Faridah Aulia Rahmah (2020) Penyelesaian Multi Depot Vehicle Routing Problem (Mdvrp) Menggunakan Hybrid Crow Search Algorithm (CSA) Dan Simulated Annealing (SA). Skripsi thesis, UNIVERSITAS AIRLANGGA.

	Text (HALAMAN JUDUL) 1. HALAMAN JUDUL.pdf Download (799kB)
	Text (ABSTRAK) 2. ABSTRAK.pdf Download (216kB)
	Text (DAFTAR ISI) 3. DAFTAR ISI.pdf Download (131kB)
	Text (PENDAHULUAN) 4. BAB I PENDAHULUAN.pdf Download (95kB)
	Text (TINJAUAN PUSTAKA) 5. BAB II TINJAUAN PUSTAKA.pdf Restricted to Registered users only until 15 January 2024. Download (279kB) | Request a copy
	Text (METODE PENELITIAN) 6. BAB III METODE PENELITIAN.pdf Restricted to Registered users only until 15 January 2024. Download (225kB) | Request a copy
	Text (PEMBAHASAN) 7. BAB IV PEMBAHASAN.pdf Restricted to Registered users only until 15 January 2024. Download (474kB) | Request a copy
	Text (KESIMPULAN SARAN) 8. BAB V KESIMPULAN DAN SARAN.pdf Restricted to Registered users only until 15 January 2024. Download (85kB) | Request a copy
	Text (DAFTAR PUSTAKA) 9. DAFTAR PUSTAKA.pdf Download (112kB)
	Text (LAMPIRAN) 10. LAMPIRAN.pdf Restricted to Registered users only until 15 January 2024. Download (423kB) | Request a copy
	Text (PERNYATAAN EMBARGO) 57-embargo - faridah aulia.pdf Restricted to Registered users only Download (153kB) | Request a copy

Abstract

Multi Depot Vehicle Routing Problem (MDVRP) merupakan suatu permasalahan pembentukan rute kendaraan untuk melayani setiap pelanggan dengan jumlah depot lebih dari satu. Tujuan permasalahan ini yaitu membentuk rute masing-masing depot untuk meminimumkan jarak tempuh kendaraan tanpa melanggar kapasitas depot dan kapasitas kendaraan. Metode yang digunakan dalam menyelesaikan permasalahan MDVRP ini adalah Hybrid Crow Search Algorithm (CSA) dan Simulated Annealing (SA). Hybrid CSA dan SA merupakan penggabungan dari kedua algoritma dengan menyisipkan SA kedalam proses CSA. Penyelesaian MDVRP menggunakan Hybrid CSA dan SA dibuat dalam Bahasa pemrograman C dan diimplementasikan pada tiga jenis data yaitu data berukuran kecil dengan 4 depot dan 50 pelanggan, data berukuran sedang dengan 5 depot dan 75 pelanggan, dan data berukuran besar dengan 2 depot dan 100 pelanggan. Berdasarkan hasil implementasi ketiga jenis data tersebut didapatkan kesimpulan bahwa semakin banyak jumlah iterasi dan jumlah solusi sementara (individu gagak), solusi yang dihasilkan cenderung semakin baik, sedangkan untuk nilai a (faktor penurunan suhu) tidak memberikan pengaruh terhadap besarnya solusi permasalahan.

Actions (login required)

View Item