Materi Seminar proposal IoT dan VRP Optimization S2 Binus

©2023 Binus University
Agnan Zakariya – 2402273861 – MTI Binus University 2023

DKI Jakarta sebagai kota metropolitan menghadapi tantangan
kompleks dalam pengelolaan sampah yang terintegrasi,
memunculkan kebutuhan akan solusi inovatif berbasis konsep
smart city dengan penerapan Internet of Things (IoT) dan
Algoritma Vehicle Routing Problem (VRP) untuk meningkatkan
efisiensi dan keberlanjutan tata kelola sampah.

Latar Belakang
DKI Jakarta sebagai kota
metropolitan menghadapi
tantangan kompleks dalam
pengelolaan sampah yang
terintegrasi dan berpotensi
meningkatkan produksi
sampah yang tinggi setiap
tahunnya.

Berdasarkan data Badan Pusat
Statistik Provinsi DKI Jakarta,
Jumlah penduduk menurut
Kabupaten/Kota di Provinsi DKI
Jakarta per 2020-2022, dengan
proyeksi di tahun 2023 berpotensi
mengalami produksi kenaikan
sampah yang terus naik secara
signifikan.
Latar Belakang

Latar Belakang
Kenaikan produksi sampah yang terus naik secara
signifikan. Menciptakan tantangan terhadap tata
kelola dan manajemen pengumpulan sampah yang
sifatnya terpadu dan efisien.
2020 2021 2022
Organik 4078.28 3888.19 3761.90
Anorganik 3466.79 3305.20 3749.84
Bahan Beracun dan Berbahaya 42.41 40.44 31.68
Jumlah 7587.49 7233.82 7543.42
Access Time: August 16, 2023, 7:29 pm
Jenis Sampah
Volume Sampah yang Terangkut per Hari Menurut Jenis Sampah di Provinsi DKI Jakarta (Ton)
Sumber : Dinas Lingkungan Hidup Provinsi DKI Jakarta
Source Url: https://jakarta.bps.go.id/indicator/152/916/1/volume-sampah-yang-terangkut-per-hari-menurut-jenis-sampah-di-
provinsi-dki-jakarta.html

Bagaimana mengevaluasi model-model
Algoritma yang dirancang khusus untuk
menyelesaikan permasalahan pada
pengelolaan tata kelola sampah ini
dengan pendekatan konsep IOT dan
penggunaan Framework yang diajukan
pada penelitian.

Tujuan penelitian ini adalah untuk mengevaluasi dan
mengoptimalkan penerapan Framework dengan
konsep Internet of Things (IoT) dan Algoritma Vehicle
Routing Problem (VRP) di DKI Jakarta, khususnya
Variable neighborhood search (VNS), Ant Colony
Optimization (ACO), dan Partical Swarm
Optimization (PSO), guna meningkatkan efisiensi dan
efektivitas pengelolaan tata kelola sampah.

Manfaat penelitian ini melibatkan kontribusi dalam
menentukan model Algoritma terbaik untuk
pengelolaan tata kelola sampah berbasis IoT dan
VRP di DKI Jakarta, memberikan metode efisien
dalam pengambilan rute sesuai dengan prinsip
good governance, serta mengurangi probabilitas
pengambilan acak pada rute sampah melalui
penerapan Framework yang lebih terfokus.

Mencakup penggunaan data sebaran lokasi Tempat
Pembuangan Sampah (TPS), implementasi konsep
Internet of Things (IoT) dengan sensor pendeteksi
ketinggian sampah, penerapan Algoritma Vehicle Routing
Problem (VRP) termasuk Variable neighborhood search
(VNS), Ant Colony Optimization (ACO), dan Partical
Swarm Optimization (PSO), serta pengolahan data
menggunakan bahasa pemrograman Python.

