71944081 Algoritma Genetik Tata Letak Fasilitas

8/2/2019 71944081 Algoritma Genetik Tata Letak Fasilitas

1/12

JurnalTeknikIndustri,Vol.12,No.2,Desember2010,119-124ISSN1411-2485

PerbandinganKombinasiGeneticAlgorithmSimulatedAnnealingdenganParticleSwarmOptimizationpadaPermasalahanTataLetakFasilitasIsabellaLeoSetiawan1,HerryChristianPalit2

Abstract:ThisarticleaimstocomparetheperformanceofcombinationofGeneticAlgorithmSimulatedAnnealing(GA-SA)withParticleSwarmOptimization(PSO)tosolvefacilitylayoutproblem.GA-SAinthisarticleconsistoftwoalgorithms,GA-SAIandGA-SAII,withadifferentmutationrule.PSOusesfuzzyparticleswarmconcepttorepresentsolutionfromeachparticle.Twocriteriatoanalyzeallalgorithmsperformancearemomentofmovementandcomputationaltime.ExperimentsshowthatGA-SAIIhasthebestperformanceinminimizationbothcriteria.Keywords:GeneticAlgorithm,SimulatedAnnealing,ParticleSwarmOptimization,fuzzyparticleswarm,facilitylayoutproblem.

PendahuluanPerancangantataletakfasilitasmemilikiartipentingdalamprosesoperasionalperusahaan.Padasistemmanufaktur,kegiatanmaterialhandlingdapatmenghabiskanbiayasekitar15-70%daritotalbiayaoperasi(Purnomo[9]).Halinimenunjukkanbahwaupayapenurunanbiayamaterialhandlingmerupakansalahsatucaraefektifuntukmenekanbiayaproduksi.Jaditujuandariperancangantataletakadalahmeminimasibiayaperpindahanmaterial,yangbesarnyadiwakilidengantotalmomenperpindahan.Sehubungandenganpermasalahantataletakfasilitasini,telahdik

embangkanexactmodel(Castillo[1];Nordinetal.[8])untukmendapatkansolusiyangoptimal.Namunpencariansolusimenjadilamaapabilajumlahdepartemennyabanyakdanbentuktiapdepartemenberbeda(unequalareas).Olehkarenaitu,banyakpenelitimengembangkanmodel-modelheuristikyangmenghasilkansolusimendekatioptimaldalamwaktuyanglebihsingkat.Beberapaalgoritmaheuristikyangdiaplikasikanpadapermasalahantataletakfasilitas,antaralainGeneticAlgorithm(Chutima[2];El-Baz[3]),SimulatedAnnealing(McKendalletal.[7]).Nordinetal.[8]mengusulkanpenggunaanalgoritmakombinasidariGeneticAlgorithm(GA)danSimulatedAnnealing(SA)dalampermasalahantataletakfasilitasyangberbedabentuk.1,2

Adanyakombinasiinidapatmeningkatkanperformansidarialgoritmadenganmenonj

olkankelebihandanmenutupikelemahandarimasing-masingalgoritma.Selainkeduaalgoritmatersebut,dikenalpulaParticleSwarmOptimizationAlgorithm(PSO)yangmulaipertamakalidiperkenalkanpadatahun1995(KennedydanEberhart[5]).PadaalgoritmaPSO,anggotapopulasidisebutparticle.Semuaanggotapopulasitetapdipertahankanselamaprosespencarian,sehinggasetiapanggotadapatberbagiinformasiuntukmencariposisiterbaik(UysaldanBulkan[11]).Particleyangkurangfitpadasuatuiterasimemilikikemungkinanuntukmenjadipalingfitpadaiterasiberikutnya.PSOtidakmengeliminasianggotayangkurangfitselamaprosespencarianberlangsung,sehinggasolusitidakmudahterjebakdalamlocaloptimum.Liuetal.[6]menyatakanbahwaposisidanvelocitysuatuparticlepadaPSOdapatdirepresentasikankedalamfuzzymatrix,sehinggadidapatkansolusiposisiyanglayak.Padaartikelini,GA-SAdibandingkanperformansinyadenganPSOyangmenggunakankonsepfuzzymatrixdalammenyelesaikanmasalahtataletakfasilita

s.

