Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"Many kinds of classification method are able to diagnose a patient who suffered Hepatitis disease. One of classification methods that can be used was Least Squares Support Vector Machines (LSSVM). There are two parameters that very influence to improve the classification accuracy on LSSVM, they are kernel parameter and regularization parameter. Determining the optimal parameters must be considered to obtain a high classification accuracy on LSSVM. This paper proposed an optimization method based on Improved Ant Colony Algorithm (IACA) in determining the optimal parameters of LSSVM for diagnosing Hepatitis disease. IACA create a storage solution to keep the whole route of the ants. The solutions that have been stored were the value of the parameter LSSVM. There are three main stages in this study. Firstly, the dimension of Hepatitis dataset will be reduced by Local Fisher Discriminant Analysis (LFDA). Secondly, search the optimal parameter LSSVM with IACA optimization using the data training, And the last, classify the data testing using optimal parameters of LSSVM. Experimental results have demonstrated that the proposed method produces high accuracy value (93.7%) for the 80-20% training-testing partitionBanyak metode klasifikasi yang mampu mendiagnosa seorang pasien mengidap penyakit Hepatitis, salah satunya adalah menggunakan metode klasifikasi Least Squares Support Vector Machines (LSSVM). Terdapat dua parameter yang sangat berpengaruh pada LSSVM yaitu parameter kernel dan parameter regularisasi. Penentuan parameter optimal tersebut harus diperhatikan untuk mendapatkan akurasi klasifikasi yang tinggi pada LSSVM. Penelitian ini mengusulkan metode optimasi Improved Ant Colony Algorithm (IACA) dalam penentuan parameter optimal LSSVM untuk mendiagnosa penyakit Hepatitis. IACA membuat penyimpanan solusi untuk menjaga rute dari keseluruhan semut. Solusi yang disimpan adalah nilai parameter LSSVM. Ada 3 tahapan utama pada penelitian ini yaitu, dimensi dataset Hepatitis direduksi menggunakan metode Local Fisher Discriminant Analysis (LFDA), kemudian parameter optimal LSSVM dicari dengan metode optimasi IACA menggunakan data training, setelah itu data testing diklasifikasikan menggunakan parameter optimal LSSVM. Hasil uji coba menunjukkan bahwa metode yang diusulkan menghasilkan nilai akurasi yang tinggi (93,7%) pada partisi 80-20% training dan testing."

"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."

"ABSTRAKTransportasi merupakan salah satu aktivitas yang menyumbang biaya yang signifikan pada sektor logistik, termasuk pada sektor industri Courier, Express, and Parcel (CEP). Industri layanan pengiriman paket atau pengiriman cepat merupakan industri yang saat ini mengalami pertumbuhan yang signifikan yang didukung dengan adanya pertumbuhan industri e-commerce. Perusahaan-perusahaan dalam industri CEP perlu melakukan efisiensi dalam biaya transportasi, salah satunya dengan penentuan rute distribusi dan jumlah armada yang optimal yang juga tergolong dalam permasalahan Vehicle Routing Problem (VRP). Penelitian ini membahas mengenai kasus distribusi barang di sebuah perusahaan layanan pengiriman paket pada layanan last-mile delivery dengan cakupan wilayah operasional DKI Jakarta. Penelitian ini mengembangkan model penyelesaian VRP dengan menggunakan algoritma metaheuristik Ant Colony Optimization. Rute usulan hasil penelitian menghasilkan penurunan jarak tempuh keseluruhan sebesar 64,604% dan penurunan jumlah kendaraan yang digunakan sebesar 66,667% untuk 7 tanggal operasional yang diteliti.

---

ABSTRACT

Transportation is one of the activities that contribute significant costs to the logistics sector, including in the Courier, Express, and Parcel (CEP) sector. The Courier, Express, and Parcel delivery industry is currently experiencing significant growth supported by the growth of the e-commerce industry. Companies in the CEP industry need to improve efficiency in transportation costs, one of which is by determining the optimal distribution routes and fleet numbers which are also classified as Vehicle Routing Problems (VRP). This study discusses the case of the distribution of goods in a express delivery service company, particularly in its last-mile delivery service within the operational area of DKI Jakarta. This study developed a VRP optimization model using the Ant Colony Optimization metaheuristic algorithm. The proposed route results in a reduction in overall total distance of 64,604% and a decrease in the number of vehicles used by 66,667% for 7 operational dates.

"

"Mobile Ad-hoc Network (MANET) merupakan kumpulan jaringan mobile device yang terhubung tidak secara infrastruktur dan terhubung menggunakan jaringan wireless. Di dalam MANET sudah pernah diimplementasikan Algoritma Zone Based Ant Colony dan memberikan hasil yang cukup baik dan cepat dalam melakukan routing. Untuk itu dalam penelitian ini, penulis menggunakan NEMO BSP yang merupakan ekstensi dari MIPv6 dan terdaftar di dalam IETF untuk dimodifikasi menggunakan Algoritma Zone Based Ant-Colony pada sistem routing-nya. Mekanisme Intra routing optimization juga akan diperhatikan di sini dan diimplementasikan ke dalam Topologi yang bersifat Zone Based tanpa mengabaikan Location Management dan Location Transparency.

