Hasil Pencarian  ::  Simpan CSV :: Kembali

"Layanan pesan-antar makanan (takeaway-delivery) merupakan salah satu layanan yang ditawarkan oleh platform transportasi online dengan proses pengambilan dan pengantaran pesanan dilakukan oleh kurir (driver). Semakin meningkatnya penggunaan layanan pesan antar makanan ini mengakibatkan tingginya jumlah kurir yang dibutuhkan untuk memenuhi permintaan layanan tersebut. Salah satu solusi untuk mengatasi hal tersebut yaitu diperkenalkan fitur multi-order, dimana satu kurir dapat melayani dua permintaan layanan pesan antar makanan untuk pelanggan-pelanggan yang lokasinya berdekatan. Penelitian pada skripsi ini melakukan optimasi rute layanan pesan-antar makanan yang mengimplementasikan fitur multi-order dan bertujuan untuk meminimumkan biaya operasional dengan tetap mempertimbangkan kepuasan pelanggan. Kepuasan pelanggan yang dimaksud terkait dengan rentang waktu (time windows) yang ditetapkan untuk masing-masing pelanggan untuk pengantaran makanan agar kualitas makanan tetap terjaga. Masalah optimasi ini dimodelkan sebagai Vehicle Routing Problem Pickup and Delivery with Time Windows (VRPPDTW). Untuk penyelesaiannya digunakan Metode Ant Colony Optimization (ACO), yaitu metode heuristik yang terinspirasi dari perilaku semut saat mencari makanan yang meninggalkan jejak berupa zat kimia bernama pheromone pada jalur yang dilewati. Pheromone menjadi sinyal bagi sesama semut untuk menandakan jalur yang sudah pernah dilewati semut sebelumnya. Penerapan metode ACO dilakukan pada data yang terdiri dari 50 pesanan yang masuk dengan 10 kali iterasi dan 10 semut yang tersedia. Hasil yang diperoleh dari penerapan metode ACO untuk optimasi layanan pesan antar dengan fitur multi-order yaitu terjadi penghematan biaya operasional hingga 34,85% dan mengurangi jumlah driver yang beroperasi hingga 48% bila dibandingkan dengan layanan pesan antar tanpa menggunakan fitur multi-order.

---

Food delivery services offered by online transportation platforms involve couriers picking up and delivering orders. The increasing demand for these services has led to a higher number of couriers needed. To address this, the multi-order feature was introduced, allowing one courier to handle two food delivery requests from customers located near each other. This thesis research optimizes the food delivery service route using the multi-order feature, aiming to minimize operational costs while considering customer satisfaction. Customer satisfaction is tied to the time windows set for each customer to ensure food quality is maintained upon delivery. This optimization problem is modeled as a Vehicle Routing Problem Pickup and Delivery with Time Windows (VRPPDTW). The solution uses the Ant Colony Optimization (ACO) method, inspired by ants behavior in searching for food and leaving pheromone trails. These pheromones signal other ants about the paths traveled. The ACO method was applied to data consisting of 50 orders with 10 iterations and 10 available ants. Results from applying the ACO method for optimizing the multi-order food delivery service showed operational cost savings of up to 34.85% and a reduction in the number of drivers by up to 48% compared to delivery services without the multi-order feature."

"Perkembangan platform transportasi online mengubah perilaku masyarakat, khususnya dalam layanan pesan-antar makanan online. Tingginya penggunaan layanan ini menimbulkan masalah terkait tingginya jumlah kurir plaform transportasi online yang harus beroperasi untuk memenuhi semua permintaan layanan. Salah satu solusi untuk mengatasi hal tersebut yaitu dengan menggabungkan dua permintaan pesanan (order) dari pelanggan yang lokasinya berdekatan, cukup dilayani oleh satu kurir dengan memperhatikan beberapa kendala sehingga tetap menguntungkan semua pihak. Pelanggan dalam penelitian ini mengacu pada merchant dan customer. Penggabungan dua pelanggan yang dilayani oleh satu kurir di sini disebut sebagai fitur double orders. Penelitian ini melakukan optimasi rute pesan-antar makanan pada layanan transportasi online yang mengimplempentasikan penggunaan fitur double orders dengan mempertimbangkan kepuasan pelanggan dan bertujuan meminimumkan biaya operasional. Kepuasan pelanggan yang dimaksud terkait dengan rentang waktu (time windows) pengambilan dan pengantaran makanan agar kualitasnya tetap terjaga. Kurir yang melewati rentang waktu yang telah ditetapkan akan dikenakan biaya penalti. Masalah optimasi rute layanan pesan-antar makanan ini dimodelkan dalam bentuk Vehicle Routing Problem Pickup Delivery with Time Windows (VRPPDTW), untuk penyelesaiannya digunakan metode Particle Swarm Optimization (PSO). Metode PSO adalah metode metaheuristik yang terinspirasi dari perilaku kawanan organisme (swarm) yang menyimpan informasi mengenai posisi (solusi) terbaik. Pada penelitian ini digunakan data yang terdiri dari 50 permintaan layanan pesan-antar makanan. Hasil yang diperoleh dari penerapan metode PSO untuk mengoptimasi rute kurir layanan pesan-antar dengan fitur double orders tersebut mampu mengurangi jumlah kurir yang beroperasi hingga 50% dan menghemat total biaya operasional yang harus dikeluarkan hingga 36.65%.

