ABSTRAK
Transportasi merupakan komponen yang vital dalam manajemen logistik suatu perusahaan. Pengurangan
biaya transportasi dapat dilakukan dengan menentukan rute pengiriman yang efisien.Penulisan penelitian ini
bertujuan untuk menghasilkan suatu rute pengiriman yang memiliki total jarak tempuh terpendek Vehicle Routing
Problem with Time Windows (VRPTW) merupakan permasalahan membentuk sekumpulan rute yang optimal
dengan menggunakan model matematis berdasarkan pertimbangan jarak dan waktu.untuk dapat memperoleh
solusi dari permasalahan ini digunakan algoritma genetik (GA), Genetic Algorithm dipilih karena Genetic
Algorithm tidak mempunyai kriteria khusus yang dijumpai pada algoritma heuristik lainnya, maka waktu
komputasi juga relatif lebih singkat, serta dapat menghasilkan beberapa alternatif solusi yang mempunyai nilai
obyektif yang sama. Karena GA bersifat iteratif dan jadwal pengiriman di PT MIF berubah-ubah, maka perlu
dibuat suatu program khusus untuk menyelesaikan tiap iterasi dan tiap perubahan customer dan jadwal di PT
MIF. Dari hasil penelitian diperoleh rute untuk kendaraan 1 adalah dari depo menuju customer 6, customer 1,
customer 18, customer 7 kemudian kembali ke depo, dengan total jarak tempuh 140km,sedangkan rute kendaraan
2 dari depo menuju customer 8 kemudian kembali lagi ke depo dengan total jarak 17,9 km. Persentase
penghematan yang dapat diperoleh apabila rute hasil perhitungan metode optimasi ini diterapkan pada
perusahaan adalah sebesar 7,88 %.
Kata kunci : transportasi, Vehicle Routing Problem with Time Windows (VRPTW), Genetic Algorithm.
karena itu waktu komputasi juga relatif lebih dan cukup fleksibel untuk menangani
singkat, serta dapat menghasilkan beberapa daerah yang luas dengan pembatas ±
alternatif solusi yang mempunyai nilai obyektif pembatas yang praktis dan relatif cepat
yang sama. komputasinya untuk menangani sejumlah
Dari skripsi sebelumnya dengan judul masalah pemberhentian dan dapat
´3HUHQFDQDDQ 5XWH 7UDQVSRUWDVL 7HUSHQGHN membangkitkan solusi yang mendekati
pada PT.MIF dengan Model VRPTW´ optimum.
(Martha,2005) yang membahas permasalahan PHQGHNDWDQ ³saving´ GDSDW GLMDEDUNDQ
VRPTW dengan menggunakan algoritma sebagai berikut :
Branch & Bound yang mencari solusi optimum 1. Awalnya, asumsikan bahwa
dengan membandingkan solusi dengan setiap kendaraan dapat digunakan untuk
solusi pada semua alternatif kombinasi untuk tiap pelanggan. Persiapkan alokasi
memastikan bahwa solusi yang didapat kendaraan yang menunjukkan
merupakan solusi global[1], sedangkan di jumlah kendaraan dan total muatan
penelitian ini permasalahan VRPTW akan yang tersedia
diselesaikan dengan menggunakan Genetic 2. Untuk membantu komputasi,
Algorithm yang mencari solusi terbaik dengan persiapkan matrik seperti yang
mekanisme berupa kombinasi dari pencarian terlihat pada gambar 2.1. Muatan
acak secara terstruktur. yang dikirim tiap pelanggan Pi
PT. MITRA INTERTRANS yang terdaftar dalam kolom q. Nilai
FORWARDING (MIF) yang tergabung dalam disebelah kanan tiap sel adalah
MERATUS GROUP merupakan perusahaan jarak dy,z antara Py dan Pz, dimana y
yang bergerak di bidang jasa pelayaran. dan z merupakan penanda
Perusahaan ini menyediakan layanan baik untuk pelanggan. Pada sel sebelah kiri
domestik maupun internasional. Dalam bawah menandakan simpanan
pengiriman ke tempat ± tempat tujuan, PT. MIF (saving) Sy,z dari jarak yang
menggunakan rute yang hanya didasarkan pada berhubungan dengan Py dan Pz . Sy,z
preferensi dan pengalaman kurir saja. dihitung dengan
Perusahaan belum mempunyai prosedur Sy,z = do,y + do,z - dy,z
penentuan rute yang optimal. Dengan
banyaknya jumlah customer, perusahaan Load
membutuhkan rute pengiriman yang optimal Po
agar dapat menghemat biaya transportasi. Oleh
q
karena itu, diperlukan suatu program khusus 1200 9 P1
yang dapat memberikan solusi rute optimal
untuk tiap kali pengiriman. Maka dalam
penelitian ini akan dibuat program optimasi 1700 14 5 P2
yang dapat memberikan solusi rute optimal
dengan perhitungan menggunakan model
VRPTW 1500 21 12 7 P3
93
WIDYA TEKNIK Vol. 10, No. 1, 2011 (92-102)
94
Tanujaya: PENERAPAN ALGORITMA GENETIK UNTUK PENYELESAIAN MASALAH VEHICLE ...
