laporan tubes_dhahniar 07-060

APLIKASI VBA UNTUK MENYELESAIKAN TSP MENGGUNAKAN ALGORITMA HS

Disusun Oleh :Dhahniar Rakhmawati2507 100 060

JURUSAN TEKNIK INDUSTRIFAKULTAS TEKNOLOGI INDUSTRIINSTITUT TEKNOLOGI SEPULUH NOPEMBER

[DHAHNIAR RAKHMAWATI 2507 100 060] 2011

BAB IPENDAHULUAN

1.1 Latar BelakangSecara umum suatu gudang membutuhkan produk handling (basis operasi yang mengikut

sertakan manusia dan mesin dalam pengoprasian gudang) yang sangat besar dan itu sangat membutuhkan waktu yang banyak. Berdasarkan penelitian yang dilakukan oleh M. Shouman (2005) gudang ataupun distribution center pada suatu perusahaan memiliki tiga kategori utama dalam menangani produk handling yaitu pendesainan layout dari gudang dan alokasi produknya, order batching, serta order picking atau pemilihan rute pengambilan barang. Dari ketiga kategori tersebut, pembenahan pada order picking atau rute pengambilan barang merupakan hal yang sangat mempengaruhi waktu pelayanan terhadap konsumen serta menghabiskan 65% dari total biaya operasi gudang (Petersen, 1999).

Strategi S-Shape merupakan salah satu strategi rute pengambilan barang dalam aktivitas order picking yang saat ini digunakan PT. Eka Jaya Motor, dimana picker masuk dari ujung aisle yang satu dan keluar dari ujung yang lain pada aisle yang sama. Strategi ini sangat mudah untuk digunakan namun sangat tidak efisien dalam mengurangi jarak tempuh dari aktivitas order picking tersebut. Permasalahan rute pada aktivitas order picking dalam mengurangi jarak tempuh dapat dikategorikan sebagai Travelling Salesman Problem (TSP) dimana pada aktivitas tersebut picker harus menuju ke semua lokasi barang yang akan diambil dan kembali lagi ke lokasi awal dimana picker tersebut berangkat.

Menurut Grosan et al. (2006) permasalahan TSP tergolong pada permasalahan NP-Hard yang dapat diselesaikan menggunakan algoritma Harmony Search (HS). Algoritma HS pertama kali diusulkan oleh Geem et al. (2001). HS merupakan algoritma yang didasarkan pada permainan musik. Permainan musik akan mencari harmoni yang paling indah yang ditentukan oleh estimasi keindahan (aesthetic estimation), sebagaimana proses optimasi ingin menemukan solusi optimum (global optimum: minimum biaya; minimum error; maksimum benefit) yang ditentukan oleh adanya fungsi obyektif. Estimasi keindahan dilakukan dengan pengaturan (pitches) nada yang dilakukan secara bersama dari gabungan instrumen. Sebagaimana fungsi obyektif dievaluasi pada kombinasi beberapa nilai variabel ; suara yang indah akanbisa didapatkan setelah pemain musik sering berlatih sebagaimana fungsi obyektif dapat diperbaiki dengan menambah iterasi. Adanya penyelesaian HS pada TSP akan menghasilkan solusi global optimum.. Oleh karena itu, pada tugas besar Manajemen Distribusi ini akan digunakan algoritma HS untuk menyelesaikan permasalahan TSP di PT. Eka Jaya Motor dengan tools simulasi VBA.

1.2 Rumusan MasalahSebuah perusahaan yang bekerja sebagai penyuplai komponen–komponen dalam perakitan

mobil mendapat sedikit kendala dalam memenuhi permintaan konsumennya, salah satunya adalah proses pemindahan barang atau pengambilan barang (order picking) dari penyimpanan untuk dikirimkan kepada konsumen. Saat ini PT. Eka Jaya Motor dalam proses order picking menggunakan strategi S-Shape, yaitu dengan menyisir seluruh gudang penyimpanan untuk mengambil barang yang telah dipesan oleh konsumen, strategi ini dirasa kurang efisien dan memakan banyak waktu, sehingga konsumen yang telah memesan tidak dapat dilayani dengan cepat. Sehingga dalam laporan tugas besar ini akan diselesaikan masalah TSP dalam proses order picking PT. Eka Jaya Motor menggunakan algoritma HS. Hasil dari penyelesaian tersebut akan dibandingkan dengan kondisi eksisting yang ada di PT. Eka Jaya Motor.

