Hasil Pencarian  ::  Simpan CSV :: Kembali

"Ant Colony Optimization (ACO) adalah salah satu algoritma approximate untuk penyelesaian permasalahan NP-hard dan salah satu metode state-of-the-art dalam penyelesaian masalah diskrit. Vehicle Routing Problem (VRP), salah satu permasalahan diskrit, dalam penelitian ini akan diselesaikan menggunakan algoritma ACO. Permasalahan VRP yang akan diselesaikan adalah 6 hasil penelitian mahasiswa Departemen Teknik Industri Universitas Indonesia. Hasil dari penyelesaian VRP menggunakan ACO menunjukkan bahwa fungsi tujuan jarak dari solusi dengan algoritma ACO lebih baik dari pendekatan yang digunakan pada penelitian sebelumnya.

---

Ant Colony Optimization (ACO) is one of approximate algorithm for solving NP-hard problem and state-of-the-art method for solving discrete problem. Vehicle Routing Problem (VRP), one of discrete problem, in this research will be solved using ACO algorithm. VRP problem that will be solved are the result of 6 student research that held by Industrial Engineering and Department, University of Indonesia. The result of solving VRP using ACO show that objective function of solution distance with ACO algorithm is better than previous approach in those research."

"Ketika kompetitor tumbuh dengan cepat dan pasar menjadi lebih kompetitif, diperlukan fokus yang kuat untuk menambah dan memperbaiki servis yang diberikan kepada pelanggan. Pelayanan terbaik perlu diberikan kepada pelanggan untuk menjaga loyalitas para pelanggan tersebut. Berdasarkan nilai bisnis perusahaan logistik, pelayanan terbaik dapat diukur dari tidak adanya keterlambatan, harga yang kompetitif, dan lokasi depot yang mudah untuk ditemukan. Penelitian ini membahas mengenai masalah untuk penempatan lokasi depot baru untuk perusahaan X-Logistik pada daerah urban, Jakarta, Indonesia. Tujuan dari penelitian ini adalah meningkatkan efisiensi daerah jangkauan depot sebagai upaya untuk menurunkan total konsumsi waktu perjalanan, minimalisasi biaya transportasi, dan meminimalkan total jarak centroid untuk masing-masing kelompok wilayah. Dengan menggunakan algoritma hibrida K- means Ant Colony Optimization (K-ACO) dapat dihitung jumlah depot yang memberikan total biaya paling kecil. Setelah jumlah depot yang akan dibuka ditentukan, dengan menggunakan metode trial dan error, koordinat dari setiap depot yang akan dibuka dapat ditentukan. Kelompok konsumen yang akan dilayani dari setiap depot yang akan dibuka juga dapat ditentukan bersamaan dengan jumlah depot yang terbentuk. Hasil akhir dari penelitian ini adalah rekomendasi keputusan untuk perusahaan X-Logistik mengenai jumlah depot baru yang akan dibuka, koordinat lokasi depot baru akan dibuka, serta kelompok konsumen yang akan dilayani dari setiap depot yang dibuka. Dari seluruh usulan, keputusan yang diambil mengacu kepada jumlah depot yang dapat memberikan total biaya terendah.

---

When the competitor growth rapidly and the market become more competitive, there needs to be a strong focus to enhance and upgrade their service to customer. Best service offers to customer is the only way to keep their customer loyalty. Following the business core value of logistic company, the best service offer can be measured by zero delay, competitive price, and the depot location can be found easily. This study examines the current location set of all depot location X logistic that deploy logistic service in urban area, Jakarta, Indonesia. The goals of this study are to improve the efficiency of coverage in terms of decreasing total travel times, minimize total transportation cost and minimize total cost for a whole. This study employs the proposed methodology of hybrid K-ACO metaheuristic algorithm to solve location allocation problem and will utilize a minimum distance to reach the goals. By using hybrid K-ACO algorithm the number of depot will be open that which gives minimum total cost can be determined. After determining number of depot will be opened, by using trialerror in hybrid K-ACO algorithm the coordinate location to construct new depot and which customers will be served at new depot opened can be known simultaneously. The rest of this study will recommend where the X logistic company should be built the depot and a comparison will be conducted of analyzing the total costs associated with number of depot opened."

