1

OPTIMASI TATA LETAK KENDARAAN PENUMPANG KAPAL RORO

DENGAN ALGORITMA PARTICLE SWARM OPTIMIZATION

(Studi Kasus PT. ASDP Tanjung Uban)

Ageng Midiatma1 , Martaleli Bettiza2 , Muhamad Radzi Rathomi3

agenggeek@gmail.com

Jurusan Informatika, Fakultas Teknik, Universitas Maritim Raja Ali Haji

ABSTRAK

Lalu lintas angkutan laut Batam – Tanjunguban mengggunakan kapal Roro yang

dikelola oleh PT.ASDP, terdiri dari berbagai macam jenis kendaraan yang

disebrangkan oleh kapal Roro tiap harinya. Pada musim gelombang laut tinggi,

keselamatan pengangkutan menjadi sangat penting. Penelitian ini dilakukan untuk

mengoptimasi tata letak kendaraan dengan memprioritaskan faktor keselamatan

kendaraan. Kendaraan berbeda jenis tidak akan diposisikan pada baris yang sama,

sehingga tidak terjadi kerusakan pada sebuah kendaraan akibat tertimpa kendaraan

lain yang lebih besar. Optimasi tata letak kendaraan ini dihitung dengan algoritma

PSO menggunakan jenis dan jumlah kendaraan. didapatkan solusi optimal dengan

data 5 MPV, 3 SUV, 3 Truk, dan 41 Sepeda Motor didapatkan nilai fitness terbaik

yaitu 1,0 dengan uji coba parameter nilai w = 0.9, C1 = 4 dan C2 = 3.5 dengan

menggunakan 20 partikel dan 50 iterasi.

Kata Kunci : Optimasi, Tata Letak, Kendaraan, Particle Swarm Optimization

PENDAHULUAN

Wilayah provinsi Kepulauan Riau adalah wilayah kepulauan yang dikelilingi

dari pulau-pulau kecil dan laut, diantaranya pulau bintan, batam, tanjung balai

karimun, dan lingga. Kepulauan Riau juga berbatasan dengan negara tetangga

seperi Singapura dan Malaysia. Dalam rangka memperlancar arus perdagangan

ekonomi di kepulauan riau diperlukan salah satu sarana dan prasarana yang

menunjang kelancaran dalam perekonomian tersebut. Mengenai hal infrastruktur,

pulau bintan sudah mempunyai sarana jalan yakni jalan raya tanjung pinang tujuan

tanjung uban dengan waktu tempuh 45 menit, selain itu juga terdapat angkutan

penyebrangan kendaraan antar pulau dari tanjung uban tujuan batam dan

sebaliknya, yang ditempuh dalam waktu 60 menit. Pelabuhan penyebrangan

kendaraan antar pulau dikelola oleh pihak PT.ASDP yang merupakan badan usaha

milik negara. Dalam rangka peningkatan lancarnya kegiatan ekonomi dalam

angkutan penyeberangan laut, pihak PT.ASDP sudah mengoprasikan kapal-kapal

penyeberangan guna mengangkut muatan kendaraan, baik lori, bus maupun

kendaraan pribadi dari tanjung uban tujuan Telaga Punggur dan sebaliknya.

2

Dalam hal melakukan muatan kendaraan penumpang kedalam kapal

dilakukan masih dengan cara manual dan cara itu belum sepenuhnya baik, dalam

segi keselamatan kendaraan penumpang pada lahan parkir kapal kendaraan

terdapat kendaraan yang tidak sejenis pada posisi parkir yang dapat

mengakibatkan jika terjadi gelombang air laut yang besar, maka akan berdampak

kendaraan yang berukuran lebih besar akan menimpa kendaran yang mempunyai

ukuran yang lebih kecil. guna mencapai tata letak kendaraan secara optimal, maka

oleh karena itu dibutuhkan sebuah penyusunan kendaraan secara optimal dengan

menggunakan algoritma PSO untuk membantu dalam proses pencapaian

penyusunan kendaraan yang baik, agar letak kendaraan di dalam kapal menjadi

optimal.

