Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dalam perkembangannya, dengan munculnya pelabuhan-pelabuhan baru yang dapat mengakomodir kapal – kapal internasional untuk bersandar, pilihan rute pelayaran yang dapat ditempuh oleh suatu kapal kontainer akan semakin beragam. Efisiensi dari rute yang dipilih dapat dilihat dari penggunaan bahan bakar yang digunakan oleh kapal kontainer untuk mencapai tujuannya. Bahkan beberapa penelitian menyatakan bahwa 50-60% dari keseluruhan biaya operasional kapal didasarkan pada biaya bahan bakar kapal. Harga bahan bakar juga berfluktuatif dan tidak menentu pada setiap pelabuhan sehingga membuat sebuah kesulitan baru bagi perusahaan pelayaran dalam menentukan rute pelayaran yang paling efisien bagi mereka. Pemilihan rute kapal yang tepat sangat penting untuk meminimalkan biaya operasional. Pada penelitian ini, algoritma yang digunakan untuk pemilihan rute kapal dengan biaya paling minimum adalah algoritma Ant Colony dan Brute Force. Data yang digunakan pada penelitian ini berupa data jarak mil laut antara pelabuhan, daya mesin utama dan juga mesin bantu, kecepatan kapal, dan harga bahan bakar di tiap pelabuhan. Pengolahan data dilakukan dengan membuat model Asymetric Travelling Salesman Problem (ATSP) yang memiliki fungsi objektif bahan bakar yang se efisien mungkin, yang nantinya akan diterapkan algoritma Ant Colony dan Brute Force model ATSP. Variasi yang dilakukan pada penelitian ini terdapat pada destinasi awal atau akhir dari pemilihan rute. Hasil penelitian menunjukkan bahwa algoritma Brute Force melakukan pemilihan rute lebih optimal dibandingkan dengan algoritma Ant Colony dari segi penggunaan bahan bakar.

---

On its development, with the emergence of new ports that can accommodate international ships to dock, the choice of shipping routes that can be taken by a container ship will be more diverse. The efficiency of the chosen route can be seen from the use of fuel used by the container ship to reach its destination. Some studies state that 50-60% of the overall ship operating costs are based on fuel costs. Fuel prices also fluctuate and are uncertain at each port, making it difficult for companies to determine the most efficient shipping route for them. Selection of the optimum ship route is very important for operational costs. In this study, the algorithm used for selecting the shipping route with the minimum cost is the Ant Colony and Brute Force algorithms. The data used in this study are the distance of nautical miles between ports, main engine power and auxiliary engines, ship speed, and fuel prices at each port. Data processing is start by making the Asymmetric Traveling Salesman Problem (ATSP) model which has the most efficient fuel objective function, which will later be applied to the Ant Colony and Brute Force ATSP models. Variations made in this study are in the initial or final destination of the route selection. The results showed that the Brute Force algorithm selected the optimal route compared to the Ant Colony algorithm in terms of fuel usage."

"Optimasi pemilihan rute pelayaran kapal kontainer merupakan salah satu cara untuk meningkatkan efisiensi dan mengurangi biaya operasional perusahaan pelayaran. Dalam penelitian ini, kami menggunakan algoritma Ant Colony Optimization (ACO) untuk menentukan rute pelayaran terbaik bagi kapal kontainer di trayek Asia. Algoritma Ant Colony Optimization (ACO) merupakan salah satu metode heuristik yang menerapkan semut sebagai agen dengan update Pheromone-nya untuk dapat melakukan proses pencarian solusi yang efektif dan efisien. Algoritma ACO yang dibandingkan sebanyak lima yaitu Ant System (AS), Elitist Ant System(EAS), Rank-based Ant System (ASRank), Max-min Ant System (MMAS), dan Ant Colony System (ACS). Dengan menggunakan data historis lalu lintas pelayaran dan mengoptimalkan faktor-faktor seperti waktu tempuh, biaya bahan bakar, dan biaya gerbang pelabuhan untuk menentukan rute terbaik. Hasil dari penelitian ini menunjukkan bahwa Ant Colony System (ACS) dengan proses iterasi yang cepat hanya 1 detik dan input parameter  yang menghasilkan pemilihan rute 6-9-8-5-2-3-1-7-4-10-12-11-6, dan jarak 15626,39 mil serta waktu tempuh perjalanan 1131,576 jam, dimana hasil ini memiliki Efisiensi jarak sebesar 65,9404 % dan ini berbanding lurus dengan optimasi bahan bakar maupun waktu yan ditempuh.