Simulasi diimplementasikan menggunakan java dan menghasilkan data virtual yang akan dibandingkan dengan mekanisme routing yang sudah ada seperti pada NEMO BSP dan juga Prefix Delegation Based yang sudah diketahui sebagai routing yang simpel dan cepat. Penelitian ini menghasilkan Intra routing yang efisien dengan langkah sedikit, namun memberikan efek terhadap kepadatan bandwith dalam jaringan, sehingga jika bandwith di dalam jaringan masih menjadi issue, maka penerapan algoritma ini tidak disarankan.

---

Mobile Ad-hoc Network (MANET) is group of mobile device in a network which connected not by using infrastructure network and connected using wireless network. In MANET, there is ever implemented a Zone Based Ant Colony Algorithm and give better result and fast in routing. Therefor, in this research, author use NEMO BSP which is an extention for MIPv6 and registered in IETF to modified using Zone Based Ant-Colony Algorithm in its routing mechanism. Intra Routing Optimization mechanism is also taking care of in here and implemented on Clustering Topology without ignoring Location Management and Location Transparency.

The Simulation is implemented by using Java and give virtual data as the result which will be compared with other routing mechanism like in NEMO BSP and also Prefix delegation based which has known as simplest routing and fast. This research give the result an efficient Intra Routing with few step but also give an effect to bandwith crowded in the network, therefor if network bandwith is still an issue, implementation of this algorithm is not recommended."

"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."

"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."

"Nowadays, the plug-in electric vehicle industry vastly grows into transportation sector worldwide. hence, the public fast charging stations (FCSs) must be prepared to serve this emerging plug-in electric vehicle charging demand. Moreover, planning for FCSs within the urb­an area is quite important. a hybrid swarm optimization technique blending beneficial charac­teristics of Ant Colony Optimization (ACO) with Bees Algorithm (BA), named HACOBA, is developed in this paper to find the optimal locations of FCSs that are placed on the residential power distribution grid such that it maximizes the fast charging serviceability su­bject to power distribution system limit and public road traffic constraints. In order to verify the effectiveness of the proposed method, it has been investigated on the IEEE-69-bus test system for two sizes of the fast charger of FCSs. from the obtained simulation results, it is found that the proposed algorithm shows its competitiveness with traditional techniques."

"Optimasi pemilihan rute pelayaran kapal kontainer merupakan salah satu cara untuk meningkatkan efisiensi dan mengurangi biaya operasional perusahaan pelayaran. Dalam penelitian ini, kami menggunakan algoritma Ant Colony Optimization (ACO) untuk menentukan rute pelayaran terbaik bagi kapal kontainer di trayek Asia. Algoritma Ant Colony Optimization (ACO) merupakan salah satu metode heuristik yang menerapkan semut sebagai agen dengan update Pheromone-nya untuk dapat melakukan proses pencarian solusi yang efektif dan efisien. Algoritma ACO yang dibandingkan sebanyak lima yaitu Ant System (AS), Elitist Ant System(EAS), Rank-based Ant System (ASRank), Max-min Ant System (MMAS), dan Ant Colony System (ACS). Dengan menggunakan data historis lalu lintas pelayaran dan mengoptimalkan faktor-faktor seperti waktu tempuh, biaya bahan bakar, dan biaya gerbang pelabuhan untuk menentukan rute terbaik. Hasil dari penelitian ini menunjukkan bahwa Ant Colony System (ACS) dengan proses iterasi yang cepat hanya 1 detik dan input parameter  yang menghasilkan pemilihan rute 6-9-8-5-2-3-1-7-4-10-12-11-6, dan jarak 15626,39 mil serta waktu tempuh perjalanan 1131,576 jam, dimana hasil ini memiliki Efisiensi jarak sebesar 65,9404 % dan ini berbanding lurus dengan optimasi bahan bakar maupun waktu yan ditempuh.

---

Optimizing container ship routing is one way to improve efficiency and reduce operational costs for shipping companies. In this research, we utilized the Ant Colony Optimization (ACO) algorithm to determine the best shipping route for container ships in the Asian region. The ACO algorithm is a heuristic method that utilizes ants as agents with updated pheromones to effectively and efficiently search for solutions. Five ACO algorithms were compared: Ant System(AS), Elitist Ant System(EAS), Rank-based Ant System(ASRank), Max-min Ant System(MMAS), and Ant Colony System(ACS). Using historical shipping traffic data, we optimized factors such as travel time, fuel costs, and port gate costs to determine the best route. The results of this research showed that the Ant Colony System (ACS) with a fast iteration process of only 1 second and input parameters α ∈ {1}, β ∈ {2 and 3}, m = 10, τ0 ∈ {0}, and ρ ∈ {0.5} yielded the route selection 6-9-8-5-2-3-1-7-4-10-12-11-6, with a distance of 15,626.39 miles and a travel time of 1,131.576 hours.  result where this has a distance efficiency of 65.9404% and this is directly proportional to the optimization of fuel and time taken."