BAB III MODEL DAN TEKNIK PEMECAHAN
|
|
- Surya Rachman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 BAB III MODEL DAN TEKNIK PEMECAHAN III.1. Diskripsi Sistem Sistem pendistribusian produk dalam penelitian ini adalah berkaitan dengan permasalahan vehicle routing problem (VRP). Berikut ini adalah gambar dari aspek struktural sistem Gambar III.1. Aspek Struktural Sistem Pada Gambar III.1 di atas menunjukan aspek struktural sistem yang dapat dijelaskan sebagai berikut : - Terdapat sebuah depot dan sejumlah pelanggan. - Aktifitas loading (memuat beberapa produk ke kendaraaan) terjadi di depot dan aktifitas unloading/discharging (bongkar muatan dari kendaraan) terjadi di setiap pelanggan. - Pelanggan mempunyai demand yaitu produk 1 (P1), produk 2 (P2) dan produk 3 (P3). 48
2 - Demand dari pelanggan adalah deterministik dengan permintaan untuk setiap jenis produk di ketahui. - Kendaraan yang digunakan untuk melakukan pendistribusian produk adalah heterogen yang memiliki tipe yang berbeda dan kapasitas yang berbeda-beda. - Tiap tipe kendaraan memiliki beberapa kompartemen yaitu kompartemen 1 (C1), kompartemen 2 (C2), kompartemen 3 (C3). - Tiap kompartemen didedikasikan untuk tiap produk tertentu. - Kendaraan dapat melayani lebih dari satu rute dalam satu horizon perencanaan - Demand pelanggan dapat dilayani lebih dari satu kendaraan. - Kendaran berangkat dari depot dan kembali ke depot. III.2. Model Konseptual Sebelum mengkaji tentang model konseptual maka perlu di jelaskan karakteristik permasalahan VRP pada penelitian ini sesuai dengan deskripsi sistem yang telah diuraikan di atas. Fleet mix vehicle Kendaraan yang digunakan untuk medistribusikan barang memiliki beberapa tipe yaitu u = 1,2,.. G atau kendaraan adalah heterogen. Masing-masing tipe kendaraan memiliki biaya tetap dan biaya variable dengan jumlah kendaraan tidak terbatas, kapasitas kompartemen untuk produk p pada kendaraan tipe u adalah Q [pu] dan kecepatan kendaraan adalah v u. Multiple trips Kendaraan dapat melayani beberapa rute dalam tur-nya, atau disebut dengan multiple trips. Kendaraan memulai perjalanannya dari depot untuk rute r dalam tur t yang dan kembali lagi ke depot kemudian akan membentuk rute baru r +1 dalam tur t yang memenuhi kelayakan horison perencanaan. Split delivery Pelanggan dapat di kunjungi lebih dari satu kali sampai demandnya terpenuhi atau disebut juga dengan split delivery. Permintaan pelanggan dapat dipenuhi dengan membagi jumlah permintaan pelanggan menjadi sejumlah kecil permintaan, maka jumlah pengantaran dari i setidaknya satu kali pengiriman untuk setiap pelanggan j pada semua rute r, tur t untuk produk p. 49
3 Multiple products and compartments Multiple products and multiple compartments terjadi jika produk p yang diantarkan terdiri dari lebih dari satu jenis produk yang harus disimpan dalam kendaraan dalam kompartemen yang berbeda. Karakteristik permasalahan yang dikaji dalam penelitian ini merupakan varian baru dalam VRP. Terdapat satu depot dengan berbagai pelanggan, aktivitas yang tercakup pada pelanggan adalah pengantaran beberapa produk dari depot ke pelanggan. Permintaan pelanggan bersifat deterministik dan diketahui, Kendaran adalah heterogen dimana masing-masing kendaraan mempunyai kompartemen dengan kapasitas tertentu yang mampu membawa beberapa jenis produk sekaligus. Terdapat horizon perencanaan membatasi total waktu penyelesaian tur. Sepanjang horison perencanaan, tiap pelanggan boleh dikunjungi lebih dari satu kali (split delivery) sampai demandnya terpenuhi. Secara konseptual sistem yang sesuai dengan permasalahan dan tujuan penelitian ini melibatkan variabel variabel dan parameter-parameter yang saling berinteraksi. Permasalahan pendistribusian produk memerlukan model yang mampu meminimumkan total routing cost. Gambar III.2 berikut menunjukkan model konseptual penelitian ini. Gambar III.2. Model Konseptual 50
4 Fungsi Tujuan dari penelitian ini adalah meminimumkan total routing cost yang merupakan penjumlahan biaya tetap dari kendaraan yang terpilih di tambah dengan biaya total variabel satu tur kendaraan yang terpilih Pembatas-pembatas yang terdapat pada permasalahan VRP fleet mix vehicle, multiple trips, split delivery multiple products dan multiple compartments di dalam penelitian ini adalah: 1. Satu tur dilayani oleh satu kendaraan. 2. Total mutan tiap komparteman dalam satu rute yang dilayani tidak melebihi kapasitas angkut tiap komparteman kendaraan. 3. Kendaraan berangkat dari depot dan kembali ke depot sepanjang horizon perencanaan. 4. Tiap pelanggan dapat dikunjungi lebih dari satu kendaraan 5. Jumlah kendaraan yang dibutuhkan sama dengan jumlah tur yang terbentuk. Asumsi-asumsi yang digunakan didalam model VRP fleet mix vehicle, multiple trips, split delivery multiple products dan multiple compartments ini adalah: 1. Jumlah kendaraan untuk tiap tipe tidak tak terbatas. 2. Jarak antar lokasi simetris artinya jarak dari lokasi i ke lokasi j sama dengan jarak dari lokasi j ke lokasi i. 3. Kecepatan rata-rata kendaraan untuk tiap tipe kendaraan diasumsikan sama. III.3. Teknik Pemecahan Menggunakan Algoritma Genetik Dalam memecahkan VRP dengan karakteristik fleet mix vehicle, multiple trips, split delivery multiple products dan multiple compartments dalam penelitian ini, maka digunakan teknik GA sebagai pendekatan pemecahan masalah. GA bekerja dengan banyak solusi, hal ini akan memperbanyak kemungkinan untuk tidak terjebak dalam lokal optimum. GA juga bekerja dengan mekanisme acak, sehingga solusi-solusi yang dihasilkan berbeda-beda, mungkin saja salah satu individu (solusi) terjebak dalam lokal optimal karena stack, tetapi individu solusi lain masih mempunyai kemungkinan untuk diperbaiki. Ruang solusi yang akan di eksplorasi dalam penelitian ini adalah ruang solusi yang layak (feasible), ruang solusi yang tidak layak di abaikan. Hal in akan berpengaruh 51
5 tehadap repsentasi kromosom, pembentukan populasi awal, operator GA, dan kriteria pemilihan solusi yang tidak mengikutsertakan penalti akibat ketidak layakan. Ada beberapa parameter umum yang digunakan dalam penelitian ini: - Maksimum generasi: sebagai stopping criteria. Menggambarkan banyaknya mekanisme evolusiyang dilakukan dalam membentuk populasi pada generasi baru. - Ukuran populasi dalam satu generasi : Merupakan jumlah individu dalam satu generasi, menggambarkan banyaknya ruang solusi yang dieksplorasi melalui operator GA Berikut adalah Gambar III.3 diagram alir pembentukan generasi dalam keseluruhan proses GA dalam penelitian ini. Gambar III.3. Diagram Alir Pembentukan Generasi dalam Keseluruhan Proses GA 52