MetodePenelitianSebelumpenjelasanperancangandarialgoritmaGA-SAdanPSO,makaakandijelaskanterlebihdahulubeberapakonsepdasaryangdigunakandalamperancanganalgoritmatersebut.ParticleSwarmOptimization(PSO)

FakultasTeknologiIndustri,JurusanTeknikIndustri,UniversitasKristenPetra.Jl.Siwalankerto121-131,Surabaya60236,Indonesia,Email:[email protected],


2/12

Naskahmasuk2Agustus2010;revisi130September2010;Diterimauntukdipublikasikan10November2010.

PSOmerupakanalgoritmayangdidasarkanpadainteraksisosialdankomunikasimakhlukhidup.DalamPSO,setiapanggotadisebutdenganparticleyangbergerakdalamsebuahruangpencarian119


3/12

Setiawan,etal./PerbandinganKombinasiGeneticAlgorithm-SimulatedAnnealing/JTI,Vol.12,No.2,Desember2010,pp.119124

=

(3)

Gambar1.Prinsipperpindahanparticle

Velocitydibatasidengannilaimaksimumyaituvmax.Kemampuaneksplorasiparticledikontrololehnilaivmax.Penetapanvmaxsangatmempengaruhisolusiyangdiperoleh.Jikavmaxterlalukecilatauterlalubesar,particletidakdapatmengeksplorasiruangpencariandenganbaikdanakanmudahterjebakdalamlocaloptimum.FuzzyParticleSwarmPadapermasalahantataletakfasilitas,operasivektorposisidanvelocitypadapersamaan(1)dan(2)tidakdapatlangsungdigunakanuntukmencarisolusi.Solusiberupaurutandepartemenharusdinyatakandalamsuatubentukyangmudahdioperasikan.FuzzyparticleswarmmerupakanmetodeyangmenggunakankonsepfuzzyuntukmenyatakanposisidanvelocitysuatuparticlepadaPSOkedalambentukmatriksyangdisebutfuzzymatrix(Liuetal.[6]).Matriksposisi(X)danvelocity(V)berupamatriksbujursangkarberukurannn,dimananadalahjumlahdepartemen.Elemenxijdanvijmerepresentasikankeanggotaandariposisidanvelocitydepartemenjdilokasii.Elemen-elemendalammatriksXharusmem

enuhikendalasebagaiberikut:0,1);=1;=1;=1,2,,;=1,2,,=1,2,,1,2,,=1,2,,;=1,2,,

secaramultidimensional.Solusiawaldalamalgoritmainidibangkitkansecaraacak,sepertihalnyadenganGA.Akantetapi,PSOtidakmemilikioperatorrekombinasiseperticrossoverdanmutasi.Setiapparticlememilikiposisidanvelocityyangdinyatakandalamvektor.PencariansolusipadaPSOdirepresentasikandenganperpindahanposisiparticle.Padasetiapiterasi,setiapparticlememperbaharuivelocitydanposisinyamenujuposisiterbaiknya.Padasaatyangsama,terjadipertukaraninformasiposisiterbaikdiantaraseluruhkumpulanparticle.Padadasarnya,particletidakdapatberpindahsecaratiba-tiba,danbergerakmenujuposisiterbaikberdasarkanpengalamanpribadinyamaupunpengalamandariseluruhparticle.PrinsipperpindahanposisiparticledapatdiilustrasikanpadaGambar1.Posis

idanvelocityparticledinyatakandalamvektor.Secaramatematis,posisiparticleuntuksetiapi,diperbaharuidenganpersamaanberikut:(Hakimetal.[4])=+(1)