Dalam hal tersebut, penulis melakukan penelitian yang berjudul “Optimasi

Tata Letak Kendaran Penumpang Dalam Kapal Roro Dengan Algoritma Particle

Swarm Optimization (PSO)”. Dalam algoritma ini, struktur dari partikel yang

digunakan yaitu memberikan sebuah data integer berupa jumlah kendaraan dan

posisi kendaraan, dimana setiap iterasi tersebut di update kecepatannya dan

posisinya berdasarkan dari nilai fitness. Fitness berupa jumlah kendaraan yang

masuk kedalam kapal yang meyisakan sedikit ruang kosong.

BAHAN DAN METODE

Dalam penunjang penilitian, jenis data yang digunakan dalam penelitian ini

merupakan data berupa jumlah kendaraan yang berangkat dalam waktu per-hari dan

data ukuran tempat parkir kendaraan di dalam kapal. Data jumlah kendaraan per-

hari didapatkan dari petugas ASDP cabang Tanjunguban. Untuk data ukuran tempat

parkir kendaraan didalam kapal penulis melakukan observasi lapangan dengan

mengukur lebar dan panjang masing-masing tempat parkir kendaraan didalam

kapal.

Particle Swarm Optimization (PSO) adalah teknik optimasi berbasis populasi

yang dikembangkan oleh James Kennedy dan Russel Eberhart pada tahun 1995

(J.Kennedy dan R.Eberhart,1995). Teknik ini terinspirasi oleh tingkah laku social

pada kawanan burung yang berduyun-duyun (birdflocking) atau gerombolan ikan

yang berenang berkelompok (fishschooling). Kecerdasan seperti inilah yang di

adopsi oleh kedua ilmuwan tersebut untuk membangun suatu teknik optimasi,yang

mereka namakan particle swarm optimization (optimasi kawanan partikel).Mereka

menyebutnya partikel karena pada dasarnya banyak makhluk hidup yang memiliki

kecerdasan seperti burung dan ikan, misalnya belalang,lebah dan sebagainya

(Suyanto,2010).

Dalam penelitian ini, variabel yang digunakan adalah data kendaraan dan data

kapal. Data kendaraan meliputi data panjang dan lebar kendaraan tersebut serta

panjang dan lebar parkir didalam kapal. Data yang diuji berjumlah 36 Mobil jenis

MPV, 7 Mobil jenis SUV, 7 Lori dan 122 Sepeda motor. berikut ini adalah langkah-

langkah proses PSO :

1. Inisialisasi posisi dari setiap particle (Xi) dan kecepatan dari setiap particle

(Vi), dimana posisi 𝑋𝑘𝑖 dan kecepatan 𝑉𝑘

𝑖 Dari kumpulan partikel dibangkitkan

3

secara acak menggunakan batas atas (Xmax) dan batas bawah (Xmin), dengan

rumus sebagai berikut:

Xki = 𝑋𝑚𝑖𝑛 + rand( 𝑋𝑚𝑎𝑥 − 𝑋𝑚𝑖𝑛)

Vki = 𝑋𝑚𝑖𝑛 + rand( 𝑋𝑚𝑎𝑥 − 𝑋𝑚𝑖𝑛)

Di mana:

𝑋01 = Posisi awal.

𝑉01 = Kecepatan awal.

𝑋𝑚𝑖𝑛 = Batas bawah.

𝑋𝑚𝑎𝑥 = Batas atas.

rand = nilai random antara rentang nilai 0 dan 1

Posisi dan kecepatan direpresentasikan dalam bentuk vektor dimana n

dimensi vektor merepresentasikan jumlah dari desain variabel partikel,

dengan menotasikan partikel ke i pada waktu ke k. Proses inisialisasi ini

maka kumpulan partikel dapat terdistribusi secara random pada desain ruang

(design space). Vektor seperti ditunjukkan di bawah ini:

𝑥𝑘𝑖 = (𝑥𝑘 ,

𝑖1 𝑥𝑘 , 𝑖2 … … . , 𝑥𝑘

𝑖𝑛 )

𝑣𝑘𝑖 = (𝑣𝑘 ,

𝑖1 𝑣𝑘 , 𝑖2 … … . , 𝑣𝑘

𝑖𝑛 )

2. Hitung nilai fitness dari setiap particle berdasarkan formula dan model yang

telah ditentukan sesuai dengan masalah optimasinya. Pada penelitian ini, nilai

yang dihasilkan oleh fungsi fitness merepresentasikan seberapa banyak sisa

kendaraan penumpang yang tidak dapat masuk ke dalam kapal. Berikut fungsi

yang digunakan untuk menghitung nilai fitness suatu partikel:

