Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKPengiriman produk yang memiliki daya tahan atau shelf-life yang relatif terbatas secara optimal merupakan fokus dari penelitian ini. Karakteristik utama dari produk tersebut yaitu mudah rusak perishable dan terdeteriorasi dalam rentang waktu pengiriman tertentu. Produk yang mudah rusak perishable product tersebut telah menjadi persoalan utama dalam sistem distribusi cold chain yang dapat menyebabkan masalah ketidak efisiensian biaya pada proses pengirimanya. Dari persoalan tersebut, model matematika di desain melalui pengembangan vehicle routing problem, with soft time windows VRPSTW dengan mempertimbangkan kontribusi biaya energi terhadap fungsi tujuan. Pembuatan model matematika dilakukan melalui pemrograman komputer yang menggunakan Python 3.5 untuk mendapatkan hasil yang optimal. Agar solusi yangdihasilkan feasible pendekatan metaheuristik genetic algorithm dikembangkan dalam penelitian ini; hasil dari penelitian ini menyatakan bahwa algoritma tersebut mampu menghasilkan solusi yang lebih baik daripada algoritma mixed integer linear programming.

---

ABSTRACTConveying product which has a limited shelf life optimally is the concern of this study. The main attribute of this product is perishable within a certain time frame. However,perishable product has a critical issue in the cold chain system which leads dispatching costs inefficiency problems. Regarding this problem, mathemetical model built thru extended a vehicle routing problem, with soft time windows VRPSTW by considering energy consumption cost to evaluate its contribution towards the objective function. Model building conducted into computer programming that uses Python Spyder 3 for generating feasible solution. For the sake of feasibility, a metaheuristic approach ofgenetic algorithms provided to find the best optimal solution the results diagnosed thatgenetic algorithms can generate best feasible solution efficiently with in a certain numberof variables in case of perishable product delivery."

"Modularization is one of the key strategies for increasing responsiveness to customers. In modular product architecture a wide variety of product configurations can be generated by altering a limited number of modules and components. Product modules are identified by grouping highly coupled components in the same module. A Design Structure Matrix (DSM) is a compact presentation of the interaction between the components. In this paper, Analytical Hierarchy Process (AHP) and Genetic Algorithm (GA)-based methodology is proposed for the clustering of highly coupled DSM components in modules. Multi-criteria DSMs are proposed, which are aggregated by using weights generated by AHP. A genetic algorithm is designed to change the order of components in DSM and to bring highly coupled interactions near the diagonal. An illustrative case study is also made to validate the proposed algorithm. Two large sized and two small size modules are identified by selecting high density clusters around the diagonal. The clustered DSM also shows independent components and loose coupling between the two modules."

"Kegiatan berbelanja secara daring di e-commerce meningkat seiring dengan peningkatan pengguna internet di Indonesia. Kondisi ini mengakibatkan melonjaknya kegiatan pengiriman barang. Dalam proses pengiriman barang terdapat tahap last-mile delivery. Adapun tantangan yang dihadapi pada tahap ini adalah jumlah pengiriman yang banyak dan waktu pengiriman yang panjang. Hal ini bisa mengakibatkan penambahan jumlah alat transportasi yang digunakan. Salah satu alat transportasi untuk last-mile delivery adalah truk. Penggunaan truk dalam last-mile delivery dapat menyebabkan polusi udara serta tidak dapat mengirimkan paket tepat waktu karena kemacetan lalu lintas (dalam kasus daerah perkotaan). Karena hal itu, harus dicari jalan keluar yang dapat menurunkan polusi udara serta menurunkan kasus pengiriman paket tidak tepat waktu dalam last-mile delivery. Penelitian ini menggabungkan pemakaian truk dan drone yang bermaksud untuk menurunkan kasus pengiriman paket tidak tepat waktu serta menurunkan polusi udara dengan keunggulan drone. Metode yang dipakai melibatkan implementasi Fuzzy C-Means (FCM) clustering untuk mengelompokkan data pelanggan dengan mempertimbangkan kendala jumlah drone yang tersedia serta radius terbang drone dan implementasi Algoritma Genetika untuk merancang rute pengiriman yang optimal dengan mempertimbangkan kendala Time Windows pada depot dan semua cluster. Penerapan kedua metode itu dipakai pada data 90 pelanggan. FCM bisa menurunkan 63,15% jumlah cluster, menurunkan 36,03% keseluruhan jarak tempuh rute, menurunkan 28,77% keseluruhan waktu tempuh rute, serta pengurangan 4,06% nilai fungsi objektif bila ketimbang dengan yang didapat dari clustering secara intuitif.

