USULAN PENELITIAN S2 Implementasi Algoritma Bee Colony Optimization Pada Prototype Intelligent Logistic System

Diajukan Oleh: Panggih Pawenang 10/308872/PPA/03369 PROGRAM S2 ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS GADJAH MADA YOGYAKARTA 2012

1. Latar Belakang Masalah. Dunia industri berkembang sangat pesat seiring dengan tuntutan dan peningkatan kebutuhan konsumen. Perkembangan tersebut berdampak terhadap semua komponen yang terlibat didalamnya seperti peningkatan produksi, ketersediaan barang, peningkatan mutu barang, peningkatan pelayanan, dan sebagainya. Sekumpulan fasilitas, pasokan bahan baku, konsumen, produk dan metode yang digunakan untuk mengontrol penyimpanan produk, pembelian, dan pendistribusian disebut dengan rantai pasok atau supply chain. Rantai pasok tersebut menghubungkan pemasok, perusahaan, dan konsumen yang diawali dengan pasokan bahan baku ke perusahaan, proses produksi dan penyimpanan oleh perusahaan, dan diakhiri dengan konsumsi produk oleh konsumen (Gen et al, 2008). Rangkaian proses yang meliputi perencanaan, pengaturan dan pengendalian penyimpanan sampai pendistribusian barang dari produsen ke konsumen disebut dengan logistik (Silva et al, 2007). Pada awalnya, area kerja logistik terbatas pada produksi barang atau produk, penyimpanan, dan pengiriman barang ke konsumen sesuai pesanan (Silva et al, 2007). Secara konvensional, barang akan diproduksi sesuai dengan pesanan dan jika kuantitas pesanan dalam skala besar maka diperlukan tempat penyimanan barang sebelum barang tersebut siap dikirim. Kemudian pengiriman barang ke konsumen (pemesan) akan dilakukan setelah semua barang yang dipesan telah selesai diproduksi. Konsep logistik tersebut disebut dengan pull supply chain atau maketo-order (MTO) (Ghiani et al, 2004). Selain MTO, dikenal juga sebuah konsep logistik yang disebut dengan push supply atau make-to-stock (MTS). Berbeda dengan MTO, konsep dari MTS adalah membuat stok barang yang kemudian disimpan dalam gudang tanpa perlu ada pemesanan barang dari konsumen. Dewasa ini, banyak perusahan yang menggunakan konsep MTS dalam strategi bisnisnya. Penggunaan MTS sebagai strategi logistik, memberikan konsekuensi perlunya pengaturan produksi barang, peramalan pemasaran, perancangan tempat penyimpanan, dan penjadwalan pendistribusian barang. Perkembangan dunia industri dan cakupan pemasaran hasil produksi yang sangat pesat, model sistem manajemen pergudangan konvensional dipandang tidak lagi cukup mengakomodir kebutuhan konsumen. Kebutuhan konsumen tidak hanya sebatas konsumsi produk

secara fisik tetapi konsumen juga menuntut kepuasan terhadap pelayanan saat pembelian ataupun purna pembelian. Untuk memenuhi kebutuhan tersebut, diperlukan sebuah sistem cerdas yang mampu mengakomodir hal tersebut yaitu Intelligent Warehouse Management System (IWMS) atau Sistem Manajemen Pergudangan Cerdas. Sistem tersebut merupakan pengembangan Sistem Manajemen Pergudangan konvensional yang lebih berorientasi pada keefektifan dan efisiensi pemanfaatan sumber daya dan kemajuan teknologi. IWMS terdiri dari lima subsistem yang saling bersinergi dalam melakukan fungsi dan tugasnya masing-masing yaitu Intelligent Logistics System (ILS), Adaptive Warehouse System (AWS), Intelligent Forcasting Sales System (IFSS), Realtime Transportation Monitoring System (RTMS), Intelligent Executive Summary System (IESS). Secara lengkap, arsitektur IWMS dapat dilihat pada Gambar 1 berikut ini.

