Implementasi Algoritma Particle Swarm Optimization dan Algoritma Simulated Annealing pada Optimasi Penjadwalan Job-Shop

Muhammad Zinda Rud

Informasi Umum

Kode

113071118

Klasifikasi

005.1 - Computer programming

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Informatika Teori Dan Pemrograman

Dilihat

287 kali

Informasi Lainnya

Abstraksi

ABSTRAKSI: Penjadwalan Job-Shop merupakan penyelesaikan masalah bagaimana cara menentukan prioritas masing-masing job yang melibatkan mesin dan operasi dengan waktu yang bervariasi. Pada tugas akhir ini, algoritma yang digunakan adalah kombinasi antara Particle Swarm Optimization (PSO) dan Simulated Annealing (SA). PSO dipilih karena merupakan algoritma yang cocok dan praktis digunakan untuk ruang lingkup yang cukup besar, selain itu PSO juga merupakan algoritma heuristik yang memiliki tingkat efisiensi yang tinggi karena menggunakan local search dan global search dalam pencarian solusinya. Akan tetapi PSO memiliki kemungkinan solusi yang dihasilkan terjebak dalam optimum lokal, maka digunakan algoritma SA yang memiliki kontrol cooling scheduling untuk menghindari masalah tersebut. Dengan begitu akan didapatkan solusi yang lebih optimal.<br>Kata Kunci : Job-Shop Scheduling, Particle Swarm Optimization, Simulated AnnealingABSTRACT: Job-shop scheduling problem is of how to determine settlement priority of each job that involves machines and operations with a variable time. In this final task, the algorithm that used is a combintation of Particle Swarm Optimization (PSO) and Simulated Annealing (SA). PSO was chosen because it is a suitable and practical algorithms that fit used to considerable scope, in addition to the PSO is also heuristic algorithm that has a high degree of efficiency because it uses a local search and global search in the search for a solution. However, PSO has the potential solutions generated trapped in local optimum, then the SA algorithm is used wich has a cooling scheduling to avoid the problem. That way we will get a more optimal solution.<br>Keyword: Job-hop scheduling, Particle Swarm Optimization, Simulated Annealing