BAB III PEMBAHASAN. Berikut akan diberikan pembahasan mengenai penyelesaikan CVRP dengan
|
|
- Susanti Susman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 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 CVRP pada Pendistribusian Roti di CV. Jogja Transport CV. Jogja Transport merupakan sebuah perusahaan yang bergerak dalam bidang pendistribusian roti. Roti yang dimaksud di sini adalah produk Sari Roti yang sudah mempunyai nama besar di industri makanan Indonesia. Sari Roti merupakan sebuah produk roti yang memiliki banyak varian jenis roti seperti roti tawar, roti sobek, sandwich, dan lain lain. Pendistribusian roti oleh perusahaan ini dibedakan berdasarkan jenis rotinya. CV. Jogja Transport setiap harinya mendistribusikan produk Sari Roti kepada seluruh pelanggan yang tersebar di wilayah Kota Yogyakarta dan Bantul dengan menggunakan kendaraan angkut sepeda motor. Perusahaan ini menyediakan 6 buah sepeda motor untuk mendistribusikan semua roti tersebut, di mana 2 diantaranya digunakan untuk mendistribusikan roti sandwich. Proses pendistribusian dimulai pada pukul WIB dengan pengecekan semua permintaan pelanggan kemudian packing ke dalam rak oleh para sales. Sebuah sepeda motor dapat mengangkut maksimal 7 rak, 31
2 sedangkan 1 rak dapat memuat maksimal 60 buah roti sandwich, sehingga sebuah sepeda motor dapat mengangkut 7 x 60 = 420 buah roti sandwich. Pukul WIB para sales mulai berangkat untuk mendistribusikan roti tersebut. Pendistribusian yang diteliti pada skripsi ini adalah pendistribuisan roti jenis sandwich karena roti jenis ini mempunyai permintaan paling banyak dari pelanggan. Data yang digunakan adalah data pendistribusian roti sandwich pada hari Sabtu di Kota Yogyakarta. Perusahaan ini biasanya menempuh total jarak sejauh 40 km untuk mendistribusikan semua permintaan roti pada hari Sabtu. Rute yang terbentuk menggunakan Algoritma Genetika dan Nearest Neighbour dikatakan efektif apabila total jarak yang dihasilkan lebih pendek dari 40 km. Terdapat 26 pelanggan di Kota Yogyakarta, data alamat pelanggan, jumlah permintaan roti sandwich, dan jarak antar pelanggan dan depot dapat dilihat pada Lampiran 1, 2, dan 3. Permasalahan CVRP pada pendistribusian roti di CV. Jogja Transport dapat didefinisikan sebagai suatu graf G = (V, E). Himpunan V terdiri atas gabungan himpunan pelanggan C dan depot, V = {0,1,,27}. Himpunan C berupa pelanggan 1 sampai dengan 26, C = {1,2,26}, dan depot dinyatakan dengan 0 dan 27. Jaringan jalan yang dilalui oleh kendaraan dinyatakan sebagai himpunan rusuk berarah E yaitu penghubung antar pelanggan, E = {(i, j) i, j V, i j}. Semua rute dimulai dan berakhir di depot. Himpunan kendaraan K merupakan kumpulan kendaraan yang homogen dengan kapasitas q. Setiap pelanggan i untuk setiap i C 32
3 memiliki permintaan d i sehingga panjang rute dibatasi oleh kapasitas kendaraan. Setiap rusuk (i, j) E memiliki jarak tempuh c ij, dan juga bahwa c ii = c jj = 0. Asumsi yang digunakan dalam masalah CVRP ini adalah sebagai berikut: 1. Setiap pesanan pelanggan dapat dipenuhi oleh perusahaan dan jumlah permintaan setiap pelanggan tetap. 2. Jumlah simpul pendistribusian (n) diketahui yaitu berjumlah 27 (26 simpul pelanggan dan 1 simpul depot). 3. Jumlah kendaraan yang tersedia untuk melakukan pendistribusian adalah 2 sepeda motor. 4. Kendaraan yang digunakan mempunyai kapasitas angkut yang sama yaitu 7 buah rak, dimana 1 rak = 60 buah roti sandwich. 5. Setiap pelanggan terhubung satu sama lain dan jarak antar pelanggan simetris (c ij = c ji ). Untuk setiap (i, j) E, i j 0 dan untuk setiap kendaraan k didefinisikan variabel : x ijk = 1, jika terdapat perjalanan dari i ke j dengan kendaraan k 0, jika tidak terdapat perjalanan dari i ke j dengan kendaraan k Formula matematis CVRP untuk pendistribusian roti di CV. Jogja Transport adalah sebagai berikut: Meminimumkan Z = c ij x ijk k=1 i=0 j=1 (3.1) 33
4 dengan kendala 1. Setiap pelanggan dikunjungi tepat satu kali oleh suatu kendaraan: 2 27 x ijk k=1 j=1 = 1, i V {27} (3.2) 2. Total permintaan semua pelanggan dalam satu rute tidak melebihi kapasitas kendaraan: d i x ijk i=0 j=1 420, k K (3.3) 3. Setiap rute berawal dari depot 0: 27 x 0jk j=1 = 1, k K (3.4) 4. Setiap kendaraan yang mengunjungi satu pelanggan pasti akan meninggalkan pelanggan tersebut: x ijk x ijk i=0 j=1 = 0, k K (3.5) 5. Setiap rute berakhir di depot 27: 26 x i27k i=0 = 1, k K (3.6) 6. Variabel x ijk merupakan variabel biner: x ijk {0,1}, i, j V, k K (3.7) 34
5 3.2 Penyelesaian Model Matetematika CVRP pada Pendistribusian Roti di CV. Jogja Transport Setelah menentukan model matematika CVRP pada pendistribusian Roti di CV. Jogja Transport, langkah selanjutnya adalah menyelesaikan model tersebut. Data pelanggan yang menjadi tujuan pendistribusian beserta jumlah permintaan Roti terlampir pada Lampiran 1 dan 2. Berdasarkan data pelanggan pada Lampiran 1 dan bantuan google maps maka diperoleh letak pelanggan dan depot seperti pada Gambar 3.1. Gambar 3.1 Letak Depot dan Pelanggan 35
6 Gambar 3.1 diasumsikan bahwa setiap jalan memiliki kualitas jalan yang sama dan tingkat kemacetan yang sama. Selanjutnya dilakukan pengambilan lokasi depot dan pelanggan sebagai simpul dan dapat dibuat graf kosong seperti pada gambar 3.2. Gambar 3.2 Graf Pendistribusian Roti Jarak antara simpul yang sama selalu nol dan jarak antara simpul adalah bersifat simetrik atau jarak simpul A ke B sama dengan jarak simpul B ke A. Penentuan rute distribusi model CVRP adalah dengan mengunjungi setiap simpul tanpa adanya pengulangan atau setiap simpul hanya dikunjungi satu kali. Selanjutnya, dibuat tabel jarak depot ke pelanggan dan antar pelanggan dengan menggunakan google maps. Terdapat berbagai pilihan rute dalam penentuan jarak menggunakan google maps, rute 36
7 yang dipilih adalah rute dengan jarak terpendek dan tidak satu jalur, sehingga asumsi c ij = c ji berlaku. Tabel matriks jarak terlampir pada Lampiran 1. Setelah diketahui tabel jarak, maka dapat dilakukan penyelesaian model menggunakan Algoritma Genetika dengan bantuan software Matlab, dan Metode Nearest Neighbour Penyelesaian Model Menggunakan Algoritma Genetika Sebelum memulai untuk menyelesaikan model dengan Algoritma Genetika, akan diberikan beberapa contoh dari istilah penting dalam membangun penyelesaian masalah menggunakan Algoritma Genetika, yaitu sebagai berikut: 1. Gen, direpresentasikan dengan bilangan real yang masing-masing bilangan menunjukkan depot dan pelanggan-pelanggan. Contoh: Gen 0 = Depot Gen 1 = Pelanggan 1 2. Kromosom, direpresentasikan dengan gabungan dari beberapa gen. Contoh: Kromosom 1 = Individu, merupakan kromosom yang membentuk suatu rute perjalanan. Contoh: Individu 1 = Nilai fitness, inversi dari total jarak dari rute yang didapatkan atau 1/x, dimana x adalah total jarak dalam suatu rute. 5. Populasi, direpresentasikan dengan sekumpulan individu. Contoh: Individu 1 =
