ABSTRAK
Persediaan merupakan hal yang penting bagi perusahaan untuk menjalankan proses bisnis
agar efektif dan efisien sesuai dengan tujuan yang hendak dicapai. Salah satu contohnya adalah
persediaan barang dalam produksi jilbab bagi Perusahan Ayune. Kebutuhan jilbab mulai meningkat
seiring dengan berkembangnya dunia fashion akan hijab. Agar kebutuhan terpenuhi dibutuhkan
persediaan yang cukup. Dengan sistem persediaan yang baik, suatu perusahaan akan mendapatkan
keuntungan yang optimal. Hal ini dilihat dari sukses tidaknya perencanaan persediaan dalam produksi
barang. Banyak sedikitnya persediaan akan berpengaruh terhadap biaya-biaya yang harus dikeluarkan
oleh perusahaan. Algoritma genetika diterapkan pada kasus optimasi barang untuk mendapatkan
keuntungan yang maksimal dengan penghematan biaya persediaan. Optimasi persediaan barang
menggunakan teknik one-cut point crossover, mutasi dengan exchange mutation dan seleksi
menggunakan elitsm selection. Pada penelitian ini terdapat 26 kromosom sebagai data jumlah
persediaan yang direpresentasikan menggunakan representasi real coded. Panjang kromosom tersebut
merupakan waktu total perusahaan memproduksi jilbab dalam satuan minggu. Solusi optimal
diperoleh dari ukuran populasi sebanyak 140, kombinasi crossover rate dan mutation rate adalah 0.5
dan 0.5, jumlah generasi sebanyak 150 yang memperoleh rata-rata nilai fitness tertinggi yaitu 0.01107.
Inventory is important for companies to carry out business processes in order to effectively
and efficiently to conform with the objectives of the company that want to be achieved. One example
is the supply of goods in hijab production on Corporate of Ayune. The development of hijab in fashion
industry will also affects the hijab demand. This demand of hijab can be fulfilled with a good
inventory. If the company applies a good inventory system, the company will get a lot of benefit. It
will be seen from the result of the inventory plan, success or failure while supply goods for
production. The quantity of supply depends on customer needed. It will affects the cost that have to be
incurred by the company to control the amount of production. Genetic algorithm applied on the case
of goods optimization to get the maximum benefit by save the inventory cost. Optimization of
inventory using the technique of one-cut point crossover, exchange mutation and elitsm technique in
selection. In this case, there are 26 chromosomes as data of inventory number which is represented
using real-coded representation. This chromosome length fit on how many weeks the company
produces the hijabs. Optimal solution is obtained from the size of population that is 140, the
combination of crossover rate and mutation rate is 0.5 and 0.5, the number of generation is 150
which is get an average of the highest fitness value that is 0.01107.
1
Ramuna, MDT & Mahmudy, WF 2015, 'Optimasi persediaan barang dalam poduksi jilbab
mnggunakan agoritma genetika ', DORO: Repository Jurnal Mahasiswa PTIIK Universitas
Brawijaya, vol. 5, no. 14.
menghadapi masalah optimasi (Mahmudy,
1. PENDAHULUAN
2013).
1.1 Latar Belakang
Perusahaan yang bergerak di bidang
industri tidak lepas dari masalah persediaan.
Pentingnya persediaan berpengaruh pada
1.2 Rumusan Masalah
kelancaran kegiatan operasional dalam
Berdasarkan paparan latar belakang
tujuannya memproduksi suatu barang. Dengan
tersebut, maka rumusan masalah adalah
persediaan, perusahaan dapat melayani
sebagai berikut:
kebutuhan konsumen akan produk yang
1. Bagaimana cara mengoptimalkan
ditawarkan. Persediaan barang menjadi hal
persediaan barang dalam produksi jilbab
yang penting untuk penentuan keuntungan
dengan algoritma genetika?
bagi perusahaan dilihat dari sukses tidaknya
2. Bagaimana cara menentukan representasi
perencanaan akan persedian dalam
kromosom yang efesien untuk
memproduksi barang. (Indrapasto dan
mengoptimasi persediaan barang dalam
Suruyani, 2012)
produksi jilbab?
Menurut Hendrik dkk (dalam Palupi,
3. Bagaimana menentukan parameter
dkk, 2011) persediaan adalah suatu investasi
algoritma genetika yang tepat?
yang harus dikelola dengan baik untuk
4. Bagaimana mengukur kualitas solusi yang
mendapatkan keuntungan yang optimal.
dihasilkan algoritma genetika?
