surat keterangan - emirul.staff.gunadarma.ac.id

Perpustakaan Universitas Gunadarma BARCODE

BUKTI UNGGAH DOKUMEN PENELITIANPERPUSTAKAAN UNIVERSITAS GUNADARMA

Nomor Pengunggahan

SURAT KETERANGANNomor: 166/PERPUS/UG/2021

Surat ini menerangkan bahwa: Nama Penulis : Emirul BaharNomor Penulis : 020914Email Penulis : [email protected] Penulis : JL. SIAK VIII NO. 13 DEPOK TIMUR, SUKMAJAYA

Telah menyerahkan hasil penelitian/ penulisan untuk disimpan dan dimanfaatkan di Perpustakaan Universitas Gunadarma,dengan rincian sebagai berikut : Nomor Induk : FTI/ID/PENELITIAN/166/2021Judul Penelitian : OPTIMALISASI RUTE TRANSPORTASI HFVRP BUNGA KRISAN MENGGUNAKAN METODE

GENETIC ALGORITHMTanggal Penyerahan : 03 / 03 / 2021

Demikian surat ini dibuat untuk dipergunakan seperlunya dilingkungan Universitas Gunadarma dan Kopertis Wilayah III.

Dicetak pada: 03/03/2021 18:27:57 PM, IP:144.48.39.70 Halaman 1/1

UNIVERSITAS GUNADARMA

1

OPTIMALISASI RUTE TRANSPORTASI HFVRP BUNGA KRISAN

MENGGUNAKAN METODE GENETIC ALGORITHM Emirul Bahar

Fakultas Teknologi Industri, Jurusan Teknik Industri, Universitas Gunadarma

Jl.Margonda Raya 100, Depok – 16424

Email : [email protected]

ABSTRAK

Produksi bunga krisan di Indonesia menunjukkan prospek yang cukup baik

ditandai dengan meningkatnya jumlah produksi tiap tahun. Beberapa masalah muncul

pada kegiatan transportasi dan pendistribusian produk dari produsen ke konsumen di

PT. Saung Mirwan. Salah satunya adalah kesalahan memilih alat transportasi dan

pemilihan jalur rute transportasi yang mengakibatkan penurunan kualitas dan kuantitas

produk seiringan dengan peningkatan total biaya pengiriman. Transportasi yang efisien

dapat memberikan kontribusi pada penurunan biaya logistik total. Penelitian berhasil

melakukan optimasi rute transportasi dan pemilihan vehicle yang tepat untuk

mendistribusi produk yang sesuai dengan permintaan customer menggunakan teknik

Genetic Algorithm pada model permasalahan Heterogeneous Fleet VRP. Rute solusi

pada penelitian menghasilkan perbaikan total jarak yang harus ditempuh vehicle dengan

susunan rute berangkat dari Depot menuju Serpong-Bandara-Jakarta-Cikarang-

Cipanas dan kembali ke Depot. Hasil optimasi pemilihan jenis vehicle yang tepat

diperoleh pada pengiriman 1.500.000 batang unrooted cutting ke Bandara Soekarno-

Hatta dibutuhkan 1 unit mobil boks L300 dan 1 unit mobil boks double; pengiriman 250

kardus bunga krisan ke Cipanas dibutuhkan 1 unit mobil boks engkle dan double;

Pengiriman 150 kardus ke Jakarta dibutuhkan 1 unit mobil boks double; pengiriman 100

kardus ke Serpong dibutuhkan 1 unit mobil boks engkle; dan pada pengiriman 75 kardus

ke Cikarang dibutuhkan 1 unit mobil boks engkle.

Kata Kunci : Optimalisasi Rute Transportasi, Genetic Algorithm, Bunga Krisan,

Heterogeneous Fleet VRP.


