ALGORITMA PARTICLE SWARM OPTIMIZATION DENGAN …repository.unair.ac.id/25719/1/MPM 69 - 12 Muy a.pdf · 2016-09-14 · Fungsi Fitness ... Berbeda pada Algoritma PSO-LS Menggunakan

ALGORITMA PARTICLE SWARM OPTIMIZATION

DENGAN LOCAL SEARCH (PSO-LS) SEBAGAI METODE PENYELESAIAN UNCAPACITATED FACILITY

LOCATION PROBLEM (UFLP)

SKRIPSI

UMI LAILATUL MUYASSAROH

PROGRAM STUDI S-1 MATEMATIKA

DEPARTEMEN MATEMATIKA FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS AIRLANGGA SURABAYA

2012

ADLN Perpustakaan Universitas Airlangga

Skripsi Algoritma Particle Swarm Optimization dengan Local Search (PSO-LS) sebagai Metode Penyelesaian Uncapacitated Facility Location Problem (UFLP)

Umi Lailatul Muyassaroh

ii

ALGORITMA PARTICLE SWARM OPTIMIZATION

DENGAN LOCAL SEARCH (PSO-LS)

SEBAGAI METODE PENYELESAIAN UNCAPACITATED FACILITY

LOCATION PROBLEM (UFLP)

SKRIPSI

Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Sains Bidang Matematika pada Fakultas Sains dan Teknologi

Universitas Airlangga

Disetujui oleh :

Pembimbing I

Dr. Herry Suprajitno, M.Si NIP.19680404 199403 1 020

Pembimbing II

Dr. Miswanto, M.Si NIP. 19680204 199303 1 002




iii

LEMBAR PENGESAHAN NASKAH SKRIPSI

Judul : Algoritma Particle Swarm Optimization dengan Local

Search (PSO-LS) sebagai Metode Penyelesaian

Uncapacitated Facility Location Problem (UFLP)

Penyusun : Umi Lailatul Muyassaroh

NIM : 080810132

Tanggal Ujian : 27 Agustus 2012

Disetujui Oleh :

Pembimbing I

Dr. Herry Suprajitno NIP. 19680404 199403 1 020

Pembimbing II


Mengetahui :

Ketua Program Studi S-1 Matematika Departemen Matematika

Fakultas Sains dan Teknologi Universitas Airlangga





iv

PEDOMAN PENGGUNAAN SKRIPSI

Skripsi ini tidak dipublikasikan, namun tersedia di perpustakaan dalam

lingkungan Universitas Airlangga. Diperkenankan untuk dipakai sebagai referensi

kepustakaan, tetapi pengutipan seizin penulis dan harus menyebutkan sumbernya

sesuai kebiasaan ilmiah. Dokumen skripsi ini merupakan hak milik Universitas

Airlangga.




v

KATA PENGANTAR

Alhamdulillah segala puji bagi Allah Swt. Tuhan semesta alam yang telah

menganugerahkan rahmat, taufik dan hidayah-Nya serta memberikan manusia

akal yang berbeda dari makhluk yang lainnya, sehingga penulis dapat

menyelesaikan skripsi dengan judul ”Algoritma Particle Swarm Optimization

dengan Local Search (PSO-LS) sebagai Metode Penyelesaian Uncapacitated

Facility Location Problem (UFLP)”. Shalawat dan salam semoga tetap terlimpah

kepada Nabi Muhammad SAW., beserta keluarganya, sahabat dan para

pengikutnya.

Kesuksesan penulisan skripsi ini tak luput dari bantuan beberapa pihak,

untuk itu samudera terimakasih penulis ucapkan kepada :

1. Abah HM. Hasan Luthfi dan Umi Siti Muslichah tersayang serta kakak-kakak

penulis (Mas Ahmad Nurhuda, Mbak Siti Kholishoh, Mas Ahmad

Mujiburrohman, Mas Abdul Hamid Hasan, Mas Ahmad Ikhsan Fatoni serta

Mas Fuad Hasyim) dan seluruh keluarga yang tak henti-hentinya mendoakan

dan telah memberikan dukungan, kasih-sayang, kepercayaan, dan

pengorbanan yang tiada terkira besarnya. Terima kasih telah menjadi bagian

terpenting bagi hidup penulis.

2. Kementerian Agama RI, khususnya Direktorat Pendidikan Diniyah dan

Pondok Pesantren RI, Pak Roni, Pak Ruchman, Pak Imam, Pak Fuad, Bu lilik,

Bu Nyoman, serta pihak-pihak lain sebagai wakil KEMENAG yang telah




vi

memberikan dukungan, baik material maupun non-material sehingga penulis

dapat menyelesaikan pendidikan di Universitas Airlangga,

3. Dr. Herry Suprajitno dan Dr. Miswanto selaku dosen pembimbing I dan II

yang telah memberikan banyak arahan, masukan, perhatian, semangat, rasa

sabar yang begitu besar dan pengetahuan yang tidak ternilai harganya.

4. Dra. Inna Kuswandari, M.Si, selaku dosen wali selama menjadi mahasiswa

FST UNAIR yang telah banyak memberikan arahan dan saran demi

kesuksesan menjadi mahasiswa Matematika.

5. Sahabat-sahabat tersayang, Citra, Yusi, Meta, Ninis, Ayuk, Putu, Marisa,

Rizal dan Teman-teman Matematika 2008 semua atas kekompakan dan rasa

kekeluargaan yang begitu hangat.

6. Sahabat-sahabat di Griya Annisa, Ninis, Tika, Vika, Sema, Rohis, Vivin, Itsna

dan semua tetangga kamar penulis yang telah banyak mengisi hari-hari penulis

dengan keceriaan.

7. Serta kepada semua pihak yang tidak dapat disebutkan satu persatu, terima

kasih atas segala bantuan dalam penyelesaian skripsi ini.

Penulis menyadari bahwa skripsi ini masih terdapat kekurangan dan

masih jauh dari sempurna. Oleh karena itu, kritik dan saran yang membangun

terus penulis harapkan agar skripsi ini dapat lebih baik lagi.

Surabaya, 02 Agustus 2012

Penyusun





vii

Umi Lailatul Muyassaroh, 2012, Algoritma Particle Swarm Optimization

dengan Local Search (PSO-LS) sebagai Metode Penyelesaian Uncapacitated

Facility Location Problem (UFLP), Skripsi ini dibawah bimbingan Dr. Herry Suprajitno, M.Si dan Dr. Miswanto, M.Si. Departemen Matematika, Fakultas Sains dan Teknologi, Universitas Airlangga, Surabaya.

ABSTRAK

Uncapacitated facility location problem didefinisikan sebagai suatu permasalahan untuk menemukan lokasi yang optimal dalam membangun fasilitas yang akan melayani sejumlah customer dengan asumsi bahwa fasilitas yang dibangun tidak mempunyai batasan jumlah customer. Skripsi ini membahas tentang Uncapacitated Facility Location Problem (UFLP) yang diselesaikan dengan menggunakan Algoritma Particle Swarm Optimization dengan Local Search (PSO-LS). Algoritma PSO-LS merupakan kombinasi dari Algoritma Particle Swarm Optimization dan Algoritma Local Search. Kombinasi kedua algoritma optimasi ini diharapkan dapat mengoptimalkan pencarian solusi UFLP. Proses algoritma ini dimulai dengan pembangkitan posisi dan kecepatan partikel awal, menentukan vektor open facility, kemudian dilakukan evaluasi sehingga didapatkan nilai fitness. Selanjutnya ditentukan personal best pada tiap partikel dan global best untuk keseluruhan swarm. Pada saat iterasi Algoritma, dilakukan update kecepatan dan posisi partikel, kemudian dilakukan proses evaluasi dan ditentukan personal best dan global best yang baru. Solusi UFLP dengan Algoritma PSO (global best) adalah solusi awal bagi Algoritma Local Search. Solusi awal ini kemudian dimodifikasi sehingga terbentuk solusi baru. Selanjutnya dilakukan operasi flip pada solusi baru. Proses pengambilan kesimpulan solusi dilakukan pada akhir iterasi PSO-LS, yaitu dengan mengambil nilai fungsi tujuan yang paling minimum. Data yang digunakan adalah data 10 lokasi dengan 15 customer dan data 50 lokasi dengan 50 customer serta diselesaikan dengan bahasa pemrograman Java Netbeans IDE 7.1.2 dengan fungsi tujuan (biaya) minimum untuk data 10 lokasi dengan 15 customer adalah sebesar 149.690,4750 satuan. Sedangkan untuk data 50 lokasi dengan 50 customer diperoleh biaya sebesar 793.439,5625 satuan. Kata Kunci: Algoritma Particle Swarm Optimization (PSO), Algoritma Local

Search (LS), Masalah Lokasi, Uncapacitated Facility Location Problem.




viii

Umi Lailatul Muyassaroh, 2012, Particle Swarm Optimization with Local Search Algorithm for Solving Uncapacitated Facility Location Problem , This skripsi is suprvised by Dr. Herry Suprajitno, M.Si and Dr. Miswanto, M.Si. Mathematics Department, Faculty of Science and Technology, Airlangga University, Surabaya.

ABSTRACT

Uncapacitated facility location problem is defined as a problem to find the optimal location to build a facility that will serve the customer with the assumption that the built facility does not have a limited number to serve the customers. This skripsi discuss about uncapacitated facility location problem using the particle swarm optimization with local search algorithm (PSO-LS). PSO-LS algorithm is combination of particle swarm optimization and local search algorithms. The couple of optimization algorithm expected to optimize searching process for UFLP solutions. The process of algorithm is started by generating the initial positions and velocities of particles, determined the open facilities, and did the evaluation process to obtain the objective function value (fitness value). After obtained fitness value of each particle, the next step was determined the personal best and global best. Iteration of algorithm began by updating the particle velocity and position, and then made evaluation process and setting a new personal best and global best. Global best was the initial solution for local search algorithm. The initial solution modified to form new solution. Then flip operation conducted on this new solution. The conclusions made at the end of PSO-LS iteration by taking the minimum value of objective function. The used data is the data of 10 locations with 15 customer and 50 locations with 50 customers that solved by the programming language Java Netbeans IDE 7.1.2. The objective function (cost) for the first data (10 locations with 15 customers) was 149.690,4750 unit, while the second data (50 locations with 50 customer) acquired a fee of 793.439,5625 unit.

Keywords: Particle Swarm Optimization Algorithm (PSO), Local Search

Algorithm (LS), Location Problem, Uncapacitated Facility Location Problem (UFLP).




ix

DAFTAR ISI

Halaman

LEMBAR JUDUL ......................................................................................... i

LEMBAR PERNYATAAN ........................................................................... ii

LEMBAR PENGESAHAN SKRIPSI............................................................ iii

PEDOMAN PENGGUNAAN SKRIPSI ....................................................... iv

KATA PENGANTAR ................................................................................... vi

ABSTRAK ..................................................................................................... vii

ABSTRACT ..................................................................................................... viii

DAFTAR ISI .................................................................................................. ix

DAFTAR TABEL .......................................................................................... xii

DAFTAR LAMPIRAN .................................................................................. xiii

BAB I PENDAHULUAN

I.1. Latar Belakang Masalah ...................................................... 1

I.2. Rumusan Masalah ............................................................... 3

I.3. Tujuan ................................................................................. 3

I.4. Manfaat ............................................................................... 4

I.5. Batasan Masalah................................................................... 4

BAB II TINJAUAN PUSTAKA

II.1 Masalah Lokasi .................................................................... 5

II.2 Pengkodean .......................................................................... 6

II.3 Algoritma Particle Swarm Optimization dengan Local Search

(PSO-LS)

2.3.1. Algoritma ................................................................. 7

2.3.2. Algoritma Particle Swarm Optimization .................. 7

2.3.3. Fungsi Fitness ........................................................... 11

2.3.4. Algoritma Local Search (LS) ................................... 12

2.3.5. Algoritma Particle Swarm Optimization dengan

Local Search (PSO-LS) ............................................ 14




x

II.4 Java ....................................................................................... 16

BAB III METODE PENULISAN ................................................................ 20

BAB IV PEMBAHASAN

IV.1 Masalah Lokasi .................................................................... 22

IV.2 Particle Swarm Optimization ............................................... 24

IV.3 Local Search......................................................................... 25

IV.4 Particle Swarm Optimization dengan Local Search ............ 26

IV.4.1. Pengisian Parameter .............................................. 27

IV.4.2. Generate vektor posisi .......................................... 28

IV.4.3. Generate vektor kecepatan ................................... 28

IV.4.4. Mendapatkan vektor open facility ......................... 29

IV.4.5. Evaluasi ................................................................. 29

IV.4.6. Penentuan personal best (P).................................. 29

IV.4.7. Penentuan global best .......................................... 30

IV.4.8. Update vektor kecepatan....................................... 31

IV.4.9. Update vektor posisi ............................................. 31

IV.4.10. Modifikasi solusi awal ( ) .................................. 32

IV.4.11. Mengaplikasikan operator flip ke s dan

mendapatkan ................................................. 33

IV.5 Program ................................................................................ 33

IV.6 Data ...................................................................................... 34

IV.7 Contoh Uncapacitated Facility Location Problem (UFLP)

dengan Menggunakan 10 Lokasi dan 15 Customer yang

Diselesaikan Secara Manual ................................................ 34

IV.8 Implementasi Program pada contoh Kasus Uncapacitated

Facility Location Problem ................................................... 32

IV.8.1. Menggunakan Data pada Lampiran 1 ...................... 45

IV.8.2. Menggunakan Data pada Lampiran 2 ...................... 45

IV.8.3. Perbandingan Hasil Perhitungan dengan Parameter

Berbeda pada Algoritma PSO-LS Menggunakan

Data pada Lampiran 1 .............................................. 45




xi

IV.8.4. Perbandingan Hasil Perhitungan dengan Parameter

Berbeda pada Algoritma PSO-LS Menggunakan

Data pada Lampiran 2 .............................................. 47

BAB V KESIMPULAN DAN SARAN

V.1 Kesimpulan ......................................................................... 49

V.2 Saran ..................................................................................... 50

DAFTAR PUSTAKA ..................................................................................... 51

LAMPIRAN




xii

DAFTAR TABEL

Nomor Judul Tabel Halaman

4.1 Tabel Biaya Untuk Membangun Fasilitas 23

4.2 Tabel Biaya Untuk Melayani Customer 23

4.3 Vektor Posisi 35

4.4 Vektor Kecepatan 36

4.5 Vektor open facility 37

4.6 Nilai Fungsi Tujuan (Z) 37

4.7 Personal Best 38

4.8 Vektor kecepatan setelah di-update 39

4.9 Vektor posisi setelah di-update 39

4.10 Vektor open facility setelah di-update 40

4.11 Nilai fungsi tujuan setelah di-update 40

4.12 Personal Best setelah di-update 41

4.13 Biaya pembangunan fasilitas pada lokasi pembangunan 44

4.14 Hasil Perbandingan perhitungan nilai fungsi tujuan (Z) pada Data Lampiran 1 46

4.15 Hasil Perbandingan perhitungan nilai fungsi tujuan (Z) pada Data Lampiran 2 48




xiii

DAFTAR LAMPIRAN

Nomor Judul Lampiran

1 Data 10 Lokasi dengan 15 Customer

2 Data 50 Lokasi dengan 50 Customer

3 Source Code Program Algoritma Particle Swarm Optimization

dengan Local Search Untuk Uncapacitated Facility Location

Problem

4 Output Program untuk Data Lampiran 1

5 Hasil Terbaik PSO-LS Menggunakan Data Lampiran 2

6 Antarmuka Program

7 Hasil Optimal untuk Data 50 Lokasi dengan 50 Customer




1

BAB I

PENDAHULUAN

I.1. Latar Belakang

Kemajuan teknologi di berbagai bidang memicu pertumbuhan industri

yang semakin cepat dan lahirnya berbagai industri baru. Hal ini tentu berdampak

pada persaingan perusahaan yang ketat. Untuk itu diperlukan strategi yang tepat

sebagai solusi cerdas untuk masalah persaingan industri tadi. Salah satu

permasalahan penting dalam dunia industri antara lain adalah penempatan suatu

fasilitas pada suatu lokasi.

Secara umum, permasalahan penempatan suatu fasilitas pada suatu lokasi

(facility location problem) dapat didefinisikan sebagai penempatan beberapa

fasilitas pada beberapa lokasi yang mungkin sehingga seluruh customer dapat

dilayani dengan biaya seminimal mungkin.

Masalah penempatan fasilitas dalam suatu lokasi dapat diklasifikasikan

menjadi dua berdasarkan batasan masalah yang digunakan, yaitu pengalokasian

dengan jumlah customer yang terbatas (capacitated), dan pengalokasian dengan

jumlah customer yang tidak terbatas (uncapacitated). Pada uncapacitated facility

location problem berlaku asumsi bahwa fasilitas yang dibangun dapat melayani

customer dalam jumlah yang tak terbatas, sedangkan pada capacitated facility

location problem diasumsikan bahwa jumlah customer yang dilayani oleh fasilitas

jumlahnya terbatas.

Pada skripsi ini akan dibahas penyelesaian Uncapacitated Facility

Location Problem (UFLP). Beberapa contoh masalah pengalokasian fasilitas yang




2

dimodelkan sebagai UFLP antara lain: masalah lokasi Bank, desain jaringan

(network design), pendistribusian data serta jaringan komunikasi dan desain

jaringan komputer.

Metode yang digunakan untuk menyelesaikan UFLP ada dua, yaitu

metode analitik dan metode numerik. Metode analitik dinilai kurang efisien untuk

mencari solusi optimum, terutama dikarenakan UFLP terdiri dari beberapa

kombinasi permasalahan sehingga semakin besar masalahnya, maka semakin sulit

pula mencari solusi optimumnya, disamping dibutuhkan waktu yang lama untuk

menyelesaikannya. Oleh karena itu, metode yang banyak digunakan adalah

metode numerik. Adapun metode numerik yang digunakan adalah metode

metaheuristik menggunakan algoritma tertentu. Beberapa metode metaheuristik

yang pernah dicoba untuk menyelesaikan UFLP antara lain: Tabu search,

Algoritma Genetik, Neighborhood Search, Simmulated Annealing dan Particle

Swarm Optimization.

Particle Swarm Optimization (PSO) adalah salah satu teknik pencarian

metaheuristik yang dikenalkan pertama kali pada tahun 1995 oleh Russell

Eberhart dan James Kennedy berdasarkan pada perilaku interaksi sosial dan

komunikasi pada segerombolan binatang, diantaranya sekawanan burung yang

terbang di angkasa dan sekelompok ikan. Solusi-solusi potensial, yang disebut

dengan partikel, bergerak mengelilingi sebuah ruang pencarian dengan suatu

kecepatan, yang diperbaharui secara konstan oleh pengalaman partikel itu sendiri

dan pengalaman dari anggota swarm yang lain atau pengalaman dari keseluruhan

swarm. Tiga vektor kunci partikel solusi UFLP dalam PSO adalah vektor posisi

( ), vektor kecepatan ( ) dan vektor open facility ( ). dan pertama kali




3

dibangkitkan secara random, sedangkan adalah vektor posisi yang dipetakan

kepada himpunan variabel biner (0 dan 1).

Algoritma untuk menyelesaikan UFLP dalam skripsi ini adalah Algoritma

Particle Swarm Optimization dengan Local Search (PSO-LS), yaitu algoritma

PSO yang dikombinasikan dengan algoritma Local Search (LS). Penambahan

algoritma LS untuk algoritma PSO dimaksudkan agar tidak kehilangan solusi

optimum dari algoritma PSO serta memperluas kandidat solusi. Dari algoritma

PSO-LS ini akan dibuat programnya dan diimplementasikan pada contoh kasus.

I.2. Rumusan Masalah

Rumusan masalah yang dibahas dalam skripsi ini ada 3, yaitu:

1. Bagaimana menggunakan Algoritma Particle Swarm Optimization dengan

Local Search (PSO-LS) untuk menyelesaikan Uncapacitated Facility

Location Problem (UFLP)?

2. Bagaimana membuat program dari Algoritma Particle Swarm

Optimization dengan Local Search (PSO-LS) untuk menyelesaikan

Uncapacitated Facility Location Problem (UFLP) tersebut?

3. Bagaimana mengimplementasikan program tersebut pada contoh kasus?

I.3. Tujuan

Tujuan penulisan skripsi ini adalah:

1. Untuk mengetahui penggunaan Algoritma Particle Swarm Optimization

dengan Local Search (PSO-LS) dalam menyelesaikan Uncapacitated

Facility Location Problem (UFLP).




4

2. Membuat program dari Algoritma Particle Swarm Optimization dengan

Local Search (PSO-LS) pada Uncapacitated Facility Location Problem

(UFLP).

3. Mengimplementasikan program untuk contoh kasus.

I.4. Manfaat

Manfaat penulisan skripsi ini antara lain:

1. Menambah wawasan keilmuan mahasiswa khususnya tentang cara

menyelesaikan Uncapacitated Facility Location Problem (UFLP) dengan

menggunakan Algoritma Particle Swarm Optimization dengan Local

Search (PSO-LS).

2. Algoritma Particle Swarm Optimization dengan Local Search (PSO-LS)

dan program dapat digunakan oleh perusahaan dan industri untuk

menyelesaikan masalah yang relevan dengan Uncapacitated Facility

Location Problem (UFLP), seperti desain jaringan dan penempatan lokasi

Bank atau ATM.

3. Informasi yang didapat dari skripsi ini dapat dilanjutkan untuk bahan

penelitian skripsi selanjutnya dengan berbagai modifikasi.

I.5. Batasan Masalah

Batasan masalah dalam skripsi ini yaitu pada saat proses inisialisasi, posisi

( ) dibangkitkan secara random pada interval [-10,10], sedangkan kecepatan ( )

dibangkitkan secara random pada interval [-4,4].




5

BAB II

TINJAUAN PUSTAKA

Pada bab ini diberikan beberapa definisi yang akan digunakan pada

pembahasan Algoritma Particle Swarm Optimization dengan Local Search (PSO-

LS) sebagai metode penyelesaian Uncapacitated Facility Location Problem

(UFLP).

II.1. Masalah Lokasi

Dalam bentuk sederhana, masalah lokasi adalah bagaimana menemukan

lokasi optimal untuk membangun fasilitas dimana fasilitas tersebut melayani

sejumlah m customer; selain itu terdapat sekumpulan n lokasi dimana akan

dibangun fasilitas dan untuk membangun sebuah fasilitas pada lokasi i dibutuhkan

biaya , customer j dilayani fasilitas i sedemikian hingga terdapat biaya cij.

Variabel keputusan untuk membangun atau tidak membangun fasilitas i

dinotasikan dengan . Sedangkan variabel keputusan bagi masing-masing

fasilitas i untuk melayani atau tidak melayani customer j dinotasikan dengan .