6 III.3.1. Representasi Kromosom Kromosom dalam VRP fleet mix vehicle, multiple trips, split delivery multiple products dan multiple compartments ini direpresentasikan sebagai bilangan integer. Bräysy (2001) merepresentasikan depot diwakili oleh angka nol dan pelanggan diwakili oleh bilangan bulat positif yang lebih besar dari nol. Berikut adalah contoh dua tur kendaraan dengan dua rute (multiple trips) dan split delivery diperlihatkan sebagai berikut: III.3.2. Populasi Awal Populasi awal merupakan sekumpulan alternatif-alternatif solusi (individu-individu) yang layak, yang akan digunakan untuk memulai algoritma genetik. Tiap individu berisikan informasi tur dan rute serta kendaraan yang digunakan untuk melayani demand keseluruhan pelanggan. Inisialisasi populasi diperlukan sebagai individu awal dalam melakukan proses elitis, migrasi, crossover dan mutasi. Untuk menghasilkan individu awal dilakukan dengan algoritma sequential insertion yang dikembangkan. Acuan yang digunakan adalah Suprayogi (2003) dimana kromosom dibangkitkan secara acak. Kromosom yang dibangkitkan akan disisipkan diantara depot dan kromosom lain yang memenuhi pembatas-pembatas yang ada. Suprayogi et.al (2007) juga telah mengembangkan algoritma sequential insertion untuk memecahkan split delivery vehicle routing problem with multiple trips, multiple products and multiple compartments dengan memodifikasi kriteria pemilihan pelanggan yang disisipkan pada rute saat ini adalah waktu penyelesaian tur yang paling kecil. Pada penelitian ini algoritma sequential insertion dikembangkan untuk menyelesaikan VRP dengan karakteristik fleet mix vehicle, multiple trips, split delivery, multiple products dan multiple compartments. Kriteria pemilihan pelanggan yang disisipkan pada rute saat ini sama dengan yang telah dikembangkan oleh Suprayogi et.al (2007) yaitu waktu penyelesaian tur yang paling kecil. Time window hanya terdapat pada depot dimana time window ini adalah horison perencanaan yang merupakan waktu kerja untuk kendaraan. Berikut adalah diagram alir pembentukan populasi awal untuk satu individu dengan menggunakan algoritma sequential insertion yang dikembangkan, dapat dijelaskan pada Gambar III.4 berikut ini: 53
7 Gambar III.4 Diagram alir Algoritma Sequential Insertion 54
8 Algoritma sequential insertion yang dikembangkan dapat dijelaskan sebagai berikut: Langkah 1 Bangkitkan tipe kendaraan secara random, buat tur pertama, t = 1 dan rute pertama, r = 1, yang dimulai dari depot. Langkah 2 Bangkitkan Pelanggan pertama acak (random) Langkah 3 Sisipkan pelanggan berikutnya yang belum terpenuhi demandnya. Pelanggan yang akan disisipkan ini diperiksa waktu penyelesaian turnya apakah kurang dari horison perencanaan atau tidak, pelanggan yang memiliki waktu penyelesaian tur terkecil yang akan masuk ke dalam tur dan rute saat ini, rute diatur ulang karena adanya penyisipan pelanggan. Periksa demand pelanggan yang terpilih jika demandnya masih ada maka pelanggan tersebut masih dapat diikut sertakan dalam pemilihan. Periksa kapasitas kendaraan untuk tiap kompartemen apakah masih dapat disisipkan muatan untuk pelanggan yang belum terpenuhi demandnya atau tidak, kalau masih ada maka sisipkan jika tidak maka buat rute baru (r = r + 1) dalam tur yang sama. Sisipkan pelanggan yang belum terpenuhi demandnya pada tur dan rute saat ini, periksa waktu penyelesaian turnya apakah kurang dari horison penrencanaan, jika kurang dari horison perencanan maka pelanggan yang terpilih dimasukan pada tur dan rute saat ini, jika tidak maka buat tur baru (t = t + 1) dan bangkitkan tipe kendaraan yang terpilih. Jika semua pelanggan telah terpenuhi demandnya maka individu telah selesai terbentuk. Dengan mengambil kasus dimana terdapat 6 (enam) pelanggan yaitu 1, 2, 3, 4, 5, dan 6, proses pembentukan individu awal dengan menggunakan algoritma sequential insertion diperlihatkan pada gambar-gambar dibawah. Data pelanggan ini dapat dilihat secara lengakap pada lampiran A. Langkah 1 : Kondisi awal tanpa adanya pelanggan yang dikunjungi. Gambar III.5. Sequential Insertion Awal 55
9 Langkah 2 : Pembangkitan pelanggan pertama Gambar III.6. Sequential Insertion Pelanggan Pertama Langkah 3. Gambar III.7. Sequential Insertion Pelanggan Kedua Tur 1 Gambar III.8. Sequential Insertion Pelanggan Ketiga Tur 1 Gambar III.9. Sequential Insertion Pelanggan Keempat Tur 1 Gambar III.10. Sequential Insertion Pelanggan Kelima Tur 1 Gambar III.11. Sequential Insertion Pelanggan Pertama Tur 2 56
10 Gambar III.12. Sequential Insertion Pelanggan Kedua Tur 2 Gambar III.13. Sequential Insertion Pelanggan Ketiga Tur 2 Gambar III.14. Sequential Insertion Pelanggan Keempat Tur 2 Gambar III.15. Sequential Insertion Pelanggan Keempat Tur 2 Gambar III.16. Sequential Insertion Pelanggan Pertama Tur 3 57
11 Gambar III.17. Sequential Insertion Pelanggan Kedua Tur 3 Tipe kendaraan 1 ;Tur ke Tipe kendaraan 2 ; Tur ke Tipe kendaraan 2 t = 3 ; r = 2 Pelanggan Ketiga Pelanggan Sisa : { 4} Gambar III.18. Sequential Insertion Pelanggan Ketiga Tur 3 Gambar III.19. Sequential Insertion Pelanggan Keempat Tur 3 Gambar III.20. Sequential Insertion Pelanggan Pertama Tur 4 58
12 III.3.3. Fitness Function Algoritma genetik yang digunakan dalam memecahkan permasalahan ini menggunakan fitness function yang meminimumkan total routing cost. Total routing cost merupakan penjumlahan dari biaya tetap untuk masing-masing kendaraan yang terpilih ditambah dengan biaya variabel untuk kendaraan terpilih dikalikan dengan waktu tempuh dari kendaraan. Berikut adalah diagram alir perhitungan fitness function untuk satu individu yang terbentuk, dapat dilihat pada Gambar III.21 dibawah ini Gambar III.21. Diagram Alir Fitness Function Sebagai contoh numerik, diambil dari Tabel III.2 pada individu keenam. Solusi terdiri dari empat tur dan masing-masing tur dilayani oleh tipe kendaraan yang terpilih (tur 1 : waktu tempuh 22,8 jam dan dilayani oleh kendaraan tipe 1, tur 2 : waktu tempuh 28 jam dan dilayani oleh kendaraan tipe 2, tur 3 : waktu tempuh 26 jam dan dilayani oleh kendaraan tipe 2, tur 4 : waktu tempuh 8 jam dan dilayani oleh kendaraan tipe 1). Biaya tetap dan biaya variabel masing-masing kendaraan dapat dilihat pada Tabel III.1 berikut ini. Tabel III.1 Biaya Tetap dan Biaya Variabel untuk contoh Numerik Fixed Cost Variabel Cost Tipe Kendaraan (Rp) (Rp/jam) Kendaraan Tipe Kendaraan Tipe Kendaraan Tipe Kendaraan Tipe