"ABSTRAKVehicle Routing Problem with Time Windows (VRPTW) merupakan permasalahan kombinatorik yang sering terjadi pada sistem pendistribusian barang. VRPTW adalah masalah penentuan rute sejumlah kendaraan untuk mendistribusikan barang ke sejumlah pelanggan dengan biaya minimum. Kendaraan yang digunakan memiliki kapasitas serta setiap kendaraan memulai dan mengakhiri perjalanan di depot. Setiap pelanggan yang dilayani akan memberikan time windows dan setiap pelanggan hanya boleh dilayani satu kali. Untuk memperoleh tujuan VRPTW, ada dua tujuan yang harus dicapai yaitu meminimumkan banyaknya kendaraan yang digunakan dan meminimumkan total waktu tempuh kendaraan. Pada skripsi ini akan digunakan algoritma Multiple Ant Colony System (MACS) yang dikembangkan dari algoritma Ant Colony System (ACS) yang termasuk dalam Ant Colony Optimization (ACO). ACO merupakan suatu metode metaheuristik yang terinspirasi dari perilaku hewan yaitu semut. Pada algoritma MACS ini, terdapat dua koloni semut yang masing-masing akan mengoptimisasi tujuan yang akan dicapai pada VRPTW.

---

ABSTRACTVehicle Routing Problem with Time Windows (VRPTW) is one of combinatorial problems which mostly happen in a logistic system. VRPTW is an optimization problem which aims to minimize cost of using fleets of vehicles. The vehicles start and end the route at depot must serve or distribute goods to several customers. Every customer gives time windows and should be visited only once. The objective of VRPTW can be reached by multiple objectives. First, minimizes number of vehicles used, and then minimizes the total travel time. In this final project, it will be used Multiple Ant Colony System algorithm for solving VRPTW. MACS is based on Ant Colony System (ACS) algorithm which is one of Ant Colony Optimization (ACO). ACO is a metaheuristic method inspired by foraging behavior of real colonies of ant. MACS algorithm consider a hierarchical objective for solving VRPTW and these objectives would be optimized by two colonies of ants."

"Aircraft landing problem (ALP) merupakan suatu permasalahan pesawat terbang dalam menemukan jadwal yang optimal untuk pendaratan pesawat terbang. Objektivitas dari ALP adalah meminimumkan total biaya pinalti dari pesawat pada single runway maupun multiple runway. Dalam permasalahan ini terdapat beberapa hal penting yang harus dipertimbangkan yaitu kepentingan pemisahan waktu antara pesawat terbang dan interval waktu (time window) yang harus diperhatikan demi kepentingan keselamatan penumpang. Pertama, akan diberikan pemodelan matematis dari ALP dengan fungsi objektif yang linear. Kedua, akan digunakan pendekatan solusi heuristik yaitu Algoritma Ant Colony Optimization (ACO) dalam mencari solusi ALP yang optimal.

---

Aircraft landing problem (ALP) describes the aircraft problem of finding an optimal schedule of aircrafts landing. The objective of ALP is to minimize total penalty restrictive cost of aircraft in a single runway or multiple runways. This problem considers few certain constraints, such as the necessary separation time between aircrafts and time window that should be concerned for passenger safety. In the first part, will be presented a mathematical formulation of the problem with linear objective function. The second part is heuristic solution approaches with Ant Colony Optimization Algorithm to solve ALP."

