BIBI BENNAZIR, 081411231059 (2019) HYBRID FIREFLY ALGORITHM (FA) DAN PARTICLE SWARM OPTIMIZATION (PSO) UNTUK MENYELESAIKAN UNCAPACITATED FACILITY LOCATION PROBLEM (UFLP). Skripsi thesis, Universitas Airlngga.

	Text (Fulltext) MPM. 02-19 Ben h.pdf Restricted to Registered users only until 11 February 2022. Download (2MB) | Request a copy
	Text (Abstrak) MPM. 02-19 Ben h Abstrak.pdf Download (2MB)

Abstract

Penulisan skripsi ini bertujuan untuk menyelesaikan permasalahan Uncapacitated Facility Location Problem (UFLP) dengan menggunakan Hybrid Firefly Algorithm (FA) dan Particle Swarm Optimization (PSO) . Uncapacitated Facility Location Problem (UFLP) adalah suatu permasalahan penempatan fasilitas yang dibangun disebuah lokasi untuk melayani seluruh konsumen dengan meminimalkan biaya pembangun dan biaya pelayanan dengan kapasitas pelayanan dari setiap fasilitas nilainya tidak terbatas. Hybrid Firefly Algorithm (FA) dan Particle Swarm Optimization (PSO) adalah menggabungkan proses algoritma firefly dengan PSO, proses algoritma firefly dilakukan pertama kali, output dari algoritma ini diproses dengan algoritma PSO. Secara umum proses algoritma firefly dimulai dengan inisialisasi parameter, pembangkitan populasi awal firefly, menghitung fungsi tujuan, menghitung intensitas cahaya, membandingkan intensitas cahaya tiap firefly, menentukan G-best, melakukan movement firefly terbaik, dan proses berlanjut sampai iterasi maksimum tercapai. Kemudian dilanjutkan proses PSO adalah menentukan posisi awal menggunakan solusi terbaik dari firefly, pembangkitan kecepatan awal, pemilihan pbest dan gbest, update kecepatan dan posisi, evaluasi fungsi tujuan, dan proses berlanjut sampai maksimal iterasi. Program Hybrid Firefly Algorithm (FA) dan Particle Swarm Optimization (PSO) untuk menyelesaikan UFLP dibuat dengan menggunakan Borland C++ yang diimplementasikan pada dua contoh kasus yaitu data kecil dengan 15 customer dan 10 lokasi serta data besar dengan 50 customer dan 50 lokasi. Dari hasil running program diperoleh total biaya minimum untuk data berukuran kecil yaitu 149111,09 dan untuk data berukuran besar yaitu 817731,25. Semakin besar nilai alfa ( ), semakin besar jumlah popsize dan maksimum iterasi maka solusi yang diperoleh cenderung semakin baik.

Actions (login required)

View Item