Velocitydanposisiyangberupamatrikstersebutdiperbaharuidenganmenggantipersamaan(1)dan(2)menjadipersamaan(4)dan(5).==)()()(4)(5)

ShidanEberhart[10]memperkenalkaninertiaweight(w)dalamperhitunganvelocity,yangdapatmeningkatkanperformansiPSOdalambeberapaaplikasi.Velocityuntukparticleipadawaktuk+1diperbaharuidenganperhitungansebagaiberikut:(Hakimetal.[4])=++()(2)

(

dimanac1danc2merupakanbilangankonstanpositif,r1danr2merupakanbilanganrandomberdistribusiuniformantara0sampai1, merupakanposisiterbaikdariparticleipadawaktuk,danmerupakanposisiterbaikglobaldarikeseluruhankumpulanparticlepadawaktuk.Padapenentuanparameterw,didapatkanbahwawyangbernilaitinggidiawaldanbernilairendahdiakhirmemberikanhasilyanglebihbaik.UysaldanBulkan[11]menentukannilaiwmulaidari0,9danmenurunsecaralinearhingga0,4;dengandecrementfactor.Secaramatematis,wpadawaktukdihitungsebagaiberikut:120


4/12

dimanamerupakanmatriksposisiterbaikdariparticleipadawaktukdanmerupakanmatriksposisiterbaikglobaldarikeseluruhankumpulanparticlepadawaktuk.Setelahdiperbaharui,matriksposisimungkintidakmemenuhiketigakendalayangdiharuskandalammatriksposisiX.Halyangharusdilakukanadalahmembuatsetiapelemenyangbernilainegatifdalammatriksmenjadinol.Jikasemuaelemenpadasatukolombernilainol,elemen-elementersebutharusdigantidenganbilanganrandomdalaminterval[0,1].Selanjutnya,dilakukantransformasipadamatriksXdenganmembagisetiapelemendenganjumlahseluruhelemendikolomyangbersangkutanyangdisebutsebagaimatriksXnormal.Langkah


5/12


terakhir,matriksXnormalperludisesuaikanagarmenjadisolusiyanglayak.Caranyaadalahmemilihelemenyangbernilaimaksimumdalamelemenmatriks,kemudianmenggantinilaielementersebutdengan1,sedangkansetiapangkadalambarisdankolomyangsamadigantidengan0.Demikianseterusnyahinggasemuabarisdankolomdiproses.FungsiObyektifFungsiobyektifdalamperancangantataletakdigunakanuntukmengevaluasilayoutsebagaiukuranyangbersifatkuantitatif.Tujuandariperancangantataletakadalahmeminimasibiayaperpindahanmaterial,yangbesarnyadiwakilidengantotalmomenperpindahan.Jarakantardepartemendihitungdenganmetoderectilinier.Momenperpindahandihitungdenganmenjumlahkanhasilkaliantarajarakdanfrekuensiperpindahan,yangdirumuskansebagai:= ;(6)

padaaturanmutasi.GA-SAImelakukanmutasijikakeduaparentsama(Nordinetal.[8]),sedangkanGA-SAIImelakukanmutasijikabilanganrandomdalaminterval[0,1]yangdibangkitkanlebihkecildariprobabilitasmutasi.MetodeCrossoveryangdigunakanpadaGA-SAIdanGA-SAII,yaitumetodePartiallyMappedCrossover(PMX).Metodeinidiawalidenganmembangkitkanduabilanganrandomsebagaicutpointkromosom.Bagiankromosomyangberadadiantarakeduacutpointtersebutditukardanselanjutnyadibuatpemetaanberdasarkanbagiankromosomyangditukartadi.Gambar3menunjukkanproseduralgoritmaGA-SAII,sedangkanprosedurGA-SAItidakditampilkan,olehkarenaperbedaannyahanyaterletakpadaprosesmutasiny