8 Individu 2 = Individu 3 = Individu 4 = Individu 5 = Induk, merupakan kromosom yang akan dipindah silang. 7. Anak, merupakan kromosom hasil pindah silang. 8. Generasi, menyatakan satu siklus proses evolusi atau satu iterasi dalam Algoritma Genetika. Setelah mengetahui beberapa istilah yang akan digunakan dalam Algoritma Genetika, langkah selanjutnya adalah menyelesaikan model CVRP. Berikut merupakan urutan langkah-langkah yang digunakan untuk menyelesaikan CVRP dengan menggunakan Algoritma Genetika: 1. Penyandian Gen (Pengkodean) Tiap gen dalam kromosom merepresentasikan depot yang merupakan tempat awal pendistribusian dan pelanggan, dengan kata lain gen adalah simpul suatu graf. Berikut merupakan representasi gen yang ditunjukkan oleh tabel 3.1: Tabel 3.1 Representasi Gen Gen Depot/Pelanggan Gen Depot/Pelanggan 0 Depot CV. Jogja Transport 14 Toko Irma 1 Pamela 1 15 N Mart 2 Pamela 4 16 Amani MM 3 Citrouli 2 17 Betta Swalayan 38
9 Gen Depot/Pelanggan Gen Depot/Pelanggan 4 Pamela 8 18 Toko 62 5 Pamela 2 19 Ramai Mall 6 Karuma 20 HS Camilan 7 Bintaran Mart 21 Toko AFI 8 Kemkid Mart 22 Vivo Mini Market 9 Jogja Mart 23 Kios Dani Blok B2 10 WS Kotagede 24 Kantin Amanah RSI 11 Taman Siswa Mart 25 Progo 12 Sun Mart 26 Kokarda 13 TWIN 2. Membangkitkan Populasi Awal Langkah ini membangkitkan sejumlah individu secara acak sehingga membentuk satuan populasi. Satu individu terdapat 26 gen yang berisi gen dari 1 sampai 26 yang membentuk rute pendistribusian roti. Dibangkitkan beberapa rute secara acak sesuai dengan ukuran populasi menggunakan software Matlab. Script prosedur pembangkitan populasi awal terdapat pada lampiran 4. Hasil pembangkitan secara acak rute pendistribusian yang membentuk populasi pada generasi awal adalah sebagai berikut dan selengkapnya terdapat pada lampiran 5. Individu 1 = Menentukan Nilai Fitness Setelah membangkitan populasi awal, langkah selanjutnya adalah menentukan nilai fitness dari setiap individu. Setiap individu dihitung jarak totalnya, kemudian dihitung nilai fitnessnya dengan menggunakan rumus 2.8 pada bab sebelumnya. 39
10 Ditentukan nilai fitness dari setiap individu dalam populasi menggunakan software matlab. Script prosedur dan perhitungannya terdapat pada lampiran 4. Berikut merupakan nilai fitness yang didapat dari generasi awal. Tabel 3.2 Nilai Fitness Individu Populasi Awal Individu Nilai Fitness Individu Nilai Fitness 1 0, , , , , , , , , , , , , , , , , , , ,0086 Setelah dihitung nilai fitness dari setiap individu dengan bantuan software matlab, maka didapatkan nilai fitness terbaik dari populasi awal yaitu pada individu ke-18 dengan nilai fitness sebesar 0,0114. Individu dengan nilai fitness terbaik dari populasi generasi pertama akan dipertahankan dan dibawa ke generasi selanjutnya. 4. Seleksi Langkah selanjutnya adalah melakukan seleksi, yaitu pemilihan dua buah kromosom untuk dijadikan sebagai induk yang dilakukan secara proporsional sesuai dengan nilai fitness-nya untuk menentukan individu sebagai induk. Induk tersebut akan 40
11 dilakukan proses pindah silang dengan individu lain yang terpilih. Metode yang digunakan dalam proses seleksi ini adalah metode Roulette Wheel selection. Langkah dari metode ini yaitu dengan membuat interval nilai kumulatif dari nilai fitness masing masing kromosom dibagi total nilai fitness dari semua kromosom. Kemudian sebuah kromosom akan terpilih jika bilangan random yang dibangkitkan berada dalam interval kumulatifnya. Dipilih beberapa induk untuk dilakukan proses crossover dengan metode seleksi Roulette Wheel menggunakan software matlab. Induk-induk yang kemudian terpilih selengkapnya bisa dilihat pada lampiran 6 dan script prosedur seleksi terdapat pada lampiran 4. Berikut merupakan salah satu individu yang terpilih sebagai induk: Induk 1 = Individu 1 = Induk 2 = Individu 7 = Crossover (Pindah Silang) Setelah terpilih induk-induk dari proses seleksi, selanjutnya induk-induk tersebut akan dilakukan proses pindah silang. Pindah silang akan menghasilkan individu baru hasil dari 2 induk yang disebut anak. Setiap pasang induk menghasilkan sepasang anak agar proses seleksi pada generasi selanjutnya mendapatkan jumlah populasi yang sama. 41
12 Pindah silang ini diimplementasikan dengan skema order crossover. Proses pindah silang ditentukan oleh Pc (Probabilitas Crossover) antara 0,6 s/d 0,95 (Michalewicz, 1996: 35) dan nilai probabilitas pasangan induk. Setiap pasang induk akan diberikan suatu bilangan acak [0,1], jika probabilitas pasangan induk kurang dari Pc maka dilakukan pindah silang dan berlaku sebaliknya. Apabila tidak terjadi pindah silang maka anak untuk generasi berikutnya adalah induk tersebut. Berikut hasil pindah silang berupa anak menggunakan software Matlab yang selengkapnya bisa dilihat pada lampiran 7: Sebelum dilakukan pindah silang: Induk 1 = Individu 1 = Induk 2 = Individu 7 = Setelah dilakukan pindah silang, diperoleh sepasang anak sebagai berikut: Anak 1 = Anak 2 = Gen yang bercetak tebal pada masing masing anak merupakan gen inti dari masing masing induknya. Gen selain gen inti pada anak 1 diisi oleh gen dari induk 2 42
13 yang belum ada pada anak 1. Sebaliknya, gen selain gen inti pada anak 2 diisi oleh gen dari induk 1 yang belum ada pada anak Mutasi Setelah dilakukannya proses pindah silang, anak yang dihasilkan dari proses tersebut selanjutnya akan diproses ke tahap mutasi. Terdapat beberapa teknik mutasi seperti swapping mutation, inversion mutation, reciprocal exchange mutation, dan uniform mutation. Teknik mutasi yang digunakan dalam skripsi ini adalah teknik swapping mutation, karena teknik mutasi ini sangat mudah dan sederhana untuk diimplementasikan. Teknik ini diawali dengan memilih dua bilangan acak kemudian gen yang berada pada posisi bilangan acak pertama ditukar dengan gen yang berada pada bilangan acak kedua dalam probabilitas tertentu (Suyanto, 2005: 65). Proses mutasi dilakukan pada anak hasil pindah silang dengan tujuan untuk memperoleh individu baru sebagai kandidat solusi pada generasi selanjutnya dengan fitness yang lebih baik, dan akhirnya menuju solusi optimum yang diinginkan. Berikut individu hasil mutasi yang diperoleh menggunakan software Matlab dan selengkapnya terdapat pada lampiran 8: Sebelum di mutasi: Anak 1 = Anak 2 = Setelah di mutasi: 43
