Kinantan Arya Bagaspati [13519044].pdf
Terbatas  Dessy Rondang Monaomi
» Gedung UPT Perpustakaan
Terbatas  Dessy Rondang Monaomi
» Gedung UPT Perpustakaan
Berbagai macam model permasalahan dapat diformulasikan dari bagaimana manusia
mengintegrasikan transportasi dalam bisnisnya, sebagai aspek yang esensial dalam
kehidupan sehari-hari. Salah satu bentuk persoalan yang lahir dari aspek ini ialah
Vehicle Routing Problem disingkat VRP, yang merupakan versi lebih general dari
Travelling Salesman Problem disingkat TSP. VRP mencakupi pengalokasian titik-titik
pada peta kepada sejumlah kendaraan untuk menjadi tanggung jawab masing-masing
kendaraan untuk mengunjunginya tanpa memperhatikan urutan. Varian VRP yang
lebih relevan dengan kasus nyata ialah penambahan batasan kapasitas kendaraan
(capacity), rentang waktu (time window), dan bentuk titik berpasangan sebagai
pengambilan dan pengantaran (pickup and delivery). Lebih tepatnya, varian VRP
yang dibahas ialah Pickup and Delivery Vehicle Routing Problem with Time Window
(PDVRPTW). Sebagai persoalan optimasi yang merupakan NP-hard, VRP umum
diselesaikan dengan tahapan pembangkitan solusi inisial dan kemudian dilakukan
pembelajaran atau optimasi. Pada penelitian ini, dikembangkan metode heuristik
untuk membangkitkan solusi inisial memanfaatkan Balanced Graph Clustering dan
Dynamic Programming. Proses pembangkitan rute ini melalui fase clustering graf
secara seimbang dan dilaksanakan bertahap menghasilkan struktur hirarki, untuk
kemudian secara bottom-up dilakukan pre komputasi tiap rute dalam kluster, dengan
memanfaatkan algoritma rekonstruksi jalur antar kluster. Batasan waktu dapat
diintegrasikan dengan memanfaatkan feasibility graph, DP, dan Maximum Bipartite
Matching. Solusi ini kemudian akan dieksperimenkan pertumbuhan evaluasinya
ketika diaplikasikan strategi pembelajaran Hill Climbing, Simulated Annealing, dan
Tabu Search. Melalui sejumlah pengujian, diperoleh balanced K-medoids sebagai
teknik clustering terbaik yang dapat membangkitkan solusi 3-15% lebih buruk dari
solusi paling optimal untuk TSP. Metode heuristik ini juga dapat mencapai solusi
dengan jumlah kendaraan yang dibutuhkan kurang dari 130% dari jumlah kendaraan
optimal untuk kasus-kasus uji PDVRPTW, yang mayoritas dicapai oleh strategi
pembelajaran Tabu Search.