ADLN Perpustakaan Universitas Airlangga SKRIPSI UMI LAILATUL MUYASSAROH

ADLN Perpustakaan Universitas Airlangga

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 MATEM ATIKA DEPARTEMEN MATEMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS AIRLANGGA SURABAYA 2012

Skripsi

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


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

Pembimbing II

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

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

ii Skripsi



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

Pembimbing II

Dr. Herry Suprajitno NIP. 19680404 199403 1 020

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

Ketua Program Studi S-1 Matematika Departemen Matematika Fakultas Sains dan Teknologi Universitas Airlangga

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

iii Skripsi



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.

iv Skripsi



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 v Skripsi



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

Umi Lailatul Muyassaroh

vi Skripsi



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.

vii

Skripsi



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).

viii

Skripsi



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

BAB II

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

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

ix Skripsi



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

x Skripsi



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

xi Skripsi



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

xii

Skripsi



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

xiii

Skripsi



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

Skripsi

1



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 ( ).

Skripsi

dan

pertama kali



dibangkitkan secara random, sedangkan

3

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).

Skripsi



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].

Skripsi



BAB II TINJAUAN PUSTAKA

Pada bab ini diberikan beberapa definisi yang akan digunakan pada pembahasan Algoritma Particle Swarm Optimization dengan Local Search (PSOLS) 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). (∑ ∑

∑

) 5

Skripsi



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.

Skripsi



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

Skripsi



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.

Skripsi



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:

Skripsi



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: ⌊

Skripsi

⌋



dengan:

menggambarkan variabel keputusan untuk membuka atau

menutup fasilitas ke-k dari partikel ke-i, ⌊ ⌋ bagi ⌊

11

⌋ dengan 2, ⌊

sama dengan

merupakan sisa hasil

⌋ adalah bilangan bulat terbesar yang kurang dari atau

, 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 vektor [

]

{ } adalah himpunan dari 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

Skripsi



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

[

}, yang berkaitan dengan vektor posisi Global best,

sebagai

{

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: (

Skripsi

(

)

adalah bobot inersia yang dibangkitkan secara random pada

dengan: interval [

)

],

dan

adalah parameter sosial dan kognitif yang nilainya



adalah 2,

dan

13

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 ( persamaan

) di-update dengan menggunakan

.

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

Skripsi

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

Bilangan

,

dan

dan

dan namakan dengan

adalah bilangan asli yang dibangkitkan secara

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

dan

dibangkitkan, kemudian memilih dua komponen

yang bersesuaian dengan dua bilangan ini (

dan

dengan ) 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 [

], komponen

[ ], dan

di-update menggunakan persamaan 2.8 sebagai

berikut:

Skripsi



15

{ dimana ρ adalah bilangan random pada interval [ 4. Membandingkan nilai fitness dengan

] dan

dan . Jika

{

}.

, maka gantilah

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

5. Membandingkan nilai fitness

dan . Jika

, maka gantilah

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 (PSOLS) 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

Skripsi



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 ( 10. Modifikasi

berdasarkan

) sebagai dan

menggunakan persamaan

dan

namakan dengan . 11. Aplikasikan operator flip ke dan dapatkan 12. Membandingkan nilai fitness dengan

dan . Jika

, maka gantilah

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

13. Membandingkan nilai fitness

dan . Jika

, maka gantilah

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)

Skripsi



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

Skripsi



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

Skripsi



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)

Skripsi



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

k) Mengaplikasikan operator flip ke *

Skripsi

dan menamakan dengan dan mendapatkan

, dengan

+.

20



21

l) Membandingkan nilai fitness

. Jika

(

)

( ),

maka

. Jika tidak, maka dilakukan operasi flip untuk

diganti dengan

mencari solusi di sekitar dari , maka

dan

. Jika didapat nilai fitness yang lebih baik

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.

Skripsi



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

22 Skripsi



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

fc1

fc2

fc3

...

fcn

Biaya

Tabel 4.2 Biaya untuk Melayani Customer

Fasilitas 1 Fasilitas 2

Fasilitas 3

...

Fasilitas n

c13

…

c1n

Customer 2

c21

c22

c23

…

c2n

Customer 3

c31

c32

c33

…

c3n

…

…

…

cm1

cm2

cm3

Customer m

…

…

c12

…

c11

…

Customer 1

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.

Skripsi



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

Skripsi



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,

solusi awal Algoritma Local Search,

adalah hasil modifikasi

adalah

, 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

Skripsi



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.

Skripsi



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

Skripsi



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 i1 to n for j1 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 Algoritma untuk membangkitkan

adalah komponen

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

Skripsi



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 i1 to n for j1 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

Skripsi



30

IV.4.6 Penentuan Personal Best ( ) Personal Best adalah vektor posisi partikel ke-i ( ) dengan nilai fitness Nilai fitness personal best pada partikel ke-i

terbaik pada iterasi tertentu. 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 {

} , dengan

Dengan demikian,

, dimana

adalah nilai fitness personal best pada partikel ke-i.

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

Skripsi



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, adalah koefisien social dan kognitif, secara random, ke-t,

( )

( )

dan

dan

adalah bilangan yang dibangkitkan

adalah komponen vektor posisi personal best pada iterasi

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 iterasi ke-t ( (

Skripsi

(

) ).

(

)

, adalah jumlahan komponen vektor posisi pada

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

Proses update posisi dilakukan dengan Algoritma berikut ini.



32

Algoritma Begin for t1 to max_iter for i1 to n for k1 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 ( dua bilangan random integer

dan

yang akan dibuka atau ditutup.

).

kemudian dimodifikasi berdasarkan

yang berfungsi untuk memilih fasilitas mana yang telah dimodifikasi ini kemudian menjadi

solusi baru ( ). Algoritma untuk modifikasi

menjadi adalah berikut ini.

Algoritma Begin while (

or Modify

) do by formulation:

{ end 

modification;

End

Skripsi



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 i1 to n Flip s by formulation: { end 

after flip;

End

Dengan

, - dan

Setelah

operasi

[ flip

membandingkan nilai fitness

) ].

(

telah

dilakukan,

dan . Jika

(

langkah )

( ),

selanjutnya maka

adalah

diganti dengan

. Jika tidak, maka ulangi hingga max_iter. Setelah iterasi selesai, langkah terakhir adalah membandingkan nilai fitness gantilah

dan . Jika ( )

dengan . Solusi dari Algoritma PSO-LS adalah

( ), maka

.

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

Skripsi



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 sw_size =10,

Skripsi

input yang digunakan sebagai berikut:

, PSOIter = 1, LSIter = 2,

,

-.



35

sw_size adalah ukuran swarm yang merupakan representasi dari jumlah lokasi yang akan dibangun fasilitas, partikel dan

adalah variabel yang menyatakan pengalaman

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 l1 l2 l3 l4 l5 l6 l7 l8 l9 l10

Skripsi

Vektor Posisi 7,28 -3,21 9,11 9,28 -2,2 -8,45 -9,54 -0,07 1 -3,1

9,3 9,3 -0,72 7,56 9 -4,4 -6,83 4,16 0 6,35

-8,45 -8,45 2,79 0 0 1 1 1 -6,38 1

6,47 6,47 -6,24 0 1 0 0 1 9,42 1

4,38 4,38 -0,43 0,07 6,98 -3,61 -7,7 -5,42 1 -5,36

-0,38 -0,38 -1 9,15 -8,23 6,74 4,07 -9,02 0 -5,33

0,44 0,44 2,98 0 1 0 1 1 -7,27 0

1,26 1,26 -7,76 1 0 1 0 0 8,51 1

-2,74 -2,74 3,53 6,85 -3,93 5,3 -6,79 -5,47 1 4,62

0,38 0,38 -5,21 -8,06 0,1 -3,93 4,34 2,78 0 -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 v1 v2 v3 v4 v5 v6 v7 v8 v9 v10

