Mamlu’atun Nu’am, 081311233084 (2018) PENGGABUNGAN ALGORITMA ARTIFICIAL BEE COLONY (ABC) DAN SIMULATED ANNEALING (SA) UNTUK MENYELESAIKAN PERMASALAHAN MULTI-OBJECTIVE FLEXIBLE JOB-SHOP SCHEDULING (MOFJSS). Skripsi thesis, Airlangga university.

Preview	Text (astrak) abstrak 10 18.pdf Download (635kB) | Preview
	Text (fulltext) MPM 10 18.pdf Restricted to Registered users only until 23 January 2021. Download (3MB) | Request a copy

Abstract

Tujuan dari penulisan skripsi ini adalah untuk menyelesaikan permasalahan Multi Objective Flexible Job Shop Scheduling dengan menggunakan penggabungan Algoritma Artificial Bee Colony (ABC) dan Simulated Annealing (SA). Permasalahan Flexible job-shop scheduling merupakan perluasan dari permasalahan penjadwalan job-shop biasa, yang memungkinkan untuk setiap operasi dapat memilih mesin dari kumpulan mesin yang tersedia. Sedangkan Multiobjective optimization problem merupakan permasalahan optimalisasi yang memiliki sejumlah fungsi tujuan yang harus diminimalkan atau dimaksimalkan. Dalam skripsi ini metode yang digunakan untuk permasalahan MOFJSSP adalah penggabungan Algoritma ABC dan SA. ABC merupakan algoritma yang terinspirasi dari perilaku pencarian makanan oleh koloni lebah. SA merupakan algoritma optimasi yang terinspirasi dari proses annealing (pendinginan) dari logam. Penggabungan algoritma ABC-SA adalah kombinasi dari kedua algoritma dengan menyisipkan proses SA ke proses ABC. Umumnya prosesnya dimulai dengan membangkitkan solusi awal, melakukan proses ABC, seleksi solusi SA, melakukan proses SA, kemudian melanjutkan proses ABC. Program penyelesaian MOFJSSP menggunakan penggabungan algoritma ABC-SA dengan menggunakan bahasa pemrograman C++ dan diimplementasikan pada tiga contoh kasus yaitu data berukuran kecil (4 job 5 mesin dengan 12 Operasi), sedang (10 job 10 mesin dengan 30 Operasi) dan besar (15 job 10 mesin dengan 56 Operasi). Dari hasil running program, diperoleh hasil fungsi tujuan untuk data berukuran kecil yaitu 20,75 satuan waktu, data berukuran sedang yaitu 15,5 satuan waktu, dan untuk data berukuran besar yaitu 33,5 satuan waktu. Berdasarkan hasil implementasi program pada ketiga contoh kasus dapat disimpulkan bahwa dengan menaikkan jumlah koloni, besarnya probabilitas penerimaan SA dan banyaknya iterasi dapat menghasilkan solusi yang lebih optimal.

Actions (login required)

View Item