Abstract
Cat Swarm Optimization (CSO) algorithm is a metaheuristic algorithm which is based on two behaviors of cat, seeking and tracing. CSO algorithm is used in solving optimization problems. One of the optimization problems which can be seen in daily life is Job Shop Scheduling Problem (JSSP). This study aimed to observe the performance of CSO algorithm in solving JSSP. This study focused on 5 job-12 machine cases. According to this study, CSO algorithm was effective in solving real case of JSSP in 5 jobs – 12 machines scheduling at CV Mitra Niaga Indonesia agriculture tools industry. In implementing CSO algorithm in JSSP, a correct parameter choosing could lead to an optimal result. On other hand, the greater the number of jobs or machines the more complex and difficult the JSSP that needed to be solved.
Highlights
Cat Swarm Optimization (CSO) algorithm is a metaheuristic algorithm which is based on two behaviors of cat, seeking and tracing
Job Shop Scheduling Problem (JSSP) merupakan permasalahan optimasi kombinatorial yang bertujuan untuk mendapatkan urutan terbaik operasi mesin-mesin dengan waktu penyelesaian seluruh pekerjaan yang minimum (Suyanto, 2010)
Optimasi Masalah Penjadwalan Job-Shop Untuk Industri Peralatan Pengolahan Hasil Pertanian Dengan Menggunakan Algoritma Genetika
Summary
Algoritma Cat Swarm Optimization (CSO) merupakan salah satu algoritma metaheuristik yang diusulkan oleh Shu-Chu Chu dan Pei-Wei Tsai pada tahun 2006. Cat Swarm Optimization (CSO) adalah algoritma yang diusulkan oleh Shu-Chuan Chu dan Pei-Wei Tsai pada tahun 2006. MR harus bernilai kecil untuk memastikan bahwa kucing menghabiskan sebagian besar waktu kucing dalam posisi seeking mode (Chu & Tsai, 2007). SMP digunakan untuk menentukan berapa banyak jumlah kucing tiruan yang akan dibuat, SRD atau mencari rentang dimensi terpilih, CDC menentukan dimensi yang akan berubah, dan SPC mempertimbangkan apakah posisi saat ini menjadi salah satu kandidat (Chu & Tsai, 2007). Langkah-langkah seeking mode dapat dideskripsikan dalam 5 tahap sebagai berikut (Chu & Tsai, 2007): Langkah 1: Bangkitkan tiruan dari posisi kucing ke- , dengan. Untuk menyelesaikan permasalahan kucing yang menjauhi solusi dan terperangkap pada optimum lokal, CSO dimodifikasi dengan menambahkan parameter baru berupa nilai inertia weight ( ) yaitu, CSO dengan inertia. Pada nilai inertia weight ( ) berubah secara acak dalam tracing mode, sehingga kecepatan pada persamaan (3) menjadi:
Sign-in/Register to view highlights & summary Sign-in/Register to access full text options 
Free) 
Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have
Schedule a call