𝐹 =1

1+(𝑛𝑖𝑙𝑎𝑖 𝑂𝑏𝑗𝑒𝑘𝑡𝑖𝑓 𝑡𝑖𝑎𝑝 𝑔𝑜𝑙𝑜𝑛𝑔𝑎𝑛 𝑘𝑒𝑛𝑑𝑎𝑟𝑎𝑎𝑛)

3. Hitung kendaraan yang masuk dengan persamaan berikut :

𝐿𝑒𝑏𝑎𝑟 𝑘𝑎𝑝𝑎𝑙

𝐿𝑒𝑏𝑎𝑟 𝐾𝑒𝑛𝑑𝑎𝑟𝑎𝑎𝑛

𝑃𝑎𝑛𝑗𝑎𝑛𝑔 𝐾𝑎𝑝𝑎𝑙

𝑃𝑎𝑛𝑗𝑎𝑛𝑔 𝐾𝑒𝑛𝑑𝑎𝑟𝑎𝑎𝑛

4. Hitung sisa kendaraan yang tidak dapat masuk kedalam kapal dengan

persamaan, Jika jumlah inputan lebih besar dari kendaraan yang masuk

kedalam kapal, maka gunakan inputan kendaraan awal dan selanjutnya dengan

menggunakan persamaan seperti berikut :

𝐽𝑢𝑚𝑙𝑎ℎ 𝑖𝑛𝑝𝑢𝑡𝑎𝑛 − 𝑘𝑒𝑛𝑑𝑎𝑟𝑎𝑎𝑛 𝑦𝑎𝑛𝑔 𝑚𝑎𝑠𝑢𝑘 5. Dari nilai fitness dapat ditentukan partikel mana yang memiliki nilai global

terbaik (global best) pada swarm saat ini (𝑝𝑘𝑔

), dan juga dapat ditentukan

(local best) posisi terbaik dari tiap partikel pada semua waktu yang sekarang

dan sebelumnya (𝑝𝑖).

6. Berdasarkan persamaaan 4 dan 5 , kecepatan (Vi) dan posisi dari particle (Xi)

diubah. Perumusan update velocity mencakup beberapa parameter random

(rand), untuk mendapatkan cakupan yang baik pada design space, tiga

4

parameter yang mempengaruhi arah pencarian, yaitu inertia factor (w), self

confidence (𝑐1), swarm confidence (𝑐2) akan digabungkan dalam satu

penyajian.

Untuk rumus perubahan kecepatan dan penentuan inertia factor di gunakan

rumus modifkasi PSO

Rumus penentuan inertia factor (w) :

w = wmax-(wmax-wmin/imax)i

Dimana :

w = Inertia factor

wmax = Inertia factor maksimal

wmin = Inertia factor minimal

i = Iterasi

imax = Iterasi maksimal

Rumus perubahan kecepatan(Vi):

Vk+1i = w. VK

i (i − 1) + c1. rand. +c2. rand. (pkg

− XKi (i − 1))

Di mana:

w = inertia factor, digunakan untuk mengontrol pengaruh kecepatan

sebelumnya dikecepatan sekarang, mempengaruhi kemampuan

exploration (menjelajah) local dan global selama proses pencarian.

Nilai w memiliki rentang 0,4 – 0,9

𝑉𝑘 𝑖 = kecepatan sekarang.

𝑋𝑘 𝑖 = posisi sekarang.

𝑐1,𝑐2= self confidence (𝑐1), swarm confidence (𝑐2), merupakan learning

rates

untuk kemampuan individu dan pengaruh social (group). Parameters 𝑐1 dan

𝑐2 menunjukkan bobot dari posisi sebuah partikel terhadap posisi dari

kelompok (swarm). Nilai dari 𝑐1 dan 𝑐2 biasanya adalah 2,0 sehingga

perkalian 𝑐1𝑟𝑎𝑛𝑑𝑜𝑚 dan 𝑐2𝑟𝑎𝑛𝑑𝑜𝑚 memastikan bahwa partikel-partikel

akan mendekati target sekitar setengah selisihnya. Rentang nilai c1 dan c2

berkisar antara 0 sampai 4

𝑟1, 𝑟2= bilangan random yang memiliki range 0 – 1.

