See

discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/266245214

PENERAPAN ALGORITMA HARMONY SEARCH

DALAM PENYELESAIAN RESOURCE-
CONSTRAINED PROJECT SCHEDULING...

Article

CITATION READS

1 430

2 authors, including:

Budi Santosa
Institut Teknologi Sepuluh Nopember
36 PUBLICATIONS 71 CITATIONS

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

metaheuristik untuk industri View project

All content following this page was uploaded by Budi Santosa on 04 September 2015.

The user has requested enhancement of the downloaded file. All in-text references underlined in blue are added to the original document
and are linked to publications on ResearchGate, letting you access and read them immediately.
 PENERAPAN ALGORITMA HARMONY SEARCH DALAM PENYELESAIAN
RESOURCE-CONSTRAINED PROJECT SCHEDULING PROBLEM

Achmad Setiawan, Ir. Budi Santosa, M.Sc., Ph.D

Jurusan Teknik Industri
Institut Teknologi Sepuluh Nopember (ITS) Surabaya
Kampus ITS Sukolilo Surabaya 60111
Email: superwawan1988@yahoo.co.id ; budi_s@ie.its.ac.id

Abstrak
Resource-Constrained Project Scheduling Problem (RCPSP) adalah masalah penjadwalan
aktivitas pada proyek dengan kendala sumber daya terbatas dengan tujuan untuk meminimalkan
durasi proyek. Masalah yang dihadapi pada proses penjadwalan ini adalah adanya keterbatasan
sumber daya yang tersedia, kemudian tingkat kesulitan dalam menjadwalkan akan meningkat jika
jumlah aktivitasnya banyak serta multi-resources. Oleh karena itu, pada penelitian ini dilakukan
percobaan menggunakan algoritma Harmony Search (HS) untuk menyelesaikan permasalahan
yang ada. Pada penelitian ini digunakan algoritma Particle Swarm Optimization (PSO) sebagai
algoritma pembanding terhadap hasil algoritma HS pada penyelesaian RCPSP. Berdasarkan
penelitian yang telah dilakukan maka terlihat bahwa kualitas solusi yang dihasilkan algoritma HS
sama dengan algoritma PSO, namun dilihat dari sisi waktu komputasi, maka waktu komputasi
algoritma HS lebih cepat daripada algoritma PSO. Oleh karena itu, apabila ditinjau dari segi
waktu komputasi, maka performansi algoritma HS pada penyelesaian RCPSP lebih baik daripada
algoritma PSO.

Kata Kunci : Metaheuristik, Harmony Search, Resource-Constrained Project Scheduling Problem

ABSTRACT
Resource-Constrained Project Scheduling Problem (RCPSP) is the problem of scheduling
activities on the project with limited resources in order to minimize the duration of the project. The
problem faced in this scheduling process is the limited resources, then the level of difficulty in this
scheduling will increase if there are so many activities to be scheduled and multi-resources.
Therefore in this research, the experiment of using Harmony Search (HS) algorithm to solve
existing problem is done. This research use the Particle Swarm Optimization (PSO) algorithm as a
comparison algorithm of HS algorithm results on solving RCPSP. Based on research that has been
done, it is known that the quality of HS algorithm solution is as good as the PSO algorithm, but in
term of computing time, the HS algorithm is faster than the PSO algorithm. Therefore, in term of
computing time, the HS algorithm performance on solving RCPSP is better than the PSO
algorithm.

Key Words : Metaheuristic, Harmony Search, Resource-Constrained Project Scheduling

