SURAT KETERANGAN - emirul.staff.gunadarma.ac.id
Transcript of 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.
UNIVERSITAS GUNADARMA
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
UNIVERSITAS GUNADARMA
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
2.281.125 tangkai, 2001 sebanyak
7.387.737 tangkai, 2002 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
UNIVERSITAS GUNADARMA
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
UNIVERSITAS GUNADARMA
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
UNIVERSITAS GUNADARMA
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
UNIVERSITAS GUNADARMA
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
UNIVERSITAS GUNADARMA
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.
Gambar 5 Desain DFD Level 1
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.
Gambar 6 Desain DFD Level 2
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.
UNIVERSITAS GUNADARMA
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 Populasi : 50
Jumlah Generasi : 100
Parameter Seleksi : 5
Probabilitas Mutasi : 0.015
Hasil uji coba menggunakan
parameter tersebut ditampilkan pada
diagram optimalisasi rute gambar 9.
Gambar 9 Hasil Optimalisasi Parameter
Lee Jacobson
UNIVERSITAS GUNADARMA
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.
Gambar 10 Output Aplikasi Skenario 2
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 Populasi : 80
Jumlah Generasi : 1
Parameter Seleksi : 5
Probabilitas Mutasi : 0.01
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.
Gambar 11 Hasil Optimalisasi Parameter
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.
UNIVERSITAS GUNADARMA
11
Gambar 12 Output Aplikasi Skenario 3
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)
UNIVERSITAS GUNADARMA
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)