Vektor kecepatan -1,55 -1,55 2,31 1,31 -0,98 3,85 0,50 2,09 -0,30 2,77

-2,84 -2,84 2,98 1,16 -0,16 -1,89 -1,15 0,31 3,29 -0,04

-1,12 -1,12 -1,41 2,20 1,42 -1,60 0,68 1,51 3,19 -0,39

1,13 1,13 1,32 -1,72 1,10 2,10 -2,22 -1,07 -1,30 3,79

-2,04 -2,04 -0,15 0,67 -2,20 0,88 2,99 1,83 0,66 -2,36

1,79 1,79 1,85 -2,22 -2,73 2,58 -0,85 -0,70 -3,06 2,07

-0,71 -0,71 0,30 3,97 1,81 2,66 0,86 0,79 -2,41 -0,47

-2,25 -2,25 2,74 -3,65 -0,85 -2,75 1,29 -1,75 3,73 -3,95

-3,37 -3,37 -0,09 3,01 -3,74 -0,81 3,26 3,69 -1,03 -2,79

0,37 0,37 0,54 -1,12 -1,80 3,27 -3,95 2,82 -3,90 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 y1 y2 y3 y4 y5 y6

Skripsi

Vektor Open facility 1 1 1 1 0 0

1 1 0 1 1 0

0 0 0 0 0 1

0 0 0 0 1 0

0 0 0 0 0 1

0 0 1 1 0 0

0 0 0 0 1 0

1 1 1 1 0 1

0 0 1 0 1 1

0 0 1 0 0 1



Partikel

37

Vektor Open facility

y7 y8 y9 y10

1 0 1 1

0 0 0 0

1 1 0 1

0 1 1 1

1 1 1 1

0 1 0 1

1 1 1 0

0 0 0 1

0 1 1 0

0 0 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

Skripsi



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

Vektor Posisi

best

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:

Skripsi



39

Tabel 4.8 Vektor kecepatan setelah di-update

Partikel v1 v2 v3 v4 v5 v6 v7 v8 v9 v10

-0,53 1,19 -3,57 -4,98 -0,09 6,48 7,23 1,9 -0,56 4,05

1,95 0,33 -4,69 5,38 4,42 -1,81 -1,24 2,5 -1,31 1,16 1,26 -1,47 6,96 0,56 0,28 1,37 3,41 4,51 -1,26 -0,33

Vektor kecepatan 1,03 -4,32 -5,58 0,46 -2,87 -7,21 -4,53 -0,01 4,7 -2,78 -3,22 -0,89 -0,79 -3,01 -13,68 3,98 0,7 -4,51 -1,94 1,16 2,28 0,18 -3,14 2,8 -1,12 4,12 -10,13 0,71 -0,97 1,67 -0,64 0,72 -3,79 -1,93 -5,02 1,58 3,22 -2,04 -0,31 0,16

-0,7 -1,94 5,83 -3,72 -0,54 -2,88 1,07 -1,59 -0,9 -3,92

-4,76 2,01 -3,44 1,7 -4,91 4,64 -5,48 6,11 -2,78 -0,48 -4,51 5,36 3,66 -4,4 3,36 2,57 -2,93 -1,23 -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 datadata vektor posisi setelah di-update. Tabel 4.9 Vektor posisi setelah di-update

Partikel l1 l2 l3 l4 l5 l6 l7 l8 l9 l10

6,75 11,25 -8,12 7,5 -2,02 4,61 -3,07 3,6 5,54 3,7 0,98 -1,54 4,3 6,32 2,5 -0,79 -2,29 7,69 1,16 1,7 -1,98 -3,14 -0,47 2,28 -2,31 0,13 1,56 -1,12 1,83 4,44 2,37 0,03 0,44 3,41 -1,87 5,63 0,95 5,09 0,67 4,22

Vektor Posisi 0,06 -5,96 0,9 0,56 -2,83 -4,91 0,43 -0,68 -3,21 -4,22 2,09 -1,93 -2,94 -4,53 3,98 -2,72 2,47 -10,17 2,16 -0,54 -3,43 3,6 2,8 -1,88 -3,58 -6,06 1,71 1,07 -3,75 -9,66 1,72 -1,59 -0,93 -5,02 -5,69 7,61 -7,4 -5,64 0,16 -2,92

-7,5 -6,18 -1,38 1,37 -6,71 0,79 -3,13 -2,11 -1,93 -3,4

2,39 2,08 -0,57 -1,95 -0,38 1,43 -0,06 5,35 -1,23 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

Skripsi



40

menunjukkan bahwa fasilitas dibangun, sedangkan angka 0 menunjukkan bahwa fasilitas tidak dibangun. Tabel 4.10 vektor open facility setelah di-update

Partikel y1 y2 y3 y4 y5 y6 y7 y8 y9 y10

0 0 1 0 0 1 0 1 0 0

1 0 1 0 1 1 0 0 1 1

Vektor Open facility 0 1 0 1 0 0 1 1 0 0 0 0 0 1 1 0 0 1 0 0 0 0 1 0 1 1 0 0 0 0 0 0 1 1 0 1 1 1 1 0 1 1 0 0 1 1 1 1 1 1 0 1 1 1 0 0 1 1 0 0

1 0 1 1 0 0 1 0 1 1

0 0 0 1 0 1 0 1 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 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 6

45.000 45.000

144.625,35 130.557,38

189.625,35 175.557,38

6

45.000

158.995,84

203.995,84

8

60.000

124.595,32

184.595,32

4

30.000

156.920,97

186.920,97

y7 y8 y9 y10

Skripsi

Jumlah fasilitas yang dibangun



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.

Skripsi



s0 :

6,75

11,25

-8,12

7,5

0,06

-5,96

0,9

42

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.

Skripsi



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 2 4 6 9 Total

Skripsi

Biaya 7.500 7.500 7.500 7.500 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 2. Customer 2 dilayani oleh fasilitas 4 dengan biaya pelayanan 2.396,85 3. Customer 3 dilayani oleh fasilitas 4 dengan biaya pelayanan 13.876,80 4. Customer 4 dilayani oleh fasilitas 6 dengan biaya pelayanan 20.071,71 5. Customer 5 dilayani oleh fasilitas 4 dengan biaya pelayanan 1.061,75 6. Customer 6 dilayani oleh fasilitas 4 dengan biaya pelayanan 10.383,43 7. Customer 7 dilayani oleh fasilitas 2 dengan biaya pelayanan 28.499,25 8. Customer 8 dilayani oleh fasilitas 6 dengan biaya pelayanan 8.861,74 9. Customer 9 dilayani oleh fasilitas 4 dengan biaya pelayanan 1.324,95 10. Customer 10 dilayani oleh fasilitas 4 dengan biaya pelayanan 869,60 11. Customer 11 dilayani oleh fasilitas 4 dengan biaya pelayanan 12.638,50 12. Customer 12 dilayani oleh fasilitas 4 dengan biaya pelayanan 8.429,80 13. Customer 13 dilayani oleh fasilitas 6 dengan biaya pelayanan 5.185,98 14. Customer 14 dilayani oleh fasilitas 4 dengan biaya pelayanan 3.428,43 15. Customer 15 dilayani oleh fasilitas 4 dengan biaya pelayanan 16.297,50 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.

Skripsi



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 parameterparameter: 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

Skripsi



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

1

10

3

5

1

30

3

5

Skripsi

1

149.690,4750

3

149.690,4750

5

149.690,4750

1

149.690,4750

3

149.690,4750

5

149.690,4750

1

149.690,4750

3

149.690,4750

5

149.690,4750

1

149.690,4750

3

149.690,4750

5

149.690,4750

1

149.690,4750

3

149.690,4750

5

149.690,4750

1

149.690,4750

3

149.690,4750

5

149.690,4750



Ukuran swarm

Z

1

50

47

3

5

1

149.690,4750

3

149.690,4750

5

149.690,4750

1

149.690,4750

3

149.690,4750

5

149.690,4750

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 10

Skripsi

Z 1

1

793.439,5625

3

793.439,5625

5

793.439,5625



Ukuran swarm

Z 3

10 5

1

30

3

5

1

50

48

3

5

1

793.439,5625

3

793.439,5625

5

793.439,5625

1

793.439,5625

3

793.439,5625

5

793.439,5625

1

793.439,5625

3

793.439,5625

5

793.439,5625

1

793.439,5625

3

793.439,5625

5

793.439,5625

1

793.439,5625

3

793.439,5625

5

793.439,5625

1

793.439,5625

3

793.439,5625

5

793.439,5625

1

793.439,5625

3

793.439,5625

5

793.439,5625

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).

Skripsi



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 PSOLS 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).

49 Skripsi



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).

Skripsi



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.