---

Online shopping activities in e-commerce are increasing along with the rise in internet users in Indonesia. This trend has led to a surge in goods delivery activities. In the delivery process, there is a crucial last-mile delivery stage. The challenges faced during this stage include a high volume of deliveries and extended delivery times, leading to the necessity of deploying additional transportation means. One commonly used transportation method for last-mile delivery is trucks. However, the utilization of trucks in last-mile delivery poses challenges such as air pollution and the inability to ensure timely package deliveries due to traffic congestion, particularly in urban areas. To address these issues, a solution must be found that not only reduces air pollution but also mitigates instances of delayed package deliveries in last-mile delivery. This research proposes a novel approach by integrating the use of trucks and drones to capitalize on the advantages offered by drones. The methodology employed incorporates the implementation of Fuzzy C-Means (FCM) clustering to categorize customer data, considering constraints related to the number of available drones and the flying radius of the drones. Additionally, a Genetic Algorithm is applied to optimize delivery routes, considering time window constraints at the depot and within all clusters. The application of these two methods was tested on a dataset comprising 90 customers. FCM demonstrated the ability to reduce the number of clusters by 63.15%, decrease the overall route travel distance by 36.03%, and minimize the overall route travel time by 28.77%. Furthermore, it led to a 4.06% reduction in the objective function values compared to intuitive clustering."

"Pendistribusian BBM di Region Ambon memiliki tantangan berupa terbatasnya akses transportasi melalui jalur darat dikarenakan kondisi geografis yang terdiri dari pulau-pulau sehingga pendistribusain menjadi rumit dan mengalami keterlambatan penyaluran BBM. Sehingga diperlukakn rute distribusi yang optimal untuk memastikan penyaluran BBM tidak terlambat dan tidak ada kelangkaan BBM. Penelitian ini mengimplementasikan metode optimasi dengan mempergunakan algoritma Genetika dan Particle Swarm Optimization untuk pemilihan rute distribusi dengan tujuan meminimalisir jarak tempuh. Data jarak mil laut antar pelabuhan, kecepatan kapal pada tiap pelabuhan diolah menjadi sebuah model Asymmetric Travelling Salesman Problem (ATSP). Penerapan dua algoritma yaitu : Algorima Genetika dan particle swarm optimization dipergunakan untuk menyelesaikan model ATSP yang dibuat dengan fungsi objektif jarak tempuh yang seminimum mungkin. Variasi pada destinasi awal/akhir dari pemilihan rute juga dilakukan sebagai parameter uji tambahan dari setiap algoritma. Hasil penelitian menunjukkan bahwa algoritma genetika memberikan rute terpendek dan efisien dibandingkan particle swarm optimization pada setiap pemilihan rute yang dilakukan. Hal ini membuktikan bahwa algoritma genetika lebih efektif dalam menentukan rute pendistribusian BBM yang lebih pendek dan efisien.

---

The distribution of BBM in the Ambon Region has challenges in the form of limited access to transportation via land routes due to geographical conditions consisting of islands so that distribution becomes complicated and delays fuel distribution. So that an optimal distribution route is needed to ensure the distribution of fuel is not late and there is no shortage of fuel. This study implements an optimization method using the Genetic Algorithm and Particle Swarm Optimization for the selection of distribution routes with the aim of minimizing the distance traveled. Nautical mile distance data between ports, ship speed at each port is processed into an Asymmetric Traveling Salesman Problem (ATSP) model. The application of two algorithms, namely: Genetic Algorithm and particle swarm optimization is used to solve the ATSP model which is made with the objective function of the distance traveled as minimal as possible. Variations in the initial/final destination of the route selection are also performed as additional test parameters of each algorithm. The results showed that the genetic algorithm provides the shortest and most efficient route compared to particle swarm optimization for each route selection made. This proves that the genetic algorithm is more effective in determining the shorter and more efficient fuel distribution route."

