http://repository.ipb.ac.id/handle/123456789/162420 Wed, 17 Jun 2026 17:05:37 GMT 2026-06-17T17:05:37Z http://repository.ipb.ac.id/handle/123456789/173445 Penyelesaian Multiple Travelling Salesman Problem dengan Improved K-Means Clustering dan Genetic Algorithm Hanadia, Haifa Multiple Travelling Salesman Problem (MTSP) bertujuan meminimalkan total jarak tempuh dengan tetap mempertimbangkan keseimbangan beban kerja antar-salesman. Penelitian ini menyelesaikan MTSP melalui pendekatan cluster-first route-second menggunakan algoritme Improved k-Means dan Genetic Algorithm (GA). Improved k-Means digunakan untuk membentuk klaster kota yang seimbang, sementara GA dengan berbagai operator genetik mencari rute near-optimal pada setiap klaster. Hasil penelitian menunjukkan Improved k-Means berhasil mendistribusikan beban kerja secara proporsional. GA terbukti menghasilkan rute konvergen, menunjukkan tingkat akurasi yang tergolong near-optimal terhadap solusi eksak (MILP). Analisis variasi salesman menunjukkan bahwa penambahan jumlah salesman cenderung meningkatkan total jarak global, tetapi pengaruhnya terhadap makespan dan keseimbangan beban kerja tidak selalu linear. Selain itu, peningkatan parameter GA tidak selalu signifikan mengurangi jarak tetapi tetap menambah waktu komputasi. Dengan demikian, kombinasi kedua algoritme ini terbukti efektif dalam menyelesaikan MTSP.; The Multiple Travelling Salesman Problem (MTSP) aims to minimize the total distance traveled while considering the balance of workload between salesman. This study solves the MTSP through a cluster-first route-second approach using the Improved k-Means algorithm and Genetic Algorithm (GA). Improved k-Means is used to form balanced city clusters, while GA with various genetic operators searches for near-optimal routes in each cluster. The results show that Improved k-Means successfully distributes the workload proportionally. GA is proven to produce convergent routes, showing a near-optimal level of accuracy compared to the exact solution (MILP). Analysis of salesman variation shows that increasing the number of salesman tends to increase the total global distance, while its effect on makespan and workload balance is not always linear. Furthermore, increasing the GA parameters did not always significantly reduce the distance but still increased the computation time. Thus, the combination of these two algorithms proved to be effective in solving the MTSP. Thu, 01 Jan 2026 00:00:00 GMT http://repository.ipb.ac.id/handle/123456789/173445 2026-01-01T00:00:00Z http://repository.ipb.ac.id/handle/123456789/173444 Analisis Kestabilan dan Bifurkasi Model Eko-Epidemiologi Mangsa–Pemangsa dengan Perilaku Kawanan dan Penyakit pada Mangsa Sujana, Mirlan Interaksi mangsa–pemangsa dengan penyakit pada mangsa merupakan kajian penting dalam ekologi matematika yang dikenal sebagai model eko-epidemiologi. Penelitian ini bertujuan merekonstruksi model eko-epidemiologi mangsa–pemangsa dengan perilaku kawanan dan penyakit pada mangsa, menganalisis kestabilan lokal beserta keberadaan bifurkasi, serta melakukan simulasi numerik untuk menggambarkan pengaruh parameter kritis terhadap dinamika sistem. Model dibangun berdasarkan asumsi mangsa rentan berkawanan dan mangsa terinfeksi meninggalkan kawanan dengan respons fungsional kombinasi Holling tipe II dan akar kuadrat. Analisis dilakukan melalui linearisasi sistem, penerapan kriteria Routh–Hurwitz, dan teorema Sotomayor, serta simulasi numerik menggunakan Wolfram Mathematica. Sistem memiliki lima titik tetap dengan tiga jenis bifurkasi yang teridentifikasi, yaitu bifurkasi pitchfork superkritikal, bifurkasi transkritikal antara dua pasang titik tetap, dan bifurkasi Hopf subkritikal pada titik tetap koeksistensi. Simulasi numerik menunjukkan bahwa laju infeksi, laju predasi terhadap mangsa terinfeksi, dan waktu penanganan pemangsa sangat menentukan kestabilan dan perilaku jangka panjang sistem.; Predator–prey interaction with disease in prey is an important subject in mathematical ecology known as an ecoepidemic model. This study aims to reconstruct a predator–prey ecoepidemic model with herd behavior and disease in prey, analyze local stability and the existence of bifurcations, and conduct numerical simulations to illustrate the effect of critical parameters on system dynamics. The model is constructed under the assumption that