Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dynamic Dial a Ride Problem with Time Windows (DDARPTW) merupakan masalah pencarian rute optimal untuk melayani sejumlah pelanggan yang ingin dijemput di suatu tempat dan diantar ke tempat lainnya dengan data permintaan penumpang yang dapat bertambah selama periode perjalanan. Solusi yang ingin didapatkan adalah suatu rute dengan tingkat ketidakpuasan pelanggan yang minimum. Tugas akhir ini membahas penggunaan algoritma 2 tahap pada DDARPTW serta implementasinya pada data sebanyak 56 pelanggan dengan menggunakan perangkat lunak. Penentuan solusi awal pada tugas akhir ini menggunakan metode insertion heuristic dan tahap pertama menggunakan metode local search yaitu 2-opt arc swap untuk memberikan perbaikan pada nilai fungsi tujuan serta tahap kedua menggunakan metode simple insertion untuk melakukan penambahan pelanggan baru dalam periode perjalanan.

---

Dynamic Dial a Ride Problem with Time Windows (DDARPTW) is a problem of finding an optimal route to serve a number of customers who want to be picked up in a certaint place and delivered to other place. Data of passenger's demand could be added during the trip period. The obtained solution is a route with minimum level of customer dissatisfaction.

This mini thesis explores the use of two phase algorithm and its implementation on the data of 56 customers using a software. The initial solution is constructed by insertion heuristic method and the first phase use 2-opt arc swap local search which provides improvements to the value of the objective function and the second phase uses a simple insertion method to add new customer in the trip period."

"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."

"Vehicle Routing Problem with Time Windows menjadi suatu permasalahan bagi perusahaan saat ini dimana biaya logistik yang semakin tinggi. Penentuan rute yang tepat untuk distribusi barang sangat dibutuhkan untuk menekan biaya bahan bakar kendaraan. Penyelesaian VRPTW ini menggunakan algoritma metaheuristic: Tabu Search, Particle Swarm Optimization dan Simulated Annealing. Penelitian ini membandingkan karakter dari ketiga algoritma tersebut. Dimana hasil tabu search memberikan nilai yang mayoritas optimal dibandingkan ketiganya. Tetapi untuk iterasi pendek, PSO memberikan nilai yang cepat menuju optimal.

---

Vehicle Routing Problem with Time Windows become main problem to company when dealing with distribution cost that comes bigger. Determining best routing to distribute goods or service can help reduce distribution cost. This research using metaheuristic algorithm: Tabu Search, Particle Swarm Optimization dan Simulated Annealing to solve VRPTW. This research benchmark that three algorithm. The conclusion is tabu search bring best solution for long iteration. But for short iteration, PSO bring better solution."

"Multiple Depot Multi Traveling Salesman Problem (MMTSP) merupakan bentuk umum dari masalah Traveling Salesman Problem (TSP), yaitu menentukan rute minimum dari perjalanan m salesman dengan n depot untuk menempuh semua kota dan kembali ke depot awalnya. Pada skripsi ini, dilakukan clustering pada kota-kota yang dilalui, sehingga pada setiap klaster masalah MMTSP dapat disederhanakan menjadi masalah MTSP Multiple Traveling Salesman Problem atau TSP. Algoritma clustering yang digunakan adalah Agglomerative Clustering dan K-Means Clustering. Selanjutnya dilakukan metode Ant Colony Optimization untuk mencari rute terpendek dari setiap klaster. Jumlah dari hasil rute terpendek dari setiap klaster merupakan solusi dari masalah MMTSP. Implementasi dilakukan dengan menggunakan sampel data TSPLIB, dan hasil yang didapat juga akan dibandingkan dengan penelitian yang telah dilakukan sebelumnya. Dari hasil simulasi, hasil algoritma Agglomerative Clustering ACO memberikan hasil yang terbaik dibandingkan algoritma K-Means Clustering ACO dan algoritma ACO saja.