Sistem persediaan menurut Handoko (dalam
Priyana, dkk, 2014) adalah serangkaian
kebijaksanaan dan pengendalian yang 1.3 Batasan Masalah
memonitor tingkat persediaan dan menentukan Batasan masalah pada penelitian ini
tingkat persediaaan yang harus dijaga, kapan adalah:
persediaan harus diisi, dan berapa pesanan 1. Persediaan barang yang dimaksud dalam
yang harus dilakukan. penelitian ini adalah persediaan jilbab yang
Beberapa penelitian sebelumnya telah dijual di Toko Ayune, Malang.
membahas mengenai permasalahan optimasi 2. Data yang digunakan merupakan jumlah
bahan baku. Misalkan Lutfiyah dan Falani permintaan konsumen setiap minggu
(2014) yang menerapkan algoritma genetika minggu (dalam waktu 26 minggu pertama)
untuk optimasi persediaan barang pada tahun 2014.
memanfaatkan artificial intelligence pada 3. Biaya-biaya yang dihitung dari proses
kasus apotek. Penelitian sejenis dilakukan oleh produksi merupakan biaya simpan, biaya
Palupi, dkk (2011) pada objek yang berbeda, pemberhentian karyawan sementara, biaya
yaitu permasalahan persediaan multi barang lembur, dan biaya kehilangan keuntungan.
dalam proses produksi bahan baku di PT
UWBM Sidoarjo. Kedua penelitian tersebut 1.4 Tujuan
menyimpulkan bahwa algoritma genetika Tujuan yang ingin dicapai dalam
memang sesuai digunakan untuk optimasi penelitian ini adalah:
persediaan barang. Mengoptimalkan persediaan barang untuk
Berdasarkan permasalahan diatas, solusi produksi jilbab sesuai kebutuhan dengan biaya
yang dapat ditawarkan adalah dengan minimal dan keuntungan maksimum dengan
mengoptimasi persediaan barang untuk algoritma genetika.
produksi. Pada penelitia ini bertujuan untuk
mengoptimasi persediaan barang dalam 2. TINJAUAN PUSTAKA
produksi jilbab dengan algoritma genetika 2.1 Komponen Biaya Persediaan
untuk memaksimalkan keuntungan dengan Persediaan diterjemahkan dari kata
penghematan biaya melalui sistem inventory yang berarti timbunan barang
persediaan yang baik. Algoritma genetika (bahan baku, komponen, produk setengah jadi,
memiliki kemampuan dalam menyelesaikan atau produk akhir, dll) yang disimpan untuk
berbagai masalah kompleks dalam cadangan (safety atau buffer-stock) agar jika
2
Ramuna, MDT & Mahmudy, WF 2015, 'Optimasi persediaan barang dalam poduksi jilbab
mnggunakan agoritma genetika ', DORO: Repository Jurnal Mahasiswa PTIIK Universitas
Brawijaya, vol. 5, no. 14.
terjadi kelangkaan pada proses produksi, maka jumlah persediaan dibawah normal
dapat diatasi dengan adanya persediaan. (Pane, (dibawah jumlah yang biasa diproduksi).
2012) Hitungan normal, setiap minggu
Menurut Herjanto (2008) persediaan perusahaan memproduksi sebanyak 550
merupakan bahan atau barang yang disimpan buah jilbab. Jika di minggu tertentu
dengan tujuan memenuhi kebutuhan tertentu, perusahaan memproduksi kurang dari
contohnya digunakan untuk proses produksi jumlah normal, maka akan dilakukan
atau dijual kembali. Persediaan dapat berupa pemberhentian karyawan sementara. Biaya
bahan mentah, bahan untuk pendukung proses satu karyawan yang diberhentikan untuk
jadi (pembantu), ataupun barang jadi. satu minggu sebesar Rp.60000,00.