2


1.3 TujuanAdapun tujuan dari penulisan tugas besar Manajemen Distribusi ini adalah pengaplikasian

algoritma HS dalam Traveling Salesman Problem (TSP) di PT. Eka Jaya Motor menggunakan tools simulasi VBA.

1.4 Batasan dan AsumsiBatasan masalah dalam penulisan tugas besar Manajemen Distribusi ini adalah :

• Difokuskan pada aktivitas order picking di PT. Eka Jaya Motor• Perhitungan hanya berlaku untuk melayani penjualan pada konsumen tanggal 31 Juli 2007

(rute yang diperhitungkan hanya berdasarkan lokasi part di gudang yang terjual pada tanggal tersebut)

• Fungsi tujuan dari permasalahan adalah mencari rute dengan waktu tempuh yang paling minimum

Sedangkan ssumsi yang digunakan adalah :• waktu tempuh berjalan sejauh 1 meter memakan waktu 1,2 detik• Parameter awal yang digunakan adalah HMS 10, HMCR 0,9, PAR 0,3, b 0,1, xu 1, xl 0

1.5 Sistematika PenulisanSistematika penulisan tugas besar Manajemen Distribusi adalah sebagai berikut :

BAB I PENDAHULUAN Berisi tentang latar belakang permsalahan, perumusan masalah yang ada, tujuan pemecahan masalah, batasan masalah dan sistematika penulisan.

BAB II TINJAUAN PUSTAKA Bab ini berisi dasar-dasar teori dan metode yang digunakan sebagai dasar dan alat untuk memecahkan masalah. Selain itu, dalam bab ini juga akan dijelaskan mengenai gambaran umum perusahaan dari PT. Eka Jaya Motor.

BAB III METODOLOGI PENELITIANBerisi alur/flowchart pengerjaan tugas besar Manajemen Distribusi mulai dari proses identifikasi masalah, pengumpulan data, pengolahan data, analisis dan interpretasi serta penarikan simpulan.

BAB IV PENGUMPULAN DAN PENGOLAHAN DATABerisi data yang diperlukan dalam penyelesaian masalah TSP yang kemudian dilanjutkan pada pengolahan data tersebut menggunakan algoritma HS yang akan diselesaikan melalui simulasi VBA.

BAB V ANALISIS DAN INTERPRETASI DATABerisi analisis mengenai pengolahan data yang ada di bab IV yang kemudian dari analisis tersebut dapat diinterpretasikan. Dalam analisis ini juga akan dilakukan perbandingan solusi dari hasil perhitungan menggunakan algoritma HS dengan kondisi eksisting. Perbandingan ini akan dilihat melalui cost atau biaya yang dikeluarkan (fungsi objektif : minimasi)

BAB IV PENUTUPBerisi tentang kesimpulan dari hasil pembahasan yang telah dilakukan, serta saran bagi penulis pada khususnya dan pembaca pada umumnya.

3


BAB IITINJAUAN PUSTAKA

2.1 Optimasi2.2.1 Pengertian Optimisasi

Optimisasi ialah suatu proses untuk mencapai hasil yang ideal atau optimal (nilai efektif yang dapat dicapai). Dalam disiplin matematika optimisasi merujuk pada studi permasalahan yang mencoba untuk mencari nilai minimal atau maksimal dari suatu fungsi nyata. Untuk dapat mencapai nilai optimal baik minimal atau maksimal tersebut, secara sistematis dilakukan pemilihan nilai variabel integer atau nyata yang akan memberikan solusi optimal.

2.2.2 Pengertian Nilai OptimalNilai optimal adalah nilai yang didapat dengan melalui suatu proses dan dianggap menjadi

suatu solusi jawaban yang paling baik dari semua solusi yang ada. Nilai optimal dapat dicari dengan dua cara, yaitu:

1. Cara konfensional, yaitu mencoba semua kemungkinan yang ada dengan mencatat nilai yang didapat cara ini kurang efektif, karena optimasi akan berjalan secara lambat.