51 Skripsi



Lampiran 1: Data 10 Lokasi dengan 15 Customer

Biaya untuk Membangun Fasilitas: Biaya

Lokasi 1 7.500

Lokasi 2 7.500

Lokasi 3 7.500

Lokasi 4 7.500

Lokasi 5 7.500

Lokasi 6 7.500

Lokasi 7 7.500

Lokasi 8 7.500

Lokasi 9 7.500

Lokasi 10 7.500

Biaya untuk Melayani Customer: Customer 1 Customer 2 Customer 3 Customer 4 Customer 5 Customer 6 Customer 7 Customer 8 Customer 9 Customer 10 Customer 11 Customer 12 Customer 13 Customer 14 Customer 15

Skripsi

Fasilitas 1 Fasilitas 2 Fasilitas 3 6.739,7250 10.355,0500 7.650,4000 3.204,8625 5.457,0750 3.845,4000 4.914,0000 26.409,6000 19.622,4000 32.372,1125 29.982,2250 21.024,3250 1.715,4625 2.152,1750 1.577,9000 6.421,5125 23.701,6000 16.197,0250 81.972,3750 28.499,2500 43.134,0000 33.391,4625 26.544,3750 6.370,6500 2.020,8375 2.480,7750 1.869,4500 1.459,6000 1.995,2000 1.402,4000 141.015,4375 205.925,1250 104.130,2500 17.684,5000 32.069,4000 15.322,8000 38.207,6250 42.477,3500 15.319,7000 1.953,7375 5.044,3250 4.089,8000 17.181,5625 36.054,3750 25.399,5000

Fasilitas 4 5.219,5000 2.396,8500 13.876,8000 29.681,4000 1.061,7500 10.383,4250 65.767,5000 16.770,6000 1.324,9500 869,6000 12.638,5000 8.429,8000 15.832,8000 3.428,4250 16.297,5000

Fasilitas 5 5.776,1250 2.628,4875 9.147,6000 21.275,0125 1.250,4625 7.483,6125 58.805,6250 13.571,6625 1.525,8375 1.050,8000 46.089,3125 1.231,7000 11.526,4250 2.289,7875 15.828,5625

Fasilitas 6 Fasilitas 7 Fasilitas 8 6.641,1750 4.374,5250 3.847,1000 3.220,0875 1.838,9625 2.266,3500 14.977,2000 21.848,4000 35.330,4000 20.071,7125 64.292,9875 80.186,5750 1.363,6125 1.524,0375 955,5750 12.332,9375 15.840,6625 27.251,2500 48.555,3750 138.615,3750 155.294,2500 8.861,7375 51.550,5375 57.907,5750 1.646,2875 1.817,0625 1.211,9250 1.181,2000 1.133,2000 546,4000 66.146,0625 198.300,8125 220.212,1250 9.073,9000 32.781,3000 41.335,4000 5.185,9750 62.653,1750 71.210,9500 3.530,3125 5.553,7625 8.308,3000 21.148,3125 7.310,8125 21.709,5000

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

Fasilitas 9 6.429,4750 3.117,8625 15.111,6000 25.921,0875 1.318,6625 12.444,7375 53.176,8750 10.985,2875 1.593,4875 1.134,8000 58.178,3125 9.254,7000 11.563,0750 3.558,9125 20.779,3125

Fasilitas 10 5.396,5250 2.582,8125 23.679,6000 69.206,4625 1.789,0875 17.769,2125 147.325,1250 57.376,6875 2.099,2125 1.406,8000 241.573,9375 37.595,1000 70.496,2750 5.947,0125 12.569,0625



Lampiran 2 – 1 Lampiran 2: Data 50 Lokasi dengan 50 Customer Biaya Untuk Membangun Fasilitas

Skripsi

Biaya

Lokasi 1 7.500

Lokasi 2 7.500

Lokasi 3 7.500

Lokasi 4 7.500

Lokasi 5 7.500

Lokasi 6 7.500

Lokasi 7 7.500

Lokasi 8 7.500

Lokasi 9 7.500

Lokasi 10 7.500

Biaya

Lokasi 11 7.500

Lokasi 12 7.500

Lokasi 13 7.500

Lokasi 14 7.500

Lokasi 15 7.500

Lokasi 16 7.500

Lokasi 17 7.500

Lokasi 18 7.500

Lokasi 19 7.500

Lokasi 20 7.500

Biaya

Lokasi 21 7.500

Lokasi 22 7.500

Lokasi 23 0

Lokasi 24 7.500

Lokasi 25 7.500

Lokasi 26 7.500

Lokasi 27 7.500

Lokasi 28 7.500

Lokasi 29 7.500

Lokasi 30 7.500

Biaya

Lokasi 31 7.500

Lokasi 32 7.500

Lokasi 33 7.500

Lokasi 34 7.500

Lokasi 35 7.500

Lokasi 36 7.500

Lokasi 37 7.500

Lokasi 38 7.500

Lokasi 39 7.500

Lokasi 40 7.500

Biaya

Lokasi 41 7.500

Lokasi 42 7.500

Lokasi 43 7.500

Lokasi 44 7.500

Lokasi 45 7.500

Lokasi 46 7.500

Lokasi 47 7.500

Lokasi 48 7.500

Lokasi 49 7.500

Lokasi 50 7.500




Lampiran 2 – 2 Biaya Untuk Melayani Customer a.

Untuk Fasilitas 1 sampai Fasilitas 10 Customer 1

Fasilitas 1 2.609,7500






FasiIitas 7 10.355,0500



Fasilitas 10 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

Skripsi

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

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


36.644,4000 198.000,4000 139.301,5000



Lampiran 2 – 3 Fasilitas 1 Fasilitas 2 Fasilitas 3 Fasilitas 4 2.204,0000 1.718,5500 1.581,2750 1.691,4750 Customer 21 Customer 22 33.087,0000 23.443,3500 23.170,9875 37.575,93705

Fasilitas 9 Fasilitas 10 1.635,9000 1.593,6250

50.155,0500

19.559,6625

48.702,4500

36.072,9000

57.236,4750

36.022,4625

Customer 23 29.547,3750 Customer 24 19.258,4000

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

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


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

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 Customer 28 31.417,6500 23.339,6500 11.056,7625 15.023,6375

238.383,6000 25.8749,4000 40.6770,0000 325.852,8000

225.170,4000 205.569,0000

33.379,4500

9.282,4875

22.113,5250

11.424,6000

38.298,3750

25.597,1625


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

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


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

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 Customer 34 946.126,8000 772.783,2000 372.672,6000 171.891,0000

45.466,8750

10.386,3125

35.106,2500

25.927,2500

51.477,7500

34.720,9375


Skripsi

Fasilitas 5 Fasilitas 6 Fasilitas 7 Fasilitas 8 1.302,4500 1.463,4750 2.030,1500 1.326,2000

941.607,6000 399.465,0000 229.188,0000 203.364,0000 1.052.973,6000 801.673,8000

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

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 Customer 38 137.814,5750 108.160,3750

97.602,7125

40.426,8875 259.264,37500 105.128,2620

73.603,5500

59.561,9750

291.477,4000 219.479,9125

60.774,5125

37.261,3875

137.095,3500

58.008,2625

63.568,4250

27.330,5500

156.514,4250 113.056,6375


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

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 Customer 41 Customer 42 Customer 43 Customer 44 Customer 45 Customer 46 Customer 47 Customer 48 Customer 49 Customer 50

Skripsi

80.057,6250 58.028,1500 11.687,5000 19.812,5000 107.792,100 0 50.320,4500 13.547,5500 1.568,0000 101.089,200 0 7.969,8000

Fasilitas 2

Fasilitas 3

Fasilitas 4

Fasilitas 5

Fasilitas 6

Fasilitas 7

Fasilitas 8

56.481,6000 38.011,6125 53.182,6375 85.773,0250 30.699,2625 70.728,0750 39.587,5500 43.758,4750 39.723,3125 42.962,6125 45.043,0250 36.260,6125 52.917,8750 32.225,4500 10.319,3750 16.111,5625 18.256,5625 9.625,0000 14.832,8125 20.714,3750 15.620,0000 14.312,5000 16.981,2500 25.818,7500 30.875,0000 14.743,7500 32.575,0000 23.312,5000 115.691,625 168.663,2620 190.737,1120 120.397,7250 157.010,0620 210.766,0500 169.251,5250 0 57.109,8625 0 60.151,8125 5 29.943,0500 0 53.921,3125 5 66.703,0000 0 53.124,1750 0 46.673,7750 12.443,1000 15.576,0750 16.502,9250 7.348,2000 14.610,3750 18.481,5000 14.368,9500 1.572,9000 2.542,4875 3.371,8125 2.975,5250 2.287,6875 3.928,5750 3.020,8500 81.178,8000 34.056,3000 14.036,1000 101.528,4000 37.057,5000 34.221,0000 24.448,8000 4.856,2500 7.095,6750 9.693,0750 10.916,8500 5.941,2750 11.999,1000 7.886,5500


Fasilitas 9

Fasilitas 10

100.523,8000 54.677,1500 8.793,1250 35.262,5000 113.618,7000 00 27.725,7250

63.100,5375 40.086,3375 7.559,0625 22.118,7500 103.562,2120 05 37.172,2625

6.676,6500 3.140,9000 114.155,4000 0 12.864,9000

9.565,4250 2.117,4125 85.625,7000 7.029,0750



Lampiran 2 – 5

b.