13 Perhitungan detail untuk fitness function ini dapat dilihat dibawah ini: Fitness function = [ jumlah (Biaya tetap kendaraan terpilih x jumlah tipe kendaraan yang melayani tur) ] + [ jumlah (Biaya variabel kendaraan terpilih x waktu perjalanan kendaraan terplih tiap tur) ] = {[(Rp )x(2)+(Rp )x(2)] + [(250 x 22,8 jam) + ( 350 x 28 jam) + ( Rp350 x 26 jam) + ( Rp.250 x 8 jam)]} = [ Rp Rp ] = Rp ,- III.3.4. Elitis Setelah populasi awal dilakukan dan jumlah individu yang terbentuk sesuai dengan keinginan, maka tahapan selanjutnya dilakukan proses elitis. Elitis berfungsi untuk menjaga kestabilan nilai criteria terbaik yang didapat pada setiap generasi. Solusi terbaik generasi sebelumnya tetap dipertahankan di generasi berikutnya dengan menggantikan individu terburuk pada generasi berikutnya yang telah terbentuk melalui mekanisme evolusi. Dengan demikian generasi berikutnya minimal mempunyai solusi yang sama baiknya dengan generasi sebelumnya, tanpah pernah terjadi penurunan kualitas solusi. Jika nilai operator elitis terlalu besar dikhawatirkan akan terjadi kekonvergenan solusi dan kehomogenan populasi yang terlalu cepat sehingga mempersempit ruang gerak GA. Berikut adalah Gambar II.22 diagram alir elitis. Gambar III.22. Diagram Alir Elitis 60
14 Berikut adalah populasi awal lampiran A Tabel III.2. Populasi awal lampiran A Individu Urutan rute Tipe kendaraan Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur fitness function Peringkat
15 Lanjutan tabel populasi awal lampiran A Individu Urutan rute Tipe kendaraan Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur fitness function Peringkat Dengan nilai elitis 10 %, individu generasi berikutnya yang diperoleh adalah 10% populasi generasi sebelumnya. Dengan demikian, jumlah individu elitis adalah 2 individu, berikut adalah hasil seleksi elitis dari populasi awal soal lampiran A 62
16 Tabel III.3. Hasil Elitis Populasi Awal Lampiran A 6 4 Individu Urutan rute Tur Tur Tur Tur Tur Tur Tur Tur Tipe kendaraan fitness function Peringkat III.3.5. Migration Proses migrasi dilakukan untuk menghasilkan subpopulasi yang diharapkan individuindividu baru yang terbentuk akan lebih baik. Proses migrasi ini akan menghasilkan individu yang beragam sehingga memperbesar ruang pencarian solusi dari GA dengan cara mengambil informasi dari individu-individu generasi sebelumnya, rute diatur ulang untuk setiap penyisipan pelanggan. Individu baru yang dihasilkan, sebelumnya ditentukan migration ratenya yaitu berapa jumlah individu baru yang akan dibentuk. Berikut adalah Gambar III.23 diagram alir migration : Gambar III.23. Diagram Alir Migration Dengan nilai migration ratenya sebesar 40%, individu (subpopulasi) generasi yang diperoleh adalah 40% dari populasi generasi sebelumnya. Dengan demikian, jumlah individu migrasi adalah 8 individu 63
17 Tabel III.4. Hasil Migration Populasi Awal Lampiran A Individu Urutan rute Tipe kendaraan Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur Tur fitness function Peringkat III.3.6. Mutasi Mutasi berperan dalam melakukan perubahan pada setiap kromosom dan gen didalamnya. Mutasi hanya akan terjadi jika nilai angka random lebih kecil dari pada peluang terjadinya mutasi. Proses mutasi ini menggunakan tour reinsertion yang di adaptasi dari Alvarenga et.al (2003) dalam Mahaputra (2006). Diambil pelanggan pada posisi pertama dari semua rute dalam tur, yang kemudian akan disisipkan dengan kriteria pemilihan pelanggan berdasarkan jarak terpendek. Jika mutasi berhasil, dalam arti mempunyai fungsi tujuan yang lebih baik, maka individu hasil 64
18 mutasi akan menggantikan individu lama. Jika tidak individu lama yang akan terus bertahan. Pemilihan parent dilakukan dengan menggunakan metode roulette wheel, yaitu metode seleksi dengan memberikan nilai probabilitas pada masing-masing individu di populasi. Nilai probabilitas individu besar jika fitness function kecil. Sebaliknya, nilai probabilitas individu kecil jika fitness function besar. Parent diperoleh dengan membangkitkan sebuah bilangan acak yang terletak antara 0 dan 1. Bilangan ini diletakan antara kum 1 dan kum 2 Tabel III.5. Posisi bilangan yang cocok antara kum 1 dan kum 2 ini merupakan posisi individu yang terpilih sebagai parent. Proses mutasi kromosom dalam satu parent yang terpilih akan menghasilkan satu child. Fittnes function child ini diharapkan lebih baik dari parent. Berikut adalah Gambar III.24 diagram alir proses mutasi: Gambar III.24. Diagram Alir Mutasi 65
19 Gambar III.25. Diagram Alir Pembentukan Child Mutasi 66
20 Gambar III. 26. Diagaram seleksi dengan metode roulette wheel Berikut adalah Tabel III.5 hasil seleksi dengan metode roulette wheel Tabel III.5. Hasil Seleksi dengan Metode Roulette Wheel Induvidu Fitness Function 1/ff Proporsi Kum 1 Kum 2 Individu E E E 02 Individu E E E E 02 Individu E E Individu E E Individu E E Individu E Individu E E Individu E E Individu E E Individu E E Individu E E Individu E E Individu E E Individu E E Individu E E Individu E Individu E Individu E E Individu E E Individu E E Sebagai contohnya : Bilangan acak : Tabel seleksi roulet wheel : < Posisi Parent : Individu 8 67
21 Berikut adalah langkah pembentukan child dan parent : Langkah 1: Pilih sebuah individu (parent) yang akan di mutasi dari populasi awal dengan cara membangkitkan sebuah bilangan acak yang terletak antara 0 sampai dengan 1. Gambar III.27. Parent Mutasi Langkah 2 : Bandingkan kromosom pelanggan pertama yang berangkat dari depot untuk semua rute kendaraan, baik untuk semua tipe kendaraan terpilih dan semua tur yang terbentuk. Jarak yang terpendek menjadi kromosom pertama child mutasi. Karena adanya split delivery maka pelanggan yang sama akan di gabungkan demandnya, dengan memperhatikan batasan-batasan yang ada sebelumnya saat pembangkitan solusi awal. Tipe kendaraan terpilih diambil dari parent. Gambar III.28. Pelanggan Pertama Mutasi Langkah 3: Pelanggan yang dibandingkan di kromosom berikutnya berasal dari himpunan pelanggan sisa yang dibandingkan untuk kromosom sebelumnya ditambah dengan kandidat pelanggan yang berada diposisi yang sama dengan kromosom berikutnya ini. Pengaturan rute tetap dilakukan jika da ada kemungkinan terjadi multiple trips. Karena adanya split delivery maka pelanggan yang sama akan di gabungkan demandnya, dengan memperhatikan batasan-batasan yang ada sebelumnya saat pembangkitan solusi awal. 68
22 Gambar III.29. Pelanggan Kedua Tur 1 Mutasi Gambar III.30. Pelanggan Ketiga Tur 1 Mutasi Gambar III.31. Pelanggan Keempat Tur 1 Mutasi Gambar III.32. Pelanggan Kelima Tur 1 Mutasi Gambar III.33. Pelanggan Pertama Tur 2 Mutasi Gambar III.34. Pelanggan Kedua Tur 2 Mutasi Gambar III.35. Pelanggan Ketiga Tur 2 Mutasi 69
23 Gambar III.36. Pelanggan Pertama Tur 3 Mutasi Gambar III.37. Pelanggan Kedua Tur 3 Mutasi Gambar III.38. Pelanggan Ketiga Tur 3 Mutasi Gambar III.39. Pelanggan Keempat Tur 3 Mutasi 70