Problem

1. Pendahuluan menyebabkan adanya tambahan biaya yang

Pendekatan penjadwalan proyek secara cukup besar.
tradisional seperti Critical Path Method (CPM) Resource-Constrained Project
dan Program Evaluation and Review Technique Scheduling Problem (RCPSP) adalah masalah
(PERT) hanya berfokus pada hubungan penjadwalan aktivitas-aktivitas pada proyek
ketergantungan antar aktivitas dengan dengan kendala sumber daya terbatas. RCPSP
menggunakan asumsi ketersediaan sumber daya termasuk masalah kombinatorial yang sulit
yang tidak terbatas. Namun, dalam untuk dipecahkan. Berbagai metode seperti
kenyataannya manajer proyek sering mengalami metode analitis dan metode heuristik telah
kesulitan dalam menjadwalkan suatu proyek dicoba untuk menyelesaikan kasus RCPSP.
dikarenakan keterbatasan sumber daya yang Metode analitis seringkali mengadopsi model-
tersedia. Kemudian apabila dipaksakan adanya model matematika seperti integer programming
tambahan sumber daya, maka akan (Talbot, 1982) dan dynamic programming
(Gavish, 1991) untuk mencari solusi yang
optimal. Namun demikian, metode analitis tidak
memungkinkan untuk diterapkan apabila
masalah yang menjadi obyek penelitian
berukuran sangat besar dan sangat kompleks
(Lee, 1996).
Metode heuristik untuk penyelesaian
kasus RCPSP bertujuan untuk mencari solusi
yang optimal secara efisien (Boctor, 1990).
Metode heuristik yang ada menggunakan aturan
prioritas seperti Shortest Activity Duration
(SAD), Minimum Late Finish Time (MILFT),
atau Minimum Total Float (MITF) untuk
menentukan aktivitas mana yang akan
dijadwalkan terlebih dahulu. Namun demikian,
tidak ada aturan prioritas yang mendominasi
yang lain atau menunjukkan hasil yang lebih
baik daripada yang lain secara konsisten (Davis,
1975). Selain itu, solusi yang dihasilkan dari
penggunaan metode heuristik seringkali bersifat
lokal optimal (Patterson, 1984).
Seiring dengan berjalannya waktu, maka
telah diterapkan beberapa metode metaheuristik
untuk penyelesaian kasus RCPSP seperti genetic
algorithm (Chan, 1996), ant colony optimization
(Merkle, 2002), dan particle swarm
optimization (Zhang, 2006). Genetic Algorithm
(GA) melakukan pencarian solusi yang optimal
dari kromosom-kromosom yang
merepresentasikan jadwal dimana kromosom-
kromosom tersebut diproduksi melalui cross-
over dan mutation. Mekanisme updating
kromosom membuat GA mampu keluar dari
solusi yang bersifat lokal optimal. Oleh karena
itu, GA lebih unggul daripada metode analitis
dan metode heuristik. Namun demikian, terdapat
kekurangan dalam performansi GA yaitu proses
konvergensi yang lambat (Fogel, 1995).
Penerapan Ant Colony Optimization (ACO)
pada kasus RCPSP rata-rata menunjukkan hasil
yang lebih baik dibandingkan dengan GA.
Sedangkan performansi Particle Swarm
Optimization (PSO) dilihat dari segi kualitas
solusi menunjukkan hasil yang sama dengan
GA.
Beberapa metode metaheuristik seperti
GA, ACO, dan PSO telah diuji cobakan pada
kasus RCPSP. Oleh karena itu, pada penelitian
kali ini akan dicoba metode metaheuristik yang
lain yaitu Harmony Search (HS). Algoritma HS
dipilih sebagai metode yang akan digunakan
dalam penelitian ini karena algoritma ini
menunjukkan hasil yang bagus ketika digunakan
untuk menyelesaikan beberapa masalah
optimasi. Hal ini dikarenakan algoritma ini
mempunyai beberapa kelebihan misalnya pitch
adjustment yang dapat melakukan proses
perbaikan pada solusi yang bersifat lokal
optimal dan struktur algoritma HS relatif mudah
(Geem, 2009). Selain itu, penelitian kasus
RCPSP dengan menggunakan algoritma HS
belum pernah dilakukan oleh peneliti-peneliti
yang lain.
Permasalahan dalam penelitian ini
adalah sulitnya menjadwalkan aktivitas-aktivitas
proyek dikarenakan keterbatasan sumber daya
yang tersedia. Tingkat kesulitan dalam
melakukan proses penjadwalan akan meningkat
jika jumlah aktivitasnya banyak dan multi-
resources. Apabila proses penjadwalan ini
dilakuakan secara manual, maka akan
menyebabkan munculnya banyak alternatif
jadwal yang sulit dicari yang optimal.
Tujuan yang ingin dicapai dalam
penelitian Tugas Akhir ini adalah untuk
mengetahui performansi algoritma HS pada
penyelesaian RCPSP dibandingkan dengan
algoritma yang lain yaitu algoritma PSO. Selain
itu, pada penelitian ini terdapat batasan dan
asumsi yang digunakan untuk memperjelas
ruang lingkup penelitian. Penelitian Tugas
Akhir ini dibatasi pada kasus Single-Mode
Resource-Constrained Project Scheduling
Problem (SMRCPSP). Kemudian beberapa
asumsi yang digunakan dalam penelitian Tugas
Akhir ini antara lain: kapasitas sumber daya
yang tersedia untuk tiap periode adalah tetap
dan tidak ada preemption, artinya suatu aktivitas
yang sedang berjalan tidak dapat dihentikan.
2. Deskripsi RCPSP
Masalah penjadwalan proyek dapat
dilihat dari beberapa sudut pandang seperti
tujuannya, bentuk-bentuk sumber daya yang
diperlukan pada setiap aktivitas proyek, dan ada
tidaknya kondisi preemption. Meminimasi
durasi proyek seringkali digunakan sebagai
fungsi tujuan secara umum dari masalah
penjadwalan proyek. Sedangkan fungsi tujuan
yang lain adalah minimasi total biaya proyek,
maksimasi Net Present Value (NPV) dari cash
flow, dan pelevelan penggunaan sumber daya.
Sumber daya yang diperlukan oleh aktivitas
proyek bisa bertipe satu jenis atau lebih dari satu
jenis. Berdasarkan bisa atau tidaknya suatu
2
sumber daya untuk diperbarui, maka terdapat $ = waktu mulai aktivitas i
sumber daya yang dapat diperbarui dan sumber Persamaan (1) merepresentasikan fungsi tujuan
daya yang tidak dapat diperbarui. Sumber daya dari RCPSP. Persamaan (2) merepresentasikan
yang dapat diperbarui adalah sumber daya yang precedence constraints. Persamaan (3)
bisa digunakan kembali setelah diselesaikannya merepresentasikan resource constraints.
suatu aktivitas proyek seperti tenaga kerja. Berikut ini adalah contoh visualisasi
Sedangkan sumber daya yang tidak dapat dari RCPSP (Merkle, 2002):
diperbarui adalah sumber daya yang tidak bisa
digunakan kembali setelah diselesaikannya
suatu aktivitas proyek seperti uang. Kondisi
preemption berarti suatu kondisi dimana
aktivitas yang sedang berjalan dapat dihentikan
dengan suatu alasan tertentu misalnya terdapat
aktivitas lain yang ingin dijadwalkan pada
periode tersebut. Sedangkan kondisi non-
preemption berarti suatu aktivitas yang sedang
berjalan tidak dapat dihentikan.
Resource-Constrained Project
Scheduling Problem (RCPSP) adalah masalah
penjadwalan aktivitas-aktivitas pada proyek
dimana harus memenuhi precedence constraints Gambar 1. Visualisasi RCPSP
dan resource constraints. Precedence
constraints adalah suatu kendala dimana
aktivitas pendahulu harus sudah selesai Apabila pada kasus diatas jumlah sumber daya
dijadwalkan sebelum aktivitas yang lain yang tersedia sebanyak 4 unit, maka salah satu
dijadwalkan. Resource constraints adalah suatu bentuk jadwal yang bisa dibuat akan diberikan
kendala dimana sumber daya yang diperlukan sebagai berikut :
oleh setiap aktivitas pada setiap unit waktu tidak
boleh melebihi kapasitas sumber daya yang
tersedia. Berikut ini adalah formulasi
matematika dari RCPSP dengan fungsi tujuan
untuk meminimasi durasi proyek (Talbot, 1982;
Patterson, 1984):
minmax  |  1,2, … ,  ………...………(1)
subject to :      ……………………..(2)
   ;   1,2, … , 
∑     …………………….(3)
!  1,2, … , " ; #  $% , $& , … , $'
dimana N = jumlah aktivitas yang terdapat pada
proyek Gambar 2. Visualisasi Bentuk Jadwal
 = waktu penyelesaian aktivitas i
(  1,2, … , )
Berikut ini adalah beberapa variasi
 = durasi aktivitas i
dalam RCPSP (Kolisch, 1996) :
 = predecessor aktivitas i
 = jumlah sumber daya tipe k yang 1. Single-Mode Resource-Constrained Project
tersedia (!  1,2, … , ")
K = jumlah tipe sumber daya
  = jumlah sumber daya tipe k yang
diperlukan oleh aktivitas i
() =sekelompok aktivitas yang
berjalan pada waktu ke-t
Scheduling Problem (SMRCPSP)
Pada SMRCPSP, setiap aktivitas
proyek memiliki mode eksekusi tunggal.
Durasi aktivitas dan kebutuhan terhadap
suatu set sumber daya diasumsikan tetap.
Fungsi tujuan secara umum pada
SMRCPSP adalah meminimasi durasi
$     proyek.