Jika diasumsikan bahwa fasilitas yang dibangun tidak mempunyai batasan jumlah

dalam melayani customer, maka masalah ini disebut Uncapacitated Facility

Location Problem (UFLP). Model matematika dari fungsi tujuan ( ) dirumuskan

pada persamaan (2.1) dengan kendala persamaan (2.2) dan persamaan (2.3).

(∑∑ ∑

)




6

∑

Keterangan:

{ }

{

{

{ }

{ }

(Sevkli dan Guner 2006 )

Pada model di atas, persamaan (2.1) menunjukkan biaya total untuk

mendirikan fasilitas dan memenuhi permintaan dari costumer. Kendala

persamaan (2.2) digunakan untuk memastikan bahwa permintaan dari tiap

costumer hanya dilayani oleh satu fasilitas. Kendala persamaan (2.3) untuk

memastikan costumer j hanya bisa dilayani oleh fasilitas i jika fasilitas tersebut

dibangun pada lokasi i dan menunjukkan bahwa variabel keputusan adalah

variabel biner 0 dan 1.




7

II.2. Pengkodean

Menurut Obitko (1998), pengkodean merupakan suatu cara untuk

menyajikan suatu solusi dalam ruang pencarian. Ada beberapa cara untuk

mengkode suatu kromosom (dalam skripsi ini merupakan partikel), diantaranya:

1. Pengkodean Biner

Dalam pengkodean biner, partikel adalah bit 0 atau 1.

2. Pengkodean nilai

Dalam pengkodean nilai, setiap partikel adalah untaian bilangan yang

membentuk sebuah nilai.

3. Pengkodean Permutasi

Dalam pengkodean permutasi, setiap partikel adalah untaian bilangan, yang

menggambarkan bilangan dalam suatu barisan.

4. Pengkodean Random Keys (Nomor Acak)

Dalam pengkodean Random Keys, setiap partikel adalah untaian bilangan

random pada interval [ ].

II.3. Algoritma Particle Swarm Optimization dengan Local Search (PSO-LS)

Beberapa istilah yang digunakan dalam sub-bab ini antara lain:

II.3.1. Algoritma

Menurut Chartrand dan Oellermann (1993), Algoritma merupakan suatu

himpunan langkah-langkah atau instruksi yang telah dirumuskan dengan baik




8

(well-defined) untuk memperoleh suatu keluaran khusus (specific output) dari

suatu masukan khusus (specific input) dalam langkah yang jumlahnya berhingga.

II.3.2. Fungsi Fitness

Menurut Zomaya (1996), fungsi Fitness adalah fungsi yang menunjukkan

keandalan suatu individu untuk bertahan dalam populasi. Fungsi fitness pada

skripsi ini dihitung berdasarkan nilai dari fungsi tujuan itu sendiri.

II.3.3. Algoritma Particle Swarm Optimization

Algoritma Particle Swarm Optimization (PSO) diperkenalkan oleh James

Kennedy dan Russell Eberhart pada tahun 1995. Proses algoritmanya diinspirasi

oleh perilaku sosial dari binatang, seperti sekawanan burung dan sekelompok ikan

dalam suatu gerombolan (swarm).

(Sevkli dan Guner, 2006)

Particle Swarm Optimization (PSO) merupakan salah satu teknik komputasi

evolusioner yang mempunyai kesamaan dengan Genetic Algorithm, yaitu dimulai

dengan membangkitkan populasi secara random. Namun PSO tidak memiliki

operator evolusi, yaitu crossover dan mutasi. Hal lain yang berbeda dengan

Genetic Algorithm atau teknik komputasi evolusioner lainnya adalah setiap

partikel di dalam PSO juga berhubungan dengan suatu kecepatan. Partikel-partikel

tersebut bergerak melalui penelusuran ruang dengan kecepatan yang dinamis

berdasarkan perilaku historisnya. Oleh karena itu, partikel-partikel mempunyai

kecenderungan untuk bergerak ke ruang penelusuran yang lebih baik setelah

melewati proses penelusuran sebelumnya.




9

Kesederhanaan algoritma dan performansinya yang baik, menjadikan PSO

telah menarik banyak perhatian di kalangan para peneliti dan telah diaplikasikan

dalam berbagai persoalan optimisasi. PSO telah populer menjadi teknik optimasi

global dengan sebagian besar permasalahan dapat diselesaikan dengan baik.

Beberapa istilah yang digunakan dalam Particle Swarm Optimization dapat

didefinisikan sebagai berikut:

1. Swarm adalah populasi atau kumpulan partikel.

2. Partikel adalah anggota pada suatu swarm. Setiap partikel merepresentasikan

suatu solusi yang potensial pada permasalahan yang diselesaikan. Posisi dari

suatu partikel merupakan representasi solusi saat itu. Jumlah partikel

menunjukkan ukuran swarm dan dinotasikan sebagai sw_size.

3. Personal best adalah posisi terbaik pada tiap partikel dalam tiap iterasi yang

dipersiapkan untuk mendapatkan suatu solusi optimal.

4. Global best adalah posisi terbaik partikel pada swarm. Global best juga bisa

didapatkan dengan mengambil posisi terbaik dari Personal best.

5. Vektor kecepatan (Velocity) adalah vektor yang menggerakkan proses

optimisasi yang menentukan arah dimana suatu partikel diperlukan untuk

berpindah untuk memperbaiki posisinya semula.

6. Inertia weight (w) adalah parameter yang digunakan untuk mengontrol

dampak dari adanya velocity yang diberikan oleh suatu partikel.

Menurut Sevkli dan Guner (2006), algoritma Particle Swarm Optimization

(PSO) untuk menyelesaikan Uncapacitated Facility Location Problem (UFLP)

adalah sebagai berikut:




10

1. Inisialisasi Posisi ( ) dan Kecepatan ( )

Posisi ( ) adalah salah satu kunci utama penyelesaian UFLP. adalah

himpunan dari vektor-vektor posisi pada suatu swarm dan dinotasikan dengan

{ }. Vektor posisi pada partikel ke-i didefinisikan sebagai [ ]

[ ], dengan i adalah jumlah partikel dalam suatu swarm

(sw_size), { }, dan n adalah jumlah lokasi pada UFLP.

Kunci kedua untuk penyelesaian UFLP adalah yaitu himpunan dari

vektor-vektor kecepatan dalam suatu swarm dan dinotasikan sebagai

{ }. Vektor kecepatan pada partikel ke-i didefinisikan sebagai [ ]

[ ], dengan i adalah jumlah partikel dalam suatu swarm

(sw_size), { } dan n adalah jumlah lokasi pada UFLP.

2. Cari Open Facility ( )

Posisi ( ) tidak mengarah langsung sebagai kandidat solusi untuk

menghitung total biaya ( ), tetapi dibawa ke himpunan biner, yaitu open

facility ( ). Dapat dikatakan bahwa Open Facility merupakan kunci terakhir

untuk penyelesaian UFLP. Open Facility yang dinotasikan sebagai { }

merupakan himpunan dari vektor Open Facility pada suatu swarm. Vektor

Open Facility pada partikel ke-i didefinisikan sebagai [ ],

dengan i adalah jumlah partikel dalam suatu swarm (sw_size) dan n adalah

banyaknya kandidat lokasi yang akan dibangun fasilitas. Nilai dari komponen

vektor Open Facility dihitung dari persamaan (2.4) sebagai berikut:

⌊ ⌋




11

dengan: menggambarkan variabel keputusan untuk membuka atau

menutup fasilitas ke-k dari partikel ke-i, ⌊ ⌋ merupakan sisa hasil

bagi ⌊ ⌋ dengan 2, ⌊ ⌋ adalah bilangan bulat terbesar yang kurang dari atau

sama dengan , sedangkan adalah nilai posisi dari partikel ke-i yang

bersesuaian dengan dimensi ke-k.Dimensi menunjukkan banyaknya fasilitas

yang akan dibangun ( { }) dan n adalah jumlah lokasi yang akan

dibangun fasilitas.

3. Evaluasi nilai fitness ( )

Nilai fitness adalah keandalan partikel untuk bertahan dalam suatu

populasi (swarm). Nilai fitness partikel ke-i yang dinotasikan dengan

didapatkan dengan menghitung nilai fungsi tujuan (Z) sebagaimana

persamaan . Semakin kecil nilai fitness berbanding lurus dengan

semakin andal partikel untuk bertahan dalam suatu swarm.

4. Tentukan Personal best (P) dan Global best (G)

Personal best yang dinotasikan { } adalah himpunan dari vektor-

vektor posisi terbaik untuk partikel ke-i pada iterasi tertentu, dan

[ ] [ ], dengan nilai posisi dari Pbest ke-i yang

berkaitan dengan dimensi ke-k. Nilai Personal best masing-masing partikel

pada setiap iterasi t diperbarui jika didapatkan nilai fitness yang lebih baik.

Nilai fitness dari Personal best partikel ke-i dinotasikan dengan .

Personal best awal adalah nilai dari vektor posisi ( ), sehingga nilai

fitness Personal best ke-i sama dengan nilai fitness dari posisi ke-i, .

Nilai fitness Personal best pada iterasi ke-t adalah nilai fitness terkecil dari




12

masing-masing partikel untuk iterasi awal (iterasi ke-1) hingga iterasi ke-t

dan dinotasikan sebagai

{ } Dengan { }

{ } sw_size adalah banyaknya partikel dalam swarm, n adalah jumlah

lokasi yang akan dibangun fasilitas, { }, dan max_iter

adalah iterasi maksimum untuk Algoritma PSO.

Kemudian, salah satu Personal best dengan nilai fitness terbaik pada

keseluruhan swarm pada iterasi tertentu dinamakan Global best dan

dinotasikan dengan [ ]. Nilai fitness Global best, dinotasikan

sebagai { }, yang berkaitan dengan vektor posisi Global best, ,

sehingga . Dengan kata lain, [ ]

dan [ ] dinotasikan sebagai vektor Open Facility dimana

Global Best didapatkan.

5. Update Kecepatan ( ) dan Lokasi ( )

Kecepatan diperbaharui pada tiap iterasi untuk menggerakkan posisi

semula menuju posisi yang lebih baik. Misalkan adalah komponen

vektor kecepatan ke-i ( ) pada iterasi ke- , maka untuk memperbaharui

komponen vektor kecepatan ke-i pada iterasi ke digunakan persamaan

(2.5) sebagai berikut:

(

) (

)

dengan: adalah bobot inersia yang dibangkitkan secara random pada

interval [ ], dan adalah parameter sosial dan kognitif yang nilainya




13

adalah 2, dan Bilangan random pada interval [ ], dan adalah

banyaknya iterasi.

Setelah mendapatkan komponen-komponen vektor kecepatan baru,

komponen-komponen vektor lokasi di-update berdasarkan persamaan 2.6

sebagai berikut:

6. Update vektor open facility

Komponen vektor open facility ( ) di-update dengan menggunakan

persamaan .

7. Evaluasi nilai fitness ( )

Nilai fitness dievaluasi berdasarkan persamaan .

8. Jika iterasi telah maksimum, maka algoritma berhenti, jika tidak maka

kembali ke langkah 4.

II.3.4. Algoritma Local Search (LS)

Materi yang dibahas pada bagian ini diambil dari artikel Sevkli dan Guner

(2006). Dalam skripsi ini, algoritma Local Search digunakan untuk mencari solusi

disekitar posisi vektor Global best. Aplikasi Local Search pada PSO ini dapat

dijelaskan sebagai berikut. Global best yang didapatkan pada akhir setiap iterasi

PSO kemudian diadopsi sebagai solusi awal untuk Algoritma LS. Agar tidak

menghilangkan solusi optimal dan untuk memperlebar kandidat solusi di sekitar

posisi Global best, maka Global Best dimodifikasi secara random dimana dua

fasilitas membuka atau menutup berdasarkan parameter dan yang




14

dibangkitkan secara random. Kemudian, operator flip diaplikasikan selama ia

masih menghasilkan solusi yang optimal.

Berikut ini adalah Algoritma Local Search:

1. Ambil vektor posisi Gbest ( ) sebagai

Solusi awal dari Algoritma Local Search dinotasikan sebagai vektor ,

dengan [ ].

2. Modifikasi berdasarkan dan dan namakan dengan

Bilangan dan adalah bilangan asli yang dibangkitkan secara

random dengan range antara 1 sampai maksimum jumlah lokasi (n). Awalnya

bilangan dan dibangkitkan, kemudian memilih dua komponen dengan

yang bersesuaian dengan dua bilangan ini ( dan ) dan

memodifikasinya menggunakan persamaan (2.7) sebagai berikut:

{

3. Aplikasikan operator flip ke dan dapatkan

Untuk menyelesaikan UFLP, operator flip dipekerjakan sebagai sebuah

struktur sekitar. Fungsi operator flip ini adalah untuk membuka atau menutup

sebuah fasilitas. Awalnya sebuah bilangan random ( ) dibangkitkan untuk

menentukan formulasi flip yang akan dipakai, kemudian untuk [ ], dan

[ ], komponen di-update menggunakan persamaan 2.8 sebagai

berikut:




15

{

dimana ρ adalah bilangan random pada interval [ ] dan { }.

4. Membandingkan nilai fitness dan . Jika , maka gantilah

dengan . Jika tidak, maka ulangi hingga iterasi maksimum (max_iter).


dengan .

6. Ulangi langkah hingga iterasi maksimum.

II.3.5. Algoritma Particle Swarm Optimization dengan Local Search

(PSO-LS)

Materi yang dibahas pada bagian ini diambil dari artikel Sevkli dan Guner

(2006).

Penggabungan Algoritma PSO dengan algoritma lain (salah satunya dengan

Algoritma Local Search) adalah untuk menghasilkan solusi yang optimal.

Prosedur Algoritma Particle Swarm Optimization dengan Local Search (PSO-

LS) sebagai metode penyelesaian UFLP adalah sebagai berikut:

1. Inisialisasi posisi ( ) dan kecepatan ( )

2. Cari open facility ( ) dengan menggunakan persamaan

3. Evaluasi nilai fitness ( ) dengan menggunakan persamaan

4. Tentukan Personal best dan Global best

5. Update kecepatan ( ) dan lokasi ( ) dengan menggunakan persamaan

dan persamaan




16

6. Update open facility dengan menggunakan persamaan

7. Evaluasi nilai fitness ( ) dengan menggunakan persamaan

8. Tentukan Personal Best dan Global best baru

9. Ambil vektor posisi Gbest ( ) sebagai

10. Modifikasi berdasarkan dan menggunakan persamaan dan

namakan dengan .

11. Aplikasikan operator flip ke dan dapatkan


dengan . Jika tidak, maka ulangi hingga iterasi sebanyak n kali.


dengan .

14. Jika iterasi telah maksimum, maka algoritma berhenti, jika tidak maka

kembali ke langkah 4.

II.4. Software Berbasis Java

Java adalah bahasa pemrograman serbaguna, Java dapat digunakan untuk

membuat suatu program sebagaimana bahasa Pascal atau C++. Java juga

mendukung sumber daya internet yang saat ini populer, yaitu World Wide Web

atau yang sering disebut Web saja. Java juga mendukung aplikasi klien/server,

baik dalam jaringan lokal (LAN) maupun jaringan berskala luas (WAN). Java

dikembangkan oleh Sun Microsystems pada Agustus 1991, dengan nama

Oak.Program Java tidak bergantung pada platform, artinya Java dapat dijalankan

pada sebarang komputer dan sistem operasi.

(Kadir, 2004)




17

II.4.1. Pemrograman Java

Program Java dapat dibedakan menjadi dua jenis, yaitu applet dan aplikasi.

1. Applet adalah program yang dibuat dengan Java, dapat diletakkan pada Web

server dan diakses melalui Web browser. Dalam hal ini browser yang

digunakan adalah yang memiliki kemampuan Java (misalnya Netscape

Navigator, Internet Explorer, dan HotJava).

2. Aplikasi adalah program yang dibuat dengan Java yang bersifat umum.

Aplikasi dapat dijalankan secara langsung, tidak perlu perangkat lunak

browser untuk menjalankannya. Aplikasi ini seperti program yang ditulis

dengan bahasa C atau Pascal. Setelah dikompilasi, program ini dapat

dieksekusi secara langsung.

(Kadir, 2004)

II.4.2. Dasar Bahasa Java

Berikut ini adalah dasar bahasa yang digunakan dalam pemrograman java:

a. Karakter

Elemen terkecil pada pemrograman Java adalah karakter yaitu berupa:

1) huruf (A sampai dengan Z, a sampai dengan z)

2) angka (0 sampai dengan 9)

3) simbol (misalnya * dan ! )

4) kode kontrol (misalnya formfeed dan newline )

b. Kata Kunci




18

Java memiliki sejumlah kata yang bermakana khusus. Kata-kata ini

digolongkan sebagai kata kunci atau kata tercadang. Kata kunci tidak dapat

digunakan sebagai pengenal.

Contoh:

abstract do new static

break extends private switch

case for public try

class if return void

continue import short while

c. Pengenal (identifier)

Pengenal (identifier) adalah nama yang diciptakan oleh pemrogram atau

digunakan di dalam program untuk memberi nama kelas atau variabel pada

program. Aturan pemberian nama pengenal adalah sebagai berikut:

1) Karakter pertama berupa huruf, tanda garis bawah ( _ ), atau tanda

dolar ($)

2) Karakter kedua dan seterusnya dapat berupa sebarang huruf atau

angka

3) Panjang pengenal bebas

4) Huruf kapital dan huruf kecil diperlakukan beda

d. Tipe data primitif

Java memilik 8 tipe data primitif, meliputi 4 tipe bilangan bulat, 2 tipe untuk

bilangan titik mengambang, dan sisanya untuk karakter dan boolean

1) Tipe bilangan bulat: byte, short, int, dan long




19

2) Tipe bilangan titik mengambang: float dan double

3) Tipe karakter: char

4) Tipe data boolean: boolean

e. Literal

Literal adalah suatu nilai yang dituliskan pada kode sumber Java. Literal pada

Java dapat dibedakan menjadi:

1) literal bilangan

2) literal karakter

3) literal boolean

4) literal string

f. Variabel

Variabel menyatakan suatu lokasi di dalam memori komputer yang digunakan

untuk menyimpan suatu nilai dan nilai yang ada di dalamnya bisa diubah.

Contoh:

String kalimat;

int i;

g. Komentar

Komentar bisa dipakai dalam program dengan tujuan untuk memberikan

penjelasan atau informasi kepada pembaca program.

Contoh: /* ini sebuah komentar */

// ini juga komentar

(Kadir, 2004)




20

BAB III

METODE PENELITIAN

Adapun langkah-langkah penyelesaian masalah penulisan skripsi ini adalah

sebagai berikut:

1. Mengkaji materi Uncapacitated Facility Location Problem (UFLP) dan

Algoritma Particle Swarm Optimization d Local Search (PSO-LS).

2. Menerapkan proses algoritma PSO-LS dengan langkah-langkah sebagai

berikut :

a) Menginisialisasi posisi ( ) dan kecepatan ( )

b) Menghitung open facility ( )

c) Mengevaluasi nilai fitness ( )

d) Menentukan Personal best dan Global best awal

e) Meng-update kecepatan ( ) dan lokasi ( )

f) Meng-update vektor open facility

g) Mengevaluasi nilai fitness ( )

h) Menentukan Personal best dan Global best baru

i) Mengambil vektor posisi Gbest ( ) sebagai solusi awal algoritma local

search ( )

j) Memodifikasi berdasarkan dan dan menamakan dengan

k) Mengaplikasikan operator flip ke dan mendapatkan , dengan

* +.




21

l) Membandingkan nilai fitness dan . Jika ( ) ( ), maka

diganti dengan . Jika tidak, maka dilakukan operasi flip untuk

mencari solusi di sekitar . Jika didapat nilai fitness yang lebih baik

dari , maka diganti dengan solusi tersebut, jika tidak, maka iterasi

dilanjutkan sampai maksimum iterasi Algoritma Local Search.

m) Membandingkan nilai fitness dan . Jika ( ) ( ), maka

diganti dengan .

n) Jika telah mencapai maksimum iterasi PSO-LS, disimpulkan bahwa

solusi dari UFLP dengan Algoritma PSO-LS adalah .

3. Membuat program komputer dari algoritma Particle Swarm Optimization

dengan Local Search (PSO-LS) sebagai pendekatan untuk memecahkan

Uncapacitated Facility Location Problem (UFLP).

4. Mengimplementasikan program pada contoh kasus.




22

BAB IV

PEMBAHASAN

Dalam bab ini dijelaskan penggunaan Algoritma Particle Swarm

Optimization dengan Local Search untuk menyelesaikan Uncapacitated Facility

Location Problem .

Tujuan menyelesaikan Uncapacitated Facility Location Problem adalah

meminimalkan total biaya dalam membangun fasilitas dan biaya untuk melayani

semua customer.

IV.1 Masalah Lokasi

Dalam bentuk yang sederhana, masalah lokasi didefinisikan sebagai

permasalahan untuk menentukan suatu lokasi guna membangun fasilitas yang

melayani beberapa customer. Dalam skripsi ini, diasumsikan terdapat beberapa

lokasi untuk membangun beberapa fasilitas dengan biaya tertentu dan setiap

fasilitas memiliki biaya-biaya tersendiri dalam melayani customer. Dalam skripsi

ini juga dibahas bahwa fasilitas yang dibangun tidak mempunyai batasan jumlah

dalam melayani customer. Masalah ini dinamakan Uncapacitated Facility

Location Problem.

Penyajian data di dalam Uncapacitated Facility Location Problem dibagi

menjadi dua tabel yaitu tabel biaya untuk membangun fasilitas dan tabel biaya

untuk melayani customer yang masing-masing dapat dilihat pada Tabel 4.1 dan

Tabel 4.2. Tabel biaya untuk membangun fasilitas menyajikan biaya-biaya yang

dikeluarkan jika sebuah fasilitas dibangun pada lokasi i, sedangkan tabel biaya




23

untuk melayani customer menyajikan data biaya bagi setiap fasilitas untuk

melayani customer. Sesuai dengan tujuan penyelesaian UFLP yaitu

meminimumkan biaya, maka pada Tabel 4.2 dipilih biaya pelayanan customer

paling minimum, dengan syarat fasilitas tersebut dibangun.

Tabel 4.1 Biaya untuk Membangun Fasilitas

Lokasi 1 Lokasi 2 Lokasi 3 ... Lokasi n

Biaya fc1 fc2 fc3 ... fcn

Tabel 4.2 Biaya untuk Melayani Customer

Fasilitas 1 Fasilitas 2 Fasilitas 3 ... Fasilitas n

Customer 1 c11 c12 c13 … c1n

Customer 2 c21 c22 c23 … c2n

Customer 3 c31 c32 c33 … c3n … … … …

…

…

Customer m cm1 cm2 cm3 … cmn

Keterangan:

n = banyaknya lokasi yang akan dibangun fasilitas

fci = biaya yang dibutuhkan untuk membangun fasilitas i pada lokasi ke-i.

m = banyaknya customer

cij = biaya untuk melayani customer ke-j pada fasilitas ke- i.

i = 1, 2, ..., n

j = 1, 2, ..., m

Adapun prosedur penyelesaian Uncapacitated Facility Location Problem

dengan Algoritma PSO-LS akan dijelaskan pada subbab selanjutnya.