"Seiring dengan meningkatnya biaya operasi dan material untuk manufaktur sebuah kapal, diperlukannya metode-metode optimasi untuk mengurangi biaya tersebut. Banyak penelitian untuk optimasi biaya manufaktur kapal, salah satunya adalah dengan melakukan optimasi pada struktur kapal. Dalam penelitian ini, dilakukan optimasi pada struktur penutup palka kapal curah. Optimasi dilakukan dengan melakukan Sensitivity Analysis pada metode Hybrid Genetic Algorithm (Hybrid GA) pada desain penutup palka kapal yang sudah ada. Metode ini melihat hubungan antar pelat sebelum dilakukan Hybrid GA. Dimana Hybrid GA sendiri menggabungkan antara Genetic Algorithm dan Size Optimization. Kelemahan dari Hybrid GA ini sendiri adalah lamanya proses optimasi untuk mendapatkan hasil yang optimal. Dengan dilakukannya Sensitivity Analysis, Penelitian ini akan membuat metode optimasi semakin cepat dan optimal dari segi waktu, serta tetap mendapatkan hasil yang optimal dari segi biaya manufaktur. Pada saat optimasi dilakukan hanya pelat yang saling mempengaruhi secara tegangan yang akan dijalankan bersamaan. Hasil penelitian akan menampilkan pengaruh dilakukannya Sensitivity Analysis terhadap waktu optimasi dan biaya. Terjadi pengurangan waktu sebanyak 67% dibandingkan dengan metode Hybrid GA, dengan biaya manufaktur yang serupa. Dengan demikian hasil penelitian ini bisa berkontribusi untuk membuat kapal yang lebih murah untuk dibuat

---

Along with the increase in operating and material costs for manufacturing a ship, optimization methods are needed to reduce these costs. There are many studies for optimizing ship manufacturing costs, one of which is by optimizing the ship structure. In this study, optimization of the bulk ship hatch cover structure was carried out. Optimization is done by performing a sensitivity analysis on the Hybrid Genetic Algorithm (Hybrid GA) method on the existing ship hatch cover design. This method looks at the relationship between plates before doing Hybrid GA. Where Hybrid GA itself combines Genetic Algorithm and Size Optimization. The weakness of Hybrid GA itself is the length of the optimization process to get optimal results. By doing Sensitivity Analysis, this research will make the optimization method faster and optimal in terms of time, and still get optimal results in terms of manufacturing costs. At the time of optimization, only plates that affect each other in voltage will be run simultaneously. The results of the study will show the effect of doing Sensitivity Analysis on optimization time and cost. There was a 67% reduction in time compared to the Hybrid GA method, with similar manufacturing costs. Thus, the results of this study could contribute to making ships cheaper to build."

"Perkembangan teknologi saat ini memicu masyarakat untuk menggunakan platform ecommercesebagai penyedia transaksi. Hal ini berdampak pada peningkatan bisnis jasakurir servis untuk pengiriman barang. Sebelumnya telah dilakukan penelitan mengenaipengiriman dengan menggunakan kendaraan homogen tanpa pengelompokan denganjumlah pengiriman < 1.500 per hari. Oleh karena itu, diperlukan optimalisasi rutepengiriman serta jenis kendaraan heterogen yang melayani > 1.500 kiriman perharimelalui jasa kurir dengan menggunakan VRP berdasarkan konsep kendaraan heterogenuntuk meminimalkan rute kendaraan. Penelitain ini menggunakan metode cluster KMeansuntuk mengklasifikasikan customer, meminimalkan jarak pengiriman danmempersingkat waktu komputasi. Pendekatan berbasis Genetic Algorithm (GA)diterapkan dengan menggunakan kriteria banyak generasi yang ingin dicapai danperbedaan tingkat efisiensi antar generasi untuk mendapatkan hasil optimasi rute. HasilPenelitan ini menunjukan bahwa dengan dengan GA dan cluster per jenis kendaraanheterogen berdasarkan pengelompokan area dengan jumlah > 1500 customer yang dibagimenjadi 4 cluster pada jenis kendaraan mobil, 2 cluster pada jenis kendaraan motor, dan2 cluster pada jenis kendaraan truck didapatkan rute optimal dengan jarak 8.99453 KMdengan total 34 rute

---

Current technological developments triggered people to use e-commerce platforms as

providers of transactions. This has an impact on increasing the courier service business

for delivery of goods. Previously, research had been carried out on shipments using

homogeneous vehicles without grouping with a number of shipments <1.500 per day.