2. Cara kedua adalah dengan menggunakan suatu rumus sehingga nilai optimal dapat diperkirakan dengan cepat dan tepat.

2.2.3 Macam-macam Persoalan Optimisasi Persoalan yang berkaitan dengan optimisasi sangat kompleks dalam kehidupan sehari-

hari. Nilai optimal yang didapat dalam optimisasi dapat berupa besaran panjang, waktu, jarak dan lain-lain. Berikut ini adalah beberapa persoalan yang memerlukan optimisasi: Menentukan lintasan terpendek dari suatu tempat ke tempat yang lain, menentukan jumlah pekerja seminimal mungkin untuk melakukan suatu proses produksi agar pengeluaran biaya pekerja dapat diminimalkan dan hasil produksi tetap maksimal, mengatur jalur kendaraan umum agar semua lokasi dapat dijangkau, mengatur routing jaringan kabel telepon agar biaya pemasangan kabel tidak terlalu besar.

2.3 Travelling Salesman Problem (TSP)Permasalahan TSP (Traveling Salesman Problem ) adalah permasalahan dimana seorang

salesman harus mengunjungi semua kota dimana tiap kota hanya dikunjungi sekali, dan dia harus mulai dari dan kembali ke kota asal. Tujuannya adalah menentukan rute dengan jarak total atau biaya yang paling minimum. Jika jumlah kota yang harus didatangi hanya sedikit, misalnya hanya ada 5 kota, permasalahan ini dapat dipecahkan dengan sangat mudah. Kita bahkan tidak memerlukan komputer untuk menghitungnya. Tetapi, masalahnya jadi rumit jika ada lebih dari 20 kota yang harus didatangi. Ada begitu banyak kemungkinan yang harus dicoba dan diuji untuk menemukan jawabannya. Beberapa contoh masalah yang dapat diselesaikan dengan menggunakan pendekatan TSP adalah :

Pencarian rute bis sekolah untuk mengantarkan siswa Pencarian rute truk pengantar parcel Pengambilan tagihan telepon Penjadwalan produksi

Beberapa algoritma yang bisa digunakan untuk memecahkan masalah ini, diantaranya dengan menggunakan Linier Programming (LP), Genetic Algorithm (GA), Nearest

4


Neighbourhoud Heuristics (NNH), Nearest Insertion Heuristics, Farthest Insertion Heuristics, Cheapest Insertion Heuristics, Priciest Insertion Heuristics, Harmony Search (HS), Particle Swarm Optimization (HS), dan Ant Coliny System (ACO).

Gambar 2. 1 Penentuanrute dengan Travelling Salesman Problem

Berikut ini adalah model matematis yang digunakan untuk menyelesaikan Travelling Salesman Problem .

Input :n = jumlah customer meliputi depotcij = jarak dari customer i ke j atau jarak dari depot ke customer

Varibel Keputusan :

Fungsi Tujuan : min∑

i=1

n

∑j=1

n

cij x ij

Konstrain :

s .t . ∑i=1

n

x ij=1 untuk semua j

∑j=1

n

x ij=1 untuk semua i

x ij∈ {0,1 } untuk semua i , j

2.4 Harmony Search (HS)Harmony search adalah algoritma metaheuristik yang didasarkan pada harmoni pada musik.

Algoritma ini terinspirasi dari observasi bahwa tujuan dari orang bermusik adalah mencari status

5

x ij={1 jika kendaraan melakukan perjalanan dari customer i to j .0 jika tidak


harmoni yang sempurna. Usaha menemukan harmoni dalam musik adalah analog dengan proses penemuan solusi optimal dalam optimasi. Dengan kata lain, proses improvisasi yang dilakukan seorang pemain musik jazz bisa dianalogikan dengan proses pencarian solusi dalam optimasi. Selain itu, harmoni yang sempurna ditentukan oleh stndar keindahan audio. Musisi selalu ingin menghasilkan karya musik yang mempunyai harmoni yang sempurna. Sementara itu, solusi optimal untuk suatu masalah optimasi harus dicari berdasarkan fungsi tujuan dan konstrain yang ada. Kemiripan ini digunakan sebagai dasar penyusunan algoritma harmony Search HS pertama kali dikembangkan oleh Geem et al. in 2001 Geem et al. [2001]