3
2. Multi-Mode Resource-Constrained Project pengubahan frekuensi nada, hal itu berarti
Scheduling Problem (MMRCPSP) membangkitkan nilai yang sedikit berbeda pada
Pada MMRCPSP, setiap aktivitas algoritma HS. Berikut ini adalah formulasi
proyek dapat dieksekusi dalam beberapa penyesuaian nada:
mode. Setiap mode menggambarkansuatu
set sumber daya yang diperlukan oleh
aktivitas proyek dan durasi aktivitas proyek
tersebut. Fungsi tujuan secara umum pada
MMRCPSP adalah meminimasi durasi
proyek.
3. Prinsip Algoritma Harmony Search
Algoritma Harmony Search (HS)
pertama kali diperkenalkan oleh Zong Woo
Geem pada tahun 2001. Ide dasar algoritma HS
adalah meniru proses perbaikan harmoni musik
yang dilakukan oleh kelompok paduan musik.
Ketika kelompok paduan musik melakukan
perbaikan pada harmoni musik yang dimainkan,
maka akan terdapat tiga kemungkinan pilihan,
antara lain memainkan harmoni musik yang
6789  6:;< = 45 > ? ……………….…….(4)
dimana 6789 = nada baru setelah dilakukan
penyesuaian nada
6:;< = nada yang tersimpan pada
harmony memory
45= bandwidth
? = bilangan random dengan interval
@1,1A
PAR yang bernilai rendah dengan bandwidth
yang sempit dapat menyebabkan proses
konvergensi lambat dikarenakan keterbatasan
eksplorasi pada ruang pencarian yang besar.
Pada sisi lain, PAR yang tinggi dengan
bandwidth yang lebar dapat menyebabkan
solusi-solusi yang ada terlalu menyebar dari
potensi solusi optimal. Oleh karena itu, biasanya
terkenal berdasarkan ingatan mereka,
memainkan harmoni musik yang serupa dengan
harmoni musik yang terkenal namun ada sedikit
penyesuaian, atau membuat harmoni musik
yang baru. Geem (2001) memformulasikan
ketiga pilihan ini pada proses optimasi secara
kuantitatif. Ketiga komponen tersebut
diformulasikan menjadi penggunaan harmony
memory, penyesuaian nada, dan proses
pembangkitan secara random.
Penggunaan harmony memory sangat
penting karena harmony memory tersebut bisa
menjamin bahwa harmoni yang bagus akan
dipertimbangkan sebagai elemen-elemen dari
vektor solusi yang baru. Agar harmony memory
dapat digunakan secara efektif, algoritma HS
mengadopsi sebuah parameter yang disebut
Harmony Memory Considering Rate (HMCR).
digunakan PAR  0.1~0.5.
Berikut ini adalah langkah-langkah
dari algoritma HS:
1. Inisialisasi masalah dan parameter
algoritma.
2. Inisialisasi harmony memory.
3. Membangkitkan vektor solusi yang
baru.
4. Meng-update harmony memory.
5. Mengecek kriteria pemberhentian.
Langkah pertama dari algoritma HS
adalah inisialisasi masalah dan parameter
algoritma. Berikut ini adalah contoh masalah
optimasi:
min D6 E ………...………………………...(5)
subject to 6  F …........................................(6)
Jika rate ini terlalu rendah, maka hanya sedikit
harmoni elit yang terpilih dan juga dapat
menyebabkan proses konvergensi terlalu lambat.
Jika rate ini terlalu besar, maka akan
menyebabkan nada-nada pada harmony memory
banyak terpakai dan tidak sempat
mengeksplorasi nada lain, dimana pada akhirnya
sulit mencapai solusi yang bagus. Oleh karena
  1,2, … ,  ; G  F  H
dimana D6 E = fungsi tujuan
6 = variabel keputusan ke-i
F = interval variabel keputusan ke-i
 = jumlah variabel keputusan
G = batas bawah variabel keputusan
ke-i
itu, biasanya digunakan HMCR  0.7~0.95.
Komponen kedua adalah penyesuaian
nada dimana mempunyai beberapa parameter
seperti bandwidth (45) dan Pitch Adjusting
Rate (PAR). Penyesuaian nada musik berarti
H = batas atas variabel keputusan ke-i
Kemudian parameter algoritma HS terdiri dari
Harmony Memory Size (HMS), HMCR, PAR,
bandwidth, dan kriteria pemberhentian.
4
 Langkah kedua dari algoritma HS
adalah inisialisasi harmony memory. Pada tahap
ini dibangkitkan matriks harmony memory
secara random yang bersisi vektor-vektor solusi
sebanyak HMS. Berikut ini adalah contoh
matriks harmony memory:
 x11 x12 .... x 1N −1 x 1N 
 2
 x1 x 22 .... x N2 −1 x N2 
 .... .... .... .... .... 
 HMS −1
 x1 x 2HMS −1 .... x NHMS
−1
−1
x NHMS −1 
 x HMS x 2HMS .... x NHMS x NHMS 
 1 −1
Gambar 3. Matriks Harmony Memory
Langkah ketiga dari algoritma HS
adalah membangkitkan vektor solusi yang baru
(6 ′ ). Pembangkitan vektor solusi yang baru
didasarkan pada tiga aturan antara lain
penggunaan harmony memory, penyesuaian
nada, dan proses pembangkitan secara random.
Pada aturan pertama, vektor solusi yang baru
diambil dari harmony memory apabila saat itu
nilai dari bilangan random yang dibangkitkan
untuk pertama kalinya dibawah HMCR dan
bilangan random yang dibangkitkan untuk
kedua kalinya diatas PAR. Nilai dari variabel
keputusan pertama pada vektor solusi yang baru
(6%′ ) diambil dari harmony memory dengan
memilih salah satu nilai pada interval 6%% ~6%IJK.
Nilai dari variabel keputusan yang lain
(6&′ , 6L′ , … , 6'′ ) ditentukan dengan cara yang
sama. Pada aturan kedua, pembangkitan vektor
solusi yang baru dilakukan melalui proses
penyesuaian nada. Apabila nilai bilangan
random yang dibangkitkan untuk pertama
kalinya dibawah HMCR dan bilangan random
yang dibangkitkan untuk kedua kalinya dibawah
PAR, maka akan dilakukan proses penyesuaian
nada. Berikut ini adalah rumus penyesuaian
nada:
Pada aturan ketiga, vektor solusi yang baru
dibangkitkan secara random dengan nilai
interval yang memungkinkan (6 ′  F ). Hal
terjadi apabila nilai dari bilangan random yang
dibangkitkan untuk pertama kalinya diatas
HMCR. Pada aturan ketiga tidak ada
pembangkitan bilangan random untuk kedua
kalinya karena nilai bilangan random yang
dibangkitkan untuk pertama kalinya diatas
 HMCR.
Langkah keempat dari algoritma
 HSadalah meng-update harmony memory.
Apabila nilai vektor solusi yang baru lebih baik
daripada nilai vektor solusi terjelek pada
harmony memory dilihat dari sudut pandang
nilai fungsi tujuan, maka vektor solusi yang
baru akan dimasukkan ke dalam harmony
memory dan vektor solusi terjelek pada harmony
memory akan dikeluarkan. Apabila nilai vektor
solusi yang baru lebih buruk daripada nilai
vektor solusi terjelek pada harmony memory,
maka tidak akan terjadi perubahan pada
harmony memory.
Langkah kelima dari algoritma HS adalah
mengecek kriteria pemberhentian. Apabila
kriteria pemberhentian telah tercapai maka
iterasi dihentikan, apabila belum tercapai maka
kembali ke langkah tiga. Terdapat beberapa
macam kriteria pemberhentian antara lain
jumlah iterasi maksimal, tidak terjadinya
perubahan solusi setelah beberapa iterasi, dan
lain-lain.
4. Penerapan Algoritma HS pada
Penyelesaian RCPSP
Penerapan algoritma HS agar dapat
menyelesaikan RCPSP ditunjukkan flowchart
pada gambar 4. Berikut ini adalah penjelasan
dari flowchart penerapan algoritma HS pada
RCPSP:
1) Inisialisasi Masalah
Pada tahap ini diperkenalkan masalah yang
akan diselesaikan. Masalah dalam
6 ′  6 = 45 > ? ………………………….(7) penelitian ini adalah RCPSP dengan fungsi
dimana 6 ′ = nada baru setelah dilakukan tujuan meminimasi durasi proyek.
penyesuaian nada Sedangkan kendala yang muncul adalah
precedence constraints dan resource
6 = nada yang tersimpan pada
constraints.
harmony memory
45 = bandwidth 2) Memasukkan Data RCPSP
Data yang diperlukan untuk menyelesaikan
? = bilangan random dengan interval kasus RCPSP adalah indeks aktivitas,
@1,1A