"Hazardous material (hazmat) merupakan material yang berpotensi membahayakan manusia, infrastruktur dan lingkungan (US DOT, 2004). Karena berpotensi membahayakan, maka pada pengangkutan hazmat perlu memperhatikan risiko yang mungkin timbul (baik risiko jiwa maupun harta benda) selain mempertimbangkan faktor biaya, sehingga permasalahan pengangkutan hazmat termasuk ke dalam permasalahan multi obyektif.Salah satu cara untuk menangani permasalahan multi obyektif adalah dengan menerapkan konsep optimasi Pareto, yaitu konsep yang mengatakan bahwa suatu solusi dikatakan optimal jika tidak mungkin lagi meningkatkan suatu nilai fungsi tujuan tanpa mengurangi nilai fungsi tujuan yang lain. Konsep tersebut bekerja untuk menemukan himpunan solusi non-dominated dengan menerapkan aturan dominan pareto (pareto dominance rule).Pada skripsi ini akan dibahas masalah pemilihan rute kendaraan untuk mengangkut hazmat dengan memperhatikan waktu pelayanan (time windows) yang telah ditentukan yang dimodelkan ke dalam Hazmat Vehicle Routing Problem with Time windows (HVRPTW). Rute yang terpilih merupakan jalur non dominated, yaitu jalur dengan tingkat risiko dan biaya perjalanan yang paling kecil. Untuk memilih rute tersebut digunakan metode Multi-Objective Ant Colony System yang merupakan pengembangan dari metode Ant Colony System, yaitu metode yang mengadaptasi perilaku semut dalam mencari makanan dengan bantuan pheromone (zat kimia aromatik yang dikeluarkan oleh spesies semut).

---

Hazardous materials (hazmat) is defined by any substance or material which capable of causing harm to human, property and environment (US DOT, 2004). Therefore, in every hazmat transportation needs to pay attention to possible risks (both life and property risk) in addition to considering the cost factor. So that the problem of transporting hazmat belongs to the multi-objective problems.

The best approach to deal with multi objective problem is to apply the concept of Pareto optimization. This concept declare that an optimal solution is if there is no possibility to increase the value of objective function without eliminate the value of others objective function. This concept works to determine a set of non-dominated solutions applying conditions of Pareto dominance.

This research discuss about the problem of route selection of vehicles for transporting hazmat with focusing on service time (time windows) that has been determined and known as Hazmat Vehicle Routing Problem with Time Windows (HVRPTW). A non-dominated paths as selected path is the path with the smallest amount of risk and scheduled time. The route is selected by using Multi-Objective Ant Colony System algorithm which is the development of Ant Colony System methods that belongs to Ant Colony Optimization. This method adapts the behavior of ants in looking for feed helped by a pheromone (a chemical released by the aromatic species of ants)."

"Kegiatan berbelanja secara online di e-commerce akhir-akhir ini sedang ramai dilakukan karena dinilai lebih praktis dan tidak membuang banyak waktu. Hal ini berbanding lurus dengan banyaknya permintaan pengiriman yang harus dipenuhi oleh pihak last-mile delivery. Last-mile delivery adalah proses pengiriman langsung ke lokasi pelanggan. Pihak last-mile delivery harus melakukan pengiriman dengan biaya yang seminimal mungkin. Biaya perjalanan dapat semakin meningkat apabila terjadi pengiriman berulang yang disebabkan pelanggan tidak berada di rumah saat dilakukan pengiriman. Alternatif pengiriman roaming delivery dapat menjadi solusi dari permasalahan tersebut karena dapat mengurangi jarak dan waktu tempuh serta mengurangi emisi serta kemacetan. Vehicle Routing Problem with Roaming Delivery Locations adalah permasalahan permintaan transportasi dengan pelanggan dapat memiliki lebih dari satu lokasi pengiriman. Pada skripsi ini, digunakan metode Multiple Ant Colony System (MACS) untuk membentuk solusi yang optimal. Multiple Ant Colony System terinspirasi dari perilaku koloni semut dalam mencari sumber makanan. Dalam membentuk sebuah solusi, dibutuhkan data pelanggan berupa koordinat lokasi pengiriman serta time window masing-masing lokasi dan banyaknya permintaan pelanggan. Sebelum dibentuk solusi terbaik menggunakan MACS, dibutuhkan solusi awal yang akan dibentuk dengan menggunakan Nearest Neighbor Heuristic. Berdasarkan simulasi program yang dilakukan pada skripsi ini, dengan data yang digunakan sebanyak 30 pelanggan dengan masing-masing pelanggan memberikan dua lokasi pengiriman, didapatkan alternatif pengiriman roaming delivery memiliki biaya perjalanan yang lebih kecil dibandingkan home delivery yang merupakan pengiriman yang hanya dapat dilakukan ke rumah pelanggan, dengan selisih sebesar 46%.