24 Langkah 4 : Hasil mutasi ini dibandingkan dengan parent. Jika hasil mutasi memberikan fitness function yang lebih minimum dari parent, maka child ini yang akan menjadi individu generasi berikutnya, jika sebaliknya, parent yang akan menjadi individu generasi berikutnya. III.3.7. Crossover Crossover merupakan penggabungan dua string induk menjadi dua string anak (child) yang berbeda dengan string induknya dengan cara mempertukarkan (mengambil informasi) bagian dari string induk. Proses crossover ini menggunakan insertion based crossover yang di adaptasi dari Berger dan Barkaoui (2000) dalam Mahaputra (2006). Diambil pelanggan pada posisi pertama dari semua rute dalam tur untuk kedua parent (child 1 dari parent 2 dan child 2 dari parent 1), yang kemudian akan disisipkan dengan kriteria pemilihan pelanggan berdasarkan jarak terpendek. Dua string induk akan dipilih dengan metode seleksi yang telah ditentukan sebelumnya. Hasil crossover ini akan dihitung fitness functionnya. Jika lebih baik dari pada kedua parent, maka hasil crossover ini akan menjadi individu generasi berikutnya. Proses crossover antara parent yang terpilih akan menghasilkan child dengan harapan fitness function yang dihasilkan child lebih baik dari parent. Berikut adalah Gambar III.40 diagram alir prosess crossover: 71
25 Gambar III.40. Diagram Alir Crossover 72
26 Gambar III.41. Diagram Alir Pembentukan child Crossover 73
27 Kedua parent diperoleh dengan membangkitkan sebuah bilangan acak yang terletak antara 0 dan 1. Bilangan ini diletakan antara kum 1 dan kum 2 Tabel III.5. Posisi bilangan yang cocok antara kum 1 dan kum 2 ini merupakan posisi individu yang terpilih sebagai parent. Sebagai contoh : Bilangan acak 1 : Tabel seleksi roulet wheel : < Posisi Parent 1 : Individu 11 Bilangan acak 2 : Tabel seleksi crossover : < Posisi Parent 2 : Individu 14 Berikut adalah langkah pembentukan child dari parent : Langkah 1: Pilih 2 parent yang akan di crossover secara acak dengan metode roulette wheel. Tipe kendaraan 3 ; Tur ke 1 Parent 1 = individu Tipe kendaraan 2 ; Tur ke Tipe kendaraan 1 ; Tur ke Tipe kendaraan 1 ;Tur ke Tipe kendaraan 4 ;Tur ke 1 Parent 2 = individu Tipe kendaraan 2 ;Tur ke Tipe kendaraan 1 ; Tur ke Tipe kendaraan 1 ;Tur ke Gambar III.42. Parent Crossover Langkah 2: Bandingkan kromosom pelanggan pertama yang berangkat dari depot untuk semua rute kendaraan dari parent yang terpilih. Jarak yang terpendek menjadi crossover 1 dan terpendek kedua ada di crossover 2. Kendaraan terpilih diambil dari parent. 74
28 Gambar III.43. Pelanggan Pertama Tur 1 Child 1 dan 2, Crossover Langkah 3: Pelanggan yang dibandingkan di kromosom berikutnya berasal dari himpunan pelanggan sisa yang dibandingkan untuk kromosom sebelumnya ditambah dengan kandidat pelanggan yang berada diposisi yang sama dengan kromosom berikutnya ini. Pengaturan rute tetap dilakukan jika da ada kemungkinan terjadi multiple trips. Karena adanya split delivery maka pelanggan yang sama akan di gabungkan demandnya, dengan memperhatikan batasan-batasan yang ada sebelumnya saat pembangkitan solusi awal. Gambar III.44. Pelanggan Kedua Tur 1 Child 1 dan 2, Crossover Gambar III.45. Pelanggan Ketiga Tur 1 Child 1 dan 2, Crossover Gambar III.46. Pelanggan Keempat Tur 1 Child 1 dan 2, Crossover 75
29 Gambar III.47. Pelanggan Kelima Tur 1 Child 1 dan 2, Crossover Tipe kendaraan 3 ; Tur ke 1 Child Tipe kendaraan 4 ; Tur ke 1 Child Jarak terpendek Pelanggan yang dibandingkan : {6,5,2,3,4} Tipe kendaraan 2 ; Tur ke 2 Jarak terpendek Pelanggan yang dibandingkan : {6,1,5,4,2,3} Gambar III.48. Pelanggan KeenamTur 1 Child 1 dan Pelanggan Pertama Tur 2 Child 2, Crossover Tipe kendaraan 3 ; Tur ke 1 Child Tipe kendaraan 2 ; Tur ke 2 Jarak terpendek Pelanggan yang dibandingkan : {5,2,3,4} Tipe kendaraan 4 ; Tur ke 1 Child Tipe kendaraan 2 ; Tur ke Jarak terpendek Pelanggan yang dibandingkan : {6,1,5,4,2,3} Gambar III.49. Pelanggan Pertama dan Pelanggan Kedua Tur 2 Child 1 dan Child 2, Crossover Gambar III.50. Pelanggan Kedua dan Pelanggan Ketiga Tur 2 Child 1 dan Child 2, Crossover 76
30 Gambar III.51. Pelanggan Ketiga dan Pelanggan Keempat Tur 2 Child 1 dan Child 2, Crossover Tipe kendaraan 3 ; Tur ke 1 Child Tipe kendaraan 2 ; Tur ke Tipe kendaraan 4 ; Tur ke 1 Child Jarak terpendek 0 Pelanggan yang dibandingkan : {5,2,3,4} Tipe kendaraan 2 ; Tur ke Jarak terpendek Pelanggan yang dibandingkan : 3 0 {6,5,1,4,2,3} Gambar III.52. Pelanggan Keempat dan Pelanggan Kelima Tur 2 Child 1 dan Child 2, Crossover Gambar III.53. Pelanggan Kelima Tur 2 Child 1 dan Pelanggan Pertama Tur 3 Child 2, Crossover 77
31 Tipe kendaraan 3 ; Tur ke 1 Child Tipe kendaraan 2 ; Tur ke Tipe kendaraan 4 ; Tur ke 1 Child Tipe kendaraan 2 ; Tur ke Jarak terpendek Pelanggan yang dibandingkan : {5,2,3,4} Tipe kendaraan 1 ; Tur ke Jarak terpendek Pelanggan yang dibandingkan : {6,1,4,2,3} Gambar III.54. Pelanggan Keenam Tur 2 Child 1 dan Pelanggan Kedua Tur 3 Child 2, Crossover Gambar III.55. Pelanggan Pertama Tur 3 Child 1 dan Pelanggan Ketiga Tur 3 Child 2, Crossover Gambar III.56. Pelanggan Kedua Tur 3 Child 1 dan Pelanggan Keempat Tur 3 Child 2, Crossover 78
32 Gambar III.57. Pelanggan Ketiga Tur 3 Child 1 dan Pelanggan Kelima Tur 3 Child 2, Crossover Gambar III.58. Pelanggan Keempat Tur 3 Child 1 dan Pelanggan Keenam Tur 3 Child 2, Crossover Gambar III.59. Pelanggan Kelima Tur 3 Child 1 dan Pelanggan Ketujuh Tur 3 Child 2, Crossover 79
33 Gambar III.60. Pelanggan Pertama Tur 4 Child 2 Crossover Gambar III.61. Pelanggan Kedua Tur 4 Child 2 Crossover Langkah 4: Hasil crossover ini dibandingkan dengan kedua parent. Jika hasil crossover memberikan fitness function yang lebih minimum dari parent, maka child ini yang akan menjadi individu generasi berikutnya, jika sebaliknya, parent yang akan menjadi individu generasi berikutnya. III.3.8. Pembentukan Generasi Berikutnya Generasi yang akan dibentuk berikutnya berasal dari hasil-hasil olahan genetik dari generasi sebelumnya. Keempat operator GA bersama membentuk generasi 80
34 berikutnya. Agar jumlah individu dalam populasi tetap, maka persentase keempat operator GA harus berjumlah 100%. Sebagai contoh : Individu Generasi sebelumnya : 20 individu Elitis : 10 % 2 individu baru Migrasi : 40 % 8 individu baru Mutasi : 20 % 4 individu baru Crossover : 30 % 6 individu baru Individu generasi berikutnya yang terbentuk ( ) individu baru 81
BAB I PENDAHULUAN. I.1. Latar Belakang Penelitian
BAB I PENDAHULUAN I.1. Latar Belakang Penelitian Dalam banyak perusahaan, pengaturan kegiatan distribusi barang dari produsen ke konsumen merupakan faktor yang memegang peranan penting, dikarenakan pengeluaran
Lebih terperinciBAB III PEMBAHASAN. Berikut akan diberikan pembahasan mengenai penyelesaikan CVRP dengan
BAB III PEMBAHASAN Berikut akan diberikan pembahasan mengenai penyelesaikan CVRP dengan Algoritma Genetika dan Metode Nearest Neighbour pada pendistribusian roti di CV. Jogja Transport. 3.1 Model Matetematika
Lebih terperinciBAB II KAJIAN TEORI. memindahkan barang dari pihak supplier kepada pihak pelanggan dalam suatu supply
BAB II KAJIAN TEORI Berikut diberikan beberapa teori pendukung untuk pembahasan selanjutnya. 2.1. Distribusi Menurut Chopra dan Meindl (2010:86), distribusi adalah suatu kegiatan untuk memindahkan barang