---

The development of online transportation platforms has changed public behavior, especially in online food takeaway-delivery services. The high demand for these services has led to issues related to the large number of online transportation platforms drivers needed in fulfilling all service requests. One solution to this problem is by combining two orders from clients located nearby which can be served by a single driver while considering several constraints to ensure it benefits all parties involved. In this study, clients refer to both merchant and customer. The process of combining two clients served by a driver is referred to as the double orders feature. This study focuses on optimizing food takeaway-delivery routes in online transportation services by implementing the double orders feature, considering clients satisfaction and aiming to minimize operational costs. Clients’ satisfaction here relates to the time windows for picking up and delivering food to ensure its quality is maintained. Drivers who exceed the designated time windows will incur penalty costs. The problem of optimizing food takeaway-delivery service routes is modeled as a Vehicle Routing Problem with Pickup and Delivery and Time Windows (VRPPDTW), and it is solved using the Particle Swarm Optimization (PSO) method. PSO is a metaheuristic method inspired by the behavior of swarms of organisms, which store information about the best positions (solutions). In this study, data consisting of 50 food takeaway-delivery requests is used. The results obtained from applying the PSO method to optimize drivers routes with the double orders feature show that it can reduce the number of operating drivers by up to 50% and save total operational costs by 36.65%."

"Uang tunai yang digunakan sebagai alat tukar utama dalam transaksi ekonomi, dicetak dan diedarkan oleh Bank Sentral suatu Negara. Pendistribusian uang tunai dari Bank Sentral ke bank-bank umum, agar dapat digunakan oleh masyarakat, dilakukan oleh Perusahaan Jasa Cash-in-Transit (CIT). CIT merupakan proses pengiriman dan pengangkutan uang tunai dari satu tempat ke tempat lainnya. Salah satu risiko perjalanan yang mungkin terjadi dalam proses ini yaitu hilangnya uang akibat perampokan. Oleh karena itu, pada skripsi ini dilakukan optimasi distribusi pengantaran uang tunai yang bertujuan meminimumkan biaya perjalanan sekaligus meminimumkan risiko perjalanan akibat perampokan. Masalah optimasi tersebut dimodelkan dalam bentuk Vehicle Routing Problem with Time Windows (VRPTW) yang merupakan sebuah modifikasi dengan fungsi tujuan yang menggabungkan dua aspek, yaitu biaya perjalanan dan risiko, menjadi suatu nilai yang tidak memiliki satuan. Untuk menyelesaikan permasalahan tersebut digunakan metode Ant Colony Optimization (ACO), yaitu metode heuristik berdasarkan perilaku semut dalam mencari jejak perjalanan, dengan pembentukan solusi awal menggunakan metode Nearest Neighbor. Eksperimen diimplementasikan pada contoh kasus terdapat 1 depot dan 15 kantor bank umum. Hasil eksperimen menunjukkan bahwa metode Ant Colony Optimization (ACO) dapat mengoptimalkan solusi yang sebelumnya dihasilkan oleh metode Nearest Neighbor dengan mengalami penurunan sebesar 4,87%, hasil tersebut meliputi penurunan nilai risiko sebesar 3,67% dan total biaya perjalanan yang meningkat sebesar 0,02%.

---

Cash is used as the primary medium of exchange in economic transactions, printed and circulated by the Central Bank of a country. The distribution of cash from the Central Bank to commercial banks, for use by the public, is carried out by Cash-in-Transit (CIT) companies. CIT involves the transportation and delivery of cash from one location to another. One of the risks in this process is the potential loss of money due to robbery. Therefore, this thesis aims to optimize the distribution of cash delivery with the dual objectives of minimizing travel costs and reducing the risk of robbery during transportation. The optimization problem is modeled as a Vehicle Routing Problem with Time Windows (VRPTW), which is a modification with an objective function combining two aspects: travel costs and risk, resulting in a unitless value. To address this problem, the Ant Colony Optimization (ACO) method is employed, a heuristic approach based on the behavior of ants in finding travel paths, with the initial solution formed using the Nearest Neighbor method. Experiments were implemented on a sample case with data from 1 depot and 15 commercial bank offices. The experimental results show that the Ant Colony Optimization (ACO) method can optimize solutions compared to the Nearest Neighbor method, resulting in a decrease of 4.87%. This improvement includes a 3.67% reduction in risk and a marginal increase of 0.02% in total travel costs."

