre T.
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Bandar Udara Internasional Soekarno-Hatta merupakan bandar udara terbesar yang ada di Indonesia saat ini. Bandara Internasional Soekarno-Hatta tercatat dalam daftar
Lebih terperinciMETODE MAX MIN VOGEL S APPROXIMATION METHOD UNTUK MENEMUKAN BIAYA MINIMAL PADA PERMASALAHAN TRANSPORTASI
METODE MAX MIN VOGEL S APPROXIMATION METHOD UNTUK MENEMUKAN BIAYA MINIMAL PADA PERMASALAHAN TRANSPORTASI Bilqis Amaliah 1), Agri Krisdanto 2), dan Astris Dyah Perwita 3) 1,2,3) Teknik Informatika, Fakultas
Lebih 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 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 terperinciGambar 1.1 Contoh Ilustrasi Kasus CVRP 13
BAB I PENDAHULUAN 1.1. Latar Belakang Vehicle Routing Problem (VRP) merupakan konsep umum yang digunakan untuk semua permasalahan yang melibatkan perancangan rute optimal untuk armada kendaraan yang melayani
Lebih terperinciADLN - PERPUSTAKAAN UNIVERSITAS AIRLANGGA BAB III METODOLOGI PENELITIAN. Jl. Raya Somban Lor No. 32 Candi, Sidoarjo. Waktu penelitian dilaksanakan
BAB III METODOLOGI PENELITIAN 3.1 Tempat dan Waktu Penelitian Penelitian dilakukan pada PT. Bella Agung Citra Mandiri yang terletak di Jl. Raya Somban Lor No. 32 Candi, Sidoarjo. Waktu penelitian dilaksanakan
Lebih terperinciReka integra ISSN: Jurusan Teknik Industri Itenas No. 02 Vol. 02 Junal Online Institut Teknologi Nasional September 2013
Reka integra ISSN:2338-5081 Jurusan Teknik Industri Itenas No. 02 Vol. 02 Junal Online Institut Teknologi Nasional September 2013 Algoritma Penjadwalan Job Shop Alternatif Routing Menggunakan Greedy Randomized
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 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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Quadratic Assignment Problem (QAP) adalah sebuah permasalahan kombinatorial dalam menempatkan fasilitas pada lokasi tertentu, sedemikian hingga meminimumkan fungsi
Lebih terperinciModel Penjadwalan Pekerjaan pada Flowshop dengan Kriteria Minimasi Total Waktu Tinggal Aktual
Performa (00) Vol. 1, No.1: 0-5 Model Penjadwalan Pekerjaan pada Flowshop dengan Kriteria Minimasi Total Waktu Tinggal Aktual Yuniaristanto Jurusan Teknik Industri, Universitas Sebelas Maret, Surakarta
Lebih terperinciMODEL PENJADWALAN FLOW SHOP n JOB m MESIN UNTUK MEMINIMASI MAKESPAN TANPA TARDY JOB DENGAN KENDALA KETIDAKTERSEDIAAN MESIN
MODEL PENJADWALAN FLOW SHOP n JOB m MESIN UNTUK MEMINIMASI MAKESPAN TANPA TARDY JOB DENGAN KENDALA KETIDAKTERSEDIAAN MESIN Jefikz Berhitu, Mokh. Suef, dan Nani Kurniati Jurusan Teknik Industri - Institut
Lebih terperinciUsulan Rute Distribusi Tabung Gas Menggunakan Algoritma Ant Colony Systems di PT. Limas Raga Inti
Prosiding Seminar Nasional Teknoin 2012 ISBN No. 978-979-96964-3-9 Usulan Rute Distribusi Tabung Gas Menggunakan Algoritma Ant Colony Systems di PT. Limas Raga Inti Fifi Herni Mustofa 1), Hari Adianto
Lebih terperinciOPTIMASI GENETIC ALGORITHM DENGAN SIMULATED ANNEALING UNTUK MULTIPLE DEPOT CAPACITATED VEHICLE ROUTING PROBLEM
OPTIMASI GENETIC ALGORITHM DENGAN SIMULATED ANNEALING UNTUK MULTIPLE DEPOT CAPACITATED VEHICLE ROUTING PROBLEM Aditya Permana 1, Mahmud Dwi Sulistiyo 2, Gia Septiana Wulandari 3 1,2,3 Prodi S1 Teknik Informatika,
Lebih 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 terperinciIMPLEMENTASI METODE HEURISTIK DAN SIMULASI UNTUK MENYEIMBANGKAN LINI PERAKITAN LAMPU
IMPLEMENTASI METODE HEURISTIK DAN SIMULASI UNTUK MENYEIMBANGKAN LINI PERAKITAN LAMPU Septian Andrew Susanto 1) dan Nurhadi Siswanto 2) 1) Jurusan Teknik Industri, Institut Teknologi Sepuluh Nopember, Surabaya,
Lebih terperinciPENYELESAIAN ASYMMETRIC TRAVELLING SALESMAN PROBLEM DENGAN ALGORITMA HUNGARIAN DAN ALGORITMA CHEAPEST INSERTION HEURISTIC.