---

Optimizing container ship routing is one way to improve efficiency and reduce operational costs for shipping companies. In this research, we utilized the Ant Colony Optimization (ACO) algorithm to determine the best shipping route for container ships in the Asian region. The ACO algorithm is a heuristic method that utilizes ants as agents with updated pheromones to effectively and efficiently search for solutions. Five ACO algorithms were compared: Ant System(AS), Elitist Ant System(EAS), Rank-based Ant System(ASRank), Max-min Ant System(MMAS), and Ant Colony System(ACS). Using historical shipping traffic data, we optimized factors such as travel time, fuel costs, and port gate costs to determine the best route. The results of this research showed that the Ant Colony System (ACS) with a fast iteration process of only 1 second and input parameters α ∈ {1}, β ∈ {2 and 3}, m = 10, τ0 ∈ {0}, and ρ ∈ {0.5} yielded the route selection 6-9-8-5-2-3-1-7-4-10-12-11-6, with a distance of 15,626.39 miles and a travel time of 1,131.576 hours.  result where this has a distance efficiency of 65.9404% and this is directly proportional to the optimization of fuel and time taken."

"Kapal memiliki peran yang sangat penting pada perekonomian dunia sebagai alat pengangkutan barang baik antar daerah ataupun antar negara. Lebih dari tujuh miliar ton barang dikirim melalui jalur laut setiap tahunnya. Sebagian besar biaya operasional kapal berasal dari pemakaian bahan bakar dan harga bahan bakar sangat bervariasi pada setiap pelabuhan. Pemilihan rute kapal yang tepat merupakan hal yang sangat krusial dalam upaya meminimalisir biaya operasional. Penelitian ini mengimplementasikan metode optimasi dengan mempergunakan algoritma heuristik untuk pemilihan rute kapal dengan tujuan meminimalisir biaya operasional. Data jarak mil laut antar pelabuhan, kecepatan kapal, daya mesin, dan harga bahan bakar pada tiap pelabuhan diolah menjadi sebuah model Asymmetric Travelling Salesman Problem (ATSP). Penerapan 3 algoritma heuristik, yaitu : Nearest Neighbor Algorithm, Simulated Annealing, dan Algoritma Genetika dipergunakan untuk menyelesaikan model ATSP yang dibuat dengan fungsi objektif biaya bahan bakar yang seminimum mungkin. Variasi pada destinasi awal/akhir dari pemilihan rute juga dilakukan sebagai parameter uji tambahan dari setiap algoritma. Hasil penelitian menunjukkan bahwa algoritma genetika memberikan rute dengan biaya bahan bakar yang lebih rendah dari kedua algoritma lain pada setiap pemilihan rute yang dilakukan. Hal ini membuktikan bahwa algoritma genetika lebih efektif dalam menentukan rute kapal dengan biaya bahan bakar yang paling rendah.

---

Ships have a very important role in the world economy as a means of transporting goods between regions and between countries. More than seven billion tons of goods are shipped by sea each year. Most of the ship's operating costs come from the use of fuel and fuel prices vary widely at each port. Selection of the right ship route is very crucial to minimize operational costs. This study implements an optimization method using a heuristic algorithm for selecting ship routes with the aim of minimizing operational costs. Data on the distance of nautical miles between ports, ship speed, engine power and fuel prices at each port are processed into an Asymmetric Traveling Salesman Problem (ATSP) model. The application of 3 heuristic algorithms, namely: Nearest Neighbor Algorithm, Simulated Annealing, and Genetic Algorithm are used to solve the ATSP model created with the minimum fuel cost objective function. The results showed that the genetic algorithm provides a route with lower fuel costs than the other two algorithms at each route selection made. This proves that the genetic algorithm is more effective in determining the route of ships with the lowest fuel cost."