Gambar 1. Arsitektur Intelligent Warehouse Management System Intelligent Logistics System (ILS) merupakan subsitem dari IWMS yang berfungsi sebagai pengendali proses logistik barang dari tempat penyimpanan (warehouse) ke konsumen. Banyak faktor yang perlu diperhatikan dalam pengembangan sistem logistik yaitu banyaknya order yang akan diselesaikan, persediaan barang di gudang, banyaknya armada yang diperlukan untuk proses

pendistrbusian barang, dan kapasitas muatan armada yang digunakan. Disamping itu, kebutuhan konsumen tidak hanya sebatas kebutuhan fisik saja (terpenuhinya order barang) melainkan sudah mengarah kepada kebutuhan non-fisik seperti kepuasan pelayanan saat pemesanan atau pembelian, ketepatan waktu pengiriman barang, dan kelengkapan barang (Silva et al, 2007). Dengan kata lain, inti permasalahan sistem logistik adalah membuat jadwal pengiriman sedemikian rupa sehingga dapat memenuhi kebutuhan konsumen (Carrera et al, 2010). Beberapa tahun terakhir, telah banyak metode yang dikembangkan untuk menyelesaikan permasalahan logistik khususnya tentang penjadwalan. Salah satu metode yang dikembangkan adalah Bee Colony Optimization (BCO). BCO pertama kali diperkenalkan oleh Lucic dan Teodorovic (2001) untuk menyelesaikan Travelling Salesman Problem (TSP). Bee Colony Optimization (BCO) telah banyak diaplikasikan dalam berbagai masalah optimasi seperti Flexible Job Shop Scheduling Problem (Pan and Wang, 2011), vehicle routing problem (Ji and Wu, 2011), masalah penugasan (Baykasoglu et al, 2007). 2. Rumusan Masalah. Berdasarkan uraian tersebut, didapatkan rumusan masalah yang akan diteliti yaitu: 1. Bagaimana implementasi Bee Colony Optimization untuk menyelesaikan masalah logistik ? 2. Bagaimana bentuk prototype Intellegent Logistik System (ILS) dalam Intelligent Warehouse Management System (IWMS) ? 3. Batasan Masalah. Untuk menjaga fokus penelitian, diambilah beberapa batasan masalah yaitu : 1. Keadaan stok normal (persediaan barang selalu tersedia untuk setiap order). 2. Kondisi kendaraan (trailer dan truk) siap pakai (ready to use). 3. Tidak ada pembatalan dan penyisipan order. 4. Waktu maksimal order adalah H-1 dari hari order (H). 4. Tujuan Penelitian.

Tujuan dilakukakannya penelitian ini yaitu untuk membentuk prototype Intelligent Logistic System (ILS) pada Intelligent Warehouse Management System (IWMS). 5. Manfaat Penelitian. Intelligent Logistic System (ILS) dapat memberikan gambaran proses penditribusian barang dari warehouse ke konsumen dan dapat meningkatkan kualitas layanan pembelian dan pendistribusian barang di suatu perusahaan. 6. Tinjauan Pustaka. Silva et al (2007) meneliti tentang optimasi sistem logistik menggunakan agregasi fuzzy terbobot (Optimization of logistic systems using fuzzy weighted aggregation). Dalam penelitian tersebut, disebutkan bahwa kebutuhan konsumen tidak hanya sebatas pada pemenuhan pengiriman pesanan barang semata melainkan sudah mengarah pada kepuasan konsumen. Salah satu indikator kepuasan konsumen yaitu minimnya selisih waktu harapan kedatangan pesanan oleh konsumen (the desired delivery date) terhadap waktu terselesaikannya pengiriman pesanan (the completion date). Ketepatan waktu pengiriman barang yang dimaksud yaitu barang sampai ditangan konsumen sesuai dengan waktu kesepakatan penerimaan barang saat pemesanan barang. Dalam penelitian tersebut juga disebutkan bahwa ketepatan waktu pengiriman menjadi sangat penting untuk menjaga konsumen untuk tetap setia mengkonsumsi produk yang dibeli atau dipesan karena konsumen adalah aset berharga bagi perusahaan yangdapat menentukan keberlangsungan kemajuan perusahaan. Proses menuju terwujudnya kepuasan konsumen diawali dengan perencanaan yang matang mulai dari proses penerimaan pesanan sampai dengan pengiriman pesanan. Li et al (2009) dalam penelitiannya yang berjudul Crossdocking planning and scheduling: Problems and algorithms menyatakan bahwa proses bongkar muat barang dari dan ke tempat penyimpanan berperan sebagai titik awal dari serangkaian proses rantai pasok (supply chain process). Model optimasi yang digunakan dalam penelitian tersebut adalah penugasan dengan fungsi obyektif berupa membentuk jadwal antrian pengankutan barang di