Penelitian
terdahulu
Publikasi Judul Solusi Evaluasi
(Daniel Schermer et
al., 2019)
A hybrid VNS/Tabu search
algorithm for solving the
vehicle routing problem with
drones and en route
operations
VNS Hybrid mengintegrasikan penggunaan drone dalam pengiriman jarak
pendek terakhir (last-mile delivery), dengan menggunakan
pendekatan Vehicle Routing Problem with Drones (VRPD)
yang melibatkan armada kendaraan, masing-masing
dilengkapi dengan sejumlah drone, untuk melayani
sekelompok pelanggan dengan makespan minimal.
(Sinaide Nunes
Bezerra et al., 2019)
A VNS-Based Algorithm with
Adaptive Local Search for
Solving the Multi-Depot Vehicle
Routing Problem
VNS Based memperkenalkan algoritma bernama VNSALS, berdasarkan
Variable Neighborhood Search (VNS) dengan Adaptive Local
Search (ALS), untuk menyelesaikan Multi-Depot Vehicle
Routing Problem (MDVRP), yang bertujuan untuk merancang
rute kendaraan untuk melayani semua pelanggan dengan
memperhatikan batasan jumlah kendaraan per depot,
kapasitas kendaraan, dan waktu maksimum untuk setiap
rute, dengan objektif meminimalkan total biaya transportasi.
(Wan Amir et al., 2018) Solving Vehicle Routing
Problem using Ant Colony
Optimisation (ACO) Algorithm
ACO Based Studi ini secara khusus fokus pada pembangunan model
masalah, penerapan ACO dengan meminimalkan kriteria
berhenti, dan penelitian parameter kontrol untuk
meningkatkan efektivitas algoritma. Hasil menunjukkan
bahwa set parameter kontrol terbaik adalah 20 semut (nAnt),
α = 1, β = 1, dan ρ = 0,05, dengan total rata-rata jarak tempuh
1057,839 km dan standar deviasi 25,913 km dari 20
percobaan. Kesimpulan dari penelitian ini menyoroti
keberhasilan penggunaan ACO dalam mengatasi VRP dan
pentingnya parameter tertentu seperti jumlah semut, alpha,
beta, dan rho dalam mendapatkan hasil optimal.

Penelitian
terdahulu
(Hongguang Wu et al.,
2023)
An ant colony optimization
based on local search for the
simultaneous pickup–delivery
and time window
ACO Hybrid Mengatasi tantangan dalam Vehicle Routing Problem with
Simultaneous Pickup–Delivery and Time Window
(VRPSPDTW) dengan mengusulkan penggunaan algoritma ant
colony optimization (ACO) dan mengembangkan ACO dengan
strategi destroy and repair (ACO–DR) untuk meningkatkan
kemampuan pencarian global dan mencegah jatuhnya
algoritma ke optimum lokal. Melalui pengujian pada
benchmark Solomon dan Gehring–Homberge, hasil
eksperimen menunjukkan bahwa ACO-DR tidak hanya
memecahkan permasalahan VRPSPDTW secara efektif, tetapi
juga memberikan implikasi praktis yang dapat diterapkan
dalam konteks permasalahan routing kendaraan secara
umum.
(M Okulewicz et al.,
2017)
The impact of particular
components of the PSO-based
algorithm solving the dynamic
vehicle routing problem
PSO Based Penelitian ini menyajikan dan menganalisis Two-Phase Multi-
Swarm Particle Swarm Optimizer (2MPSO) yang
menyelesaikan Dynamic Vehicle Routing Problem (DVRP).
Hasil penelitian menunjukkan bahwa keberhasilan 2MPSO
dapat diatribusikan pada tiga faktor utama: generasi solusi
awal dengan heuristik pengelompokan, optimalisasi
penugasan permintaan ke kendaraan dengan pendekatan
metaheuristik, dan pengalihan langsung solusi dari tahap
sebelumnya ke tahap berikutnya dalam prosedur
penyelesaian masalah. Selain itu, 2MPSO mengungguli hasil
rata-rata dari algoritma-algoritma lain yang terdapat dalam
literatur, baik dalam eksperimen terbatas waktu maupun
terbatas jumlah evaluasi fungsi kecocokan.
(R.J. Kuo et al., 2023) Application of improved multi-
objective particle swarm
optimization algorithm to solve
disruption for the two-stage
time windows
PSO Hybrid Mengatasi kompleksitas rantai pasokan global dengan
mengusulkan model matematis untuk Vehicle Routing
Problem with Time Windows (VRPTW) multi-obyektif, serta
mengembangkan algoritma untuk menyelesaikannya dengan
mempertimbangkan biaya total rantai pasokan dan emisi
karbon. Model ini juga memperhitungkan gangguan yang
umumnya terjadi dalam rantai pasokan, dengan merancang
VRPTW dua tahap untuk mengatasi gangguan. Hasil
komputasi menunjukkan bahwa algoritma optimasi partikel
multi-obyektif yang ditingkatkan (MOPSO) memiliki
hypervolume tertinggi dan spacing terendah, sehingga dapat
disimpulkan bahwa MOPSO yang ditingkatkan merupakan
algoritma terbaik untuk menangani gangguan dalam VRPTW
dua tahap.

