Linda Fitriyani (2020) Pengepakan Barang 3 Dimensi (3-D PACKING) Pada Peti Kemas Menggunakan Teaching-Learning-Based Optimization (TLBO) Algorithm. Skripsi thesis, UNIVERSITAS AIRLANGGA.

	Text 1. HALAMAN JUDUL.pdf Download (999kB)
	Text 2. ABSTRAK.pdf Download (407kB)
	Text 3. DAFTAR ISI.pdf Download (464kB)
	Text 4. BAB I PENDAHULUAN.pdf Download (298kB)
	Text 5. BAB II TINJAUAN PUSTAKA.pdf Restricted to Registered users only Download (591kB) | Request a copy
	Text 6. BAB III METODE PENELITIAN.pdf Restricted to Registered users only until 2023. Download (452kB) | Request a copy
	Text 7. BAB IV PEMBAHASAN.pdf Restricted to Registered users only until 2023. Download (1MB) | Request a copy
	Text 8. BAB V PENUTUP.pdf Restricted to Registered users only until 2023. Download (406kB) | Request a copy
	Text 9. DAFTAR PUSTAKA.pdf Download (292kB)
	Text 10. LAMPIRAN.pdf Restricted to Registered users only until 2023. Download (999kB) | Request a copy
	Text 11. PERNYATAAN EMBARGO.pdf Restricted to Registered users only Download (482kB) | Request a copy

Abstract

Masalah pengepakan barang 3 dimensi (3-D Packing) adalah proses penempatan dengan n jumlah barang yang berbentuk persegi ke dalam suatu wadah dengan tujuan untuk meminimalkan penggunaan ruang pada wadah yang terpakai. Penulisan skripsi ini bertujuan untuk menyelesaikan masalah pengepakan barang 3 dimensi (3-D Packing) menggunakan Teaching-Learning- Based Optimization (TLBO) Algorithm. Algoritma TLBO merupakan algoritma yang terinspirasi dari proses belajar mengajar berdasarkan pengaruh guru terhadap output pelajar di kelas dan TLBO merupakan algoritma yang hanya membutuhkan parameter kontrol umum seperti ukuran populasi dan variabel desain. Proses algoritma ini dimulai dengan generate populasi awal pelajar, evaluasi fungsi tujuan, menghitung nilai fitness, menentukan guru, melakukan fase guru dan fase pelajar, simpan solusi terbaik. Algoritma ini diimplementasikan pada tiga contoh kasus yaitu data berukuran kecil (5 tipe barang dengan 12 unit barang), sedang (10 tipe barang dengan 106 unit barang) dan besar (20 tipe barang dengan 110 unit barang). Dari hasil running program, total pengguaan panjang wadah terbaik untuk data kecil sebesar 819 cm, untuk data sedang sebesar 888 cm dan untuk data besar sebesar 888 cm. Berdasarkan hasil implementasi, dapat disimpulkan bahwa semakin besar jumlah populasi dan jumlah iterasi maka solusi yang diperoleh semakin baik.

Actions (login required)

View Item