Analogi musik dengan proses optimasi adalah sebagai berikut : Instrumen Musik → variabel keputusan Pitch Range → Range nilai variabel Harmony → Vektor solusi Aesthetics → Fungsi obyektif Practice → Iterasi Experience → Matrik Memori

Dengan adanya analogi seperti ini, disusunlah algoritma HS ini. Umumnya diperlukan cukup banyak jumlah iterasi (dalam skala ribu) untuk menemukan solusi terbaik dengan HS ini. HS menyelesaian suatu permasalahan optimasi (minimasi fungsi) dengan langkah-langkah umum sebagai berikut :

• Langkah 1 . Inisialisasi ParameterBeberapa parameter model perlu diberi nilai antara lain Harmony Memory Consideration Rate HMCR (misal 0.7 − 0.95), ukuran sampel HMS (misal N = 0.20), pitch adjusting rate (P AR = 0.3) Tentukan pitch bandwidth b secara random, xL (batas bawah) dan xU (batas atas) untuk nilai variabel.

• Langkah 2. Inisialisasi Harmony Memory (HM )HM terdiri dari N solusi awal. Solusi ini bisa terdiri dari satu variabel sampai p variabel. Solusi ini dibangkitkan secara random. Semua kandidat solusi ini dievaluasi untuk menemukan solusi terburuk.

dimana masing-masing vektor solusi (tiap baris) akan dievaluasi nilai fungsinya

6


• Langkah 3. Lakukan perbaikan/improvisasi terhadap solusi yang adaUntuk setiap variabel diambil secara random nilai yang ada pada HM. Dengan prosedur tertentu nilai ini akan diadjust sedemikian rupa jika memenuhi aturan tertentu (menggunakan pembangkitan bilangan random dan dibandingkan dengan HMCR dan PAR) hingg akan didapatkan nilai baru. Atau kalau tidak memenuhi aturan, akan dibangkitkan solusi baru secara random. Suatu harmoni baru atau vektor baru akan dibangkitkan berdasarkan aturan berikut: HM consideration (HMCR), pitch adjusting rate (PAR) dan pembangkitan yang benar-benar

random. Sebagai contoh nilai x1' baru akan diambil dari (X1

1 ∼ x1HMS). Variabel yang lain dicari

dengan cara yang sama. Besarnya nilai HMCR akan menentukan nilai baru ini besar kemungkinannya akan diambilkan dari HM atau benar-benar dibangkitkan secara random.

dimana HMCR adalah probabilitas memilih satu nilai dari HM dan 1- HMCR adalah probabilitas memilih nilai secara random dalam range xl − xu. Setelah memilih suatu harmoni

baru x’ = (x1' , x2

' , ..., xN' ), keputusan melakukan pitch adjusment dilakukan untuk setiap

komponen vektor solusi. Prosedur ini menggunakan parameter PAR untuk melakukan pengaturan:

Dalam proses pitch adjusment ini, suatu nilai pindah ke nilai dekatnya dengan probabilitas PAR atau tetap pada nilai aslinya dengan peluang (1-PAR).

• Langkah 4. Perbarui Harmony MemorySolusi baru ini akan dibandingkan dengan solusi terburuk dalam N populasi awal. Jika lebih baik maka ia akan menggantikan vektor solusi terburuk tadi.

• Langkah 5. Cek kriteria penghentianJika kriteria penghentian belum dipenuhi, kembali ke langkah 3 untuk mengambil secara acak salah satu vektor solusi dari variabel pertama. Bisa digunakan kriteria penghentian berupa jumah iterasi atau nilai mutlak selisih dua nilai fungsi berturutan.