ditentukan (ei) dan tidak dapat dilayani lagi Istilah ± istilah dalam Algoritma Genetik
setelah waktu akhir yang ditentukan (li) . (GA)
Dengan kata lain jika suatu vehicle tiba atau GA menggunakan mekanisme genetika
datang pada suatu node sebelum ei maka vehicle yang ada pada proses alami dan sistem buatan.
itu harus menunggu sampai ei . Dan jika vehicle Istilah ± istilah yang digunakan adalah
itu datang setelah li maka vehicle tersebut tidak gabungan dari dua disiplin ilmu, yaitu ilmu
diperbolehkan untuk melayani node tersebut. biologi dan ilmu computer.
Interval waktu antara ei dan li inilah yang Semua mahluk hidup terdiri dari sel.
GLVHEXW VHEDJDL ³ Time Windows´ Tiap sekumpulan sel yang sama dinamakan
dibuat di dalam program komputer. sebagai kromosom. Kromosom tersusun atas
Verifikasi berguna untuk menjamin bahwa rangkaian DNA yang merupakan protein yang
model simulasi komputer mempresentasikan membentuk model dari seluruh mahluk hidup.
konseptual model yang dimaksudkan. Setiap kromosom terdiri dari gen, yang
Sedangkan validasi berkaitan dengan merupakan sebuah blok DNA yang menentukan
penyusunan model yang mempresentasikan sifat ± sifat mahluk hidup. Ciri ± ciri yang
sistem nyata. Verifikasi merupakan proses mungkin pada sebuah gen disebut alleles,
secara keseluruhan untuk membandingkan sedangkan posisi gen pada kromosom disebut
perilaku model dengan sistem dengan locus. Kumpulan lengkap dari
nyatanya. Proses validasi model terdiri dari kromosom disebut dengan genome. Kelompok
tiga langkah yaitu face validity, validasi asumsi khusus dari gen dalam genome disebut
model dan validasi input-output. genotype.
Selama reproduksi berlangsung, seleksi
Algoritma Genetik[2] merupakan proses yang pertama kali terjadi.
Algoritma Genetik (GA) merupakan Kemudian gen dari parents (orang tua)
suatu metode heuristic untuk mencari solusi dikombinasikan dengan cara di-crossover
optimum dari suatu permasalahan dengan (pindah silang) atau dengan memodifikasi suatu
menggunakan mekanisme pencarian yang kromosom dengan menggunakan operator
meniru proses evolusi biologis. Mekanisme mutasi. Mutasi berarti bahwa elemen ± elemen
yang digunakan merupakan kombinasi dari dari DNA yang ada ditukar. Pertukaran ini
pencarian acak dan terstruktur. Algoritma ini terutama disebabkan karena adanya
sudah berhasil diterapkan dalam berbagai kemungkinan error/kesalahan yang terjadi pada
permasalahan kombinatorial, mulai dari saat peng-copy-an gen dari parents.
Traveling Salesman Problem (TSP), VRP, dan
penjadwalan produksi. Parameter yang digunakan dalam GA[4]
Dalam menyelesaikan penentuan Terdapat beberapa parameter yang
kombinasi yang optimum, Algoritma Genetik digunakan dalam GA.Parameter yang
berbeda dengan algoritma heuristic lainnya. digunakan tersebut adalah :
Pada umunya, metode heuristic mencari solusi x Jumlah Generasi
optimum dengan menyusun kombinasi secara Merupakan jumlah perulangan (iterasi)
bertahap berdasarkan kriteria pemilihan dan dilakukannya rekombinasi dan seleksi.
terminasi iterasi yang tertentu. Solusi yang Jumlah generasi ini mempengaruhi
didapatkan hanya satu macam solusi saja. kestabilan output dan lama iterasi (
Sebaliknya, Algoritma Genetik membuat suatu waktu proses GA). Jumlah generasi
kode genetic dari kombinasi yang dimaksud, yang besar dapat mengarahkan ke arah
yang lebih dikenal sebagai istilah gen solusi yang optimal, namun akan
(genotype) yang selanjutnya disempurnakan membutuhkan waktu running yang
dengan iterasi yang menyerupai proses alam lama. Sedangkan jika jumlah
dalam menurunkan sifat ± sifat genetik. Karena generasinya terlalu sedikit maka solusi
itu, Algoritma Genetik tidak membutuhkan akan terjebak dalam lokal optimal.