Menjelaskan evaluasi efisiensi dan kelayakan implementasi
model VRP dalam konteks pengumpulan sampah di DKI
Jakarta. Evaluasi melibatkan pengukuran efisiensi rute
pengumpulan sampah, runtime performance, dan
kebutuhan sumber daya komputasi, termasuk penggunaan
CPU, memori, dan konsumsi energi. Selain itu, penelitian ini
juga mencakup visualisasi rute terbaik dan analisis total
sampah yang diangkut serta total jarak yang ditempuh oleh
truk sampah selama pengujian

Kerangka pikir dalam penelitian ini terdiri dari tiga
tahap yaitu:
• Tahap perencanaan
• Tahap implementasi
• Tahap evaluasi dan analisis.

Kerangka
Pikir
Tahap
Perencanaan
Tahap
Implementasi
Tahap
Analisis
dan
Evaluasi
Mulai Gagasan
Penelitian
Studi Literatur
Identifikasi Masalah
Pengumpulan
Data
Preprocessing Data
Implementasi
Model Optimisasi
VRP
Menjalankan
Governance
Framework
Analisis hasil model
dan data training
Evaluasi Perbandingan
Performa Model

Dalam penelitian ini menawarkan kerangka kerja yang
mana sifatnya adalah mengatur ketentuan yang relevan
dalam mengamati suatu kondisi yang real di lapangan
untuk mengoptimasi hasil Implementasi model VRP.
Sehingga model bisa memahami lebih jauh bagaimana
kondisi-kondisi yang dimungkinkan saat akan diproses.
Pada tahap ini data yang sudah dilakukan pre-processing
akan di olah kembali untuk masuk ke suatu kondisi yang
diatur pada Governance framework untuk mengikuti
suatu aturan yang ditetapkan.
Model Optimisasi VRP Governance Framework
- Menjalankan Algoritma VNS
- Menjalankan Algoritma PSO
- Menjalankan Algoritma ACO
- Filter data TPS dengan level
keterisian di atas 35%, jika dibawah
datanya tidak di prioritaskan
- Penghitungan dua titik jarak
menggunakan formula Haversine
- Melakukan penghitungan
kumulatif untuk daya angkut truk
sampah
- Menghitung hasil jarak terbaik
yang dilalui oleh truk sampah
- Melakukan break jika truk sampah
sudah memenuhi daya angkut
maksimum
- Memprioritaskan mengangkut
level sampah di atas 75%
- Jika ada 2 titik TPS atau lebih yang
levelnya sudah mencapai diatas
75%, maka prioritaskan jarak yang
terdekat. Dari titik truck saat ini.
- TPS yang akan dilalui oleh Truck
Sampah tidak akan dilalui kembali
oleh Truck lain.