Lebih terperinciTESIS. Karya Tulis Sebagai Salah Satu Syarat Untuk Memperoleh Gelar Magister Teknik dan Manajemen Industri dari Institut Teknologi Bandung
Pemecahan Vehicle Routing Problem dengan Karakteristik Fleet Mix Vehicle, Multiple Trips, Split Delivery, Multiple Products dan Multiple Compartments menggunakan Teknik Genetic Algorithm TESIS Karya Tulis
Lebih terperinciBAB 2 LANDASAN TEORI. 2.1 Algoritma Genetika
6 BAB 2 LANDASAN TEORI 2.1 Algoritma Genetika Algoritma genetika merupakan metode pencarian yang disesuaikan dengan proses genetika dari organisme-organisme biologi yang berdasarkan pada teori evolusi
Lebih terperinciPenentuan Rute Kendaraan dalam Pendistribusian Beras Bersubsidi Menggunakan Algoritma Genetika (Studi Kasus Perum Bulog Sub Divre Cirebon) *
Reka Integra ISSN: 2338-5081 Jurusan Teknik Industri Itenas No.01 Vol.03 Jurnal Online Institut Teknologi Nasional Januari 2015 Penentuan Kendaraan dalam Pendistribusian Beras Bersubsidi (Studi Kasus Perum
Lebih terperinciGenetic Algorithme. Perbedaan GA
Genetic Algorithme Algoritma ini bekerja dengan sebuah populasi yang terdiri atas individu-individu (kromosom). Individu dilambangkan dengan sebuah nilai kebugaran (fitness) yang akan digunakan untuk mencari
Lebih terperinciBAB III PEMBAHASAN. diperoleh menggunakan algoritma genetika dengan variasi seleksi. A. Model Matematika CVRPTW pada Pendistribusian Raskin di Kota
BAB III PEMBAHASAN Pada bab ini akan dibahas mengenai model matematika pada pendistribusian raskin di Kota Yogyakarta, penyelesaian model matematika tersebut menggunakan algoritma genetika serta perbandingan
Lebih 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 III. Metode Penelitian
BAB III Metode Penelitian 3.1 Diagram Alir Penelitian Secara umum diagram alir algoritma genetika dalam penelitian ini terlihat pada Gambar 3.1. pada Algoritma genetik memberikan suatu pilihan bagi penentuan
Lebih terperinciBAB II 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 terperinciERWIEN TJIPTA WIJAYA, ST.,M.KOM
ERWIEN TJIPTA WIJAYA, ST.,M.KOM DEFINISI ALGEN adalah algoritma yang memanfaatkan proses seleksi alamiah yang dikenal dengan evolusi Dalam evolusi, individu terus menerus mengalami perubahan gen untuk
Lebih terperinciBAB IV CONTOH NUMERIK DAN ANALISIS KOMPUTASIONAL
BAB IV CONTOH NUMERIK DAN ANALISIS KOMPUTASIONAL IV.1. Karakteristik Data Hipotetik. Penyelesaian VRP dengan karakteristik fleet mix vehicle, multiple trips, split delivery, multiple products dan multiple
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 terperinciPENERAPAN ALGORITMA GENETIKA UNTUK TRAVELING SALESMAN PROBLEM DENGAN MENGGUNAKAN METODE ORDER CROSSOVER DAN INSERTION MUTATION
PENERAPAN ALGORITMA GENETIKA UNTUK TRAVELING SALESMAN PROBLEM DENGAN MENGGUNAKAN METODE ORDER CROSSOVER DAN INSERTION MUTATION Samuel Lukas 1, Toni Anwar 1, Willi Yuliani 2 1) Dosen Teknik Informatika,
Lebih terperinciBAB 2 DASAR TEORI. 2.1 Teka-Teki Silang
BAB 2 DASAR TEORI 2.1 Teka-Teki Silang Teka-teki silang atau disingkat TTS adalah suatu permainan yang mengharuskan penggunanya untuk mengisi ruang-ruang kosong dengan huruf-huruf yang membentuk sebuah
Lebih terperinciBAB I PENDAHULUAN. Pemerintah Pusat hingga Pemerintah Daerah, salah satu program dari
BAB I PENDAHULUAN A. Latar Belakang Masalah Peningkatan kesejahteraan dalam memenuhi kebutuhan pangan masyarakat berpendapatan rendah merupakan program nasional dari Pemerintah Pusat hingga Pemerintah
Lebih terperinciJurnal Teknik Industri, Vol. 19, No. 2, December 2017, ISSN print / ISSN online
Jurnal Teknik Industri, Vol. 19, No. 2, December 2017, 115-124 ISSN 1411-2485 print / ISSN 2087-7439 online DOI: 10.9744/jti.19.2.115-124 Algoritma Genetika untuk Pemecahan Masalah Rute Kendaraan dengan
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
12 BAB I PENDAHULUAN 1.1. Latar Belakang Distribusi suatu produk mempunyai peran yang penting dalam suatu mata rantai produksi. Hal yang paling relevan dalam pendistribusian suatu produk adalah transportasi
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Pustaka. Penelitian serupa mengenai penjadwalan matakuliah pernah dilakukan oleh penelliti yang sebelumnya dengan metode yang berbeda-neda. Berikut
Lebih terperinciPENYELESAIAN VEHICLE ROUTING PROBLEM UNTUK MINIMASI TOTAL BIAYA TRANSPORTASI PADA PT XYZ DENGAN METODE ALGORITMA GENETIKA
ISSN : 2355-9365 e-proceeding of Engineering : Vol.3, No.2 Agustus 2016 Page 2566 PENYELESAIAN VEHICLE ROUTING PROBLEM UNTUK MINIMASI TOTAL BIAYA TRANSPORTASI PADA PT XYZ DENGAN METODE ALGORITMA GENETIKA
Lebih terperinciPembentukan Rute Distribusi Menggunakan Algoritma Clarke & Wright Savings dan Algoritma Sequential Insertion *
Reka Integra ISSN: 2338-508 Jurusan Teknik Industri Itenas No.02 Vol. 02 Jurnal Online Institut Teknologi Nasional Oktober 204 Pembentukan Distribusi Menggunakan Algoritma Clarke & Wright Savings dan Algoritma
Lebih terperinciPENYELESAIAN VEHICLE ROUTING PROBLEM UNTUK MINIMASI TOTAL BIAYA TRANSPORTASI PADA PT XYZ DENGAN METODE ALGORITMA GENETIKA
PENYELESAIAN VEHICLE ROUTING PROBLEM UNTUK MINIMASI TOTAL BIAYA TRANSPORTASI PADA PT XYZ DENGAN METODE ALGORITMA GENETIKA Astri Desiana 1, AriYanuar Ridwan 2, Rio Aurachman 3 1, 2, 3 Program Studi Teknik
Lebih terperinciBAB II KAJIAN PUSTAKA
BAB II KAJIAN PUSTAKA Pengertian-pengertian dasar yang digunakan sebagai landasan pembahasan pada Bab II yaitu masalah ditribusi, graf, Travelling Salesman Problem (TSP), Vehicle Routing Problem (VRP),
Lebih terperinciPengantar Kecerdasan Buatan (AK045218) Algoritma Genetika
Algoritma Genetika Pendahuluan Struktur Umum Komponen Utama Seleksi Rekombinasi Mutasi Algoritma Genetika Sederhana Referensi Sri Kusumadewi bab 9 Luger & Subblefield bab 12.8 Algoritma Genetika 1/35 Pendahuluan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan membahas landasan atas teori-teori yang bersifat ilmiah untuk mendukung penulisan tugas akhir ini. Teori-teori yang dibahas mengenai pengertian penjadwalan, algoritma
Lebih terperinciPenerapan Adaptive Genetic Algorithm dengan Fuzzy Logic Controller pada Capacitated Vehicle Routing Problem
Penerapan Adaptive Genetic Algorithm dengan Fuzzy Logic Controller pada Capacitated Vehicle Routing Problem Tri Kusnandi Fazarudin 1, Rasyid Kurniawan 2, Mahmud Dwi Sulistiyo 3 1,2 Prodi S1 Teknik Informatika,
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Penjadwalan Perkuliahan Penjadwalan memiliki pengertian durasi dari waktu kerja yang dibutuhkan untuk melakukan serangkaian untuk melakukan aktivitas kerja[10]. Penjadwalan juga
Lebih terperinciBAB II KAJIAN PUSTAKA. digunakan dalam penelitian ini yaitu graf, vehicle routing problem (VRP),
BAB II KAJIAN PUSTAKA Secara umum, pada bab ini akan dibahas mengenai kajian teori yang digunakan dalam penelitian ini yaitu graf, vehicle routing problem (VRP), capacitated vehicle routing problem with