Untuk Fasilitas 11 sampai Fasilitas 20

Customer 1 Customer 2 Customer 3 Customer 4 Customer 5 Customer 6 Customer 7 Customer 8 Customer 9 Customer 10 Customer 11 Customer 12 Customer 13 Customer 14 Customer 15 Customer 16 Customer 17 Customer 18 Customer 19 Customer 20

Skripsi

Fasilitas 11 5.219,5000 2.396,8500 13.876,8000 29.681,4000 1.061,7500 10.383,4250 65.767,5000 16.770,6000 1.324,9500 869,6000 12.638,5000 8.429,8000 15.832,8000 3.428,4250 16.297,5000 15.763,8000 2.542,5000 27.445,6000 3.542,0000 7.254,0000

Fasilitas 12 5.776,1250 2.628,4875 9.147,6000 21.275,0125 1.250,4625 7.483,6125 58.805,6250 13.571,6625 1.525,8375 1.050,8000 46.089,3125 1.231,7000 11.526,4250 2.289,7875 15.828,5625 18.421,6500 3.918,2750 23.562,5000 5.082,1375 7.875,5625

Fasilitas 13 Fasilitas 14 Fasilitas 15 Fasilitas 16 FasiIitas 17 Fasilitas 18 Fasilitas 19 Fasilitas 20 6.641,1750 7.816,4750 4.374,5250 3.847,1000 5.033,3500 6.429,4750 6.719,6500 3.660,9500 3.220,0875 3.859,5375 1.838,9625 2.266,3500 2.285,9250 3.117,8625 3.299,4750 2.596,9500 14.977,2000 9.987,6000 21.848,4000 35.330,4000 20.546,4000 15.111,6000 25.670,4000 37.312,8000 20.071,7125 28.595,0875 64.292,9875 80.186,5750 47.630,6250 25.921,0875 53.179,1750 95.094,1250 1.363,6125 1.923,9375 1.524,0375 955,5750 1.016,8000 1.318,6625 949,3750 1.655,4000 12.332,9375 10.627,9875 15.840,6625 27.251,2500 15.232,7500 12.444,7375 20.193,8750 28.704,6500 48.555,3750 75.277,1250 138.615,3750 155.294,2500 97.584,7500 53.176,8750 107.361,0000 187.467,0000 8.861,7375 34.044,8625 51.550,5375 57.907,5750 31.390,4250 10.985,2875 35.882,5500 72.690,7500 1.646,2875 2.242,7625 1.817,0625 1.211,9250 1.359,6000 1.593,4875 1.205,3250 1.956,9000 1.181,2000 1.674,8000 1.133,2000 546,4000 738,4000 1.134,8000 1.066,4000 1.268,8000 66.146,0625 165.880,3120 198.300,8120 220.212,1250 86.408,8750 58.178,3125 109.075,7500 294.806,7500 9.073,9000 20.938,9000 32.781,3000 41.335,4000 20.566,0000 9.254,7000 24.295,0000 52.228,6000 5.185,9750 43.485,2250 62.653,1750 71.210,9500 35.513,8500 11.563,0750 41.561,1000 91.111,9000 3.530,3125 1.217,2875 5.553,7625 8.308,3000 5.162,3000 3.558,9125 5.938,0750 8.844,5500 21.148,3125 21.809,4375 7.310,8125 21.709,5000 15.513,3750 20.779,3125 22.678,1250 21.463,5000 21.255,7500 29.433,7500 18.478,0500 8.135,7000 13.451,4000 20.437,9500 19.232,4000 20.868,0000 4.743,1750 8.551,2750 6.856,2750 7.119,0000 1.531,1500 4.415,4750 4.164,0500 10.825,4000 23.034,7000 89.311,3000 126.332,7000 141.375,0000 67.935,4000 11.423,1000 80.376,4000 182.317,2000 6.005,5875 10.597,5375 10.274,9625 10.214,8750 4.313,6500 5.638,7375 2.061,9500 14.718,2750 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


Skripsi

Fasilitas 11 Fasilitas 12 Fasilitas 13 Fasilitas 14 693,5000 924,8250 1.063,5250 1.760,8250 26.166,9750 23.493,7875 30.494,5125 29.263,8375 3.801,9000 2.252,2125 5.847,4875 14.071,1625 8.930,0000 6.798,2000 9.435,4000 4.715,8000 11.050,0500 13.644,6750 18.976,3750 29.538,0250 5.611,0500 2.952,9625 5.851,1625 5.337,2375 253.234,8000 264.755,4000 294.457,8000 314.332,2000 5.582,4750 2.430,6125 7.436,0875 13.292,6375 7.458,9500 6.609,4250 10.790,7750 12.212,6750 19.069,8750 15.598,6875 19.892,8125 12.207,9375 5.826,9750 4.628,6625 6.632,5875 5.471,8125 4.330,9000 2.861,7750 5.655,1250 6.838,4750 17.347,6250 15.249,8125 21.192,1875 18.623,4375 322.800,0000 261.306,6000 229.995,0000 336.196,2000 7.198,7500 7.592,8125 9.802,8125 12.191,5625 5.307,0000 7.379,4750 8.870,9250 14.516,4750 83.331,7000 65.940,3375 56.946,3875 87.232,1375 30.982,0000 20.497,9125 15.076,0625 61.549,0625 40.378,8750 44.494,3125 47.243,8125 59.211,1875 7.822,8000 5.211,1000 5.621,1000 5.744,1000

Fasilitas 15 1.628,7750 14.919,4125 19.650,0375 11.943,4000 20.197,3750 11.613,8625 211.356,6000 19.279,0125 11.525,8250 23.976,5625 6.476,6625 9.623,7750 16.808,1875 681.269,4000 5.780,9375 10.865,6250 185.247,8375 97.731,6125 47.631,5625 15.256,1000

Fasilitas 16 1.619,7500 33.813,3000 23.844,5250 18.148,8000 24.684,5500 17.111,1750 210.756,0000 25.460,1250 20.448,8500 34.080,7500 11.884,9500 14.610,7500 32.845,7500 810.550,8000 10.692,5000 10.202,2500 222.003,7250 114.578,0750 34.351,1250 19.762,0000

FasiIitas 17 Fasilitas 18 733,4000 1.008,4250 25.682,77500 30.655,9125 11.199,0750 6.260,7375 11.947,2000 9.496,2000 10.012,2000 17.796,0750 9.697,1750 5.918,5625 242.970,0000 289.434,6000 12.766,1250 7.551,4875 11.037,8000 10.887,1750 23.982,7500 19.991,8125 7.270,7250 6.678,7875 7.526,7500 5.719,5250 22.433,7500 21.329,1875 496.143,6000 258.078,60000 6.792,5000 9.607,8125 3.806,4000 8.340,2250 132.614,8750 73.007,0125 60.691,5250 24.757,9375 38.581,1250 46.820,8125 12.226,2000 7.047,9000


Fasilitas 19 555,7500 35.084,3250 13.471,9500 14.265,2000 19.495,3000 11.525,4000 287.742,0000 15.708,8250 16.351,8500 27.757,1250 9.817,5000 9.982,0000 29.985,8750 549.405,6000 10.578,7500 7.557,9000 147.849,5250 69.875,4750 37.823,2500 13.579,2000