Data yang akan digunakan dalam penelitian adalah
dataset dari website Dinas Lingkungan Hidup DKI
Jakarta yang sudah direkayasa dengan dikumpulkan,
dipisahkan, dan kemudian diberikan tambahan
informasi yang dibutuhkan. Dataset ini mencakup
1077 titik TPS yang tersebar dan di Kelola oleh Dinas
Lingkungan Hidup Jakarta.
id TPS Kabupaten Kecamatan Kelurahan Longitude Latitude
1 TPS PULAU HARAPAN KAB. KEPULAUAN SERIBU KEPULAUAN SERIBU UTARA PULAU HARAPAN -5.65432598 106.57896092
2 TPS PULAU TIDUNG KAB. KEPULAUAN SERIBU KEPULAUAN SERIBU SELATAN PULAU TIDUNG -5.797974 106.499458
3 TPS PULAU PARI KAB. KEPULAUAN SERIBU KEPULAUAN SERIBU SELATAN PULAU PARI -5.85903 106.61568
4 TPS PULAU KELAPA KAB. KEPULAUAN SERIBU KEPULAUAN SERIBU UTARA PULAU KELAPA -5.654265 106.570444
5 TPS PULAU KELAPA DUA KAB. KEPULAUAN SERIBU KEPULAUAN SERIBU UTARA PULAU KELAPA -5.650063333333334 106.56749833333333
6 TPS PULAU UNTUNG JAWA KAB. KEPULAUAN SERIBU KEPULAUAN SERIBU SELATAN PULAU UNTUNG JAWA -5.97778 106.70812
7 TPS PULAU PAYUNG KAB. KEPULAUAN SERIBU KEPULAUAN SERIBU SELATAN PULAU TIDUNG -5.82253 106.55382
8 TPS PULAU PANGGANG KAB. KEPULAUAN SERIBU KEPULAUAN SERIBU UTARA PULAU PANGGANG -5.7409244444444445 106.6026961111111
9 TPS PULAU SABIRA KAB. KEPULAUAN SERIBU KEPULAUAN SERIBU UTARA PULAU HARAPAN -5.2042984 106.4604278
10 TPS PULAU LANCANG KAB. KEPULAUAN SERIBU KEPULAUAN SERIBU SELATAN PULAU PARI -5.927322500000001 106.58549055555555
11 TPS PULAU PRAMUKA KAB. KEPULAUAN SERIBU KEPULAUAN SERIBU UTARA PULAU PANGGANG -5.744695 106.61520666666667
12 POOL GEROBAK CEMPAKA PUTIH BARAT IIKOTA ADM. JAKARTA PUSAT CEMPAKA PUTIH CEMPAKA PUTIH BARAT -6.174357 106.860763
13 DIPO RAWA KERBAU KOTA ADM. JAKARTA PUSAT CEMPAKA PUTIH CEMPAKA PUTIH TIMUR -6.185234 106.873574
14 LPS MARDANI RAYA KOTA ADM. JAKARTA PUSAT CEMPAKA PUTIH CEMPAKA PUTIH BARAT -6.180833333 106.8605556
15 LPS CEMPAKA PUTIH TENGAH XXXI KOTA ADM. JAKARTA PUSAT CEMPAKA PUTIH CEMPAKA PUTIH TIMUR -6.180277778 106.8711111
16 LPS CEMPAKA PUTIH TENGAH XXVII KOTA ADM. JAKARTA PUSAT CEMPAKA PUTIH CEMPAKA PUTIH TIMUR -6.173888889 106.8722222
17 LPS PERCETAKAN NEGARA IX RW 04 KOTA ADM. JAKARTA PUSAT CEMPAKA PUTIH RAWASARI -6.188888889 106.8616667
18 LPS MAHKAMAH AGUNG KOTA ADM. JAKARTA PUSAT CEMPAKA PUTIH CEMPAKA PUTIH TIMUR -6.181666667 106.8744444
19 ASRAMA POLISI KOTA ADM. JAKARTA PUSAT GAMBIR CIDENG -6.179444444 106.8125
20 POOL GEROBAK RW.04 GAMBIR BUNTU KOTA ADM. JAKARTA PUSAT GAMBIR GAMBIR -6.179166667 106.8338889
21 TPS RW 07 DAN RW 08 KOTA ADM. JAKARTA PUSAT GAMBIR PETOJO UTARA -6.1683619 106.8147294
22 DIPO TANJUNG SELOR KOTA ADM. JAKARTA PUSAT GAMBIR CIDENG -6.164166667 106.8013889
23 DIPO TANAH ABANG 1 KOTA ADM. JAKARTA PUSAT GAMBIR PETOJO SELATAN -6.171388889 106.8194444
24 WALIKOTA PUSAT KOTA ADM. JAKARTA PUSAT GAMBIR PETOJO SELATAN -6.173611111 106.82
25 POOL GEROBAK RW.01 PEJAMBON KOTA ADM. JAKARTA PUSAT GAMBIR GAMBIR -6.175833333 106.8325
26 TPS JL.BATU KOTA ADM. JAKARTA PUSAT GAMBIR GAMBIR -6.179166667 106.8338889
27 GANG 09 KOTA ADM. JAKARTA PUSAT GAMBIR KEBON KELAPA -6.160392 106.822839
28 RW 03 PETOJO SELATAN KOTA ADM. JAKARTA PUSAT GAMBIR PETOJO SELATAN -6.176666667 106.8155556
