PENERAPAN HYBRID CAT SWARM OPTIMIZATION (CSO) DAN SIMULATED ANNEALING (SA) UNTUK MENYELESAIKAN MULTI-DEPOT VEHICLE ROUTING PROBLEM (MDVRP)
| Main Author: | Siti Hardiyanti Nur Fatimah, 081511233030 |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | ind |
| Terbitan: |
, 2019
|
| Subjects: | |
| Online Access: |
http://repository.unair.ac.id/86752/1/ABSTRAK%20MPM%2067%2019%20Fat%20p.pdf http://repository.unair.ac.id/86752/2/DAFTAR%20ISI%20MPM%2067%2019%20Fat%20p.pdf http://repository.unair.ac.id/86752/3/DAFTAR%20PUSTAKA%20MPM%2067%2019%20Fat%20p.pdf http://repository.unair.ac.id/86752/4/FULLTEXT%20MPM%2067%2019%20Fat%20p.pdf http://repository.unair.ac.id/86752/ http://lib.unair.ac.id |
Daftar Isi:
- Penulisan skripsi ini bertujuan untuk menyelesaikan masalah Multi-Depot Vehicle Routing Problem (MDVRP) menggunakan hybrid Cat Swarm Optimization (CSO) dan Simulated Annealing (SA). MDVRP merupakan suatu permasalahan menemukan rute untuk sejumlah kendaraan yang harus melayani sejumlah customer dengan jumlah depot yang digunakan sebagai pusat distribusi barang lebih dari satu. CSO merupakan algoritma yang terinspirasi dari perilaku alami sekumpulan keluarga kucing. SA merupakan algoritma yang terinspirasi dari proses pengkristalan ulang atau pendinginan logam. Pada penelitian ini dilakukan hybrid algoritma CSO dan SA dengan cara menyisipkan proses SA di 10 iterasi awal pada proses CSO. Secara umum, proses diawali dengan mengelompokkan pelanggan kedepot terdekat, membangkitkan populasi dan kecepatan awal, melakukan proses CSO hingga selesai, perbaikan solusi terburuk di proses CSO dengan menggunakan SA pada 10 iterasi awal. Penyelesaian MDVRP dengan menggunakan hybrid algoritma CSO dan algoritma SA dibuat dalam bahasa pemrograman C++ serta diimplementasikan pada tiga data yaitu data berukuran kecil (4 depot, 50 pelanggan), data berukuran sedang (5 depot, 75 pelanggan), serta data berukuran besar (2 depot, 100 pelanggan). Diperoleh solusi terbaik berupa total jarak tempuh semua depot berturut-turut sebesar 622.397 satuan jarak, 745.282 satuan jarak, dan 1875.51 satuan jarak. Berdasarkan hasil implementasi pada tiga kasus tersebut dapat disimpulkan bahwa semakin banyak iterasi yang dilakukan maka solusi yang diperoleh menjadi semakin baik. Kemudian untuk banyak individu didapat bahwa semakin banyak jumlah individu maka solusi yang diperoleh cenderung semakin baik. Sedangkan untuk nilai CDC didapatkan hasil bahwa nilai CDC tidak mempengaruhi solusi yang dihasilkan.