Fasilitas 20 2.296,1500 31.815,9750 30.993,7500 19.106,4000 34.493,2500 19.369,0750 170.788,8000 32.571,6500 22.629,9000 35.640,0000 11.792,5500 17.041,8500 32.571,7500 987.768,0000 11.927,5000 17.293,5000 269.818,5000 142.959,8000 48.504,0000 22.804,2000



Lampiran 2 – 7

Customer 41 Customer 42 Customer 43 Customer 44 Customer 45 Customer 46 Customer 47 Customer 48 Customer 49 Customer 50

Skripsi

Fasilitas 11 15.801,4000 0 13.627,4000 11.041,2500 16.250,0000 131.938,875 0 40.919,7250 10.672,6500 2.205,0000 31.329,6000 4.190,2500

Fasilitas 12 16.494,8125 20.427,1375 12.598,4375 16.268,7500 144.628,5370 05 45.381,8625

Fasilitas 13 27.925,6125 24.504,1875 13.719,0625 19.856,2500 153.760,612 5 48.057,3125

12.024,0750 12.834,3750 2.361,1875 2.682,1375 21.905,1000 20.807,1000 4.847,9250 6.351,9750

Fasilitas 14 Fasilitas 15 Fasilitas 16 FasiIitas 17 Fasilitas 18 Fasilitas 19 Fasilitas 20 49.316,3375 49.862,6625 62.659,2750 25.677,2750 26.917,0125 44.210,3000 82.915,3250 44.777,7375 41.119,5625 40.854,2750 14.800,2500 22.884,5375 13.348,1500 60.736,8750 17.960,9375 12.502,1875 7.885,6250 9.913,7500 13.320,3125 12.732,5000 13.667,5000 20.756,2500 9.331,2500 20.750,0000 16.000,0001 19.556,2500 21.825,0000 17.087,5000 185.526,7875 134.768,1370 109.304,7750 122.750,775 150.511,162 145.721,025 113.954,850 5 39.050,5750 90 40.589,8750 00 46.994,4625 05 38.262,6000 00 53.765,5500 0 62.039,2875 52.583,5875 17.069,0250 14.205,2250 10.134,3000 10.572,7500 12.512,4750 9.867,9000 15.145,9500 2.911,2125 1.756,0375 1.983,2750 2.142,5250 2.611,0875 2.713,3750 1.300,9500 29.883,9000 69.009,3000 86.632,2000 50.983,8000 27.212,1000 57.059,4000 102.699,600 0 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.



Skripsi

Fasilitas 21 Fasilitas 22 Fasilitas 23 Fasilitas 24 Fasilitas 25 Fasilitas 26 7.358,4000 5.396,5250 5.219,5000 8.345,7250 4.182,9000 6.387,5000 3.680,1000 2.582,8125 2.296,8000 4.205,3625 1.779,1500 2.994,9750 29.954,4000 23.679,6000 9.828,0000 13.734,0000 19.303,2000 6.568,8000 61.702,5500 69.206,4625 23.096,670 42.165,6375 48.700,2250 24.701,0750 814,5250 1.789,0875 1.133,0500 2.087,4625 1.015,2500 1.583,3250 23.757,5000 17.769,2125 7.029,4250 12.654,3625 13.919,1000 6.260,8000 122.469,7500 147.325,1250 56.998,5000 99.391,8750 102.384,0000 68.433,7500 00 12.741,3000 45.125,4375 33.595,6500 25.346,4750 42.824,9250 57.376,6875 1.061,7750 2.099,2125 1.395,9000 2.416,8375 1.275,4500 1.880,1750 1.206,4000 1.406,8000 928,8000 1.875,6000 768,8000 1.323,2000 144.106,3750 241.573,9375 25.277,0000 212.999,937 97.536,2500 105.504,0000 5 19.775,0000 11.074,0000 30.058,0000 37.595,1000 2.463,4000 29.549,5000 50.906,8500 70.496,2750 10.371,9500 57.448,8750 38.482,5000 27.377,5500 6.878,3000 5.947,0125 2.434,5750 2.672,3125 4.897,7500 1.741,0250 25.368,7500 12.569,0625 14.621,6250 24.038,8125 11.931,0000 16.866,3750 21.699,9000 23.300,2500 16.271,4000 32.126,8500 12.619,5000 23.236,8000 5.152,8000 8.788,5750 3.062,3000 9.992,0250 2.712,0000 6.068,1000 99.603,4000 144.881,1000 22.846,2000 118.038,700 74.042,8000 56.173,0000 0 4.237,7500 12.438,1125 4.123,9000 12.767,0125 5.635,5750 7.817,7000 10.130,2500 6.729,9375 7.312,5000 10.878,5625 5.869,5000 8.497,1250

FasiIitas 27 7.391,2500 5.115,6000 57.472,8000 135.170,7000 2.005,7000 45.474,6500 259.515,0000 105.796,3500 1.940,4000 1.950,4000 461.992,1250 79.235,6000 135.275,1500 13.134,5500 39.913,5000 35.094,9000 17.458,5000 274.079,0000 21.789,6250 9.506,2500


Fasilitas 28 Fasilitas 29 5.542,5250 5.038,8250 2.491,4625 2.189,1375 8.895,6000 11.180,4000 25.118,8875 40.527,8125 1.269,8375 1.379,8875 6.253,8125 6.966,5375 65.619,3750 96.429,3750 16.702,5375 32.220,7875 1.538,2125 1.663,6125 999,6000 1.145,2000 48.149,9375 106.122,1875 3.830,7000 16.712,7000 15.741,1750 36.631,6750 2.275,4875 3.283,6375 14.091,1875 11.169,9375 17.533,3500 19.253,5500 3.782,6750 5.031,3250 32233,5000 75211,5000 5177,0125 8073,8625 7622,0625 6695,8125

Fasilitas 30 10.349,5750 5.399,4375 22.957,2000 60.515,9625 2.512,9375 20.326,6375 131.920,1250 60.071,9625 2.869,7625 2.314,8000 288.418,8125 41.956,9000 77.569,7250 4.634,9875 32.479,6875 39.867,7500 13.093,8750 159433,3000 16239,4375 13554,9375



Lampiran 2 – 9


Skripsi

Fasilitas 21 Fasilitas 22 Fasilitas 23 Fasilitas 24 Fasilitas 25 Fasilitas 26 FasiIitas 27 Fasilitas 28 390,4500 1.953,6750 780,9000 2.079,0750 931,9500 1.335,7000 3.066,6000 939,0750 38.614,9500 11.166,8625 22.333,7250 29.102,4375 20.982,0000 23.524,0500 56.025,9750 21.214,0125 16.984,5750 22.873,3875 0,0000 19.319,4375 10.703,1750 8.017,0500 46.945,2000 2.293,5375 16.203,2000 11.616,6000 7.106,0000 3.553,0000 10.898,4000 5.631,6000 28.226,4000 6.684,2000 23.056,5500 27.157,0750 10.541,3000 33.424,8750 5.270,6500 20.594,2000 59.259,2000 12.362,6250 13.673,7750 12.852,3375 3.268,9000 8.547,1625 9.073,7250 1.634,4500 29.479,0750 2.801,3125 273.327,6000 239.639,4000 248.102,4000 332.568,6000 222.222,0000 279.224,4000 124.051,2000 257.875,8000 19.387,2000 22.351,5375 1.601,1750 18.629,8875 11.698,6750 6.794,1750 49.650,8500 800,5875 18.460,6000 14.092,4750 5.916,5500 13.959,9250 8.953,1500 7.422,8000 37.089,9000 5.247,7750 30.912,7500 23.444,4375 16.099,8750 10.314,5625 22.275,0000 13.699,1250 50.490,0000 15.413,0625 10.828,1250 6.101,2875 4.440,9750 5.425,6125 6.843,3750 4.123,3500 18.722,5500 4.120,4625 12.034,7500 11.338,4250 2.398,9000 8.891,2250 6.931,0500 3.300,5000 26.701,8500 1.952,1250 32.982,7500 15.695,0625 14.693,2500 18.486,4375 19.385,5000 13.751,3750 53.121,7500 13.742,8125 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 12.000,6250 8.559,6875 6.353,7500 13.369,6875 4.891,2500 8.961,8750 21.336,2500 7.495,3125 9.159,1500 13.994,9250 5.984,1000 16.447,1250 4.154,1000 10.495,0500 26.946,7500 6.793,8750 171.160,3750 198.738,7625 65.986,2250 124.584,5625 137.295,4000 76.540,3500 378.755,4250 76.494,4625 83.983,3500 109.515,8375 20.525,5750 84.066,3375 63.513,1000 44.425,9750 209.073,1750 26.860,2875 35.461,5000 53.659,3125 42.775,8750 64.357,6875 39.250,8750 51.465,0000 40.960,5000 44.335,6875 15.670,2000 16.305,7000 5.658,0000 9.081,5000 11.939,2000 5.543,2000 32.644,2000 6.154,1000