Salah satu tujuan persediaan adalah 3. Biaya lembur, merupakan biaya yang ada
mendapatkan biaya yang minimum. Oleh jika jumlah persediaan melebihi jumlah
karena itu, menurut Rangkuti (2008) dalam persediaan normal dengan range sebesar
menentukan biaya persediaaan perlu diketahui 100 buah. Hitungan normal, setiap minggu
bahwa biaya-biaya yang mencakup dalam perusahaan memproduksi sebanyak 550
persediaan sebagai berikut. buah jilbab. Jika di minggu tertentu
1. Biaya penyimpanan (holding costs atau perusahaan memproduksi lebih dari jumlah
carrying costs), yaitu terdiri atas biaya- normal, maka akan ada biaya lembur. Biaya
biaya yang bervariasi secara langsung lembur dihitung sebesar Rp.50000,00 dan
dengan kuantitas persediaan. Biaya berlaku kelipatan dengan range
penyimpanan per periode akan semakin penambahan sebesar 100 buah dari jumlah
besar jika kuantitas bahan yang dipesan normal.
semakin banyak atau rata- rata persediaan 4. Biaya kehilangan keuntungan, merupakan
semakin tinggi. biaya yang ada jika jumlah permintaan
2. Biaya pemesanan atau pembelian (ordering lebih dari persediaan. Laba untuk satu buah
costs atau procurement costs). jilbab adalah Rp.1000,00 sehingga total
3. Biaya kehabisan atau kekurangan bahan biaya kehilangan keuntungan dapat
(shotage cost) adalah biaya yang timbul dihitung dengan rumus:
apabila persediaan tidak mencukupi adanya
permintaan bahan. Contohnya biaya Kehilangan untung = |(persediaan-permintaan)|*1000
Pengambilan data
Mengolah Data
Perancangan sistem
Implementasi
Mengambil kesimpulan
Selesai
Gambar 3.1 Diagram Alir Tahapan Penelitian
Bangkitkan
populasi awal
Seleksi
Populasi Baru
6
Ramuna, MDT & Mahmudy, WF 2015, 'Optimasi persediaan barang dalam poduksi jilbab
mnggunakan agoritma genetika ', DORO: Repository Jurnal Mahasiswa PTIIK Universitas
Brawijaya, vol. 5, no. 14.
Dari Grafik 6.2 dapat dilihat bahwa
Gambar 4.3 meupakan halaman algoritma ukuran populasi berpengaruh terhadap nilai
genetika generasi ke-n yaitu halaman yang fitness yang dihasilkan algoritma genetika.
menampilkan hasil optimasi dengan algoritma Nilai fitness terendah terdapat pada populasi
genetika pada generasi terakhir (generasi ke- 20 yaitu 0.00514 dikarenakan ukuran populasi
n). masih sedikit untuk memproses data dengan
algoritma genetika dan solusi yang ditemukan
Halaman detail ditunjukkan pada Gambar tidak terlalu baik. Namun, terlalu besar ukuran
4.4. populasi juga tidak menentukan algoritma
genetika yang dihasikan menjadi lebih
optimal. Terlau besar ukuran populasi
membuat waktu proses semakin panjang. Dari
grafik Gambar 6.1 tersebut dapat disimpulkan
bahwa ukuran populasi yang optimal adalah
terdapat pada jumlah populasi 140, karena
setelah jumlah populasi 140 dengan fitness
0.00641 sulit didapatkan nilai fitness yang
lebih baik. Kondisi seperti ini disebut
Gambar 4.4 Detail Optimasi
konvergensi, artinya hampir semua kromosom
bernilai sama sehingga akan menghasilkan
Gambar 4.4 merupakan halaman detail offspring yang hampir sama dengan induknya
adalah halaman yang menampilkan hasil akhir yang menyebabkan eksploitasi solusi tidak
berjalan baik (Mahmudy, 2013). Pola
dari perhitungan algoritma untuk optimasi
perubahan nilai fitness seperti ini juga
persediaan jilbab. Data yang ditampilkan
didapatkan oleh Putri, FB, Mahmudy, WF &
merupakan data individu yang mempunyai Ratnawati, DE (2014) yang menerapkan
nilai fitness tertinggi pada perhitungan algoritma genetika untuk Vehicle Routing
generasi terakhir. Problem with Time Window (VRPTW) pada
kasus optimasi distribusi beras bersubsidi. Hal
5. PENGUJIAN DAN ANALISA
serupa juga didapatkan oleh Pitaloka, DA,
5.1 Uji Coba Banyaknya Populasi
Mahmudy, WF & Sutrisno (2014) yang
Uji coba ukuran populasi dilakukan
menerapkan hybrid algoritma genetika untuk
terhadap sistem untuk mengetahui ukuran
permasalahan Vehicle Routing Problem With
populasi yang optimal untuk menghasilkan
Time Windows (VRPTW).