2

ABSTRACT

Chrysanthemum production in Indonesia shows good prospects marked by

increasing the number of products in every year. Some problems arise in the activities of

transportation and distribution of products from producers to customers in PT. Saung

Mirwan. One of them was a mistake choosing vehicle and transportation route which

resulted a decrease of the quality and quantity of products with an increase in deliveries

cost. Efficient transport can contribute to reduction of logistics costs. The research

succeeded to optimize the transport route and selection of the vehicle that proper to

distribute products according to demand using Genetic Algorithm and Heterogeneous

Fleet VRP methods. These research solutions result a route from Depot to Serpong-

Bandara-Jakarta-Cikarang-Cipanas and return to Depot. Results of the optimization to

choice the right vehicle obtained for 1,500,000 unrooted cutting delivery to Soekarno-

Hatta takes 1 unit L300 and 1 unit double; 250 chrysanthemum flower delivery to Cipanas

takes 1 unit engkle and 1 unit double; 150 shipping to Jakarta takes 1 unit double; 100

delivery to Serpong takes 1 unit engkle; and 75 boxes to Cikarang takes 1 unit engkle.

Keywords: Transportation Route Optimization, Genetic Algorithm, Chrysanthenum,

Heterogeneous Fleet VRP


3

PENDAHULUAN

Bunga krisan atau

Chrysanthemum merupakan salah satu

jenis bunga yang sangat populer dan

banyak diminati masyarakat serta

mempunyai nilai ekonomi yang tinggi.

Bunga krisan dikenal sebagai tanaman

hias yang memiliki banyak pilihan warna

serta berpotensi digunakan sebagai

tanaman obat tradisional dan penghasil

racun serangga (hama).

Saat ini di Indonesia produksi

bunga krisan menunjukkan prospek yang

cukup baik. Produksi bunga krisan

mengalami peningkatan setiap tahun,

mulai dari tahun 1999 sebanyak

1.468.213 tangkai, 2000 sebanyak



25.804.630 tangkai, hingga tahun 2009

sebanyak 107.847.072 tangkai (BPS

2009). Peningkatan produksi bunga

krisan memungkinkan peningkatan

jumlah pelanggan yang mendorong

perusahaan untuk melakukan perbaikan

dalam kegiatan distribusi dan

transportasi. Permasalahan pada

kegiatan distribusi dan transportasi

mempengaruhi besarnya proporsi biaya

yang harus dikeluarkan dalam aktivitas

pendistribusian tersebut.

Salah satu aktivitas distribusi

bunga krisan yang perlu diperhatikan

adalah pemilihan rute dan penggunaan

alat transportasi yang sesuai. Kesalahan

dalam pemilihan rute dan alat

transportasi dapat mengakibatkan

penurunan kualitas bunga dan

penambahan biaya transportasi

sebagaimana risiko dan keterlambatan

pengiriman. Sehingga dalam penelitian

ini akan dilakukan optimalisasi rute

transportasi untuk pengiriman produk ke

pelanggan berdasarkan fungsi minimasi

jarak tempuh dan biaya transportasi

dalam satu kali perjalanan.

Sebuah permasalahan

optimalisasi kombinatorial yang

kompleks, dalam pencarian cara

penggunaan yang efisien dari sejumlah

vehicle (kendaraan) yang harus

melakukan perjalanan untuk

mengunjungi sejumlah tempat untuk

mengantar dan/ atau menjemput orang/

barang merupakan permasalahan Vehicle

Routing Problem (VRP) [1]. Setiap

tujuan hanya boleh dilayani oleh satu

vehicle saja. Hal ini dilakukan dengan

mempertimbangkan kapasitas vehicle

dalam satu kali angkut, untuk

meminimalkan biaya yang diperlukan.

Pada kenyataannya, sebuah perusahaan

tidak selalu mempunyai kapasitas vehicle

yang sama, sehingga metode

penyelesaian VRP klasik kurang

mengena untuk diterapkan. Karena itu

muncul varian metode lain dalam

menyelesaikan permasalahan VRP pada

kapasitas vehicle yang berbeda, yang

dikenal dengan Heterogeneous Fleet

VRP.

Lingkup permasalahan VRP pada

praktiknya biasanya sangat luas (dalam

hal banyaknya jumlah pelanggan),

sehingga metode eksak tidak dapat

digunakan untuk menyelesaikannya.

Penekanan penyelesaian permasalahan

optimalisasi tersebut akhirnya lebih

ditekankan pada metode metaheuristic.

Beberapa eksperimen telah membuktikan

kehebatan Genetic Algorithm untuk

menyelesaikan VRP, yang membuatnya

sebagai kandidat kuat menjadi salah satu

alternatif solusi yang ampuh dalam

mencari optimalisasi VRP, sehingga

semakin banyak orang mencoba meneliti

metode ini.

