Optimasi resource-constrained project scheduling problem (RCPSP) menggunakan hybrid genetic algorithm dengan adaptive variable neighborhood search

Herawati, Silvi (2026) Optimasi resource-constrained project scheduling problem (RCPSP) menggunakan hybrid genetic algorithm dengan adaptive variable neighborhood search. Undergraduate thesis, Widya Mandala Surabaya Catholic University.

	Text (ABSTRAK) FIX ABSTRAK SKRIPSI SILVI.pdf Download (1MB)
	Text (BAB 1) BAB I.pdf Download (510kB)
	Text (BAB 2) OK BAB II SKRIPSI SILVI.pdf Restricted to Registered users only Download (777kB) | Request a copy
	Text (BAB 3) BAB III.pdf Restricted to Registered users only Download (617kB) | Request a copy
	Text (BAB 4) BAB IV.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text (BAB 5) BAB V.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text (BAB 6) BAB VI.pdf Download (517kB)

Abstract

Resource-Constrained Project Scheduling Problem (RCPSP) merupakan permasalahan penjadwalan proyek yang bertujuan meminimalkan makespan dengan tetap memenuhi hubungan preseden dan keterbatasan kapasitas sumber daya. Kompleksitas ruang solusi RCPSP menyebabkan Genetic Algorithm (GA) standar berpotensi mengalami konvergensi prematur karena kemampuan pencarian lokalnya terbatas. Penelitian ini bertujuan merancang dan mengevaluasi metode Hybrid Genetic Algorithm dengan Adaptive Variable Neighborhood Search (HGA-AVNS) serta membandingkan kinerjanya dengan GA standar dan Variable Neighborhood Search (VNS). GA digunakan untuk melakukan eksplorasi global, sedangkan AVNS memperbaiki solusi melalui tiga struktur neighborhood, yaitu swap, insert, dan reverse, yang dipilih secara adaptif. Data penelitian berasal dari Project Scheduling Problem Library (PSPLIB). Pengujian dilakukan dalam dua konfigurasi. Konfigurasi pertama terdiri atas 30 replikasi dengan seed berbeda pada instansi J601_1, J901_1, dan J1201_9 untuk mengevaluasi kestabilan algoritma. Konfigurasi kedua dilakukan satu kali pada setiap instansi J601_1–J601_10, J901_1–J901_10, dan J1201_1–J1201_10, sehingga mencakup 30 instansi, untuk mengevaluasi kinerja metode pada karakteristik permasalahan yang berbeda. Kinerja metode diukur berdasarkan makespan, runtime, dan deviasi terhadap Best Known Solution (BKS). Pada konfigurasi pertama, HGA-AVNS menghasilkan rata-rata makespan sebesar 77,00 pada J601_1, 81,67 pada J901_1, dan 126,93 pada J1201_9, dengan rata-rata deviasi masing-masing sebesar 0,00%, 11,87%, dan 13,33%. Pada konfigurasi kedua, HGA-AVNS menghasilkan rata-rata deviasi sebesar 0,55% pada kelompok J60, 2,52% pada J90, dan 6,32% pada J120. Hasil tersebut menunjukkan bahwa HGA-AVNS menghasilkan kualitas solusi yang lebih baik dibandingkan GA standar dan VNS berdasarkan rata-rata deviasi terhadap BKS. Hasil tersebut menunjukkan bahwa HGA-AVNS memberikan kontribusi positif dalam meningkatkan kualitas solusi RCPSP dan menghasilkan jadwal yang lebih dekat dengan BKS, meskipun peningkatan tersebut disertai kebutuhan waktu komputasi yang lebih tinggi.

Item Type:	Thesis (Undergraduate)
Department:	S1 - Teknik Industri
Contributors:	Contribution Contributors NIDN / NIDK Email Thesis advisor Karijadi, Irene NIDN717019205 UNSPECIFIED Thesis advisor Gunawan, Ivan NIDN722098801 UNSPECIFIED
Uncontrolled Keywords:	RCPSP, PSPLIB, genetic algorithm, adaptive variable neighborhood search, HGA-AVNS, makespan.
Subjects:	Engineering Engineering > Industrial Engineering
Divisions:	Faculty of Engineering > Industrial Engineering Study Program
Depositing User:	Silvi Herawati
Date Deposited:	22 Jul 2026 06:43
Last Modified:	22 Jul 2026 06:43
URI:	https://repositori.ukwms.ac.id/id/eprint/47439

Actions (login required)

View Item