5
 Gambar 4. Flowchart Penerapan Algoritma HS pada RCPSP

durasi aktivitas, kebutuhan sumber daya aktivitas proyek. Kemudian pada

oleh tiap aktivitas, precedence constraints, setiap iterasi, nilai prioritas aktivitas
dan jumlah sumber daya yang tersedia. akan di-update melalui mekanisme
3) Inisialisasi Parameter Algoritma HS algoritma HS. Berikut ini adalah
penulisan vektor solusi yang
Beberapa parameter dari algoritma HS
merepresentasikan nilai prioritas
adalah HMS, HMCR, PAR, bandwidth, dan
aktivitas proyek:
kriteria pemberhentian.
F  @6% 6& … 6'M%
6' A …….(8)
4) Inisialisasi HarmonyMemory
dimana X = vektor solusi
• Pada tahap ini dibangkitkan vektor i = indeks vektor solusi
solusi secara random. x = nilai prioritas aktivitas
Vektor solusi pada algoritma HS N = banyaknya aktivitas
merepresentasikan nilai prioritas

6
 • Setelah vektor solusi terbentuk, maka • Apabila bilangan random yang
dilakukan transformasi vektor solusi dibangkitkan diatas HMCR maka akan
kedalam bentuk jadwal yang feasible dibangkitkan variabel keputusan yang
melalui skema paralel. Berikut ini baru secara random.
adalah langkah-langkah yang VKB(i) = rand[BB(i),BA(i)] ...........(9)
diperlukan untuk menjadwalkan dimana VKB = variabel keputusan
proyek dengan skema paralel: baru

Menentukan waktu penjadwalan BB = batas bawah variabel
terbaru dimana waktu ini akan keputusan
sama dengan waktu BA = batas atas variabel
penyelesaian paling awal dari keputusan
aktivitas-aktivitas yang telah
dijadwalkan sebelumnya. • Apabila bilangan random yang

Mengumpulkan aktivitas- dibangkitkan dibawah HMCR dan
aktivitas yang feasible dimana pembangkitan bilangan random
aktivitas-aktivitas tersebut harus berikutnya diatas PAR, maka variabel
memenuhi precedence keputusan ke-i akan diambil dari
constraints dan resource
harmony memory.
constraints.

Memilih sebuah aktivitas dari D1 = int[1+(HMS-1)rand] ............(10)
aktivitas-aktyivitas yang D2 = HM(D1,i) .............................(11)
feasible dengan cara memilih VKB(i) = D2 .................................(12)
aktivitas yang memiliki nilai dimana D1 = nilai yang menyatakan
prioritas yang lebih tinggi pemilihan lokasi pada
daripada yang lain. harmony memory secara

Menjadwalkan aktivitas yang random
terpilih. Apabila terdapat int = integer
aktivitas-aktivitas yang belum
dijadwalkan maka proses D2 = nilai variabel
penjadwalan kembali ke keputusan yang
langkah 1. diambil dari
• Setelah proses penjadwalan dilakukan harmony memory
maka durasi proyek dapat diketahui. • Apabila bilangan random yang
• Vektor solusi dibangkitkan sebanyak dibangkitkan dibawah HMCR dan
HMS. Apabila semua vektor solusi pembangkitan bilangan random
telah dibangkitkan maka akan berikutnya dibawah PAR, maka
terbentuk matriks harmony memory. terdapat penyesuaian terhadap variabel
keputusan ke-i yang telah diambil dari
harmony memory.
 x11 x12 .... x1N −1 x1N 
 2  D3 = D2+bw*ε …………………….(13)
 x1 x22 .... xN2 −1 xN2 
VKB(i) = D3 .................................(14)
 .... .... .... .... ....  dimana D3 = nilai variabel keputusan
 HMS−1 HMS−1 −1 HMS−1 
x1 x2 .... xNHMS
−1 xN  setelah dilakukan
 x HMS x HMS penyesuaian
 1 2 .... xNHMS
−1 xNHMS 
bw = bandwidth
Gambar 5. Matriks Harmony Memory
? = bilangan random dengan
interval @1,1A
5) Membangkitkan Vektor Solusi yang Baru Kemudian setelah dilakukan proses
Proses pembangkitan vektor solusi yang penyesuaian maka akan dilakukan
baru melalui 3 cara, antara lain: pengecekan terhadap batas atas dan

