ADI PURWANTO, 081211233036 (2019) PENERAPAN VIRUS-EVOLUTIONARY GENETIC ALGORITHM (VEGA) UNTUK MENYELESAIKAN MULTI TRIP VEHICLE ROUTING PROBLEM (MTVRP). Skripsi thesis, Universitas Airlangga.

	Text (ABSTRAK) ABSTRAK_MPM.11 19 Pur p.pdf Download (74kB)
	Text (FULLTEXT) FULLTEXT_MPM.11 19 Pur p.pdf Restricted to Registered users only until 22 March 2022. Download (4MB) | Request a copy

Abstract

Penulisan skripsi ini bertujuan untuk menyelesaikan masalah Multi Trip Vehicle Routing Problem (MTVRP) menggunakan Virus-Evolutionary Genetic Algorithm (VEGA). MTVRP adalah pengembangan dari permasalahan VRP dengan adanya penambahan kendala kapasitas dan batas waktu kerja kendaraan. Vehicle Routing Problem (VRP) adalah permasalahan untuk meminimalkan rute pendistribusian barang dengan keterbatasan kapasitas barang yang di angkut. Rute yang terbentuk harus dimulai dan berakhir di tempat yaitu depot. Virus-Evolutionary Genetic Algorithm (VEGA) merupakan algoritma genetika dengan infeksi virus. Secara umum proses GA adalah membangkitkan populasi awal sebagai kandidat solusi yang kemudian akan mengalami proses: seleksi, crossover dan mutasi. VEGA merupakan proses GA dimana pada waktu tertentu mengalami virus infection, terdiri dari dua tipe populasi: populasi host dan populasi virus. Di sini populasi host didefinisikan sebagai rangkaian kandidat solusi dan populasi virus merupakan substring populasi host yang meng-infeksi populasi host. Populasi virus memiliki dua operator virus. Salah satunya adalah operator reverse transcription untuk menggantikan sebuah gen virus pada kromosom individu host. Yang lainnya adalah operator transduction untuk membentuk sebuah virus baru dengan mengambil gen-gen dari individu host. Data yang digunakan berupa 2 jenis data, yaitu data kecil (9 pelanggan) dan data besar (100 pelanggan). Data tersebut diselesaikan dengan bahasa pemrograman C++ menggunakan software Borland C++. Solusi yang terbaik untuk MTVRP 9 kota yaitu 657.5 satuan jarak dari dari generasi ke-5, dengan menggunakan parameter pop_host = 10, pop_virus = 10, gen_virus = 5, pm = 0.1, pc = 0.5, life_reduction rate virus = 0.9, interinfection_time = 2, dan maksimum generasi = 30. Sedangkan solusi yang terbaik untuk MTVRP 100 kota yaitu 6027 satuan jarak dari dari generasi ke-187, dengan menggunakan parameter pop_host = 50, pop_virus = 20, gen_virus = 10, pm = 0.1, pc = 0.5, life_reduction rate virus = 0.9, interinfection_time = 2, dan maksimum generasi = 250. Berdasarkan hasil implementasi pada kedua kasus tersebut dengan menggunakan berbagai variasi parameter, didapatkan bahwa semakin besar nilai popsize, maxiterasi, dan pc (probabilitas crossover) yang diberikan maka nilai fungsi tujuan yang dihasilkan cenderung lebih baik.

Actions (login required)

View Item