crossdocking sedemikian sehingga antrian armada pengangkut barang (truk) optimal. Pemikran dalam penelitian tersebut mendasari tahapan optimasi selanjutnya yang harus dilakukan setelah pemilihan order. Banyak faktor yang mempengaruhi keberhasilan suatu sistem logistik, salah satu yang terpenting yaitu optimalisasi pendistribusian barang dari tempat penyimpanan ke konsumen (Ghiani et al, 2004). Hal tersebut menjadi objek penelitian yang dilakukan oleh Tang dan Li (2009). Judul penelitian tersebut yaitu An Inherited Tabu Search Algorithm for the Truck and Trailer Vehicle Scheduling Problem in Iron and Steel Industry. Penelitian tersebut berfokus pada masalah penjadwalan truk dan trailer yang dimodelkan menggunakan pemrograman linier dengan meminimumkan fungsi utama berupa total biaya yang diperlukan selama proses pendistribusian barang. Metode yang digunakan dalam penelitian tersebut yaitu algoritma Tabu Search yang termasuk dalam metode heuristik. Senada dengan Ghiani et al (2004), Ji dan Wu (2011) juga meneliti tetang optimasi pendistribusian barang dari tempat penyimpanan ke konsumen. Pada penelitiannya, Ji dan Wu (2011) memfokuskan masalah optimasi waktu pengiriman barang dari tempat penyimpanan ke konsumen dengan memperhatikan kondisi kemacetan jalur pendistribusian terhadap penyusunan jadwal pengiriman barang. Dalam penelitian tersebut, metode yang digunakan untuk mencari solusi adalah Artificial Bee Colony yang termasuk dalam kategori metode metaheuristik. Dalam penelitian tersebut juga diungkapkan bahwa dengan memperhatikan kondisi kemacetan jalur pendistribusian, jadwal pengiriman yang dihasilkan akan lebih meningkatkan kualitas jadwal yang dihasilkan. Akan tetapi, hal tersebut juga mengakibatkan proses komputasi dan pemodelan permasalahan menjadi lebih rumit. Samur and Bulkan (2010) dalam paparannya menyebutkan bahwa optimalisasi makespan (maximum completion time) dan tardiness juga menjadi salah satu cara untuk mengoptimalkan proses produksi. Dalam penelitiannya tersebut. Samur dan Bulkan (2010) membentuk model linier dengan meminimumkan dua fungsi tujuan yaitu meminimumkan makespan dan tardiness. Metode yang digunakan dalam penelitian tersebut yaitu algoritma genetika yang masuk dalam kategori metaheuristik. Hal tersebut juga didukung oleh Susana et al (2007) dalam penelitiammya yang berjudul Scheduling problems for logistics

platforms with fixed straircase component arrivals and various deliveries hypotheses. Dalam penelitian tersebut, Susana et al (2007) menyebutkan bahwa penggunaan sumberdaya yang terkait dengan proses logistic dan perencanaan proses logistic yang baik akan sangat menentukan keberhasilan proses logistic. Sumber daya terkait dengan proses logistic yang perlu mendapat perhatian dan penangan lebih yaitu pemanfaatan sumber daya armada untuk efisiensi biaya pendistribusian dan persediaan barang pada tempat penyimpanan (warehouse). Susana et al (2007) menggunakan metode pemrograman linear bilangan bulat (integer linear programming) sebagai pendekatan untuk mendapatkan solusi terbaik. Baykasoglu et al (2007) dalam penelitiannya yang berjudul Artificial Bee Colony Algorithm and Its Application to Generalizad Assigment Problem mengimplementasikan Artificial Bee Colony Algorithm untuk menyelesaikan masalah penugasan. Secara umum, solusi terbaik dari masalah penugasan yaitu meminimumkan fungsi tujuan. Fungsi tujuan tersebut dapat berupa biaya transportasi, jarak tempuh, waktu yang dibutuhkan untuk menyelesaikan seluruh tugas, dan sebagainya. Chong dan Low (2006) dalam penelitiannya yang berjudul A Bee Colony Optimization Algorithm to Job Shop Scheduling, meneliti implementasi Bee Colony Optimization Algorithm untuk menyelesaikan masalah penjadwalan Job Shop. Dalam penelitian tersebut, dipadukan karakteristik dari Bee Colony Optimization Algorithm dengan karakteristik dari masalah penjadwalan job shop. Hasilnya, terbentuklah model Bee Colony Optimization Algorithm yang dapat menyelesaikan masalah penjadwalan Job Shop yang meminimumkan total pengerjaan seluruh job. Senada dengan Chong and Low (2006), Li et al (2011) juga meneliti Bee Colony Optimization Algorithm untuk menyelesaikan masalah penjadwalan job shop. Dalam penelitiannya, Li et al (2011) menggabungkan Bee Colony Optimization Algorithm dengan Pareto Archieve set yang kemudian diistilahkan dengan Hybrid Bee Colony Optimization Algorithm. Penggabungan tersebut dilakukan dengan tujuan untuk lebih mengoptimalkan proses pencarian solusi terbaik. Intelligent Logistic System (ILS) sebagai sebuah subsystem dari Intelligent Warehouse Management System (IWMS) mengembangkan sistem logistic agar