7
 batas dari variabel keputusan. Apabila Uji perubahan parameter algoritma
D3<BB, maka D3=BB. Lalu apabila digunakan untuk mengetahui efek perubahan
D3>BA, maka D3=BA. Batas bawah parameter algoritma terhadap solusi yang
dari semua variabel keputusan adalah dihasilkan.
0 dan batas atasnya adalah 1.
Ketiga cara diatas dilakukan mulai 5.1.1 Data Uji Perubahan Parameter
dari i=1 hingga N, diamana N adalah Algoritma
banyaknya aktivitas. Data untuk uji perubahan parameter
6) Meng-update harmony memory algoritma diambil dari International Journal of
Urutan langkah perbaikan harmony Project Management 24 (2006) 83–92.
memory sebagai berikut: Tabel 1. Data Uji Perubahan Parameter Algoritma
• Melakukan proses penjadwalan untuk Sumber
vektor solusi baru yang telah dibentuk Akti Du Daya Yang Aktivitas
pada langkah 5. vitas rasi Diperlukan Pendahulu
• Menghitung durasi proyek dari vektor 1 2 3
solusi yang baru. 1 5 5 3 2
• Melakukan pengecekan terhadap 2 5 4 5 3
vektor solusi yang baru. Apabila nilai 3 3 2 5 2
vektor solusi yang baru lebih baik 4 4 1 4 4 1 2
daripada nilai vektor solusi terjelek 5 2 4 2 4 1 2
pada harmony memory dilihat dari 6 1 5 5 4 3
sudut pandang nilai fungsi tujuan, 7 6 5 3 2 3
maka vektor solusi yang baru akan 8 6 2 3 2 4 5 7
dimasukkan ke dalam harmony 9 1 1 4 4 4
memory dan vektor solusi terjelek 10 3 2 3 4 5 6 7
pada harmony memory akan
11 3 3 3 2 6
dikeluarkan. Apabila nilai vektor
12 3 4 1 4 8 10
solusi yang baru lebih buruk daripada
13 3 5 5 4 8
nilai vektor solusi terjelek pada
14 6 2 2 2 9
harmony memory, maka tidak akan
15 4 5 1 4 11
terjadi perubahan pada harmony
memory. 16 3 3 5 3 12
7) Mengecek kriteria pemberhentian 17 3 2 3 3 14
Apabila kriteria pemberhentian telah 18 4 5 4 4 13 15
tercapai maka proses komputasi dihentikan, 19 1 4 2 6 15
apabila belum tercapai maka kembali ke 20 4 0 1 4 16
langkah 5. 21 4 6 1 2 16 17
22 1 2 2 1 18
5. Eksperimen 23 6 2 3 1 18 19
Eksperimen dilakukan dengan bantuan
24 3 2 2 2 20
kode program yang terdapat pada software
Matlab untuk mengetahui efek perubahan 25 3 1 0 3 20 21 22 23
parameter algoritma terhadap solusi yang
Tabel 2. Sumber Daya yang Tersedia
dihasilkan dan performansi algoritma HS pada
penyelesaian RCPSP. Tipe
1 2 3
5.1 Uji Perubahan Parameter Algoritma 6 6 6

8
5.1.2 Hasil Uji Perubahan Parameter Tabel 5. Output Uji Perubahan Parameter Algoritma
Algoritma Bagian 3
Uji perubahan parameter algoritma HMCR=0.9 HMCR=0.9 HMCR=0.9
dilakukan dengan cara melakukan kombinasi Repli PAR=0.1 PAR=0.3 PAR=0.5
kasi Durasi Durasi Durasi
parameter HMCR dan PAR. Pada setiap
kombinasi dilakukan replikasi running 10 kali, Proyek Proyek Proyek
dimana setiap kali running digunakan HMS 1 67 65 67
sebesar 15, bandwidth sebesar 0.1, dan iterasi 2 66 65 65
sebanyak 80 kali.
3 65 65 65
Tabel 3. Output Uji Perubahan Parameter Algoritma 4 65 66 65
Bagian 1 5 66 65 65
HMCR=0.7 HMCR=0.7 HMCR=0.7 6 65 65 65
Repli PAR=0.1 PAR=0.3 PAR=0.5 7 65 65 65
kasi Durasi Durasi Durasi
8 66 65 66
Proyek Proyek Proyek
9 66 65 65
1 65 65 65
10 66 65 65
2 65 67 65
Durasi
3 65 65 66 Proyek
4 65 65 66 Terkecil 65 65 65
5 65 65 65
5.2 Uji Performansi Algoritma
6 65 65 65 Uji performansi algoritma digunakan
7 66 65 65 untuk mengetahui performansi algoritma HS
8 65 65 65 pada penyelesaian RCPSP dibandingkan dengan
9 65 66 65 algoritma yang lain yaitu algoritma Particle
Swarm Optimization (PSO).
10 65 65 66
Durasi
5.2.1 Data Uji Performansi Algoritma
Proyek
Terkecil 65 65 65 Data untuk uji performansi algoritma
diambil dari Project Scheduling Library
Tabel 4. Output Uji Perubahan Parameter Algoritma (PSPLIB). Alamat website dari Project
Bagian 2 Scheduling Library (PSPLIB) adalah
HMCR=0.8 HMCR=0.8 HMCR=0.8 http://129.187.106.231/psplib/. Data ini terdiri
Repli PAR=0.1 PAR=0.3 PAR=0.5 dari 2 macam yaitu data pertama berisi 30
kasi Durasi Durasi Durasi aktivitas proyek dan data kedua berisi 60
Proyek Proyek Proyek aktivitas proyek.
1 65 65 65
Tabel 6. Data Uji Performansi Algoritma untuk 30
2 65 70 65 Aktivitas
3 65 65 65 Sumber Daya
Akti Du Yang Diperlukan Aktivitas
4 65 66 65 vitas rasi Pendahulu
5 65 65 66 1 2 3 4
6 67 65 65 1 8 4 0 0 0
7 65 65 65 2 4 10 0 0 0
8 65 65 66 3 6 0 0 0 3
9 65 65 65 4 3 3 0 0 0 3
10 65 67 65 5 8 0 0 0 8 1
Durasi 6 5 4 0 0 0 2
Proyek
Terkecil 65 65 65 7 9 0 1 0 0 2