Genetic Algorithm (GA)

diperkenalkan oleh John Holland dan

para peneliti dari University of Michigan

pada tahun 1970an [2], yang kemudian

mulai digunakan secara luas ke berbagai

bidang, termasuk untuk memecahkan

permasalahan-permasalahan

optimalisasi. Ide dasar dari GA adalah

memodelkan seleksi alam menggunakan


4

penurunan warisan genetika berdasarkan

teori Darwin [3].

Hal-hal di atas melatarbelakangi

Penulis untuk memecahkan kasus

optimalisasi rute transportasi

pendistribusian komoditas bunga krisan

menggunakan Genetic Algorithm dengan

memperhatikan kendala Heterogeneous

Fleet VRP.

METODE PENELITIAN

Langkah-langkah yang ditempuh

dalam pengerjaan Tugas Akhir ini adalah:

1. Identifikasi Masalah

Adapun permasalahan yang

teridentifikasi dari penelitian ini

adalah sistem distribusi dalam hal

rute transportasi yang ditempuh dan

alat transportasi yang digunakan

untuk mengangkut bunga krisan dari

depot ke konsumen.

2. Pemahaman Sistem dan Studi

Literatur

Pada tahap ini Penulis

mengumpulkan informasi yang

diperlukan dan penentuan landasan

teori yang digunakan dengan

melakukan studi literatur mengenai

bunga krisan serta rute

pendistribusian, permasalahan

Vehicle Routing Problem (VRP), tipe

lain dari permasalahan VRP dalam

kasus ini kapasitas vehicle yang

berbeda (Heterogeneous Fleet VRP),

Genetic Algorithm (GA) dan

penyelesaian permasalahan VRP

menggunakan GA.

3. Penentuan Tujuan Penelitian

Penelitian ini bertujuan memperoleh

rute optimal dari proses

pendistribusian bunga krisan yang

juga memperhatikan kendala

kapasitas vehicle yang berbeda jenis

sehingga meminimumkan biaya

transportasi dalam satu kali

perjalanan.

4. Identifikasi dan pengumpulan data

yang dibutuhkan dalam penelitian

Data yang dibutuhkan dalam

penelitian ini berupa deskripsi data

konsumen, jarak dari depot ke

konsumen, jenis dan kapasitas vehicle

atau alat angkut yang digunakan

dalam pendistribusian bunga dan

jumlah volume pesanan masing-

masing konsumen. Dari data jarak

akan dicari kombinasi rute

transportasi yang optimal dan data

kapasitas vehicle akan ditentukan

vehicle yang tepat yang menjadi alat

angkut pendistribusian.

5. Pengolahan Data

Pada tahap ini data yang telah didapat

kemudian diolah menggunakan

metode Genetic Algorithm (GA) dan

bantuan Algoritma Nearest Neighbor

untuk penyelesaian permasalahan

kasus Heterogeneous Fleet VRP.

6. Perancangan Sistem

Tahap ini meliputi analisis dan desain

rancangan rute transportasi yang akan

dibangun dengan mengacu pada hasil

pemahaman sistem, studi literatur,

penelitian, dan pengolahan data yang

telah diproses sebelumnya.

7. Uji Coba dan Evaluasi

Pada tahap uji coba dan evaluasi,

Penulis melakukan pengujian

terhadap hasil perancangan rute

apakah mencapai optimalisasi rute

transportasi sesuai dengan yang

diharapkan.

PEMBAHASAN

Bunga Krisan

Krisan (Chrysanthenum sp.) atau

yang biasa dikenal dengan sebutan aster

atau seruni tergolong dalam family

Compositae yang berasal dari Cina [4].

Sejak zaman dahulu, krisan

dibudidayakan untuk menghasilkan

bunga potong. Saat ini krisan sebagai


5

tanaman pot juga populer dan banyak

diminati.