lebih cerdas sehingga proses logistic menjadi lebih optimal. Dalam ILS, setiap proses direncanakan dan dijadwalkan secara terpadu sehingga diharapkan pengerjaan kegiatan logistic menjadi lebih efektif dan efisien. Fase demi fase direncanakan secara baik dengan mengacu pada penelitian yang telah dilakukan sebelumnya, fase-fase menuju proses penjadwalan dalam ILS meliputi penerimaan order, proses pemilihan order yang harus diselesaikan, proses bongkar muat barang dari warehouse ke armada pengangkut barang, dan jadwal pengiriman barang ke konsumen. Dalam penelitian-penelitian sebelumnya, banyak metode yang dipakai untuk menyelesaikan masalah logistik. Salah satu metode yang menarik untuk diteliti implementasinya lebih lanjut yaitu Artificial Bee Colony Algorithm yang termasuk dalam kategori metaheuristik. Perbedaan penelitian-penelitian sebelumnya dengan penelitian ini tertera pada Tabel 1.

Tabel 1. Rangkuman Perbedaan PenelitianN o 1 2 3 Penulis Chong. C. S, Low. M. Y. H Silva. C. A, Sousa. J. M. C, Runkler. T. A Baykasoglu. A, Ozbakir. L, Tapkan. P Tang. L, Li. K Li. Z. P, Low. M. Y. H, Shakeri. M, Lim Samur. S, Bulkan. S Carrera. S, Ramdane-Cherif. W, Portman. M Ji. P, Wu. Y Li. J, Pan. Q, Wang. S Penulis (v) = ada Tahun Judul A Bee Colony Optimization Algorithm to Job Shop Scheduling Optimization of logistic system using fuzzy weighted aggregation Artificial Bee Colony Algorithm and Its Application to Generalizad Assigment Problem An Inherited tabu Search Algorithm for Truck and Tralier Vehicle Scheduling Problem in Iron and Steel Industry Crossdocking planning and scheduling : problems and algorithm Metode Bee Colony Optimization Fuzzy weighted aggregation Bee Colony Optimization Tabu search algorithm Dependency Ranking Search (DRS) Genetic Algorithm Integer Linear programming Artificial Bee Colony (ABC) Artificial Bee Colony (ABC) Artificial Bee Colony (ABC) Penjadwalan proses produksi v v Penjadwalan pemrosesan order v Sistem Logistik Penjadwalan Penjadwalan anProses bongkar trian truk untuk muat barang loading barang Penjadwalan pengiriman barang -

2006 2007 2007

4

2008

-

-

v

v

-

5 6

2009 2010

v

-

v -

v -

-

7

8

9 10

Keterangan :

An Evolutionary Solution to a MultiObjective Scheduling Problem Scheduling problems for logistics platforms with fixed straircase com2010 ponent arrivals and various deliveries hypotheses An Improved Artificial Bee Colony Algorithm for the capacited Vehicle 2011 Routing Problem with Time-dependent Travel Time A Hybrid Artificial Bee Colony Al2011 gorithm for Flexible Job Shop Scheduling Problems Implementasi Algoritma Bee Colony 2012 Optimization Pada Prototype Intelligent Logistic System (-) = tidak ada

-

v

-

-

v

-

-

-

-

v

v -

v

v

v

v

7. Landasan Teori. Secara umum, proses logistik merupakan kegiatan yang berhubungan dengan sekumpulan order dan pembagian kerja elemen-elemen terkait untuk memenuhi order tersebut. Setiap hari kerja, system logistik menerima sekumpulan order yang harus diselesaikan (dinotasikan dalam himpunan O). Sebuah order oj O dengan j = 1, 2, 3, , n merupakan himpunan dari m tipe barang yang disebut dengan komponen ci dengan i = 1, 2, 3, , m. Kuantitas setiap komponen ci dalam order oj dinotasikan dengan qij, sehingga sebuah order oj dapat dinotasikan sebagai himpunan dari kuantitas beberapa tipe barang yang dipesan ( oj = {q1j, q2j, q3j, , qmj}). Gambar 2 merepresentasikan alur kerja pada sistem logistik yang direkomendasikan oleh Silva et al (2007).

Gambar 2. Alur kerja system logistic dengan 7 order Setiap order ditandai dengan dua label yaitu waktu kedatangan order rj dan waktu harapan terselesaikannya order dj. Total waktu yang dibutuhkan untuk menyelesaikan order oj dinotasikan dengan Cj (completion time). Fungsi objektif dari permasalahan ini yaitu meminimumkan selisih Cj dengan dj yang disebut dengan keterlambatan atau lateness (Lj = Cj dj).