---

Nowadays, online shopping in e-commerce caught more attention than offline shopping because considered more practical and does not waste much time. This has led to increasing the demand for shipments made by last-mile delivery. Last-mile delivery is the final step of the delivery process, the delivery made by sending directly to the customer's house. The package must be delivered using the least-costed routes. Missed deliveries caused by customers are not at home while the deliveries made, can increase the total travel cost. There is an alternative of deliveries that can overcome this problem, i.e., roaming delivery. Roaming delivery can be a solution to these problems because it can reduce distance and travel time as well as reduce emissions and congestion. Vehicle routing problem with roaming delivery location is the variant of vehicle routing problem which each customer can have more than one delivery locations. This thesis proposed multiple ant colony system methods to find the optimum solution of vehicle routing problems with roaming delivery locations. Multiple Ant Colony System is a method inspired by the foraging behavior of colonies of ants. The input of this method is a set of customers' data, i.e., locations' coordinates, time window of each location, and the number of demands. Multiple Ant Colony System requires an initial solution constructed by the nearest neighbor heuristic which is then optimized by reducing the number of vehicles and total travel time. Based on the simulation that use 30 customers where each of the customers gives 2 different locations, the total cost of roaming delivery is cheaper than home delivery up to 46%."

"ABSTRAKOptimalisasi portofolio bertujuan agar investor mendapatkan return tertinggi dan mendapatkan risiko terendah. Untuk mencapai tujuan ini, investor melakukan diversifikasi untuk meningkatkan kinerja portofolio dengan meminimalkan risiko portofolio. Pada penelitian ini digunakan algoritma Iterative K-Means -+ sebagai metode clustering dan Ant Colony Optimization (ACO). Pengelompokan digunakan untuk diversifikasi portofolio berdasarkan rasio keuangan masing-masing saham. K-Means berulang -+ ini memperbaiki solusi dari K-Means dengan menghapus 1 cluster (minus), membagi 1 cluster (plus) dan re-clustering di setiap iterasi. Setelah pengelompokan, beberapa saham dipilih dan bobotnya ditentukan dengan metode metaheuristik, yaitu:Algoritma Ant Colony Optimization (ACO). Hasil numerik dari metode ini dievaluasi dengan data yang sebenarnya.ABSTRACTPortfolio optimization aims for investors to get the highest return and get the lowest risk. To achieve this goal, investors diversify to improve portfolio performance by minimizing portfolio risk. In this study, the Iterative K-Means -+ algorithm was used as a clustering method and Ant Colony Optimization (ACO). Grouping is used to diversify the portfolio based on the financial ratios of each stock. Iterative K-Means --+ this improves the solution of K-Means by removing 1 cluster (minus), dividing 1 cluster (plus) and re-clustering in each iteration. After grouping, several stocks are selected and their weights are determined by the metaheuristic method, namely:Ant Colony Optimization (ACO) Algorithm. The numerical results of this method are evaluated with actual data."

"Masalah penjadwalan batching machines adalah masalah kombinatorial untuk menyusun produk-produk sedemikian sehingga lama pengolahannya menjadi minimum. Produk-produk memiliki ukuran dan lama proses produksi yang berbeda-beda yang akan dikelompokkan dalam batches. Jumlah ukuran produk dalam suatu batch tidak boleh melebihi kapasitas mesin. Lama proses batch adalah lama proses produk terpanjang dalam batch tersebut. Mesin yang sedang berkerja tidak diperkenankan diganggu hingga semua produk didalamnya selesai diproses.Masalah ini akan diselesaikan dengan algoritma improved ant colony optimization menggunakan metropolis criterion untuk menghindari solusi konvergen yang prematur. Pada implementasi, dilakukan modifikasi dengan mengubah parameter-parameter dari susunan parameter artikel. Dari hasil percobaan, modifikasi susunan parameter menunjukkan solusi yang lebih baik.

---

Scheduling batching machines problem is a combinatorial problem to arrange jobs thus the processing time is minimum. Jobs have arbitrary size and processing time which will be assigned into batches. Total of jobs size in a batch can?t be more than machines capacity. Batch processing time is the longest jobs processing time inside the batch. While working, machines can?t be interrupted until all the jobs have done processed.