7


2.5 Aplikasi HS untuk TSPAplikasi HS untuk menyelesaikan TSP sebenarnya memiliki langkah dasar yang sama

dengan algoritma dasar HS. Berikut ini merupakan langkah penyelesaian TSP menggunakan algoritma HS :

• Tentukan parameter awal yang akan digunakan seperti HMS, HMCR, PAR, b, xl, dan xu

• Membuat vektor probabitas dalam harmony memory berdasarkan nilai random. Masing-masing nilai mewakili kota (Jumlah baris menunjukkan jumlah kota yang dikunjungi dan jumlah kolom mewakili HMS)

• Menggenerate rute dengan cara mengurutkan probabilitas mulai dari yang terbesar sebanyak HMS.

• Membangkitkan bilangan random sebanyak jumlah kota, kemudian membandingkan masing-masing bilangan random dengan nilai HMCR. a. Jika rand < HMCR maka lanjut ke tahapan selanjutnya. Tahapan ini untuk mengetahui

letak vektor dalam HMS yang digunakan dalam penggantian vektor dengan rumusan :

Kemudian menghitung D2 sehingga koordinat solusi ditemukan untuk masing-masing baris kota, yaitu :

D2= HM (i, D1) Kemudian menggenerate bilangan random lagi sebanyak jumlah kota, dan

membandingkannya dengan nilai PAR. Jika rand<PAR, maka dilanjutkan dengan menghitung D3, dimana D3 adalah :

Jika nilai rand>PAR, maka vektor solusi baru bernilai D2. Sehingga didapatkan nilai VKB. VKB merupakan kumpulan dari vektor baru untuk masing-masing baris kota.

b. Jika rand > HMCR, maka dilakukan generate bilangan random baru sesuai batas atas dan batas bawah sesuai rumus

Xnew = Xl + rand (1,0) (Xu – Xl)

Sehingga dapat diketahui nilai VKB sebagai berikut

Dimana i adalah baris ke-n kota pada harmony search.

• Setelah didapatkan nilai VKB maka langkah selanjutnya adalah mengurutkan nilai harmony yang mewakili rute perjalanan, kemudian menghitung fungsi tujuan yaitu jarak rute. VKB ini akan menggantikan vektor dengan nilai fungsi tujuan terburuk pada HM0.

8


2.6 Gambaran Umum PerusahaanPT. Eka Jaya Motor adalah perusahaan yang bergerak dibidang pendistribusian

kendaraan bermotor dan suku cadang kendaraan merk TOYOTA. Salah satu divisi yang terdapat pada perusahaan ini adalah Part Division. Divisi ini menangani segala aktivitas berkaitan dengan persiapan pemesanan suku cadang kendaraan Toyota yang berasal dari PT. Toyota Astra Motor (TAM) sampai dengan Dealer Nasmoco Grup. PT. Eka Jaya Motor bekerja sebagai penyuplai komponen – komponen dalam perakitan mobil, mendapat sedikit kendala dalam memenuhi permintaan konsumennya. Salah satu penyebabnya adalah lamanya proses pemindahan barang atau pengambilan barang (order picking) dari penyimpanan untuk dikirimkan kepada konsumen.

Saat ini perusahan dalam proses order picking menggunakan strategi S-Shape, yaitu dengan meyisir seluruh gudang penyimpanan untuk mengambil barang yang telah dipesan oleh konsumen, strategi ini dirasa kurang efisien dan memakan banyak waktu, sehingga konsumen yang telah memesan tidak dapat dilayani dengan cepat. Berikut ini merupakan data penjualan part dari PT. Eka Jaya Motor pada tanggal 31 juli 2007 :

Tabel 2.1 Data Penjualan PT. Eka Jaya Motor tanggal 31 Juli 2007

No No.Order Customer Tanggal Transaksi Part Number Part Name Location Jumlah Order1 RB131J 2423 31-Jul-07 85214-0A010 Rubber Wiper 7K2L A01A-402 22 RB131J 2423 31-Jul-07 90430-12031 Gasket 7K A01A-503 103 RB131J 2423 31-Jul-07 90916-03083 Thermostat 7K A01A-601 14 RB131J 2423 31-Jul-07 11213-54050 Gasket Cylinder Head A01D-501 15 RB131J 2423 31-Jul-07 23303-56031 Element Fuel BJ40 A01G-305 16 RB131J 2423 31-Jul-07 556700B040 Regist A/S Inst PNL A02H-303 17 RB131J 2423 31-Jul-07 63273-95701 Retainer KF4#,5# A03L-601 18 RB131J 2423 31-Jul-07 15601-BZ010 Element S/A, Oil Fil B01A-102 49 RB131J 2423 31-Jul-07 90915-TB001 Filter Oil B01A-203 4