"Studi ini bertujuan untuk merancang kapasitor bank dalam suatu penyulang PLN menggunakan metode Ant Colony Optimization (ACO). Penyulang PLN adalah bagian penting dari sistem distribusi listrik yang memastikan stabilitas dan kualitas tegangan listrik. Kapasitor bank, sebagai sumber daya reaktif tambahan, memainkan peran penting dalam menyeimbangkan beban induktif dan mengkompensasi daya reaktif yang hilang dalam sistem. Dalam konteks ini, ACO digunakan sebagai metode optimasi untuk menemukan penempatan optimal kapasitor bank yang dapat meningkatkan kinerja sistem distribusi listrik. Metode ACO (Ant Colony Optimization) digunakan untuk mengoptimalkan penempatan kapasitor bank pada penyulang PLN. Metode ini meniru perilaku koloni semut dalam mencari jalur terpendek ke sumber makanan, diadaptasi untuk mencari solusi optimal dalam penempatan kapasitor bank. Dengan mempertimbangkan faktor-faktor seperti tegangan, arus, dan rugi-rugi daya, penelitian ini menghasilkan strategi penempatan yang dapat mengurangi rugi-rugi daya, meningkatkan tegangan, serta meningkatkan efisiensi energi pada sistem distribusi listrik. Studi ini melibatkan pemodelan sistem distribusi listrik, analisis aliran daya, dan penggunaan metode ACO untuk menemukan penempatan optimal kapasitor bank. Hasil penelitian menunjukkan bahwa penerapan metode ACO dapat menghasilkan solusi yang efisien dalam penempatan kapasitor bank, sehingga meningkatkan stabilitas dan kualitas tegangan listrik dalam sistem distribusi PLN. Kesimpulan dari studi ini menunjukkan pentingnya penggunaan teknik optimasi seperti ACO dalam merancang kapasitor bank dapat digunakan untuk merancang sistem distribusi listrik, khususnya dalam penempatan kapasitor bank. Dengan menggunakan metode ACO, dapat dicapai peningkatan signifikan dalam kinerja sistem distribusi listrik, sehingga memungkinkan penghematan energi dan peningkatan kualitas layanan listrik bagi pelanggan. Penambahan kapasitor bank dengan metode ACO menunjukkan bahwa drop tegangan menjadi lebih kecil dan sesuai dengan aturan SPLN no. 72 tahun 1987. Ini menunjukkan bahwa dalam konteks penyesuaian load flow, PLN menggunakan penyesuaian kapasitor bank untuk perencanaan distribusi listrik yang lebih baik.

---

This study aims to design capacitor banks in a PLN feeder using the Ant Colony Optimization (ACO) method. PLN feeders are vital parts of the electrical distribution system that ensure stability and quality of electrical voltage. Capacitor banks, as additional reactive power resources, play a crucial role in balancing inductive loads and compensating for reactive power loss in the system. In this context, ACO is used as an optimization method to find the optimal placement of capacitor banks that can enhance the performance of the electrical distribution system. The ACO method is utilized to optimize the placement of capacitor banks in PLN feeders. This method mimics the behavior of ant colonies in finding the shortest path to a food source, adapted to search for optimal solutions in capacitor bank placement. By considering factors such as voltage, current, and power losses, this research generates placement strategies that can reduce power losses, increase voltage, and improve energy efficiency in the electrical distribution system. This study involves modeling of the electrical distribution system, power flow analysis, and the use of the ACO method to find optimal capacitor bank placement. The research results indicate that the application of the ACO method can produce efficient solutions in capacitor bank placement, thereby enhancing the stability and quality of electrical voltage in PLN distribution systems. The conclusion of this study underscores the importance of utilizing optimization techniques such as ACO in designing capacitor banks for electrical distribution systems, particularly in capacitor bank placement. By employing the ACO method, significant improvements in the performance of the electrical distribution system can be achieved, enabling energy savings and enhancing the quality of electrical service for customers. The addition of capacitor banks using the ACO method shows that voltage drops are reduced and comply with SPLN Regulation No. 72 of 1987. This indicates that in the context of load flow adjustment, PLN utilizes capacitor bank adjustments for better electrical distribution planning."

"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."

"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."