"Pada tahun 2020, 6 dari 10 ekonomi yang paling terhubung berada di Asia Singapura; Republik Korea; Malaysia; Hong Kong, Cina; dan Jepang. Sektor pengangkutan laut memiliki peran penting untuk memajukan dan memperlancar perdagangan serta memperlancar perpindahan barang dari satu tempat ke tempat yang lain. Biaya transportasi dianggap sebagai biaya paling tinggi dari total biaya logistik dengan bahan bakar sendiri menyerap lebih dari 60 persen dari biaya operasi. Memilih rute yang optimal untuk meminimalkan biaya bahan bakar merupakan solusi yang efektif bagi perusahaan pelayaran saat mengoperasikan kapal liner. Data jarak mil laut antar pelabuhan, kecepatan kapal, daya mesin, dan harga bahan bakar pada tiap pelabuhan diolah menjadi sebuah model Asymmetric Travelling Salesman Problem (ATSP). Penerapan 2 algoritma, yaitu: Brute-Force Method dan Algoritma Held-Karp digunakan untuk menyelesaikan model ATSP yang dibuat dengan fungsi objektif biaya bahan bakar yang seminimum mungkin. Diberikan variasi pada titik awal/akhir rute sebagai parameter uji tambahan dari setiap algoritma. Hasil penelitian menunjukkan bahwa Algoritma Held-Karp memberikan hasil rute dengan biaya bahan bakar yang sama dengan Brute-Force Method namun proses komputasi berjalan lebih cepat. Hal ini membuktikan bahwa algoritma Held-Karp lebih efektif dalam hal waktu untuk menentukan rute kapal dengan biaya bahan bakar yang paling rendah.

---

In 2020, 6 of the 10 most connected economies w in Asia Singapore; Republic of Korea; Malaysia; Hong Kong, China; and Japan. The sea transport sector has an important role to promote and facilitate trade and facilitate the movement of goods from one place to another. Transportation costs are considered the highest cost of the total logistics costs with fuel alone absorbing more than 60 percent of operating costs. Choosing the optimal route to minimize fuel costs is an effective solution for shipping companies when operating liner vessels. Data on nautical miles between ports, ship speed, engine power, and fuel prices at each port are processed into an Asymmetric Traveling Salesman Problem (ATSP) model. The application of 2 algorithms, namely: Brute-Force Method and Held-Karp Algorithm is used to solve the ATSP model which is made with the objective function of the minimum fuel cost. Variations in the start/end point of the route are given as additional test parameters of each algorithm. The results show that the Held-Karp Algorithm gives route results with the same fuel cost as the Brute-Force Method but the computational process runs faster. This proves that the Held-Karp algorithm is more effective in terms of time to determine ship routes with the lowest fuel costs."

"Banyaknya pulau di Indonesia menyebabkan adanya tantangan untuk menjaga konektivitas antar pulaunya, mendorong untuk dibutuhkannya moda transportasi agar meningkatkan konektivitas antar pulau khususnya di wilayah 3T. Di masa ini pelayaran perintis menjadi moda transportasi yang ditugaskan oleh pemerintah guna melayani daerah 3T. Namun, pada penerapannya pelayaran perintis masih dinilai kurang optimal sehingga perlu dilakukannya optimasi. Optimasi merupakan aktifitas yang bertujuan untuk mendapatkan nilai maksimal atau minimal berdasarkan fungsi dan tujuan yang ingin dicapai, dengan tetap memenuhi fungsi kendala yang berlaku. Optimasi dinilai penting untuk keberlanjutan akses transportasi laut khususnya pelayaran perintis di Sulawesi Selatan-Nusa Tenggara. Seluruh Pelabuhan yang dilayani trayek pelayaran perintis diklasterkan menggunakan metode Density Based Spatial Clustering of Applications with Noise (DBSCAN). Penelitian ini ditujukan untuk memberikan rekomendasi untuk optimasi rute pelayaran perintis. Terdapat 3 klaster yang terbentuk untuk menyesuaikan ketersediaan kapal perintis yang berjumlah 3 kapal. Masing-masing klaster dilakukan optimasi menggunakan Travelling Salesman Problem (TSP). Hasil optimasi didapatkan lebih optimal dengan total jarak tempuh rata-rata di ketiga klaster yang terbentuk sebesar 630 NM dibandingkan dengan rute eksisting sebesar 1211 NM dengan penurunan sebesar 48%

