Penyelesaian Green Vehicle Routing Problem menggunakan modifikasi Algoritma Genetika

yanto, puji (2025) Penyelesaian Green Vehicle Routing Problem menggunakan modifikasi Algoritma Genetika. Sarjana thesis, UIN SUNAN GUNUNG DJATI BANDUNG.

Preview	Text (COVER) 1_cover.pdf Download (67kB) | Preview
Preview	Text (ABSTRAK) 2_abstrak.pdf Download (52kB) | Preview
Preview	Text (PERNYATAAN KEASLIAN SKRIPSI) 3_pernyataankeaslianskripsi.pdf Download (448kB) | Preview
Preview	Text (DAFTAR ISI) 4_daftarisi.pdf Download (135kB) | Preview
Preview	Text (BAB I) 5_bab1.pdf Download (68kB) | Preview
	Text (BAB II) 6_bab2.pdf Restricted to Registered users only Download (490kB) | Request a copy
	Text (BAB III) 7_bab3.pdf Restricted to Registered users only Download (165kB) | Request a copy
	Text (BABIV) 8_bab4.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text (BAB V) 9_bab5.pdf Restricted to Registered users only Download (53kB) | Request a copy
	Text (DAFTAR PUSTAKA) 10_daftarpustaka.pdf Restricted to Registered users only Download (118kB) | Request a copy
	Text (LAMPIRAN) 11_lampiran.pdf Restricted to Repository staff only Download (171kB) | Request a copy

Abstract

Green Vehicle Routing Problem (GVRP) merupakan pengembangan dari Vehicle Routing Problem (VRP) klasik yang mempertimbangkan aspek lingkungan dalam optimasi rute kendaraan. Penelitian ini bertujuan untuk menerapkan dan menganalisis performa modifikasi Algoritma Genetika dalam menyelesaikan masalah GVRP. Metode penelitian menggunakan data benchmark Solomon dengan tipe dataset C, R, dan RC yang masing-masing terdiri dari 25, 50, dan 100 pelanggan. Parameter yang digunakan adalah ukuran populasi 200, jumlah generasi 250, probabilitas crossover 0,6, dan probabilitas mutasi 0,05. Hasil penelitian menunjukkan bahwa modifikasi Algoritma Genetika memberikan peningkatan performa yang signifikan dibandingkan Algoritma Genetika dasar. Pada dataset 25 pelanggan, terjadi peningkatan efisiensi sebesar 31,4%, dataset 50 pelanggan mencapai 56,4%, dan dataset 100 pelanggan mencapai 57,4%. Analisis berdasarkan tipe pelanggan menunjukkan bahwa modifikasi Algoritma Genetika paling efektif pada tipe dataset RC dengan rata-rata peningkatan 56,6%, diikuti tipe R sebesar 46,5%, dan tipe C sebesar 36,3%. Visualisasi rute mendemonstrasikan bahwa modifikasi Algoritma Genetika menghasilkan rute yang lebih terstruktur, minim persilangan, dan optimal dibandingkan Algoritma Genetika dasar. Meskipun memerlukan waktu komputasi yang lebih lama, modifikasi Algoritma Genetika terbukti menjadi metode optimasi yang efektif untuk menyelesaikan masalah GVRP dengan konsistensi peningkatan performa pada semua ukuran dan tipe dataset.

Actions (login required)

View Item