24

IV.2 Particle Swarm Optimization

Algoritma Particle Swarm Optimization (PSO) merupakan salah satu teknik

pencarian solusi yang diadopsi dari perilaku sosial binatang. Partikel-partikel

sebagai kandidat solusi PSO dianalogikan sebagai burung atau ikan yang mencari

makan bersama dalam suatu gerombolan besar (swarm). Partikel sebagai

penyelesaian dari UFLP mempunyai tiga komponen inti, yaitu vektor posisi,

vektor kecepatan, dan vektor open facility. Terdapat tiga prosedur pokok dalam

Algoritma PSO, yaitu: inisialisasi komponen partikel, evaluasi nilai fitness

partikel, dan update komponen partikel.

Inisialisasi komponen partikel meliputi pembangkitan posisi dan kecepatan

partikel serta penghitungan vektor open facility. Setelah prosedur inisialisasi

selesai, dilakukan evaluasi terhadap masing-masing partikel. Proses evaluasi

meliputi penghitungan biaya membangun fasilitas dan biaya pelayanan customer.

Besarnya biaya pembangunan fasilitas bergantung pada banyaknya fasilitas yang

dibangun. Setiap fasilitas yang dibangun diasumsikan dapat melayani setiap

customer, hanya saja dipilih biaya pelayanan paling minimum. Jumlahan dari

biaya pembangunan fasilitas dan biaya pelayanan customer inilah yang menjadi

nilai fitness tiap partikel. Nilai fitness ini kemudian menjadi dasar untuk

menetapkan vektor-vektor Personal Best dan vektor Global Best, makin kecil nilai

fitness, semakin besar pula kesempatan partikel itu untuk menjadi vektor Personal

Best dan Global Best. Partikel sebagai vektor global best nantinya dipilih sebagai

solusi untuk Algoritma PSO.

Setelah ditetapkan vektor-vektor Personal Best dan vektor Global Best,

dilakukan update komponen partikel. Kecepatan partikel di-update pertama kali




25

menggunakan persamaan (2.5), selanjutnya menempatkan posisi partikel

sebagaimana persamaan (2.6) dan terakhir menghitung vektor open facility

dengan persamaan (2.4). Berikut Algoritma Particle Swarm Optimization (PSO)

berdasarkan Sevkli dan Guner (2006) dengan sedikit perubahan.

Algoritma

Begin

Initialize particles positions ( )

Initialize particles velocities ( )

for each particle

Find open facility vector ( )

Evaluate

Find the personal best ( ) and the global best ( ) Do { Update velocity and position vectors

Update open facility vector

Evaluate

Find the personal best ( ) and the global best ( ) } while (Termination)

End

End

IV.3 Local Search

Algoritma Local Search (LS) diaplikasikan dalam Algoritma PSO untuk

meningkatkan kualitas solusi, yaitu dengan mencari solusi pada daerah sekitar

Global Best. Vektor Global Best yang didapatkan pada tiap iterasi PSO kemudian

diambil sebagai Initial solution (solusi awal) bagi Algoritma Local Search.

Dalam Algoritma Local Search, adalah posisi Global Best partikel, adalah

solusi awal Algoritma Local Search, adalah hasil modifikasi , η dan κ adalah

bilangan random integer sebagai operator yang berfungsi untuk menutup fasilitas

yang terbuka atau sebaliknya, t adalah banyaknya iterasi, serta f( ) adalah nilai




26

fitness . Berikut Algoritma Local Search (LS) berdasarkan Sevkli dan Guner

(2006) dengan sedikit perubahan.

Algoritma

Begin

;

Modify based on η and κ;

for t 0 to max_iter do

Apply Flip to and get ;

if ( f( ) ≤ f( ) ) do

else

t = t+1;

end

end

if f( ) ≤ f( ) do

; end End

IV.4 Particle Swarm Optimization dengan Local Search

Algoritma Particle Swarm Optimization dengan Local Search (PSO-LS)

merupakan gabungan algoritma PSO dengan algoritma LS. Pada awalnya

dilakukan proses inisialisasi awal komponen partikel, evaluasi awal dan penetapan

personal best dan global best awal. Kemudian pada saat iterasi, dilakukan update

komponen partikel, evaluasi lagi hingga didapat personal best dan global best

baru. Global best inilah yang menjadi solusi awal algoritma LS. Proses algoritma

LS dimulai dengan memodifikasi solusi awal, melakukan operasi flip, dan

menentukan solusi baru jika nilai fitness solusi awal tidak lebih baik. Berikut

Algoritma Particle Swarm Optimization dengan Local Search (PSO-LS)

berdasarkan Sevkli dan Guner (2006) dengan sedikit perubahan.




27

Algoritma

Begin

Initialize particles positions ( );

Initialize particles velocities ( );

for each particle

Find open facility vector ( );

Evaluate;

Find the personal best ( ) and the global best ( ); Do { Update velocity and position vectors;

Update open facility vector;

Evaluate;

Find the personal best ( ) and the global best ( );

Apply Local Search Algorithm; } while (Termination)

End

End

IV.4.1 Pengisian Parameter

Proses pengerjaan algoritma pertama kali adalah pengisian parameter.

Parameter yang digunakan diantaranya: sw_size adalah jumlah partikel dalam satu

swarm, dan adalah konstanta tingkat pengalaman partikel atau disebut juga

koefisien sosial dan kognitif, PSOLSIter adalah jumlah iterasi maksimum yang

ditetapkan untuk Algoritma PSO-LS, dan LSIter adalah jumlah iterasi untuk

Algoritma Local Search. Di bawah ini adalah algoritma pengisian parameter.

Algoritma

Begin

Swarm size: sw_size;

The social and cognitive variables: and ;

Number of PSO-LS iteration: PSOLSIter;

Number of LS iteration: LSIter;

End




28

IV.4.2 Generate Posisi

Himpunan vektor posisi ( ) terdiri dari sejumlah n.m komponen posisi ( ),

dimana n adalah jumlah partikel dan m adalah jumlah lokasi. Algoritma untuk

membangkitkan komponen vektor posisi ( ) diberikan di bawah ini.

Algoritma

Begin

for i1 to n

for j1 to m

random number in range [-10,10];

end

end

End

IV.4.3 Generate Kecepatan

Himpunan vektor kecepatan ( ) terdiri dari sejumlah n.m komponen, dimana

n adalah jumlah partikel dan m adalah jumlah lokasi, serta adalah komponen

Algoritma untuk membangkitkan diberikan di bawah ini.

Algoritma

Begin

for i 1 to n

for j 1 to m

random number in range [-4,4];

end

end

End




29

IV.4.4 Mendapatkan open facility

Himpunan vektor open facility ( ) terdiri dari sejumlah n.m komponen open

facility( ). Berdasarkan persamaan (2.4), komponen Open Facility partikel ( )

berasal dari sisa hasil bagi dua untuk bilangan bulat terbesar komponen

posisi partikel ( ). Algoritma untuk mendapatkan diberikan di bawah ini.

Algoritma

Begin

for i1 to n

for j1 to m

Compute ⌊ ⌋ ;

end

end

End

IV.4.5 Evaluasi

Pada saat proses evaluasi, semua partikel dihitung nilai fungsi tujuannya.

Adapun nilai fungsi tujuan masing-masing partikel (nilai Z) disebut juga sebagai

nilai fitness ( ). Berikut algoritma untuk menghitung nilai fungsi tujuan (evaluasi)

partikel.

Algoritma

Begin

for particle 1 to sw_size;

∑∑ ∑

Set fitness(particle) value ;

end

End




30

IV.4.6 Penentuan Personal Best ( )

Personal Best adalah vektor posisi partikel ke-i ( ) dengan nilai fitness

terbaik pada iterasi tertentu. Nilai fitness personal best pada partikel ke-i

dinotasikan dengan , dengan

* + dan adalah nilai fitness

partikel ke-i pada saat iterasi ke-t. Berikut algoritma penentuan personal best.

Algoritma

Begin

for t 1 to max_iter

for i 1 to sw_size

{

};

position vektor when

;

end

end

End

IV.4.7 Penentuan Global Best

Global Best adalah vektor posisi partikel dalam satu swarm dengan nilai

fitness terbaik. Nilai fitness global best pada swarm dinotasikan dengan , dimana

{ } , dengan

adalah nilai fitness personal best pada partikel ke-i.

Dengan demikian, adalah vektor posisi dimana nilai fitness partikel adalah nilai

fitness terbaik dalam swarm ( ). Berikut algoritma penentuan global best.

Algoritma

Begin

for t 1 to max_iter

for i 1 to sw_size

{ };

position vektor when ;

end

end

End




31

IV.4.8 Update Kecepatan

Setelah mendapatkan vektor-vektor Personal Best dan vektor Global Best,

dapat dilakukan proses update kecepatan partikel. ( ) adalah komponen

kecepatan untuk partikel ke-i pada iterasi ke-t, w adalah bobot inersia, dan

adalah koefisien social dan kognitif, dan adalah bilangan yang dibangkitkan

secara random, ( ) adalah komponen vektor posisi personal best pada iterasi

ke-t, ( ) adalah komponen vektor posisi pada iterasi ke-t, ( ) adalah komponen

vektor posisi global best pada iterasi ke-t. Algoritma untuk meng-update

kecepatan diberikan di bawah ini.

Algoritma

Begin

for t 1 to max_iter

for i 1 to n

for k 1 to m

( )

( ) ( ( )

( )) ( ( )

( ))

end

end

end

End

IV.4.9 Update Posisi

Setelah sebelumnya dilakukan proses update kecepatan, maka selanjutnya

dilakukan proses update posisi. Komponen vektor posisi pada iterasi ke-(t+1)

yang dinotasikan sebagai ( ), adalah jumlahan komponen vektor posisi pada

iterasi ke-t ( ) dengan komponen vektor kecepatan pada iterasi ke-(t+1)

( ( )). Proses update posisi dilakukan dengan Algoritma berikut ini.




32

Algoritma

Begin

for t1 to max_iter

for i1 to n

for k1 to m

( )

( ) ( )

end

end

end

End

Setelah didapat vektor posisi baru, dilakukan update vektor open facility.

Kemudian dilakukan evaluasi tiap partikel baru, kemudian ditentukan Personal

Best dan Global best baru. Global best adalah solusi untuk algoritma PSO.

Vektor posisi Global best inilah yang kemudian menjadi solusi awal bagi

Algoritma Local Search.

IV.4.10 Modifikasi Solusi Awal Algoritma Local Search

Solusi awal untuk algoritma local search ( ) adalah vektor posisi baru yang

merupakan vektor posisi global best ( ). kemudian dimodifikasi berdasarkan

dua bilangan random integer dan yang berfungsi untuk memilih fasilitas mana

yang akan dibuka atau ditutup. yang telah dimodifikasi ini kemudian menjadi

solusi baru ( ). Algoritma untuk modifikasi menjadi adalah berikut ini.

Algoritma

Begin

while ( or ) do

Modify by formulation:

{

end

modification;

End




33

IV.4.11 Mengaplikasikan operator flip ke dan Mendapatkan

Aplikasi operator flip pada vektor posisi berfungsi untuk membuka atau

menutup fasilitas berdasarkan bilangan random . Awalnya bilangan random

dibangkitkan, kemudian dipilih formulasi flip yang sesuai dengan . Algoritma

untuk mengaplikasikan operator flip adalah berikut ini.

Algoritma

Begin

Generate random number

while i1 to n

Flip s by formulation:

{

end

after flip;

End

Dengan , - dan [ ( )].

Setelah operasi flip telah dilakukan, langkah selanjutnya adalah

membandingkan nilai fitness dan . Jika ( ) ( ), maka diganti dengan

. Jika tidak, maka ulangi hingga max_iter. Setelah iterasi selesai, langkah

terakhir adalah membandingkan nilai fitness dan . Jika ( ) ( ), maka

gantilah dengan . Solusi dari Algoritma PSO-LS adalah .

IV.5 Program

Berdasarkan prosedur yang telah dijelaskan sebelumnya, dibuat program

untuk menyelesaikan uncapacitated facility location problem dengan

menggunakan Java seperti pada Lampiran 3. Program ini dibuat untuk




34

mempermudah perhitungan dalam menentukan total biaya minimum atau fungsi

tujuan UFLP dengan Algoritma PSO-LS.

IV.6 Data

Data Uncapacitated Facility Location Problem (UFLP) yang digunakan pada

skripsi ini terdiri dari dua jenis data, yaitu:

1. Data dengan 10 lokasi dan 15 customer yang diakses dari Beasley (2005a)

dengan sedikit modifikasi yaitu dengan mengurangi jumlah lokasi dan jumlah

customer untuk memudahkan perhitungan secara manual (Lampiran 1).

2. Data 50 lokasi dan 50 customer yang diambil dari situs Beasley (2005b)

(Lampiran 2).

IV.7 Contoh Uncapacitated Facility Location Problem (UFLP) dengan

Menggunakan Data 10 Lokasi dan 15 Customer yang Diselesaikan secara

Manual

Uncapacitated Facility Location Problem (UFLP) untuk Data Kecil yang

terdiri dari 10 Lokasi dan 15 Customer (Lampiran 1) diselesaikan secara manual

dengan Algoritma Particle Swarm Optimization dengan Local Search (PSO-LS).

Proses pengerjaan manual secara lengkap disajikan pada pembahasan berikut ini.

Penyelesaian:

Tahap pertama untuk penyelesaian uncapacitated facility location problem

dengan Algoritma Particle Swarm Optimization dengan Local Search (PSO-LS)

penentuan variabel input. Variabel input yang digunakan sebagai berikut:

sw_size =10, , PSOIter = 1, LSIter = 2, , -.




35

sw_size adalah ukuran swarm yang merupakan representasi dari jumlah lokasi

yang akan dibangun fasilitas, adalah variabel yang menyatakan pengalaman

partikel dan adalah variabel yang menyatakan pengalaman dari swarm

(kelompok partikel), PSOIter adalah jumlah itersi pada Algoritma PSO, LSIter

adalah jumlah iterasi pada Algoritma LS, w adalah bobot inersia yang

dibangkitkan dari bilangan random pada interval [0,1], serta dan adalah

bilangan random pada interval [0,1].

Setelah itu, dilakukan generate vektor posisi dan vektor kecepatan sebanyak

sw_size dan dilakukan penghitungan vektor open facility. Proses generate vektor

posisi dimulai dengan membangkitkan partikel-partikel yang berisi sejumlah n

bilangan random pada interval , -. Proses generate vektor posisi untuk tiap

partikel dilakukan sebanyak sw_size. Hasil selengkapnya disajikan secara rinci

pada Tabel 4.3.

Tabel 4.3 Vektor posisi

Partikel Vektor Posisi

l1 7,28 9,3 -8,45 6,47 4,38 -0,38 0,44 1,26 -2,74 0,38 l2 -3,21 9,3 -8,45 6,47 4,38 -0,38 0,44 1,26 -2,74 0,38 l3 9,11 -0,72 2,79 -6,24 -0,43 -1 2,98 -7,76 3,53 -5,21 l4 9,28 7,56 0 0 0,07 9,15 0 1 6,85 -8,06 l5 -2,2 9 0 1 6,98 -8,23 1 0 -3,93 0,1 l6 -8,45 -4,4 1 0 -3,61 6,74 0 1 5,3 -3,93 l7 -9,54 -6,83 1 0 -7,7 4,07 1 0 -6,79 4,34 l8 -0,07 4,16 1 1 -5,42 -9,02 1 0 -5,47 2,78 l9 1 0 -6,38 9,42 1 0 -7,27 8,51 1 0 l10 -3,1 6,35 1 1 -5,36 -5,33 0 1 4,62 -2,14




36

Langkah selanjutnya adalah membangkitkan vektor kecepatan. Proses

generate vektor kecepatan dimulai dengan membangkitkan partikel-partikel yang

berisi sejumlah n bilangan random pada interval , -. Proses ini dilakukan

sebanyak sw_size. Hasil selengkapnya disajikan dalam Tabel 4.4.

Tabel 4.4 Vektor kecepatan

Partikel Vektor kecepatan

v1 -1,55 -2,84 -1,12 1,13 -2,04 1,79 -0,71 -2,25 -3,37 0,37 v2 -1,55 -2,84 -1,12 1,13 -2,04 1,79 -0,71 -2,25 -3,37 0,37 v3 2,31 2,98 -1,41 1,32 -0,15 1,85 0,30 2,74 -0,09 0,54 v4 1,31 1,16 2,20 -1,72 0,67 -2,22 3,97 -3,65 3,01 -1,12 v5 -0,98 -0,16 1,42 1,10 -2,20 -2,73 1,81 -0,85 -3,74 -1,80 v6 3,85 -1,89 -1,60 2,10 0,88 2,58 2,66 -2,75 -0,81 3,27 v7 0,50 -1,15 0,68 -2,22 2,99 -0,85 0,86 1,29 3,26 -3,95 v8 2,09 0,31 1,51 -1,07 1,83 -0,70 0,79 -1,75 3,69 2,82 v9 -0,30 3,29 3,19 -1,30 0,66 -3,06 -2,41 3,73 -1,03 -3,90 v10 2,77 -0,04 -0,39 3,79 -2,36 2,07 -0,47 -3,95 -2,79 2,58

Setelah membangkitkan vektor posisi, dapat dihitung vektor open facility

dengan persamaan (2.4). Angka 1 pada vektor open facility menunjukkan bahwa

fasillitas tersebut dibangun. Sedangkan, angka 0 menunjukkan bahwa fasilitas

tersebut tidak dibangun. Proses ini dilakukan sebanyak sw_size. Hasil

selengkapnya disajikan dalam Tabel 4.5

Tabel 4.5 Vektor Open facility

Partikel Vektor Open facility

y1 1 1 0 0 0 0 0 1 0 0 y2 1 1 0 0 0 0 0 1 0 0 y3 1 0 0 0 0 1 0 1 1 1 y4 1 1 0 0 0 1 0 1 0 0 y5 0 1 0 1 0 0 1 0 1 0 y6 0 0 1 0 1 0 0 1 1 1




37

Partikel Vektor Open facility

y7 1 0 1 0 1 0 1 0 0 0 y8 0 0 1 1 1 1 1 0 1 0 y9 1 0 0 1 1 0 1 0 1 0 y10 1 0 1 1 1 1 0 1 0 0

Biaya untuk membangun fasilitas dikeluarkan hanya jika fasilitas dibangun.

Fasilitas terbangun yang dipilih untuk melayani customer adalah fasilitas dengan

biaya pelayanan customer terkecil. Dengan melihat tabel biaya untuk membangun

fasilitas dan tabel biaya untuk melayani customer, didapat data nilai fitness untuk

masing-masing partikel pada iterasi pertama yang disajikan pada Tabel 4.6.

Tabel 4.6 Nilai fungsi tujuan (Z)

Partikel Jumlah

fasilitas yang dibangun

Jumlah Biaya membangun

fasilitas

Jumlah biaya melayani customer

Nilai Fungsi tujuan (Z)

y1 3 22,500,00 321.231,59 343.731,59

y2 3 22,500,00 321.231,59 343.731,59

y3 5 37,500,00 184.612,69 222.112,69

y4 4 30,000,00 177.136,80 207.136,80

y5 4 30,000,00 142.506,26 172.506,26

y6 5 37,500,00 169.693,83 207.193,83

y7 4 30,000,00 160.017,07 190.017,07

y8 6 45,000,00 124.334,14 169.334,14

y9 5 37,500,00 140.903,66 178.403,66

y10 6 45,000,00 126.577,70 171.577,70

Nilai fitness pada masing-masing partikel menjadi patokan untuk menentukan

vektor personal best pada tiap iterasi. Adapun nilai fitness pada keseluruhan

swarm atau nilai fitness personal best pada masing-masing partikel menjadi tolok




38

ukur penentuan vektor global best. Nilai fitness terkecil akan dipilih sebagai

vektor personal best dan nilai fitness personal best terkecil menjadi vektor global

best. Untuk iterasi pertama, didapat vektor personal best adalah vektor posisi

awal. Personal best untuk iterasi pertama disajikan pada Tabel 4.7 sebagai

berikut:

Tabel 4.7 personal best

Personal

best Vektor Posisi Nilai fitness

p1 7,28 9,3 -8,45 6,47 4,38 -0,38 0,44 1,26 -2,74 0,38 343.731,59 p2 -3,21 9,3 -8,45 6,47 4,38 -0,38 0,44 1,26 -2,74 0,38 343.731,59 p3 9,11 -0,72 2,79 -6,24 -0,43 -1 2,98 -7,76 3,53 -5,21 222.112,69 p4 9,28 7,56 0 0 0,07 9,15 0 1 6,85 -8,06 207.136,80 p5 -2,2 9 0 1 6,98 -8,23 1 0 -3,93 0,1 172.506,26 p6 -8,45 -4,4 1 0 -3,61 6,74 0 1 5,3 -3,93 207.193,83 p7 -9,54 -6,83 1 0 -7,7 4,07 1 0 -6,79 4,34 190.017,07 p8 -0,07 4,16 1 1 -5,42 -9,02 1 0 -5,47 2,78 169.334,14 p9 1 0 -6,38 9,42 1 0 -7,27 8,51 1 0 178.403,66 p10 -3,1 6,35 1 1 -5,36 -5,33 0 1 4,62 -2,14 171.577,70

Sehingga didapatkan global best (g) adalah vektor personal best ke-8. Vektor

Global best untuk iterasi pertama adalah sebagai berikut:

g : 6,75 11,25 -8,12 7,5 0,06 -5,96 0,9 0,56 -7,5 2,39

Setelah mendapatkan vektor-vektor pbest dan vektor gbest, langkah

selanjutnya adalah meng-update vektor kecepatan dan vektor posisi dengan

prosedur yang telah ditentukan. Vektor kecepatan setelah di-update disajikan pada

Tabel 4.8 sebagai berikut:




39

Tabel 4.8 Vektor kecepatan setelah di-update

Partikel Vektor kecepatan v1 -0,53 1,95 0,33 1,03 -4,32 -5,58 0,46 -0,7 -4,76 2,01 v2 1,19 -4,69 5,38 -2,87 -7,21 -4,53 -0,01 -1,94 -3,44 1,7 v3 -3,57 4,42 -1,81 4,7 -2,78 -3,22 -0,89 5,83 -4,91 4,64 v4 -4,98 -1,24 2,5 -0,79 -3,01 -13,68 3,98 -3,72 -5,48 6,11 v5 -0,09 -1,31 1,16 0,7 -4,51 -1,94 1,16 -0,54 -2,78 -0,48 v6 6,48 1,26 -1,47 2,28 0,18 -3,14 2,8 -2,88 -4,51 5,36 v7 7,23 6,96 0,56 -1,12 4,12 -10,13 0,71 1,07 3,66 -4,4 v8 1,9 0,28 1,37 -0,97 1,67 -0,64 0,72 -1,59 3,36 2,57 v9 -0,56 3,41 4,51 -3,79 -1,93 -5,02 1,58 -0,9 -2,93 -1,23 v10 4,05 -1,26 -0,33 3,22 -2,04 -0,31 0,16 -3,92 -8,02 4,95

Setelah didapatkan vektor kecepatan yang baru, maka langkah selanjutnya

adalah melakukan update vektor posisi partikel, yaitu dengan menjumlahkan

komponen vektor posisi lama dengan vektor kecepatan baru. Tabel 4.9 berisi data-

data vektor posisi setelah di-update.