𝑝𝑙 = local best, posisi terbaik dari semua partikel (fitness terbaik masing-

masing partikel).

𝑝𝑘𝑔

= nilai global terbaik (global best) pada swarm saat ini (fitness terbaik

dari local best).

7. Langkah terakhir dari setiap iterasi adalah update posisi tiap partikel dengan

vektor velocity, seperti yang ditunjukkan pada persamaan berikut:

5

Rumus perubahan posisi(Xi):

𝑋𝑘+1𝑖 = 𝑋𝑘

𝑖 + 𝑉𝑘+1𝑖

Dimana :

𝑋𝑘+1𝑖 = Posisi setelah di update

𝑋𝑘𝑖 = Posisi saat ini

𝑉𝑘+1𝑖 = Kecepatan setelah di update

Selain dari langkah-langkah PSO diatas, dalam penelitian ini juga terdapat

langkah-langkah lainnya. berikut ini adalah flowchart proses PSO :

Gambar 1. Flowchart Optimasi Tata Letak Kendaraan Menggunakan Algoritma PSO

6

HASIL

1. Uji Coba Dengan Parameter 1

Percobaan dilakukan dengan cara mengoptimasikan tata letak kendaraan

menggunakan algoritma Particle Swarm Optimization (PSO). Percobaan ini

dilakukan pada lahan parkir KM.Barau yang dimiliki oleh perusahaan pengelola

jasa angkutan penyebrangan dan pengelola pelabuhan penyebrangan untuk

penumpang, kendaraan dan barang PT. ASDP Indonesia Ferry (Persero) di

Tanjunguban. Parameter yang digunakan pada uji coba ditunjukkan seperti pada

Tabel 1 :

Pada percobaan yang akan dilakukan dibawah ini terdapat inputan yang digunakan

yang ditunjukkan seperti pada Tabel 2. Data yang digunakan sebagai uji coba

pertama yaitu pada tanggal 4 Oktober 2016. Berikut ini merupakan tabel inputan

uji coba 1 yang dapat ditunjukan pada Tabel 2 :

Tabel 2. Tabel Data yang Digunakan

Uji coba 1 yang dilakukan pada pengujian optimasi tata letak kendaraan penumpang

kapal Roro menggunakan algoritma particle swarm optimization dilakukan dengan

menggunakan jumlah partikel sebanyak 5 dan 10 Pengujian pertama dilakukan

dengan menggunakan data tanggal 4 Oktober 2016 seperti pada Tabel 38. Langkah

pertama diujicoba dengan Inputan data Tanggal 4 dengan menggunakan 10, 20 dan

30 iterasi dengan dilakukan beberapa kali percobaan pada 3 macam data w, 𝑐1, 𝑐2

maka dihasilkan data-data seperti pada Tabel 3 :

Tabel 1. Tabel Uji Coba Parameter 1

No W 𝒄𝟏 𝒄𝟐 Iterasi maksimum

1 0,4 1,6 1,9 30

2 0,5 2,6 2,9 30

3 0,6 3,6 3,9 30

No Hari/Tanggal I II III IV

1 4 oktober 2016 5 3 3 41

7

Tabel 3. Tabel hasil Uji Coba 1 dengan 5 partikel

Berikut ini grafik yang merepresentasikan perbandingan hasil fitness uji coba 1

menggunakan jumlah partikel sebanyak 5 dan 10 berdasarkan 3 macam parameter

w, 𝑐1, 𝑐2 yang dapat ditunjukan pada Gambar 2 :

Gambar 2. Grafik Nilai Fitness dengan 5 Partikel

0.1

0.5

1

0.1

0.5

11 1 1

0

0.2

0.4

0.6

0.8

1

1.2

Iterasi 10 Iterasi 20 Iterasi 30

Nila

i Fit

ne

ss

Grafik Uji Coba 1 Dengan 5 Partikel

Parameter 1 w=0.4 C1=1.6 C2=1.9Parameter 2 w=0.5 C1=2.6 C2=2.9Parameter 3 w=0.6 C1=3.6 C2=3.9

Iterasi W C1 C2 fitness

10

0.4 1.6 1.9 0.1

0.5 2.6 2.9 0.5

0.6 3.6 3.9 1.0

20

0.4 1.6 1.9 0.1

0.5 2.6 2.9 0.5

0.6 3.6 3.9 1.0

30

0.4 1.6 1.9 1.0

0.5 2.6 2.9 1.0

0.6 3.6 3.9 1.0

8

Berikut ini hasil berdasarkan uji coba 1 yang dilakukan pada pengujian optimasi

tata letak kendaraan penumpang kapal Roro menggunakan algoritma particle

swarm optimization dilakukan dengan menggunakan jumlah partikel sebanyak 10.