Fasilitas 29 1.298,1750 17.380,7625 10.145,2875 7.117,4000 14.845,3250 5.623,6875 238.875,0000 9.022,8375 2.958,2750 16.118,4375 3.693,1125 3.900,2250 10.951,4375 451.435,8000 5.951,5625 8.459,1750 119.995,8125 58.395,5375 48.318,9375 9.417,7000

Fasilitas 30 2.600,6250 40.178,5125 26.881,9125 7.725,4000 44.597,0250 13.172,4875 392.519,4000 26.549,2125 20.575,3750 8.049,9375 8.596,0875 13.310,6750 27.888,0625 644.793,0000 17.830,3125 21.470,4750 174.969,0375 114.439,7625 73.399,3125 13.583,3000



Lampiran 2 – 10


Skripsi

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



Skripsi

Fasilitas 31 6.400,2750 3.046,0875 12.390,0000 47.246,2375 1.815,4375 9.090,7375 108.338,6250 42.892,9875 2.127,2625 1.562,8000 178.793,5620 25.571,9000 50.998,4750 3.544,6125 15.843,9375 26.303,5500 7.754,6250 104.768,3000 11.122,5125 8.172,9375

Fasilitas 32 5.558,9500 2.499,0750 7.341,6000 30.416,7500 1.381,8250 4.947,1500 78.565,5000 24.339,1500 1.665,6750 1.115,2000 81.738,1250 10.170,0000 26.021,5000 2.352,3500 13.360,8750 19.556,7000 4.593,4500 53.383,2000 6.723,4750 7.390,5000

Fasilitas 33 Fasilitas 34 6.051,7000 9.568,4750 2.838,3750 4.940,5125 15.489,6000 21.294,0000 52.911,7750 19.804,3125 1.823,5750 2.008,4125 10.956,4000 19.446,2125 118.381,5000 37.594,1250 46.527,5250 21.820,8375 2.135,9250 2.327,7375 1.500,8000 1.846,8000 185.456,2500 180.442,0625 28.589,0000 26.227,3000 55.891,2500 35.788,7250 4.204,2000 3.955,7375 14.375,6250 31.372,6875 24.957,0000 32.986,9500 8.294,2000 9.443,9750 114.834,2000 79.433,9000 11.726,5500 11.267,9875 7.707,3750 13.238,0625

Fasilitas 35 Fasilitas 36 FasiIitas 37 3.792,3500 4.898,3000 9.064,7750 1.446,3750 2.351,1750 4.642,5375 21.806,4000 22.713,6000 18.992,4000 61.669,1250 53.847,6750 15.191,6625 1.383,3750 947,8250 1.901,4625 15.805,7250 17.035,5250 17.517,6625 126.439,5000 108.605,2500 40.319,6250 44.649,0000 36.454,2750 21.085,7625 1.668,1500 1.203,6750 2.218,8375 988,8000 667,2000 1.736,4000 162.789,3750 111.960,6250 161.484,3125 28.724,6000 24.385,4000 23.131,1000 53.362,4000 42.330,7500 30.731,0250 5.544,8250 5.623,4750 3.465,9625 9.640,1250 15.974,6250 29.250,9375 15.933,0000 12.196,5000 31.041,1500 5.401,4000 2.666,8000 8.664,2750 107.218,8000 81.959,8000 75.663,9000 8.646,2750 5.230,7750 10.401,4625 5.406,3750 7.151,6250 12.428,8125


Fasilitas 38 7.159,4750 3.507,1875 16.657,2000 17.163,7375 1.497,6875 13.730,4375 50.569,8750 12.128,7375 1.789,0125 1.318,8000 89.774,5625 11.333,9000 11.599,7250 3.423,0625 22.701,1875 23.680,9500 5.714,9750 36.305,1000 7.099,8125 9.845,0625

Fasilitas 39 Fasilitas 40 11.178,1250 8.697,9500 6.634,8375 4.369,5750 67.393,2000 15.523,2000 141.838,9875 16.712,5000 1.685,2375 1.925,8750 54.202,0375 15.093,0000 262.507,1250 54.213,7500 107.171,2125 24.366,3750 1.599,2625 2.239,8750 1..983,6000 1.748,0000 468.792,1875 165.811,6250 83.247,1000 20.927,6000 137.529,1250 32.581,8500 15.131,1875 2.520,3750 52.897,6875 26.598,7500 36.455,5500 30.709,8000 17.692,9750 8.842,2500 280.374,9000 79.396,2000 19.186,8875 10.594,3750 15.675,5625 11.583,0000



Lampiran 2 – 12


Skripsi



Fasilitas 35 1.384,1500 17.975,9250 16.158,0750 11.924,4000 14.936,9000 10.952,5000 205.405,2000 18.146,6500 10.579,9000 23.945,6250 7.288,0500 8.991,8500 19.402,6250 640.112,4000 3.176,8750 8.500,3500 173.638,3000 85.421,8000 44.450,2500 14.604,2000

Fasilitas 36 871,1500 26.288,0250 13.513,2750 12.593,2000 10.622,7000 10.784,0000 233.251,2000 14.626,9500 12.122,3000 25.034,6250 8.021,4750 8.573,2500 23.889,3750 556.184,4000 7.028,1250 2.992,0500 149.685,0250 70.981,9750 37.012,5000 13.612,0000

FasiIitas 37 1.722,8250 39.775,01205 14.856,3375 9.496,2000 32.488,7750 8.420,7875 365.874,6000 16.408,4375 17.129,0750 19.991,8125 8.567,2125 9.784,7750 27.802,4375 145.421,4000 15.116,5625 15.221,0250 32.993,1125 39.142,4375 59.475,5625 4.997,9000


Fasilitas 38 Fasilitas 39 Fasilitas 40 1.227,8750 2.673,7750 1.752,7500 32.512,01205 74.738,2875 35.911,5000 7.665,7875 50.147,8875 14.257,1250 9.405,0000 33.421,0000 7.486,0000 21.866,0750 64.743,5250 31.379,7000 6.693,6625 33.190,2875 6.967,4750 308.872,2000 262.243,8000 348.348,0000 8.878,5875 52.990,2375 15.002,0000 11.995,7750 44.699,4750 15.038,4000 19.843,3125 58.502,8125 16.718,6250 7.210,0875 23.593,7625 7.374,6750 6.460,1250 29.982,2250 8.388,1000 22.904,6875 67.566,6875 24.266,1250 201.588,6000 1.394.657,4000 221.440,8000 10.875,3125 27.174,0625 14.096,8750 10.444,7250 27.326,4750 15.353,7000 48.961,9625 388.070,5875 54.606,1250 10.262,7875 214.743,9875 41.936,3500 50.292,9375 21.387,9375 60.630,0000 4.907,7000 35.329,7000 2.829,0000



Lampiran 2 – 13


Skripsi

Fasilitas 31 Fasilitas 32 Fasilitas 33 Fasilitas 34 Fasilitas 35 Fasilitas 36 FasiIitas 37 Fasilitas 38 43.390,8125 19.877,8250 47.404,2000 61.209,4125 39.209,3250 31.140,5250 55.409,9625 33.472,9125 44.861,5125 27.673,6750 47.528,3500 47.737,7875 33.928,8750 18.849,3750 43.884,1375 29.335,2125 16.310,9375 14.031,8750 15.654,3750 19.439,0625 11.261,2500 9.301,8750 18.490,3125 14.901,5625 13.718,7500 14.262,5000 12.525,0000 28.893,7500 11.225,0000 16.375,0000 27.181,2500 21.506,2500 164.573,4370 150.483,1500 160.511,6250 200.373,4125 123.367,0500 117.764,5500 192.641,9625 163.396,9125 59.473,7875 49.220,9500 61.003,9250 63.303,7125 49.184,3000 38.958,9500 60.774,8625 51.227,5375 16.292,0250 13.186,8000 16.755,4500 17.451,9750 13.197,9000 10.078,8000 16.686,0750 13.794,5250 2.435,9125 2.239,3000 2.318,9250 3.664,5875 1.740,7250 2.179,2750 3.495,5375 2.856,0875 50.343,3000 31.915,2000 56.510,4000 23.076,3000 66.429,0000 57.791,4000 18.025,5000 17.622,9000 7.978,1250 5.294,7000 7.448,1000 10.753,1250 3.124,6500 4.073,7000 9.987,2250 7.090,1250


Fasilitas 39 Fasilitas 40 142.906,0125 53.119,6000 84.235,7625 44.763,7750 14.420,3125 18.590,0000 46.393,7500 24.875,0000 108.212,2875 19.3454,3250 25.572,5375 61.352,1000 8.777,3250 16.860,9000 3.556,7875 3.292,8000 155.129,1000 16.909,2000 17.673,9750 9.684,7500



Lampiran 2 – 14 e.