Tabel 4.9 Vektor posisi setelah di-update

Partikel Vektor Posisi l1 6,75 11,25 -8,12 7,5 0,06 -5,96 0,9 0,56 -7,5 2,39 l2 -2,02 4,61 -3,07 3,6 -2,83 -4,91 0,43 -0,68 -6,18 2,08 l3 5,54 3,7 0,98 -1,54 -3,21 -4,22 2,09 -1,93 -1,38 -0,57 l4 4,3 6,32 2,5 -0,79 -2,94 -4,53 3,98 -2,72 1,37 -1,95 l5 -2,29 7,69 1,16 1,7 2,47 -10,17 2,16 -0,54 -6,71 -0,38 l6 -1,98 -3,14 -0,47 2,28 -3,43 3,6 2,8 -1,88 0,79 1,43 l7 -2,31 0,13 1,56 -1,12 -3,58 -6,06 1,71 1,07 -3,13 -0,06 l8 1,83 4,44 2,37 0,03 -3,75 -9,66 1,72 -1,59 -2,11 5,35 l9 0,44 3,41 -1,87 5,63 -0,93 -5,02 -5,69 7,61 -1,93 -1,23 l10 0,95 5,09 0,67 4,22 -7,4 -5,64 0,16 -2,92 -3,4 2,81

Kemudian masing-masing partikel akan ditentukan komponen (fasilitas) yang

akan dibuka dan ditutup dengan menghitung vektor open facility. Berikut Tabel

4.10 yang menyajikan vektor-vektor open facility setelah di-update. Angka 1




40

menunjukkan bahwa fasilitas dibangun, sedangkan angka 0 menunjukkan bahwa

fasilitas tidak dibangun.

Tabel 4.10 vektor open facility setelah di-update

Partikel Vektor Open facility y1 0 1 0 1 0 1 0 0 1 0 y2 0 0 1 1 0 0 0 0 0 0 y3 1 1 0 1 1 0 0 1 1 0 y4 0 0 0 0 0 0 1 0 1 1 y5 0 1 1 1 0 0 0 0 0 0 y6 1 1 0 0 1 1 0 1 0 1 y7 0 0 1 1 1 0 1 1 1 0 y8 1 0 0 0 1 1 1 1 0 1 y9 0 1 1 1 0 1 1 1 1 1 y10 0 1 0 0 1 1 0 0 1 0

Setelah itu dilakukan evaluasi nilai fitness tiap partikel dengan menggunakan

prosedur yang telah ditentukan. Berikut Tabel 4.11 yang menyajikan data nilai

fungsi tujuan (fitness) setelah dilakukan update.

Tabel 4.11 Nilai fungsi tujuan setelah di-update

Partikel

Jumlah fasilitas

yang dibangun

Jumlah Biaya membangun

fasilitas

Jumlah biaya melayani customer

Nilai fungsi tujuan

y1 4 30.000 138.545,79

168.545,79

y2 2 15.000 161.775,79

176.775,79

y3 6 45.000 124.101,34

169.101,34

y4 3 22.500 217.764,24

240.264,24

y5 3 22.500 147.141,04

169.641,04

y6 6 45.000 144.625,35

189.625,35

y7 6 45.000 130.557,38

175.557,38

y8 6 45.000 158.995,84

203.995,84

y9 8 60.000 124.595,32

184.595,32

y10 4 30.000 156.920,97

186.920,97




41

Sebagaimana telah dijelaskan sebelumnya bahwa partikel yang terpilih

menjadi Personal Best adalah partikel dengan nilai fitness terbaik (terkecil) pada

iterasi tertentu. Tabel 4.12 berikut ini merangkum vektor posisi personal best dan

nilai fitness masing-masing.

Tabel 4.12 Personal Best setelah di-update

Personal

best Vektor Posisi Nilai fitness

p1 6,75 11,25 -8,12 7,5 0,06 -5,96 0,9 0,56 -7,5 2,39 168.545,79

p2 -2,02 4,61 -3,07 3,6 -2,83 -4,91 0,43 -0,68 -6,18 2,08 176.775,79

p3 5,54 3,7 0,98 -1,54 -3,21 -4,22 2,09 -1,93 -1,38 -0,57 169.101,34

p4 9,28 7,56 0 0 0,07 9,15 0 1 6,85 -8,06 207.136,80

p5 -2,29 7,69 1,16 1,7 2,47 -10,17 2,16 -0,54 -6,71 -0,38 169.641,04

p6 -1,98 -3,14 -0,47 2,28 -3,43 3,6 2,8 -1,88 0,79 1,43 189.625,35

p7 -2,31 0,13 1,56 -1,12 -3,58 -6,06 1,71 1,07 -3,13 -0,06 175.557,38

p8 -0,07 4,16 1 1 -5,42 -9,02 1 0 -5,47 2,78 169.334,10

p9 1 0 -6,38 9,42 1 0 -7,27 8,51 1 0 178.403,66

p10 -3,1 6,35 1 1 -5,36 -5,33 0 1 4,62 -2,14 171.577,70

Berdasarkan perbandingan nilai fitness dari tiap partikel, didapatkan vektor

posisi global best (g) adalah sebagai berikut:

g : 6,75 11,25 -8,12 7,5 0,06 -5,96 0,9 0,56 -7,5 2,39

Posisi global best (g) inilah yang kemudian diambil sebagai solusi awal bagi

algoritma local search.

Langkah selanjutnya adalah menjalankan Algoritma Local search pada posisi

global best. Vektor g ditransfer menjadi solusi awal bagi algoritma local search

dan dinamakan dengan s0.




42

s0 : 6,75 11,25 -8,12 7,5 0,06 -5,96 0,9 0,56 -7,5 2,39

Solusi awal (s0) ini kemudian dimodifikasi berdasarkan η dan κ, yaitu dua

bilangan asli yang dibangkitkan secara random sebanyak jumlah fasilitas yang

akan dibangun. Hasil modifikasi s0 menjadi vektor solusi baru yaitu s.

Misalkan didapat η dan κ masing-masing adalah 3 dan 8, maka vektor posisi

solusi awal s0 pada poin ke-3 dan ke-8 dimodifikasi sehingga didapatkan vektor

solusi baru s.

s: 6,75 11,25 -7,12 7,5 0,06 -5,96 0,9 2,56 -7,5 2,39

Fungsi fitness pada partikel solusi s0 dan s adalah f(s0) dan f(s) yaitu

masing-masing bernilai 168.545,79 dan 173.554,70. Kemudian dilakukan operasi

flip berdasarkan bilangan random ρ sehingga didapatkan solusi baru s1. Misalkan

ditentukan operasi flip adalah sebanyak 2 kali.

Berikut ini adalah operasi flip.

1. Flip 1

Untuk ρ = 0,89

Karena ρ > 0,5 maka s1 = s-1, sehingga didapatkan vektor baru s1:

s1: 5,75 10,25 -8,12 6,5 -0,94 -6,96 -0,1 1,56 -8,5 1,39

Selanjutnya dilakukan evaluasi terhadap calon solusi hasil flip operator dan

didapatkan nilai fitness sebesar 401,829.18. karena nilai fitness s1 lebih besar

dari nilai fitness s, maka iterasi dilanjutkan.




43

2. Flip 2

Untuk ρ = 0,01

Karena ρ < 0,5 maka s1 = s+1, sehingga didapatkan vektor baru s1:

s1 : 7,75 12,25 -6,12 8,5 1,06 -4,96 1,9 3,56 -6,5 3,39

Selanjutnya dilakukan evaluasi terhadap calon solusi hasil flip operator dan

didapatkan nilai fitness sebesar 218.999,76.

Setelah dilakukan iterasi sebanyak 2 kali, ternyata nilai fitness yang

didapatkan tidak lebih baik dari nilai fitness solusi awal. Oleh karena itu, solusi

yang diambil adalah solusi awal:

s0 : 6,75 11,25 -8,12 7,5 0,06 -5,96 0,9 0,56 -7,5 2,39

Solusi ini kemudian dikonversi menjadi bilangan biner sebagai berikut :

y : 0 1 0 1 0 1 0 0 1 0

Angka 0 menyatakan fasilitas tidak dibangun, sedangkan angka 1 menyatakan

fasilitas dibangun. Dengan demikian dapat disimpulkan bahwa fasilitas yang

dibangun adalah fasilitas 2, fasilitas 4, fasilitas 6 dan fasilitas 9. Data biaya

pembangunan masing-masing fasilitas disajikan pada Tabel 4.13.

Tabel 4.13 Biaya Pembangunan fasilitas pada Lokasi Pembangunan

Lokasi Pembangunan Biaya

2 7.500 4 7.500 6 7.500 9 7.500

Total 30.000




44

Oleh karena setiap customer harus dilayani oleh fasilitas yang terbuka, dan

pada fungsi tujuan adalah meminimalkan, maka untuk masing-masing customer

dipilih fasilitas dengan biaya pelayanan minimal. Berikut ini alokasi customer

pada fasilitas beserta biaya pelayanannya.

1. Customer 1 dilayani oleh fasilitas 4 dengan biaya pelayanan 5.219,50









10. Customer 10 dilayani oleh fasilitas 4 dengan biaya pelayanan 869,60






Fungsi tujuan adalah jumlahan dari biaya pembangunan fasilitas terpilih dan

biaya pelayanan customer oleh fasilitas terpilih (fasilitas dengan biaya pelayanan

paling minimal). Dengan demikian, fungsi tujuan (Z) untuk kasus UFLP pada

data Lampiran 1 adalah sebesar 168.545,79.




45

IV.8 Implementasi Program Pada Contoh Kasus Uncapacitated facility

location problem

Program dari algoritma PSO-LS yang telah dibuat (Lampiran 3), digunakan

untuk menyelesaikan Uncapacitated Facility Location Problem dengan data pada

Lampiran 1 dan Lampiran 2.

IV.8.1 Menggunakan Data pada Lampiran 1

Hasil running program dengan parameter: sw_size =10, ,

dan , didapat nilai fungsi tujuan (Z) sebesar

151.558,725. Hasil selengkapnya pada Lampiran 4.

Berdasarkan perhitungan manual pada Data Lampiran 1, diperoleh Nilai

fungsi tujuan sebesar 168.545,79. Di sisi lain, perhitungan data Lampiran 1

menggunakan program yang telah dibuat menghasilkan nilai fungsi tujuan sebesar

151.558,725. Hal ini menunjukkan bahwa dengan menggunakan program,

didapatkan nilai fungsi tujuan yang lebih baik.

IV.8.2 Menggunakan Data pada Lampiran 2

Dalam mengaplikasikan program untuk menyelesaikan uncapacitated facility

location problem untuk data Lampiran 2 dengan menggunakan parameter-

parameter: sw_size =10, , dan

diperoleh hasil partikel dengan fitness terbaik seperti pada Lampiran 5.

IV.8.3 Perbandingan Hasil Perhitungan dengan Parameter Berbeda Pada

Algoritma PSO-LS menggunakan Data pada Lampiran 1




46

Dalam mengaplikasikan program untuk menyelesaikan uncapacitated facility

location problem dengan data Lampiran 1 menggunakan ukuran partikel sejumlah

lokasi yaitu 10, iterasi PSO dan iterasi LS sebanyak 10 kali. Dalam hal ini,

digunakan ukuran swarm (sw_size) sebanyak 10, 30, dan 50 partikel, dengan

koefisien sosial dan kognitif ( dan ) masing-masing merupakan kombinasi

dari 1, 3, dan 5 sehingga diperoleh hasil seperti pada Tabel 4.14.

Tabel 4.14 Hasil perbandingan perhitungan nilai fungsi tujuan (Z) pada data Lampiran 1

Ukuran swarm Z

10

1

1 149.690,4750

3 149.690,4750

5 149.690,4750

3

1 149.690,4750

3 149.690,4750

5 149.690,4750

5

1 149.690,4750

3 149.690,4750

5 149.690,4750

30

1

1 149.690,4750

3 149.690,4750

5 149.690,4750

3

1 149.690,4750

3 149.690,4750

5 149.690,4750

5

1 149.690,4750

3 149.690,4750

5 149.690,4750




47

Ukuran swarm Z

50

1

1 149.690,4750

3 149.690,4750

5 149.690,4750

3

1 149.690,4750

3 149.690,4750

5 149.690,4750

5

1 149.690,4750

3 149.690,4750

5 149.690,4750

Dari hasil running program pada Tabel 4.14, didapat nilai fungsi tujuan

terbaik yaitu 149.690,4750.

IV.8.4 Perbandingan Hasil Perhitungan dengan Parameter Berbeda Pada

Algoritma PSO-LS menggunakan Data pada Lampiran 2

Dalam mengaplikasikan program penyelesaian uncapacitated facility

location problem dengan data Lampiran 2 dengan variabel input ukuran partikel

sejumlah lokasi yaitu 50, iterasi PSO dan iterasi LS sebanyak 10 kali. Dalam hal

ini, digunakan ukuran swarm (sw_size) sebanyak 10, 30, dan 50, dan koefisien

sosial dan kognitif ( dan ) masing-masing adalah kombinasi 1, 3, dan 5,

sehingga diperoleh hasil seperti pada Tabel 4.15.

Tabel 4.15 Hasil Perbandingan perhitungan nilai fungsi tujuan pada data Lampiran 2

Ukuran swarm Z

10 1 1 793.439,5625

3 793.439,5625

5 793.439,5625




48

Ukuran swarm Z

10

3

1 793.439,5625

3 793.439,5625

5 793.439,5625

5 1 793.439,5625

3 793.439,5625

5 793.439,5625

30

1 1 793.439,5625

3 793.439,5625

5 793.439,5625

3 1 793.439,5625

3 793.439,5625

5 793.439,5625

5

1 793.439,5625

3 793.439,5625

5 793.439,5625

50

1 1 793.439,5625

3 793.439,5625

5 793.439,5625

3 1 793.439,5625

3 793.439,5625

5 793.439,5625

5 1 793.439,5625

3 793.439,5625

5 793.439,5625

Dari hasil running program pada Tabel 4.15, didapat nilai fungsi tujuan

terbaik yaitu 793.439,5625. Nilai fungsi tujuan ini telah mencapai titik optimal

sebagaimana dijelaskan oleh Beasley (2005b) (Lampiran 7).




49

BAB V

KESIMPULAN DAN SARAN

V.1 Kesimpulan

1. Algoritma Particle swarm optimization dengan Local Search (PSO-LS) dapat

diterapkan sebagai penyelesaian uncapacitated facility location problem

(UFLP). Proses yang dilakukan antara lain: membangkitkan posisi dan

kecepatan partikel pada swarm, mengevaluasi swarm, meng-update kecepatan

dan posisi, mengevaluasi swarm yang telah di-update, mendapatkan solusi

Algoritma PSO (global best), kemudian melakukan Local search di sekitar

global best.

2. Program untuk menyelesaikan UFLP dengan menggunakan algoritma PSO-

LS dapat dibuat dengan bahasa pemrograman Java dengan NetBeans IDE.

3. Implementasi program untuk contoh kasus menggunakan data 10 lokasi

dengan 15 customer (Lampiran 1), diperoleh nilai fungsi tujuan terbaik yaitu

149.690,4750, sedangkan untuk data 50 lokasi dengan 50 customer

(Lampiran 2), diperoleh nilai fungsi tujuan terbaik yaitu 793.439,5625.

4. Hasil perhitungan menunjukkan bahwa nilai fungsi tujuan untuk data 50

lokasi dengan 50 customer (Lampiran 2) telah mencapai hasil optimumnya

sebagaimana Beasley (2005b).




50

V.2 Saran

Untuk penelitian berikutnya, algoritma PSO-LS dapat dikombinasikan

dengan beberapa algoritma lain seperti algoritma genetika (Genetic Algorithm),

algoritma semut (Ant Colony Optimization) dan algoritma lainnya, sehingga

pencapaian solusi optimal menjadi lebih cepat. Selain itu, algoritma PSO-LS juga

dapat digunakan sebagai metode penyelesaian berbagai masalah optimasi lainnya,

misalnya Travelling Salesman Problem (TSP), Vehicle Routing Problem (VRP)

dan Job Shop Scheduling Problem (JSSP).




51

DAFTAR PUSTAKA

Sevkli, M and Guner, A.R., 2006, Ant Colony Optimization and Swarm Intelligence: A continuous Particle Swarm Optimization for Uncapacitated Facility Location Problem, Lecture Notes in Computer Science, 4150:316-323.

Eberhart, R.C. and Kennedy, J., 1995, A New Optimizer Using Particle Swarm Theory. In Proc. of the 6th Int. Symposium on Micro Machine and Human Science, Nagoya Japan (39–43).

Chartrand, G. and Oellermann, O.R., 1993, Applied and Algorithmic Graph Theory, Mc Graw-Hill: New York.

Zomaya, A.Y., 1996, Parallel and Distributed Computing Handbook, Mc Graw Hill: New York.

Gen, M. and Cheng, R., 1997, Genetic Algorithm and Engineering Design, John Wiley & Sons: New York.

Obitko, M.,1998, Genetic Algorithms, Czech Technical University: Prague, Czech Republic.

Kadir, Abdul, 2004, Dasar Pemrograman Java 2. Penerbit ANDI: Yogyakarta.

Beasly, J.E., 2005a. OR-Library: http://people.brune1.ac.uk/~mastjjb/jeb/orlib /files/cap71.txt, tanggal akses: 16 Maret 2012.

Beasly, J.E., 2005b. OR-Library: http://people.brune1.ac.uk/~mastjjb/jeb/ orlib/files/cap131.txt, tanggal akses: 16 Maret 2012.




http://people.brune1.ac.uk/~mastjjb/jeb/orlib%20/files/cap71.txt

http://people.brune1.ac.uk/~mastjjb/jeb/orlib%20/files/cap71.txt

http://people.brune1.ac.uk/~mastjjb/jeb/%20orlib/files/cap131.txt


Lampiran 1: Data 10 Lokasi dengan 15 Customer

Biaya untuk Membangun Fasilitas:

Lokasi 1 Lokasi 2 Lokasi 3 Lokasi 4 Lokasi 5 Lokasi 6 Lokasi 7 Lokasi 8 Lokasi 9 Lokasi 10 Biaya 7.500 7.500 7.500 7.500 7.500 7.500 7.500 7.500 7.500 7.500

Biaya untuk Melayani Customer:

Fasilitas 1 Fasilitas 2 Fasilitas 3 Fasilitas 4 Fasilitas 5 Fasilitas 6 Fasilitas 7 Fasilitas 8 Fasilitas 9 Fasilitas 10 Customer 1 6.739,7250 10.355,0500 7.650,4000 5.219,5000 5.776,1250 6.641,1750 4.374,5250 3.847,1000 6.429,4750 5.396,5250 Customer 2 3.204,8625 5.457,0750 3.845,4000 2.396,8500 2.628,4875 3.220,0875 1.838,9625 2.266,3500 3.117,8625 2.582,8125 Customer 3 4.914,0000 26.409,6000 19.622,4000 13.876,8000 9.147,6000 14.977,2000 21.848,4000 35.330,4000 15.111,6000 23.679,6000 Customer 4 32.372,1125 29.982,2250 21.024,3250 29.681,4000 21.275,0125 20.071,7125 64.292,9875 80.186,5750 25.921,0875 69.206,4625 Customer 5 1.715,4625 2.152,1750 1.577,9000 1.061,7500 1.250,4625 1.363,6125 1.524,0375 955,5750 1.318,6625 1.789,0875 Customer 6 6.421,5125 23.701,6000 16.197,0250 10.383,4250 7.483,6125 12.332,9375 15.840,6625 27.251,2500 12.444,7375 17.769,2125 Customer 7 81.972,3750 28.499,2500 43.134,0000 65.767,5000 58.805,6250 48.555,3750 138.615,3750 155.294,2500 53.176,8750 147.325,1250 Customer 8 33.391,4625 26.544,3750 6.370,6500 16.770,6000 13.571,6625 8.861,7375 51.550,5375 57.907,5750 10.985,2875 57.376,6875 Customer 9 2.020,8375 2.480,7750 1.869,4500 1.324,9500 1.525,8375 1.646,2875 1.817,0625 1.211,9250 1.593,4875 2.099,2125 Customer 10 1.459,6000 1.995,2000 1.402,4000 869,6000 1.050,8000 1.181,2000 1.133,2000 546,4000 1.134,8000 1.406,8000 Customer 11 141.015,4375 205.925,1250 104.130,2500 12.638,5000 46.089,3125 66.146,0625 198.300,8125 220.212,1250 58.178,3125 241.573,9375 Customer 12 17.684,5000 32.069,4000 15.322,8000 8.429,8000 1.231,7000 9.073,9000 32.781,3000 41.335,4000 9.254,7000 37.595,1000 Customer 13 38.207,6250 42.477,3500 15.319,7000 15.832,8000 11.526,4250 5.185,9750 62.653,1750 71.210,9500 11.563,0750 70.496,2750 Customer 14 1.953,7375 5.044,3250 4.089,8000 3.428,4250 2.289,7875 3.530,3125 5.553,7625 8.308,3000 3.558,9125 5.947,0125 Customer 15 17.181,5625 36.054,3750 25.399,5000 16.297,5000 15.828,5625 21.148,3125 7.310,8125 21.709,5000 20.779,3125 12.569,0625




Lampiran 2 – 1 Lampiran 2: Data 50 Lokasi dengan 50 Customer

Biaya Untuk Membangun Fasilitas



Lokasi 21 Lokasi 22 Lokasi 23 Lokasi 24 Lokasi 25 Lokasi 26 Lokasi 27 Lokasi 28 Lokasi 29 Lokasi 30 Biaya 7.500 7.500 0 7.500 7.500 7.500 7.500 7.500 7.500 7.500






Lampiran 2 – 2 Biaya Untuk Melayani Customer

a. Untuk Fasilitas 1 sampai Fasilitas 10

Fasilitas 1 Fasilitas 2 Fasilitas 3 Fasilitas 4 Fasilitas 5 Fasilitas 6 FasiIitas 7 Fasilitas 8 Fasilitas 9 Fasilitas 10 Customer 1 2.609,7500 3.292,3000 6.739,7250 8.933,3750 6.803,6000 5.984,1750 10.355,0500 7.650,4000 8.084,7500 4.246,7750

Customer 2 2.368,5750 1.148,4000 3.204,8625 4.509,8625 4.028,1000 2.752,4625 5.457,0750 3.845,4000 4.791,5250 2.504,5125