9
Tabel 6. Data Uji Performansi Algoritma untuk 30 Tabel 8. Data Uji Performansi Algoritma untuk 60
Aktivitas (Lanjutan) Aktivitas (Lanjutan)
Sumber Daya Sumber Daya
Akti Du Yang Diperlukan Aktivitas Akti Du Yang Diperlukan Aktivitas
vitas rasi Pendahulu vitas rasi Pendahulu
1 2 3 4 1 2 3 4
8 2 6 0 0 0 3 6 8 10 0 0 0 2
9 7 0 0 0 1 3 7 9 0 0 6 0 3
10 9 0 5 0 0 1 8 1 0 0 0 8 7
11 2 0 7 0 0 7 9 9 0 6 0 0 1
12 6 4 0 0 0 2 10 8 0 0 0 3 9
13 3 0 8 0 0 8 11 11 3 0 7 0 0 3
14 9 3 0 0 0 1 12 6 8 0 0 0 8
15 10 0 0 0 5 9 13 2 0 0 0 1 2
16 6 0 0 0 8 12 13 14 5 0 0 0 9 1
17 5 0 0 0 7 12 15 1 6 0 0 0 3
18 3 0 1 0 0 7 16 3 2 0 0 0 5
19 7 0 10 0 0 4 10 17 17 10 0 0 2 0 12 13
20 2 0 0 0 6 15 18 9 7 0 0 0 13
21 7 2 0 0 0 15 16 17 19 1 5 0 0 0 7
22 2 3 0 0 0 19 21 20 3 0 0 8 0 11
23 3 0 9 0 0 18 22 21 6 0 4 0 0 4
24 3 4 0 0 0 9 14 19 22 3 0 0 4 0 6
25 7 0 0 4 0 10 23 3 0 5 0 0 4
26 8 0 0 0 7 6 7 24 7 0 0 1 0 14
27 3 0 8 0 0 20 26 25 6 9 0 0 0 10
28 7 0 7 0 0 18 26 10 0 7 0 0 11 19
29 2 0 7 0 0 5 23 24 27 9 3 0 0 0 17 18
30 2 0 0 2 0 25 27 28 8 0 0 3 0 2
29 4 0 0 7 0 26
Tabel 7. Sumber Daya yang Tersedia untuk 30
Aktivitas 30 3 6 0 0 0 19 21
Tipe 31 3 0 0 0 4 16
1 2 3 4 32 6 0 7 0 0 17
12 13 4 12 33 1 0 0 0 4 13
34 9 0 0 1 0 8
Tabel 8. Data Uji Performansi Algoritma untuk 60
35 9 9 0 0 0 34
Aktivitas
Sumber Daya 36 1 0 7 0 0 10
Akti Du Yang Diperlukan Aktivitas
vitas rasi Pendahulu 37 2 5 0 0 0 5
1 2 3 4 38 4 0 0 1 0 20 32 34
1 8 10 0 0 0 39 9 0 0 0 5 7 24
2 1 0 1 0 0 40 10 0 0 0 1 28
3 10 0 9 0 0 41 8 0 0 0 9 35
4 6 0 4 0 0 1 42 4 0 0 6 0 16 30
5 5 0 0 0 1 4 43 3 0 0 0 1 10 33

10
 Tabel 8. Data Uji Performansi Algoritma untuk 60 Berikut ini adalah output hasil running uji
Aktivitas (Lanjutan) performansi algoritma berupa durasi proyek
Sumber Daya untuk 30 aktivitas. Pada bagian tabel yang diberi
Akti Du Yang Diperlukan Aktivitas
vitas rasi Pendahulu shading warna biru menandakan durasi proyek
1 2 3 4 terkecil dengan waktu komputasi tercepat untuk
44 6 0 0 0 9 9 masing-masing algoritma.
45 6 0 0 0 7 40 Tabel 11. Output Uji Performansi Algoritma untuk
46 7 4 0 0 0 27 30 Aktivitas
47 3 0 8 0 0 23 41 PSO HS
Repli Waktu Waktu
48 2 0 2 0 0 25 kasi Durasi Komputasi Durasi Komputasi
49 10 0 0 7 0 37 43 Proyek (detik) Proyek (detik)
50 4 0 5 0 0 22 26 42 1 46 24.125 43 25.0625
51 2 2 0 0 0 46 2 46 25.109375 45 24.90625
52 1 0 1 0 0 38 39 44 3 43 25.59375 45 25.390625
53 4 0 0 6 0 25 51 4 46 25.6875 43 24.46875
54 10 0 0 0 7 15 47 53 5 43 25.015625 45 24.859375
55 8 0 0 3 0 29 45 52 6 43 25.140625 43 24.4375
56 6 0 4 0 0 28 31 54 7 46 25.625 45 25
57 10 0 0 9 0 15 36 42 8 43 25.140625 46 24.421875

58 3 0 0 0 7 14 56 57 9 45 25.75 45 25.5625
10 43 25 45 25.28125
59 10 0 3 0 0 37 48 50
60 1 0 0 0 1 27 49 55 Setelah diketahui output uji performansi
algoritma, maka pada bagian dibawah ini akan
Tabel 9. Sumber Daya yang Tersedia untuk 60 disajikan grafik yang menggambarkan durasi
Aktivitas
proyek hasil running algoritma PSO dan HS
Tipe selama 10 kali replikasi untuk problem 30
1 2 3 4 aktivitas.
13 11 12 13
46.5
5.2.2 Hasil Uji Performansi Algoritma 46
45.5
Uji performansi algoritma dilakukan 45
Durasi Proyek

dengan cara melakukan running kedua 44.5

algoritma yaitu HS dan PSO dimana setiap kali 44
running dilakukan replikasi sebanyak 10 kali. 43.5 PSO
43 HS
42.5
Tabel 10. Parameter Algoritma 42
30 Aktivitas Proyek 60 Aktivitas Proyek 41.5
PSO HS PSO HS
1 2 3 4 5 6 7 8 9 10
Jumlah HMS=15 Jumlah HMS=30
Partikel Partikel Replikasi
=15 =30
c1=2 HMCR=0.8 c1=2 HMCR=0.8 Grafik 1. Durasi Proyek PSO dan HS untuk 30
c2=2 PAR=0.3 c2=2 PAR=0.3 Aktivitas
bw=0.1 bw=0.1
Jumlah Jumlah Jumlah Jumlah Pada bagian dibawah ini akan ditampilkan tabel
Iterasi= Iterasi= Iterasi= Iterasi= yang menggambarkan perbandingan hasil
80 80 120 120 running algoritma HS dengan algoritma PSO
untuk problem 30 aktivitas.