"Penelitian ini mengeksplorasi penerapan algoritma Ant Colony Optimization (ACO) yang dilengkapi dengan algoritma pencarian A* untuk memecahkan masalah tata letak di galangan kapal, guna meningkatkan produktivitas dan meminimalkan biaya operasional, terutama penanganan material. Menurut Dorigo et al. (1996), ACO adalah teknik probabilistik yang terinspirasi dari perilaku semut dalam mencari makan dan cocok untuk optimasi kombinatorial. Algoritma pencarian A*, seperti yang dijelaskan oleh Hart et al. (1968), adalah algoritma pencarian terbaik-pertama yang menemukan jalur biaya terendah menggunakan heuristik. Penelitian ini memodelkan galangan kapal sebagai masalah optimasi yang kompleks, dengan fokus pada biaya penanganan material. ACO digunakan untuk mengeksplorasi konfigurasi tata letak potensial, sementara algoritma pencarian A* diintegrasikan untuk meningkatkan efisiensi dan akurasi. Melalui simulasi dan analisis data dunia nyata, pendekatan gabungan ACO dan A* menunjukkan peningkatan signifikan dalam efisiensi tata letak dan pengurangan biaya penanganan material. Studi ini berkontribusi pada bidang teknik industri dengan memperkenalkan pendekatan baru untuk optimasi tata letak galangan kapal dan menunjukkan potensi algoritma yang terinspirasi bio dalam menyelesaikan masalah teknik praktis.

---

This research explores the application of Ant Colony Optimization (ACO) algorithms, supplemented by A* search algorithms, to solve layout problems in shipyards to enhance productivity and minimize operational costs, especially material handling costs. According to Dorigo et al. (1996), ACO is a probabilistic technique inspired by ant foraging behavior, well-suited for combinatorial optimization problems. The A* search algorithm, as described by Hart et al. (1968), is a best-first search algorithm that finds the lowest-cost path using heuristics. This research models the shipyard as a complex optimization problem, focusing on material handling costs. ACO is used to explore potential layout configurations, while the A* search algorithm is integrated to improve efficiency and accuracy. Through simulations and real-world data analysis, the combined ACO and A* approach shows significant improvements in layout efficiency and reductions in material handling costs. This study contributes to industrial engineering by introducing a new approach to optimizing shipyard layouts and demonstrating the potential of bio-inspired algorithms in solving practical engineering problems."

"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."

"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."

"Dalam perkembangannya, dengan munculnya pelabuhan-pelabuhan baru yang dapat mengakomodir kapal – kapal internasional untuk bersandar, pilihan rute pelayaran yang dapat ditempuh oleh suatu kapal kontainer akan semakin beragam. Efisiensi dari rute yang dipilih dapat dilihat dari penggunaan bahan bakar yang digunakan oleh kapal kontainer untuk mencapai tujuannya. Bahkan beberapa penelitian menyatakan bahwa 50-60% dari keseluruhan biaya operasional kapal didasarkan pada biaya bahan bakar kapal. Harga bahan bakar juga berfluktuatif dan tidak menentu pada setiap pelabuhan sehingga membuat sebuah kesulitan baru bagi perusahaan pelayaran dalam menentukan rute pelayaran yang paling efisien bagi mereka. Pemilihan rute kapal yang tepat sangat penting untuk meminimalkan biaya operasional. Pada penelitian ini, algoritma yang digunakan untuk pemilihan rute kapal dengan biaya paling minimum adalah algoritma Ant Colony dan Brute Force. Data yang digunakan pada penelitian ini berupa data jarak mil laut antara pelabuhan, daya mesin utama dan juga mesin bantu, kecepatan kapal, dan harga bahan bakar di tiap pelabuhan. Pengolahan data dilakukan dengan membuat model Asymetric Travelling Salesman Problem (ATSP) yang memiliki fungsi objektif bahan bakar yang se efisien mungkin, yang nantinya akan diterapkan algoritma Ant Colony dan Brute Force model ATSP. Variasi yang dilakukan pada penelitian ini terdapat pada destinasi awal atau akhir dari pemilihan rute. Hasil penelitian menunjukkan bahwa algoritma Brute Force melakukan pemilihan rute lebih optimal dibandingkan dengan algoritma Ant Colony dari segi penggunaan bahan bakar.

---

On its development, with the emergence of new ports that can accommodate international ships to dock, the choice of shipping routes that can be taken by a container ship will be more diverse. The efficiency of the chosen route can be seen from the use of fuel used by the container ship to reach its destination. Some studies state that 50-60% of the overall ship operating costs are based on fuel costs. Fuel prices also fluctuate and are uncertain at each port, making it difficult for companies to determine the most efficient shipping route for them. Selection of the optimum ship route is very important for operational costs. In this study, the algorithm used for selecting the shipping route with the minimum cost is the Ant Colony and Brute Force algorithms. The data used in this study are the distance of nautical miles between ports, main engine power and auxiliary engines, ship speed, and fuel prices at each port. Data processing is start by making the Asymmetric Traveling Salesman Problem (ATSP) model which has the most efficient fuel objective function, which will later be applied to the Ant Colony and Brute Force ATSP models. Variations made in this study are in the initial or final destination of the route selection. The results showed that the Brute Force algorithm selected the optimal route compared to the Ant Colony algorithm in terms of fuel usage."