Customer 3 38.119,2000 28.711,2000 4.914,0000 17.161,2000 44.553,6000 7.030,8000 26.409,6000 19.622,4000 50.450,4000 35.490,0000

Customer 4 94.158,2250 75.406,8000 32.372,1125 11.548,3375 94.124,8000 35.112,9625 29.982,2250 21.024,3250 10.5322,1750 79.267,3875

Customer 5 1.432,2000 1.277,9750 1.715,4625 1.883,6375 566,5250 1.580,6125 2.152,1750 1.577,9000 838,5500 876,1375

Customer 6 29.389,4250 21.549,4500 6.421,5125 15.994,3875 35.203,0250 3.514,7125 23.701,6000 16.197,0250 40.108,2500 27.663,5125

Customer 7 181.956,7500 151.443,0000 81.972,3750 45.118,8750 17.9349,7500 86.890,1250 28.499,2500 43.134,0000 199.791,0000 153.664,8750

Customer 8 70.158,8250 56.137,9500 33.391,4625 20.160,1125 68.960,9250 32.030,2125 26.544,3750 6.370,6500 78.353,5500 57.158,8875

Customer 9 1.719,3000 1.555,1250 2.020,8375 2.186,6625 797,7750 1.877,2875 2.480,7750 1.869,4500 697,9500 1.127,3625

Customer 10 1.038,4000 879,2000 1.459,6000 1.709,2000 1.024,8000 1.320,4000 1.995,2000 1.402,4000 1.305,6000 464,4000

Customer 11 282.030,8750 211.282,7500 141.015,4375 15.6813,5625 275.986,3750 123.980,9375 20.5925,1250 10.4130,2500 324.205,0000 216.434,3125

Customer 12 50.691,8000 38.013,2000 17.684,5000 20.961,5000 51.754,0000 16.554,5000 32.069,4000 15.322,8000 59.686,6000 41.572,7000

Customer 13 87.703,4500 68.425,5500 38.207,6250 29.484,9250 86.090,8500 36.375,1250 42.477,3500 15.319,7000 98.955,0000 70.203,0750

Customer 14 8.994,7000 7.014,1500 1.953,7375 3.076,2875 10.270,9750 2.400,6125 5.044,3250 4.089,8000 11.525,8000 8.342,2625

Customer 15 22.109,2500 13.806,7500 17.181,5625 27.575,0625 34.163,2500 13.983,5625 36.054,3750 25.399,5000 39.559,8750 23.393,0625

Customer 16 16.807,2000 14.001,3000 25.640,8500 30.561,7500 19.556,7000 22.905,4500 35.602,5000 25.154,4000 24.505,8000 9.679,6500

Customer 17 10.299,9500 7.390,2000 7.031,4250 8.472,1750 10.011,8000 6.048,3250 10.492,0500 6.305,4000 12.559,9500 6.963,6250

Customer 18 175.305,0000 136.474,0000 78.453,7000 73.100,3000 171.987,4000 74.683,7000 92.515,8000 36.644,4000 198.000,4000 139.301,5000

Customer 19 14.104,7500 10.872,6750 9.452,7125 10.186,4125 10.309,7500 8.668,4125 12.441,2750 7.754,4500 12.529,8250 10.040,9375

Customer 20 4.719,0000 4.738,5000 8.597,0625 11.897,4375 10.320,3750 7.583,0625 14.113,1250 10.500,7500 12.031,5000 6.905,4375




Lampiran 2 – 3

Fasilitas 1 Fasilitas 2 Fasilitas 3 Fasilitas 4 Fasilitas 5 Fasilitas 6 Fasilitas 7 Fasilitas 8 Fasilitas 9 Fasilitas 10

Customer 21 2.204,0000 1.718,5500 1.581,2750 1.691,4750 1.302,4500 1.463,4750 2.030,1500 1.326,2000 1.635,9000 1.593,6250

Customer 22 33.087,0000 23.443,3500 23.170,9875 37.575,93705 50.155,0500 19.559,6625 48.702,4500 36.072,9000 57.236,4750 36.022,4625

Customer 23 29.547,3750 21.819,6000 12.087,5625 14.277,7875 30.208,5750 10.393,2375 19.877,3250 9.670,0500 34.960,9500 23.989,1625

Customer 24 19.258,4000 15.154,4000 4.883,0000 8.660,2000 22.473,2000 5.240,2000 12.851,6000 10.822,4000 25.140,8000 18.677,0000

Customer 25 32.600,7000 22.120,4500 24.063,8750 31.410,2250 36.263,7000 20.115,9750 39.682,5000 24.603,1500 43.406,5500 26.098,8750

Customer 26 19.133,1750 14.415,1750 4.124,0375 7.502,4625 21.736,5000 4.258,8375 12.148,8500 8.180,6750 24.693,6750 17.191,2125

Customer 27 175.156,8000 190.444,8000 281.463,0000 355.282,2000 238.383,6000 25.8749,4000 40.6770,0000 325.852,8000 225.170,4000 205.569,0000

Customer 28 31.417,6500 23.339,6500 11.056,7625 15.023,6375 33.379,4500 9.282,4875 22.113,5250 11.424,6000 38.298,3750 25.597,1625

Customer 29 22.292,5000 15.532,4500 8.585,6250 15.815,6250 27.305,3000 6.079,2250 22.449,1500 14.122,6000 31.534,8500 21.286,3250

Customer 30 35.887,5000 29.205,0000 12.480,1875 18.630,5625 41.122,1250 13.061,8125 25.455,3750 22.151,2500 45.465,7500 34.940,8125

Customer 31 12.035,1000 8.916,6000 3.727,7625 7.937,7375 15.528,9750 2.988,5625 11.116,8750 8.229,3750 17.556,0000 12.413,3625

Customer 32 16.816,4500 12.300,4000 4.673,0250 8.907,3250 19.038,2500 3.674,8250 13.346,9000 7.880,9500 21.863,8000 14.695,2750

Customer 33 33.291,0000 24.043,5000 13.451,6875 25.678,9375 45.466,8750 10.386,3125 35.106,2500 25.927,2500 51.477,7500 34.720,9375

Customer 34 946.126,8000 772.783,2000 372.672,6000 171.891,0000 941.607,6000 399.465,0000 229.188,0000 203.364,0000 1.052.973,6000 801.673,8000

Customer 35 11.074,3750 6.516,2500 9.745,9375 14.620,9375 17.265,6250 8.055,9375 18.070,0000 12.049,3750 20.125,6250 11.582,1875

Customer 36 15.829,5000 11.730,3000 12.055,1250 14.909,9250 14.887,0500 10.463,0250 18.181,0500 11.400,9000 18.098,7000 9.950,6250

Customer 37 260.549,2250 211.357,8250 97.602,7125 40.426,8875 259.264,37500 105.128,2620 73.603,5500 59.561,9750 291.477,4000 219.479,9125

Customer 38 137.814,5750 108.160,3750 60.774,5125 37.261,3875 137.095,3500 58.008,2625 63.568,4250 27.330,5500 156.514,4250 113.056,6375

Customer 39 45.190,5000 41.683,1250 54.470,0625 59.493,1875 29.821,5000 51.403,3125 65.177,2500 52.117,1250 27.688,8750 32.544,5625

Customer 40 22.574,6000 17.974,4000 7.146,3000 4.104,1000 23.542,2000 8.089,3000 8.618,2000 6.428,8000 26.371,2000 19.848,1000




Lampiran 2 – 4

Fasilitas 1 Fasilitas 2 Fasilitas 3 Fasilitas 4 Fasilitas 5 Fasilitas 6 Fasilitas 7 Fasilitas 8 Fasilitas 9 Fasilitas 10

Customer 41 80.057,6250 56.481,6000 38.011,6125 53.182,6375 85.773,0250 30.699,2625 70.728,0750 39.587,5500 100.523,8000 63.100,5375 Customer 42 58.028,1500 43.758,4750 39.723,3125 42.962,6125 45.043,0250 36.260,6125 52.917,8750 32.225,4500 54.677,1500 40.086,3375 Customer 43 11.687,5000 10.319,3750 16.111,5625 18.256,5625 9.625,0000 14.832,8125 20.714,3750 15.620,0000 8.793,1250 7.559,0625 Customer 44 19.812,5000 14.312,5000 16.981,2500 25.818,7500 30.875,0000 14.743,7500 32.575,0000 23.312,5000 35.262,5000 22.118,7500 Customer 45 107.792,100

0 115.691,625

0 168.663,2620

0 190.737,1120

5 120.397,7250

0 157.010,0620

5 210.766,0500

0 169.251,5250

0 113.618,7000

00 103.562,2120

05 Customer 46 50.320,4500 46.673,7750 57.109,8625 60.151,8125 29.943,0500 53.921,3125 66.703,0000 53.124,1750 27.725,7250 37.172,2625 Customer 47 13.547,5500 12.443,1000 15.576,0750 16.502,9250 7.348,2000 14.610,3750 18.481,5000 14.368,9500 6.676,6500 9.565,4250 Customer 48 1.568,0000 1.572,9000 2.542,4875 3.371,8125 2.975,5250 2.287,6875 3.928,5750 3.020,8500 3.140,9000 2.117,4125 Customer 49 101.089,200

0 81.178,8000 34.056,3000 14.036,1000 101.528,4000 37.057,5000 34.221,0000 24.448,8000 114.155,4000

0 85.625,7000

Customer 50 7.969,8000 4.856,2500 7.095,6750 9.693,0750 10.916,8500 5.941,2750 11.999,1000 7.886,5500 12.864,9000 7.029,0750




Lampiran 2 – 5

b. Untuk Fasilitas 11 sampai Fasilitas 20

Fasilitas 11 Fasilitas 12 Fasilitas 13 Fasilitas 14 Fasilitas 15 Fasilitas 16 FasiIitas 17 Fasilitas 18 Fasilitas 19 Fasilitas 20

Customer 1 5.219,5000 5.776,1250 6.641,1750 7.816,4750 4.374,5250 3.847,1000 5.033,3500 6.429,4750 6.719,6500 3.660,9500 Customer 2 2.396,8500 2.628,4875 3.220,0875 3.859,5375 1.838,9625 2.266,3500 2.285,9250 3.117,8625 3.299,4750 2.596,9500 Customer 3 13.876,8000 9.147,6000 14.977,2000 9.987,6000 21.848,4000 35.330,4000 20.546,4000 15.111,6000 25.670,4000 37.312,8000 Customer 4 29.681,4000 21.275,0125 20.071,7125 28.595,0875 64.292,9875 80.186,5750 47.630,6250 25.921,0875 53.179,1750 95.094,1250 Customer 5 1.061,7500 1.250,4625 1.363,6125 1.923,9375 1.524,0375 955,5750 1.016,8000 1.318,6625 949,3750 1.655,4000 Customer 6 10.383,4250 7.483,6125 12.332,9375 10.627,9875 15.840,6625 27.251,2500 15.232,7500 12.444,7375 20.193,8750 28.704,6500 Customer 7 65.767,5000 58.805,6250 48.555,3750 75.277,1250 138.615,3750 155.294,2500 97.584,7500 53.176,8750 107.361,0000 187.467,0000 Customer 8 16.770,6000 13.571,6625 8.861,7375 34.044,8625 51.550,5375 57.907,5750 31.390,4250 10.985,2875 35.882,5500 72.690,7500 Customer 9 1.324,9500 1.525,8375 1.646,2875 2.242,7625 1.817,0625 1.211,9250 1.359,6000 1.593,4875 1.205,3250 1.956,9000 Customer 10 869,6000 1.050,8000 1.181,2000 1.674,8000 1.133,2000 546,4000 738,4000 1.134,8000 1.066,4000 1.268,8000 Customer 11 12.638,5000 46.089,3125 66.146,0625 165.880,3120 198.300,8120 220.212,1250 86.408,8750 58.178,3125 109.075,7500 294.806,7500 Customer 12 8.429,8000 1.231,7000 9.073,9000 20.938,9000 32.781,3000 41.335,4000 20.566,0000 9.254,7000 24.295,0000 52.228,6000 Customer 13 15.832,8000 11.526,4250 5.185,9750 43.485,2250 62.653,1750 71.210,9500 35.513,8500 11.563,0750 41.561,1000 91.111,9000 Customer 14 3.428,4250 2.289,7875 3.530,3125 1.217,2875 5.553,7625 8.308,3000 5.162,3000 3.558,9125 5.938,0750 8.844,5500 Customer 15 16.297,5000 15.828,5625 21.148,3125 21.809,4375 7.310,8125 21.709,5000 15.513,3750 20.779,3125 22.678,1250 21.463,5000 Customer 16 15.763,8000 18.421,6500 21.255,7500 29.433,7500 18.478,0500 8.135,7000 13.451,4000 20.437,9500 19.232,4000 20.868,0000 Customer 17 2.542,5000 3.918,2750 4.743,1750 8.551,2750 6.856,2750 7.119,0000 1.531,1500 4.415,4750 4.164,0500 10.825,4000 Customer 18 27.445,6000 23.562,5000 23.034,7000 89.311,3000 126.332,7000 141.375,0000 67.935,4000 11.423,1000 80.376,4000 182.317,2000 Customer 19 3.542,0000 5.082,1375 6.005,5875 10.597,5375 10.274,9625 10.214,8750 4.313,6500 5.638,7375 2.061,9500 14.718,2750 Customer 20 7.254,0000 7.875,5625 9.152,8125 10..064,4375 5.467,3125 6.371,6250 7.005,3750 8.870,0625 9.277,1250 3.656,2500




Lampiran 2 – 6

Fasilitas 11 Fasilitas 12 Fasilitas 13 Fasilitas 14 Fasilitas 15 Fasilitas 16 FasiIitas 17 Fasilitas 18 Fasilitas 19 Fasilitas 20 Customer 21 693,5000 924,8250 1.063,5250 1.760,8250 1.628,7750 1.619,7500 733,4000 1.008,4250 555,7500 2.296,1500 Customer 22 26.166,9750 23.493,7875 30.494,5125 29.263,8375 14.919,4125 33.813,3000 25.682,77500 30.655,9125 35.084,3250 31.815,9750

Customer 23 3.801,9000 2.252,2125 5.847,4875 14.071,1625 19.650,0375 23.844,5250 11.199,0750 6.260,7375 13.471,9500 30.993,7500

Customer 24 8.930,0000 6.798,2000 9.435,4000 4.715,8000 11.943,4000 18.148,8000 11.947,2000 9.496,2000 14.265,2000 19.106,4000

Customer 25 11.050,0500 13.644,6750 18.976,3750 29.538,0250 20.197,3750 24.684,5500 10.012,2000 17.796,0750 19.495,3000 34.493,2500

Customer 26 5.611,0500 2.952,9625 5.851,1625 5.337,2375 11.613,8625 17.111,1750 9.697,1750 5.918,5625 11.525,4000 19.369,0750

Customer 27 253.234,8000 264.755,4000 294.457,8000 314.332,2000 211.356,6000 210.756,0000 242.970,0000 289.434,6000 287.742,0000 170.788,8000

Customer 28 5.582,4750 2.430,6125 7.436,0875 13.292,6375 19.279,0125 25.460,1250 12.766,1250 7.551,4875 15.708,8250 32.571,6500

Customer 29 7.458,9500 6.609,4250 10.790,7750 12.212,6750 11.525,8250 20.448,8500 11.037,8000 10.887,1750 16.351,8500 22.629,9000

Customer 30 19.069,8750 15.598,6875 19.892,8125 12.207,9375 23.976,5625 34.080,7500 23.982,7500 19.991,8125 27.757,1250 35.640,0000

Customer 31 5.826,9750 4.628,6625 6.632,5875 5.471,8125 6.476,6625 11.884,9500 7.270,7250 6.678,7875 9.817,5000 11.792,5500

Customer 32 4.330,9000 2.861,7750 5.655,1250 6.838,4750 9.623,7750 14.610,7500 7.526,7500 5.719,5250 9.982,0000 17.041,8500

Customer 33 17.347,6250 15.249,8125 21.192,1875 18.623,4375 16.808,1875 32.845,7500 22.433,7500 21.329,1875 29.985,8750 32.571,7500

Customer 34 322.800,0000 261.306,6000 229.995,0000 336.196,2000 681.269,4000 810.550,8000 496.143,6000 258.078,60000 549.405,6000 987.768,0000

Customer 35 7.198,7500 7.592,8125 9.802,8125 12.191,5625 5.780,9375 10.692,5000 6.792,5000 9.607,8125 10.578,7500 11.927,5000

Customer 36 5.307,0000 7.379,4750 8.870,9250 14.516,4750 10.865,6250 10.202,2500 3.806,4000 8.340,2250 7.557,9000 17.293,5000

Customer 37 83.331,7000 65.940,3375 56.946,3875 87.232,1375 185.247,8375 222.003,7250 132.614,8750 73.007,0125 147.849,5250 269.818,5000

Customer 38 30.982,0000 20.497,9125 15.076,0625 61.549,0625 97.731,6125 114.578,0750 60.691,5250 24.757,9375 69.875,4750 142.959,8000

Customer 39 40.378,8750 44.494,3125 47.243,8125 59.211,1875 47.631,5625 34.351,1250 38.581,1250 46.820,8125 37.823,2500 48.504,0000

Customer 40 7.822,8000 5.211,1000 5.621,1000 5.744,1000 15.256,1000 19.762,0000 12.226,2000 7.047,9000 13.579,2000 22.804,2000




Lampiran 2 – 7

Fasilitas 11 Fasilitas 12 Fasilitas 13 Fasilitas 14 Fasilitas 15 Fasilitas 16 FasiIitas 17 Fasilitas 18 Fasilitas 19 Fasilitas 20 Customer

41

15.801,40000

16.494,8125 27.925,6125 49.316,3375 49.862,6625 62.659,2750 25.677,2750 26.917,0125 44.210,3000 82.915,3250 Customer

42

13.627,4000 20.427,1375 24.504,1875 44.777,7375 41.119,5625 40.854,2750 14.800,2500 22.884,5375 13.348,1500 60.736,8750 Customer

43

11.041,2500 12.598,4375 13.719,0625 17.960,9375 12.502,1875 7.885,6250 9.913,7500 13.320,3125 12.732,5000 13.667,5000 Customer

44

16.250,0000 16.268,7500 19.856,2500 20.756,2500 9.331,2500 20.750,0000 16.000,0001 19.556,2500 21.825,0000 17.087,5000 Customer

45

131.938,8750

144.628,537005

153.760,6125

185.526,7875 134.768,13705

109.304,775090

122.750,77500

150.511,16205

145.721,02500

113.954,8500 Customer

46

40.919,7250 45.381,8625 48.057,3125 62.039,2875 52.583,5875 39.050,5750 40.589,8750 46.994,4625 38.262,6000 53.765,5500 Customer

47

10.672,6500 12.024,0750 12.834,3750 17.069,0250 14.205,2250 10.134,3000 10.572,7500 12.512,4750 9.867,9000 15.145,9500 Customer

48

2.205,0000 2.361,1875 2.682,1375 2.911,2125 1.756,0375 1.983,2750 2.142,5250 2.611,0875 2.713,3750 1.300,9500 Customer

49

31.329,6000 21.905,1000 20.807,1000 29.883,9000 69.009,3000 86.632,2000 50.983,8000 27.212,1000 57.059,4000 102.699,6000 Customer

50

4.190,2500 4.847,9250 6.351,9750 8.766,2250 4.903,4250 6.421,3500 3.907,2000 6.030,0750 6.493,5000 8.552,5500




Lampiran 2 – 8

c. Untuk Fasilitas 21 sampai Fasilitas 30

Fasilitas 21 Fasilitas 22 Fasilitas 23 Fasilitas 24 Fasilitas 25 Fasilitas 26 FasiIitas 27 Fasilitas 28 Fasilitas 29 Fasilitas 30 Customer 1 7.358,4000 5.396,5250 5.219,5000 8.345,7250 4.182,9000 6.387,5000 7.391,2500 5.542,5250 5.038,8250 10.349,5750 Customer 2 3.680,1000 2.582,8125 2.296,8000 4.205,3625 1.779,1500 2.994,9750 5.115,6000 2.491,4625 2.189,1375 5.399,4375 Customer 3 29.954,4000 23.679,6000 9.828,0000 13.734,0000 19.303,2000 6.568,8000 57.472,8000 8.895,6000 11.180,4000 22.957,2000 Customer 4 61.702,5500 69.206,4625 23.096,670 42.165,6375 48.700,2250 24.701,0750 135.170,7000 25.118,8875 40.527,8125 60.515,9625 Customer 5 814,5250 1.789,0875 1.133,0500 2.087,4625 1.015,2500 1.583,3250 2.005,7000 1.269,8375 1.379,8875 2.512,9375 Customer 6 23.757,5000 17.769,2125 7.029,4250 12.654,3625 13.919,1000 6.260,8000 45.474,6500 6.253,8125 6.966,5375 20.326,6375 Customer 7 122.469,7500 147.325,1250

00 56.998,5000 99.391,8750 102.384,0000 68.433,7500 259.515,0000 65.619,3750 96.429,3750 131.920,1250

Customer 8 42.824,9250 57.376,6875 12.741,3000 45.125,4375 33.595,6500 25.346,4750 105.796,3500 16.702,5375 32.220,7875 60.071,9625 Customer 9 1.061,7750 2.099,2125 1.395,9000 2.416,8375 1.275,4500 1.880,1750 1.940,4000 1.538,2125 1.663,6125 2.869,7625 Customer 10 1.206,4000 1.406,8000 928,8000 1.875,6000 768,8000 1.323,2000 1.950,4000 999,6000 1.145,2000 2.314,8000 Customer 11 144.106,3750 241.573,9375 25.277,0000 212.999,937

5 97.536,2500 105.504,0000 461.992,1250 48.149,9375 106.122,1875 288.418,8125

Customer 12 30.058,0000 37.595,1000 2.463,4000 29.549,5000 19.775,0000 11.074,0000 79.235,6000 3.830,7000 16.712,7000 41.956,9000 Customer 13 50.906,8500 70.496,2750 10.371,9500 57.448,8750 38.482,5000 27.377,5500 135.275,1500 15.741,1750 36.631,6750 77.569,7250 Customer 14 6.878,3000 5.947,0125 2.434,5750 2.672,3125 4.897,7500 1.741,0250 13.134,5500 2.275,4875 3.283,6375 4.634,9875 Customer 15 25.368,7500 12.569,0625 14.621,6250 24.038,8125 11.931,0000 16.866,3750 39.913,5000 14.091,1875 11.169,9375 32.479,6875 Customer 16 21.699,9000 23.300,2500 16.271,4000 32.126,8500 12.619,5000 23.236,8000 35.094,9000 17.533,3500 19.253,5500 39.867,7500 Customer 17 5.152,8000 8.788,5750 3.062,3000 9.992,0250 2.712,0000 6.068,1000 17.458,5000 3.782,6750 5.031,3250 13.093,8750 Customer 18 99.603,4000 144.881,1000 22.846,2000 118.038,700