a,dimanaterjadiketikaP1=P2.PadaalgoritmaGA-SAII,solusiawaldibangkitkansecararandom.Jumlahanggotapopulasiadalah2,samahalnyadenganGA-SAIyangmenggunakanmetodeusulanNordinetal.[8].Solusidikatakanlayakapabilasel-selpersegidarisatudepartementidakterpisahsatusamalain.Jikasolusilayak,makadapatdilakukanperhitunganfungsitujuanZ.Stoppingcriteriadalamalgoritmaterpenuhijikajumlahiterasimencapai400.AlgoritmaPSOdalampenelitianinimenggunakankonsepfuzzyparticleswarm.LangkahawaldalamalgoritmaPSOadalahmenentukanparameterparameteryangakanmempengaruhiperhitunganalgoritma,antaralainjumlahiterasimaksimumkmax,nilaimaksimumvelocityvmax,inertiaweightwk,jumlahparticlep,sertanilaikonstanpositifc1danc2.Langkahselanjutnyaadalahmembangunposisidanvelocitysetiapparticlesecararandom.Posisidanvelocityparticledinyatakandalamdan.Setiapelemendalamtidakmatriksbolehmelebihinterval[-vmax,vmax].Setelahposisidanvelocityset

iapparticledibangun,dilakukanperhitunganfungsitujuandarimasingmasingparticle,dilambangkan.Padasaatk=0,makanilaifungsitujuanterbaikdarimasing,dimananilaimasingparticle,dilambangkannyasamadengan.Untuknilaifungsitujuan,dimanaterbaikdariswarm,dilambangkannilainyasamadengannilaiterkecil.Langkahselanjutnya,velocitydanposisisetiapparticlediperdilakukanbaharuidankemudianmatriksposisinormalisasi.Nilaiwkjugadiperbaharui,caranyadenganmengalikanwkdengandecrementfactor.Setelahmelaluitahapini,nilaikditambah1danlangkahalgoritmakembalipadaperhitunganfungsitujuansetiapparticle.Siklusiniterusdiulanghinggastoppingcriteriaterpenuhi.Stoppingcriteriadalamalgoritmainidikatakantercapaijikaiterasi

dimana:Z:totalmomenperpindahan:frekuensiperpindahandaridepartemenikedepartemenj:jarakdaridepartemenikedepartemenjn:jumlahdepartemenPe

rancanganAlgoritmaGA-SAdanPSOMenurutNordinetal.[8]masalahtataletakfasilitasyangberbedaukurandapatdimodelkandenganmembagiareamenjadisel-selpersegiberukuransama.Setiapdepartemenakanmenempatiselpersegidalamjumlahyangsesuaidenganukurannya.Gambar2menunjukkancontohareayangtelahdimodelkandengansel-selpersegiberukuransama.Angkadalamkurungyangberadapadasetiapselmelambangkandepartemen.PadaGambar2,tampakbahwadepartemen1menempatiselA,D,danE,sedangkandepartemen2menem-patiselBdanC,demikianjugadengandepartemenyanglain.A(1)B(2)C(2)D(1)E(1)F(3)G(4)H(5)I(3)Gambar2.Contohpemodelanareatataletakfasilitas


6/12

Atasdasarpemikirantersebut,makadirancanglahduaAlgoritmaGA-SA,yaituGA-SAIdanGA-SAII.PerbedaanantaraGA-SAIdanGA-SAIIterletak

121


7/12


Gambar3.ProseduralgoritmaGA-SAII

Gambar4.ProseduralgoritmaPSO

mencapainilaiyangditentukan,yaitu400.Jumlahparticle(p)ditetapkansebesar5.ProseduralgoritmaPSOdijelaskanlebihdetaildalamflowchartyangditunjukkanpadaGambar4.18181818181818181417141714171417141713131313171717171712121313171717171712121212101717171712121212477771212121247777121212124777712121212433365555433365555433311555243338555243331555554333916111111111611111111