Tanaman krisan yang kini

dibudidayakan merupakan hasil

persilangan kompleks dari beberapa

spesies yang telah dikenal sejak ribuan

tahun yang lalu. Krisan tumbuh dengan

baik pada wilayah daratan medium

sampai daratan tinggi dengan kisaran

ketinggian tempat 700 – 1200 meter di

atas permukaan laut (mdpl). Varietas

dengan berbagai karakteristik yang

beredar di pasaran sudah ratusan

jumlahnya, dengan adanya program

pemuliaan tanaman yang semakin maju,

varietas akan semakin bertambah.

Varietas yang beragam dikelompokkan

kedalam dua tipe utama yang ditunjukkan

pada gambar 1.

(a) Tipe Standar (b) Tipe Spray

Gambar 1 Tipe Varietas Krisan

Vehicle Routing Problem (VRP)

Vehicle Routing Problem (VRP)

diperkenalkan pertama kali oleh Dantziq

dan Ramser pada tahun 1959 [5] dan

semenjak itu telah dipelajari secara luas.

Secara sederhana, VRP merupakan

permasalahan yang meliputi konstruksi

rute-rute dari sejumlah vehicle

(kendaraan) yang dimulai dari suatu

depot utama menuju ke lokasi sejumlah

customer (pelanggan) dengan jumlah

permintaan tertentu. Tujuannya adalah

untuk meminimumkan biaya total tanpa

melebihi kapasitas kendaraan yang

berlokasi pada satu atau lebih depot yang

dijalankan oleh sekelompok pengendara

dengan menggunakan road network yang

sesuai. Inti permasalahan adalah untuk

menemukan jalur terpendek melalui

semua customer yang ada. Gambar 2

menunjukkan solusi dari sebuah

permasalahan VRP dalam bentuk graph.

Pada gambar 2, node 0 melambangkan

depot (kota asal), dan node 1-10

melambangkan customer.

Gambar 2 Solusi dari Sebuah VRP

Heterogeneous Fleet VRP (HFVRP)

Aplikasi VRP pada kehidupan

nyata dapat ditemukan pada banyak hal,

seperti pada permasalahan pengantaran

produk dari suplier kepada agen,

pengangkutan sampah, pengambilan

surat pada kotak pos, pengantaran koran

pada para pelanggan, dan sebagainya [6].

Tidak semua perusahaan pengangkut

sampah mempunyai armada yang sama

persis, tidak semua loper koran

menggunakan kendaraan yang sama, dan

tidak semua suplier menggunakan jenis

pengangkutan yang sama, bisa

menggunakan kendaraan darat, sepeda

motor, mobil, truk, atau bahkan kapal laut

dan pesawat terbang. Permasalahan-

permasalahan tersebut diatas dapat

diefisiensikan dengan dicari nilai

optimalnya menggunakan pemodelan

VRP. Namun parameter-parameter dari

proses pengiriman barang tidak

sesederhana itu. Pada aplikasinya, ada

berbagai konstrain tambahan yang harus

dipertimbangkan, seperti biaya

perjalanan yang asimetris, depot yang

lebih dari satu, jangka waktu pengiriman

(misalnya pada pengiriman makanan),

adanya penjemputan barang selain

pengiriman, dan masih banyak lagi

kemungkinan-kemungkinan lain yang

spesifik pada aplikasi tertentu. Karena

banyaknya kemungkinan yang bisa

terjadi, dalam tugas akhir ini hanya

dibahas penyelesaian VRP dengan


6

beberapa tipe kendaraan (memiliki

kapasitas berbeda-beda), yang dikenal

dengan Heterogeneous Fleet VRP.

Genetic Algorithm (GA)

Terinspirasi dari teori darwin

tersebut, pada tahun 1975 John Holland

dan timnya menciptakan teori Genetic

Algorithm. Ide utama dibalik Genetic

Algorithm ini adalah memodelkan proses

evolusi alami menggunakan warisan

genetika seperti yang diumumkan oleh

Darwin. Meskipun diperkenalkan oleh

John Holland, penggunaan Genetic

Algorithm untuk memecahkan persoalan

yang kompleks baru didemonstrasikan

kemudian (pada tahun yang sama) oleh

De Jong, dan kemudian oleh Goldberg

pada tahun 1989.

Algoritma genetika diterapkan

sebagai simulasi komputer dimana

sebuah populasi (Kromosom) dari solusi

calon (individual) pada masalah optimasi

akan berkembang menjadi solusi yang

baik.