Berikut ini merupakan tabel hasil uji coba 1 dengan 10 partikel yang dapat

ditunjukan pada Tabel 4 :

Tabel 4. Tabel hasil Uji Coba 1 dengan 10 partikel

Berikut ini grafik yang merepresentasikan perbandingan hasil fitness uji coba 1

menggunakan jumlah partikel sebanyak 10 yang dapat ditunjukan pada Gambar 3 :

2. Uji Coba Dengan Parameter 2

Pada percobaan yang akan dilakukan dibawah ini terdapat inputan yang digunakan

yang ditunjukkan seperti pada Tabel 2 Berikut ini merupakan data uji coba 2 yang

akan digunakan seperti yang ditunjukan oleh tabel 5 :

Iterasi W C1 C2 Fitness

10

0.4 1.6 1.9 0.1

0.5 2.6 2.9 0.5

0.6 3.6 3.9 1.0

20

0.4 1.6 1.9 0.1

0.5 2.6 2.9 0.5

0.6 3.6 3.9 1.0

30

0.4 1.6 1.9 1.0

0.5 2.6 2.9 1.0

0.6 3.6 3.9 1.0

0.1

0.5

1

0.1

0.5

1

0.5

1 1

0

0.2

0.4

0.6

0.8

1

1.2

Iterasi 10 Iterasi 20 Iterasi 30

Nila

i Fit

ne

ss

Grafik Uji Coba 1 Dengan 10 Partikel

Parameter 1 w=0.4 C1=1.6 C2=1.9Parameter 2 w=0.5 C1=2.6 C2=2.9Parameter 3 w=0.6 C1=3.6 C2=3.9

Gambar 3. Grafik Nilai Fitness dengan 10 Partikel

9

Tabel 5. Tabel Uji Coba Parameter 2

Uji coba 2 yang dilakukan pada pengujian optimasi tata letak kendaraan penumpang

kapal Roro menggunakan algoritma particle swarm optimization dilakukan dengan

menggunakan jumlah partikel sebanyak 15 dan 20 partikel. Pengujian kedua

dilakukan dengan menggunakan data tanggal 4 Oktober 2016 seperti pada Tabel

42. Langkah pertama diujicoba dengan Inputan data Tanggal 4 dengan

menggunakan 35, 45 dan 50 iterasi dengan dilakukan beberapa kali percobaan pada

3 macam data w, 𝑐1, 𝑐2 maka dihasilkan data-data seperti berikut yang dapat

ditunjukan pada Tabel 6 :

Tabel 6. Tabel hasil Uji Coba 2 dengan 15 partikel

Berikut ini grafik yang merepresentasikan perbandingan hasil fitness uji coba 2

menggunakan jumlah partikel sebanyak 15 dan berdasarkan 3 macam parameter w,

𝑐1, 𝑐2 yang dihasilkan yang dapat ditunjukan pada Gambar 4 :

No W 𝒄𝟏 𝒄𝟐 Iterasi maksimum

1 0,7 2 1,5 50

2 0,8 3 2,5 50

3 0,9 4 3,5 50

Iterasi W C1 C2 Fitness

35

0.7 2 1.5 0.1

0.8 3 2.5 1.0

0.9 4 3.5 0.5

45

0.7 2 1.5 0.5

0.8 3 2.5 0.5

0.9 4 3.5 0.6

50

0.7 2 1.5 0.1

0.8 3 2.5 0.5

0.9 4 3.5 1.0

Gambar 4. Grafik Nilai Fitness dengan 15 Partikel

0.1

1

0.50.5 0.50.6

0.1

0.5

1

0

0.5

1

1.5

iterasi 35 iterasi 45 iterasi 50

Nila

i Fit

ne

ss

Grafik Uji Coba 2 Dengan 15 Partikel

Parameter 1 w=0.7 C1=2 C2=1.5

Parameter 2 w=0.8 C1=3 C2=2.5

10

Berikut ini hasil berdasarkan uji coba 2 yang dilakukan pada pengujian optimasi

tata letak kendaraan penumpang kapal Roro menggunakan algoritma particle

swarm optimization dilakukan dengan menggunakan jumlah partikel sebanyak 20

yang dapat ditunjukan pada Tabel 7 :