rata-rata nilai fitness tertinggi. Ukuran
populasi yang diujikan adalah kelipatan 20
5.2 Uji Coba Kombinasi crossover rate(cr)
dari 20 sampai 200 populasi. Cr dan Mr yang
dan mutation rate(mr)
digunakan masing-masing adalah 0.4 dan 0.6
dan sebanyak 10 generasi. Hasil pengujian Uji coba ini dilakukan untuk mengetahui
populasi dapat dilihat pada Gambar 5.1. kombinasi cr dan mr yang optimal untuk
menghasilkan nilai fitness terbaik. Jumlah
populasi yang digunakan dalam pengujian ini
0.008
Uji Coba Populasi adalah jumlah populasi yang menghasilkan
0.006
nilai fitness terbaik pada uji coba sebelumnya
yaitu sebanyak 140 populasi. Jumlah generasi
0.004
Fitness
7
Ramuna, MDT & Mahmudy, WF 2015, 'Optimasi persediaan barang dalam poduksi jilbab
mnggunakan agoritma genetika ', DORO: Repository Jurnal Mahasiswa PTIIK Universitas
Brawijaya, vol. 5, no. 14.
Uji Coba Kombinasi crossover
Uji Coba Banyaknya Generasi
rate dan mutation rate
0.01 0.0115
0.008 0.011
Fitness
0.006 0.0105
Fitness
0.004
0.002 0.01
0 0.0095
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0.009
1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 0.0085
50
100
150
200
250
300
350
400
450
500
550
600
Fitness Kombinasi cr dan mr Fitness Banyak Generasi
Gambar 5.2 Hasil Uji Coba Kombinasi Gambar 5.3 Grafik Uji Coba Banyaknya Generasi
Crossover Rate dan Mutation Rate
Dari grafik Gambar 6.3 dapat dilihat
Pada Gambar 6.2 dapat dilihat bahwa
bahwa jumlah generasi berpengaruh terhadap
nilai fitnes rata-rata terbaik terdapat pada
nilai fitness yang dihasilkan pada perhitungan
kombinasi crossover rate=0.5 dan mutation algoritma genetika. Nilai fitness terendah
rate=0.5 dengan nilai fitness adalah 0.007788. terdapat pada generasi 50 dikarenakan jumlah
Rata-rata nilai fitness terendah terdapat pada ini masih kurang memproses algoritma
kombinasi crossover rate=0 dan mutation genetika secara optimal. Secara umum,
rate=1 dengan nilai fitness adalah 0.005121. semakin banyak generasi maka akan
Nilai crossover rate yang tinggi dan mutation menghasilkan nilai fitness yang tinggi dan
rate yang rendah menyebabkan algoritma lebih baik, akan tetapi terlalu banyak generasi
genetika mengalami penurunan kemampuan membuat algoritma genetika sulit
untuk menjaga diversitas populasi sehingga mendapatkan solusi yang lebih baik dan
akan mengalami konvergensi dini hanya dalam penambahan iterasi hanya membuang waktu
beberapa generasi serta kehilangan untuk (Mahmudy, 2013). Dari gambar 6.3 dapat
disumpulkan bahwa jumlah generasi yang
mengeksplorasi area lain dalam ruang
paling optimal terdapat pada jumlah generasi
pencairan (Mahmudy, 2013). Sebaliknya, jika 150, karena setelah generasi 150 sulit
menggunakan nilai crossover rate yang terlalu didapatkan nilai fitness yang lebih baik.
rendah maka algoritma genetika akan sangat Kondisi ini disebut konvergensi, artinya
tergantung pada proses mutasi (Mahmudy, individu-individu dalam populasi mempunyai
WF, Marian, RM & Luong, LHS 2013). Dari nilai yang hampir sama dan akan sulit
percobaan ini, dapat disimpulkan bahwa didapatkan solusi yang lebih baik (Mahmudy,
kombinasi crossover rate dan mutation rate WF, Marian, RM & Luong, LHS 2014).
terbaik adalah 0.5:0.5.
6. PENUTUP
5.3 Uji Coba Banyaknya Generasi 6.1 Kesimpulan
Uji coba ini dilakukan untuk mengetahui Kesimpulan yang didapat dari hasil uji
coba yang telah dilakukan dalam penelitian ini
jumlah generasi yang optimal untuk
adalah sebagai berikut:
menghasilkan rata-rata nilai fitness tertinggi.
