Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRACTRidesharing dapat diartikan sebagai suatu sistem dimana pelaku perjalanan dapat berbagi kendaraan serta waktu perjalanan dengan pelaku perjalanan lain yang memiliki tujuan serta waktu perjalanan yang/hampir sama. Permasalahan ridesharing dengan kebijakan HOV Lanes/jalur HOV merupakan suatu permasalahan dalam pencarian rute optimal untuk memenuhi permintaan sejumlah penumpang dengan tiap penumpang dan kendaraan memiliki lokasi asal dan tujuan. Permasalahan ini diterapkan pada suatu graf lokasi yang memuat jalur HOV, yaitu jalur yang memiliki syarat jumlah minimum penumpang di dalam kendaraan. Solusi yang ingin dicapai adalah solusi dengan jarak, waktu, dan biaya perjalanan yang minimum. Tugas akhir ini membahas aplikasi metode insertion heuristic untuk mendapatkan solusi awal pada permasalahan ridesharing dengan kebijakan jalur HOV serta parallel tabu search untuk mengembangkan solusi awal dan mendapatkan rute yang optimal.

---

ABSTRACTRidesharing can be defined as a system where individual travelers can share their vehicle and travel cost with others that have similar destination and time schedule. Ridesharing problem with HOV Lanes is a problem of finding optimal route to serve costumer 39 s demand where each demand and vehicle consists origin and destination point. This problem is applied in a graph with HOV Lanes. HOV Lanes are restricted use freeways lanes reserved for vehicles with more than a predetermined number of occupants. The optimal solution is the one with minimum number of total distance, passenger 39 s ride time, and cost. In this final project, insertion heuristic is applied to obtain an initial solution and parallel tabu search algorithm is applied to improves the initial solution and obtain the optimal solutions."

"Dewasa ini, tren berbagi kendaraan menjadi pilihan masyarakat untuk berpergian dari satu tempat ke tempat lain, tren tersebut terkenal dengan sebutan ride sharing. Ride sharing adalah salah satu solusi yang dapat berkembang untuk mengurangi kemacetan karena jumlah kendaraan di jalan yang tinggi. Taksi sebagai moda transportasi alternatif di perkotaan dapat menerapkan sistem ride sharing tersebut. Taxi sharing bertujuan memaksimalkan penggunaan kapasitas taksi, sehingga dapat mengurangi biaya perjalanan penumpang, meningkatkan penghasilan operator taksi, dan mengurangi kemacetan, emisi gas buangan, serta penggunaan bahan bakar. Untuk memaksimalkan keuntungan dari penggunaan sistem taxi sharing, perlu pengoptimalan rute taksi dan pasangan permintaan yang berbagi layanan taksi. Pengoptimalan tersebut berbentuk mixed integer programming. Kemudian, permasalahan tersebut terselesaikan menggunakan metode tabu search. Hasil percobaan menunjukkan metode tabu search meningkatkan pendapatan operator taksi sebesar 10 - 14.

---

Nowadays, ride sharing system is a trend among society for travelling. The ride sharing system is a solution that can be developed to reduce the congestion because of high amount of vehicles on the road. Taxi as an alternative transportation in urban area can impose the ride sharing system. Taxi sharing aims to maximaze the utilization of taxi capacity, thereby reduce the fare for passangers, increase income of taxi operator, and reduce congestion, gas emission, as well as the use of fuel. In order to maximize the benefits of using taxi sharing system, we need to optimize taxi route and match requests that share the taxi service. The optimization of taxi sharing problem have the form of mixed integer programming, which is solved by using tabu search method. The experiment shows that the tabu search method can increase the income of taxi operator up to 10 14."