GA menyelesaikan masalah

dengan mengkodekan permasalahan

menjadi chromosome. GA memulai

prosesnya dengan sekumpulan initial

solutions, berbeda dengan metaheuristic

lain seperti Simulated Annealing dan

Tabu Search yang memulai proses

dengan sebuah solusi tunggal, dan

berlanjut ke solusi lainnya melalui suatu

transisi. Karena itu GA melakukan

pencarian multi-directional dalam

solution space, yang memperkecil

kemungkinan berhentinya pencarian pada

kondisi local optimum. Hanya diperlukan

sebuah fungsi evaluasi tunggal yang

berbeda untuk tiap permasalahan. Genetic

Algorithm dapat dengan mudah

beradaptasi dengan berbagai macam

permasalahan, sehingga ada banyak versi

dari Genetic Algorithm, tergantung dari

permasalahan yang ingin dipecahkan.

Proses Genetic Algorithm dimulai

dengan terbentuknya populasi di mana

merupakan sekumpulan individu yang

diproses bersama dalam sebuah siklus

proses evolusi. Satu-satuan siklus proses

evolusi dinyatakan dalam generasi.

Dalam proses evolusi, individu secara

terus-menerus mengalami perubahan gen

untuk menyesuaikan diri dengan

lingkungan hidupnya. Hasil akhir tiap

evolusi nantinya diharapkan diperoleh

individu yang terbaik. Siklus proses

evolusi Genetic Algorithm ditunjukkan

pada gambar 3.

Gambar 3 Siklus Genetic Algorithm

ANALISIS DAN PERANCANGAN

SISTEM

Aplikasi ini dibuat untuk

menyelesaikan permasalahan

optimalisasi rute transportasi yang bertipe

Heterogeneous Fleet VRP pada kasus

pendistribusian bunga krisan.

Metode yang digunakan untuk

menghasilkan rute optimal adalah

Genetic Algorithm yang terbukti

memiliki kemampuan dalam pemecahan

masalah Integer Programming bersifat

metaheuristik. Semakin lama proses

pencarian, solusi yang didapat cenderung

semakin baik. Karena itu, proses

komputasi dilakukan berulang sampai

menemukan solusi paling optimal. Selain

itu juga digunakan bantuan metode

Nearest Neighbor Algorithm untuk

menghasilkan tipe vehicle yang tepat

sebagai alat transortasi perndistribusian

bunga.

Rancangan Perangkat Lunak


7

Rancangan perangkat lunak

merupakan hal yang sangat penting untuk

mempermudah pembuatan aplikasi.

Selain itu penggunaan propeti yang

sesuai dengan kebutuhan komputasi juga

perlu diperhatikan untuk memberi

kemudahan pengguna dalam

mengoperasikan aplikasi secara efisien.

Rancangan aplikasi terdiri dari rancangan

operator Genetic Algorithm, rancangan

aliran data dan rancangan user interface.

Rancangan Operator GA

Operator Genetic Algorithm yang

digunakan pada aplikasi ini meliputi

operator populasi, seleksi, crossover,

mutasi, evaluasi dan envolve populasi.

1. Populasi

Operator populasi berisi kumpulan

individu atau chromosome yang

menggambarkan solusi rute. Populasi

awal dibentuk dari chromosome acak.

Pertama di-list customer (gen) yang

sebelumnya telah terdata di dalam

sebuah tabel. Kemudian gen-gen

dibentuk menjadi sebuah

chromosome yang menyatakan

sebuah rute. Populasi terbentuk dari

beberapa chromosome yang diacak

menggunakan fungsi random.

2. Seleksi

Populasi yang telah terbentuk

diseleksi dengan dipilih beberapa dari

keseluruhan chromosome dalam

sebuah individu. Jumlah chromosome

yang terkena proses seleksi sesuai

dengan jumlah parameter seleksi

yang diiput user.

3. Crossover

Chromosome hasil seleksi diproses

menggunakan operator crossover

dengan menukar sub chromosome

antar kedua chromosome (parent).

Sub chromosome didapat dari

penentuan titik awal dan titik akhir

masing-masing secara random. Hasil

proses crossover disimpan sebagai

chromosome child.

