Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"Simulated annealing merupakan salah satu pendekatan yang relatif baru dalam masalah penjadwalan job shop. Sebagai sebuah heuristik, sirnuiaiea annealing tidak menjamin tercapainya solusi optimal, namun dapat menghasilkan solusi yang baik dalam waktu relatif singkat. Dalam penelitian ini, dirancang empat heuristik yang berbasiskan simulated annealing. Heuristik pertama menerapkan simulaied annealing secara langsung. Heuristik kedua menggunakan simulated annealing dengan rehearing. Heuristik ketiga menggunakan rehealing dan backiracking ke solusi awal, sedangkan heuristik keempat menggunakan rehearing dan baclaracking ke solusi terbaik. Keempat heuristik ini diirnplementasikan dalam program berbaahasa Pascal.Setelah perancangan dan implementasi selesai, dilakukan perbandingan antara hasil penjadwalan dari penelitian terdahulu yang menggunakan pendekatan prioriiy dispatch rule dengan hasil penjadwalan dari penelitian ini menggunakan data dari penelitian terdahulu tersebut. Untuk maksud perbandingan ini, digunakan hasil penelitian yang dilakukan oleh Riswan (1993). Penelitian ini juga membandingkan hasil penjadwalan dari penelitian ini dengan hasil penjadwalan optimal pada masalah bencnmark, yaitu FT 06 dan FT 10.Hasil perbandingan dengan penelitian terdahulu menunjukkan bahwa keempat heuristic marnpu menghasilkan jadwal dengan makeapan lebih balk, rardiness yang sama baik, namun dengan flow time rata-rata yang relatif kurang baik dibandingkan dengan penggunaan pendekatan priority disparch rule. Untuk masalah benchmark FT 06, hasil penelitian ini mampu mendapatkan solusi optimal, scdangkan untuk FT 10, hasil penelitian ini masih belum mampu mencapai solusi optimal."

"Transportasi merupakan pendorong biaya utama dalam logistik perkotaan, yang semakin rumit dengan meningkatnya e-commerce dan jumlah pelanggan. Masalah krusialnya adalah menemukan rute distribusi yang optimal, yang dikenal dalam optimasi kombinatorial sebagai Vehicle Routing Problem (VRP). Penelitian ini melakukan analisis komparatif antara algoritma simulated annealing dan iterated local search untuk menyelesaikan capacitated VRP. Penelitian ini menerapkan metode tersebut pada contoh masalah dan studi kasus PT. X, salah satu perusahaan pos terbesar di Indonesia. Hasilnya menunjukkan bahwa algoritma 1 unggul dalam menyelesaikan contoh masalah, sementara algoritma 2 memberikan kinerja terbaik untuk data studi kasus. Penelitian ini menyediakan model optimasi untuk kedua skenario tersebut.

---

Transportation is a major cost driver in urban logistics, increasingly complicated by the rise of e-commerce and the growing number of customers. A critical issue is finding optimal distribution routes, known in combinatorial optimization as the Vehicle Routing Problem (VRP). This paper conducts a comparative analysis of simulated annealing and iterated local search algorithms to solve the capacitated VRP. The research applies these methods to both problem instances and a case study of PT. X, one of Indonesia's largest postal companies. The results show that while algorithm 1 excels in solving problem instances, algorithm 2 achieves the best performance for the case study data. This research provides optimized models for both scenarios."

"Kesehatan merupakan salah satu modal manusia yang sangat diperlukan bagi kehidupan setiap manusia karena kesehatan mendukung produktivitas manusia. Pentingnya kesehatan dalam menunjang kehidupan menuntut adanya suatu forum pelayanan kesehatan, salah satunya adalah rumah sakit. Rumah sakit memiliki peran penting dalam sistem pelayanan kesehatan sehingga diperlukan upaya untuk mempertahankan dan meningkatkan mutu pelayanannya. Salah satu cara yang dapat dilakukan adalah melalui sumber daya manusia kesehatan khususnya perawat. Mutu pelayanan kesehatan di rumah sakit sangat ditentukan oleh pelayanan atau asuhan keperawatan karena perawat 24 jam dalam memberikan pelayanan. Namun pada kondisi saat ini terjadi tingkat turnover perawat yang tinggi yang disebabkan oleh tingginya beban kerja perawat. Untuk mengatasi hal tersebut dapat dilakukan proses manajemen penjadwalan perawat untuk mendapatkan hasil penjadwalan perawat yang optimal. Nurse Scheduling Problem atau sering disingkat NSP merupakan salah satu optimasi pemodelan masalah dalam penjadwalan perawat. Keluaran dari penelitian ini adalah model optimasi NSP yang dapat menghasilkan penjadwalan perawat yang optimal. Ada beberapa metode untuk memecahkan masalah NSP. Salah satunya dengan menggunakan metode metaheuristik yaitu berupa algoritma Simulated Annealing dengan pencarian lokal berupa operator Swap. Penelitian ini akan menggunakan masalah instance LLR yang berasal dari Hong Kong. Hasil penelitian ini menunjukkan bahwa algoritma Simulated Annealing dapat menghasilkan solusi yang optimal dalam menyelesaikan masalah NSP