Tabel 7. Tabel hasil Uji Coba 2 dengan 30 partikel

Berikut ini grafik yang merepresentasikan perbandingan hasil fitness uji coba 2

menggunakan jumlah partikel sebanyak 20 yang dapat ditunjukan pada Gambar 5 :

Gambar 5. Grafik Nilai Fitness dengan 20 Partikel

Analisa Hasil Percobaan

Dari ujicoba yang telah dilakukan diatas dapat dilakukan analisa terhadap data-data

uji coba yang digunakan. Analisa yang didapat sebagai berikut:

0.1

1

0.50.5

1 1

0.5

1 1

0

0.2

0.4

0.6

0.8

1

1.2

iterasi 35 iterasi 45 iterasi 50

Nila

i Fit

ne

ss

Grafik Uji Coba 2 Dengan 20 Partikel

Parameter 1 w=0.7 C1=2 C2=1.5Parameter 2 w=0.8 C1=3 C2=2.5Parameter 3 w=0.9 C1=4 C2=3.5

Iterasi W C1 C2 Fitness

35

0.7 2 1.5 0.1

0.8 3 2.5 1.0

0.9 4 3.5 0.5

45

0.7 2 1.5 0.5

0.8 3 2.5 1.0

0.9 4 3.5 1.0

50

0.7 2 1.5 0.1

0.8 3 2.5 1.0

0.9 4 3.5 1.0

11

1. Dari hasil ujicoba yang telah dilakukan, terdapat nilai fitness yang paling

optimal yaitu pada ujicoba 2 dengan nilai fitness 1,0 dengan data uji coba 2

dengan nilai w = 0.9, c_1 = 4 dan c_2 = 3.5 dengan menggunakan 20

partikel dan 50 iterasi.

2. Hasil dari analisa uji coba 2, bahwa nilai yang dinyatakan solusi apabila

terdapat nilai fitness yang bernilai besar. solusi yang memenuhi optimasi

tata letak kendaraan penumpang kapal Roro adalah nilai fitness yang

bernilai besar.

3. c_1 dan c_2 mempengaruhi dalam pencarian solusi optimal, dengan ujicoba

yang telah dilakukan, c_1 dan c_2 yang menghasilkan nilai fitness terbaik

adalah nilai dengan kisaran 3 sampai 4.

4. Jumlah partikel juga mempengaruhi pencarian solusi optimal, berdasarkan

ujicoba yang telah dilakukan jumlah partikel yang lebih banyak selalu

menghasilkan solusi yang optimal.

5. Jumlah iterasi yang besar sangat mempengaruhi solusi optimal dalam

optimasi tata letak kendaraan penumpang kapal Roro dengan menggunakan

algoritma PSO. Iterasi yang besar akan menghasilkan solusi yang optimal,

dikarenakan pada algoritma PSO setiap partikel di update secara acak

(random).

Solusi Optimum

Berdasakan hasil ujicoba yang dilakukan dengan menggunakan data ujicoba yang

penulis gunakan pada penelitian ini yaitu pada Tabel 40, didapatkan solusi optimal

dengan data 5 MPV, 3 SUV, 3 Truk, dan 41 Sepeda Motor didapatkan nilai fitness

terbaik yaitu 1,0 dengan uji coba parameter nilai w = 0.9, c_1 = 4 dan c_2 = 3.5

dengan menggunakan 20 partikel dan 50 iterasi. Berikut ini merupakan jumlah

kendaraan yang masuk kedalam parkiran yang dapat ditunjukan pada Tabel 8 :