10 RB131J 2423 31-Jul-07 90919-TI004 Plug, Spark B01B-101 1211 RB131J 2423 31-Jul-07 17801-05040 Element S/A Air Clea B01B-101 112 RB131J 2423 31-Jul-07 90919-01059-8N Plug W16EX-U B01B-202 813 RB131J 2423 31-Jul-07 04465-BZ010 Pad Kit, Disc B01B-203 114 RB131J 2423 31-Jul-07 90915-10003 Filter, Oil Soluna B01E-101 215 RB131J 2423 31-Jul-07 90915-20003 Filter Oil KF EFI B01E-203 116 RB131J 2423 31-Jul-07 17801-0C010 Elmn SA Air Clen FLR B01G-202 1

9


Berikut ini merupakan gambar lokasi part yang ada di gudang :

Gambar 2. 2 Denah Lokasi Part di Gudang

Gambar 2. 3 Lokasi Part di Gudang yang Terjual pada Tanggal 31 Juli 2007

10


BAB IIIMETODOLOGI PENELITIAN

Berikut ini adalah flowchart pengerjaan seluruh tugas besar Manajemen Distribusi ini.

Gambar 3. 1 Flowchart Pengerjaan

11


BAB IVPENGUMPULAN DAN PENGOLAHAN DATA

4.1 Data Koordinat LokasiData utama yang dibutuhkan untuk menyelesaikan permasalahan disini adalah data koordinat

lokasi part berdasarkan penjualan tanggal 31 Juli 2007 dari PT. Eka Jaya Motor. Koordinat lokasi ini dapat ditentukan dengan melihat denah lokasi pada gambar 2.3. Berikut ini merupakan koordinat lokasi tiap part :

X YRubber Wiper 7K2L A01A-402 0 0

Gasket 7K A01A-503 0,8 4,8Thermostat 7K A01A-601 0,8 2

Gasket Cylinder Head A01D-501 0,8 4Element Fuel BJ40 A01G-305 0,8 12Regist A/S Inst PNL A02H-303 0,8 24Retainer KF4#,5# A03L-601 1,5 8

Element S/A, Oil Fil B01A-102 2,5 10,9Filter Oil B01A-203 -1,3 4,8

Plug, Spark B01B-101 -1,3 6,8Element S/A Air Clea B01B-101 -2,3 2,8

Plug W16EX-U B01B-202 -2,3 3,8Pad Kit, Disc B01B-203 -2,3 6,8

Filter, Oil Soluna B01E-101 -2,3 5,8Filter Oil KF EFI B01E-203 -5,3 6,8

Elmn SA Air Clen FLR B01G-202 -1,3 14

NodeKoordinat

Part Product

Gambar 4. 1 Koordinat Lokasi Part

4.2 Pengolahan DataDari data yang diperoleh di atas, langkah selanjutnya adalah pengolahan data. Berikut ini

akan diberikan langkah-langkah pengolahan data yang dilakukan.

4.2.1 Perhitungan Jarak Rute Pengambilan Part dengan Menggunakan S-Shape

Strategi yang digunakan oleh perusahaan saat ini dalam melakukan aktivitas order picking

adalah strategi S-Shape. Peneletian yang telah dilakukan oleh Mindaputra (2009), telah

menghitung jarak rute pengambilan part dan total waktu yang diperlukan pada kondisi eksisiting di

PT. Eka Jaya Motor. Untuk mengukur jarak tempuh dalam melakukan aktivitas order picking

dengan menggunakan strategi S-Shape digunakan gambar denah lokasi gudang yang

diperlihatkan pada gambar 2.3 dengan bantuan software AutoCad 2005 serta lokasi yang

didatangi berdasarkan data penjualan yang yang ditunjukkan pada tabel 2.1 Berdasarkan

gambar 2.3, dapat dihitung matriks sebagai berikut :