1. Representasi kromosom dengan cara real
Ukuran populasi yang digunakan dalam coded dengan proses reproduksi one-cut
percobaan ini adalah 140, kombinasi cr dan mr point crossover dan exchange point
masing-masing adalah 0.5:0.5. Banyak mutation yang digunakan dalam
generasi yang digunakan adalah kelipatan 50 penelitian ini mampu menyelesaikan
dimulai dari 50 sampai dengan 600 generasi. permasalahan optimasi dalam persediaan
Setiap generasi dilakukan pengujian sebanyak barang dalam produksi jilbab. Algoritma
10 kali percobaan dan dihitung nilai rata-rata genetika mampu menentukan proporsi
fitness-nya. Hasil uji coba generasi produksi barang yang harus disediakan
ditunjukkan dalam Gambar 5.5 dalam produksi jilbab dengan
8
Ramuna, MDT & Mahmudy, WF 2015, 'Optimasi persediaan barang dalam poduksi jilbab
mnggunakan agoritma genetika ', DORO: Repository Jurnal Mahasiswa PTIIK Universitas
Brawijaya, vol. 5, no. 14.
meminimalkan biaya-biaya yang kurun waktu yang lebih panjang. Selain itu,
ditimbulkan dari produksi dan dibutuhkan pengujian lebih lanjut untuk
menghasilkan keuntungan yang menentukan jumlah produksi jangka
maksimal. pendek dalam kasus apabila konsumen
2. Berdasarkan dari pengujian parameter melakukan pemesanan jilbab saat ini untuk
yang telah dilakukan, dapat disimpulkan diambil dalam jangka waktu tertentu di
bahwa nilai parameter algoritma genetika masa mendatang (pre order).
berpengaruh terhadap hasil optimasi yang 3. Metode crossover, mutasi dan seleksi yang
dihasilkan. Ukuran parameter yang kecil digunakan dalam penelitian ini terbatas
menyebabkan area pencairan algoritma dalam 1 metode. Perlu dilakukan uji coba
genetika semakin sempit. Tetapi, ukuran algoritma genetika dengan metode yang
parameter pada jumlah populasi dan lain dan mendapatkan variasi hasil atau
generasi yang terlalu besar menyebabkan solusi.
waktu komputasi semakin lama. 4. Melakukan penggabungan (hybrid)
3. Dari hasil coba populasi, didapatkan algoritma genetika dengan algoritma yang
populasi yang paling optimal adalah 140 lain untuk memperoleh solusi yang lebih
dengan rata-rata nilai fitness 0.006217. baik. Teknik penggabungan ini terbukti
Ukuran kombinasi crossover rate dan dapat meningkatkan akurasi dan efisiensi
mutation rate yang terbaik pada penelitian pada ruang pencairan yang kompleks
ini adalah 0.5 dan 0.5 dengan rata-rata (Mahmudy, WF, Marian, RM & Luong,
nilai fitness 0.007788 Sedangkan untuk 2014).
ukuran banyaknya generasi didapatkan
generasi yang paling optimal pada
generasi 150 dengan rata-rata nilai fitness DAFTAR PUSTAKA
0.011070. Handayani, Rury. 2010. Penerapan Algoritma
4. Kualitas solusi yang dihasilkan algoritma Genetika Untuk Optimasi Jadwal Mata
genetika diukur dengan nilai fitness yang Kuliah Pada Fakultas Matematika Dan
dihasilkan. Semakin besar nilai fitness Ilmu Pengetahuan Alam Universitas
maka semakin baik solusi yang Sumatera Utara. Universitas Sumatera
didapatkan. Sebaliknya, semakin kecil Utara, Medan.
nilai fitness yang dihasilkan maka
Herjanto, Eddy. 2008. Manajemen Operasi
semakin buruk solusi yang didapatkan.
(Edisi Ketiga) hal 237. Jakarta: Grasindo.
