Sepdiana, Ika Fajaryanti (2017) Implementasi algoritma genetika klaster untuk penyelesaian Heterogenous fleet Vehicle Routing Problem with Dynamic profit (HVRPD) / Ika Fajaryanti Sepdiana. Diploma thesis, Universitas Negeri Malang.
Full text not available from this repository.Abstract
ABSTRAK Sepdiana Ika Fajaryanti. 2017. Implementasi Algoritma Genetika Klaster Untuk Penyelesaian Heterogenous Fleet Vehicle Routing Problem With Dynamic Profit (HVRPD). Skripsi. Program S1 Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Malang. Pembimbing Darmawan Satyananda S.T M.T. Kata Kunci Vehicle Routing Problem (VRP) Heterogenous Fleet Vehicle Routing Problem (HVRPD) Algoritma Genetika Klaster. Permasalahan pencarian rute kendaraan dengan jarak tempuh yang minimum untuk melayani sejumlah customer disebut dengan Vehicle Routing Problem (VRP). Salah satu varian dari VRP adalah Heterogenous Fleet Vehicle Routing Problem (HVRP) dimana terdapat penambahan kendala kapasitas kendaraan yang berbeda-beda dan perbedaan biaya operasional setiap kendaraan. Seperti pada VRP biasa total permintaan customer tiap rute tidak boleh melebihi kapasitas masing-masing kendaraan perbedaan keduanya terletak pada biaya operasional yang bergantung pada biaya tetap dan biaya variabel tiap kendaraannya. Pada algoritma genetika klaster pengklasteran digunakan untuk mengklasifikasi permintaan pelanggan ke dalam suatu rute yang tidak melanggar batasan kapasitas kendaraan yang tersedia sementara penentuan rute yang optimal menggunakan algoritma genetika. Algoritma genetika klaster menyelesaikan permasalahan Heterogenous Fleet Vehicle Routing Problem (HVRP) yang diimplementasikan dengan Borland Delphi 7. Input aplikasi adalah data customer jarak antar customer permintaan tiap customer banyak kendaraan serta kapasitas dan biaya operasional masing-masing kendaraan. Proses algoritma genetika klaster akan menghasilkan output berupa rute yang optimum untuk masing-masing kendaraan. Pada uji coba pengaruh popsize nilai popsize optimum adalah lebih dari 30. Pada uji coba pengaruh nilai pc (probabilitas crossover) dan pm (probabilitas mutasi) nilai pc dan pm yang dapat menyebabkan hasil yang optimal adalah 0.95 dan 0.1. Pada pengujian pengaruh jumlah generasi didapatkan nilai generasi yang dapat menghasilkan nilai optimal antara 10 hingga 80 generasi.
| Item Type: | Thesis (Diploma) |
|---|---|
| Subjects: | Q Science > QA Mathematics |
| Divisions: | Fakultas Matematika dan IPA (FMIPA) > Departemen Matematika (MAT) > S1 Matematika |
| Depositing User: | Users 2 not found. |
| Date Deposited: | 19 Sep 2017 04:29 |
| Last Modified: | 09 Sep 2017 03:00 |
| URI: | http://repository.um.ac.id/id/eprint/17508 |
Actions (login required)
 |
View Item |