Therefore, it is necessary to optimize delivery routes as well as heterogeneous vehicle

types serving > 1.500 shipments per day via courier services using VRP based on

heterogeneous vehicle concept to minimize vehicle routes. This research uses the KMeans

cluster method to classify customers, minimize delivery distances and shorten

computation time. Genetic Algorithm (GA) based approach is applied by using the criteria

of many generations to be achieved and differences in efficiency levels between

generations to obtain route optimization results. The results of this research show that

with GA and clusters per heterogeneous vehicle type based on area grouping with a

number of > 1.500 customers which are divided into 4 clusters on the type of car, 2clusters

on the type of motor cycle, and 2 clusters on the type of truck, the optimal route is obtained

8,99453 KM with total of 34 routes"

"Dalam membangun sebuah kapal membutuhkan biaya yang sangat besar terutama dalam pengadaan material. Salah satu cara untuk mengurangi biaya manufaktur tersebut adalah melakukan optimasi struktur kapal. Dalam penelitian ini, optimasi dilakukan dengan menggunakan metode Hybrid GA. Metode ini menggabungkan antara Genetic Algorithm dan Size Optimization. Genetic Algorithm digunakan untuk memilih material dan Size Optimization digunakan untuk mengurangi ketebalan pelat. Akan tetapi, metode optimasi Genetic Algorithm membutuhkan waktu yang sangat lama untuk mendapatkan hasil paling optimal. Penelitian ini bertujuan untuk mengurangi waktu yang diperlukan dalam optimasi berbasis Hybrid GA dengan memodifikasi proses Genetic Algorithm serta mendapatkan material dengan biaya manufaktur paling rendah. Modifikasi Genetic Algorithm dalam penelitian ini adalah melakukan optimasi sesuai kelompok gen setiap 10%; 20%; 25%; 50%; dan 100% dari total keselurahan gen. Hasil penelitian akan menampilkan pengaruh modifikasi Genetic Algorithm terhadap waktu optimasi dan biaya. Terjadi pengurangan biaya sebanyak 39% pada optimasi setiap 10% gen, 20% gen, dan 25% gen, 34% pada optimasi setiap 50% gen, dan 33% pada optimasi dengan 100% gen. Dari hasil penelitian didapat rata-rata waktu optimasi tiap generasinya, yaitu setiap 10% gen adalah 0,274 jam, setiap 20% gen adalah 0,388 jam, setiap 25% gen adalah 0,434 jam, setiap 50% gen adalah 0,61 jam, dan 100% gen adalah 0,646 jam.

---

In building a ship requires a very large cost, especially in the procurement of materials. One way to reduce manufacturing costs is to optimize the ship structure. In this study, optimization was carried out using the Hybrid GA method. This method combines Genetic Algorithm and Size Optimization. Genetic Algorithm is used to select material and Size Optimization is used to reduce plate thickness. However, the Genetic Algorithm optimization method takes a very long time to get the most optimal results. This study aims to reduce the time required for optimization based on Hybrid GA by modifying the Genetic Algorithm process and obtaining materials with the lowest manufacturing costs. Genetic Algorithm modification in this research is to optimize according to gene group every 10%; 20%; 25%; 50%; and 100% of the total gene pool. The results of the study will show the effect of Genetic Algorithm modification on optimization time and cost. There was a 39% cost reduction in optimization of every 10% of genes, 20% of genes, and 25% of genes, 34% on optimization of every 50% of genes, and 33% on optimization with 100% of genes. From the results of the study, the average optimization time of each generation, ie every 10% of genes is 0.274 hours, every 20% of genes is 0.388 hours, every 25% of genes is 0.434 hours, every 50% of genes is 0.61 hours, and 100% gene is 0.646 hours."

"ABSTRAK

Tesis ini membahas tentang pengembangan model optimasi inventori dengan lead time pemesanan yang stokastik. Pengembangan model ini menitik beratkan pada minimum biaya inventori keseluruhan dengan material yang diamati memiliki waktu pemakaian tertentu (perishable goods). Adanya ketidakpastian kedatangan material yang disebabkan oleh jarak antara manufaktur dan pemasok yang jauh, menimbulkan adanya masalah stockout pada material di inventori. Hal ini menimbulkan adanya terjaddinya lost sales sehingga manufaktur akan mengalami kerugian. Hal ini memicu manufaktur untuk mendatangkan material dengan mode transportasi yang lebih akurat, namun memiliki harga yang cukup tinggi. Pemenuhan akan bahan baku berdasarkan kapasitas produksi selama sepekan. Tahap awal pemesanan tergantung pada keputusan banyaknya pemenuhan kebutuhan produksi untuk dapat memnuhi selama minggu tertentu. Pemesanan awal ini akan dilakukan pada titik awal 12 minggu sebelum produksi dilakukan dengan safety stock yang tersedia sebesar 20 unit. Keterlambatan pada pemesanan awal ini akan memicu pemesanan cepat dengan mempertimbangan kebutuhan diminggu yang akan datang dan jumlah stok material yang tersedia di inventori. Lamanya pengiriman material untuk order cepat adalah 2 minggu. Pengembangan model menggunakan metode Mixed Integer Linear programming karena untuk pemesanan satu diperlukan bilangan bulat dan adanya pembatas konstrain bilangan biner, untuk menetukan penugasan. Hasil pemodelan menunjukan bahwa model yang dikembangan berpengaruh signifikan terhadap perubahan nilai safety stock dan biaya pemesanan lambat.