"Transportasi darat, khususnya truk, merupakan penyumbang utama biaya logistik secara keseluruhan, dibandingkan dengan kereta api dan udara. Untuk mengoptimalkan biaya logistik, kita perlu mengoptimalkan rute pengiriman. Namun, tantangan yang dihadapi adalah jumlah titik pengantaran juga berkembang dengan cepat seiring berkembangnya zaman, yang membuat banyak rute yang dapat dipilih untuk melakukan pengiriman dari depot ke tiap-tiap titik, sehingga meningkatkan kompleksitas untuk menemukan rute yang optimal. Masalah rute ini dapat didefinisikan sebagai VRP yang memiliki kendala kapasitas yaitu CVRP. Penelitian sebelumnya telah berhasil menyelesaikan CVRP skala besar dengan beberapa pendekatan algoritma. Dalam penelitian ini, penulis menggabungkan savings algorithm untuk meningkatkan solusi awal dengan Tabu Search yang sangat populer untuk menyelesaikan CVRP skala besar. Algoritma yang ditingkatkan ini diuji pada benchmark CVRP Arnold et al. [5] dan terbukti memiliki hasil yang cukup kompetitif dibandingkan dengan solusi terbaik yang diketahui.

---

Road transportation, particularly trucking, is the main contributor of logistic cost in total, compared to rail and air. To optimize the cost of road logistics, we need to optimize delivery routes. However, the challenges are that the number of delivery points are also growing rapidly, which makes many possible routes to deliver the package from the depot, and increasing the complexity to find the optimal one. This route problem could be defined as CVRP. Previous research has already proved to solve very large scale CVRP with several approaches to the algorithm. In this paper, we’re combining a Saving Algorithm to improve the initial solution and the very popular Tabu Search to solve very large scale CVRP. This improved algorithm is tested into Arnold et. al. [5] CVRP benchmark and proved to have competitive results compared to the best known solutions."

"Demi meningkatkan okupansi atau dengan kata lain mengoptimumkan penggunaan kapasitas kendaraan pribadi, ridesharing hadir sebagai solusi akan hal ini. Ridesharing adalah sebuah model berkendara dengan prinsip berbagi tumpangan. Permasalahannya adalah bagaimana cara mengoptimumkan pencocokan antara pengemudi (driver) dan penumpang (rider) dengan jumlah partisipan (driver dan rider) yang besar dalam waktu optimasi yang singkat. Pada skripsi ini akan diterapkan metode Agglomerative Hierarchical Clustering (AHC) untuk mengoptimalkan matching antara driver dan rider dengan fungsi objektif yaitu memaksimumkan total penghematan jarak (Distance Savings / DS). DS adalah selisih total jarak yang ditempuh driver dan rider tanpa ridesharing dengan jarak yang ditempuh pasangan tersebut dengan ridesharing. Metode AHC adalah metode clustering dimana setiap titik data dijadikan sebagai satu cluster, kemudian secara berturut-turut menggabungkan cluster yang mempunyai kemiripan sehingga semua cluster tergabung menjadi satu cluster yang berisikan semua objek pada data. Data yang di-input berupa data koordinat lokasi keberangkatan dan kedatangan partisipan. Output dari metode AHC adalah sebuah dendogram yang menggambarkan iterasi pembentukan cluster. Berdasarkan hasil clustering tersebut diperoleh sebuah himpunan kombinasi driver-rider yang kemudian akan diperiksa kelayakannya untuk melakukan ridesharing. Dari himpunan kombinasi yang layak untuk melakukan ridesharing akan dipilih pasangan yang paling optimum untuk melakukan ridesharing dengan menggunakan algoritma Hungarian sehingga menghasilkan total distance savings maksimum. Berdasarkan hasil simulasi program pada data percobaan, diperoleh maksimum total DS sebesar 244.78 kilometer yang dihasilkan dari 13 kombinasi driver-rider. Penggunaan clustering mampu mereduksi 257 dari 400 kombinasi driver-rider yang akan diuji kelayakannya untuk melakukan ridesharing.

