Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
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.

Abstrak :
Pengiriman barang dari depot terakhir menuju ke lokasi pelanggan adalah pengiriman last mile. Pengiriman last mile sering dianggap sebagai tahap yang paling mahal dan kurang efisien. Beberapa permasalahan yang dihadapi dalam pengiriman last mile adalah biaya yang tinggi, waktu pengiriman yang lama, dan kemungkinan barang rusak. Penggunaan sistem kendaraan truck-drone dalam pengiriman last mile dapat dijadikan sebagai solusi untuk mengatasi permasalahan dalam last mile. Tujuan dari penelitian ini adalah menemukan rute pengiriman barang yang meminimalkan biaya pengiriman dengan menggunakan sistem truck-drone dalam last mile. Pendekatan yang diusulkan untuk mencari rute optimal terdiri dari dua fase yaitu fase clustering dan routing. Dalam fase clustering menggunakan mean shift clustering untuk mengelompokkan lokasi pelanggan dan mencari lokasi parkir (pusat cluster). Dalam fase routing menggunakan algoritma genetika untuk menemukan rute optimal. Implementasi pada 90 pelanggan didapatkan penggunaan metode mean shift clustering diikuti oleh algoritma genetika, dapat menghasilkan rute optimal yang meminimalkan total biaya. Hal ini ditunjukkan dari penurunan biaya pada rute mean shift clustering mencapai 3,51% dibandingkan clustering dengan metode intuitif. Selain itu, analisis hasil juga mencerminkan bahwa penerapan mean shift clustering mampu mengurangi total jarak sebesar 27,93 % dan waktu tempuh sebesar 25,83 % delivery. ......Last-mile delivery is often considered the most expensive and less efficient stage. Some challenges in last-mile delivery include high costs, long delivery times, and the possibility of damaged goods. The use of a truck-drone system in last-mile delivery can be a solution to address these challenges. The objective of this research is to find delivery routes that minimize delivery costs using a truck-drone system in the last mile. The proposed approach to finding optimal routes consists of two phases: clustering and routing. In the clustering phase, mean shift clustering is used to group customer locations and identify parking locations (cluster centers). In the routing phase, a genetic algorithm is employed to find the optimal routes. The implementation on 90 customers showed that the use of mean shift clustering followed by a genetic algorithm could generate optimal routes that minimize the total cost. This is evident from the cost reduction in mean shift clustering routes by 3,51% compared to the initial clustering solution with intuitif method. Furthermore, the results analysis also reflects that the implementation of Mean Shift Clustering can reduce the total distance by 27.93% and travel time by 25.83%.