HasildanPembahasanUntukmembandingkanperformansidariketigaalgoritmatersebut,makadiambilstudikasusdisebuahperusahaankeramiksebagaiobyekpenelitianyangmenghasilkantigajenisproduk,yaituguci,vas,danroster.Pengolahandataawalmenghasilkanmomenperpindahaninitiallayoutperusahaansebesar73.553,79.Gambar5menunjukkanpenggambaraninitiallayoutperusahaan.Salahsatufaktoryangmempengaruhisolusidariperancanganalgoritmaadalahparameteryangdigunakan.Pemilihannilaiparameteryangkurangtepatakanmembuatperformansialgoritmatidaksebaikyangdiharapkan.Olehkarenaitu,pada

Gambar5.Initiallayoutperusahaan

122


8/12


pengolahandataterdapatbeberapaparameteryangditentukanmelaluiserangkaianpercobaan.ParameterawalyangditetapkandalamalgoritmaGA-SAadalahtemperaturawaldantemperaturminimum.Temperaturminimumditentukansebesar0,01dantemperaturawaladalah-0,1f0/ln(0,25),dimanaf0adalahfungsitujuaninitialsolution.ParameterawaluntukPSOantaralainpsebesar5,c1danc2sebesar1,49,danwditentukanbernilai0,9danmenurunhingga0,1dengansebesar0,975.ParameteryangakanditentukandenganpercobaanadalahcoolingratiountukGA-SAI(0,9;0,95),coolingratio(0,9;0,95)danprobablitasmutasiuntukGA-SAII(0,1;0,3;0,5;0,7;0,9),danvmax(4dan5)untukPSO.Percobaandilakukandalamjumlahiterasi400danreplikasisebanyaksepuluhkali.Berdasarkanhasilpercobaan,parameteryangdipilihuntukGA-SAIadalahcoolingratiosebesar0,9,sedangkanparameteruntukGA-SAIIadalahprobabilitasmutasisebesar0,7dancoolingratiosebesar0,95.UntukPSO,nilaiparametervmaxyangdipilihadalah5.Berdasarkanhasilperhitunganmenggunakanplatformprogramvisualbasic,didapatkannilaimomenterkecil,rata-ratamomen,danrata-ratacomputationaltimesetiapalgoritmasepertiterlihatpadaTabel1.Hasilpengujiantwo-samplettestdenganconfidenceinterval95%,diperolehbahwanilaimomenGA-SAI,GA-SAII,danPSOberbedasecarasignifikan.NilaimomenterkecildicapaiolehalgoritmaGA-SAII.PerbedaanhasilantaraGA-SAIdanGA-SAIImenunjukkanbahwamutasiberpengaruhterhadapnilaimomenyangdiperoleh.PadaGA-SAI,kemungkinanterjadinyamutasisangatkecil,karenamutasihanyadilakukanjikakeduaparentsam

a.Mutasidapatmengurangikemungkinansolusiterjebakdalamlocaloptimum,sehinggaGA-SAIIdapatmenghasilkannilaimomenlebihkecildariGA-SAI.AlgoritmaPSOmenghasilkannilaimomenyanglebihbesardariGA-SAII,tetapimasihlebihkecildariGA-SAI.Padapercobaanyangtelahdilakukan,algoritmaGA-SAImemilikiperformansiterburukdalammeminimumkanmomen.Berdasarkansegiwaktu,makaselisihcomputationaltimeantaralgoritmainitidakmenghasilkansesuatuyangberbedabagiperusahaan.LayoutyangtelahdihasilkandariGA-SAIIsebagailayoutterbaikmasihmemerlukanadjusmentberdasarkanmasukandariperusahaan,agarbentuklayoutdepartemenlebihberaturandandapatdirealisasikan.HasillayoutyangtelahmengalamiadjustmentditunjukkanpadaGambar6dengannilaimomensebesar56.364,9.Warnaabu-abupadalayout123