14 Anak 1 = Anak 2 = Elitism Setelah langkah-langkah di atas dilakukan, maka langkah selanjutnya adalah membentuk populasi selanjutnya di generasi kedua, proses ini dinamakan sebagai elitism. Proses elitism bertujuan untuk menjaga agar individu bernilai fitness tertinggi tersebut tidak hilang selama proses evolusi. Proses evolusi merupakan proses Algoritma Genetika mulai dari pembentukan populasi awal hingga evaluasi nilai fitness dari populasi baru yang terbentuk. Prosedur pembentukan populasi selanjutnya terdapat dalam lampiran 4. Berikut merupakan hasil pembentukan populasi baru menggunakan software Matlab di generasi kedua yang selengkapnya dapat dilihat pada lampiran 9. Individu 1 = Setelah diperoleh generasi baru, maka langkah selanjutnya adalah mencari nilai fitness generasi baru dengan menggunakan software Matlab, hasil perhitungan fitness generasi baru selengkapnya dapat dilihat pada lampiran 10. Diperlukan beberapa kali percobaan dalam menerapkan Algoritma Genetika menggunakan software Matlab hingga mendapatkan nilai fitness yang optimum dan konvergen di generasi tertentu, yaitu dengan mencoba beberapa nilai ukuran populasi dan jumlah generasi yang 44
15 berbeda. Hal ini karena Algoritma Genetika akan selalu menghasilkan solusi yang berbeda dalam setiap proses seleksi. Berikut tabel percobaan dengan menggunakan beberapa nilai ukuran populasi dan jumlah generasi yang berbeda: Percobaan ke- Tabel 3.3 Hasil Percobaan Algoritma Genetika Ukuran Populasi 1 20 Jumlah Generasi Fitness Total Jarak
16 Percobaan ke- Ukuran Populasi Jumlah Generasi Fitness Total Jarak Tabel 3.3 merupakan hasil percobaan Algoritma Genetika dengan beberapa ukuran populasi random sesuai rekomendasi parameter Algoritma Genetika pada bab sebelumnya yaitu 20, 30, 40, dan 50. Jumlah iterasi yang digunakan adalah 100, 250, 500, 1000, 2500, 5000, 7500, dan Parameter yang digunakan dibuat sama yaitu dengan probabilitas crossover 0,65 dan probabilitas mutation 0,038. Probabilitas crossover sebesar 0,65 berarti peluang suatu individu akan dikenai proses crossover adalah sebesar 65%. Sedangkan probabilitas mutation sebesar 0,038 berarti peluang suatu gen akan dimutasi adalah sebesar 3,8%. Berdasarkan tabel 3.3, percobaan dengan ukuran 20 populasi menghasilkan nilai fitness terbaik yaitu sebesar 0, pada iterasi ke-7500, dengan ukuran 30 populasi nilai fitness terbaik yang dihasilkan sebesar 0, pada iterasi ke-5000, 46
17 dengan ukuran 40 populasi nilai fitness terbaik yang dihasilkan sebesar 0, pada iterasi ke-7500, sedangkan dengan ukuran 50 populasi nilai fitness terbaik yang dihasilkan sebesar 0, pada iterasi ke Dapat dilihat dari percobaan yang telah dilakukan bahwa ukuran populasi dan jumlah generasi sangat mempengaruhi solusi yang dihasilkan. Pada permasalahan ini, semakin besar jumlah generasi, maka peluang untuk mendapatkan solusi yang optimal semakin tinggi, dan sebaliknya. Sedangkan ukuran populasi yang besar tidak menjamin solusi yang dihasilkan akan semakin baik. Hal ini terlihat dari tabel percobaan dengan jumlah generasi sebanyak 7500 bahwa solusi yang dihasilkan ukuran populasi paling kecil yaitu 20 lebih baik dari solusi yang dihasilkan dengan ukuran populasi yang lebih besar lainnya. Sementara dengan jumlah generasi sebanyak 2500, solusi yang dihasilkan ukuran populasi paling besar yaitu 50 lebih baik dari solusi yang dihasilkan dengan ukuran populasi yang lebih kecil lainnya. Dibutuhkan ukuran populasi yang tepat pada setiap permasalahan untuk mendapatkan solusi yang optimal. Dapat disimpulkan bahwa solusi optimal yang dihasilkan oleh setiap iterasi dapat berubah. Hal ini disebabkan karena setiap generasi yang dibentuk dari generasi sebelumnya sangat dipengaruhi oleh populasi awal, seleksi, pindah silang, dan mutasi. Sehingga di setiap proses generasi akan selalu dihasilkan solusi optimal yang berbedabeda. Proses tersebut akan selalu berulang-ulang hingga didapatkan individu dengan nilai fitness terbaik. Berdasarkan tabel 3.3 pada percobaan ke-25 dengan ukuran populasi 20 dan jumlah iterasi 7500 didapatkan nilai fitness sebesar 0, Nilai fitness tersebut 47
18 merupakan nilai fitness terbaik yang dapat dihasilkan oleh Algoritma Genetika, artinya nilai fitness yang didapatkan belum mencapai nilai fitness optimum. Nilai fitness terbaik hanya mencapai 0, dengan total jarak tempuh 34,9 km. Berikut grafik percobaan ke-25 seperti gambar 3.3: fitness fitness terbaik: fitness rata-rata: panjang jalur terbaik: ukuran populasi: 20 probabilitas mutasi: generasi Gambar 3.3 Grafik pergerakan nilai fitness Kurva pada Gambar 3.3 merupakan pergerakan nilai fitness hingga generasi ke Dan kurva yang berada dibawah merupakan pergerakan nilai rata-rata fitness dari 7500 generasi. Pergerakan nilai fitness akan semakin baik dan konstan dari generasi ke generasi dan mencapai konvergen di generasi ke-7000, untuk generasi setelah 7000 sampai generasi ke-7500 tetap, dan diperoleh nilai fitness terbaik sebesar 0, , 48
19 sehingga didapatkan solusi optimal yaitu rute dengan jarak tempuh minimum. Berikut merupakan rute yang dihasilkan pada percobaan ke-25 seperti pada tabel 3.4: Tabel 3.4 Pembagian rute percobaan ke-25 Pembagian Rute Jarak Tempuh Jumlah Permintaan 353 roti ,5 km 410 roti ,9 km 358 roti 405 roti ,7 km 393 roti 370 roti Berdasarkan tabel 3.4 dapat diketahui solusi dari model CVRP pada pendistribusian roti di CV. Jogja Transport yaitu: Rute 1: , Depot Pamela 8 Pamela 2 WS Kotagede Betta Swalayan Amani MM Kios Dani Blok B2 Pamela 1 Kantin Amanah RSI Pamela 2 Taman Siswa Mart Karuma Depot. Rute 2: Depot Bintaran Mart Progo Ramai Mall N Mart Kokarda Citrouli 2 Vivo Mini Market Twin Sun Mart Toko 62 Kemkid Mart Toko Irma HS Camilan 49
20 Jogja Mart Toko Afi Depot, dengan total jarak tempuh kedua rute tersebut yaitu 39,5 km. Gambar 3.4 Rute Pendistribusian dengan Algoritma Genetika Keterangan: : Rute 1 : Rute Penyelesaian Model Menggunakan Metode Nearest Neighbour Metode ini memilih pelanggan yang layak untuk dirangkai menjadi rute adalah pelanggan yang paling dekat dengan lokasi pelanggan yang terakhir kali dikunjungi. Penentuan pelanggan tersebut didasari dari data Matriks Jarak (Lampiran 3). Kemudian rute yang terbentuk, akan diuji kelayakannya berdasarkan kapasitas angkut sepeda 50