---

The large number of islands in Indonesia poses a challenge to maintain connectivity between islands, encouraging the need for modes of transportation to increase inter-island connectivity, especially in the 3T region. At this time perintis shipping became a mode of transportation assigned by the government to serve the 3T areas. However, in its implementation, perintis shipping is still considered less than optimal, so optimization is needed. Optimization is an activity that aims to get the maximum or minimum value based on the function and goals to be achieved, while still meeting the applicable constraints. Optimization is considered important for the sustainability of access to sea transportation, especially perintis shipping in South Sulawesi-Nusa Tenggara. All ports served by perintis shipping routes are clustered using the Density Based Spatial Clustering of Applications with Noise (DBSCAN) method. This research is intended to provide recommendations for optimizing perintis shipping routes. There are 3 clusters formed to adjust the availability of perintis ships, which total 3 ships. Each cluster is optimized using the Traveling Salesman Problem (TSP). Optimization results obtained are more optimal with the total average mileage in the three clusters formed of 630 NM compared to the existing route of 1211 NM with a decrease of 48%."

"Multiple Traveling salesman problem MTSP merupakan perluasan dari TSP. MTSP adalah masalah optimasi dimana akan ditentukan total jarak minimum untuk m salesmen dalam melakukan perjalanan ke sejumlah kota tepat satu kali yang dimulai dari kota awal yang disebut depot kemudian kembali lagi ke depot setelah perjalanan selesai. Dalam tugas akhir ini, K-Means dan Crossover Ant Colony Optimization ACO akan digunakan untuk menyelesaikan MTSP. Implementasi dilakukan pada 3 data dari TSPLIB dengan menggunakan salesman berjumlah 2, 3, 4, dan 8. Analisa hasil dengan menggunakan K-Means dan Crossover ACO akan dibandingkan. Pengaruh terhadap pemilihan kota yang menjadi depot pada total jarak perjalanan yang dihasilkan, juga akan dianalisa.

---

Multiple Traveling Salesman Problem MTSP is a generalization of the Traveling Salesman Problem TSP . MTSP is an optimization problem to find the minimum total distance of m salesmen tours to visit several cities in which each city is only visited exactly by one salesman, starting from origin city called depot and return to depot after the tour is completed. In this skripsi, K Means and Crossover Ant Colony Optimization ACO are used to solve MTSP. The implementation is observed on three datasets from TSPLIB with 2, 3, 4, and 8 salesmen. Analysis of results using K Means and Crossover ACO will be compared. The effect of selecting a city as depot on the total travel distance of tour will also be analyzed."

"Perluasan dari Traveling Salesman Problem (TSP) adalah Multiple Traveling Salesman Problem (MTSP), yaitu menentukan kumpulan rute oleh 𝑚 salesman yang berawal dan kembali ke kota asal (depot). Jika terdapat lebih dari satu depot dan salesman yang berawal dan kembali ke depot yang sama, maka permasalahan tersebut dinamakan Fixed Destination Multi-depot Multiple Traveling Salesman Problem (MMTSP). Pada makalah ini, MMTSP akan diselesaikan menggunakan algoritma Ant Colony Optimization (ACO). ACO adalah algoritma optimisasi metaheuristic yang terinspirasi oleh perilaku semut dalam mencari jalur terpendek dari sarang menuju sumber makanan.Dalam penyelesaian MMTSP, akan diamati dengan memerhatikan pemilihan kota yang berbeda sebagai depot dan tiga parameter MMTSP non-random, banyaknya salesman (𝑚), minimum banyaknya kota yang harus dikunjungi salesman (𝐾), dan maksimum banyaknya kota yang dapat dikunjungi salesman (𝐿). Implementasi dilakukan dengan mengambil empat data dari TSPLIB. Hasil implementasi menunjukkan bahwa pemilihan kota yang berbeda sebagai depot dan tiga parameter MMTSP, di mana 𝑚 adalah parameter yang paling esensial, mempengaruhi solusi.