---

Health is one of the human capital that is indispensable for the life of every human being because health supports human productivity. The importance of health in supporting life demands the existence of a health service forum, one of which is a hospital. Hospitals have an important role in the health care system so efforts are needed to maintain and improve the quality of their services. One way that can be done is through health human resources, especially nurses. The quality of health services in hospitals is largely determined by the service or nursing care because nurses are 24 hours in providing services. However, in the current condition, there is a high level of nurse turnover caused by the high workload of nurses. To overcome this, a nurse scheduling management process can be carried out to obtain optimal nurse scheduling results. Nurse Scheduling Problem or often abbreviated as NSP is one of the optimization problem modeling in nurse scheduling. The output of this research is the NSP optimization model that can produce optimal nurse scheduling. There are several methods to troubleshoot NSP problems. One of them is by using a metaheuristic method in the form of a Simulated Annealing algorithm with a local search in the form of a Swap operator. This study will use LLR instance problems originating from Hong Kong. The results of this study indicate that the Simulated Annealing algorithm can produce an optimal solution in solving the NSP problem."

"Studi ini membahas kebutuhan untuk mengoptimalkan jadwal pendaratan dan lepas landas pesawat di Bandara I Gusti Ngurah Rai, Bali, yang melayani hingga 500 pesawat setiap hari dengan satu landasan pacu. Bandara menghadapi tantangan dalam mengelola jadwal penerbangan karena tingginya volume lalu lintas, jenis pesawat yang bervariasi, dan peraturan keselamatan yang ketat. Landasan pacu tunggal mengharuskan pesawat untuk bergantian mendarat dan lepas landas, dengan kapasitas 38 pergerakan per jam, di mana hanya 80% yang dapat digunakan untuk pendaratan darurat. Pendekatan First-Come-First-Served (FCFS) saat ini tidak optimal, menyebabkan ketidakefisienan dan keterlambatan. Penelitian ini menerapkan algoritma Simulated Annealing (SA) untuk meminimalkan deviasi dari waktu pendaratan dan lepas landas yang ditargetkan, meningkatkan efisiensi operasional. Studi ini memodelkan masalah penjadwalan bandara, dengan memperhitungkan kendala seperti okupansi landasan pacu, waktu pemisahan, dan jendela waktu. Data dari PT Angkasa Pura I dan sumber publik, khususnya dari 15 Maret 2024, memberikan input yang diperlukan untuk model optimasi. Algoritma SA, dipilih karena kemampuannya untuk keluar dari optima lokal dan menangani masalah optimasi yang kompleks, diimplementasikan dalam Python. Hasilnya menunjukkan pengurangan total waktu deviasi dari 236 menit menjadi 183 menit, menandai peningkatan sebesar 22,46%. Penelitian ini menyoroti potensi SA dalam mengelola operasi bandara.

---

This study addresses the need for optimizing aircraft landing and takeoff schedules at I Gusti Ngurah Rai Airport, Bali, which services up to 500 aircraft daily with a single runway. The airport faces challenges in managing flight schedules due to high traffic volumes, varied aircraft types, and stringent safety regulations. The single runway requires planes to take turns landing and taking off, with a capacity of 38 movements per hour, of which only 80% can be utilized for emergency landings. The current First-Come-First-Served (FCFS) approach is suboptimal, leading to inefficiencies and delays. This research applies the Simulated Annealing (SA) algorithm to minimize deviations from target landing and takeoff times, improving operational efficiency. The study models the airport's scheduling problem, incorporating constraints such as runway occupancy, separation times, and time windows. Data from PT Angkasa Pura I and public sources, specifically from March 15, 2024, provide the necessary input for the optimization model. The SA algorithm, chosen for its ability to escape local optima and handle complex optimization problems, is implemented in Python. Results show a reduction in total deviation times from 236 minutes to 183 minutes, marking a 22.46% improvement. This research underscores the potential of SA in managing airport operations."