---

To increase the occupancy rate, ridesharing is an alternative solution. Ridesharing is a mode of transportation in which individual travelers share a vehicle for a trip. The problem is how to optimize the matching problem of drivers and riders with a large number of participants in a short optimization time. This thesis purposed Agglomerative Hierarchical Clustering (AHC) method to be applied in optimizing the matching between drivers and riders with an objective function maximizing the total distance savings (DS). DS is obtained from the difference in the total distance of individual trip with the distance of ridesharing trip. AHC method is a clustering method which each data point is made as one cluster, then successively combines clusters that have similarities until all clusters are merged into one cluster which containing all data points. The input data are the coordinates of the participants' departure and arrival location. The output of AHC is dendogram that illustrates the iteration of cluster formation. Based on clustering results, a set of driver-rider combination was obtained which were then examined for their eligibility to do ridesharing. Next, from the set of driver-rider combination which feasible to do ridesharing, we will determine driver-rider combination that generates maximum total DS by using Hungarian Algorithm. Based on simulation program results on experimental data, maximum total DS is 244.78 kilometers that was obtained from 13 driver-rider combinations. The use of clustering was able to reduce 257 out of 400 pair combinations that were tested for their feasibility to do ridesharing."

"Ridesharing merupakan salah satu upaya untuk mengurangi masalah kemacetan akibat tingginya penggunaan kendaraan pribadi dengan okupansi yang rendah. Masalah yang dihadapi pada ridesharing adalah mendapatkan pasangan driver dan rider yang optimal, dimana jumlah partisipan yang terlibat sangat banyak dan harus dilakukan optimasi dalam waktu yang singkat. Pada skripsi ini akan digunakan DBSCAN clustering sebagai langkah awal untuk mengoptimalkan matching problem pada ridesharing dengan fungsi objektif memaksimumkan indeks dari total jarak proksimiti (Total Distance Proximity Index/ DP index) antara driver dan rider. Ide dasar dari DP Index ini yaitu “driver dan rider yang melakukan perjalanan bersama dengan jarak yang similar merupakan pasangan yang cocok bila lokasi asal dan tujuan mereka berada dalam letak yang berdekatan”. DBSCAN clustering merupakan salah satu metode clustering atau pengelompokkan data berdasarkan kerapatan suatu data. Pada tahap awal, DBSCAN clustering digunakan untuk mengelompokkan lokasi asal dan tujuan dari driver dan rider. Setelah didapatkan cluster, pasangan driver-rider akan dicocokkan berdasarkan bobot DP Index maksimum dengan algoritma Hungarian. Sehingga berdasarkan clustering tersebut, mampu mereduksi kombinasi pasangan driver-rider yang akan dioptimasi sehingga berpengaruh pada running time proses optimasi. Berdasarkan hasil, didapatkan proses dengan clustering 2 kali lebih cepat diselesaikan bila menggunakan proses tanpa clustering.

---

Ridesharing is one of models that attempt to reduce congestion problems due to increased use of private vehicles with low occupancy. The problem related to ridesharing is to get an optimal pair of drivers and riders, while the number of participants involved is very large and optimization must be done in a short amount of time. In this thesis, DBSCAN clustering will be used as the first step to optimize the matching problem in ridesharing with the objective function of maximizing the total distance proximity index (DP index) between the driver and passengers. The basic idea of ​​this DP index is that driver and rider trips with similar distance will be good match if their origin and destinations are in close vicinity. DBSCAN clustering is one of the methods of clustering or grouping spatial data based on the density of a dataset. In the initial stage, the DBSCAN clustering method is used to cluster the origin and destination locations of the drivers and riders. After obtaining the cluster(s), the driver-rider pair will be matched based on the maximum DP Index with the Hungarian algorithm. Regarding to this clustering method, it can reduce the combination of driver-rider pairs that will be optimized so that it affects the running time of the optimization process. Based on experimental result, we can conclude that the process with clustering method can be completed 2 times faster than the process without clustering method."