Skripsi

Fasilitas 41 Fasilitas 42 4.781,5000 6.033,4500 2.035,8000 2.890,5750 12.297,6000 23.856,0000 34.762,0000 49.569,2750 1.108,2500 908,3000 8.371,0250 18.684,5750 78.328,5000 100.962,0000 22.542,3000 32.942,2500 1.374,4500 1.156,6500 832,8000 916,0000 55.499,5000 94.239,2500 10.350,8000 21.854,2000 23.565,9500 37.602,9000 3.406,9750 5.551,9750 12.776,6250 19.787,6250 14.579,4000 16.581,6000 2.599,0000 3.101,8500 45.918,6000 72.233,2000 5.350,9500 2.795,6500 6.547,1250 8.360,6250

Fasilitas 43 6.661,2500 3.943,2750 48.568,8000 105.288,7500 1.169,4750 38.375,3500 199.791,0000 78.353,5500 1.050,2250 1.087,2000 323.380,7500 59.166,8000 98.735,1000 11.125,4000 33.563,6250 19.881,0000 11.362,1500 198.000,4000 14.964,9500 10.130,2500

Fasilitas 44 5.299,8000 2.607,8250 27.686,4000 76.944,3500 1.798,7750 21.102,2500 160.389,7500 60.248,9250 2.109,5250 1.416,8000 245.901,2500 41.335,4000 74.362,8500 6.799,6500 13.114,8750 23.476,5000 8.989,1500 150.423,0000 12.662,6500 5.845,1250

Fasilitas 45 8.845,7750 5.984,5125 66.066,0000 142.841,7375 2.040,1875 52.622,8625 266.358,3750 108.940,8375 1.977,1125 1.986,0000 477.721,5625 84.557,9000 139.911,3750 14.963,1625 48.346,6875 36.497,8500 17.709,9250 282.712,3000 22.071,0875 12.180,1875

Fasilitas 46 11.656,2750 6.919,7625 66.973,2000 137.025,7875 1.600,7625 53.852,6625 256.048,8750 104.203,6875 1.509,3375 2.088,4000 453.818,3125 81.009,7000 133.534,2750 15.041,8125 54.681,1875 38.302,6500 17.551,7250 269.592,7000 18.497,4625 16.314,1875

FasiIitas 47 9.977,2750 5.919,2625 59.161,2000 121.516,5875 1.240,3875 47.354,2875 228.497,6250 91.544,0625 1.125,7125 1.720,4000 389.938,9375 70.500,7000 116.492,0250 13.379,4375 47.531,8125 31.816,6500 14.924,4750 234.531,7000 15.556,3375 14.559,1875


Fasilitas 48 Fasilitas 49 Fasilitas 50 5.301,6250 8.663,2750 3.947,4750 3.574,6125 4.385,8875 1.538,8125 44.864,4000 16.203,6000 22.621,2000 110.118,6625 12.183,4125 58.878,1375 2.003,7625 1.836,3625 1.237,2875 34.986,4125 15.197,8125 16.483,5125 214.099,8750 46.244,6250 120.958,8750 84.928,3875 20.704,6125 42.130,6875 2.149,5375 2.144,5875 1.511,8125 1.628,4000 1.668,4000 837,2000 356.556,8125 149.807,4375 140.603,3125 62.387,3000 19.673,3000 26.656,7000 107.586,0750 27.615,7750 49.972,2750 10.451,5125 2.868,9375 5.718,2125 28.374,5625 26.698,6875 11.815,6875 27.205,9500 29.842,6500 13.261,0500 13.365,0750 8.184,0250 4.483,2750 216.209,5000 69.254,9000 97.680,7000 17.561,3625 9.863,8375 7.618,4625 5.847,5625 11.614,6875 5.613,5625



Lampiran 2 – 15


Skripsi

Fasilitas 41 889,2000 21.002,1750 4.959,0000 7.881,2000 8.099,3000 5.560,5000 234.998,4000 5.683,4500 5.121,2500 17.362,1250 4.435,2000 3.574,2000 14.025,3750 377.998,8000 5.378,7500 4.886,1000 99.025,2250 40.442,5750 40.660,8750 8.519,8000

Fasilitas 42 Fasilitas 43 Fasilitas 44 Fasilitas 45 Fasilitas 46 FasiIitas 47 Fasilitas 48 Fasilitas 49 Fasilitas 50 505,4000 2.041,5500 1.987,4000 3.108,8750 2.532,2250 2.090,4750 2.723,1750 1.643,0250 1.229,7750 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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


Skripsi

Fasilitas 41 Fasilitas 42 Fasilitas 43 Fasilitas 44 Fasilitas 45 5.043,0000 36.309,6000 95.817,0000 63.289,6500 143.032,0875 19.379,9500 8.098,2500 61.825,9500 51.661,2500 93.199,6875 10.725,0000 11.440,0000 5.775,0000 15.097,5000 13.994,0625 13.050,0000 19.475,0000 30.675,0000 7.275,0000 38.943,7500 129.361,7250 135.188,3250 93.057,5250 139.110,0750 68.042,3625 42.752,2250 37.291,3750 34.927,4500 59.519,6000 38.748,2125 11.227,6500 9.573,7500 9.046,5000 16.305,9000 12.767,7750 2.072,7000 2.483,0750 2.603,1250 1.850,9750 2.678,4625 36.673,2000 53.106,6000 114.118,8000 82.825,8000 155.275,5000 3.335,5500 5.450,1000 10.694,8500 6.998,5500 17.196,6750

Fasilitas 46 141.855,3875 81.191,9375 15.320,9375 47.856,2500 115.551,5625 21.302,8125 8.172,3750 3.717,2625 148.907,1000 18.323,3250

FasiIitas 47 122.313,7625 68.206,8125 12.357,8125 42.043,7500 117.288,3375 24.143,1875 5.591,6250 4.040,6625 131.888,1000 15.742,5750


Fasilitas 48 Fasilitas 49 Fasilitas 50 103.360,4875 50.787,2125 35.364,0375 73.289,1625 41.538,4375 29.391,0625 14.935,9375 17.905,9375 9.951,5625 22.706,2500 25.093,7500 12.993,7500 104.178,4875 187.935,8625 125.748,1125 50.567,8375 59.235,5625 45.803,3375 17.640,6750 16.219,8750 12.151,7250 1.087,1875 3.300,7625 1.792,7875 119.151,3000 11.949,9000 63.080,1000 11.047,2750 9.376,7250 2.000,7750



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 package bismillahirrohmanirrohim;

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()

Skripsi



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();

Skripsi



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
Skripsi



Lampiran 3 – 4 for(int j=0;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
Skripsi



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
Skripsi

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


double []upFit

= new double [nPartikel];

int

= new int[nPartikel][nLokasi];

[][]upOpen

double [][]TabSolusi


double [] s0

= new double[nLokasi];

double fitS0; double [] solusi = new double [nLokasi];

Skripsi



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);

Skripsi

double [][] biayaCust

= Table(opensit, biCust);

sumFacilityOpen

= getSumFacilityOpen(opensit);

CostCust


CostFac

= CostFac( biFas, opensit );