0 74.042,8000 56.173,0000 274.079,0000 32233,5000 75211,5000 159433,3000

Customer 19 4.237,7500 12.438,1125 4.123,9000 12.767,0125 5.635,5750 7.817,7000 21.789,6250 5177,0125 8073,8625 16239,4375 Customer 20 10.130,2500 6.729,9375 7.312,5000 10.878,5625 5.869,5000 8.497,1250 9.506,2500 7622,0625 6695,8125 13554,9375




Lampiran 2 – 9


Customer 21 390,4500 1.953,6750 780,9000 2.079,0750 931,9500 1.335,7000 3.066,6000 939,0750 1.298,1750 2.600,6250 Customer 22 38.614,9500 11.166,8625 22.333,7250 29.102,4375 20.982,0000 23.524,0500 56.025,9750 21.214,0125 17.380,7625 40.178,5125

Customer 23 16.984,5750 22.873,3875 0,0000 19.319,4375 10.703,1750 8.017,0500 46.945,2000 2.293,5375 10.145,2875 26.881,9125

Customer 24 16.203,2000 11.616,6000 7.106,0000 3.553,0000 10.898,4000 5.631,6000 28.226,4000 6.684,2000 7.117,4000 7.725,4000

Customer 25 23.056,5500 27.157,0750 10.541,3000 33.424,8750 5.270,6500 20.594,2000 59.259,2000 12.362,6250 14.845,3250 44.597,0250

Customer 26 13.673,7750 12.852,3375 3.268,9000 8.547,1625 9.073,7250 1.634,4500 29.479,0750 2.801,3125 5.623,6875 13.172,4875

Customer 27 273.327,6000 239.639,4000 248.102,4000 332.568,6000 222.222,0000 279.224,4000 124.051,2000 257.875,8000 238.875,0000 392.519,4000

Customer 28 19.387,2000 22.351,5375 1.601,1750 18.629,8875 11.698,6750 6.794,1750 49.650,8500 800,5875 9.022,8375 26.549,2125

Customer 29 18.460,6000 14.092,4750 5.916,5500 13.959,9250 8.953,1500 7.422,8000 37.089,9000 5.247,7750 2.958,2750 20.575,3750

Customer 30 30.912,7500 23.444,4375 16.099,8750 10.314,5625 22.275,0000 13.699,1250 50.490,0000 15.413,0625 16.118,4375 8.049,9375

Customer 31 10.828,1250 6.101,2875 4.440,9750 5.425,6125 6.843,3750 4.123,3500 18.722,5500 4.120,4625 3.693,1125 8.596,0875

Customer 32 12.034,7500 11.338,4250 2.398,9000 8.891,2250 6.931,0500 3.300,5000 26.701,8500 1.952,1250 3.900,2250 13.310,6750

Customer 33 32.982,7500 15.695,0625 14.693,2500 18.486,4375 19.385,5000 13.751,3750 53.121,7500 13.742,8125 10.951,4375 27.888,0625

Customer 34 631.719,6000 728.398,20000 261.790,8000 467.575,8000 512.606,4000 298.912,8000 1.361.570,4000 298.428,6000 451.435,8000 644.793,0000

Customer 35 12.000,6250 8.559,6875 6.353,7500 13.369,6875 4.891,2500 8.961,8750 21.336,2500 7.495,3125 5.951,5625 17.830,3125

Customer 36 9.159,1500 13.994,9250 5.984,1000 16.447,1250 4.154,1000 10.495,0500 26.946,7500 6.793,8750 8.459,1750 21.470,4750

Customer 37 171.160,3750 198.738,7625 65.986,2250 124.584,5625 137.295,4000 76.540,3500 378.755,4250 76.494,4625 119.995,8125 174.969,0375

Customer 38 83.983,3500 109.515,8375 20.525,5750 84.066,3375 63.513,1000 44.425,9750 209.073,1750 26.860,2875 58.395,5375 114.439,7625

Customer 39 35.461,5000 53.659,3125 42.775,8750 64.357,6875 39.250,8750 51.465,0000 40.960,5000 44.335,6875 48.318,9375 73.399,3125

Customer 40 15.670,2000 16.305,7000 5.658,0000 9.081,5000 11.939,2000 5.543,2000 32.644,2000 6.154,1000 9.417,7000 13.583,3000




Lampiran 2 – 10

Fasilitas 11 Fasilitas 12 Fasilitas 13 Fasilitas 14 Fasilitas 15 Fasilitas 16 FasiIitas 17 Fasilitas 18 Fasilitas 19 Fasilitas 20 Customer 41 51.564,6750 61.965,8625 10.086,0000 58.183,6125 22.567,4250 30.846,3500 133.135,2000 13.847,2375 23.134,7625 81.255,3375 Customer 42 18.235,0250 50.669,9125 16.196,5000 54.356,0125 20.636,5750 32.504,7000 91.957,0250 20.846,0125 31.401,6625 69.686,8375 Customer 43 11.825,0000 14.853,4375 11.550,0000 19.329,0625 10.071,8750 15.090,6250 13.193,1250 12.158,4375 13.052,1875 23.103,4375 Customer 44 24.012,5000 9.543,7500 14.550,0000 20.656,2500 13.087,5000 17.100,0000 32.087,5000 14.856,2500 12.481,2500 27.518,7500 Customer 45 138.325,7250 149.278,6125 136.084,7250 193.650,4125 124.879,7250 163.256,8500 89.976,1500 141.042,9375 142.499,5875 224.408,1375 Customer 46 35.074,0500 58.814,0875 42.605,6250 65.905,8625 40.553,2250 53.307,4250 45.922,4500 46.572,9875 49.175,1375 75.966,2875 Customer 47 8.902,2000 16.103,3250 11.183,2500 18.240,0750 10.561,6500 14.424,4500 14.940,6000 12.384,8250 13.172,9250 21.287,0250 Customer 48 2.927,7500 2.073,3125 2.174,3750 3.115,7875 1.857,1000 2.517,3750 2.006,5500 2.297,4875 2.064,7375 3.788,3125 Customer 49 66.392,4000 74.352,9000 23.899,8000 44.780,1000 51.935,4000 25.656,6000 147.937,2000 26.114,1000 42.986,7000 64.873,5000 Customer 50 7.464,7500 6.801,5250 4.001,5500 9.570,9750 2.614,0500 6.560,1000 14.979,4500 4.498,2750 4.503,8250 12.617,9250




Lampiran 2 – 11 d. Untuk Fasilitas 31 sampai Fasilitas 40

Fasilitas 31 Fasilitas 32 Fasilitas 33 Fasilitas 34 Fasilitas 35 Fasilitas 36 FasiIitas 37 Fasilitas 38 Fasilitas 39 Fasilitas 40 Customer 1 6.400,2750 5.558,9500 6.051,7000 9.568,4750 3.792,3500 4.898,3000 9.064,7750 7.159,4750 11.178,1250 8.697,9500 Customer 2 3.046,0875 2.499,0750 2.838,3750 4.940,5125 1.446,3750 2.351,1750 4.642,5375 3.507,1875 6.634,8375 4.369,5750 Customer 3 12.390,0000 7.341,6000 15.489,6000 21.294,0000 21.806,4000 22.713,6000 18.992,4000 16.657,2000 67.393,2000 15.523,2000 Customer 4 47.246,2375 30.416,7500 52.911,7750 19.804,3125 61.669,1250 53.847,6750 15.191,6625 17.163,7375 141.838,9875 16.712,5000 Customer 5 1.815,4375 1.381,8250 1.823,5750 2.008,4125 1.383,3750 947,8250 1.901,4625 1.497,6875 1.685,2375 1.925,8750 Customer 6 9.090,7375 4.947,1500 10.956,4000 19.446,2125 15.805,7250 17.035,5250 17.517,6625 13.730,4375 54.202,0375 15.093,0000 Customer 7 108.338,6250 78.565,5000 118.381,5000 37.594,1250 126.439,5000 108.605,2500 40.319,6250 50.569,8750 262.507,1250 54.213,7500 Customer 8 42.892,9875 24.339,1500 46.527,5250 21.820,8375 44.649,0000 36.454,2750 21.085,7625 12.128,7375 107.171,2125 24.366,3750 Customer 9 2.127,2625 1.665,6750 2.135,9250 2.327,7375 1.668,1500 1.203,6750 2.218,8375 1.789,0125 1.599,2625 2.239,8750 Customer 10 1.562,8000 1.115,2000 1.500,8000 1.846,8000 988,8000 667,2000 1.736,4000 1.318,8000 1..983,6000 1.748,0000 Customer 11 178.793,5620 81.738,1250 185.456,2500 180.442,0625 162.789,3750 111.960,6250 161.484,3125 89.774,5625 468.792,1875 165.811,6250 Customer 12 25.571,9000 10.170,0000 28.589,0000 26.227,3000 28.724,6000 24.385,4000 23.131,1000 11.333,9000 83.247,1000 20.927,6000 Customer 13 50.998,4750 26.021,5000 55.891,2500 35.788,7250 53.362,4000 42.330,7500 30.731,0250 11.599,7250 137.529,1250 32.581,8500 Customer 14 3.544,6125 2.352,3500 4.204,2000 3.955,7375 5.544,8250 5.623,4750 3.465,9625 3.423,0625 15.131,1875 2.520,3750 Customer 15 15.843,9375 13.360,8750 14.375,6250 31.372,6875 9.640,1250 15.974,6250 29.250,9375 22.701,1875 52.897,6875 26.598,7500 Customer 16 26.303,5500 19.556,7000 24.957,0000 32.986,9500 15.933,0000 12.196,5000 31.041,1500 23.680,9500 36.455,5500 30.709,8000 Customer 17 7.754,6250 4.593,4500 8.294,2000 9.443,9750 5.401,4000 2.666,8000 8.664,2750 5.714,9750 17.692,9750 8.842,2500 Customer 18 104.768,3000 53.383,2000 114.834,2000 79.433,9000 107.218,8000 81.959,8000 75.663,9000 36.305,1000 280.374,9000 79.396,2000 Customer 19 11.122,5125 6.723,4750 11.726,5500 11.267,9875 8.646,2750 5.230,7750 10.401,4625 7.099,8125 19.186,8875 10.594,3750 Customer 20 8.172,9375 7.390,5000 7.707,3750 13.238,0625 5.406,3750 7.151,6250 12.428,8125 9.845,0625 15.675,5625 11.583,0000




Lampiran 2 – 12

Fasilitas 31 Fasilitas 32 Fasilitas 33 Fasilitas 34 Fasilitas 35 Fasilitas 36 FasiIitas 37 Fasilitas 38 Fasilitas 39 Fasilitas 40 Customer 21 1.756,0750 1.171,3500 1.846,8000 1.853,9250 1.384,1500 871,1500 1.722,8250 1.227,8750 2.673,7750 1.752,7500 Customer 22 17.905,3125 20.255,7000 15.978,6000 42.538,9875 17.975,9250 26.288,0250 39.775,01205 32.512,01205 74.738,2875 35.911,5000

Customer 23 15.889,4625 6.157,4250 17.728,4250 16.757,2875 16.158,0750 13.513,2750 14.856,3375 7.665,7875 50.147,8875 14.257,1250

Customer 24 6.509,4000 5.973,6000 7.911,6000 10.537,4000 11.924,4000 12.593,2000 9.496,2000 9.405,0000 33.421,0000 7.486,0000

Customer 25 26.668,6750 15.282,8500 26.495,7000 35.297,0750 14.936,9000 10.622,7000 32.488,7750 21.866,0750 64.743,5250 31.379,7000

Customer 26 7.620,4125 3.075,1250 8.745,1500 9.583,4375 10.952,5000 10.784,0000 8.420,7875 6.693,6625 33.190,2875 6.967,4750

Customer 27 271.962,6000 254.436,0000 261.534,0000 380.835,0000 205.405,2000 233.251,2000 365.874,6000 308.872,2000 262.243,8000 348.348,0000

Customer 28 15.038,0625 4.846,8000 16.963,8000 18.384,6625 18.146,6500 14.626,9500 16.408,4375 8.878,5875 52.990,2375 15.002,0000

Customer 29 9.380,9250 4.675,4000 9.917,1500 18.779,9250 10.579,9000 12.122,3000 17.129,0750 11.995,7750 44.699,4750 15.038,4000

Customer 30 15.128,4375 14.256,0000 17.411,6250 21.687,1875 23.945,6250 25.034,6250 19.991,8125 19.843,3125 58.502,8125 16.718,6250

Customer 31 2.220,4875 3.580,5000 3.285,9750 9.358,3875 7.288,0500 8.021,4750 8.567,2125 7.210,0875 23.593,7625 7.374,6750

Customer 32 6.886,7750 1.199,4500 7.961,4500 10.895,6750 8.991,8500 8.573,2500 9.784,7750 6.460,1250 29.982,2250 8.388,1000

Customer 33 8.982,0625 12.141,6250 7.346,6250 30.148,5625 19.402,6250 23.889,3750 27.802,4375 22.904,6875 67.566,6875 24.266,1250

Customer 34 516.318,6000 354.111,6000 575.875,2000 130.895,4000 640.112,4000 556.184,4000 145.421,4000 201.588,6000 1.394.657,4000 221.440,8000

Customer 35 10.200,9375 7.109,3750 9.514,3750 16.229,6875 3.176,8750 7.028,1250 15.116,5625 10.875,3125 27.174,0625 14.096,8750

Customer 36 13.235,4750 8.116,0500 13.697,5500 16.483,7250 8.500,3500 2.992,0500 15.221,0250 10.444,7250 27.326,4750 15.353,7000

Customer 37 138.442,5875 92.233,8750 155.375,0750 45.566,2875 173.638,3000 149.685,0250 32.993,1125 48.961,9625 388.070,5875 54.606,1250

Customer 38 80.082,9375 42.378,9500 87.468,8250 46.721,9625 85.421,8000 70.981,9750 39.142,4375 10.262,7875 214.743,9875 41.936,3500

Customer 39 57.395,8125 46.882,5000 55.712,6250 61.907,8125 44.450,2500 37.012,5000 59.475,5625 50.292,9375 21.387,9375 60.630,0000

Customer 40 10.795,3000 6.937,2000 12.308,2000 6.121,3000 14.604,2000 13.612,0000 4.997,9000 4.907,7000 35.329,7000 2.829,0000




Lampiran 2 – 13





Lampiran 2 – 14 e. Untuk Fasilitas 41 sampai Fasilitas 50


Customer 1 4.781,5000 6.033,4500 6.661,2500 5.299,8000 8.845,7750 11.656,2750 9.977,2750 5.301,6250 8.663,2750 3.947,4750 Customer 2 2.035,8000 2.890,5750 3.943,2750 2.607,8250 5.984,5125 6.919,7625 5.919,2625 3.574,6125 4.385,8875 1.538,8125 Customer 3 12.297,6000 23.856,0000 48.568,8000 27.686,4000 66.066,0000 66.973,2000 59.161,2000 44.864,4000 16.203,6000 22.621,2000 Customer 4 34.762,0000 49.569,2750 105.288,7500 76.944,3500 142.841,7375 137.025,7875 121.516,5875 110.118,6625 12.183,4125 58.878,1375 Customer 5 1.108,2500 908,3000 1.169,4750 1.798,7750 2.040,1875 1.600,7625 1.240,3875 2.003,7625 1.836,3625 1.237,2875 Customer 6 8.371,0250 18.684,5750 38.375,3500 21.102,2500 52.622,8625 53.852,6625 47.354,2875 34.986,4125 15.197,8125 16.483,5125 Customer 7 78.328,5000 100.962,0000 199.791,0000 160.389,7500 266.358,3750 256.048,8750 228.497,6250 214.099,8750 46.244,6250 120.958,8750 Customer 8 22.542,3000 32.942,2500 78.353,5500 60.248,9250 108.940,8375 104.203,6875 91.544,0625 84.928,3875 20.704,6125 42.130,6875 Customer 9 1.374,4500 1.156,6500 1.050,2250 2.109,5250 1.977,1125 1.509,3375 1.125,7125 2.149,5375 2.144,5875 1.511,8125 Customer 10 832,8000 916,0000 1.087,2000 1.416,8000 1.986,0000 2.088,4000 1.720,4000 1.628,4000 1.668,4000 837,2000 Customer 11 55.499,5000 94.239,2500 323.380,7500 245.901,2500 477.721,5625 453.818,3125 389.938,9375 356.556,8125 149.807,4375 140.603,3125 Customer 12 10.350,8000 21.854,2000 59.166,8000 41.335,4000 84.557,9000 81.009,7000 70.500,7000 62.387,3000 19.673,3000 26.656,7000 Customer 13 23.565,9500 37.602,9000 98.735,1000 74.362,8500 139.911,3750 133.534,2750 116.492,0250 107.586,0750 27.615,7750 49.972,2750 Customer 14 3.406,9750 5.551,9750 11.125,4000 6.799,6500 14.963,1625 15.041,8125 13.379,4375 10.451,5125 2.868,9375 5.718,2125 Customer 15 12.776,6250 19.787,6250 33.563,6250 13.114,8750 48.346,6875 54.681,1875 47.531,8125 28.374,5625 26.698,6875 11.815,6875 Customer 16 14.579,4000 16.581,6000 19.881,0000 23.476,5000 36.497,8500 38.302,6500 31.816,6500 27.205,9500 29.842,6500 13.261,0500 Customer 17 2.599,0000 3.101,8500 11.362,1500 8.989,1500 17.709,9250 17.551,7250 14.924,4750 13.365,0750 8.184,0250 4.483,2750 Customer 18 45.918,6000 72.233,2000 198.000,4000 150.423,0000 282.712,3000 269.592,7000 234.531,7000 216.209,5000 69.254,9000 97.680,7000 Customer 19 5.350,9500 2.795,6500 14.964,9500 12.662,6500 22.071,0875 18.497,4625 15.556,3375 17.561,3625 9.863,8375 7.618,4625 Customer 20 6.547,1250 8.360,6250 10.130,2500 5.845,1250 12.180,1875 16.314,1875 14.559,1875 5.847,5625 11.614,6875 5.613,5625




Lampiran 2 – 15


Customer 21 889,2000 505,4000 2.041,5500 1.987,4000 3.108,8750 2.532,2250 2.090,4750 2.723,1750 1.643,0250 1.229,7750 Customer 22 21.002,1750 31.291,4250 49.368,2250 15.978,6000 67.091,9625 77.038,2375 67.697,2125 40.884,6375 36.405,78705 20.830,6875 Customer 23 4.959,0000 11.984,2500 34.713,0000 24.051,1500 50.189,2125 48.040,3125 41.634,9375 36.675,9375 13.492,6125 14.897,6625 Customer 24 7.881,2000 13.444,4000 24.198,4000 13.429,2000 31.946,6000 32.615,4000 29.081,4000 22.522,6000 8.227,0000 12.293,0000 Customer 25 8.099,3000 15.669,5000 41.636,1000 27.879,5000 64.804,5750 63.420,7750 53.958,0250 143.640,57500 30.250,2750 11.650,3750 Customer 26 5.560,5000 10.615,5000 23.935,4250 14.794,3000 33.148,1625 32.667,9375 28.750,3125 23.156,1125 7.022,2375 11.361,1125 Customer 27 234.998,4000 267.212,4000 177.231,6000 219.819,60000 183.947,4000 276.549,0000 279.934,2000 151.733,4000 352.989,00000 210.046,2000 Customer 28 5.683,4500 14.150,9250 36.827,0250 24.738,8750 53.033,5125 52.629,6125 45.921,9875 39.055,6875 14.201,4125 16.091,0875 Customer 29 5.121,2500 14.086,4500 30.040,6500 16.086,7500 42.325,6250 43.386,0250 37.782,7750 28.046,3750 15.128,7750 11.164,3250 Customer 30 17.362,1250 26.420,6250 43.931,2500 26.395,8750 56.547,5625 57.636,5625 51.882,1875 41.202,5625 17.925,1875 24.545,8125 Customer 31 4.435,2000 8.731,8000 16.331,7000 7.478,6250 21.757,3125 23.235,7125 20.550,3375 14.388,4125 7.608,5625 8.162,9625 Customer 32 3.574,2000 9.112,6000 21.992,6000 12.670,7000 30.199,5750 29.780,9750 26.037,7250 20.660,3250 8.448,4750 9.382,2750 Customer 33 14.025,3750 26.766,3750 46.032,0000 19.779,3750 62.514,8125 69.570,3125 61.607,1875 40.269,4375 24.685,6875 21.808,6875 Customer 34 377.998,8000 514.543,2000 1.052.973,6000 803.126,4000 1.415.639,40000 135.9472,20000 1.209.370,20000 1.121.245,80000 178.024,2000 610.899,0000 Customer 35 5.378,7500 9.051,2500 16.956,8750 8.848,1250 24.582,1875 28.075,9375 24.330,3125 15.579,6875 14.222,8125 4.326,5625 Customer 36 4.886,1000 5.837,7000 17.073,9000 14.319,7500 27.353,9250 27.097,7250 22.842,9750 21.406,4250 14.443,2750 7.022,6250 Customer 37 99.025,2250 137.846,0500 290.926,7500 219.984,6750 394.035,9625 378.067,1125 335.391,7375 310.337,1625 42.170,6125 165.240,8875 Customer 38 40.442,5750 63.900,3750 156.127,1500 117.123,0250 218.284,7875 208.713,5625 182.987,4375 167.828,3875 34.439,8125 80.359,5625 Customer 39 40.660,8750 36.889,1250 30.385,5000 54.285,0000 34.060,3125 23.696,8125 24.243,1875 45.428,4375 59.070,1875 41.092,6875 Customer 40 8.519,8000 12.693,6000 26.231,8000 18.261,4000 35.444,5000 34.157,1000 30.344,1000 26.490,1000 3.636,7000 14.436,1000




Lampiran 2 – 16





Lampiran 3 – 1

Lampiran 3: Source Code

Kelas Main.java

package bismillahirrohmanirrohim;

import java.io.IOException;

public class Main {

public static void main(String[] args) throws IOException

{

coba1 iB=new coba1();

iB.setVisible(true);

}

}

Kelas P4UFLP.java


import javax.swing.JFileChooser;

import java.io.File;

import java.io.IOException;

import javax.swing.JOptionPane;

import javax.swing.JTable;

import jxl.Sheet;

import jxl.Workbook;

import jxl.read.biff.BiffException;

public class coba1 extends javax.swing.JFrame

{

// dideklarasikan di table

private double[][] bCust;

private double[] bFas;

int nCust;

int nLokasi;

//dideklarasikan di getVar()




Lampiran 3 – 2

int nPartikel,PSOIter, c1, c2,LSIter;

// khusus table

private Object[][] absCust;

private Object[][] absFas;

private boolean cekInput;

public coba1() {

initComponents();

}

private void jButton1ActionPerformed(java.awt.event.ActionEvent evt)

{

// TODO add your handling code here:

try{

JFileChooser fc=new JFileChooser();

int res=fc.showOpenDialog(this);

if(res==JFileChooser.APPROVE_OPTION){

File file=fc.getSelectedFile();

String dir=file.getPath();

setTabel(dir);