"Tingginya penggunaan kendaraan pribadi yang diakibatkan kurang memadainya layanan angkutan umum di Indonesia, merupakan salah satu faktor utama penyebab kemacetan. Salah satu cara untuk mengatasi permasalahan tersebut yaitu penggunaan sistem ridesharing. Sistem Ridesharing dapat mengurangi jumlah penggunaan kendaraan pribadi sehingga dapat mengurangi kemacetan. Masalah yang dihadapi pada sistem ridesharing ini adalah memasangkan (matching problem) antara pengemudi (driver) dengan penumpang (rider). Mean shift clustering akan digunakan sebagai langkah awal dalam mengoptimalkan matching problem pada ridesharing. Mean shift clustering merupakan salah satu metode pengelompokkan data spasial dengan cara menetapkan titik data ke kelompok secara iteratif dengan menggeser titik ke mode (mode adalah kepadatan tertinggi dari titik data di wilayah tersebut, dalam konteks mean-shift). Sehingga dengan clustering akan lebih mudah dan efektif dalam memasangkan pengemudi dan penumpang secara optimal. Setelah didapatkan hasil clustering, pasangan pengemudi dan penumpang akan dipasangkan berdasarkan fungsi objektif memaksimumkan banyaknya pasangan yang terjadi (match). Ide dasar dari fungsi objektif tersebut yaitu menemukan banyaknya jumlah pasangan maksimum yang dapat melakukan ridesharing. Dengan bantuan algoritma Hopcroft Karp dapat menemukan solusi jumlah maksimum banyaknya pasangan pada ridesharing.

---

The high use of private vehicles due to inadequate public transport services in Indonesia, is one of the main factors causing congestion. One of the solution that problem is the use of a ridesharing system. The ridesharing system can reduce the use of private vehicles so as to reduce congestion. The problem that happened with this ridesharing system is the matching problem between the driver and the passenger (rider). Mean shift clustering will be used in this paper as the first step in optimizing the matching problem in ridesharing. Mean shift clustering is a method of grouping spatial data by iteratively assigning data points to groups by shifting points to mode (mode is the highest density of data points in the region, in the context of mean-shift). So that with clustering it will be easier and more effective in pairing drivers and passengers optimally. After the clustering results are obtained, the driver and passenger will be paired based on the objective function of maximizing the number of pairs that occur (match). The basic idea of this objective function is to find the maximum number of match to do ridesharing. With the help of the Hopcroft Karp algorithm, can find a solution for the maximum number of match to do ridesharing."

"Generalized Assignment Problem (GAP) merupakan suatu bentukmasalah penugasan dari sehimpunan berhingga tugas ke sejumlahberhingga agen. Setiap agen dapat mengerjakan lebih dari satu tugas,namun suatu tugas hanya dapat dikerjakan oleh satu agen. Setiap tugasmemiliki beban pengerjaan, sedangkan setiap agen memiliki keterbatasankapasitas untuk mengerjakan tugas-tugas yang ada. Pada skripsi ini akandilihat kinerja tabu search untuk menyelesaikan GAP, yang diukurberdasarkan kedekatan solusi yang didapat dengan Best Known Solution(BKS). Tabu search adalah suatu metode pencarian heuristik yangmerupakan pengembangan dari metode pencarian local search. Untukpengujian, digunakan beberapa data permasalahan yang diperoleh dari ORLibrary.Berdasarkan simulasi disimpulkan bahwa kinerja metode tabusearch cukup baik dalam menyelesaikan GAP, yaitu dengan kesalahan relatiftidak lebih dari 0,0018 untuk GAP dengan tujuan memaksimumkan."

