PERBANDINGAN METODE PARTICLE SWARM OPTIMIZATION (PSO) DAN MODIFIED PARTICLE SWARM OPTIMIZATION BASED ON GRAVITATIONAL FIELD INTERACTIONS (MPSO-GI) PADA PERMASALAHAN FLOW SHOP
Flow shop adalah sebuah sistem pemrosesan yang urutan tugas dari masing-masing pekerjaan ditentukan sepenuhnya dan semua pekerjaan melewati mesin dalam urutan yang sama. Masalah utama pada flow shop adalah mendapatkan kombinasi urutan pekerjaan yang mempunyai total waktu pengerjaan (make-span) minim...
محفوظ في:
| المؤلف الرئيسي: | |
|---|---|
| التنسيق: | Theses and Dissertations NonPeerReviewed |
| اللغة: | Indonesian Indonesian |
| منشور في: |
2018
|
| الموضوعات: | |
| الوصول للمادة أونلاين: | http://repository.unair.ac.id/73015/1/KKC%20KK%20ST.ST%2022-18%20Rob%20p-Abstrak.pdf http://repository.unair.ac.id/73015/2/KKC%20KK%20ST.ST%2022-18%20Rob%20p.pdf http://repository.unair.ac.id/73015/ http://lib.unair.ac.id |
| الوسوم: |
إضافة وسم
لا توجد وسوم, كن أول من يضع وسما على هذه التسجيلة!
|
| المؤسسة: | Universitas Airlangga |
| اللغة: | Indonesian Indonesian |
| الملخص: | Flow shop adalah sebuah sistem pemrosesan yang urutan tugas dari masing-masing pekerjaan ditentukan sepenuhnya dan semua pekerjaan melewati mesin dalam urutan yang sama. Masalah utama pada flow shop adalah mendapatkan kombinasi urutan pekerjaan yang mempunyai total waktu pengerjaan (make-span) minimal. Pada penelitian ini akan dilakukan perbandingan algoritma Particle Swarm
Optimization (PSO) dan Modified Particle Swarm Optimization Based On Gravitational Field Interactions (MPSO-GI) dalam menyelesaikan masalah flow shop. MPSO-GI adalah pengembangan dari algoritma PSO yang terinspirasi dari metode pencarian stokastik berdasarkan pada hukum gravitasi. Data flow shop yang akan digunakan meliputi : Data Kecil (5 pekerjaan, 2 mesin), Data Sedang (20
Pekerjaan, 5 Mesin) dan Data Besar (50 Pekrjaan, 8 Mesin). Dari hasil perhitungan algoritma PSO dan MPSO-GI dengan bantuan program komputer yang ditulis dengan Bahasa pemrograman PHP dan Javascript, ditemukan bahwa permasalahan data kecil algoritma PSO dan MPSO-GI relatif seimbang dan berhasil mencapai solusi optimal. Sedangkan permasalahan data sedang algoritma PSO lebih baik
daripada MPSO-GI. Sedangkan permasalahan data besar algoritma MPSO-GI lebih baik daripada PSO. Nilai make-span terkecil dari hasil percobaan pada data sedang
dan besar dengan ketentuan jumlah partikel 10 dan iterasi 1.000 – 10.000 adalah 1297 dan 3156 yang berhasil di capai oleh algoritma MPSO-GI. Berdasarkan implementasi diperoleh bahwa algoritma MPSO-GI memiliki kecenderungan nilai make-span yang lebih baik jika jumlah partikel yang digunakan di bawah 15. |
|---|