}

}catch(Exception e){

System.out.println(e);

}

}

private void jButton2ActionPerformed(java.awt.event.ActionEvent evt)

{

run();

}

private void

jRadioButtonMenuItem1ActionPerformed(java.awt.event.ActionEvent evt) {

this.dispose();

}

private void

jRadioButtonMenuItem3ActionPerformed(java.awt.event.ActionEvent evt) {

help h=new help();




Lampiran 3 – 3

h.setVisible(true);

}

public static void main(String args[]) {

java.awt.EventQueue.invokeLater(new Runnable()

{

@Override

public void run()

{

new coba1().setVisible(true);

}

});

}

//Mengambil Tabel dari excel

private void setTabel (String Dir) throws IOException, BiffException {

Workbook wb = Workbook.getWorkbook(new File(Dir));

Sheet pelayanan = wb.getSheet(0);

Sheet pembangunan = wb.getSheet(1);

int baris = pelayanan.getRows();

int kolom = pelayanan.getColumns();

int vector = pembangunan.getColumns();

nCust = baris;

nLokasi = vector;

bCust = new double[baris][kolom];

bFas = new double[vector];

absCust = new Object[baris][kolom+1];

absFas = new Object[1][kolom];

for(int i=0;i<baris;i++)

{

absCust[i][0] = "Customer-"+(i+1);

}

for(int i=0;i<baris;i++)

{




Lampiran 3 – 4

for(int j=0;j<kolom;j++)

{ //System.out.print("("+i+","+j+") ");

bCust[i][j] =

Double.parseDouble(pelayanan.getCell(j,i).getContents());

absCust[i][j+1] = bCust[i][j];

//System.out.println("\n");

}

} System.out.println("\n");

for(int i=0;i<kolom;i++)

{

bFas[i] =

Double.parseDouble(pembangunan.getCell(i,0).getContents());

absFas[0][i] = bFas[i];

}

String nmKlm[] = new String[kolom+1];

nmKlm[0] = "";

for (int i=0;i<kolom;i++)

{

nmKlm[i+1]="Fasilitas-"+(i+1);

}

JTable tabelMatrixBiayaCustomer=new JTable(absCust,nmKlm);

tabelMatrixBiayaCustomer.setAutoResizeMode(JTable.AUTO_RESIZE_OFF);

tabelMatrixBiayaCustomer.setEnabled(false);

//tabelBiayaCustomer.setTableHeader(null);

nmKlm = new String[kolom];

for (int i=0;i<kolom;i++){

nmKlm[i]="Fasilitas-"+(i+1);

}

JTable tabelMatrixBiayaFasilitas=new JTable(absFas,nmKlm);

tabelMatrixBiayaFasilitas.setAutoResizeMode(JTable.AUTO_RESIZE_OFF);

tabelMatrixBiayaFasilitas.setEnabled(false);

//jScrollPane5.setViewportView(jScrollPane4);

jScrollPane1.setViewportView(tabelMatrixBiayaCustomer);




Lampiran 3 – 5

jScrollPane2.setViewportView(tabelMatrixBiayaFasilitas);

}

// Algoritma

private void run(){

getVar();.

tampilJudul();

System.out.println("1. First Initialization");

double[][] position = getPosition(nPartikel, nLokasi);

double[][] velocity = getVelocity(nPartikel, nLokasi);

int [][] openSit = getOpenSit(nPartikel,nLokasi, position);

System.out.println("* Particle's position Matrix");fprint(position);

System.out.println("** Particle's velocity Matrix");fprint(velocity);

System.out.println("*** Particle's open facility Matrix");

fprint(openSit);

System.out.println("**** End first initialization");

System.out.println("2. First Evaluation");

int[]opensit = new int [nLokasi];

double [] fitness = new double [nPartikel];

double fitnessGbest = 0;

double [][] biCust = copyMatrix(bCust);

double [] biFas = new double[nLokasi];

System.arraycopy(bFas, 0, biFas, 0, nLokasi);

double AllCost; int sumFacilityOpen; double [][] pBest;

int indexGbestAwal; double [] gBest; double CostCust; double CostFac;

double [][] gBestAwal = new double [nPartikel][nLokasi];

double [][] gBestA = new double [nPartikel][nLokasi];

for(int i=0;i<nPartikel;i++){

System.arraycopy(openSit[i], 0, opensit, 0, nLokasi);

System.out.print("\n "+(i+1)+"). Open Facility ");

fprint(opensit);

double [][] biayaCust = Table(opensit, biCust);

sumFacilityOpen = getSumFacilityOpen(opensit);




Lampiran 3 – 6

CostCust = CostCust( biayaCust );

CostFac = CostFac( biFas, opensit );

AllCost = CostAll( CostCust, CostFac );

fitness[i] = AllCost;

System.out.print("\nSum built facility: "+sumFacilityOpen);

System.out.print("\nFitness value is "+fitness[i]);

}

pBest = setPbestAwal(position);

indexGbestAwal = indeksGbest(fitness);

gBest = setGbest(indexGbestAwal, pBest);

for(int i=0 ; i < nPartikel ; i++){

System.arraycopy(gBest, 0, gBestAwal[i], 0, nLokasi);

fitnessGbest = fitness[indexGbestAwal];

}

System.out.println("\nFitness value for the whole swarm:");

fprint1(fitness);

System.out.println("\n* First Personal best:");

fprint(pBest);

System.out.println("** First Global best at the "+

(indexGbestAwal+1)+"th particle and the fitness value is "+

fitnessGbest);

System.out.println("*** The Global best position");

fprint(gBest);

System.out.println("\n3. Iteration");

double [][]upVel = new double [nPartikel][nLokasi];

double [][]upPos = new double [nPartikel][nLokasi];

double []upFit = new double [nPartikel];

int [][]upOpen = new int[nPartikel][nLokasi];

double [][]TabSolusi = new double [nPartikel][nLokasi];

double [] s0 = new double[nLokasi];

double fitS0;

double [] solusi = new double [nLokasi];




Lampiran 3 – 7

double [] s = new double [nLokasi];

double fitSolusi = 0;

int [] opennn = new int[nLokasi];

int it = 0;

while (it < PSOIter){

if(it==0){

upVel = upVelS(velocity, pBest, position, gBestAwal);

upPos = posUpdate(upVel, position);

System.out.println("The First iteration");

}

else{

upVel = upVelS(upVel, pBest, upPos, gBestA);

upPos = posUpdate(upVel, upPos);

System.out.println("The "+(it+1)+"th iteration");

}

System.out.println("* Updated Velocity");

fprint(upVel);

System.out.println("");

System.out.println("** Updated Position");

fprint(upPos);

upOpen = getOpenSit(nPartikel,nLokasi, upPos);

System.out.println("\n*** Updated Open Facility");

fprint(upOpen);

for(int i = 0; i < nPartikel; i++){

System.arraycopy(upOpen[i], 0, opensit, 0, nLokasi);

System.out.print("\n "+(i+1)+"). Open Facility ");

fprint(opensit);

double [][] biayaCust = Table(opensit, biCust);

sumFacilityOpen = getSumFacilityOpen(opensit);


CostFac = CostFac( biFas, opensit );




Lampiran 3 – 8


upFit[i] = AllCost;

System.out.print("\nSum built facility: "+sumFacilityOpen);

System.out.print("\nFitness value is "+upFit[i]);


if( fitness[i] > upFit[i] ){

fitness[i] = upFit[i]; //update fitness Pbest

{ //update posisi pBest

System.arraycopy(upPos[i], 0, pBest[i], 0, nLokasi);

}

indexGbestAwal = indeksGbest(fitness);

gBest = setGbest(indexGbestAwal, pBest);

fitnessGbest = fitness[indexGbestAwal];

}

}

System.out.println("**** Fitness Pbest ");

fprint1(fitness);

System.out.println("***** pBest position ");

fprint(pBest);

System.out.println("****** Gbest ");

fprint(gBest);

System.out.println("Fitness Gbest : "+fitnessGbest);

System.out.println("\nMain LS Project");

s0 = setS0 ( gBest );

fitS0 = fitnessGbest;

System.out.println("* Initial solution for LS (s0) :");

fprint(s0);

System.out.println("Fitness S0 : "+fitS0);

s = modifNuKappa (s0);

System.out.println("** s0 modification (s) : ");

fprint(s);

int [] openSIt = openn(s);




Lampiran 3 – 9

//fitness s

double [][] biayaCust = Table(openSIt, biCust);

sumFacilityOpen = getSumFacilityOpen(openSIt);


CostFac = CostFac( biFas, openSIt );


double fitnessS = AllCost;

System.out.println("\nSum built facility: "+sumFacilityOpen);

System.out.println("\nFitness s : "+fitnessS);

System.out.println(" ");

int iter = 0;

double[] s1=new double [nLokasi];

while(iter<LSIter){


double[] temp=s1;

if(iter==0){

s1 = getS1 ( s );

}else{

s1 = getS1 ( temp );

}

System.out.print((iter+1)+"). s1 : ");

fprint(s1);

int [] openn = openn(s1);

//fitness s1

double [][] biayaC = Table(openn, biCust);

sumFacilityOpen = getSumFacilityOpen(openn);

CostCust = CostCust( biayaC );

CostFac = CostFac( biFas, openn );


double fitnessS1 = AllCost;

System.out.println("\nSum built facility: "+sumFacilityOpen);

System.out.println("\nFitness s1 : "+fitnessS1);




Lampiran 3 – 10

System.out.println(" ");

if(fitnessS1 <= fitnessS){

iter=LSIter;

System.arraycopy(s1, 0, s, 0, nLokasi);

fitnessS = fitnessS1;

System.out.println("Karena fitness s1 = "+fitnessS1+" <=

fitness S = "+fitnessS);

System.out.println("maka nilai s = s1");

System.out.println("sehingga s : ");

fprint(s);

System.out.println("dengan fitness s "+fitnessS);

}

else if(fitnessS1 > fitnessS){

if (iter<(LSIter-1)){

System.out.println("Karena fitness s1 = "+fitnessS1+

" > fitness S = "+fitnessS);

System.out.println("maka iterasi ditambah ");

}

else{

System.out.println("=========== Iterasi LS Selesai

============");


}

iter++;

}

}

System.out.println("================ Kesimpulan

================");

if(fitnessS <= fitS0){

//s0 = s

System.out.println("karena fitness S = " +fitnessS+" <=

fitness s0 "+fitS0+" maka gBest ::");

System.arraycopy(s, 0, solusi, 0, nLokasi);

fitSolusi = fitnessS;




Lampiran 3 – 11

fprint (solusi);

System.out.println("dengan nilai fitness solusi adalah

"+fitSolusi);

opennn = openn(solusi);

System.out.println("fasilitas yang terbuka adalah ::");

fprint(opennn);


}

else{

System.arraycopy(s0, 0, solusi, 0, nLokasi);

fitSolusi = fitS0;

System.out.println("karena fitness S = " +fitnessS+" >

fitness s0 "+fitS0+" maka gBest ::");

fprint (solusi);

System.out.println("dengan nilai fitness solusi adalah

"+fitSolusi);

opennn = openn(solusi);

System.out.println("fasilitas yang terbuka adalah ::");

fprint(opennn);


}

for(int i=0 ; i < nPartikel ; i++){

System.arraycopy(solusi, 0, gBestA[i], 0, nLokasi);

}

it++;

}


System.out.println("============ Solusi untuk algoritma PSO-LS

=============");

System.out.println(" Posisi solusi : ");

fprint(solusi); //gbest hasil iterasi


System.out.println("Fasilitas terbuka : ");

fprint(opennn);




Lampiran 3 – 12

System.out.println("fitness gBest : "+fitSolusi);

System.out.println("================= End PSO-LS Algorithm

================");

//Mencetak solusi di text panel

String panelSolusi = "";

panelSolusi += "\nFasilitas yang terbuka : ";

for(int i=0;i<opennn.length;i++){

panelSolusi += (opennn[i])+" ";

}

panelSolusi += "\nNilai Fitness terbaik = "+fitSolusi;

jTextPane1.setText(panelSolusi);

//******************************END LS

PROJECT******************************

}

// Method untuk Menampilkan Judul

public void tampilJudul(){

System.out.println("+++++++++++++++++++++++++++++++++++++++++++++++++++++

++++++++++++++++++++++++++++++++++++++++++++++++++++++++++");

System.out.println("+ PARTICLE SWARM OPTIMIZATION WITH LOCAL

SEARCH ALGORITHM APPLIED FOR UNCAPACITATED FACILITY LOCATION PROBLEM +");

System.out.println("+

oleh +");

System.out.println("+ UMI

LAILATUL MUYASSAROH 080810132 +");

System.out.println("+++++++++++++++++++++++++++++++++++++++++++++++++++++

++++++++++++++++++++++++++++++++++++++++++++++++++++++++++");


System.out.println("Swarm Size =

"+nPartikel);

System.out.println("Cognitif parameter (c1) = "+c1);

System.out.println("Social Parameter (c2) = "+c2);

System.out.println("Maximum Trial = "+PSOIter);

System.out.println("Local Search trial = "+LSIter);

System.out.println(""); }




Lampiran 3 – 13

// // Method to print matrix (data type :double)

private static void fprint(double[][] posisi) {


for (int i = 0; i < posisi.length; i++) {

System.out.print(" "+(i+1)+"). ");

for(int j=0;j<posisi[0].length;j++){

System.out.print(posisi[i][j] + " ");

}

System.out.println();

}

System.out.print("\n");

}

// // Method to print matrix (data type :integer)

private static void fprint(int[][] posisi){


for (int i = 0; i < posisi.length; i++){

System.out.print((i+1)+" ). ");

for(int j=0; j<posisi[0].length;j++)

{

System.out.print(posisi[i][j] + " ");

}

System.out.print("\n");

}

}

// Method to print array (data type :integer)

private static void fprint(int[]b){

for(int i=0;i<b.length;i++){

System.out.print(b[i]+" ");

} System.out.print("");

}

// Method to print array (data type :double)




Lampiran 3 – 14

private static void fprint1(double[]b){

for(int i=0;i<b.length;i++){

System.out.println((i+1)+"). "+b[i]);

} System.out.println("");

}

// Method to take variables from user input

private void getVar(){

nPartikel = Integer.parseInt(jTextField1.getText());

PSOIter = Integer.parseInt(jTextField2.getText());

c1 = Integer.parseInt(jTextField3.getText());

c2 = Integer.parseInt(jTextField4.getText());

LSIter = Integer.parseInt(jTextField5.getText());

}

// Method to generate particle's position

private double[][] getPosition(int nPartikel,int nLokasi){

int a;

double [][] posisi=new double[nPartikel][nLokasi];

for(int i=0; i<nPartikel;i++){

for (int j = 0; j < nLokasi; j++) {

a= (int) (Math.random() * 2);

if (a == 1) {

posisi[i][j] = (float) (Math.random() * 10);

} else {

posisi[i][j] = (float) (Math.random() * -10);

}

}

}

return posisi;

}

// Method to calculate particle's open facility

private int[] openn(double [] vektor){




Lampiran 3 – 15

int []open = new int [nLokasi];

int []openS = new int [nLokasi];


open[j] = Math.abs(((int) vektor[j]) % 2);

if(open[j]==1&&j==0){

openS[j]= 99;

//angka 99 hanya untuk membedakan antara fasilitas

//tertutup dan fasilitas ke-0 yg terbuka

}

else if(open[j]==1){

openS[j]=j;

}

} return openS;

}

// Method to copy matrix

private double [][] copyMatrix(double [][] bCust){

int bar = bCust.length;

int kol = bCust[0].length;

double[][] biayaCust = new double[bar][kol];

for(int i=0; i<bar; i++){

System.arraycopy(bCust[i], 0, biayaCust[i], 0, kol);

}

return biayaCust;

}

//Method to generate particle's velocity

private double[][] getVelocity(int nPartikel,int nLokasi){

int a;

double [][] kecepatan = new double [nPartikel] [nLokasi];



a= (int) (Math.random() * 2);

if (a == 1) {




Lampiran 3 – 16

kecepatan[i][j] = (float) (Math.random() * 4);

} else {

kecepatan[i][j] = (float) (Math.random() * -4);

}

}

} return kecepatan;

}

//Method to get location of particle's Open facility

private int[][] getOpenSit(int nPartikel,int nLokasi, double[][] posisi){

int[][] open=new int[nPartikel][nLokasi];

int[][] open_sit=new int[nPartikel][nLokasi];



open[i][j] = Math.abs(((int) posisi[i][j]) % 2);

if(open[i][j]==1&&j==0){

open_sit[i][j]= 99;

//angka 99 hanya untuk membedakan antara fasilitas

//tertutup dan fasilitas ke-0 yg terbuka

}

else if(open[i][j]==1){

open_sit[i][j]=j;

}

}

}

return open_sit;

}

//Method to take table needed

private double[][] Table(int[]openSit, double[][] biayaCust){

int baris=bCust.length;

int kolom=bCust[0].length;

int usedColumn;

for(int s = 0 ; s < nPartikel; s++){




Lampiran 3 – 17

biayaCust = setNetral ( biayaCust );

for(int j = 0 ; j < kolom ; j++){

if (openSit[j] != 0){

if(openSit[j] == 99){

usedColumn = 0;

}

else{

usedColumn = openSit[j];

}

for (int i=0;i<baris;i++){

biayaCust[i][j]=bCust [i][ usedColumn ];

}

}

}

}return biayaCust;

}

//Method to calculate minimum cost per customer

private double CostCust(double[][]biayaCust){

double[]min=new double[bCust.length];

double fCust = 0;

for(int bar=0;bar<bCust.length;bar++){

min[bar]=min(biayaCust,bar);

fCust += min[bar];

}

return fCust;

}

//Method to calculate facility building's cost

private double CostFac(double [] bFast, int[]opensit){

double CostFacility = 0;

double [] pemb = new double [nLokasi];

System.arraycopy(bFast, 0, pemb, 0, nLokasi);

for(int j=0; j<nLokasi; j++){




Lampiran 3 – 18

if(opensit[j]!=0){

CostFacility += pemb[j];

}

} return CostFacility;

}

//Method to calculate sum of open facility

private int getSumFacilityOpen(int[] open_sit){

int sumFacility = 0;

for(int i=0;i<open_sit.length;i++){

if(open_sit[i]!=0){

sumFacility+=1;

}

} return sumFacility;

}

//Method to calculate all cost / fitness value

private double CostAll(double CostFacility,double fCust){

double cost;

cost = CostFacility + fCust;

if(cost !=0){

return cost; }

else{

return 999999999;

}

}

//Method to set Netral Matrix

private double[][] setNetral(double[][] matrix){

int bar = matrix.length , kol = matrix[0].length;

for(int i=0;i<bar;i++){

for(int j=0;j<kol;j++){

matrix[i][j] = -1;

}




Lampiran 3 – 19

}

return matrix;

}

//Method to get minimum value of vector

private double min(double[] matrix){

double min;

int l = matrix.length;

min = matrix[0];

for(int i=0;i<l;i++)

{

if(matrix[i]<min)

{

min = matrix[i];

}

} return min;

}

//Method to Update Velocity

private double [][] upVelS(double [][] kecepatan, double [][] pBest,

double [][] posisi, double [][] gBest){

double [][]bobot = new double [nPartikel][nLokasi];

double [][]aa = new double [nPartikel][nLokasi];

double [][]ab = new double [nPartikel][nLokasi];

double [][]up_kec = new double [nPartikel][nLokasi];


double w=Math.random(); // System.out.println("w:"+w);

double r1=Math.random(); // System.out.println("r1"+r1);

double r2=Math.random(); // System.out.println("r2"+r2);

for(int j=0;j<nLokasi;j++){

bobot[i][j]= w*kecepatan[i][j];

aa[i][j]= (c1*r1)*(pBest[i][j]-posisi[i][j]);

ab[i][j]= (c2*r2)*(gBest[i][j]-posisi[i][j]);

up_kec[i][j]=bobot[i][j]+aa[i][j]+ab[i][j];




Lampiran 3 – 20

}

}return up_kec;

}

//Method to get Minimum value per row in a matrix

private double min(double[][] matrix, int nCust){

double min;

int kol = matrix[0].length;

double[] vec = new double[kol];

System.arraycopy(matrix[nCust], 0, vec, 0, kol);

double supremum = max(matrix, nCust) + 1;

min = supremum;

for(int i=0;i<kol;i++){

if(vec[i] != -1 && vec[i]<min){

min = vec[i];

}

}

return min;

}

//Method to get max value of a vector

private double max(double[][] matrix, int baris){

double max;

int kol = matrix[0].length;

double[] vec = new double[kol];

System.arraycopy(matrix[baris], 0, vec, 0, kol);

max = vec[0];

for(int i=0;i<kol;i++){

if(vec[i] > max ){

max = vec[i];

}

}return max;

}




Lampiran 3 – 21

//Method to get pBest

private double[][] setPbestAwal(double [][] location){

double [][] pBest = new double [nPartikel][nLokasi];

for(int i = 0 ; i < nPartikel; i++){

System.arraycopy(location[i], 0, pBest[i], 0, nLokasi);

}

return pBest;

}

//Method to get global best index

private int indeksGbest(double [] fitness){

int indexGbest = 0;

double fitGbest;

fitGbest = min(fitness);


if(fitness[i]==fitGbest){

indexGbest=i;

}

} return indexGbest;

}

//method to get Gbest

private double[]setGbest(int indexGbest, double [][] pBestAwal){

double [] gBest = new double [nLokasi];


System.arraycopy(pBestAwal[indexGbest], 0, gBest, 0, nLokasi);

}

return gBest;

}

//method to update position

private double [][] posUpdate(double[][]velUpdate, double [][] position){

double [][] posUpdate = new double

[velUpdate.length][velUpdate[0].length];





Lampiran 3 – 22

for(int j=0;j<nLokasi;j++){

posUpdate [i][j] = velUpdate[i][j] + position[i][j];

}

} return posUpdate;

}

//Method to setting initial solution of LS Algorithm

private double [] setS0(double [] gBest){

double [] s0 = new double[gBest.length];

System.arraycopy(gBest, 0, s0, 0, nLokasi); return s0;

}

//Method to s0 modification (s)

private double [] modifNuKappa(double []s0){

double [] s = new double[s0.length];

System.arraycopy(s0, 0, s, 0, nLokasi);

int nu = (int)(Math.random()*10)%nLokasi;

int kappa = (int)(Math.random()*10)%nLokasi;

for(int i=0;i<nLokasi;i++){

if(nu != kappa){

if(i == nu || i == kappa){

if(s0[i] >= 0 || s0[i]<-1){

s[i]=s0[i]+1;

}

else{

s[i]=s0[i]-1;

}

}

}

else{

kappa = (int)(Math.random()*10)%nLokasi;

}

} return s;

}




Lampiran 3 – 23

//Method untuk operasi Flip untuk s dan mendapatkan s1

private double [] getS1(double[] s){

double [] s1 = new double[s.length];