"Pendistibusian uang dapat diartikan sebagai proses penyaluran uang dari pusat kas (bank sentral) ke penyimpanan lainnya (bank cabang). Untuk menjaga kelancaran dan keamanan distribusi uang tunai dari risiko perjalanan, bank sentral terus meningkatkan kerja sama dengan berbagai instansi logistik seperti penyedia moda transportasi Cash-In-Transit (CIT) untuk pengantaran, pengawalan dan pengamanan uang tunai pada jalur distribusi. Dengan demikian, perusahaan CIT membutuhkan pengoptimalan dalam pemilihan rute-rute dan keamanan pada kendaraan CIT dalam upaya penekanan biaya distribusi untuk mendapati keuntungan yang optimal. Fokus pada penelitian ini yaitu membangun model matematis yang berbentuk Vehicle Routing Problem with Time Windows (VRPTW) untuk optimasi rute distribusi pengantaran uang tunai dengan mempertimbangkan resiko perjalanan. Model yang dirancang membentuk suatu fungsi objektif (bobot) dengan tujuan mendapatkan rute yang optimal dalam jarak tempuh kendaraan CIT dan risiko perjalanan. Risiko perjalanan diselaraskan pada suatu keadaan yang mengakibatkan uang tunai hilang dari kendaraan CIT. Selanjutnya, masalah optimasi rute tersebut diselesaikan dengan menggunakan Metode Tabu Search (TS). Data percobaan yang digunakan merupakan data dummy yang terkait dengan informasi kantor bank di DKI Jakarta. Berdasarkan hasil pengolahan data, metode TS mampu mengoptimalkan nilai objektif pada rute distribusi CIT dengan penurunan nilai objektif sebesar 29.3%. Selain itu, metode TS mampu menurunkan nilai risiko perjalanan sebesar 17.2% dari rute distribusi awal.

---

Money distribution can be defined as the process of channeling funds from the central cash center (central bank) to other storage facilities (branch banks). To ensure smooth and secure distribution of cash, central banks continue to enhance cooperation with various logistics agencies such as Cash-In-Transit (CIT) transportation providers for cash delivery, escort, and security along the distribution routes. Consequently, CIT companies require optimization in route selection and security for CIT vehicles in order to minimize distribution costs and achieve optimal benefits. The focus of this research is to build a mathematical model based on the Vehicle Routing Problem with Time Windows (VRPTW) using the Tabu Search (TS) method. The designed model forms an objective function (weight) with the goal of obtaining optimal routes in terms of CIT vehicle mileage and travel risk. Travel risk is aligned with a situation that results in cash loss from CIT vehicles. The experimental data used consists of dummy data for bank office information in DKI Jakarta. The data is then processed in a program built based on the existing method and problem. The results show that the TS method is able to optimize the objective value of CIT distribution routes with a decrease of 29.3% in the objective value. Additionally, the TS method reduces travel risk by 17.2% compared to the initial distribution routes"

"ABSTRAKKegiatan transportasi dan logistik memiliki peranan penting dalampembiayaan perusahaan. Meningkatnya permintaan membuat perusahaanmengalami overload sehingga membutuhkan jasa dari perusahaan logistik pihakketiga untuk melakukan kegiatan distribusinya. Salah satu permasalahan yangsering dijadikan penelitian adalah permasalahan rute kendaraan, permasalahanVRP ini merupakan permasalahan umum yang sering terjadi pada kondisi nyataseperti adanya kapasitas angkut maksimal kendaraan (CVRP), jendela waktupelayanan (VRPTW), kegiatan pengangkutan dan pengiriman (VRPPD),pengiriman yang dilakukan lebih dari satu kali (SVRP) dan pengiriman yangdapat dilakukan lebih dari satu hari (PVRP). Meningkatnya jumlah permintaansewa mengharuskan perusahaan truk-sewa untuk membuat alokasi yang optimalberdasarkan kombinasi permasalahan di atas.

---

ABSTRACTTransport and logistics activities have an important role in the case offinancing company. Increased demand makes company require the services ofthird party logistic company to assist their distribution activities. One issue thatoften used as a study is Vehicle Routing Problem (VRP), VRP is a generalproblem that often occurs in real conditions such as Capacitated VRP (CVRP),VRP with time windows (VRPTW), VRP pickup and delivery (VRPPD), SplitVRP (SVRP) and Periodic VRP (PVRP). Increasing number of rental demandmakes truck-rental companies to make allocation approach optimal based on acombination of VRP problem."