Lampiran 3 – 8 AllCost


upFit[i]

= AllCost;

System.out.print("\nSum built facility: "+sumFacilityOpen); System.out.print("\nFitness value is "+upFit[i]); System.out.println(""); 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);

Skripsi



Lampiran 3 – 9 //fitness s double [][] biayaCust

= Table(openSIt, biCust);

sumFacilityOpen

= getSumFacilityOpen(openSIt);

CostCust


CostFac

= CostFac( biFas, openSIt );

AllCost


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
= Table(openn, biCust);

sumFacilityOpen

= getSumFacilityOpen(openn);

CostCust

= CostCust( biayaC );

CostFac

= CostFac( biFas, openn );

AllCost


double fitnessS1

= AllCost;

System.out.println("\nSum built facility: "+sumFacilityOpen); System.out.println("\nFitness s1 : "+fitnessS1);

Skripsi



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 ============"); System.out.println(""); } 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;

Skripsi



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); System.out.println(""); } 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); System.out.println(""); } for(int i=0 ; i < nPartikel ; i++){ System.arraycopy(solusi, 0, gBestA[i], 0, nLokasi); } it++; } System.out.println(""); System.out.println("============ =============");

Solusi untuk algoritma PSO-LS

System.out.println(" Posisi solusi : "); fprint(solusi); //gbest hasil iterasi System.out.println(""); System.out.println("Fasilitas terbuka : "); fprint(opennn);

Skripsi



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[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("+ LAILATUL MUYASSAROH 080810132

UMI +");

System.out.println("+++++++++++++++++++++++++++++++++++++++++++++++++++++ ++++++++++++++++++++++++++++++++++++++++++++++++++++++++++"); 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(""); }

Skripsi



Lampiran 3 – 13 // // Method to print matrix (data type :double) private static void fprint(double[][] posisi) { System.out.println(""); 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){ System.out.println(""); 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
System.out.print("");

}

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

Skripsi



Lampiran 3 – 14 private static void fprint1(double[]b){ for(int i=0;i
// 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
// Method to calculate particle's open facility private int[] openn(double [] vektor){

Skripsi



Lampiran 3 – 15 int []open = new int [nLokasi]; int []openS = new int [nLokasi]; for (int j = 0; j < nLokasi; j++) { 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
//Method to generate particle's velocity private double[][] getVelocity(int nPartikel,int nLokasi){ int a; double [][] kecepatan = new double [nPartikel] [nLokasi]; for(int i=0; i
Skripsi



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]; for(int i=0; i
//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++){

Skripsi



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
//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
//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
Skripsi



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
//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
Skripsi



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
//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]; for(int i=0;i
//

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
Skripsi



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
//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 max ){ max = vec[i]; } }return max; }

Skripsi



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); for(int i = 0; i < nPartikel; i++){ if(fitness[i]==fitGbest){ indexGbest=i; } }

return indexGbest;

}

//method to get Gbest private double[]setGbest(int indexGbest, double [][] pBestAwal){ double [] gBest = new double [nLokasi]; for(int i = 0; i < nPartikel; i++){ 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]; for(int i=0;i
Skripsi



Lampiran 3 – 22 for(int j=0;j
//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= 0 || s0[i]<-1){ s[i]=s0[i]+1; } else{ s[i]=s0[i]-1; } } } else{ kappa = (int)(Math.random()*10)%nLokasi; } } return s; }

Skripsi



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
Kelas Help.java package bismillahirrohmanirrohim; 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); } }); }

Skripsi



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

Skripsi



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

Skripsi



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 2. Open Facility 0 1 2 0 4 0 0 0 8 9 Sum built facility: 5 Fitness value is 195538.16249999998 3. Open Facility 99 1 0 3 4 5 6 7 8 0 Sum built facility: 8 Fitness value is 165488.90000000002 4. Open Facility 0 1 2 0 4 5 0 0 0 9 Sum built facility: 5 Fitness value is 188245.1 5. Open Facility 0 1 0 3 0 0 6 7 8 0 Sum built facility: 5 Fitness value is 178936.425 6. Open Facility 0 0 2 3 0 0 0 0 8 0

Skripsi



Lampiran 4-4

Sum built facility: 3 Fitness value is 180519.15 7. Open Facility 99 1 0 3 0 0 6 7 0 0 Sum built facility: 5 Fitness value is 178352.37499999997 8. Open Facility 0 0 2 3 4 5 0 7 8 0 Sum built facility: 6 Fitness value is 177209.45 9. Open Facility 99 1 2 3 4 5 0 0 8 0 Sum built facility: 7 Fitness value is 166488.25 10. Open Facility 99 0 2 3 4 0 0 7 8 0 Sum built facility: 6 Fitness value is 178870.76249999998 * 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

Skripsi



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

Skripsi



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 -

Skripsi



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 1. Open Facility 0 1 0 0 4 5 6 7 8 0 Sum built facility: 6 Fitness value is 189571.4625 2. Open Facility 0 0 0 3 0 0 6 7 0 0 Sum built facility: 3 Fitness value is 215020.02499999994 3. Open Facility 99 0 2 3 0 5 6 7 8 0

Skripsi



Lampiran 4-8

Sum built facility: 7 Fitness value is 177330.6625 4. Open Facility 99 1 2 0 4 0 0 7 8 0 Sum built facility: 6 Fitness value is 197686.82499999995 5. Open Facility 99 1 0 0 4 0 0 0 0 9 Sum built facility: 4 Fitness value is 189858.1125 6. Open Facility 99 1 2 0 0 0 0 0 0 0 Sum built facility: 3 Fitness value is 258432.125 7. Open Facility 99 0 2 3 0 0 0 0 0 9 Sum built facility: 4 Fitness value is 173647.9375 8. Open Facility 0 1 0 0 4 0 6 0 0 9 Sum built facility: 4 Fitness value is 188465.7625 9. Open Facility 99 1 0 0 0 0 6 0 8 9 Sum built facility: 5 Fitness value is 212760.61250000002 10. Open Facility 99 1 0 0 0 0 0 0 8 0 Sum built facility: 3 Fitness value is 210966.81250000003 **** 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 -

Skripsi



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) :

Skripsi



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 Sum built facility: 6 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 Sum built facility: 4 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 Sum built facility: 6 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 ::

Skripsi



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.

Skripsi



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 keBiaya

6

7

11

13

15

16

18

7500 7500 7500 7500 7500 7500 7500

23 0

27

34

37

41

45

46

49

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 ke1 2 3

Skripsi

Fasilitas ke16 15 6

Biaya 3847,1000 1838,9625 7030,8000




Lampiran 5 – 2 Customer ke4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32

Skripsi

Fasilitas ke49 16 6 7 13 16 16 11 23 13 6 15 16 11 18 11 15 11 15 23 6 41 23 27 23 41 6 6 23

Biaya 12183,4125 955,5750 3514,7125 28499,2500 8861,7375 1211,9250 546,4000 12638,500 37595,1000 5185,9750 2400,6125 7310,8125 8135,7000 2542,5000 11423,1000 3542,0000 5467,3125 693,5000 14919,4126 0 5240,2000 8099,3000 3268,9000 124051,200 1601,1750 5121,2500 13061,8125 2988,5625 2398,9000




Lampiran 5 – 3 Customer ke33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50

Fasilitas ke6 34 41 41 37 13 46 49 41 11 16 15 45 46 46 15 49 41

Biaya 10386,3125 130895,400 5378,7500 4886,1000 32993,1125 15076,0625 23696,8125 3636,7000 5043,0000 13627,400 7885,6250 9331,2500 68042,3625 21302,8125 8172,3750 1756,0375 11949,9000 3335,5500

Dari output program untuk data pada Lampiran 2 diperoleh Nilai fungsi tujuan (Total biaya) partikel terbaik, yaitu sebesar 793439.5625 satuan.

Skripsi




Lampiran 6-1

Lampiran 6: Antarmuka Program

Skripsi



Halaman Awal



Help Contens: Usage



Skripsi



Help Contens: Data



Help Contens: Input

Lampiran 6-2



Skripsi



Help Contens: Solution



Help Contens: Author’s Profile

Lampiran 6-3





Skripsi

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.

Skripsi


ADLN Perpustakaan Universitas Airlangga SKRIPSI UMI LAILATUL MUYASSAROH

Recommend Documents