System.arraycopy(s, 0, s1, 0, nLokasi);

double rho = Math.random();

for(int i=0;i<nLokasi;i++){

if(rho<0.5){

s1[i]=s[i]+1;

}

else{

s1[i]=s[i]-1;

}

} return s1;

}

}

Kelas Help.java


public help() {

initComponents();

}

@SuppressWarnings("unchecked")

public static void main(String args[]) {

java.awt.EventQueue.invokeLater(new Runnable() {

@Override

public void run() {

new help().setVisible(true);

}

});

}




Lampiran 4-1

Lampiran 4: Hasil Running Program untuk Data Kecil

Swarm Size = 10

Cognitif parameter (c1) = 1

Social Parameter (c2) = 1

Maximum Trial = 1

Local Search trial = 10

1. First Initialization

* Particle's position Matrix

1. -7.337674617767334 -4.561786651611328 -0.49710384011268616 3.250108480453491 -3.348041534423828 -8.049670219421387

-6.893618583679199 -2.4434821605682373 5.896511077880859

2.7965900897979736

2. 6.612566947937012 5.271047592163086 9.011174201965332 4.0814290046691895 1.0302785634994507 4.63975715637207

-4.181557655334473 -2.6875762939453125 -5.651297569274902

-7.124203681945801

3. 1.9351369142532349 -9.914041519165039 2.99989652633667 -1.1921494007110596 3.9832983016967773 -1.486100435256958

3.5224525928497314 5.833492755889893 -3.944580554962158

6.498287200927734

4. -8.758499145507812 -1.9754948616027832 -7.1529951095581055 -0.022554397583007812 -3.5382704734802246 -1.5670690536499023

2.5592427253723145 0.5144011378288269 -6.464541912078857

1.7149531841278076

5. 2.2326366901397705 5.6497883796691895 -0.4365919530391693 3.754573106765747 -6.471549034118652 -2.7256548404693604

-7.474084377288818 -9.638411521911621 5.030189514160156

2.2568421363830566

6. 4.598694324493408 -0.5246933102607727 -7.469526290893555 5.9022440910339355 0.03128283843398094 -4.949202537536621

-8.140170097351074 -2.352992296218872 1.4624385833740234

6.463038921356201

7. -3.805025815963745 7.315490245819092 0.6541934609413147 -3.119133472442627 4.4095258712768555 6.222108840942383

-1.1307299137115479 3.6903269290924072 -0.007263132371008396

0.8023543953895569




Lampiran 4-2

8. -8.215888023376465 8.001830101013184 9.348827362060547 -3.1473257541656494 3.175287961959839 -1.2608790397644043

8.141667366027832 3.4002649784088135 5.720880508422852 4.7663893699646

9. -7.4887776374816895 9.706025123596191 -1.6357327699661255 7.881433963775635 -5.514042854309082 -1.5522551536560059

-4.776870250701904 -8.651347160339355 -7.682027339935303

0.13512982428073883

10. -5.213980674743652 2.9502716064453125 -3.8200454711914062 -1.882416844367981 -7.761794567108154 4.538959980010986

-2.350308418273926 -3.7667152881622314 7.663954734802246

0.9166465997695923

** Particle's velocity Matrix

1. -1.895987868309021 0.6166648268699646 -1.074476718902588 0.9399178624153137 -2.2707512378692627 -1.8135706186294556

1.350642442703247 -1.5842158794403076 2.7915396690368652

-1.249521017074585

2. 2.300353527069092 1.3030539751052856 2.2977097034454346 -3.0188851356506348 -1.2640992403030396 3.1970865726470947

3.900747299194336 3.6607747077941895 -2.6399855613708496

0.6898790001869202

3. -2.2469537258148193 -3.096349000930786 2.086481809616089 -2.790041208267212 3.0860354900360107 -0.45406076312065125

0.5076398849487305 -3.342865228652954 3.34873104095459 2.23596453666687

4. -2.523906946182251 0.22458791732788086 -0.9365938305854797 3.2782156467437744 3.1316606998443604 3.4324069023132324

-0.42705923318862915 1.9588844776153564 3.2545883655548096

-0.023372624069452286

5. -1.8969186544418335 0.10620779544115067 3.8900392055511475 0.855282723903656 -1.0673284530639648 3.0604066848754883

1.5534696578979492 -3.0827033519744873 1.9734760522842407

-0.34219297766685486

6. -0.7241112589836121 -3.3612422943115234 -0.362029105424881 -0.38109055161476135 -3.994983434677124 -1.713199257850647

-1.0194934606552124 1.7566955089569092 -1.6303775310516357

-1.0077180862426758

7. -1.234604001045227 -0.4060014486312866 3.2339353561401367 0.008565709926187992 1.5978738069534302 1.2499135732650757

-3.230450391769409 2.9426629543304443 -2.341426372528076

3.692078113555908

8. 0.8645124435424805 1.5424929857254028 0.4222360849380493




Lampiran 4-3

-3.443150043487549 -0.41912510991096497 2.5155110359191895

3.5519020557403564 2.123626232147217 2.357417106628418

2.393681049346924

9. -2.376079797744751 1.0983679294586182 -1.090576171875 0.7162653207778931 3.006696939468384 0.9959366321563721

2.0751264095306396 -3.4989893436431885 -3.1100757122039795

-1.3658713102340698

10. -3.942678451538086 -1.9427098035812378 -3.7540903091430664 3.927028179168701 -0.3652746081352234 -0.33470994234085083

-2.217480421066284 -3.8601107597351074 1.3594536781311035

0.09574556350708008

*** Particle's open facility Matrix

1. 99 0 0 3 4 0 0 0 8 0 2. 0 1 2 0 4 0 0 0 8 9 3. 99 1 0 3 4 5 6 7 8 0 4. 0 1 2 0 4 5 0 0 0 9 5. 0 1 0 3 0 0 6 7 8 0 6. 0 0 2 3 0 0 0 0 8 0 7. 99 1 0 3 0 0 6 7 0 0 8. 0 0 2 3 4 5 0 7 8 0 9. 99 1 2 3 4 5 0 0 8 0 10. 99 0 2 3 4 0 0 7 8 0

**** End first initialization

2. First Evaluation

1. Open Facility 99 0 0 3 4 0 0 0 8 0 Sum built facility: 4

Fitness value is 180824.26249999998









6. Open Facility 0 0 2 3 0 0 0 0 8 0




Lampiran 4-4

Sum built facility: 3










* First Personal best:

1. -7.337674617767334 -4.561786651611328 -0.49710384011268616 3.250108480453491 -3.348041534423828 -8.049670219421387

-6.893618583679199 -2.4434821605682373 5.896511077880859

2.7965900897979736

2. 6.612566947937012 5.271047592163086 9.011174201965332 4.0814290046691895 1.0302785634994507 4.63975715637207

-4.181557655334473 -2.6875762939453125 -5.651297569274902

-7.124203681945801

3. 1.9351369142532349 -9.914041519165039 2.99989652633667 -1.1921494007110596 3.9832983016967773 -1.486100435256958

3.5224525928497314 5.833492755889893 -3.944580554962158

6.498287200927734

4. -8.758499145507812 -1.9754948616027832 -7.1529951095581055 -0.022554397583007812 -3.5382704734802246 -1.5670690536499023

2.5592427253723145 0.5144011378288269 -6.464541912078857

1.7149531841278076

5. 2.2326366901397705 5.6497883796691895 -0.4365919530391693 3.754573106765747 -6.471549034118652 -2.7256548404693604

-7.474084377288818 -9.638411521911621 5.030189514160156

2.2568421363830566

6. 4.598694324493408 -0.5246933102607727 -7.469526290893555 5.9022440910339355 0.03128283843398094 -4.949202537536621

-8.140170097351074 -2.352992296218872 1.4624385833740234

6.463038921356201

7. -3.805025815963745 7.315490245819092 0.6541934609413147 -3.119133472442627 4.4095258712768555 6.222108840942383




Lampiran 4-5

-1.1307299137115479 3.6903269290924072 -0.007263132371008396

0.8023543953895569

8. -8.215888023376465 8.001830101013184 9.348827362060547 -3.1473257541656494 3.175287961959839 -1.2608790397644043

8.141667366027832 3.4002649784088135 5.720880508422852 4.7663893699646

9. -7.4887776374816895 9.706025123596191 -1.6357327699661255 7.881433963775635 -5.514042854309082 -1.5522551536560059

-4.776870250701904 -8.651347160339355 -7.682027339935303

0.13512982428073883

10. -5.213980674743652 2.9502716064453125 -3.8200454711914062 -1.882416844367981 -7.761794567108154 4.538959980010986

-2.350308418273926 -3.7667152881622314 7.663954734802246

0.9166465997695923

** First Global best at the 3th particle and the fitness value is

165488.90000000002

*** The Global best position

1.9351369142532349 -9.914041519165039 2.99989652633667 -1.1921494007110596

3.9832983016967773 -1.486100435256958 3.5224525928497314 5.833492755889893

-3.944580554962158 6.498287200927734

3. Iteration

The First iteration

* Updated Velocity

1. 0.9563114147947982 -0.8191805239919769 0.15958814215742423 -0.44044604689629796 0.3244198912500327 0.4131536298217746

3.0209654659183123 0.9141068531032099 -0.5789867553118395

0.10619883159569321

2. -1.701074484351084 -9.525859757126703 -2.613863700212411 -5.56246965732514 1.1961535800817575 -2.1080900704862615

7.795216497029655 8.19746785751714 -0.5485936266152125 9.75271008036272

3. -0.3379381319285071 -0.46568577944069556 0.31380342057946875 -0.41961759296287415 0.4641346444238225 -0.0682899893790119

0.07634820087350319 -0.5027614132329677 0.5036436217220364

0.3362853760175146

4. 0.8835715169552922 -1.0631151952808362 1.199316619803265 0.6446539343588669 1.8330834665164732 0.858935691014479

0.030270698736754698 1.2331655014579965 1.158691887089324

0.668218103164422




Lampiran 4-6

5. -0.2926319970634181 -3.9106717717608954 1.3124982069520206 -1.1486868281061748 2.51267817311459 0.6635719805293524

2.949914095896482 3.5459869507904354 -2.035656316977099

1.0297924219554055

6. -0.6628768369803801 -2.53946105300881 1.8011677321438275 -1.377574982138801 -0.28742567065982483 0.196296466479862

1.8519562044841513 1.9198098382652733 -1.385861914134531 -

0.24627869036439332

7. 4.853573083974329 -15.825272398361676 3.126192650954846 1.7586668330388304 0.10002891072924763 -6.642361554735078

3.252912881095117 2.8525838943057926 -4.303793402478897

6.31928361390348

8. 8.747902894978054 -13.071961247683932 -4.728346538418241 -1.100287758373337 0.3198300910163888 1.7616744438819294 -

0.9365393971023535 3.575587360869081 -5.875327728147997

3.2256590675102226

9. 4.083159985640124 -11.381702131764113 2.067059583839211 -5.10770297647774 8.1581047136724 0.786656377542909 6.715598657328439

6.390555006422985 -0.003313771186528758 2.9355279982042637

10. 1.309383575100572 -10.397149404434066 1.2553673345757934 3.9592518198187916 7.589409987188107 -4.3577916839182675

1.9843258531889996 3.0345134979714397 -6.612809212869357

3.846372615305853

** Updated Position

1. -6.381363202972536 -5.380967175603305 -0.33751569795526193 2.809662433557193 -3.0236216431737954 -7.636516589599612 -

3.872653117760887 -1.5293753074650274 5.31752432256902

2.902788921393667

2. 4.911492463585928 -4.254812164963617 6.397310501752921 -1.4810406526559508 2.2264321435812082 2.531667085885809

3.613658841695182 5.509891563571827 -6.199891195890115

2.628506398416919

3. 1.5971987823247278 -10.379727298605735 3.3136999469161386 -1.6117669936739336 4.4474329461206 -1.5543904246359699

3.5988007937232345 5.330731342656925 -3.440936933240122

6.834572576945249

4. -7.87492762855252 -3.0386100568836194 -5.95367848975484 0.622099536775859 -1.7051870069637514 -0.7081333626354234

2.589513424109069 1.7475666392868234 -5.3058500249895335

2.3831712872922295

5. 1.9400046930763524 1.739116607908294 0.8759062539128513 2.6058862786595722 -3.9588708610040624 -2.062082859940008 -




Lampiran 4-7

4.524170281392337 -6.092424571121185 2.994533197183057

3.286634558338462

6. 3.9358174875130283 -3.0641543632695827 -5.668358558749727 4.524669108895134 -0.2561428322258439 -4.752906071056759 -

6.2882138928669224 -0.4331824579535988 0.07657666923949247

6.216760230991808

7. 1.0485472680105836 -8.509782152542584 3.780386111896161 -1.3604666394037965 4.509554782006103 -0.4202527137926948

2.1221829673835693 6.5429108233982 -4.3110565348499055

7.1216380092930365

8. 0.5320148716015893 -5.070131146670748 4.620480823642306 -4.247613512538987 3.4951180529762276 0.5007954041175251

7.205127968925479 6.975852339277894 -0.15444721972514586

7.992048437474822

9. -3.405617651841565 -1.6756770081679218 0.4313268138730857 2.7737309872978946 2.644061859363317 -0.7655987761130969

1.9387284066265345 -2.2607921539163707 -7.685341111121831

3.0706578224850025

10. -3.9045970996430803 -7.446877797988753 -2.564678136615613 2.0768349754508106 -0.1723845799200472 0.18116829609271878 -

0.3659825650849262 -0.7322017901907918 1.051145521932889

4.763019215075445

*** Updated Open Facility

1. 0 1 0 0 4 5 6 7 8 0 2. 0 0 0 3 0 0 6 7 0 0 3. 99 0 2 3 0 5 6 7 8 0 4. 99 1 2 0 4 0 0 7 8 0 5. 99 1 0 0 4 0 0 0 0 9 6. 99 1 2 0 0 0 0 0 0 0 7. 99 0 2 3 0 0 0 0 0 9 8. 0 1 0 0 4 0 6 0 0 9 9. 99 1 0 0 0 0 6 0 8 9 10. 99 1 0 0 0 0 0 0 8 0

****Evaluation





3. Open Facility 99 0 2 3 0 5 6 7 8 0




Lampiran 4-8

















**** Fitness Pbest

1. 180824.26249999998 2. 195538.16249999998 3. 165488.90000000002 4. 188245.1 5. 178936.425 6. 180519.15 7. 173647.9375 8. 177209.45 9. 166488.25 10. 178870.76249999998

***** pBest position

1. -7.337674617767334 -4.561786651611328 -0.49710384011268616 3.250108480453491 -3.348041534423828 -8.049670219421387 -

6.893618583679199 -2.4434821605682373 5.896511077880859

2.7965900897979736

2. 6.612566947937012 5.271047592163086 9.011174201965332 4.0814290046691895 1.0302785634994507 4.63975715637207 -




Lampiran 4-9

4.181557655334473 -2.6875762939453125 -5.651297569274902 -

7.124203681945801

3. 1.9351369142532349 -9.914041519165039 2.99989652633667 -1.1921494007110596 3.9832983016967773 -1.486100435256958

3.5224525928497314 5.833492755889893 -3.944580554962158

6.498287200927734

4. -8.758499145507812 -1.9754948616027832 -7.1529951095581055 -0.022554397583007812 -3.5382704734802246 -1.5670690536499023

2.5592427253723145 0.5144011378288269 -6.464541912078857

1.7149531841278076

5. 2.2326366901397705 5.6497883796691895 -0.4365919530391693 3.754573106765747 -6.471549034118652 -2.7256548404693604 -

7.474084377288818 -9.638411521911621 5.030189514160156

2.2568421363830566

6. 4.598694324493408 -0.5246933102607727 -7.469526290893555 5.9022440910339355 0.03128283843398094 -4.949202537536621 -

8.140170097351074 -2.352992296218872 1.4624385833740234

6.463038921356201

7. 1.0485472680105836 -8.509782152542584 3.780386111896161 -1.3604666394037965 4.509554782006103 -0.4202527137926948

2.1221829673835693 6.5429108233982 -4.3110565348499055

7.1216380092930365

8. -8.215888023376465 8.001830101013184 9.348827362060547 -3.1473257541656494 3.175287961959839 -1.2608790397644043

8.141667366027832 3.4002649784088135 5.720880508422852 4.7663893699646

9. -7.4887776374816895 9.706025123596191 -1.6357327699661255 7.881433963775635 -5.514042854309082 -1.5522551536560059 -

4.776870250701904 -8.651347160339355 -7.682027339935303

0.13512982428073883

10. -5.213980674743652 2.9502716064453125 -3.8200454711914062 -1.882416844367981 -7.761794567108154 4.538959980010986 -

2.350308418273926 -3.7667152881622314 7.663954734802246

0.9166465997695923

****** Gbest

1.9351369142532349 -9.914041519165039 2.99989652633667 -1.1921494007110596

3.9832983016967773 -1.486100435256958 3.5224525928497314 5.833492755889893

-3.944580554962158 6.498287200927734

Fitness Gbest : 165488.90000000002

Main LS Project

* Initial solution for LS (s0) :




Lampiran 4-10

1.9351369142532349 -9.914041519165039 2.99989652633667 -1.1921494007110596

3.9832983016967773 -1.486100435256958 3.5224525928497314 5.833492755889893

-3.944580554962158 6.498287200927734

Fitness S0 : 165488.90000000002

** s0 modification (s) :

1.9351369142532349 -9.914041519165039 2.99989652633667 -1.1921494007110596

3.9832983016967773 -1.486100435256958 3.5224525928497314 6.833492755889893

-2.944580554962158 6.498287200927734


Fitness s : 151558.725

**Flip

1. s1 : 0.9351369142532349 -10.914041519165039 1.99989652633667 -2.1921494007110596 2.9832983016967773 -2.486100435256958

2.5224525928497314 5.833492755889893 -3.944580554962158

5.498287200927734


Fitness s1 : 232036.725

fitness s1 = 232036.725 > fitness S = 151558.725

next iteration

2. s1 : 1.9351369142532349 -9.914041519165039 2.99989652633667 -1.1921494007110596 3.9832983016967773 -1.486100435256958

3.5224525928497314 6.833492755889893 -2.944580554962158

6.498287200927734


Fitness s1 : 151558.725

fitness s1 = 151558.725 <= fitness S = 151558.725

so, s = s1

Then s :

1.9351369142532349 -9.914041519165039 2.99989652633667 -

1.1921494007110596 3.9832983016967773 -1.486100435256958

3.5224525928497314 6.833492755889893 -2.944580554962158

6.498287200927734

by fitness s 151558.725

================ Conclusion ================

fitness S = 151558.725 <= fitness s0 165488.90000000002 so gBest ::




Lampiran 4-11

1.9351369142532349 -9.914041519165039 2.99989652633667 -1.1921494007110596

3.9832983016967773 -1.486100435256958 3.5224525928497314 6.833492755889893

-2.944580554962158 6.498287200927734

By fitness value gBest 151558.725

Open Facility Vector :: 99 1 0 3 4 5 6 0 0 0

============ Solution for PSO-LS Algorithm =============

** Open Facility Vector:

99 1 0 3 4 5 6 0 0 0

Objective Function: 151558.725

================= End PSO-LS Algorithm ================

BUILD SUCCESSFUL (total time: 17 seconds)

Keterangan :

Fasilitas yang dibangun sebanyak enam fasilitas, yaitu pada lokasi ke: 0,1,2,4,5 dan 6.




Lampiran 5 – 1

Dari output program untuk data pada Lampiran 2, diperoleh vektor open facility untuk partikel dengan nilai fungsi tujuan terbaik

sebagai berikut:

0 0 0 0 0 1 1 0 0 0 1 0 1 0 1 1 0 1 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 1 0 0 1 0 0 0 1 0 0 0 1 1 0 0 1 0

Vektor open facility ini menyatakan bahwa terdapat 15 fasilitas yang terbuka. Biaya pembangunan tiap fasilitas disajikan pada

Tabel 1 berikut ini:

Tabel 1 Biaya pembangunan fasilitas

Fasilitas ke- 6 7 11 13 15 16 18 23 27 34 37 41 45 46 49

Biaya 7500 7500 7500 7500 7500 7500 7500 0 7500 7500 7500 7500 7500 7500 7500

Dari lima belas fasilitas yang dibangun, dipilih biaya pelayanan customer minimum. Biaya pelayanan customer minimum terpilih

disajikan pada Tabel 2.

Tabel 2 Pengalokasian customer terhadap fasilitas

Customer ke- Fasilitas ke- Biaya 1 16 3847,1000 2 15 1838,9625 3 6 7030,8000




Lampiran 5 – 2

Customer ke- Fasilitas ke- Biaya 4 49 12183,4125 5 16 955,5750 6 6 3514,7125 7 7 28499,2500 8 13 8861,7375 9 16 1211,9250 10 16 546,4000 11 11 12638,500 12 23 37595,1000 13 13 5185,9750 14 6 2400,6125 15 15 7310,8125 16 16 8135,7000 17 11 2542,5000 18 18 11423,1000 19 11 3542,0000 20 15 5467,3125 21 11 693,5000 22 15 14919,4126 23 23 0 24 6 5240,2000 25 41 8099,3000 26 23 3268,9000 27 27 124051,200 28 23 1601,1750 29 41 5121,2500 30 6 13061,8125 31 6 2988,5625 32 23 2398,9000




Lampiran 5 – 3

Customer ke- Fasilitas ke- Biaya 33 6 10386,3125 34 34 130895,400 35 41 5378,7500 36 41 4886,1000 37 37 32993,1125 38 13 15076,0625 39 46 23696,8125 40 49 3636,7000 41 41 5043,0000 42 11 13627,400 43 16 7885,6250 44 15 9331,2500 45 45 68042,3625 46 46 21302,8125 47 46 8172,3750 48 15 1756,0375 49 49 11949,9000 50 41 3335,5500

Dari output program untuk data pada Lampiran 2 diperoleh Nilai fungsi tujuan (Total biaya) partikel terbaik, yaitu sebesar

793439.5625 satuan.




Lampiran 6-1

Lampiran 6: Antarmuka Program

Halaman Awal

Help Contens: Usage




Lampiran 6-2

Help Contens: Data

Help Contens: Input




Lampiran 6-3

Help Contens: Solution

Help Contens: Author’s Profile




Lampiran 6-4

Help Contens: Thanks To




Lampiran 7-1

Lampiran 7: Hasil Optimal untuk data 50 Lokasi dengan 50 Customer

Berdasarkan situs OR-Library oleh J.E. Beasley dengan alamat situs website:

http://people.brune1.ac.uk/~mastjjb/jeb/ orlib/files/cap131.txt, hasil optimal untuk

data 50 Lokasi dengan 50 Customer (Lampiran 2) adalah sebesar 793.439,562 satuan.





Documents

ALGORITMA PARTICLE SWARM OPTIMIZATION DENGAN …repository.unair.ac.id/25719/1/MPM 69 - 12 Muy a.pdf · 2016-09-14 · Fungsi Fitness ... Berbeda pada Algoritma PSO-LS Menggunakan