21 motor (q). Berikut langkah-langkah pembentukan rute pendistribusian roti dengan Metode Nearest Neighbour. 1. Pembentukan Rute Pertama (k = 1) Pada pembentukan rute pertama, sales mengawali perjalanan dari depot CV. Jogja Transport (0) kemudian pelanggan berturut-turut dilayani sesuai dengan kapasitas angkut maksimum kendaraan (q maks = 420) hingga mengakhiri perjalanan kembali ke depot. Adapun langkah-langkah pembentukan rute pertama sebagai berikut: a. Pada langkah ini, karena sales mengawali perjalanan dari depot (0), maka dipilih pelanggan yang paling dekat dengan 0. Berdasarkan Matriks Jarak (Lampiran 3), pelanggan yang paling dekat dengan 0 adalah pelanggan 21 dengan jarak 0,4 km. Dengan demikian rute yang terbentuk menjadi dengan kapasitas angkut 5 buah roti q maks berdasarkan Tabel Data Permintaan (Lampiran 2). Oleh karena q q maks, maka pemilihan pelanggan 21 masuk dalam kategori layak, sehingga rute dianggap layak. b. Pada langkah ini, karena lokasi terakhir yang dikunjungi sales adalah pelanggan 21, maka dipilih pelanggan yang paling dekat dengan 21. Berdasarkan Matriks Jarak (Lampiran 3), pelanggan yang paling dekat dengan 21 adalah pelanggan 4 dengan jarak 0,9 km. Dengan demikian rute yang terbentuk menjadi dengan kapasitas angkut = 50 buah roti q maks berdasarkan Tabel Data Permintaan (Lampiran 2). Oleh karena q q maks, maka pemilihan pelanggan 4 masuk dalam kategori layak, sehingga rute dianggap layak. 51
22 c. Pada langkah ini, karena lokasi terakhir yang dikunjungi sales adalah pelanggan 4, maka dipilih pelanggan yang paling dekat dengan 4. Berdasarkan Matriks Jarak (Lampiran 3), pelanggan yang paling dekat dengan 4 adalah pelanggan 6 dengan jarak 1,3 km. Dengan demikian rute yang terbentuk menjadi dengan kapasitas angkut = 100 buah roti q maks berdasarkan Tabel Data Permintaan (Lampiran 2). Oleh karena q q maks, maka pemilihan pelanggan 6 masuk dalam kategori layak, sehingga rute dianggap layak. d. Pada langkah ini, karena lokasi terakhir yang dikunjungi sales adalah pelanggan 6, maka dipilih pelanggan yang paling dekat dengan 6. Berdasarkan Matriks Jarak (Lampiran 3), pelanggan yang paling dekat dengan 6 adalah pelanggan 11 dengan jarak 0,9 km. Dengan demikian rute yang terbentuk menjadi dengan kapasitas angkut = 135 buah roti q maks berdasarkan Tabel Data Permintaan (Lampiran 2). Oleh karena q q maks, maka pemilihan pelanggan 11 masuk dalam kategori layak, sehingga rute dianggap layak. e. Pada langkah ini, karena lokasi terakhir yang dikunjungi sales adalah pelanggan 11, maka dipilih pelanggan yang paling dekat dengan 11. Berdasarkan Matriks Jarak (Lampiran 3), pelanggan yang paling dekat dengan 11 adalah pelanggan 7 dengan jarak 0,8 km. Dengan demikian rute yang terbentuk menjadi dengan kapasitas angkut = 140 buah roti q maks berdasarkan Tabel Data Permintaan (Lampiran 2). Oleh karena q q maks, maka pemilihan 52
23 pelanggan 7 masuk dalam kategori layak, sehingga rute dianggap layak. f. Pada langkah ini, karena lokasi terakhir yang dikunjungi sales adalah pelanggan 7, maka dipilih pelanggan yang paling dekat dengan 7. Berdasarkan Matriks Jarak (Lampiran 3), pelanggan yang paling dekat dengan 7 adalah pelanggan 25 dengan jarak 1 km. Dengan demikian rute yang terbentuk menjadi dengan kapasitas angkut = 175 buah roti q maks berdasarkan Tabel Data Permintaan (Lampiran 2). Oleh karena q q maks, maka pemilihan pelanggan 25 masuk dalam kategori layak, sehingga rute dianggap layak. g. Pada langkah ini, karena lokasi terakhir yang dikunjungi sales adalah pelanggan 25, maka dipilih pelanggan yang paling dekat dengan 25. Berdasarkan Matriks Jarak (Lampiran 3), pelanggan yang paling dekat dengan 25 adalah pelanggan 19 dengan jarak 0,9 km. Dengan demikian rute yang terbentuk menjadi dengan kapasitas angkut = 215 buah roti q maks berdasarkan Tabel Data Permintaan (Lampiran 2). Oleh karena q q maks, maka pemilihan pelanggan 19 masuk dalam kategori layak, sehingga rute dianggap layak. h. Pada langkah ini, karena lokasi terakhir yang dikunjungi sales adalah pelanggan 19, maka dipilih pelanggan yang paling dekat dengan 19. Berdasarkan Matriks Jarak (Lampiran 3), pelanggan yang paling dekat dengan 19 adalah pelanggan 18 53
24 dengan jarak 0,7 km. Dengan demikian rute yang terbentuk menjadi dengan kapasitas angkut = 228 buah roti q maks berdasarkan Tabel Data Permintaan (Lampiran 2). Oleh karena q q maks, maka pemilihan pelanggan 18 masuk dalam kategori layak, sehingga rute dianggap layak. i. Pada langkah ini, karena lokasi terakhir yang dikunjungi sales adalah pelanggan 18, maka dipilih pelanggan yang paling dekat dengan 18. Berdasarkan Matriks Jarak (Lampiran 3), pelanggan yang paling dekat dengan 18 adalah pelanggan 8 dengan jarak 0,6 km. Dengan demikian rute yang terbentuk menjadi dengan kapasitas angkut = 273 buah roti q maks berdasarkan Tabel Data Permintaan (Lampiran 2). Oleh karena q q maks, maka pemilihan pelanggan 8 masuk dalam kategori layak, sehingga rute dianggap layak. j. Pada langkah ini, karena lokasi terakhir yang dikunjungi sales adalah pelanggan 8, maka dipilih pelanggan yang paling dekat dengan 8. Berdasarkan Matriks Jarak (Lampiran 3), pelanggan yang paling dekat dengan 8 adalah pelanggan 12 dengan jarak 0,6 km. Dengan demikian rute yang terbentuk menjadi dengan kapasitas angkut = 285 buah roti q maks berdasarkan Tabel Data Permintaan (Lampiran 2). Oleh karena q q maks, maka pemilihan pelanggan 12 masuk dalam kategori layak, sehingga rute dianggap layak. 54
25 k. Pada langkah ini, karena lokasi terakhir yang dikunjungi sales adalah pelanggan 12, maka dipilih pelanggan yang paling dekat dengan 12. Berdasarkan Matriks Jarak (Lampiran 3), pelanggan yang paling dekat dengan 12 adalah pelanggan 15 dengan jarak 0,7 km. Dengan demikian rute yang terbentuk dengan kapasitas angkut = 310 buah roti q maks berdasarkan Tabel Data Permintaan (Lampiran 2). Oleh karena q q maks, maka pemilihan pelanggan 15 masuk dalam kategori layak, sehingga rute dianggap layak. l. Pada langkah ini, karena lokasi terakhir yang dikunjungi sales adalah pelanggan 15, maka dipilih pelanggan yang paling dekat dengan 15. Berdasarkan Matriks Jarak (Lampiran 3), pelanggan yang paling dekat dengan 15 adalah pelanggan 26 dengan jarak 2 km. Dengan demikian rute yang terbentuk menjadi dengan kapasitas angkut = 360 buah roti q maks berdasarkan Tabel Data Permintaan (Lampiran 2). Oleh karena q q maks, maka pemilihan pelanggan 26 masuk dalam kategori layak, sehingga rute dianggap layak. m. Pada langkah ini, karena lokasi terakhir yang dikunjungi sales adalah pelanggan 26, maka dipilih pelanggan yang paling dekat dengan 26. Berdasarkan Matriks Jarak (Lampiran 3), pelanggan yang paling dekat dengan 26 adalah pelanggan 3 dengan jarak 0,9 km. Dengan demikian rute yang terbentuk menjadi