susceptible prey gather in herds while infected prey drift away from the herd, with a functional response combining Holling type II and square root functions. Analysis was performed through system linearization, application of the Routh–Hurwitz criteria and Sotomayor's theorem, and numerical simulations using Wolfram Mathematica. The system possesses five equilibrium points with three bifurcations identified: a supercritical pitchfork bifurcation, transcritical bifurcations between two pairs of equilibrium points, and a subcritical Hopf bifurcation at the coexistence equilibrium. Numerical simulations reveal that the force of infection, predation rate on infected prey, and predator handling time are critical in determining the stability and long-term behavior of the system. Thu, 01 Jan 2026 00:00:00 GMT http://repository.ipb.ac.id/handle/123456789/173444 2026-01-01T00:00:00Z http://repository.ipb.ac.id/handle/123456789/173396 Penjadwalan Perawat Berbasis Goal Programming dengan Mempertimbangkan Preferensi dan Keadilan Libur Akhir Pekan SUNDARI, FARAH ANNISA TRI Penjadwalan perawat merupakan bagian penting dalam operasional rumah sakit, khususnya pada unit yang beroperasi 24 jam. Namun, penyusunan jadwal secara manual memerlukan waktu lama, sulit mengakomodasi preferensi, serta belum menjamin pemerataan beban kerja. Penelitian ini bertujuan memodelkan penjadwalan perawat di IGD Rumah Sakit Anak dan Bunda Harapan Kita menggunakan metode non-preemptive goal programming. Model disusun dengan aturan operasional sebagai kendala utama, sedangkan aspek keadilan dan preferensi sebagai kendala tambahan yang mencakup pemerataan jam kerja, hari libur, libur akhir pekan, permintaan hari libur, dan distribusi shift. Model diimplementasikan dalam dua skenario dan diselesaikan menggunakan Python. Hasil penelitian menunjukkan bahwa kedua skenario memenuhi seluruh kendala utama dan menghasilkan jadwal yang lebih baik dibandingkan metode manual. Skenario pertama memberikan pemerataan beban kerja terbaik, sedangkan skenario kedua lebih baik dalam memenuhi preferensi perawat. Model ini dapat digunakan sebagai dasar penyusunan jadwal perawat yang lebih adil dan efisien. Thu, 01 Jan 2026 00:00:00 GMT http://repository.ipb.ac.id/handle/123456789/173396 2026-01-01T00:00:00Z http://repository.ipb.ac.id/handle/123456789/173395 Model Prediksi Hotspot Berbasis Variabel Iklim di Sumatera Selatan dan Sekitarnya Menggunakan XGBoost dengan Fitur Autoregresif Rizqi, Gilang Syahrul Kebakaran hutan dan lahan di Provinsi Sumatera Selatan ditandai oleh kemunculan hotspot yang dipengaruhi kondisi iklim dan pola waktu. Penelitian ini bertujuan menganalisis pengaruh variabel iklim terhadap jumlah hotspot serta membangun model prediksi menggunakan Extreme Gradient Boosting (XGBoost) dengan fitur autoregresif. Data deret waktu bulanan periode 2001-2025 diolah melalui prapemrosesan, seleksi fitur, dan validasi berbasis waktu. Hasil menunjukkan bahwa kelembapan tanah dan curah hujan berkorelasi negatif terhadap jumlah hotspot, sedangkan hari tanpa hujan dan indeks iklim global berkorelasi positif. Model XGBoost dengan fitur autoregresif memberikan kinerja terbaik dengan Explained Variance Score sebesar 78,9% dan kesalahan prediksi lebih rendah dibandingkan model tanpa fitur autoregresif. Hasil ini menunjukkan bahwa fitur autoregresif dapat meningkatkan akurasi prediksi hotspot.; Forest and land fires in South Sumatra are indicated by hotspot occurrences influenced by climate conditions and temporal patterns. This study aims to analyze the influence of climate variables on hotspot counts and to develop a prediction model using Extreme Gradient Boosting (XGBoost) with autoregressive features. Monthly time series data from 2001 to 2025 were processed through preprocessing, feature selection, and time-based validation. The results show that soil moisture and rainfall are negatively correlated with hotspot counts, while dry days and global climate indices are positively correlated. The XGBoost model with autoregressive features achieved the best performance with an Explained Variance Score of 78.9% and lower prediction errors than the model without autoregressive features. These findings indicate that autoregressive features improve hotspot prediction accuracy. Thu, 01 Jan 2026 00:00:00 GMT http://repository.ipb.ac.id/handle/123456789/173395 2026-01-01T00:00:00Z