12


Gambar 4. 2 Matriks Jarak pada strategi S-Shape

Sehingga rute yang dipilih dengan menggunakan strategi S-Shape menempuh jarak sebagai berikut :

Jarak tempuh = (Depot, B) + (B, C) + (C, D) + (D, E) + (E, F) + (F, B) + (B, Depot) = 15,75 + 3,95 + 13,56 + 1,75 + 13,56 + 5,7 + 15,75

= 70,03 meter Jika diasumsikan waktu tempuh berjalan sejauh 1 meter memakan waktu 1,2 detik maka waktu untuk berjalan menempuh jarak 70,03 meter diluar waktu pengambilan barang adalah :

Waktu berjalan = 70,03 meter x 1,2 detik/meter = 84,036 detik = 1,4 menit

4.2.1 Perhitungan Jarak Rute Pengambilan Part dengan Menggunakan Harmony Search

Perhitungan jarak rute pengambilan part pada tugas besar ini menggunakan program VBA Excel. Coding ini dibuat untuk mengotomasi penentuan rute baru dengan mengaplikasikan metode Harmony search (HS) for Travelling Salesman Problem (TSP). Berikut ini adalah flowchart pembuatan coding tersebut :

13


14


Gambar 4. 3 Flowchart Pembuatan Program

15


Berikut ini adalah tampilan Form yang digunakan untuk menginputkan data sekaligus untuk mengolah :

Gambar 4. 4 Form Order Picking Part Product Menggunakan Algoritma HS

Dengan menggunakan program ini, maka rute yang dicari dapat bervariasi sesuai dengan data penjualan pada hari itu.

16


BAB VANALISIS DAN INTERPRETASI DATA

Dari hasil pengolahan data dengan menggunakan Taveling Salesman Problem-Neirest Neighbour didapatkan perubahan rute dari rute eksistingnya. Perbandingan kedua rute tersebut adalah sebagai berikut :

Gambar 5. 1Grafik Perbandingan Strategi HS denngan S-Shape

Perbandingan rute eksisting dan rute baru menunjukkan bahwa terjadi pengurangan jarak sebanyak 6,58 m atau pengurangan waktu tempuh sebanyak 7,90 detik. PT. Eka Jaya Motor dapat menghemat sebanyak 9,4 % waktu order picking part product di gudang. Jika jumlah part yang diambil banyak dan bervariasi, maka strategi HS sangat cocok untuk diterapkan. Hal ini dapat membantu PT. Eka Jaya Motor untuk meningkatkan service level.

17


BAB VIKESIMPULAN DAN SARAN

7.1 KesimpulanBerdasarkan analisa dan interpretasi data hasil pengolahan dapat ditarik beberapa

kesimpulan yakni : 1. Hasil dari pengolahan data menggunakan strategi HS pada permasalahan TSP di PT. Eka

Jaya Motor didapatkan rute baru untuk order picking part product sebagai berikut : Depot(0)—B01B(101)—A01D(501)—B01A(203)—A01G(305)—A02H(303)—B01B(203)—Depot(1)

2. Dari Rute yang didapatkan terjadi pengurangan jarak sebanyak 6,58 m atau pengurangan waktu tempuh sebanyak 7,90 detik. Sehingga terjadi saving sebesar 9,4% dari rute eksisting

7.2 SaranSaran yang bisa diberikan berkaitan dengan tugas besar yang telah dikerjakan adalah :

Hasil perhitungan yang diperoleh dengan menggunakan metode HS masih belum optimal karena pemrograman yang masih terbatas sehingga jumlah iterasi tidak maksimal. Untuk memperoleh hasil yang lebih baik, dapat dilakukan dengan penambahan jumlah iterasi (penetapan stoping criteria).

18

DAFTAR PUSTAKA

Mindaputra, Eka. 2009. Penggunaan algoritma Ant Colony System dalam Traveling Salesman Problem (TSP) pada PT.Eka Jaya Motor. Semarang : Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Diponegoro.

Santosa, Budi. 2009. Metode Heuristik, Konsep dan Implementasi. Surabaya.

laporan tubes_dhahniar 07-060

Documents

Transcript of laporan tubes_dhahniar 07-060