Computer File
Penerapan algoritma genetika pada permasalahan transportasi tidak seimbang, multi product, dan multi conveyance untuk meminimasi biaya transportasi dan biaya penalti
Transportasi merupakan suatu bidang yang penting dalam dunia industri. Ada beberapa permasalahan dalam dunia industri yang dapat diselesaikan dengan menggunakan model transportasi, antara lain perencanaan produksi, alokasi listrik dan alokasi air. Apabila model transportasi yang sudah ada dikembangkan lagi, maka akan ada lebih banyak permasalahan dalam dunia industri yang dapat diselesaikan dengan menggunakan model transportasi.
Permasalah transportasi merupakan permasalahan optimasi kombinatorial, dimana apabila faktor dalam permasalahn bertambah maka kombinasi solusi yang dihasilkan bertambah banyak. Salah satu metode yang dapat digunakan untuk menyelesaikan permasalahan ini adalah algoritma genetika. Algoritma genetika merupakan suatu metode pencarian terstruktur dengan menggunakan analogi evolusi alamiah dan informasi genetika. Algoritma genetika merupakan suatu metode untuk mencari solusi permasalahan dengan waktu perhitungan yang relatif lebih singkat dan hasil memuaskan.
Penelitian ini difokuskan pada permasalahan transportasi dengan karakteristik p jenis produk, q buah sumber, r buah alat angkut, dan s buah tujuan. Jumlah total persediaan dan jumlah total permintaan terhadap suatu produk bisa tidak sama. Pada setiap pengiriman, suatu alat angkut dapat mengirimkan produk ke beberapa tujuan dengan mengikuti rute tertentu. Algoritma genetika akan digunakan untuk menentukan pengalokasian produk yang paling tepat berdasarkan kriteria minimasi biaya transportasi dan biaya pinalti.
Dari penelitian yang dilakukan dapat ditarik kesimpulan bahwa algoritma genetika dapat diterapkan untuk menyelesaikan permasalahan transportasi dengan karakteristik p jenis produk, q sumber, r alat angkut, dan s tujuan untuk meminimasi biaya transportasi dan biaya pinalti. Berdasarkan implementasi algoritma pada ketiga kasus yang dicoba pada penelitian ini bisa diambil kesimpulan bahwa untuk ketiga kasus tersebut:
1. Probabilitas crossover yang paling baik di antara 3 alternatif pc=0.75 ,pc=0.95, dan pc=1 dengan probabilitas mutasi sebesar 0, ukuran populasi sebesar 100 dan jumlah generasi 50 adalah pc=1.
2. Probabilitas mutasi yang paling baik d antara 3 alternatif pm=0.01, pm=0.05, pm=0.1 dengan probabilitas crossover sebesar 0, ukuran populasi sebesar 100, dan jumlah generasi baik adalah pm=0.1
3. Kombinasi yang paling baik di antara kombinasi ketiga pc dan ketiga pm tersebut dengan ukuran populasi sebesar 100, dan jumlah generasi 50 adalah kombinasi pc=1 dan pm=0.1
Barcode | Tipe Koleksi | Nomor Panggil | Lokasi | Status | |
---|---|---|---|---|---|
skp21267 | DIG - FTI | Skripsi | TI QUA p/03 | Perpustakaan | Tersedia namun tidak untuk dipinjamkan - Missing |
Tidak tersedia versi lain