ROKHMANIA SHOLIKHAH, 081511233104 (2019) QUADRATICASSIGNMENT PROBLEM DENGAN HYBRID ALGORITMA GENETIKA DAN PARTICLE SWARM OPTIMIZATION. Skripsi thesis, UNIVERSITAS AIRLANGGA.

	Text (ABSTRAK) ABSTRAK MPM 76 19 Sho q.pdf Download (228kB)
	Text (DAFTAR ISI) DAFTAR ISI MPM 76 19 Sho q.pdf Download (252kB)
	Text (DAFTAR PUSTAKA) DAFTAR PUSTAKA MPM 76 19 Sho q.pdf Download (759kB)
	Text (FULLTEXT) FULLTEXT MPM 76 19 Sho q.pdf Restricted to Registered users only until 27 September 2023. Download (2MB) | Request a copy

Abstract

QAP (Quadratic Assignment Problem) adalah masalah perencanaan fasilitas, dengan setiap fasilitas harus ditugaskan ke suatu lokasi untuk meminimalkan biaya. Penulisan skripsi ini bertujuan untuk mendapatkan nilai fungsi tujuan terbaik sebagai solusi dari permasalahan quadratic assignment problemdengan menggunakan hybrid algoritma genetika dan particle swarm optimization.Hybrid algoritma genetika dan particle swarm optimization (PSO) adalah dengan melakukan proses algoritma genetika dahulu kemudian ke proses PSO. Proses algoritma genetika antara lain inisialisasi parameter, membangkitkan populasi awal secara random, evaluasi, seleksi, crossover, mutasi dan evaluasi. Proses ini dilakukan hingga maksimum iterasi AG, kemudian solusi AG sebagai populasi awal PSO. Sedangkan proses PSO antara lain membangkitkan velocity, menentukan personal best dan global best, menghitung velocity dan menghitung partikel baru, proses ini dilakukan hingga maksimum iterasi. Data yang digunakan adalah data 4 fasilitas dan 4 lokasi, data 16 fasilitas dan 16 lokasi, data 24 fasilitas dan 24 lokasi serta data 32 fasilitas dan 32 lokasi yang diselesaikan dengan bahasa pemrograman C++ menggunakan software Borland C++. Berdasarkan hasil yang diperoleh menunjukkan bahwa semakin besar nilai popsize, maxiterasi, dan (probabilitas crossover) yang diberikan, maka nilai fungsi tujuan yang dihasilkan cenderung lebih baik. Sedangkan nilai parameter tidak terlalu berpengaruh terhadap perbaikan solusi yaitu mendapatkan nilai yang minimal.

Actions (login required)

View Item