11
 Pada bagian dibawah ini akan ditampilkan tabel
Tabel 12. Perbandingan Performansi Algoritma yang menggambarkan perbandingan hasil
untuk 30 Aktivitas running algoritma HS dengan algoritma PSO
PSO HS Selisih untuk problem 60 aktivitas.
Durasi Proyek 43 43 0
Terkecil Tabel 14. Perbandingan Performansi Algoritma
Waktu 25 24.4375 0.5625 untuk 60 Aktivitas
Komputasi PSO HS Seli
Tercepat (detik) sih
Durasi 77 77 0
Berikut ini adalah output hasil running uji Proyek
performansi algoritma berupa durasi proyek Terkecil
untuk 60 aktivitas. Pada bagian tabel yang diberi Waktu 394.1563 388.6094 5.5469
shading warna biru menandakan durasi proyek Komputasi
terkecil dengan waktu komputasi tercepat untuk Tercepat
masing-masing algoritma. (detik)

Tabel 13. Output Uji Performansi Algoritma untuk 6. Analisa

60 Aktivitas Berikut ini akan dijelaskan mengenai
PSO HS analisa hasil eksperimen yang telah dilakukan
Repli Waktu Waktu dari penelitian tugas akhir.
kasi Durasi Komputasi Durasi Komputasi
Proyek (detik) Proyek (detik)
6.1 Analisa Uji Perubahan Parameter
1 80 391.5156 77 405.9844 Algoritma
2 80 406.5313 77 389.5625 Uji perubahan parameter algoritma
3 79 420.7188 77 393.5625 digunakan untuk mengetahui efek perubahan
parameter algoritma terhadap solusi yang
4 77 400.1094 77 427.1875
dihasilkan. Uji perubahan parameter algoritma
5 77 394.1563 77 392.1094 dilakukan dengan cara melakukan kombinasi
6 81 405.5781 77 389.2813 dari parameter HMCR dan PAR. Penelitian
7 77 400.9219 77 418.5 sebelumnya menunjukkan bahwa penggunaan
8 77 424.9219 77 395.2656
HMCR sebaiknya dalam rentang 0.7 sampai
0.95 dan PAR dalam rentang 0.1 sampai 0.5.
9 77 400.1094 77 388.6094 Pada penelitian ini digunakan kombinasi nilai
10 79 392.2969 77 395.6406 parameter HMCR dan PAR yang berbeda-beda,
namun masih dalam rentang yang disarankan
Setelah diketahui output uji performansi oleh penelitian sebelumnya. Setiap kombinasi
algoritma, maka pada bagian dibawah ini akan parameter di-running sebanyak 10 kali,
disajikan grafik yang menggambarkan durasi kemudian durasi proyek yang dihasilkan
proyek hasil running algoritma PSO dan HS diambil dari durasi proyek terkecil dari 10 kali
selama 10 kali replikasi untuk problem 60 running. Hasil penelitian menunjukkan bahwa
aktivitas. durasi proyek tidak mengalami perubahan
meskipun nilai parameternya berubah. Hal ini
82
dikarenakan RCPSP termasuk dalam kategori
81
discrete optimization problem. Pada discrete
80
Durasi Proyek

79
optimization problem jumlah alternatif solusi
78
tidak sebanyak pada continous optimization
77
PSO problem, sehingga solusi yang dihasilkan tetap
HS
76 sama walaupun parameter algoritma diubah.
75 Dengan demikian jumlah alternatif solusi pada
1 2 3 4 5 6 7 8 9 10 RCPSP yang tidak terlalu besar menyebabkan
Replikasi solusi yang dihasilkan algoritma HS tidak
berubah, walaupun parameter algoritma diubah.
Grafik 2. Durasi Proyek PSO dan HS untuk 60
Aktivitas