Lebih terperinciALGORITMA GENETIKA PADA PEMROGRAMAN LINEAR DAN NONLINEAR
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 5, No. 03(2016), hal 265 274. ALGORITMA GENETIKA PADA PEMROGRAMAN LINEAR DAN NONLINEAR Abdul Azis, Bayu Prihandono, Ilhamsyah INTISARI Optimasi
Lebih terperinciPenentuan Rute untuk Pendistribusian BBM Menggunakan Algoritma Nearest neighbour (Studi Kasus di PT X)
Reka Integra ISSN: 2338-5081 Jurusan Teknik Industri Itenas No.04 Vol. 01 Jurnal Online Institut Teknologi Nasional Maret 2014 Penentuan Rute untuk Pendistribusian BBM Menggunakan Algoritma Nearest neighbour
Lebih terperinciBAB III ALGORITMA MEMETIKA DALAM MEMPREDIKSI KURS VALUTA ASING. Untuk memberikan penjelasan mengenai prediksi valuta asing
BAB III ALGORITMA MEMETIKA DALAM MEMPREDIKSI KURS VALUTA ASING Untuk memberikan penjelasan mengenai prediksi valuta asing menggunakan algoritma memetika, akan diberikan contoh sebagai berikut. Contoh Misalkan
Lebih terperinciPRESENTASI TUGAS AKHIR KI091391
PRESENTASI TUGAS AKHIR KI091391 PENDEKATAN CROSSOVER TERBARU UNTUK MENYELESAIKAN MULTIPLE TRAVELLING SALESMEN PROBLEM MENGGUNAKAN ALGORITMA GENETIKA (Kata kunci: multiple salemen problem, algoritma genetika,
Lebih terperinciBAB I LATAR BELAKANG
BAB I LATAR BELAKANG 1.1 Latar Belakang Masalah Masalah transportasi merupakan aspek penting dalam kehidupan seharihari. Transportasi juga merupakan komponen yang sangat penting dalam manajemen logistik
Lebih terperinciUSULAN RANCANGAN RUTE TRANSPORTASI MULTI TRIP
USULAN RANCANGAN RUTE TRANSPORTASI MULTI TRIP UNTUK MEMINIMASI BIAYA TRANSPORTASI DENGAN HETEROGENEOUS FLEET DAN TIME WINDOW MENGGUNAKAN METODE ALGORITMA GENETIKA DI PT.XYZ Muhammad Zuhdi Aiman Anka 1,
Lebih terperinciBAB III METODE PENELITIAN. Penelitian dilakukan dilingkungan Jurusan Ilmu Komputer Fakultas Matematika
BAB III METODE PENELITIAN 3.1. Waktu dan Tempat Penelitian Penelitian dilakukan dilingkungan Jurusan Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Lampung. Waktu penelitian dilaksanakan
Lebih terperinciUSULAN PERBAIKAN RUTE PENDISTRIBUSIAN ICE TUBE MENGGUNAKAN METODE NEAREST NEIGHBOUR DAN GENETIC ALGORITHM *
Reka Integra ISSN: 2338-508 Jurusan Teknik Industri Itenas No.04 Vol.03 Jurnal Online Institut Teknologi Nasional Oktober 205 USULAN PERBAIKAN RUTE PENDISTRIBUSIAN ICE TUBE MENGGUNAKAN METODE NEAREST NEIGHBOUR
Lebih terperinciBAB II KAJIAN TEORI. berbeda di, melambangkan rusuk di G dan jika adalah. a. dan berikatan (adjacent) di. b. rusuk hadir (joining) simpul dan di
1. Teori graf BAB II KAJIAN TEORI 1. Definisi Graf G membentuk suatu graf jika terdapat pasangan himpunan ) )), dimana ) (simpul pada graf G) tidak kosong dan ) (rusuk pada graf G). Jika dan adalah sepasang
Lebih terperinciOptimasi 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 terperinciOptimasi Rute Pengangkutan Sampah Dengan Metode Vehicle Routing Problem With Time Window Menggunakan Binary Integer Programming
Optimasi Rute Pengangkutan Sampah Dengan Metode Vehicle Routing Problem With Time Window Menggunakan Binary Integer Programming Dwi Sutrisno 1, M. Adha Ilhami 2, Evi Febianti 3 1, 2, 3 Jurusan Teknik Industri
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Pada saat sekarang ini, setiap perusahaan yang ingin tetap bertahan dalam persaingan dengan perusahaan lainnya, harus bisa membuat semua lini proses bisnis perusahaan tersebut
Lebih terperinciT I N J A U A N P U S T A K A Algoritma Genetika [5]
Algoritma Genetika [5] Fitness adalah nilai yang menyatakan baik-tidaknya suatu jalur penyelesaian dalam permasalahan TSP,sehingga dijadikan nilai acuan dalam mencari jalur penyelesaian optimal dalam algoritma
Lebih terperinciBAB II LANDASAN TEORI. Suatu graph merupakan suatu pasangan { E(G), V(G) } dimana :
BAB II LANDASAN TEORI 2.1 Defenisi Graph Suatu graph merupakan suatu pasangan { E(G), V(G) } dimana : V(G) adalah sebuah himpunan terhingga yang tidak kosong ( non empty finite set) yang elemennya disebut
Lebih terperinci2 TINJAUAN PUSTAKA. 2.1 Peringkasan Teks
4 2 TINJAUAN PUSTAKA 2.1 Peringkasan Teks Peringkasan teks adalah proses pemampatan teks sumber ke dalam versi lebih pendek namun tetap mempertahankan informasi yang terkandung didalamnya (Barzilay & Elhadad
Lebih terperinciPENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM
PENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM (CVRP) UNTUK DISTRIBUSI SURAT KABAR KEDAULATAN RAKYAT DI KABUPATEN SLEMAN SKRIPSI Diajukan Kepada Fakultas Matematika
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN APLIKASI
27 BAB 3 ANALISIS DAN PERANCANGAN APLIKASI 3.1 Analisis Pada subbab ini akan diuraikan tentang analisis kebutuhan untuk menyelesaikan masalah jalur terpendek yang dirancang dengan menggunakan algoritma
Lebih 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 terperinciPenentuan Rute Kendaraan Distribusi Produk Roti Menggunakan Metode Nearest Neighbor dan Metode Sequential Insertion *
Reka Integra ISSN: 2338-5081 Jurusan Teknik Industri Itenas No.03 Vol.01 Jurnal Online Institut Teknologi Nasional Januari 2014 Penentuan Kendaraan Distribusi Produk Roti Menggunakan Metode Nearest Neighbor
Lebih terperinciZbigniew M., Genetic Alg. + Data Structures = Evolution Program, Springler-verlag.
Zbigniew M., Genetic Alg. + Data Structures = Evolution Program, Springler-verlag. 12/11/2009 1 Ditemukan oleh Holland pada tahun 1975. Didasari oleh fenomena evolusi darwin. 4 kondisi yg mempengaruhi
Lebih terperinciBAB II LANDASAN TEORI. digunakan sebagai alat pembayaran yang sah di negara lain. Di dalam
BAB II LANDASAN TEORI 2.1 Valuta Asing Valuta asing dapat diartikan sebagai mata uang yang dikeluarkan dan digunakan sebagai alat pembayaran yang sah di negara lain. Di dalam hukum ekonomi bila terdapat
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Konsep Dasar Sistem dan Informasi 2.1.1 Sistem Menurut Sutabri (2004), bahwa sistem adalah sekelompok unsur yang erat hubungannya satu dengan yang lainnya berfungsi untuk mencapai
Lebih 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 terperinciAplikasi Algoritma Genetika Untuk Menyelesaikan Travelling Salesman Problem (TSP)
JTRISTE, Vol.1, No.2, Oktober 2014, pp. 50~57 ISSN: 2355-3677 Aplikasi Algoritma Genetika Untuk Menyelesaikan Travelling Salesman Problem (TSP) STMIK Handayani Makassar najirah_stmikh@yahoo.com Abstrak
Lebih terperinciALGORITMA GENETIKA. Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning
ALGORITMA GENETIKA Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning Disusun oleh: Achmad Basuki Politeknik Elektronika Negeri Surabaya, PENS ITS Surabaya 2003 Algoritma
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Supply Chain Management Supply chain adalah jaringan perusahaan-perusahaan yang secara bersama-sama bekerja untuk menciptakan dan menghantarkan produk ke tangan pemakai akhir.