4. Mutasi

Proses mutasi dengan menukar dua

posisi gen (customer) menggunakan

teknik swap mutation. Dua posisi gen

ditentukan secara acak sesuai dengan

probabiltas mutasi yang diinput user.

5. Evaluasi

Operator evaluasi akan menghasilkan

suatu nilai yang disebut sebagai

fitness value sebagai pengukur

kualitas suatu chromosome. Fitness

value diperoleh dari total jarak yang

ditempuh vehicle dalam tiap solusi

rute (chromosome).

6. Envolve Populasi

Envolve populasi adalah

pembentukan populasi baru dari hasil

populasi generasi awal.

Perkembangan populasi didasari

banyaknya generasi yang diproses.

Jumlah generasi diiput oleh user yang

melambangkan jumlah iterasi proses

komputasi algoritma.

Rancangan Aliran Data

Aliran data pada aplikasi

ditampilkan dengan desain DFD (Data

Flow Diagram) yang terbagi menjadi

DFD level 0, level 1 dan level 2. DFD

level 0 dari aplikasi ini dapat dilihat pada

gambar 4.

Gambar 4 Desain DFD Level 0

Pada gambar 4, pengguna

memasukkan inputan data awal yang

mempengaruhi komputasi algoritma

genetika seperti jumlah populasi, jumlah


8

generasi, parameter seleksi dan

probabilitas mutasi. Setelah itu aplikasi

akan melakukan proses penyelesaian

optimalisasi yang menghasilkan output

rute optimal dan mengembalikannya

kembali pada pengguna. Breakdown pada

DFD level 0 ini akan menghasilkan DFD

level 1 yang dapat dilihat pada gambar 5

berikut.


Alur DFD level 1 pada gambar 5,

terdapat proses inisialisasi populasi awal

sebelum melakukan komputasi Genetic

Algorithm. Pencarian solusi diawali

dengan pembacaan masukan data awal

yang diinput user, kemudian dilanjutkan

dengan insialisasi populasi awal. Solusi

optimal didapat dari hasil pencarian

solusi menggunakan Genetic Algorithm

yang akhirnya dikembalikan dan

ditampilkan kembali kepada user. Desain

DFD level 1 kemudian di-breakdown

sehingga menjadi proses pencarian solusi

DFD level 2 seperti terlihat pada gambar

6.


Dari alur DFD level 2 pada

gambar 6, proses Genetic Algorithm

terdiri dari proses Generate Initial

Population di awal yang bertujuan

menghasilkan initial population yang

kemudian diproses dengan AG. Proses

Genetic Algorithm ini kemudian

dilakukan berulang sampai memenuhi

stopping condition berupa banyaknya

iterasi sesuai dengan data jumlah generasi

yang diiput user.

Perancangan User Interface

Seperti yang telah dibahas pada

alur DFD level 1, diperlukan penginputan

data yang dilakukan oleh user sebelum

akhirnya proses komputasi algoritma

dijalankan. Aplikasi ini dirancang

menggunakan user interface sebagai

sarana interaksi user dengan data dan

parameter Genetic Algorithm.

User diharuskan menginput

jumlah populasi, jumlah generasi,

probabilitas mutasi dan parameter seleksi

untuk digunakan pada proses iterasi.

Terdapat button proses untuk

menampilkan keluaran berupa jarak

optimal, solusi rute dan solusi vehicle

dari proses Genetic Algorithm.


9

IMPLEMENTASI

Uji Coba Skenario 1

Untuk pengujian awal,

digunakan nilai-nilai parameter sebagai

berikut :

Jumlah Populasi : 50

Jumlah Generasi : 100

Parameter Seleksi : 5

Probabilitas Mutasi : 0.001

Parameter pada skenario pertama

menggunakan rekomendasi nilai

parameter De Jong. Untuk permasalahan

yang memiliki kawasan solusi cukup

besar, De Jong merekomendasikan nilai

parameter (popsize; pc; pm) = (50; 0.6;

0.001) [5]. Hasil pengamatan tiap output

komputasi Genetic Algorithm pada kasus

permasalahan ini ditampilkan kedalam

diagram pada gambar 7 berikut.