---

Multiple Depot Multiple Traveling Salesman Problem MMTSP is a generalization of the common Traveling Salesman Problem TSP , whole purpose is to generate a minimum route of m traveling salesmen from n depots to explore all cities and back to their origins. In this skripsi, the cities will be clustered, so for every cluster, MMTSP will be simplified as MTSP Multiple Traveling Salesman Problem or TSP. The clustering algorithms that will be used are Agglomerative Clustering and K Means Clustering. Furthermore, for every cluster, the Ant Colony Optimization will be implemented to determine the shortest path. The distance of shortest path in every cluster will be summed as the solution of MMTSP. Implementation of the algorithm will be simulated by using the TSPLIB, and the solutions will be compared to previous research. The simulation results show that the Agglomerative clustering ACO is the best solution compared to the K Means ACO rsquo s and the only ACO algorithm."

"ABSTRAKRobust Knapsack Problem (RKP) adalah variasi dari masalah Knapsack, dimana dalam hal ini bobot dari setiap item belum diketahui secara pasti, dan hanya diketahui terletak dalam sebuah interval tentu. Pada RKP akan dicari solusi optimal yang merupakan keuntungan optimal yang akan didapatkan, dan item-item mana saja yang diletakkan ke dalam Knapsack sehingga menghasilkan solusi optimal. Terdapat dua metode alternatif yang akan dijelaskan untuk mencari solusi optimal pada RKP, yang kemudian dibandingkan efisiensi dari kedua metode tersebut dengan dilihat dari running time masing-masing metode. Sedangkan untuk mencari himpunan item-item yang menghasilkan solusi optimal pada RKP akan digunakan metode partisi rekursif, dimana ide awalnya adalah dengan mempartisi himpunan item menjadi dua subhimpunan item.

---

ABSTRACTRobust Knapsack Problem (RKP) is a variation of the Knapsack Problem, where in this case the weight of each item is not exactly known in advance, but belongs to a given interval. On RKP, it will be sought optimal solution, which is the optimal benefit to be gained, and set of items placed into the Knapsack. There are two methods that will be discussed to find optimal solution in RKP, and then the efficiency of the two alternative methods will be compared with their running time. Whereas, to search the set of items that build optimal solutions in the RKP will be used recursive partitioning method. The main idea of this method is dividing the set of items into two subsets of items."

"Knapsack Problem (KP) merupakan masalah optimisasi dalam menentukan objekdari sekumpulan objek yang memiliki nilai dan bobot yang akan ditempatkan ke dalam media penyimpanan dengan tujuan memaksimumkan nilai barang dengan syarat kapasitas bobot media penyimpanan terbatas. Dalam tugas akhir ini, akan dibahas {0-1} Knapsack Problem ({0-1} KP) yang direpresentasikan dalam bentuk graf berarah. Setelah direpresentasikan dalam bentuk graf berarah, kemudian dilakukan transformasi pada nilai busur pada graf berarah tersebut dan dicari lintasan terpendek antar dua node. Untuk mencari lintasan terpendek, digunakan Algoritma Amoeboid Organism dengan inputnya adalah matriks adjacency dari graf berarah yang telah ditransformasi nilai busurnya dan matriks konduktivitas. Output dari algoritma ini adalah menghasilkan matriks konduktivitas yang elemen-elemennya bernilai mendekati 0 atau 1. Entri yang bernilai mendekati 1 merepresentasikan lintasan terpendek pada graf. Lintasan terpendek yang diperoleh akan menjadi solusi yang optimal pada {0-1} KP.

---

Knapsack Problem (KP) is optimization problem to choose object from set of objects which have profit and weight and the object will be placed in limited storage with total of profit is maksimum. First, will be explained about representing {0-1} Knapsack Problem ({0-1} KP)to directed graph. After {0-1} KP is represented in directed graph, so transforming value of edge on directed graph and dicari lintasan terpendek antar dua node. To search shortest path, use Amoeboid Organism Algorithm with adjacency matrices from directed graph and conductivity matrices as input. Output from this algorithm is produce conductivity matrices with element which have value approach 0 and . Element which have value approach 1 represent shortest path on graph. Shortest path on graph is optimal solution in {0-1} KP."