Nilai fitness merupakan hasil evaluasi dari
total biaya yang dihasilkan yaitu biaya Indroprasto, dan Erma Suryani. 2012. Analisis
penyimpanan, biaya kehilangan karyawan Pengendalian Persediaan Produk Dengan
sementara, biaya lembur, dan biaya Metode EOQ Menggunakan Algoritma
kehilangan keuntungan. Genetika untuk Mengefisiensikan Biaya
Persediaan. Jurnal Teknik Institut
6.2 Saran Teknologi Sepuluh Nopember (ITS)
Berdasarkan penelitian yang dilakukan, Surabaya, vol.1 ISSN: 2301-9271.
terdapat beberapa saran yang dapat Lutfiyah, Habibatul, dan Achmad Zakki
memperbaiki penelitian ini dan dikembangkan Falani. 2014. Pemanfaatan Artificial
untuk dijadikan bahan penelitian lebih lanjut Intelligence Untuk Optimasi Persediaan
yaitu: Barang Dengan Mengunakan Algoritma
1. Perlu dilakukan pengujian parameter yang
Genetika (Studi Kasus Apotek K24).
lebih banyak sehingga dihasilkan sebuah
solusi yang optimal dengan waktu yang Jurnal Mahasiswa Fakultas Ilmu
relatif singkat. Komputer Universitas Narotama, vol.21,
2. Data permintaan pada penelitian ini masih no.2.
terbatas dalam kurun waktu 26 minggu, Mahmudy, WF. 2013. Algoritma Evolusi.
perlu tambahan waktu agar algoritma Program Teknologi Informasi dan Ilmu
genetika dapat menghasilkan solusi yang Komputer, Universitas Brawijaya,
optimal dengan tersedianya data dalam Malang.
9
Ramuna, MDT & Mahmudy, WF 2015, 'Optimasi persediaan barang dalam poduksi jilbab
mnggunakan agoritma genetika ', DORO: Repository Jurnal Mahasiswa PTIIK Universitas
Brawijaya, vol. 5, no. 14.
Mahmudy, WF, Marian, RM & Luong, LHS. Rangkuti, Freddy. 2007. Manajemen
2013. Optimization of part type selection Persediaan - Aplikasi di Bidang Bisnis.
and loading problem with alternative Jakarta:PT RajaGrafindo Persada.
production plans in flexible Tobing, RL. 2010. Sistem Simulasi
manufacturing system using hybrid Penjadwalan Kuliah Dengan
genetic algorithms Part 2: genetic Menggunakan Algoritma Genetika.
operators & results. 5th International
Universitas Sumatera Utara, Medan.
Conference on Knowledge and Smart
Technology (KST), Chonburi, Thailand,
31 Jan - 1 Feb, pp. 81-85.
Mahmudy, WF, Marian, RM & Luong, LHS
2014, 'Hybrid genetic algorithms for part
type selection and machine loading
problems with alternative production
plans in flexible manufacturing system',
ECTI Transactions on Computer and
Information Technology (ECTICIT), vol.
8, no. 1, pp. 80-93.
Palupi, YD Ayu, dkk . 2011. Algoritma
genetika untuk optimasi persediaan multi
barang dalam proses produksi. Surabaya:
FMIPA-ITS.
Pane, Ernawati D. 2012. Model Persediaan
Karet Alam (Crumb Rubber) dengan
Sistem Q pada PT. Perkebunan
Nusantara III Medan. Universitas Negeri
Medan, Medan.
Pitaloka, DA, Mahmudy, WF & Sutrisno.
2014. Penerapan hybrid algoritma
genetika untuk permasalahan vehicle
routing problem with time windows
(VRPTW). DORO: Repository Jurnal
Mahasiswa PTIIK Universitas Brawijaya,
vol. 4, no. 11.
Priyana, Asep, dkk. 2014. Optimasi
Persediaan Bahan Baku dengan
Karakteristik Multiitem menggunakan
Metode Eoq Joint Replenishment (studi
kasus: pt. indocement tunggal prakarsa,
tbk plant 9 cirebon). Program Studi
Teknik Industri Fakultas Rekayasa
Industri Telkom University, Bandung.
Putri, FB, Mahmudy, WF & Ratnawati, DE.
2014. Penerapan algoritma genetika
untuk vehicle routing problem with time
windows (VRPTW) pada kasus optimasi
distribusi beras bersubsidi. DORO:
Repository Jurnal Mahasiswa PTIIK
Universitas Brawijaya, vol. 5, no. 1
10
Ramuna, MDT & Mahmudy, WF 2015, 'Optimasi persediaan barang dalam poduksi jilbab
mnggunakan agoritma genetika ', DORO: Repository Jurnal Mahasiswa PTIIK Universitas
Brawijaya, vol. 5, no. 14.