26 dengan kapasitas angkut = 400 buah roti q maks berdasarkan Tabel Data Permintaan (Lampiran 2). Oleh karena q q maks, maka pemilihan pelanggan 3 masuk dalam kategori layak, sehingga rute dianggap layak. n. Pada langkah ini, karena lokasi terakhir yang dikunjungi sales adalah pelanggan 3, maka dipilih pelanggan yang paling dekat dengan 3. Berdasarkan Matriks Jarak (Lampiran 3), pelanggan yang paling dekat dengan 3 adalah pelanggan 22 dengan jarak 1,8 km. Dengan demikian rute yang terbentuk menjadi dengan kapasitas angkut = 435 buah roti q maks berdasarkan Tabel Data Permintaan (Lampiran 2). Oleh karena q q maks, maka pemilihan pelanggan 22 masuk dalam kategori tidak layak, sehingga perlu dipilih pelanggan lain yang paling dekat dengan 3 dan jumlah permintaannya jika digabung tidak melebihi q maks. Berdasarkan Matriks Jarak (Lampiran 2) dan Tabel Data Permintaan (Lampiran 2), pelanggan yang paling dekat dengan 3 dan jumlah permintaannya jika digabung tidak melebihi q maks adalah pelanggan 23 dengan jarak 3,9 km. Dengan demikian rute yang terbentuk menjadi dengan kapasitas angkut = 410 buah roti q maks berdasarkan Tabel Data Permintaan (Lampiran 2). Oleh karena q q maks, maka pemilihan pelanggan 23 56
27 masuk dalam kategori layak, sehingga rute dianggap layak. o. Pada langkah ini, karena lokasi terakhir yang dikunjungi sales adalah pelanggan 23, maka dipilih pelanggan yang paling dekat dengan 23. Berdasarkan Matriks Jarak (Lampiran 3), pelanggan yang paling dekat dengan 23 adalah pelanggan 16 dengan jarak 0,6 km. Dengan demikian rute yang terbentuk menjadi dengan kapasitas angkut = 420 buah roti = q maks berdasarkan Tabel Data Permintaan (Lampiran 2). Oleh karena q = q maks, maka pemilihan pelanggan 16 masuk dalam kategori layak, sehingga rute dianggap layak dan tidak dapat disisipi pelanggan lagi. Dengan demikian rute pertama yang terbentuk adalah Total jarak yang ditempuh pada rute pertama adalah 20 km dengan melayani 15 pelanggan. Dengan demikian, pelanggan yang belum dilayani ada sebanyak 11 pelanggan. Oleh karena masih terdapat pelanggan yang belum dilayani, maka akan dibentuk rute kedua sebagai berikut. 2. Pembentukan Rute Kedua (k = 2) Pada pembentukan rute kedua, sales mengawali perjalanan dari depot CV. Jogja Transport (0) kemudian pelanggan berturut-turut dilayani sesuai dengan kapasitas angkut maksimum kendaraan (q maks = 420) hingga mengakhiri perjalanan kembali ke depot. Adapun langkah-langkah pembentukan rute kedua sebagai berikut: 57
28 a. Pada langkah ini, karena sales mengawali perjalanan dari depot (0), maka dipilih pelanggan yang paling dekat dengan 0. Berdasarkan Matriks Jarak (Lampiran 3), pelanggan yang paling dekat dengan 0 adalah pelanggan 2 dengan jarak 2 km. Dengan demikian rute yang terbentuk menjadi dengan kapasitas angkut 45 buah roti q maks berdasarkan Tabel Data Permintaan (Lampiran 2). Oleh karena q q maks, maka pemilihan pelanggan 2 masuk dalam kategori layak, sehingga rute dianggap layak. b. Pada langkah ini, karena sales mengawali perjalanan dari depot 2, maka dipilih pelanggan yang paling dekat dengan 2. Berdasarkan Matriks Jarak (Lampiran 3), pelanggan yang paling dekat dengan 2 adalah pelanggan 10 dengan jarak 1.4 km. Dengan demikian rute yang terbentuk menjadi dengan kapasitas angkut = 75 buah roti q maks berdasarkan Tabel Data Permintaan (Lampiran 2). Oleh karena q q maks, maka pemilihan pelanggan 10 masuk dalam kategori layak, sehingga rute dianggap layak. c. Pada langkah ini, karena sales mengawali perjalanan dari depot 10, maka dipilih pelanggan yang paling dekat dengan 10. Berdasarkan Matriks Jarak (Lampiran 3), pelanggan yang paling dekat dengan 10 adalah pelanggan 17 dengan jarak 0.8 km. Dengan demikian rute yang terbentuk menjadi dengan kapasitas angkut = 90 buah roti q maks berdasarkan Tabel Data Permintaan (Lampiran 2). Oleh karena q q maks, maka pemilihan pelanggan 17 masuk dalam kategori layak, sehingga rute dianggap layak. 58
29 d. Pada langkah ini, karena sales mengawali perjalanan dari depot 17, maka dipilih pelanggan yang paling dekat dengan 17. Berdasarkan Matriks Jarak (Lampiran 3), pelanggan yang paling dekat dengan 17 adalah pelanggan 24 dengan jarak 2.1 km. Dengan demikian rute yang terbentuk menjadi dengan kapasitas angkut = 103 buah roti q maks berdasarkan Tabel Data Permintaan (Lampiran 2). Oleh karena q q maks, maka pemilihan pelanggan 24 masuk dalam kategori layak, sehingga rute dianggap layak. e. Pada langkah ini, karena sales mengawali perjalanan dari depot 24, maka dipilih pelanggan yang paling dekat dengan 24. Berdasarkan Matriks Jarak (Lampiran 3), pelanggan yang paling dekat dengan 24 adalah pelanggan 5 dengan jarak 0.5 km. Dengan demikian rute yang terbentuk menjadi dengan kapasitas angkut = 148 buah roti q maks berdasarkan Tabel Data Permintaan (Lampiran 2). Oleh karena q q maks, maka pemilihan pelanggan 5 masuk dalam kategori layak, sehingga rute dianggap layak. f. Pada langkah ini, karena sales mengawali perjalanan dari depot 5, maka dipilih pelanggan yang paling dekat dengan 5. Berdasarkan Matriks Jarak (Lampiran 3), pelanggan yang paling dekat dengan 5 adalah pelanggan 1 dengan jarak 1.5 km. Dengan demikian rute yang terbentuk menjadi dengan kapasitas angkut = 203 buah roti q maks berdasarkan Tabel Data Permintaan (Lampiran 2). Oleh karena q q maks, maka pemilihan pelanggan 1 59
30 masuk dalam kategori layak, sehingga rute dianggap layak. g. Pada langkah ini, karena sales mengawali perjalanan dari depot 1, maka dipilih pelanggan yang paling dekat dengan 1. Berdasarkan Matriks Jarak (Lampiran 3), pelanggan yang paling dekat dengan 1 adalah pelanggan 22 dengan jarak 4.6 km. Dengan demikian rute yang terbentuk menjadi dengan kapasitas angkut = 240 buah roti q maks berdasarkan Tabel Data Permintaan (Lampiran 2). Oleh karena q q maks, maka pemilihan pelanggan 22 masuk dalam kategori layak, sehingga rute dianggap layak. h. Pada langkah ini, karena sales mengawali perjalanan dari depot 22, maka dipilih pelanggan yang paling dekat dengan 22. Berdasarkan Matriks Jarak (Lampiran 3), pelanggan yang paling dekat dengan 22 adalah pelanggan 13 dengan jarak 2 km. Dengan demikian rute yang terbentuk menjadi dengan kapasitas angkut = 280 buah roti q maks berdasarkan Tabel Data Permintaan (Lampiran 2). Oleh karena q q maks, maka pemilihan pelanggan 13 masuk dalam kategori layak, sehingga rute dianggap layak. i. Pada langkah ini, karena sales mengawali perjalanan dari depot 13, maka dipilih pelanggan yang paling dekat dengan 13. Berdasarkan Matriks Jarak (Lampiran 3), pelanggan yang paling dekat dengan 13 adalah pelanggan 14 dengan jarak 4.4 km. 60