"Pengiriman barang merupakan salah satu kegiatan umum masyarakat yang semakin sering dilakukan akibat peningkatan pengguna sarana belanja dalam jaringan (daring). Peningkatan kegiatan belanja daring mengakibatkan permintaan terhadap jasa pengiriman barang juga mengalami peningkatan. Hal ini juga berdampak pada meningkatnya masalah pengiriman barang terkait masalah lingkungan seperti meningkatnya polusi udara dan juga efisiensi pengiriman barang. Oleh karena itu, dibutuhkan suatu solusi untuk mengatasi masalah lingkungan serta menambah efisiensi pengiriman barang di tahap terakhirnya. Penelitian ini berfokus pada tahap last-mile delivery, yaitu tahap barang dikirimkan dari depot terakhir ke lokasi pelanggan dengan memanfaatkan penggunaan truk pengiriman dan digabung dengan drone. Kombinasi truk dan drone dipandang sebagai solusi yang inovatif. Drone yang menggantikan pengiriman dengan kendaraan bermotor tidak menghasilkan polusi yang biasanya dihasilkan oleh kendaraan berbahan bakar minyak bumi. Kemacetan juga dapat dihindari oleh drone sehingga waktu pengiriman bisa dipersingkat. Drone dapat dengan mudah melakukan pengiriman ke tempat-tempat yang tidak bisa dijangkau oleh kendaraan pengirim barang seperti truk. Dibalik semua kelebihannya, drone memiliki beberapa kendala yaitu harganya yang mahal sehingga menimbulkan keterbatasan kesediaan drone dan juga keterbatasan jangkauan terbangnya. Metode clustering diperkenalkan untuk mengatasi batasan tersebut. Pada penelitian ini digunakan metode Hierarchical Agglomerative Clustering (HAC) dengan mempertimbangkan jumlah drone yang tersedia dan jangkauan terbang maksimum dari drone. Hasil pengelompokkan kemudian digunakan untuk mencari rute optimal dengan metode Tabu Search (TS). Kedua metode ini diimplementasikan pada data simulasi sebanyak 90 pelanggan. Biaya pengiriman yang terdiri dari biaya operasional drone, biaya operasional truk, biaya penggunaan drone serta biaya penggunaan truk akan diminimalkan. Hasil berupa biaya pengiriman, jarak tempuh serta waktu tempuh yang diperoleh dibandingkan dengan hasil dari clustering data berdasarkan jarak tanpa memaksimalkan penggunaan drone serta memperhatikan batasannya. Implementasi HAC dan TS memberikan hasil pengurangan waktu sekitar 45%, pengurangan jarak sekitar 70% dan pengurangan biaya pengiriman sekitar 9%.

---

Goods delivery is a common activity in the society, and it’s becoming more frequent with the existence of online shopping. The surge in online shopping has led to a heightened demand for delivery services. This increase in demand impacts environmental concerns such as escalating air pollution and the efficiency of parcel delivery. Consequently, there’s a need for a solution to address environmental issues and enhance the efficiency of last-mile delivery. This research focuses on the last-mile delivery stage, specifically the movement of goods from the final depot to the customer’s location, utilizing a combination of delivery trucks and drones. The integration of trucks and drones is seen as an innovative solution. Drones, replacing motor vehicles in delivery, reduce pollution typically generated by fossil fuel-powered vehicles. Additionally, drones can evade traffic congestion, shortening delivery times, and easily access locations inaccessible to trucks. However, despite their advantages, drones have constraints, including high costs leading to limited availability and flight range limitations. Clustering methods are introduced to address these constraints. This study employs the Hierarchical Agglomerative Clustering (HAC) method, considering the available number of drones and their maximum flight range. The resulting clusters are then utilized to determine the optimal routes using the Tabu Search (TS) method. Both of this method is implemented on a simulation data of 90 customers. Delivery cost that includes drone operational cost, truck operational cost, drone cost, and truck cost is minimized. The result (delivery cost, distance traveled, and duration) are compared to clustering based on distance only without maximized drones available or consider its constraints. The implementation of HAC and TS provides a reduction in time of around 45%, a distance reduction of about 70%, and a shipping cost reduction of about 9%."