Lebih terperinciAlgoritma Evolusi Dasar-Dasar Algoritma Genetika
Algoritma Evolusi Dasar-Dasar Algoritma Genetika Imam Cholissodin imam.cholissodin@gmail.com Pokok Bahasan 1. Pengantar 2. Struktur Algoritma Genetika 3. Studi Kasus: Maksimasi Fungsi Sederhana 4. Studi
Lebih terperinciALGORITMA GENETIKA Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning
ALGORITMA GENETIKA Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning Achmad Basuki Politeknik Elektronika Negeri Surabaya PENS-ITS Surabaya 2003 Algoritma Genetika Algoritma
Lebih terperinciBab II Konsep Algoritma Genetik
Bab II Konsep Algoritma Genetik II. Algoritma Genetik Metoda algoritma genetik adalah salah satu teknik optimasi global yang diinspirasikan oleh proses seleksi alam untuk menghasilkan individu atau solusi
Lebih terperinciBAB I PENDAHULUAN. Alat transportasi merupakan salah satu faktor yang mendukung berjalannya
BAB I PENDAHULUAN A. Latar Belakang Masalah Alat transportasi merupakan salah satu faktor yang mendukung berjalannya kegiatan atau aktivitas manusia dalam kehidupan sehari-hari. Salah satu kegiatan manusia
Lebih terperinciBAB II KAJIAN TEORI. digunakan dalam penelitian yaitu teori graf, vehicle routing problem (VRP),
BAB II KAJIAN TEORI Secara umum, pada bab ini membahas mengenai kajian teori yang digunakan dalam penelitian yaitu teori graf, vehicle routing problem (VRP), capacitated vehicle routing problem with time
Lebih terperinciBAB 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 terperinciBAB 2 LANDASAN TEORI
18 BAB 2 LANDASAN TEORI 2.1 Pengertian Optimasi Optimasi adalah salah satu ilmu dalam matematika yang fokus untuk mendapatkan nilai minimum atau maksimum secara sistematis dari suatu fungsi, peluang maupun
Lebih terperinciAlgoritma Genetika dan Penerapannya dalam Mencari Akar Persamaan Polinomial
Algoritma Genetika dan Penerapannya dalam Mencari Akar Persamaan Polinomial Muhammad Abdy* 1, Maya Sari Wahyuni* 2, Nur Ilmi* 3 1,2,3 Jurusan Matematika, Universitas Negeri Makassar e-mail: * 1 m.abdy@unm.ac.id,
Lebih terperinciPENENTUAN RUTE DISTRIBUSI DAGING AYAM MENGGUNAKAN METODE CLARKE AND WRIGHT SAVINGS
Penentuan Rute Distribusi... (Andira Pratiwi Kusumawardani)1 PENENTUAN RUTE DISTRIBUSI DAGING AYAM MENGGUNAKAN METODE CLARKE AND WRIGHT SAVINGS DAN ALGORITMA GENETIKA DETERMINATION OF CHICKEN DISTRIBUTION
Lebih terperinciBAB II KAJIAN PUSTAKA. Pada bab kajian pustaka berikut ini akan dibahas beberapa materi yang meliputi
BAB II KAJIAN PUSTAKA Pada bab kajian pustaka berikut ini akan dibahas beberapa materi yang meliputi graf, permasalahan optimasi, model matematika dari objek wisata di Yogyakarta, dan algoritma genetika
Lebih terperinciOPTIMASI DISTRIBUSI ROTI PADA BERBAGAI TOKO DI KOTA XYZ DENGAN MENGGUNAKAN ALGORITMA GENETIKA. Kelompok A Kelas C
PROYEK AKHIR MATA KULIAH ALGORITMA EVOLUSI SEMESTER GANJIL 2013-2014 OPTIMASI DISTRIBUSI ROTI PADA BERBAGAI TOKO DI KOTA XYZ DENGAN MENGGUNAKAN ALGORITMA GENETIKA Disusun oleh: Kelompok A Kelas C 1. Isyar
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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Traveling Salesman Problem (TSP) adalah permasalahan dimana seorang salesman harus mengunjungi semua kota yang ada dan kota tersebut hanya boleh dikunjungi tepat satu
Lebih terperinciBAB III PERANCANGAN. Gambar 3.1 di bawah ini mengilustrasikan jalur pada TSP kurva terbuka jika jumlah node ada 10:
BAB III PERANCANGAN Pada bagian perancangan ini akan dipaparkan mengenai bagaimana mencari solusi pada persoalan pencarian rute terpendek dari n buah node dengan menggunakan algoritma genetika (AG). Dari
Lebih terperinciPenentuan Rute Distribusi Es Balok Menggunakan Algoritma Nearest Neighbour dan Local Search (Studi Kasus di PT. X)*
Reka Integra ISSN: 2338-5081 Jurusan Teknik Industri Itenas No.02 Vol.02 Jurnal Online Institut Teknologi Nasional Oktober 2014 Penentuan Rute Distribusi Es Balok Menggunakan Algoritma Nearest Neighbour
Lebih terperinciPANDUAN APLIKASI TSP-VRP
PANDUAN APLIKASI TSP-VRP oleh Dra. Sapti Wahyuningsih, M.Si Darmawan Satyananda, S.T, M.T JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN IPA UNIVERSITAS NEGERI MALANG 2016 0 Pengantar Aplikasi ini dikembangkan
Lebih terperinciPENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN TRAVELLING SALESMAN PROBLEM (TSP)
PENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN TRAVELLING SALESMAN PROBLEM (TSP) Mohamad Subchan STMIK Muhammadiyah Banten e-mail: moh.subhan@gmail.com ABSTRAK: Permasalahan pencarian rute terpendek dapat
Lebih terperinciKNAPSACK PROBLEM DENGAN ALGORITMA GENETIKA
LAPORAN TUGAS BESAR ARTIFICIAL INTELLEGENCE KNAPSACK PROBLEM DENGAN ALGORITMA GENETIKA Disusun Oleh : Bayu Kusumo Hapsoro (113050220) Barkah Nur Anita (113050228) Radityo Basith (113050252) Ilmi Hayyu
Lebih terperinciKeywords Algoritma, Genetika, Penjadwalan I. PENDAHULUAN
Optimasi Penjadwalan Mata Kuliah Dengan Algoritma Genetika Andysah Putera Utama Siahaan Universitas Pembangunan Pancabudi Jl. Gatot Subroto Km. 4,5, Medan, Sumatra Utara, Indonesia andiesiahaan@gmail.com
Lebih terperinciBAB I PENDAHULUAN. Dinas lingkungan Hidup (DLH) Kota Yogyakarta adalah dinas
BAB I PENDAHULUAN A. Latar Belakang Dinas lingkungan Hidup (DLH) Kota Yogyakarta adalah dinas pemerintahan yang bergerak di bidang lingkungan hidup daerah yang meliputi kegiatan dalam melakukan pengawasan,
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Sistem distribusi/trasportasi adalah salah satu hal yang penting bagi perusahaan, karena berkaitan dengan pelayana kepada konsumen. Dalam sistem distribusi/trasportasi
Lebih terperinciBAB 1 PENDAHULUAN 1.1. Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang PT. Suzuki Indomobil Sales (PT. SIS) adalah Agen Tunggal Pemegang Merek (ATPM) sepeda motor merek Suzuki di Indonesia. PT. SIS selaku ATPM hanya melakukan proses produksi
Lebih terperinciBAB IV STUDI KASUS. Saparua. Kep. Tenggara. Gambar 4.1 Wilayah studi
BAB IV STUDI KASUS 4.1 DESKRIPSI WILAYAH KAJIAN Wilayah kajian merupakan wilayah kepulauan yang berlokasi di propinsi Maluku. Pusat kegiatan akan diwakili oleh masing-masing pelabuhan di wilayah tersebut
