YEKTI AMBAR WULAN (2015) HYBRID ALGORITMA GENETIKA DAN SIMULTED ANNEALING UNTUK PENENTUAN TATA LETAK MESIN MULTI-ROW. Skripsi thesis, UNIVERSITAS AIRLANGGA.
![[img]](https://repository.unair.ac.id/style/images/fileicons/text.png) |
Text (HALAMAN JUDUL)
1. HALAMAN JUDUL.pdf Download (473kB) |
|
Text (ABSTRAK)
2. ABSTRAK.pdf Download (157kB) |
|
Text (DAFTAR ISI)
3. DAFTAR ISI.pdf Download (140kB) |
|
Text (PENDAHULUAN)
4. BAB I PENDAHULUAN.pdf Download (217kB) |
|
Text (TINJAUAN PUSTAKA)
5. BAB II TINJAUAN PUSTAKA.pdf Download (396kB) |
|
Text (METODOLOGI PENELITIAN)
6. BAB III METODOLOGI PENELITIAN.pdf Download (322kB) |
|
Text (PEMBAHASAN)
7. BAB IV PEMBAHASAN.pdf Download (749kB) |
|
Text (KESIMPULAN SARAN)
8. BAB V KESIMPULAN DAN SARAN.pdf Download (208kB) |
|
Text (DAFTAR PUSTAKA)
9. DAFTAR PUSTAKA.pdf Download (204kB) |
|
Text (LAMPIRAN)
10. LAMPIRAN.pdf Download (1MB) |
Abstract
Multi-row Layout atau tata letak mesin multi-row merupakan tata letak suatu objek berupa mesin dengan mesin diatur pada n baris yang berbeda dan perpindahan bahan dapat terjadi antar baris yang berbeda. Multi-row Layout bertujuan untuk meminimalkan total biaya perpindahan bahan antar mesin. Algoritma Genetika adalah teknik pencarian stokastik yang didasarkan pada mekanisme seleksi alam dan genetik alam. Algoritma ini akan mengkombinasikan daya tahan (survival) dari struktur data yang paling baik (fittest).. Simulated annealing adalah algoritma yang analoginya berasal dari proses annealing (pendinginan). Hybrid Algoritma Genetika dan simulated annealing adalah gabungan dari kedua algoritma dengan cara memasukkan proses algoritma simulated annealing ke proses Algoritma Genetika. Proses algoritma ini dimulai dengan inisialisasi parameter, membangkitkan solusi awal, mengevaluasi nilai fungsi tujuan dari setiap solusi, menentukan calon induk dengan seleksi elitism, melakukan crossover, melakukan mutation, membandingkan nilai fungsi tujuan, menurunkan suhu, melakukan proses mutation sampai suhu yang ditentukan, menggabungkan solusi hasil crossover dan mutation dengan populasi awal, melakukan seleksi pada solusi gabungan, proses berlanjut sampai maksimal iterasi. Data yang digunakan adalah data 6 mesin dan data 15 mesin, serta penyelesaian menggunakan bahasa pemrograman Java Neatbeans. Nilai fungsi tujuan yang diperoleh untuk data 6 mesin adalah 5447.5435 dan untuk data 15 mesin adalah 31137.24.
| Item Type: | Thesis (Skripsi) | |||||||||
|---|---|---|---|---|---|---|---|---|---|---|
| Additional Information: | KKC KK MPM. 08/15 Wul h | |||||||||
| Uncontrolled Keywords: | GENETIC ALGORITHM; SIMULATED ANNEALING | |||||||||
| Subjects: | Q Science > QA Mathematics > QA76.73. Computer algorithms and Data structures | |||||||||
| Divisions: | 08. Fakultas Sains dan Teknologi > Matematika | |||||||||
| Creators: |
|
|||||||||
| Contributors: |
|
|||||||||
| Depositing User: | sukartini sukartini | |||||||||
| Date Deposited: | 03 Mar 2015 12:00 | |||||||||
| Last Modified: | 09 Jun 2020 14:12 | |||||||||
| URI: | http://repository.unair.ac.id/id/eprint/28103 | |||||||||
| Sosial Share: | ||||||||||
Actions (login required)
 |
View Item |