---

ABSTRACT

 

---

This thesis focus on the development of inventory optimization models with stochastic lead time ordering. The development of this model focuses on the minimum overall inventory costs with observed the material that having usage time (perishable goods). The uncertainty of the materials arrival caused by the distance between manufacturers and suppliers with longer distant has caused a stock out problem in the inventory. This has led to the occurrence of lost sales, so manufacturers will experience losses. This is a trigger for manufacture to supply material with a more accurate transportation mode, but it has an expensive cost. Fulfillment of raw materials based on production capacity for a week. The initial stage of the order depends on the decision quantity production demand can be fulfilled during a certain week. This initial order will be made at the starting point 12 weeks before production is carried out and availability of safety stock reach to 20 units. The delay in this initial order will trigger a quick order by considering the upcoming week`s requirements and the amount of material stock available in the inventory. The length of material delivery for fast orders is 2 weeks. Model development uses the Mixed Integer Linear programming method because for ordering one integers are needed and there are constraints for binary number constraints to determine assignments. The modeling results show that the model developed has a significant effect on changes in the value of safety stock and slow order cost.

"

"Pengiriman barang dari depot terakhir menuju ke lokasi pelanggan adalah pengiriman last mile. Pengiriman last mile sering dianggap sebagai tahap yang paling mahal dan kurang efisien. Beberapa permasalahan yang dihadapi dalam pengiriman last mile adalah biaya yang tinggi, waktu pengiriman yang lama, dan kemungkinan barang rusak. Penggunaan sistem kendaraan truck-drone dalam pengiriman last mile dapat dijadikan sebagai solusi untuk mengatasi permasalahan dalam last mile. Tujuan dari penelitian ini adalah menemukan rute pengiriman barang yang meminimalkan biaya pengiriman dengan menggunakan sistem truck-drone dalam last mile. Pendekatan yang diusulkan untuk mencari rute optimal terdiri dari dua fase yaitu fase clustering dan routing. Dalam fase clustering menggunakan mean shift clustering untuk mengelompokkan lokasi pelanggan dan mencari lokasi parkir (pusat cluster). Dalam fase routing menggunakan algoritma genetika untuk menemukan rute optimal. Implementasi pada 90 pelanggan didapatkan penggunaan metode mean shift clustering diikuti oleh algoritma genetika, dapat menghasilkan rute optimal yang meminimalkan total biaya. Hal ini ditunjukkan dari penurunan biaya pada rute mean shift clustering mencapai 3,51% dibandingkan clustering dengan metode intuitif. Selain itu, analisis hasil juga mencerminkan bahwa penerapan mean shift clustering mampu mengurangi total jarak sebesar 27,93 % dan waktu tempuh sebesar 25,83 % delivery.

---

Last-mile delivery is often considered the most expensive and less efficient stage. Some challenges in last-mile delivery include high costs, long delivery times, and the possibility of damaged goods. The use of a truck-drone system in last-mile delivery can be a solution to address these challenges. The objective of this research is to find delivery routes that minimize delivery costs using a truck-drone system in the last mile. The proposed approach to finding optimal routes consists of two phases: clustering and routing. In the clustering phase, mean shift clustering is used to group customer locations and identify parking locations (cluster centers). In the routing phase, a genetic algorithm is employed to find the optimal routes. The implementation on 90 customers showed that the use of mean shift clustering followed by a genetic algorithm could generate optimal routes that minimize the total cost. This is evident from the cost reduction in mean shift clustering routes by 3,51% compared to the initial clustering solution with intuitif method. Furthermore, the results analysis also reflects that the implementation of Mean Shift Clustering can reduce the total distance by 27.93% and travel time by 25.83%."