31 Dengan demikian rute yang terbentuk menjadi dengan kapasitas angkut = 288 buah roti q maks berdasarkan Tabel Data Permintaan (Lampiran 2). Oleh karena q q maks, maka pemilihan pelanggan 14 masuk dalam kategori layak, sehingga rute dianggap layak. j. Pada langkah ini, karena sales mengawali perjalanan dari depot 14, maka dipilih pelanggan yang paling dekat dengan 14. Berdasarkan Matriks Jarak (Lampiran 3), pelanggan yang paling dekat dengan 14 adalah pelanggan 20 dengan jarak 2.1 km. Dengan demikian rute yang terbentuk menjadi dengan kapasitas angkut = 293 buah roti q maks berdasarkan Tabel Data Permintaan (Lampiran 2). Oleh karena q q maks, maka pemilihan pelanggan 20 masuk dalam kategori layak, sehingga rute dianggap layak. k. Pada langkah ini, karena sales mengawali perjalanan dari depot 20, maka dipilih pelanggan yang paling dekat dengan 20. Berdasarkan Matriks Jarak (Lampiran 3), pelanggan yang paling dekat dengan 20 adalah pelanggan 9 dengan jarak 2.2 km. Dengan demikian rute yang terbentuk menjadi dengan kapasitas angkut = 343 buah roti q maks berdasarkan Tabel Data Permintaan (Lampiran 2). Oleh karena q q maks, maka pemilihan pelanggan 0 masuk dalam kategori layak, sehingga rute dianggap layak. 61
32 Semua pelanggan telah dilayani pada tahap ini, dengan demikian pembentukan rute kedua selesai. Adapun rute kedua yang terbentuk adalah dengan total jarak yang ditempuh sejauh 25,9 km. Dari perhitungan yang telah dilakukan menggunakan Metode Nearest Neighbour, permasalahan proses pendistribusian roti di CV. Jogja Transport menghasilkan 2 rute sebagai berikut: Rute 1: Depot Toko Afi Pamela 8 Karuma Taman Siswa Mart Bintaran Mart Progo Ramai Mall Toko 62 Kemkid Mart Sun Mart N Mart Kokarda Citrouli 2 Kios Dani Blok B2 Amani MM Depot, dengan total jarak tempuh 20 km dan mengangkut 420 buah roti. Rute 2: Depot Pamela 4 WS Kotagede Betta Swalayan Kantin Amanah RSI Pamela 2 Pamela 1 Vivo Mini Market Twin Toko Irma HS Camilan Jogja Mart Depot, dengan total jarak tempuh 25,9 km dan mengangkut 343 buah roti. Gambar 3.5 Rute Pendistribusian dengan Metode Nearest Neighbour 62
33 Keterangan: : Rute 1 : Rute 2 Adapun rekapitulasi hasil penyelesaian masalah menggunakan Metode Nearest Neighbour sebagai berikut: Tabel 3.5 Hasil Penyelesaian Model dengan Metode Nearest Neighbour No. 1 2 Rute Jarak (km) Roti Terangkut Penggunaan Kapasitas Kendaraan Angkut % 25, ,67% Pada Tabel 3.5, pembentukan rute menggunakan Metode Nearest Neighbour menghasilkan 2 rute. Rute pertama melayani 15 pelanggan dan menempuh perjalanan sejauh 20 km dengan mengangkut 420 buah roti. Rute kedua melayani 11 pelanggan dan menempuh perjalanan sejauh 25,9 km dengan mengangkut 343 buah roti. Tabel 3.5 juga menunjukkan bahwa rute yang dibentuk menggunakan Metode Nearest Neighbour masih kurang efektif dalam hal jarak tempuh. Hal tersebut dikarenakan Metode Nearest Neighbour lebih mengoptimalkan kapasitas kendaraan. Artinya, jika setiap rute memaksimalkan kapasitas kendaraan, maka jarak tempuhnya tidak akan optimal karena terdapat beberapa pelanggan terdekat yang tidak masuk ke dalam rute karena jumlah permintaannya melebihi sisa kapasitas. Sebagai contoh pada rute ke 1, pelanggan yang terdekat dengan pelanggan 3 adalah pelanggan 22, namun 63
34 karena jumlah permintaan pelanggan 22 melebihi sisa kapasitas kendaraan, maka dipilih pelanggan terdekat lain yang jumlah permintaannya memenuhi sisa kapasitas kendaraan, yaitu pelanggan 23 dengan jarak yang lebih jauh dibanding pelanggan 22. Oleh karena itu, keefektifitasan jarak tempuh dalam Metode Nearest Neighbour sangat dipengaruhi oleh jumlah permintaan pelanggan dan sisa kapasitas kendaraan angkut. 3.3 Perbandingan Penyelesaian Model menggunakan Algoritma Genetika dan Metode Nearest Neighbour Perbandingan penyelesaian model, dalam hal ini rute pendistribusian yang diperoleh menggunakan Algoritma Genetika dan Metode Nearest Neighbour, ditunjukkan dalam Tabel 3.6 sebagai berikut: Tabel 3.6 Perbandingan rute yang diperoleh menggunakan Algoritma Genetika dan Metode Nearest Neighbour Metode Algoritma Genetika Kendaraan 1 Kendaraan 2 Rute Total Jarak Tempuh Permintaan 14,4 km 353 roti 25,1 km 410 roti Metode Nearest Neighbour Kendaraan Kendaraan km 420 roti 25,9 km 343 roti 64
35 Tabel 3.6 menunjukkan bahwa secara keseluruhan, Algoritma Genetika menghasilkan total jarak tempuh yang lebih baik dibandingkan dengan Metode Nearest Neighbour. Algoritma Genetika menghasilkan total jarak tempuh 39,5 km. Sedangkan Metode Nearest Neighbour menghasilkan total jarak tempuh 45,9 km. Namun jika dilihat dari keefektifitasan kendaraan dalam memuat permintaan roti, Metode Nearest Neighbour lebih unggul dari Algoritma Genetika pada permasalahan ini. Metode Nearest Neighbour memiliki tingkat kefektifitasan kendaraan angkut tertinggi sebesar 100% atau dapat memuat 420 roti dari maksimum 420 roti kapasitas kendaraan, sedangkan Algoritma Genetika memiliki tingkat kefektifitasan kendaraan angkut tertinggi sebesar 97,6% atau dapat memuat 410 roti dari maksimum 420 roti kapasitas kendaraan. Hal ini dikarenakan Metode Nearest Neighbour lebih mengoptimalkan kapasitas kendaraan. Artinya, jika setiap rute memaksimalkan kapasitas kendaraan, maka jarak tempuhnya tidak akan optimal karena terdapat beberapa pelanggan terdekat yang tidak masuk ke dalam rute karena jumlah permintaannya melebihi sisa kapasitas. Jadi penyelesaian model yang diperoleh menggunakan Algoritma Genetika lebih baik dalam segi jarak jika dibandingkan dengan Metode Nearest Neighbour dalam menyelesaikan Capacitated Vehicle Routing Problem (CVRP). Namun Metode Nearest Neighbour lebih baik dalam tingkat kefektifitasan kendaraan dalam memuat permintaan roti. 65
PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM MENGGUNAKAN ALGORITMA GENETIKA DAN NEAREST NEIGHBOUR PADA PENDISTRIBUSIAN ROTI
52 Jurnal Matematika Vol 6 No 2 Tahun 2017 PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM MENGGUNAKAN ALGORITMA GENETIKA DAN NEAREST NEIGHBOUR PADA PENDISTRIBUSIAN ROTI SOLUTION OF CAPACITATED VEHICLE
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 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 terperinciPENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM MENGGUNAKAN ALGORITMA GENETIKA DAN NEAREST NEIGHBOUR PADA PENDISTRIBUSIAN ROTI DI CV.
PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM MENGGUNAKAN ALGORITMA GENETIKA DAN NEAREST NEIGHBOUR PADA PENDISTRIBUSIAN ROTI DI CV. JOGJA TRANSPORT SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu
Lebih terperinciData Alamat Pelanggan Sandwich Sari Roti di Kota Yogyakarta.
Lampiran 1 Data Alamat Pelanggan Sandwich Sari Roti di Kota Yogyakarta. Pelanggan Alamat 0 Depot Jl. SMP 10, Bangunharjo, Bantul 1 Pamela 1 Jl. Kusumanegara No.141, Umbulharjo, Yogyakarta 2 Pamela 4 Jl.
Lebih terperinciBAB III PEMBAHASAN. A. Model Matematika CVRPTW pada Pendistribusian Galon. Air Mineral di PT Artha Envirotama (Evita) Sleman
BAB III PEMBAHASAN Pada bab ini, dibahas mengenai model matematika dari pendistribusian galon air mineral dan penyelesaiannya dengan algoritma genetika menggunakan order crossover dan cycle crossover.