---

An extension of Traveling Salesman Problem (TSP) is the Multiple Traveling Salesman Problem (MTSP) in which, determining set of routes by 𝑚 salesmen who all start from and return to a single home city (depot). If there is more than one depot and salesmen start from and return to the same depot, then the problem is called Fixed Destination Multi-depot Multiple Traveling Salesman Problem (MMTSP). In this paper, MMTSP will be solved using the Ant Colony Optimization (ACO) algorithm. ACO is a metaheuristic optimization algorithm which inspired by the behavior of ants in finding the shortest path from the nest to the food source.

In solving the MMTSP, the algorithm is observed with respect to different chosen cities as depots and non-randomly three parameters of MMTSP, the number of salesmen (𝑚), the minimum number of cities a salesman must visit (𝐾), and the maximum number of cities that a salesman can visit (𝐿). The implementation is observed with four dataset from TSPLIB. The results show that both the different chosen cities as depots and the three parameters of MMTSP, in which 𝑚 is the most essential parameter, affect the solution."

"Banyaknya pulau di Indonesia dibutuhkan moda transportasi untuk meningkatkan konektivitas antar pulau khususnya di wilayah 3T. Saat ini pelayaran perintis menjadi moda transportasi yang tugaskan oleh pemerintah untuk melayani daerah 3T. Namun rute pelayaran perintis saat ini belum optimal dan tidak merata sehingga perlu dilakukan optimasi. Optimasi adalah merupakan aktivitas yang bertujuan untuk mendapatkan hasil terbaik nilai paling maksimal atau minimal bedasarkan fungsi dan tujuan yang ingin dicapai, dan tetap memenuhi fungsi kendala yang berlaku. Optimasi sendiri merupakan metode yang cukup penting untuk keberlanjutan akses transportasi laut khususnya pelayaran perintis di Kepulauan Maluku. Seluruh pelabuhan yang dilayani oleh pelayaran perintis diklasterkan menggunakan metode clustering Density-Based Spatial Clustering of Application with Noise (DBSCAN). Penelitian ini bertujuan untuk memberikan rekomendasi kebijakan untuk optimasi rute pelayaran perintis. Terdapat 7 klaster yang terbentuk untuk menyesuaikan ketersediaan kapal perintis yang berjumlah 7 kapal. Setiap klaster masing-masing dilakukan optimasi menggunakan Travelling Salesman Problem (TSP). hasil optimasi jauh lebih optimal dengan total jarak tempuh di tujuh klaster yang terbentuk sebesar 3101 NM dibandingkan dengan rute existing sebesar 6730 penurunan sebesar 53.92%.

---

The number of islands in Indonesia requires a mode of transportation to improve inter-island connectivity, especially in the 3T region. Currently pioneer shipping is a mode of transportation assigned by the government to serve the 3T area. However, the current perintis shipping route is not optimal and uneven, so optimization needs to be done. Optimization is an activity that aims to get the best results with the maximum or minimum value based on the function and objectives to be achieved, and still fulfill the function of the applicable constraints. Optimization itself is a method that is quite important for the sustainability of sea transportation access, especially perintis shipping in the Maluku Islands. All ports served by pioneer shipping are clustered using the Density-Based Spatial Clustering of Application with Noise (DBSCAN) clustering method. This study aims to provide policy recommendations for the optimization of pioneer shipping routes. There are 7 clusters formed to match the availability of 7 pioneer ships. Each cluster is optimized using the Traveling Salesman Problem (TSP). optimization results are much more optimal with the total distance traveled in the seven clusters formed of 3101 NM compared to the existing route of 6730, a decrease of 53.92%."

