Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"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."

"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."

"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."

"Multiple Traveling salesman problem MTSP merupakan perluasan dari TSP. MTSP adalah masalah optimasi dimana akan ditentukan total jarak minimum untuk m salesmen dalam melakukan perjalanan ke sejumlah kota tepat satu kali yang dimulai dari kota awal yang disebut depot kemudian kembali lagi ke depot setelah perjalanan selesai. Dalam tugas akhir ini, K-Means dan Crossover Ant Colony Optimization ACO akan digunakan untuk menyelesaikan MTSP. Implementasi dilakukan pada 3 data dari TSPLIB dengan menggunakan salesman berjumlah 2, 3, 4, dan 8. Analisa hasil dengan menggunakan K-Means dan Crossover ACO akan dibandingkan. Pengaruh terhadap pemilihan kota yang menjadi depot pada total jarak perjalanan yang dihasilkan, juga akan dianalisa.

---

Multiple Traveling Salesman Problem MTSP is a generalization of the Traveling Salesman Problem TSP . MTSP is an optimization problem to find the minimum total distance of m salesmen tours to visit several cities in which each city is only visited exactly by one salesman, starting from origin city called depot and return to depot after the tour is completed. In this skripsi, K Means and Crossover Ant Colony Optimization ACO are used to solve MTSP. The implementation is observed on three datasets from TSPLIB with 2, 3, 4, and 8 salesmen. Analysis of results using K Means and Crossover ACO will be compared. The effect of selecting a city as depot on the total travel distance of tour will also be analyzed."

"Masalah optimisasi portofolio adalah masalah untuk mencari portofolio dengan return maksimal dan risiko minimal. Pada skripsi ini, digunakan model optimisasi portofolio multi objektif. Algoritma Multi-objective Co-variance based Artificial Bee Colony M-CABC digunakan untuk menyelesaikan masalah optimisasi portofolio. Algoritma M-CABC merupakan pengembangan dari algoritma Artificial Bee Colony ABC menggunakan konsep kovariansi statistik dan dipakai untuk masalah optimisasi portofolio. Implementasi dilakukan dengan menggunakan lima sampel data OR-Lib; port1, port2, port3, port4, dan port5. Hasil yang didapat dibandingkan dengan unconstrained efficient frontier dari lima sampel data. Dari hasil simulasi, Algoritma M-CABC menghasilkan solusi yang cukup dekat dengan solusi pada unconstrained efficient frontier.

---

Portfolio optimization problem is a problem to find portfolio with maximum return and minimum risk. In this skripsi, multi objective portfolio optimization model is used. Multi objective Co variance based Artificial Bee Colony M CABC algorithm is used to solve porto folio optimization problem. M CABC algorithm is developed from Artificial Bee Colony ABC algorithm using statistical co variance concept and is used for portfolio optimization problem. Implementation is done using five OR Lib data samples port1, port2, port3, port4, dan port5. Obtained results is compared with unconstrained efficient frontier of five data samples. From simulation results, M CABC algorithm gives solutions that is near solutions on the unconstrained efficient frontier."

"Traveling salesman problem (TSP) merupakan permasalahan optimasi dimana seseorang akan melakukan perjalanan kesejumlah kota yangdimulai dari kota asal dengan mengunjungi semua kota tepat satu kali dan kembali ke kota asal dengan total biaya atau jarak perjalanannya yang minimal. Dalam tugas akhir ini, algoritma Genetic Ant Colony System (GACS) akan digunakan untuk menyelesaikan TSP. Kemudian akan dibandingkan hasil penyelesaian TSP yang menggunakan algoritma GACS dengan algoritma ACS.

---

Traveling Salesman Problem (TSP) is an optimization problem in which a person will travel to a number of cities, starting from origin city to visit every city exactly once and return to origin city with minimum total cost or distance. In this undergraduatethesis, GACS algorithm will be used to solveTSP. Then the results will be compare with ACS algorithm."

"Tugas Akhir ini membahas suatu metode penyelesaian masalah pemrograman linier dengan menggunakan Algoritma Interior-Point. Algoritma ini didasarkan pada model pemrograman linier yang memaksimumkan fungsi tujuan. DimuIai dengan memilih sembarang titik-dalam pada daerah layak sebagai penyelesaian awal, lalu variabel-variabel keputusan yang ada dalam model diubah skalanya, sehingga diperoleh penyelesaian awal yang konstan ( 1, 1, 1, . . , 1 ). Kemudian algoritma dilanjutkan dengan menghitung matriks proyeksi ( P ) dan menetapkan nilai a untuk mendapatkan arah gerakan dari titik penyelesaian awal. Algoritma diakhiri dengan menghitung titik penyelesaian awal berikutnya. Dengan melakukan iterasi akan diperoleh titik optimal yang ditandai dengan tidak berubahnya titik yang diperoleh pada akhir iterasi."

"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."