Implementasi Capacitated Vehicle Routing Problem with Time Windows dengan Pendekatan Algoritma Sweep untuk Distribusi Pengangkutan Sampah

Vehicle Routing Problem (VRP) merupakan suatu permasalahan yang berkaitan dengan bagaimana menentukan rute yang dianggap optimal dan melibatkan lebih dari satu alat angkut demi memperhatikan beberapa kendala dalam melayani sejumlah tempat layanan sesuai dengan permintaan. Salah satu varian dari VRP adalah capacitated vehicle routing problem with time window (CVRPTW) varian ini menambahkan kendala kapasitas alat angkut sebagai salah satu pertimbangan didalam mengangkut ke masing masing tujuan dan kemudian memberikan jendela waktu didalam proses pengangkutannya. Tujuan dari penulisan ini adalah menjelaskan pembentukan model dari CVRPTW untuk permasalahan rute pengangkutan sampah dari tiap rumah Sampai Ke Tempat Pembuangan Akhir, dengan pertimbangan waktu yang tersedia dan kapasitas angkut alat angkut yang tersedia, Sedangkan Penyelesaiannya yaitu dengan menggunakan pendekatan algoritma sweep. Algoritma Ini merupakan algoritma yang terdiri dari dua tahap, pada tahapan pertama yaitu clustering dari masing masing rumah dan tahap selanjurtnya yaitu membentuk rute pengiriman untuk masing-masing cluster dengan metode Nearest Neighbour, kemudian dilanjutkan dengan menentukan kapasitas alat angkut terhadap waktu yang diperlukan untuk menentukan kapan sampah ini akan di angkut ke tempat pembuangan akhir. Studi ini sangat penting dilakukan dalam rangka menerapkan dasar untuk memahami kemungkinan meningkatkan tingkat layanan pada proses pengangkutan sampah di tingkat desa.

Modified Migrating Birds Optimization Algorithm: Multi-Depot Capacitated Vehicle Routing Problem

The multi-depot capacitated vehicle routing problem (MDCVRP) is a variation of the vehicle routing problem (VRP) modeled from distribution problems in the industrial world. This problem is a complex optimization problem in the field of operations research in applied mathematics. The MDCVRP is very interesting to discuss and find the best solution method. In this study, the authors apply the modified migrating birds' optimization (MMBO) algorithm, which is a hybrid of the migrating birds' optimization (MMBO) and iterated local search (ILS) algorithms. The purpose of this study is to analyze the results of applying the algorithm in solving MDCVRP. We used 20 MDCVRP data in simulation, grouped into four sizes (25, 50, 75, and 100 points). Based on the results of this research, it is known that the MMBO algorithm can produce the following solutions. First, on the data of 25 points, the experiment reaches the optimal value with small convergent iterations. Second, the best results on the data of 50 points have reached optimal value, but some other results have not been optimal. And, third, for data of 75 and 100 points, there is no optimal solution obtained by the MMBO algorithm. These results conclude that the MMBO algorithm effectively solves the MDCVRP problem with small data, but the bigger data, the more ineffective.Keywords: MDCVRP; VRP; optimization; operation research; applied Mathematics; MMBO. AbstrakMulti-depot capacitated vehicle routing problem (MDCVRP) adalah salah satu variasi dari vehicle routing problem (VRP) yang dimodelkan dari permasalahan distribusi di dunia industri. Permasalahan ini merupakan permasalahan optimasi kompleks dalam bidang riset operasi ilmu matematika terapan. MDCVRP sangat menarik untuk dibahas dan dicari metode penyelesaian terbaik. Dalam penelitian ini, penulis menerapkan algoritma modified migrating birds optimization (MMBO) yang merupakan hybrid algoritma migrating birds optimization (MBO) dan iterated local search (ILS). Tujuan penelitian ini adalah menganalisis hasil penerapan algoritma dalam menyelesaikan MDCVRP. Untuk simulasi, penulis menggunakan 20 data MDCVRP yang dikelompokkan menjadi empat ukuran (25, 50, 75, dan 100 titik). Berdasarkan hasil penelitian yang telah dilakukan, diketahui bahwa algoritma MMBO mampu menghasilkan solusi sebagai berikut. Pertama, Pada data 25 titik, percobaan mencapai nilai optimal dengan iterasi konvergen yang kecil. Kedua, Hasil terbaik pada data 50 titik telah mencapai nilai optimal namun sebagain hasil lainnya belum optimal. Dan ketiga, untuk data 75 dan 100 titik, tidak terdapat solusi optimal yang dihasilkan algoritma MMBO. Dari hasil tersebut dapat disimpulkan bahwa algoritma MMBO efektif untuk menyelesaikan MDCVRP data kecil, namun semakin besar datanya menjadi kurang efektif.Kata kunci: MDCVRP; VRP; optimasi; riset operasi; matematika terapan; MMBO.