29 GEDUNG KONI KOTA ADM. JAKARTA PUSAT GAMBIR PETOJO SELATAN -6.171111111 106.8188889
30 DIPO JOHAR BARU KOTA ADM. JAKARTA PUSAT JOHAR BARU JOHAR BARU -6.181666667 106.8558333
31 DIPO KOTA PARIS KOTA ADM. JAKARTA PUSAT JOHAR BARU TANAH TINGGI -6.178055556 106.8516667
32 LPS PULO GUNDUL KOTA ADM. JAKARTA PUSAT JOHAR BARU TANAH TINGGI -6.180277778 106.8516667
33 DIPO KRAN KOTA ADM. JAKARTA PUSAT KEMAYORAN GUNUNG SAHARI SELATAN -6.157991 106.84569
34 LPS RW 06 KEBON KOSONG KOTA ADM. JAKARTA PUSAT KEMAYORAN KEBON KOSONG -6.157119 106.854098
35 LPS RUSUN APRON RW 10 KOTA ADM. JAKARTA PUSAT KEMAYORAN KEBON KOSONG -6.155555556 106.8527778
36 LPS RW 05 CEMPAKA BARU KOTA ADM. JAKARTA PUSAT KEMAYORAN CEMPAKA BARU -6.168161 106.867849
39 LPS SUDIRO KOTA ADM. JAKARTA PUSAT KEMAYORAN CEMPAKA BARU -6.170555556 106.8655556
40 LPS SUPRAPTO KOTA ADM. JAKARTA PUSAT KEMAYORAN CEMPAKA BARU -6.173888889 106.8561111
41 LPS PERUNGGU KOTA ADM. JAKARTA PUSAT KEMAYORAN HARAPAN MULIA -6.173611111 106.8522222
42 LPS KALIBARU TIMUR KOTA ADM. JAKARTA PUSAT KEMAYORAN UTAN PANJANG -6.167777778 106.8488889
43 TPS DAKOTA KEMAYORAN KOTA ADM. JAKARTA PUSAT KEMAYORAN KEBON KOSONG -6.153888889 106.8594444
44 LPS KEPU SELATAN KOTA ADM. JAKARTA PUSAT KEMAYORAN KEMAYORAN -6.168333333 106.8433333
45 LPS BENDA (JALI-JALI) KOTA ADM. JAKARTA PUSAT KEMAYORAN KEMAYORAN -6.164722222 106.8422222
46 LPS KEPU TIMUR KOTA ADM. JAKARTA PUSAT KEMAYORAN KEMAYORAN -6.164444444 106.8447222
47 LPS RW 02 TAMAN PIRUS KOTA ADM. JAKARTA PUSAT KEMAYORAN SUMUR BATU -6.164722222 106.8675
48 LPS KODAM RAYA KOTA ADM. JAKARTA PUSAT KEMAYORAN SUMUR BATU -6.165833333 106.8722222
49 LPS ARDALA KOTA ADM. JAKARTA PUSAT KEMAYORAN UTAN PANJANG -6.161944444 106.8541667
50 LPS SENGON KOTA ADM. JAKARTA PUSAT KEMAYORAN UTAN PANJANG -6.162222222 106.8538889
51 LPS GEMPOL KOTA ADM. JAKARTA PUSAT KEMAYORAN KEBON KOSONG -6.1625 106.8533333
52 LINTAS SUPRAPTO (MALAM) KOTA ADM. JAKARTA PUSAT KEMAYORAN HARAPAN MULIA -6.173888889 106.8561111
53 LINTAS BUNGUR KOTA ADM. JAKARTA PUSAT KEMAYORAN GUNUNG SAHARI SELATAN -6.162749 106.840366
54 TPS RSTA RW 10 KOTA ADM. JAKARTA PUSAT TANAH ABANG KEBON KACANG -6.191666667 106.815
55 TPS RUSUN PETAMBURAN KOTA ADM. JAKARTA PUSAT TANAH ABANG PETAMBURAN -6.197777778 106.8080556
56 DIPO PAM KOTA ADM. JAKARTA PUSAT TANAH ABANG BENDUNGAN HILIR -6.204722222 106.8097222
57 TPS RW 04 PETAMBURAN KOTA ADM. JAKARTA PUSAT TANAH ABANG PETAMBURAN -6.196111111 106.8088889
58 TPS RW 07 KARET TENGSIN KOTA ADM. JAKARTA PUSAT TANAH ABANG KARET TENGSIN -6.204444444 106.8108333
59 TPS RSTA RW 11 KOTA ADM. JAKARTA PUSAT TANAH ABANG KEBON KACANG -6.191944444 106.8186111
60 TPS RUSUN KEBON KACANG RW 11 KOTA ADM. JAKARTA PUSAT TANAH ABANG KEBON KACANG -6.187777778 106.8222222
61 TPSS RW 07 BENDUNGAN HILIR KOTA ADM. JAKARTA PUSAT TANAH ABANG BENDUNGAN HILIR -6.199166667 106.8108333
62 LPS KAMPUNG BALI 25 KOTA ADM. JAKARTA PUSAT TANAH ABANG KAMPUNG BALI -6.188333333 106.8180556
63 LPS TAMAN KB. SIRIH 1 KOTA ADM. JAKARTA PUSAT TANAH ABANG KAMPUNG BALI -6.1825 106.8175
64 POOL GEROBAK ABDUL JALIL KOTA ADM. JAKARTA PUSAT TANAH ABANG KARET TENGSIN -6.204444444 106.8188889