Tabel1.PerbandinganMomendanComputationalTimeAlgoritma

AlgoritmaGA-SAIGA-SAIIPSOMomenRata-rataTerkecil65.705,9250.061,0760.782,9257.623,4046.653,0853.150,28Rata-rataCT(detik)8,478,548,04

181818181414141414

181818181717171717

151313131717171717

121213131717171717

12121361017171717

12129655554

12128755554

121211755554

12127753334

12127753334


9/12

12127753334

12127253334

12127253334

12127753334

1611111111

1611111111

Gambar6.Layoutsetelahadjustment

menunjukkanareafixeddepartmentsesuaipermintaanperusahaan.Haliniberartiterjadipenurunanmomenperpindahansebesar23,37%dibandingkanmomeninitiallayoutperusahaan.PerbedaanhasilantaraGA-SAIdanGA-SAIImenunjukkanbahwamutasiberpengaruhterhadapnilaimomenyangdiperoleh.PadaGA-SAI,kemungkinanterjadinyamutasisangatkecil,karenamutasihanyadilakukanjikakeduaparentsama.Mutasidapatmengurangikemungkinansolusiterjebakdalamlocaloptimum,sehinggaGA-SAIIdapatmenghasilkannilaimomenlebihkecildariGA-SAI.AlgoritmaPSOmenghasilkannilaimomenyanglebihbesardariGA-SAII,tetapimasihlebihkecildariGA-SAI.Padapercobaanyangtelahdilakukan,algoritmaGA-SAImemilikiperformansiterburukdalammeminimumkanmomen.Berdasarkansegiwaktu,

makaselisihcomputationaltimeantaralgoritmainitidakmenghasilkansesuatuyangberbedabagiperusahaan.LayoutyangtelahdihasilkandariGASAIIsebagailayoutterbaikmasihmemerlukanadjusmentberdasarkanmasukandariperusahaan,agarbentuklayoutdepartemenlebihberaturandandapatdirealisasikan.HasillayoutyangtelahmengalamiadjustmentditunjukkanpadaGambar6dengannilaimomensebesar56.364,9.Warnaabuabupadalayoutmenunjukkanareafixeddepartmentsesuaipermintaanperusahaan.Haliniberartiterjadipenurunanmomenperpindahansebesar23,37%dibandingkanmomeninitiallayoutperusahaan.Perbandinganperformansisuatualgoritmatidakdapatdilihatmelaluipenerapanpadasatukasussaja,karenaadakemungkinanperformansisuatu


10/12


Tabel2.Rata-ratamomendancomputationaltimealgoritmasetiapkasusGA-SAIKasusMomenCT(detik)GA-SAIIMomenCT(detik)3,31PSOMomen4.547,2530CT(detik)4,258,33

DaftarPustaka1.CastilloI.,WesterlundJ.,EmetS.,andWesterlundT.,OptimizationofBlocklayoutDesignProblemswithUnequalAreas:AComparisonofMILPandMINLPOptimizationMethods,ComputersandChemicalEngineering,30(1),2005,pp.54-69.2.Chutima,P.,GeneticAlgorithmforFacilityLayoutDesignwithUnequalDepartmentalAreasandDifferentGeometricShapeConstraints,ThammasatInt.J.Sc.Tech.,6(2),2001,pp.33-43.3.El-Baz,M.A.,AGeneticAlgorithmforFacilityLayoutProblemsofDifferentManufacturingEnvironments,ComputersandIndustrialEngineering,47,2004,pp.233-246.4.Hakim,E.A.,Soeprijanto,A.,andMauridhi,H.P.,PSSDesignBasedonPDandPIFuzzyControllerbyParticleSwarmOptimization,ProceedingsoftheInternationalConferenceonElectricalEngineeringandInformatics,2007,pp.723-726.5.Kennedy,J.,andEberhart,R.,ParticleSwarmOptimization,ProceedingsofIEEEInternationalConferenceonNeuralNetworks,1995,pp.19421948.6.Liu,H.,Abraham,A.,andZhang,J.,AParticleSwarmApproachtoQuadraticAssignmentProblems,SoftComputinginIndustrialApplication,39,2007,pp.213-222.7.McKendall,A.R.,Jr.,Shang,J.,andKuppusamy,S.,SimulatedAnnealingheuristicsfortheDynamicFacilityLayoutProblem,ComputersandOperationsResearch,33,2006,pp.2