"Crowdsourced delivery merupakan suatu upaya dalam mengatasi masalah peningkatan kebutuhan jasa pengiriman barang akibat dari tren berbelanja online pada masyarakat yang meningkat secara signifikan. Crowdsourced delivery didefinisikan sebagai proses pengiriman barang yang melibatkan individu dengan latar belakang profesi bukan sebagai kurir untuk memenuhi kebutuhan last mile delivery. Diibaratkan kurir tersebut merupakan pekerja lepas (freelance) dari perusahaan pengiriman logistik. Last-mile delivery merupakan tahap akhir dari proses distribusi pengiriman barang dimana barang akhirnya sampai kepada pelanggan. Pada skripsi ini dilakukan perencanaan last-mile delivery dengan menggunakan integrasi crowdsourcing parsial, dimana permasalahan tersebut membutuhkan titik singgah sementara dalam proses pengiriman barang. Crowdsourcing parsial merupakan gabungan permasalahan two-echelon vehicle routing problem (2-EVRP) dan truck trailer routing problem (TTRP). Two-echelon vehicle routing problem adalah pencarian rute vehicle routing problem dengan dua tingkat jaringan distribusi. Tingkat jaringan distribusi pertama berupa rute perjalanan truk dan tingkat jaringan distribusi kedua berupa perjalanan kurir crowdsourced. Truck trailer routing problem merupakan variasi tambahan permasalahan 2-EVRP agar pelanggan dapat dilayani menggunakan truk dan juga kurir crowdsourced, jika hanya 2-EVRP saja maka pelanggan hanya dapat dilayani oleh crowd-worker. Pada permasalahan ini digunakan metode simulated annealing untuk mencari pendekatan terhadap solusi optimal rute pengiriman barang. Proses simulated annealing bekerja dengan mencari suatu posisi pada suatu temperatur tertentu untuk mereduksi rute yang tidak diperlukan dan memperbaiki solusi agar menjadi optimal. Dalam skripsi ini digunakan data sebanyak 63 titik koordinat lokasi, di mana terdiri dari 1 depot, 12 titik transfer, dan 50 pelanggan. Hasil terbaik dari beberapa kasus yang dijalankan yaitu untuk kasus 19 pelanggan dilayani truk dan 31 dilayani oleh crowd-worker, dapat menghemat biaya perjalanan sebesar 25,9748%.

---

Crowdsourced delivery is an effort to overcome the problem of increasing the need for goods delivery services due to the trend of online shopping in the community, which has increased significantly. Crowdsourced delivery is defined as the process of delivering goods that involve individuals with professional backgrounds not as couriers, to fulfill last-mile delivery needs. The courier is likened to a freelancer from a logistics delivery company. Last-mile delivery is the final stage of the distribution process where the goods finally arrive at the customer. In this thesis, last-mile delivery planning is carried out using partial crowdsourcing integration, where the problem requires a temporary stopover point in the process of delivering goods. Partial crowdsourcing combines the two-echelon vehicle routing problem (2-EVRP) and the truck trailer routing problem (TTRP). The two-echelon vehicle routing problem is a route-finding vehicle routing problem with two levels of distribution network. The first distribution network level is a truck route, and the second distribution network level is a crowdsourced courier. The truck trailer routing problem is an additional variation of the 2-EVRP problem to serve customers using crowdsourced trucks and couriers. If it is only 2-EVRP, then customers can only be served by crowd-workers. In this problem, the simulated annealing method is used to find an approach to the optimal solution of the shipping route. The simulated annealing process works by finding a position at a specific temperature to reduce unnecessary routes and improve the solution to become optimal. In this thesis, the data used are 63 coordinate location points, consisting of 1 depot, 12 transfer points, and 50 customers. The best results from several cases that were carried out were for cases where 19 customers were served by trucks and 31 were served by crowd-workers. It could save travel costs by 25.9748%."