Gambar 7 Hasil Optimalisasi Parameter

De Jong

Gambar 7 merupakan diagram

hasil iterasi proses optimalisasi rute

transportasi pendistribusian bunga krisan

sebanyak 10 kali iterasi. Tiap iterasi

menghasilkan jarak optimum 257 titik

yang merupakan jarak paling optimal dari

hasil proses komputasi Genetic Algorithm

menggunakan aplikasi. Rute paling

optimal pada iterasi skenario pertama ini

didapat susunan chromosome (4-1-3-5-

2). Rute ini merupakan solusi rute

(chromosome) dengan presentase

kemunculan paling besar dari

keseluruhan iterasi seperti yang

ditampilkan pada diagram di atas.

Susunan rute tersebut merupakan

kunjungan dari Depot-Serpong-Bandara-

Jakarta-Cikarang-Cipanas-kembali ke

Depot. Berikut ini tampilan output

aplikasi yang ditunjukkan pada gambar 8.

Gambar 8 Output Aplikasi Skenario 1

Uji Coba Skenario 2

Skenario ini menggunakan

parameter yang diperoleh dari penelitian

terdahulu yang membuat sebuah proyek

mengenai Applying a Genetic Algorithm

To The Traveling Salesman Problem

oleh Lee Jacobson, seorang developer di

Bristol, UK [7]. Projek tersebut

membahas mengenai pencarian solusi

optimal dari bentuk TSP dengan

menggunakan Genetic Algorithm.

Berikut ini parameter-parameter yang

digunakan pada proses komputasi.


Jumlah Generasi : 100



Hasil uji coba menggunakan

parameter tersebut ditampilkan pada

diagram optimalisasi rute gambar 9.


Lee Jacobson


10

Rute optimal yang diperoleh dari

proses komputasi Genetic Algorithm pada

gambar 9 menggunakan parameter Lee

Jacobson dengan susunan rute dari Depot

menuju-Serpong-Bandara-Jakarta-

Cikarang-Cipanas-kembali ke Depot.

Pada susunan rute ini mendapatkan

persentase muncul sebanyak 4 kali dari

10 kali iterasi. Hasil susunan solusi rute

pada skenario ini sama dengan hasil

solusi rute pada skenario pertama. Hasil

output pada aplikasi ditampilkan pada

gambar 10 berikut.


Uji Coba Skenario 3

Pada skenario kali ini, komputasi

Genetic Algorithm menggunakan

parameter dengan ukuran (popsize; pc;

pm) = (80; 0.45; 0.01). Ukuran parameter

ini diperoleh dari rekomendasi nilai

parameter oleh Sri Kusumadewi dalam

sebuah modul mengenai Pendahuluan

Struktur Umum Komponen Utama

Seleksi, Rekombinasi dan Mutasi

Algoritma Genetika Sederhana [6]. Pada

modul dibahas bahwa jika fitness dari

individu terbaik dipantau pada setiap

generasi, maka usulan batasan

parameternya adalah sebagai berikut.


Jumlah Generasi : 1



Untuk memantau fitness terbaik

dari individu ditiap generasi, maka

jumlah generasi pada skenario ini adalah

1. Bebeda seperti skenario sebelumnya

yang melakukan komputasi Genetic

Algorithm sebanyak 100 generasi. Hasil

uji coba menggunakan parameter ini

ditampilkan pada diagram optimalisasi

rute gambar 11 berikut.


Sri Kusumadewi

Hasil optimalisasi rute

transportasi yang ditunjukkan diagram

pada gambar 11, terdapat dua solusi rute

yang memiliki jumlah frekuensi

kemunculan sama dalam 10 kali iterasi.

Bebeda dari skenario sebelumnya, pada

skenario ini komputasi Genetic Algorithm

hanya melakukan satu kali proses

optimalisasi sesuai dengan tujuan uji

coba skenario ini yaitu untuk

menganalisa solusi rute yang dihasilkan

pada tiap generasi. Susunan rute 2-4-1-3-

5 menggambarkan rute transportasi

beragkat dari Depot menuju-Cipanas-

Serpong-Bandara-Jakarta-Cikarang

kembali ke Depot. Untuk susunan rute 1-

4-2-5-3 menggambaarkan rute

transportasi dimulai dari Depot-Bandara-

Serpong-Cipanas-Cikarang-Jakarta-

kembali ke Depot. Output rute optimal

pada aplikasi ditampilkan pada gambar

12 berikut.