Lebih terperinciPENERAPAN ALGORITMA GENETIKA DAN ALGORITMA SWEEP PADA PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM (CVRP) UNTUK OPTIMASI PENDISTRIBUSIAN GULA
PENERAPAN ALGORITMA GENETIKA DAN ALGORITMA SWEEP PADA PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM (CVRP) UNTUK OPTIMASI PENDISTRIBUSIAN GULA SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan
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 III PEMBAHASAN. A. Model Capacitated Vehicle Routing Problem (CVRP) untuk Optimasi Rute
BAB III PEMBAHASAN A. Model Capacitated Vehicle Routing Problem (CVRP) untuk Optimasi Rute Distribusi Gula di Pabrik Gula Yogyakarta Alur pendistribusian gula dimulai dari pemesanan gula yang dilakukan
Lebih terperinciBAB IV PEMBAHASAN. Tabel 4.1 Menyajikan data permintaan daging ayam di PT Ciomas Adisatwa pada hari Senin
BAB IV PEMBAHASAN Pada bab ini akan dijelaskan mengenai penggunaan metode Clarke and Wright Saving dan Algoritma Genetika pada pendistribusian daging ayam di PT Ciomas Adisatwa 4.1. Pendistribusian Ayam
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 IV PENUTUP. algoritma genetika pada penyelesaian capacitated vehicle routing problem (CVRP)
BAB IV PENUTUP A. Kesimpulan Berdasarkan pembahasan mengenai penerapan algoritma sweep dan algoritma genetika pada penyelesaian capacitated vehicle routing problem (CVRP) untuk distribusi gula di Yogyakarta,
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 terperinciIMPLEMENTASI ALGORITMA GENETIKA DENGAN VARIASI SELEKSI DALAM PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM WITH TIME WINDOWS
IMPLEMENTASI ALGORITMA GENETIKA DENGAN VARIASI SELEKSI DALAM PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM WITH TIME WINDOWS (CVRPTW) UNTUK OPTIMASI RUTE PENDISTRIBUSIAN RASKIN DI KOTA YOGYAKARTA TUGAS
Lebih terperinciIMPLEMENTASI ALGORITMA GENETIKA DENGAN VARIASI CROSSOVER
SKRIPSI IMPLEMENTASI ALGORITMA GENETIKA DENGAN VARIASI CROSSOVER DALAM PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM WITH TIME WINDOWS (CVRPTW) PADA PENDISTRIBUSIAN AIR MINERAL DI PT ARTHA ENVIROTAMA
Lebih terperinciBAB III. Metode Penelitian
BAB III Metode Penelitian 3.1 Diagram Alir Penelitian Secara umum diagram alir algoritma genetika dalam penelitian ini terlihat pada Gambar 3.1. pada Algoritma genetik memberikan suatu pilihan bagi penentuan
Lebih terperinciBAB II KAJIAN 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 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 III MODEL DAN TEKNIK PEMECAHAN
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
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 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 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 2 LANDASAN TEORI. 2.1 Algoritma Genetika
6 BAB 2 LANDASAN TEORI 2.1 Algoritma Genetika Algoritma genetika merupakan metode pencarian yang disesuaikan dengan proses genetika dari organisme-organisme biologi yang berdasarkan pada teori evolusi
Lebih terperinciBAB II 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 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 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 terperinciLampiran 1 Matriks jarak antara simpul dengan depot dan antar simpul. Lampiran 2 Iterasi Clarke and Wright Savings pada hari Senin
LAMPIRAN 1 Lampiran 1 Matriks jarak antara simpul dengan depot dan antar simpul Tabel 1 Matriks jarak antara simpul dengan depot dan antar simpul Lampiran 2 Iterasi Clarke and Wright Savings pada hari
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 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 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 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 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 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 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 terperinciLampiran 1 Matriks jarak tempuh awal dan tujuan distribusi surat kabar Kedaulatan Rakyat di wilayah Kabupaten Sleman (satuan km)
LAMPIRAN 83 Lampiran 1 Matriks jarak tempuh awal dan tujuan distribusi surat kabar Kedaulatan Rakyat di wilayah Kabupaten Sleman (satuan km) 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 0 0 11.9
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 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 Jurnal Diajukan Kepada Fakultas Matematika dan
Lebih terperinciANALISIS ALGORITMA ANT SYSTEM (AS) PADA KASUS TRAVELLING SALESMAN PROBLEM (TSP)
Buletin Ilmiah Math. Stat. dan Terapannya (Bimaster) Volume 04, No. 3 (2015), hal 201 210. ANALISIS ALGORITMA ANT SYSTEM (AS) PADA KASUS TRAVELLING SALESMAN PROBLEM (TSP) Cindy Cipta Sari, Bayu Prihandono,
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 III PEMBAHASAN. menggunakan model Fuzzy Mean Absolute Deviation (FMAD) dan penyelesaian
BAB III PEMBAHASAN Dalam bab ini akan dibahas mengenai pembentukan portofolio optimum menggunakan model Fuzzy Mean Absolute Deviation (FMAD) dan penyelesaian model Fuzzy Mean Absolute Deviation (FMAD)
Lebih 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 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 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 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 terperinciPencarian Rute Terpendek untuk Pengoptimalan Ditribusi Sales Rokok Gudang Garam di kecamatan Wuluhan Kabupaten Jember Menggunakan Algoritma Genetika
Pencarian Rute Terpendek untuk Pengoptimalan Ditribusi Sales Rokok Gudang Garam di kecamatan Wuluhan Kabupaten Jember Menggunakan Algoritma Genetika Priza Pandunata, Rachmad Agung Bagaskoro, Agung Ilham
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 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 terperinciPENERAPAN ALGORITMA GENETIKA PADA PERSOALAN PEDAGANG KELILING (TSP)
Abstrak PENERAPAN ALGORITMA GENETIKA PADA PERSOALAN PEDAGANG KELILING (TSP) Aulia Fitrah 1, Achmad Zaky 2, Fitrasani 3 Program Studi Informatika, Sekolah Teknik Elektro dan Informatika, Institut Teknologi
Lebih terperinciBAB I PENDAHULUAN an berkembang algoritma genetika (genetic algorithm) ketika I. Rochenberg dalam bukunya yang berjudul Evolution Strategies
BAB I PENDAHULUAN A. Latar Belakang Perkembangan teori graf sangat pesat dari tahun ke tahun, pada tahun 1960-an berkembang algoritma genetika (genetic algorithm) ketika I. Rochenberg dalam bukunya yang
Lebih terperinciBAB II KAJIAN TEORI. digunakan dalam penelitian yaitu graf, vehicle routing problem (VRP),
BAB II KAJIAN TEORI Secara umum, pada bab ini membahas mengenai kajian teori yang digunakan dalam penelitian yaitu graf, vehicle routing problem (VRP), capacitated vehicle routing problem (CVRP), metode
Lebih terperinciJl. Ahmad Yani, Pontianak Telp./Fax.: (0561)
APLIKASI PENCARIAN RUTE TERPENDEK MENGGUNAKANALGORITMA GENETIKA (Studi Kasus: Pencarian Rute Terpendek untuk Pemadam Kebakaran di Wilayah Kota Pontianak) [1] Putri Yuli Utami, [2] Cucu Suhery, [3] Ilhamsyah
Lebih 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 terperinci4 PENYELESAIAN MASALAH DISTRIBUSI ROTI SARI ROTI
24 4 PENYELESAIAN MASALAH DISTRIBUSI ROTI SARI ROTI 4.1 Data Data yang digunakan dalam penelitian ini adalah data kegiatan distribusi roti Sari Roti di daerah Bekasi dan sekitarnya yang dilakukan setiap
Lebih terperinciBAB III PEMBAHASAN. harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017.
BAB III PEMBAHASAN Data yang digunakan dalam bab ini diasumsikan sebagai data perkiraan harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017. Dengan demikian dapat disusun model Fuzzy
Lebih terperinciBAB II LANDASAN TEORI
27 BAB II LANDASAN TEORI 2.1. Penelitian Terkait Penelitian terkait yang menggunakan algoritma genetika untuk menemukan solusi dalam menyelesaikan permasalahan penjadwalan kuliah telah banyak dilakukan.