431-2444.8.Nordin,N.N.,Zainuddin,Z.M.,Salim,S.,andPonnusamy,R.R.,MathematicalModelingandHybridHeuristicforUnequalSizeFacilityLayoutProblem,JournalofFundamentalScience,5,2009,pp.79-87.9.Purnomo,H.,PerencanaandanPerancanganFasilitas,GrahaIlmuYogyakarta,2004.10.Shi,Y.,andEberhart,R.C.,AModifiedParticleSwarmOptimizer,ProceedingsofIEEEInternationalConferenceonEvolutionaryComputation,1998.11.Uysal,O.,andBulkan,S.,ComparisonGeneticAlgorithmandParticleSwarmOptimizationforBicriteriaPermutationFlowshopSchedulingProblem,InternationalJournalofComputationalIntelligenceResearch,8(2),2008,pp.159-175.

5dept.4.970,57393,284.253,468310dept.12.480,53364,758.959,858015dept.17.488,18226,5913.569,9494

4,8110.711,7593

6,4815.479,783014,24

algoritmabersifatproblemdependent,olehkarenaitupenulismelakukanpercobaanpadakasustataletakfasilitasdenganjumlahdepartemenyangberbeda-beda.Masing-masingalgoritmaakanditerapkanuntukmencarisolusiterbaikuntukkasus5departemen,10departemen,dan15departementanpaadanyafixeddepartment.Datadimensisetiapdepartemendanfrekuensiperpindahandibangkitkansecararandom.Rata-ratamomendancomputationaltimesetiapalgoritmapadasetiapkasusditunjukkanpadaTabel2.Berdasarkanhasilpercobaanuntuksetiapkasus,momenterkecilselaludicapaiolehGA-SAII,diikutiolehPSOdanGA-SAI.Setelahdilakukanpengujianyangsamadenganstudikasussebelumnya,didapatkanbahwanilaimom

enyangdihasilkanketigaalgoritmaberbedasecarasignifikan.Dengandemikian,padasemuakasusyangdicoba,algoritmaGASAIIselalumenghasilkanmomenterkecil.Halinidisebabkanolehfaktorbanyaknyamutasiyangterjadi,sehinggamemperbesardaerahpencariansolusi.Jikadilihatdarisegicomputationaltime,diperolehbahwaPSOmembutuhkanwaktupalinglamadibandingkanGA-SAIdanGA-SAII.HasilpengujianjugamenunjukkanbahwacomputationaltimePSOberbedasecarasignifikandenganGA-SAIdanGA-SAII,sedangkancomputationaltimeGASAIdanGA-SAIItidakberbedasecarasignifikan.ComputationaltimePSOyanglebihsingkatpadastudikasussebelumnyadisebabkankarenaadanyabeberapafixeddepartment.


11/12

SimpulanDaribeberapakasusyangdicoba,AlgoritmaGA-SAIImemilikiperformansiterbaikdalammeminimumkanmomenperpindahandengancomputationaltimeyangpendekbiladibandingkandenganGA-SAIdanPSO.ParameterterbaikyangdigunakanGA-SAIIdalampenelitianiniadalahcoolingratiosebesar0,95danprobabilitasmutasi0,7.

124


12/12

Documents

71944081 Algoritma Genetik Tata Letak Fasilitas