Tahap
Impementasi
Pengumpulan
Data
Pre-processing
Data
Implementasi
Model
Optimisasi
VRP
Menjalankan
Governance
Framework
Data diambil dari
Dabatase
Di extract ke local
hardrive menjadi
file xlsx
Melakukan
pengisian data
sintesis untuk data
yang kosong
Memproses data Ke
Model
File Report
Mengambil data
yang diperlukan
untuk di set menjadi
feature
Di extract ke local
hardrive menjadi file xlsx
Menjalankan Logic
Algoritma sesuai
dengan aturan

Test ini bertujuan untuk mengukur sejauh mana model VRP
yang diimplementasikan dapat meningkatkan efisiensi dalam
pengumpulan sampah. Ini melibatkan perbandingan antara rute
pengumpulan sampah sebelum dan setelah implementasi
model. Evaluasi efisiensi dapat dilakukan dengan menghitung
jarak total yang ditempuh oleh kendaraan pengumpul sampah
sebelum dan setelah implementasi model. Perbandingan ini
akan memberikan pemahaman tentang sejauh mana perjalanan
kendaraan telah dioptimalkan dan apakah terdapat
pengurangan jarak yang signifikan.
Tahap Koordinat Truk
(long,lat)
Jarak (KM) Tujuan
1 10,9 4 Truck Awal
2 6,9 4,242640687 TPS 26
3 3,6 4,242640687 TPS 2
4 6,3 1,414213562 TPS 8
5 7,4 2,828427125 TPS 16
6 5,2 1,414213562 TPS 21
7 6,1 2,236067977 TPS 12
8 8,2 1 TPS 30
9 9,2 1 TPS 3
10 9,3 2,236067977 TPS 14
11 8,5 7,211102551 TPS 19
12 4,11 0 Posisi Truk Terakhir
Tabel Report Total Angkut dan Total Jarak
Total sampah yang diambil oleh truk: 10892.00 kg
Total jarak rute terbaik: 31.83 KM
Tabel Report Detail TPS