12
6.2 Analisa Uji Performansi Algoritma
Uji performansi algoritma digunakan
untuk mengetahui performansi algoritma HS
pada penyelesaian RCPSP dibandingkan dengan
algoritma yang lain yaitu algoritma Particle
Swarm Optimization (PSO). Pada pengujian ini
data yang digunakan terdiri dari 2 macam yaitu
data pertama berisi 30 aktivitas proyek dan data
kedua berisi 60 aktivitas proyek. Running
dilakukan dengan replikasi sebanyak 10 kali.
Berdasarkan eksperimen yang telah
dilakukan terlihat bahwa secara umum durasi
proyek yang dihasilkan tiap replikasi tidak
sama. Pada data pertama terlihat bahwa durasi
proyek yang dihasilkan baik algoritma HS
maupun PSO mengalami fluktuasi dari replikasi
satu ke replikasi lainnya. Hal ini dikarenakan
nilai bilangan random yang dibangkitkan, jika
bilangan random yang dibangkitkan mendukung
untuk terjadinya durasi proyek yang kecil maka
akan dihasilkan durasi proyek yang kecil,
namun jika bilangan random yang dibangkitkan
tidak mendukung untuk terjadinya durasi proyek
yang kecil maka akan sulit dihasilkan durasi
proyek yang kecil. Pada data kedua terlihat
bahwa durasi proyek yang dihasilkan algoritma
HS stabil dari replikasi satu ke replikasi lainnya,
sedangkan durasi proyek yang dihasilkan
algoritma PSO mengalami fluktuasi dari
replikasi satu ke replikasi lainnya. Hal ini juga
dikarenakan nilai bilangan random yang
dibangkitkan sebagaimana yang telah dijelaskan
sebelumnya. Bilangan random yang
dibangkitkan memiliki pengaruh terhadap solusi
yang dihasilkan karena pembangkitan bilangan
random bagian utama dari mekanisme
algoritma.
Durasi proyek hasil running diambil
dari durasi proyek terkecil dari 10 kali replikasi.
Pada pengujian data pertama, algoritma HS dan
PSO menghasilkan durasi proyek yang sama
yaitu 43 sedangkan waktu komputasi HS lebih
cepat 0.5625 detik daripada PSO. Pada
pengujian data kedua, algoritma HS dan PSO
menghasilkan durasi proyek yang sama yaitu 77
sedangkan waktu komputasi HS lebih cepat
5.5469 detik daripada PSO. Hal ini
menunjukkan bahwa kualitas solusi yang
dihasilkan algoritma HS sama dengan algoritma
PSO, namun apabila dilihat dari sisi waktu
komputasi, maka waktu komputasi algoritma
HS lebih cepat daripada algoritma PSO. Waktu
komputasi algoritma HS lebih cepat daripada
algoritma PSO dikarenakan mekanisme kerja
algoritma HS lebih efisien daripada algoritma
PSO. Pada algoritma HS hanya ada satu
kandidat solusi yang melakukan proses
pencarian solusi, sedangkan pada algoritma PSO
semua kandidat solusi melakukan proses
pencarian solusi. Dengan demikian, apabila
ditinjau dari segi waktu komputasi, maka
performansi algoritma HS lebih baik daripada
algoritma PSO.
7. Kesimpulan dan Saran
Berikut ini akan dipaparkan kesimpulan
dan saran yang bisa diberikan dari hasil
penelitian tugas akhir yang telah dilakukan.
7.1 Kesimpulan
Berikut ini adalah beberapa kesimpulan
yang bisa diberikan:
1. Perubahan parameter algoritma HS pada
penyelesaian RCPSP tidak berpengaruh
pada solusi yang dihasilkan.
2. Kualitas solusi yang dihasilkan
algoritma HS sama dengan algoritma
PSO, namun jika dilihat dari sisi waktu
komputasi, maka waktu komputasi
algoritma HS lebih cepat daripada
algoritma PSO. Oleh karena itu, apabila
ditinjau dari segi waktu komputasi,
maka performansi algoritma HS untuk
penyelesaian RCPSP lebih baik
daripada algoritma PSO.
7.2 Saran
Penelitian tugas akhir ini memiliki
potensi untuk dikembangkan lebih lanjut. Pada
penelitian berikutnya disarankan permasalahan
yang akan diselesaikan adalah Multi-Mode
Resource-Constrained Project Scheduling
Problem (MMRCPSP) karena permasalahan
MMRCPSP lebih mendekati kondisi dunia
nyata daripada Single-Mode Resource-
Constrained Project Scheduling Problem
(SMRCPSP).
8. Daftar Pustaka
Baker, K.R., dan Trietsch, D. (2009). Principles
of Sequencing and Scheduling. John
Wiley and Sons, New Jersey.
Baker, K.R. (1974). Introduction to
Sequencing and Scheduling. John
Wiley and Sons, New York, Chichester,
Brisbane, Toronto.
13
Boctor, F.F. (1990). Some efficient multi-
heuristic procedures for resource-
constrained project scheduling. Eur J
Operat Res, Vol. 49, pp. 3–13.
Brucker, P., Knust, S., Schoo, A., dan Thiele, O.
(1998). A branch and bound algorithm
for the resource-constrained project
scheduling problem. European Journal
of Operational Research, Vol. 107, pp.
272-288.
Chan, W.T., dan Chua, D.K.H. (1996).
Construction resource scheduling with
genetic algorithms. J Constr Eng
Manage ASCE, Vol. 122, No. 2, pp.
125–32.
Davis, E.W., dan Patterson, J.H. (1975). A
comparison of heuristic and optimum
solutions in resource-constrained
project scheduling. Manage Sci, Vol.
21, pp. 944–55.
Eberhart, R.C., dan Shi, Y. (2001). Tracking
and Optimizing Dynamic Systems with
Particle Swarms. In: Proceedings of the
IEEE congress on evolutionary
computation (CEC 2001), Seoul, Korea,
p. 94–7.
Forsati, R., Haghighat, A.T., dan Mahdavi, M.
(2008). Harmony search based
algorithms for bandwidth-delay-
constrained least-cost multicast
routing. Computer Communications,
Vol. 31, pp. 2505–2519.
Gavish, B. dan Pirkul, H. (1991). Algorithms
for multi-resource generalized
assignment problem. Manage Sci, Vol.
37, No. 6, pp. 695–713.
Geem, Z.W. (2009). Music-Inspired Harmony
Search Algorithm. Springer, Verlag,
Berlin, Heidelberg.
Geem, Z.W., Lee, K.S., dan Park, Y. (2005).
Application of Harmony Search to
Vehicle Routing. American Journal of
Applied Sciences, Vol. 2, No. 12, pp.
1552-1557.
Geem, Z.W., Kim, J.H., dan Loganathan, G.V.
A New Heuristic Optimization
Algorithm: Harmony Search.
<URL:http://sim.sagepub.com/cgi/conte
nt/abstract/76/2/60>
Fogel, D.B. (1995). Evolutionary computation
toward a new philosophy of machine
intelligence. IEEE Press, New York.
Kennedy, J., dan Eberhart, R.C. (1995). Particle
Swarm Optimization. In: Proceedings
IEEE conference on neural networks,
Vol. IV, Piscataway, NJ, p. 1942–48.
Kolisch, R., dan Sprecher, A. (1996). PSPLIB -
A Project Scheduling Problem Library.
European Journal of Operational
Research, Vol. 96, pp. 205-216.
Lee, J.K., dan Kim, Y.D. (1996). Search
heuristics for resource constrained
project scheduling. J Operat Res Soc,
Vol. 47, No. 5, pp. 678–89.
Mahdavi, M., Fesanghary, M., dan Damangir, E.
(2007). An improved harmony search
algorithm for solving optimization
problems. Applied Mathematics and
Computation, Vol. 188, pp. 1567–1579.
Merkle, D., Middendorf, M., dan Schmeck, H.
(2002). Ant Colony Optimization for
Resource-Constrained Project
Scheduling. IEEE Transactions on
Evolutionary Computation, Vol. 6, No.
4.
Patterson, J. (1984). A Comparison of Exact
Procedures for Solving The Multiple
Constrained Resource Project
Scheduling Problem. Manage Sci, Vol.
30, pp.854–67.
Saka, M.P. (2009). Optimum design of steel
sway frames to BS5950 using harmony
search algorithm. Journal of
Constructional Steel Research, Vol. 65,
pp. 36–43.
Talbot, F.B. (1982). Resource-Constrained
Project Scheduling with Time
Resource Tradeoffs: The
Nonpreemptive Case. Manage Sci, Vol.
28, No. 10, pp. 1197–210.
Valls, V., Ballestin, F., dan Quintanilla, S.
(2008). A hybrid genetic algorithm for
the resource-constrained project
scheduling problem. European Journal
of Operational Research, Vol. 185, pp.
495–508.
Zhang, H., Li, H., dan Tam, C.M. (2006).
Particle Swarm Optimization for
Resource-Constrained Project
14
 Scheduling. International Journal of
Project Management, Vol. 24, pp. 83–
92.

15

View publication stats