PENYELESAIAN ASYMMETRIC TRAVELLING SALESMAN PROBLEM DENGAN ALGORITMA HUNGARIAN DAN ALGORITMA CHEAPEST INSERTION HEURISTIC Caturiyati Staf Pengaar Jurusan Pendidikan Matematika FMIPA UNY E-mail: wcaturiyati@yahoo.com
Lebih terperinciANALISIS KELAYAKAN TERMINAL PENUMPANG 1A BANDAR UDARA INTERNASIONAL SOEKARNO HATTA
, Halaman 347 355 Online JURNAL di: http://ejournal-s1.undip.ac.id/index.php/jkts KARYA TEKNIK SIPIL, Volume 6, Nomor 1, Tahun 2017 ANALISIS KELAYAKAN TERMINAL PENUMPANG 1A BANDAR UDARA INTERNASIONAL SOEKARNO
Lebih terperinciBAB 2 LANDASAN TEORI
8 BAB 2 LANDASAN TEORI Pada bab ini akan dibahas beberapa konsep dasar dan beberapa definisi yang akan digunakan sebagai landasan berpikir dalam melakukan penelitian ini sehingga mempermudah penulis untuk
Lebih terperinciOPTIMISASI TOTAL TEMPUH NPC PADA RTS GAME MENGGUNAKAN HARMONY SEARCH ALGORITHM. Herti Miawarni 1* Jl. A. Yani 114, Surabaya 60231, Telp.
OPTIMISASI TOTAL TEMPUH NPC PADA RTS GAME MENGGUNAKAN HARMONY SEARCH ALGORITHM Herti Miawarni 1* 1 Program Studi Teknik Elektro, Fakultas Teknik, Universitas Bhayangkara Surabaya Jl. A. Yani 114, Surabaya
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 terperinciOptimasi Penentuan Jumlah Tenaga Kerja disetiap Shift Kerja pada Line Maintenance Pesawat Terbang dengan Algoritma Tabu Search
Optimasi Penentuan Jumlah Tenaga Kerja disetiap Shift Kerja pada Line Maintenance Pesawat Terbang dengan Algoritma Tabu Search Maria Andoryati dan Amar Rachman Departemen Teknik Industri, Fakultas Teknik
Lebih terperinciKata Kunci: Rute, Jadwal, Optimasi, Vehicle Roting Problem, Algoritma Tabu Search, Model
Perancangan Model Rute dan Jadwal Pengisian Bahan Bakar Unit Loader yang Optimal Menggunakan Algoritma Tabu Search (Studi Kasus Pada PT Pamapersada Nusantara) Amar Rachman 1, Febri Vabiono P 2 Departemen
Lebih terperinciMINIMASI WAKTU PENGERJAAN PRODUK MELANIE SLEIGH CHANGING TABLE MELALUI PENDEKATAN SIMULASI DAN TABU SEARCH
MINIMASI WAKTU PENGERJAAN PRODUK MELANIE SLEIGH CHANGING TABLE MELALUI PENDEKATAN SIMULASI DAN TABU SEARCH Natalia Sofyan, Meifani, dan I Gede Agus W. Laboratorium Optimasi dan Simulasi, Jurusan Teknik
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 terperinciTUGAS AKHIR. Oleh : Kartika Sari Nur Aulia ( ) Dosen Pembimbing : Dr. Eng. Ir. Ahmad Rusdiansyah, M.Eng, CSCP
TUGAS AKHIR Oleh : Kartika Sari Nur Aulia (2510100115) Dosen Pembimbing : Dr. Eng. Ir. Ahmad Rusdiansyah, M.Eng, CSCP Your Slide Title PENDAHULUAN Pengembangan Model Dynamic Pricing dengan Mempertimbangkan
Lebih terperinciPENDEKATAN CROSS ENTROPY
PENDEKATAN CROSS ENTROPY UNTUK MINIMASI BIKRITERIA MAKESPAN DAN TOTAL TARDINESS PADA PENJADWALAN PRODUKSI FLOWSHOP DENGAN MESIN PARALEL Sayid Basori dan Suparno Jurusan Teknik Industri Institut Teknologi
Lebih terperinciOptimalisasi Pengantaran Barang dalam Perdagangan Online Menggunakan Algoritma Genetika
Optimalisasi Pengantaran Barang dalam Perdagangan Online Menggunakan Algoritma Genetika Rozak Arief Pratama 1, Esmeralda C. Djamal, Agus Komarudin Jurusan Informatika, Fakultas MIPA Universitas Jenderal
Lebih terperinciALGORITMA HARMONY SEARCH DALAM OPTIMALISASI VEHICLE ROUTING PROBLEM WITH TIME WINDOW (VRPTW)
ALGORITMA HARMONY SEARCH DALAM OPTIMALISASI VEHICLE ROUTING PROBLEM WITH TIME WINDOW (VRPTW) Irinne Puspitasari 1, Purwanto 2 Email : irinne.puspitasari@gmail.com JURUSAN MATEMATIKA FAKULTAS MATEMATIKA
Lebih terperinciI PENDAHULUAN II LANDASAN TEORI
1 I PENDAHULUAN 1.1 Latar Belakang Salah satu tujuan dari industri atau perusahaan adalah menciptakan laba yang maksimal. Salah satu bentuk usahanya adalah dengan memaksimumkan hasil produksi atau meminimumkan
Lebih terperinci