Test ini bertujuan untuk mengukur seberapa cepat
model VRP dapat menghasilkan solusi optimal atau
suboptimal. Ini adalah evaluasi terhadap kinerja
waktu komputasi. Waktu eksekusi algoritma VRP
akan diukur mulai dari permulaan pengujian hingga
solusi ditemukan. Pengukuran waktu ini dapat
dilakukan dalam milidetik atau detik, tergantung
pada kompleksitas algoritma yang digunakan.
# Catat waktu awal eksekusi
start_time = time.time()
# ... (kode lainnya)
# Catat waktu setelah selesai eksekusi
end_time = time.time()
# Hitung lama eksekusi
execution_time = end_time - start_time
# Cetak lama eksekusi
print(f"Waktu eksekusi: {execution_time} detik")

Penelitian ini juga akan mengukur kebutuhan sumber daya komputasi perangkat mobile
konsumsi daya yaitu CPU, memori dan konsumsi energi, seperti terlihat di Table 3.7 dengan
mengeksekusi aplikasi beberapa input gambar secara bertahap, dengan diujikan untuk
benchmark setiap arsitektur. (Salar et al., 2016).
Model
CPU
Memory (MB) Power Battery (mW)
Load
(%)
Frequency
(MHz)
VNS x x x x
PSO x x x x
ACO x x x x

Untuk melatih kinerja model-model tersebut, penelitian ini menggunakan open source framework
seperti matplotlib, panda, math, khususnya folium untuk visualisasi peta dari model nantinya,
lalu Python 3.6, Pycharm community edition. Menggunakan PC dengan spesifikasi sebagai
berikut:
No Hardware dan software Spesifikasi
1 Memory 32Gb
2 Processor (CPU) Intel Core i7-8750 CPU @ 2.20 GHz x8
3 Graphics (GPU) GeForce GTX 1050 4GB
4 Operating system Linux Windows 10

Konsep dari prototyping ini sendiri mengandalkan
aplikasi mobile yang dapat digunakan oleh petugas
lapangan untuk memantau kondisi TPS, sehingga
dapat melakukan pencarian rute tarbaik sesuai
dengan kondisi realtime. Dengan dukungan
arsitektur yang seperti ini memungkinkan Sensor
untuk mengirim data secara realtime, sehingga
dapat memonitoring status TPS secara berkala.
Wireless
Mobile
App
Read Level of Waste in Bin
Waste Bin
Finding Best Route to Collect Waste from
TPS

Tahun
NO Kegiatan Bulan
Minggu 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
x
x
x x
x x x
x x x
x x x
x
x
x x x
x x
x
x x
x x
x x x
x
7. x x x x
Perbaikan hasil penelitian
6. Seminar hasil penelitian
a. Ujian sidang
b. Menyusun Laporan
5. Pengolahan dan penyusunan laporan hasil penelitian
a. Mengolah hasil penelitian
c. Test dan Evaluasi
b. Mengolah Algoritma
4. Pelaksanaan Penelitian
a. Mengolah dataset
3. Perbaikan Proposal
a. Perbaikan Materi
b. Presentasi Sempro
2. Seminar Proposal
a. Menyusun materi
e. Penyusunan BAB 2
f. Penyusunan BAB 3
c. Bimbingan
d. Penyusunan BAB 1
a. Studi Literatur
b. Observasi
1. Menyusun Proposal
Oktober November Desember J
anuari Februari Maret
2023 - 2024

Materi Seminar proposal IoT dan VRP Optimization S2 Binus

Recommended

Recommended

More Related Content

Similar to Materi Seminar proposal IoT dan VRP Optimization S2 Binus

Similar to Materi Seminar proposal IoT dan VRP Optimization S2 Binus (20)

Recently uploaded

Recently uploaded (20)

Materi Seminar proposal IoT dan VRP Optimization S2 Binus