11


KESIMPULAN

Dari hasil pengamatan selama

proses manualisasi, perancangan,

implementasi dan proses uji coba

perangkat lunak yang dilakukan, hasil

solusi rute optimal pada kasus

pendistribusian bunga krisan PT. Saung

Mirwan diperoleh susunan rute berangkat

dari Depot menuju–Serpong–Bandara–

Jakarta–Cikarang–Cipanas–dan kembali

ke Depot dengan jarak optimal 257 titik

pada penghitungan aplikasi.

Aplikasi yang dibuat telah mampu

memenuhi kebutuhan untuk

menyelesaikan permasalahan Genetic

Algorithm pada kasus optimalisasi rute

transportasi pendistribusian bunga krisan

di PT. Saung Mirwan dengan

memperhatikan pula permasalahan

Heterogeneous Fleet VRP. Dari hasil

pengolahan aplikasi, didapat solusi alat

transportasi yang optimal dengan rincian

untuk customer Bandara (mobil boks

L300 dan double), Cipanas (mobil boks

engkle dan double), Jakarta (mobil boks

double), Serpong (mobil boks engkle) dan

Cikarang (mobil boks engkle). Karena

Genetic Algorithm tidak terpengaruh oleh

besarnya permasalahan, algoritma ini

merupakan metode yang cukup efektif

untuk menyelesaikan optimalisasi rute

dengan skala besar.

SARAN

Hasil dari penelitian ini

digunakan sebagai dasar optimalisasi rute

transportasi Heterogeneous Fleet VRP

terkait pendistribusian bunga krisan di

PT. Saung Mirwan. Namun penelitian ini

dapat dikembangkan untuk mendapatkan

hasil yang lebih baik.

Berdasar pada hasil perancangan,

implementasi dan uji coba yang telah

dilakukan, aplikasi ini memungkinkan

untuk dikembangkan lebih luas di mana

dapat mengelola optimalisasi rute

transportasi pada kasus lain yang lebih

beragam. Interface antar muka grafis baik

dibagian input data, maupun tampilan

solusi optimal pada aplikasi ini juga dapat

dikembangkan dengan dibuat sedemikian

rupa sehingga memudahkan penggunaan

dan pembacaan solusi hasil. Untuk

mendapatkan penghitungan yang lebih

sesuai dengan kondisi kebutuhan

optimalisasi rute pendistribusian bunga

krisan di PT. Saung Mirwan, diperlukan

data jarak dan demand yang lebih akurat

dengan melakukan penelitian data kasus

ini lebih mendalam.

DAFTAR PUSTAKA

[1] M. Fisher. 1995. Vehicle Routing.

Handbooks of Operations Research

and Management Science. New

York: North-Holland.

[2] S. M. Sait dan H. Youssef. 1999.

Iterative Computer Algorithms with

Application in Engineering:

Solving Combinatorial

Optimization Problems. Chapter 3.

[3] Charles Darwin. 2004. Britannica

concise encyclopedia. URL:

http://concise.britannica.com/ebc/a

rticle?eu=387589. (diakses 25 Mei

2015)


12

[4] Balai Pengkajian Teknologi

Pertanian. 2006. Budidaya

Tanaman Krisan, Yogyakarta.

[5] G. Laporte, M. Gandreau, J-Y.

Potvin dan F. Semet. 2000.

Classical and Modern Heuristic for

the Vehicle Routing Problem.

International Transactions in

Operational Research. 7:285-300.

[6] Eko, Bambang. 2007.

Implementasi Algoritma Paralel

Genetic Algorithm Untuk

Penyelesaian Heterogeneous Fleet

Vehicle Routing Problem. Skripsi.

Tidak dipublikasikan. Surabaya:

Institut Teknologi Sepuluh

Nopember.

[7] Jacobson Lee. 2012. Applying a

Genetic Algorithm To The

Traveling Salesman Problem.

URL:

http://www.theprojectspot.com/tut

orial-post/applying-a-genetic-

algorithm-to-the-travelling-

salesman-problem/5. (diakses 14

September 2015)

surat keterangan - emirul.staff.gunadarma.ac.id

Documents