Lebih terperinciBAB II LANDASAN TEORI. Tahun 2001 pemilik CV. Tunas Jaya membuka usaha di bidang penjualan dan
BAB II LANDASAN TEORI 2.1 Sejarah Perusahaan Tahun 2001 pemilik CV. Tunas Jaya membuka usaha di bidang penjualan dan pengadaan suku cadang computer. Dalam bidang tersebut diharuskan berbadan hukum PD,
Lebih 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 terperinciModel Optimasi Alokasi Gas Injeksi Sumur Dual Gas Lift
Bab 4 Model Optimasi Alokasi Gas Injeksi Sumur Dual Gas Lift Sebagaimana yang telah diuraikan pada bab 2, sumur dual gas lift merupakan sumur dengan dua tubing, long string dan short string. Gas injeksi
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Penjadwalan Penjadwalan adalah penempatan sumber daya (resource) dalam satu waktu. Penjadwalan mata kuliah merupakan persoalan penjadwalan yang umum dan sulit dimana tujuannya
Lebih terperinciOPTIMASI JALUR TRANSPORTASI PRODUK HOUSING CLUTCH DENGAN MENGGUNAKAN METODE ALGORITMA GENETIKA PADA PT. SUZUKI INDOMOBIL MOTOR PLANT CAKUNG
OPTIMASI JALUR TRANSPORTASI PRODUK HOUSING CLUTCH DENGAN MENGGUNAKAN METODE ALGORITMA GENETIKA PADA PT. SUZUKI INDOMOBIL MOTOR PLANT CAKUNG Disusun Oleh : Nama : Mochammad Brananta Arya Lasmono NPM : 34412653
Lebih terperinciIMPLEMENTASI ALGORITMA GENETIKA HYBRID (BEST IMPROVEMENT SEARCH) PADA VEHICLE ROUTING PROBLEM WITH TIME WINDOW
IMPLEMENTASI ALGORITMA GENETIKA HYBRID (BEST IMPROVEMENT SEARCH) PADA VEHICLE ROUTING PROBLEM WITH TIME WINDOW Fitria Dwi Rosi, Purwanto, dan Mohammad Yasin Universitas Negeri Malang ABSTRAK: Vehicle Routing
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Algoritma Genetika Algoritma genetika merupakan algoritma pencarian heuristik ysng didasarkan atas mekanisme seleksi alami dan genetika alami (Suyanto, 2014). Adapun konsep dasar
Lebih terperinci8. Evaluasi Solusi dan Kriteria Berhenti Perumusan Masalah METODE PENELITIAN Studi Pustaka Pembentukan Data
Gambar 4 Proses Swap Mutation. 8. Evaluasi Solusi dan Kriteria Berhenti Proses evaluasi solusi ini akan mengevaluasi setiap populasi dengan menghitung nilai fitness setiap kromosom sampai terpenuhi kriteria
Lebih terperinciBAB I PENDAHULUAN. Pada proses bisnis, transportasi dan distribusi merupakan dua komponen yang
BAB I PENDAHULUAN A. LATAR BELAKANG Pada proses bisnis, transportasi dan distribusi merupakan dua komponen yang mempengaruhi keunggulan kompetitif suatu perusahaan karena penurunan biaya transportasi dapat
Lebih terperinciPENENTUAN RUTE TRUK PENGUMPULAN DAN PENGANGKUTAN SAMPAH DI BANDUNG
Jurnal Teknik Industri, Vol. 11, No. 1, Juni 2009, pp. 51-60 ISSN 1411-2485 PENENTUAN RUTE TRUK PENGUMPULAN DAN PENGANGKUTAN SAMPAH DI BANDUNG Lisye Fitria 1, Susy Susanty 2, Suprayogi 3 1,2) Fakultas
Lebih terperinciIMPLEMENTASI ALGORITMA GENETIKA DALAM OPTIMASI JALUR PENDISTRIBUSIAN KERAMIK PADA PT. CHANG JUI FANG
IMPLEMENTASI ALGORITMA GENETIKA DALAM OPTIMASI JALUR PENDISTRIBUSIAN KERAMIK PADA PT. CHANG JUI FANG Adnan Buyung Nasution 1 1,2 Sistem Infomasi, Tehnik dan Ilmu Komputer, Universitas Potensi Utama 3 Universitas
Lebih terperinciOptimalisasi Rute Distribusi Bbm di Terminal BBM Boyolali MOR IV menggunakan Algoritma Genetika
Optimalisasi Rute Distribusi Bbm di Terminal BBM Boyolali MOR IV menggunakan Algoritma Genetika Muhammad Ghani Fadhlurrahman 1, Nikenasih Binatari 2 Program Studi Matematika, Jurusan Pendidikan Matematika,
Lebih terperinciPENENTUAN MATCHING MAKSIMUM PADA GRAPH BIPARTISI BERBOBOT DENGAN MENGGUNAKAN ALGORITMA GENETIKA
PENENTUAN MATCHING MAKSIMUM PADA GRAPH BIPARTISI BERBOBOT DENGAN MENGGUNAKAN ALGORITMA GENETIKA,, Universitas Negeri Malang E-mail: love_nisza@yahoo.co.id ABSTRAK: Matching berguna untuk menyelesaikan
Lebih 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 terperinciBAB I PENDAHULUAN. Universitas Sumatera Utara
BAB I PENDAHULUAN 1.1 Latar Belakang Setelah berkembangnya AI (Artifical Intelligence), banyak sekali ditemukan sejumlah algoritma yang terinspirasi dari alam. Banyak persoalan yang dapat diselesaikan
Lebih terperinciSerealia, umbi, dan hasil olahannya Kacang-kacangan, bijibijian,
4 generasi, kromosom akan melalui proses evaluasi dengan menggunakan alat ukur yang disebut dengan fungsi fitness. Nilai fitness dari suatu kromosom akan menunjukkan kualitas kromosom dalam populasi tersebut.
Lebih terperinciBAB II KAJIAN TEORI. dalam penelitian yaitu optimasi, graf, traveling salesman problem (TSP), vehicle
BAB II KAJIAN TEORI Secara umum, pada bab ini membahas mengenai kajian teori yang digunakan dalam penelitian yaitu optimasi, graf, traveling salesman problem (TSP), vehicle routing problem (VRP), capacitated
Lebih terperinciUsulan Perbaikan Rute Pendistribusian Beras Bersubsidi Menggunakan Algoritma Genetika *
Reka Integra ISSN: 2338-5081 eknik Industri Itenas No.2 Vol.1 Jurnal Online Institut eknologi Nasional Oktober 2013 Usulan Perbaikan Rute Pendistribusian Beras Bersubsidi Menggunakan Algoritma Genetika
Lebih terperinciPENERAPAN ALGORITMA GENETIK UNTUK OPTIMASI POLA PENYUSUNAN BARANG DALAM RUANG TIGA DIMENSI ABSTRAK
PENERAPAN ALGORITMA GENETIK UNTUK OPTIMASI POLA PENYUSUNAN BARANG DALAM RUANG TIGA DIMENSI Eddy Triswanto Setyoadi, ST., M.Kom. ABSTRAK Melakukan optimasi dalam pola penyusunan barang di dalam ruang tiga
Lebih terperinciPenentuan Rute Distribusi Tabung Gas Menggunakan Metode (1-0) Insertion Intra Route (Studi Kasus di PT X) *
Reka Integra ISSN: 2338-508 Jurusan Teknik Industri Itenas No.0 Vol.03 Jurnal Online Institut Teknologi Nasional Januari 205 Penentuan Rute Distribusi Tabung Gas Menggunakan Metode (-0) Insertion Intra
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 terperinciALGORITMA SEQUENTIAL INSERTION UNTUK MENYELESAIKAN MASALAH MULTIPLE TRIP VEHICLE ROUTING PROBLEM (MTVRP)
ALGORITMA SEQUENTIAL INSERTION UNTUK MENYELESAIKAN MASALAH MULTIPLE TRIP VEHICLE ROUTING PROBLEM (MTVRP) Nine Winda Yunita 1, Sapti Wahyuningsih 2, dan Darmawan Satyananda 3 Universitas Negeri Malang E-mail:
Lebih terperinci