"Traveling Salesman Problem (TSP) adalah masalah mencari jalur terpendek untuk mengunjungi setiap simpul tepat satu kali kecuali simpul awal kunjungan jika diberikan himpunan simpul yang harus dikunjungi. Tiga modifikasi dilakukan pada skripsi ini untuk menyelesaikan masalah TSP dengan menggabungkan metode Ant Colony Optimization (ACO), Particle Swarm Optimization (PSO) dan 3-Opt Algorithm. ACO digunakan untuk mencari solusi TSP, PSO digunakan untuk mencari nilai paremeter terbaik 𝛼 dan 𝛽 yang digunakan pada ACO, dan 3-Opt digunakan untuk mengurangi total jarak tempuh solusi yang didapat dari ACO. Pada modifikasi pertama, 3-Opt digunakan untuk mengurangi total jarak tempuh dari solusi terbaik yang didapatkan setiap iterasi. Pada modifikasi kedua, 3-Opt digunakan untuk mengurangi total jarak tempuh seluruh solusi yang didapatkan pada setiap iterasi. Pada modifikasi ketiga, 3-Opt digunakan untuk mengurangi total jarak tempuh seluruh solusi yang berbeda yang didapatkan pada setiap iterasi.Hasil modifikasi diuji menggunakan 6 benchmark problems yang diambil dari TSPLIB dengan menghitung besarnya galat relatif terhadap best known solution dan running time percobaan. Setiap masalah diselesaikan dengan 10 kali percobaan, dengan masing-masing percobaan menggunakan 10 agen dan 50 iterasi. Hasil implementasi menunjukkan modifikasi pertama tidak memberikan hasil yang memuaskan, modifikasi kedua memberikan hasil yang memuaskan namun dengan running time yang cukup besar, serta modifikasi ketiga memberikan nilai galat yang tidak jauh berbeda dengan modifikasi kedua namun dengan running time yang jauh lebih kecil.

---

The Traveling Salesman Problem (TSP) is the problem of finding a shortest tour which visits all the vertices exactly once, except the first vertex, given a set of vertices. This thesis discusses three modification to solve TSP by combining Ant Colony Optimization (ACO), Particle Swarm Optimization (PSO) and 3-Opt Algorithm. ACO is used to find the solution of TSP, PSO is used to find the best value of parameters α and β that are used in ACO, and 3-Opt is used to reduce the total of tour length from the solution obtained by ACO. In the first modification, 3-Opt is used to reduce the total of tour length from the best solution obtained at each iteration. In the second modification, 3-Opt is used to reduce the total of tour length from the entire solutions obtained at each iteration. In the third modification, 3-Opt is used to reduce the total of tour length from different solutions obtained at each iteration.Results were tested using 6 benchmark problems taken from TSPLIB by calculating the relative error to the best known solution and the running time. Every problem was solved with 10 trials, where each trial uses 10 agents and 50 iterations. The implementation results showed the first modification did not provide satisfactory results, the second modification gave a satisfactory result, but the running time was quite large, and the third modification gave errors that were close to the second one but with smaller running time."

"Tol Laut adalah program pemerintah yang bertujuan menjadikan Indonesia sebagai poros maritim dunia, dengan cara meningkatkan kapasitas ekonomi nasional dan menurunkan disparitas ekonomi antar daerah. Mulai 2021 pembuatan jaringan berdasarkan hub and spoke mulai dilakukan oleh pemerintah dengan tujuan mengurangi biaya total dengan memanfaatkan economies of scale. Penelitian ini dilakukan untuk membuat design jaringan yang optimal dalam segi total biaya pengiriman dengan memanfaatkan genetika algoritma, pada penilitian ini terdapat dua kasus yang dinyatakan dalam bentuk model hub and spoke yaitu model tipe single allocation model dan model dengan hub tier satu dan hub tier dua. Pada kedua model tersebut dilakukan perhitungan dimana dipertimbangkan faktor diskon dengan yang tidak, kemudian perbandingan hasil biaya pelayaran dari kedua kasus tersebut dilakukan. Hasil penelitian ini memberikan desain jaringan dengan biaya pengiriman terminimum pada kedua kasus.

---

The Sea Highway is a government program that aims to make Indonesia the world's maritime axis, by increasing national economic capacity and reducing economic disparities between regions. Starting in 2021, the government will start making networks based on hub and spokes with the aim of reducing total costs by taking advantage of economies of scale. This research was conducted to create an optimal network design in terms of total shipping costs by utilizing genetic algorithms, in this study there are two cases expressed in the form of a hub and spoke model, namely the single allocation model and the model with tier one hub and tier two hub. In both models, a calculation is carried out with and without the discount factor, then the results of the shipping costs from the two cases are compared. The results of this study provide a network design with the minimum shipping cost for both cases."