Lebih terperinciALGORITMA GENETIKA DENGAN METODE ROULLETE WHELL SELECTION DALAM OPTIMASI PENDISTRIBUSIAN BARANG DI PT FASTRA BUANA YOGYAKARTA
ALGORITMA GENETIKA DENGAN METODE ROULLETE WHELL SELECTION DALAM OPTIMASI PENDISTRIBUSIAN BARANG DI PT FASTRA BUANA YOGYAKARTA SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas
Lebih terperinciPemaksimalan Papan Sirkuit Di Pandang Sebagai Masalah Planarisasi Graf 2-Layer Menggunakan Algoritma Genetika
Vol. 14, No. 1, 19-27, Juli 2017 Pemaksimalan Papan Sirkuit Di Pandang Sebagai Masalah Planarisasi Graf 2-Layer Menggunakan Algoritma Genetika Jusmawati Massalesse dan Muh. Ali Imran Abstrak Tulisan ini
Lebih terperinciPendekatan Algoritma Genetika pada Peminimalan Fungsi Ackley menggunakan Representasi Biner
Vol. 7, 2, 108-117, Januari 2011 Pendekatan Algoritma Genetika pada Peminimalan Fungsi Ackley menggunakan Representasi Biner Jusmawati Massalesse Abstrak Tulisan ini dimaksudkan untuk memperlihatkan proses
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 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 terperinciOPTIMASI RUTE SEORANG LOPER KORAN DI FIDI AGENCY MENGGUNAKAN ALGORITMA GENETIKA METODE SELEKSI RANKING SKRIPSI
OPTIMASI RUTE SEORANG LOPER KORAN DI FIDI AGENCY MENGGUNAKAN ALGORITMA GENETIKA METODE SELEKSI RANKING SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta
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 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 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 terperinciII TINJAUAN PUSTAKA 2.1 Graf Definisi 1 (Graf, Graf Berarah dan Graf Takberarah) 2.2 Linear Programming
4 II TINJAUAN PUSTAKA Untuk memahami permasalahan yang berhubungan dengan penentuan rute optimal kendaraan dalam mendistribusikan barang serta menentukan solusinya maka diperlukan beberapa konsep teori
Lebih terperinciPENERAPAN ALGORITMA GENETIKA DALAM PENYELESAIAN TRAVELLING SALESMAN PROBLEM WITH PRECEDENCE CONSTRAINTS (TSPPC)
PENERAPAN ALGORITMA GENETIKA DALAM PENYELESAIAN TRAVELLING SALESMAN PROBLEM WITH PRECEDENCE CONSTRAINTS (TSPPC) Yayun Hardianti 1, Purwanto 2 Universitas Negeri Malang E-mail: yayunimoet@gmail.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 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 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 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 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 terperinciTabel Data Pendistribusian Raskin di Wilayah Kota Yogyakarta. No Kecamatan Kelurahan Banyak Keluarga
Lampiran 1 Tabel Data Pistribusian Raskin di Wilayah Kota Yogyakarta Raskin No Kecamatan Kelurahan Banyak Keluarga Jumlah Beras (kg) 1 Tegalrejo Bener 266 3.990 2 Kricak 750 11.250 3 Karangwaru 377 5.655
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. 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 terperinciBAB II KAJIAN TEORI. berkaitan dengan optimasi, pemrograman linear, pemrograman nonlinear, quadratic
BAB II KAJIAN TEORI Kajian teori pada bab ini membahas tentang pengertian dan penjelasan yang berkaitan dengan optimasi, pemrograman linear, pemrograman nonlinear, quadratic programming dan algoritma genetika.
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 IV ANALISIS MASALAH
BAB IV ANALISIS MASALAH 4.1 Tampilan Program Persoalan TSP yang dibahas pada tugas akhir ini memiliki kompleksitas atau ruang solusi yang jauh lebih besar dari TSP biasa yakni TSP asimetris dan simetris.
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 terperinciPeramalan Kebutuhan Beban Sistem Tenaga Listrik Menggunakan Algoritma Genetika
Peramalan Kebutuhan Beban Sistem Tenaga Listrik Menggunakan Algoritma Genetika M. Syafrizal, Luh Kesuma Wardhani, M. Irsyad Jurusan Teknik Informatika - Universitas Islam Negeri Sultan Syarif Kasim Riau
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 terperinciPENERAPAN ALGORITMA GENETIKA PADA PERENCANAAN LINTASAN KENDARAAN Achmad Hidayatno Darjat Hendry H L T
PENERAPAN ALGORITMA GENETIKA PADA PERENCANAAN LINTASAN KENDARAAN Achmad Hidayatno Darjat Hendry H L T Abstrak : Algoritma genetika adalah algoritma pencarian heuristik yang didasarkan atas mekanisme evolusi
Lebih 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 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 terperinciPENGGUNAAN ALGORITMA GENETIKA UNTUK MENENTUKAN LINTASAN TERPENDEK STUDI KASUS : LINTASAN BRT (BUS RAPID TRANSIT) MAKASSAR
PENGGUNAAN ALGORITMA GENETIKA UNTUK MENENTUKAN LINTASAN TERPENDEK STUDI KASUS : LINTASAN BRT (BUS RAPID TRANSIT) MAKASSAR Karels, Rheeza Effrains 1), Jusmawati 2), Nurdin 3) karelsrheezaeffrains@gmail.com
Lebih terperinciPERANCANGAN TATA LETAK FASILITAS BAGIAN PRODUKSI MENGGUNAKAN METODE ALGORITMA GENETIK DI PT. PUTRA SEJAHTERA MANDIRI
PERANCANGAN TATA LETAK FASILITAS BAGIAN PRODUKSI MENGGUNAKAN METODE ALGORITMA GENETIK DI PT. PUTRA SEJAHTERA MANDIRI TUGAS SARJANA Diajukan Untuk Memenuhi Sebagian Dari Syarat-Syarat Memperoleh Gelar Sarjana
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Bab II dalam penelitian ini terdiri atas vehicle routing problem, teori lintasan dan sirkuit, metode saving matriks, matriks jarak, matriks penghematan, dan penentuan urutan konsumen.
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
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 terperinciPENYELESAIAN VEHICLE ROUTING PROBLEM MENGGUNAKAN ALGORITME GENETIKA DEDI HARIYANTO
PENYELESAIAN VEHICLE ROUTING PROBLEM MENGGUNAKAN ALGORITME GENETIKA DEDI HARIYANTO DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2016 PERNYATAAN MENGENAI
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. lebih efektif dan efisien karena akan melewati rute yang minimal jaraknya,
BAB I PENDAHULUAN A. Latar Belakang Distribusi merupakan proses penyaluran produk dari produsen sampai ke tangan masyarakat atau konsumen. Kemudahan konsumen dalam mendapatkan produk yang diinginkan menjadi
Lebih terperinciIMPLEMENTASI ALGORITMA GENETIKA UNTUK MENYELESAIKAN TRAVELLING SALESMAN PROBLEM
Info Artikel UJM 2 (2) (2013) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm IMPLEMENTASI ALGORITMA GENETIKA UNTUK MENYELESAIKAN TRAVELLING SALESMAN PROBLEM Firar Anitya Sari,
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 TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Pustaka. Penelitian serupa mengenai penjadwalan matakuliah pernah dilakukan oleh penelliti yang sebelumnya dengan metode yang berbeda-neda. Berikut
Lebih terperinciBAB II KAJIAN TEORI. untuk membahas bab berikutnya. Dasar teori yang akan dibahas pada bab ini
BAB II KAJIAN TEORI Pembahasan pada bagian ini akan menjadi dasar teori yang akan digunakan untuk membahas bab berikutnya. Dasar teori yang akan dibahas pada bab ini adalah optimisasi, fungsi, pemrograman
Lebih terperinciAnalisis Operator Crossover pada Permasalahan Permainan Puzzle
Analisis Operator Crossover pada Permasalahan Permainan Puzzle Kun Siwi Trilestari [1], Ade Andri Hendriadi [2] Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Singaperbanga Karawang
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Konsep Umum Optimasi Optimasi merupakan suatu cara untuk menghasilkan suatu bentuk struktur yang aman dalam segi perencanaan dan menghasilkan struktur yang
Lebih terperinciPENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM MENGGUNAKAN SAVING MATRIKS, SEQUENTIAL INSERTION, DAN NEAREST NEIGHBOUR DI VICTORIA RO
Penyelesaian Capacitated Vehicle (Marchalia Sari A) 1 PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM MENGGUNAKAN SAVING MATRIKS, SEQUENTIAL INSERTION, DAN NEAREST NEIGHBOUR DI VICTORIA RO SOLVING CAPACITATED
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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Travelling Salesman Problem (TSP) Persoalan TSP merupakan salah satu persoalan optimasi kombinatorial (kombinasi permasalahan). Banyak permasalahan yang dapat direpresentasikan
Lebih terperinci