This problem is solved with improved ant colony optimization algorithm using metropolis criterion to prevent premature convergent solution. In implementation, parameter modification is made by changing parameters from the parameters arrangement of main article. Based on the result, the modification of parameters showed a better solution."

"Perluasan dari Traveling Salesman Problem (TSP) adalah Multiple Traveling Salesman Problem (MTSP), yaitu menentukan kumpulan rute oleh 𝑚 salesman yang berawal dan kembali ke kota asal (depot). Jika terdapat lebih dari satu depot dan salesman yang berawal dan kembali ke depot yang sama, maka permasalahan tersebut dinamakan Fixed Destination Multi-depot Multiple Traveling Salesman Problem (MMTSP). Pada makalah ini, MMTSP akan diselesaikan menggunakan algoritma Ant Colony Optimization (ACO). ACO adalah algoritma optimisasi metaheuristic yang terinspirasi oleh perilaku semut dalam mencari jalur terpendek dari sarang menuju sumber makanan.Dalam penyelesaian MMTSP, akan diamati dengan memerhatikan pemilihan kota yang berbeda sebagai depot dan tiga parameter MMTSP non-random, banyaknya salesman (𝑚), minimum banyaknya kota yang harus dikunjungi salesman (𝐾), dan maksimum banyaknya kota yang dapat dikunjungi salesman (𝐿). Implementasi dilakukan dengan mengambil empat data dari TSPLIB. Hasil implementasi menunjukkan bahwa pemilihan kota yang berbeda sebagai depot dan tiga parameter MMTSP, di mana 𝑚 adalah parameter yang paling esensial, mempengaruhi solusi.

---

An extension of Traveling Salesman Problem (TSP) is the Multiple Traveling Salesman Problem (MTSP) in which, determining set of routes by 𝑚 salesmen who all start from and return to a single home city (depot). If there is more than one depot and salesmen start from and return to the same depot, then the problem is called Fixed Destination Multi-depot Multiple Traveling Salesman Problem (MMTSP). In this paper, MMTSP will be solved using the Ant Colony Optimization (ACO) algorithm. ACO is a metaheuristic optimization algorithm which inspired by the behavior of ants in finding the shortest path from the nest to the food source.

In solving the MMTSP, the algorithm is observed with respect to different chosen cities as depots and non-randomly three parameters of MMTSP, the number of salesmen (𝑚), the minimum number of cities a salesman must visit (𝐾), and the maximum number of cities that a salesman can visit (𝐿). The implementation is observed with four dataset from TSPLIB. The results show that both the different chosen cities as depots and the three parameters of MMTSP, in which 𝑚 is the most essential parameter, affect the solution."

"

Perkembangan teknologi memungkinkan perusahaan untuk senantiasa meningkatkan kinerjanya dalam berbagai kegiatan usaha. Salah satu kegiatan usaha yang menjadi perhatian adalah distribusi. Penentuan rute distribusi harus mempertimbangkan permintaan pelanggan dan biaya transportasi. Perancangan rute distribusi yang meminimalisir jarak tempuh transportasi dapat menghemat biaya distribusi. Di sisi lain, ketepatan waktu pengiriman juga masih menjadi salah satu faktor penting distribusi. Penelitian ini berfokus pada perancangan algoritma penyelesaian Vehicle Routing Problem with Time Windows (VRPTW) dengan metode heuristik Lin Kernighan Helsgaun dan Local Search. Hasil dari algoritma ini adalah rute distribusi yang memenuhi permintaan pelanggan dengan memenuthi batasan kapasitas kendaraan dan rentang waktu pelayanan.

---

Technology development has enabled businesses to continuously improve their performance on various activities. One of the highlighted activity is distribution. The planning of distribution routes must consider customer demands and transportation cost. A better distribution route planning that minimizes transportation distances would save distribution costs. On the other hand, timeliness remains one of the important factors of distribution. This research focuses on designing an algorithm that solves Vehicle Routing Problem with Time Windows (VRPTW) using the heuristic methods which are Lin Kernighan Helsgaun and Local Search. The result of the algorithm is a list of routes that fulfills all demands and within the constraints of limited capacity and a drop off time window.

"