Penyelesaian traveling Salesman Problem with Job-times menggunakan algoritma Genetika Multioperator

Fadhilla, Salma (2026) Penyelesaian traveling Salesman Problem with Job-times menggunakan algoritma Genetika Multioperator. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text 1_cover.pdf Download (344kB) | Preview
Preview	Text 2_abstrak.pdf Download (93kB) | Preview
Preview	Text 3_skbebasplagiarism.pdf Download (332kB) | Preview
Preview	Text 4_daftarisi.pdf Download (106kB) | Preview
Preview	Text 5_bab1.pdf Download (102kB) | Preview
	Text 6_bab2.pdf Restricted to Registered users only Download (2MB) | Request a copy
	Text 7_bab3.pdf Restricted to Registered users only Download (268kB) | Request a copy
	Text 8_bab4.pdf Restricted to Registered users only Download (559kB) | Request a copy
	Text 9_bab5.pdf Restricted to Registered users only Download (108kB) | Request a copy
	Text 10_daftarpustaka.pdf Restricted to Registered users only Download (101kB) | Request a copy
	Text 11_lampiran.pdf Restricted to Repository staff only Download (1MB) | Request a copy

Abstract

Traveling Salesman Problem with Job-times (TSPJ) merupakan perluasan dari Traveling Salesman Problem (TSP) yang memperhitungkan waktu penyelesaian pekerjaan di setiap kota yang dikunjungi, sehingga kompleksitas permasalahan meningkat dan tergolong NP-hard. Penyelesaian secara eksak tidak efisien untuk skala besar, sehingga diperlukan pendekatan metaheuristik yang mampu menghasilkan solusi mendekati optimal dalam waktu komputasi yang singkat. Penelitian ini bertujuan untuk mengimplementasikan algoritma genetika multioperator dalam menyelesaikan TSPJ serta menganalisis efektivitas, stabilitas, dan pengaruh variasi strategi inisialisasi populasi awal terhadap kualitas solusi yang dihasilkan. Algoritma yang dibangun mencakup tujuh tahapan utama dengan mengombinasikan empat operator inisialisasi populasi, dua operator crossover, serta enam operator mutasi yang diperkuat dengan pencarian lokal sebagai intensifikasi. Parameter terbaik ditentukan menggunakan metode Simple Generate-Evaluate berdasarkan nilai Global Score, menghasilkan konfigurasi ukuran populasi 100 individu, probabilitas crossover 0,8, probabilitas mutasi 0,3, ukuran turnamen 2, dan batas maksimum 7.000 generasi. Pengujian dilakukan pada sepuluh dataset simetri dan sepuluh dataset asimetri dari TSPLib yang diimplementasikan menggunakan bahasa pemrograman Python. Hasil penelitian menunjukkan bahwa algoritma mampu menghasilkan solusi yang efektif dan stabil di berbagai skala masalah dengan nilai CV di bawah 0,40% pada seluruh dataset. Strategi inisialisasi multioperator terbukti menghasilkan Global Score terkecil dibandingkan keempat strategi lainnya, dengan memenangkan 6 dari 10 dataset uji dan mencatatkan total akumulasi Global Score terendah secara keseluruhan.

Actions (login required)

View Item