Tabel 8. Tabel Jumlah Kendaraan yang Masuk

Golongan

Kendaraan

Jumlah yang di

Input

Jumlah

Kendaraan

yang masuk

Sisa

Kendaraan

1 5 5 0

4 41 34 7

12

Tabel 9. Tabel Lanjutan

Pada Tabel 8 dapat dijelaskan bahwa posisi kendaraan yang terlebih dahulu masuk

kedalam parkiran adalah golongan kendaraan 1, 4, 3 dan 2. Terdapat 6 posisi parkir

pada KMP.Barau, dimana pembagian posisi tersebut mempunyai ukuran panjang

dan lebar berbeda beda yang dapat dilihat pada Gambar 2.3 Untuk proses

menentukan jumlah kendaraan yang masuk pad tiap-tiap masing posisi adalah

dengan membagi lebar posisi parkir dengan lebar kendaraan, maka didapatkan

berpa jumlah baris yang akan masuk kedalam parkir. Berikut ini merupakan gambar

tata letak kendaraan berdasarkan hasil Ujicoba 2 yang dapat ditunjukan pada

Gambar 6 :

Golongan

Kendaraan

Jumlah yang di

Input

Jumlah

Kendaraan

yang masuk

Sisa

Kendaraan

3 3 3 0

2 3 3 0

Gambar 6. Hasil Uji Coba Tata Letak Kendaraan

13

KESIMPULAN

Setelah dilakukan uji coba dan analisa terhadap tugas akhir ini, maka didapatkan

kesimpulan sebagai berikut :

1. Algoritma Particle Swarm Optimization (PSO) dapat digunakan untuk

mengoptimasi tata letak kendaraan di kapal Roro Tanjung Uban – Batam.

2. Dalam penelitian yang dilakukan oleh penulis mengenai Tata Letak

Kendaran di Kapal Roro, didapatkan hasil optimal penyusunan letak

kendaraan dengan menggunakan Algoritma Particle Swarm Optimization

yaitu dengan nilai fitness 1,0 dengan jumlah 46 kendaraan yang terdiri dari

5 MPV, 34 Sepeda Motor, 3 Truk dan 3 SUV. Hasil tersebut terdapat pada

uji coba 2 dengan nilai nilai w sebesar 0.9, 𝑐1 sebesar 4 dan 𝑐2 sebesar 3.5

dengan menggunakan 20 partikel dan 50 iterasi.

DAFTAR PUSTAKA

Amir, H.H, dan Suriayati, B.C., 2015, Task Scheduling Algorithm Based On

Particle Swarm Optimization (Pso) And Invasive Weed Optimization To

Execute Tasks In Overloaded Situation For Preemptive System , APRN

Journal of Engineering and Applied Sciences.

Budi. 2011, Tutorial Particle Swarm Optimization, Jurnal ITS Graha Ilmu

Surabaya 2011.

Ari, K., Retno, N.D., dan Agung, T.W., 2010, Optimasi Tata Letak Barang Pada

Ruang Tiga Dimensi Dengan Menggunakan Algoritma Genetika, Tugas

Akhir 2010 Telkom University.

Damastuti N., dan Aulia,S.A., 2015, Simulasi Penjadwalan Kapal Tambat Untuk

Pencapaian Zero Witing Time Di Dermaga Jamrud Utara Dengan

Optimasi Algoritma Sequential Searching, Jurnal Narodroid..

Erny, 2013, Optimasi Pola Penyusunan Barang dalam Peti Kemas Menggunakan

Algoritma Particle Swarm Optimization, Jurnal Matematika, Komputasi

Unhas 2013.

Guerriche, K.R., dan Bouktir, T., 2015, Optimal Allocation and Sizing of

Distributed Generation with Particle Swarm Optimization Algorithm for

Loss Reduction, Revue des Sciences et de la Technologie – RST.

Raisha, R.A., Dadang, dan S., Rika, P.S., 2012, Analisa dan Penerapan Metode

Particle Swarm Optimization Pada Optimasi Penjadwalan Kuliah, Jurnal

Teknik Informatika.

Wang, Xiaolin., dan Qiu, Xun., 2013, Application Of Particle Swarm

Optimization For Enhanced Cyclic Steam Stimulation In A Offshore Heavy

Oil Reservoir, International Journal of Information Technology, Modeling

and Computing (IJITMC).

14

Zerda, E.R., 2009, Analisis dan Penerapan Algoritma Particle Swarm

Optimization (PSO) pada Optimasi Penjadwalan Sumber Daya Proyek,

Teknik Informatika Telkom 2009.

Thoriq, Aziz. 2012. Pengertian PSO. http://thoriqaziz. blogspot. co.id/ 2012 /01

/particle- swarm- optimization.html

15