8. Metologi Penelitian. Penelitian ini dilakukan dengan tahap-tahap sebagai berikut: a. Studi Kepustakaan Pada tahap ini, dilakukan studi keputakaan yang relevan dengan penelitian tentang sistem logistik. Beberapa cara yang dilakukan dalam studi kepustakaan yaitu mengumpulkan jurnal, paper, buku-buku terkait dengan system logistik dan metode optimasi. b. Perancangan Sistem Perancangan prototype ILS dimulai dengan analisis kebutuhan system yang diperoleh dari studi kepustakaan, dilanjutkan dengan menentukan proses-proses yang akan dilakukan system. Gambar 3 menunjukan rangkaian proses penjadwalan pada ILS.

Stock List

STOCK ALLOCATION AND TRAILER ASSIGNMENT SHIPPMENT SCHEDULE FOR EVERY TRUCK TRUCK ALLOCATION AND SEQUENCE TRUCK SCHEDULE

Order arrival

Order List

Group of order

Warehouse

Truck List

Gambar 3. Rangkaian proses penjadwalan pada ILS c. Implementasi Sistem Hasil dari tahap perancangan system berupa rangkaian proses penjadwalan pada ILS kemudian programkan menggunakan bahasa pemrograman JAVA. Hasil dar pemrograman tersebut akan digunakan untuk simulasi pengujian ILS. d. Pengujian Sistem Pengujian prototype ILS dilakukan menggunakan metode blackbox yaitu dengan cara memberikan sejumlah input dan mengamati hasil keluaran sistem apakah sesuai dengan harapan atau tidak. e. Penyusuan Laporan Tahap akhir dari penelitian ini yaitu penyusunan laporan yang meliputi landasan teori, proses penelitian, sampai dengan hasil penelitian. 9. Daftar Pustakan.

Baykasoglu. A, Ozbakir. L, Tapkan. P . 2007. Artificial Bee Colony Algorithm and Its Application to Generalizad Assigment Problem. Swarm Intelligence : Focus on Ant and Particle Swarm Optimization. Page 113 141. Carrera. S, Ramdane-Cherif. W, Portman. M. 2010. Scheduling problem for logistic platform with fixed staircase component arrivals and various deliveries hypotheses. 2nd international cenference on applied operatinal research. Page 517 528. Chong. C. S, Low. M. Y. H. 2006. A Bee Colony Optimization Algorithm to Job Shop Scheduling. Proceedings of the 2006 Winter Simulation Conference. Page 1954 1961. Gen. M, Cheng. R, Lin. L. 2008. Network models and optimization : multiobjective genetic algorithm approach. Springer-Verlag London Limited. Page 135 140. Ghiani. G, Laporte. G, Musmanno. R. 2004. Introduction to Logistic System Planning and Control. John Wiley & Sons, Ltd. Ji. P, Wu. Y. 2011. An Improved Artificial Bee Colony Algorithm for the Capacited Vehicle Routing Problem with Time-Dependent Travel Times. The Tenth International Symposium on Operations Research and Its Applications (ISORA 2011). Page 75 82. Li. J, Pan. Q, Wang. S. 2011. A Hybrid Artificial Bee Colony Algorithm for Job Shop Scheduling Problems. Int. J. Of Computer, Communication & Control. Page 286 296. Li. Z. P, Low. M. Y. H, Shakeri. M, Lim. Y. G. 2009. Crossdocking planning and scheduling: Problems and algorithms. SIMTech technical reports Volume 10 Number 3 Jul-Sep 2009. Page 158 167. Lucic. P, Teodorovic. D. 2001. Bee system : modeling combinatorial optimization transportation enginering problems by swarm intelligence. Preprints of the TRISTAN IV Triennial Symp. On Transportation Analisys, sao Miguel, Azores Island, Portugal. Page 441 445. Samur. S, Bulkan. S. 2010. An Evolutionary Solution to a Multi-Objective Scheduling Problem. Proceedings of the World Congress on Engineering 2010 Vol III, June 30 July 2, London, UK.

Silva. C. A, Sousa. J. M. C, Runkler. T. A . 2007. Optimization of logistics system using fuzzy weighted aggregation. Elsevier : Fuzzy set and systems 158. Page 1947 1960. Tang. L, Li. K. 2009. An Inherited Tabu Search Algorithm for the Truck and Trailer Vehicle Scheduling Problem in Iron and Steel Industry. ISIJ International Volume 49. Page 51 57.