kriteria khusus yang dijumpai pada algoritma x Ukuran Populasi
heuristik lain dalam menyaring kualitas solusi Ukuran populasi mempengaruhi kinerja
ataupun mengurangi waktu komputasi serta dan efektifitas dari GA. Jika ukuran
dapat menghasilkan beberapa alternatif solusi populasi kecil maka populasi tidak
yang mempunyai nilai fungsi obyektif yang menyediakan cukup materi untuk
sama[3]. mencakup ruang permasalahan,
sehingga pada umumnya kinerja GA
95
WIDYA TEKNIK Vol. 10, No. 1, 2011 (92-102)
menjadi buruk. Dalam hal ini string dan pertukaran bagian string. Siklus
dibutuhkan ruang yang lebih besar pengembangbiakan GA diawali dengan
untuk mempresentasikan keseluruhan pembuatan himpunan solusi yang dinamakan
ruang permasalahan. Selain itu kromosom. Selama dalam sebuah generasi,
penggunaan populasi yang besar dapat kromosom ± kromosom tersebut dievaluasi
mencegah terjadinya konvergensi pada dengan rumus ± rumus yang ada dalam fungsi
wilayah lokal. fitness. Untuk mendapatkan suatu kromosom
x Probabilitas Crossover (Pc) baru yang dapat dilakukan dengan
Probabilitas crossover ini digunakan menggabungkan dua induk dengan
untuk mengendalikan frekuensi menggunakan operator crossover (pindah
operator crossover. Dalam hal ini, silang) atau dengan memodifikasi suatu
dalam populasi terdapat Pc * ukuran kromosom dengan menggunakan operator
populasi struktur yang akan melakukan mutasi. Dalam kedua operator GA tersebut
crossover. Semakin besar nilai dapat dilakukan evaluasi dengan menggunakan
probabilitas crossover maka semakin fungsi obyektif dan batasan ± batasan fungsi
cepat struktur baru diperkenalkan kendala sehingga individu dengan solusi yang
dalam populasi. Namun jika lebih baiklah yang dipilih.
probabilitas crossover terlalu besar Sebelum dilakukan iterasi selanjutnya
maka struktur dengan nilai fungsi maka dilakukan seleksi sesuai fungsi fitness
obyektif yang baik dapat hilang dengan sehingga kromosom ± kromosom yang fit saja
lebih cepat dari seleksi. Akibatnya yang diturunkan dan yang tidak fit dapat
populasi tidak dapat lagi meningkatkan dihilangkan. Setelah beberapa generasi,
nilai fungsi dari obyektifnya. algoritma akan konvergen pada kromosom yang
Sebaliknya probabilitas crossover kecil terbaik. Kromosom yang terbaik tersebutlah
akan menghalangi proses pencarian yang merupakan nilai optimum dari
dalam proses GA. Adapun mengenai permasalahan.
probabilitas crossover yang baik, dari
hasil penelitian yang dilakukan oleh Langkah ± Langkah Dasar Algoritma
Zbiniew Michalewics (1996) Genetik (GA)
menyatakan bahwa probabilitas Dalam kehidupan sehari ± hari, algoritna
crossover yang baik adalah berada genetik banyak digunakan untuk memecahkan
dalam range 0.65 ± 1. masalah ± masalah optimasi seperti routing,
penjadwalan dan masalah transportasi.
x Probabilitas Mutasi (Pm) Algoritma dimulai dari sekumpulan
Mutasi digunakan untuk meningkatkan solusi (ditunjukkan oleh sekumpulan
variasi populasi. Probabilitas mutasi ini kromosom) yang dinamakan populasi. Solusi
digunakan untuk menentukan tingkat dari sebuah populasi diambil dan dgunakan
mutasi yang terjadi, karena frekuensi untuk membentuk sekumpulan populasi baru.
terjadinya mutasi tersebut menjadi Motivasi yang digunakan adalah sebuah
Pm*ukuran populasi*N, dmn N adalah harapan bahwa populasi baru tersebut nantinya
panjang struktur dalam suatu individu. akan lebih baik dari populasi yang lama. Solusi
Probabilitas mutasi yang rendah akan yang akhirnya dipilih untuk membentuk
menyebabkan gen ± gen yang sekumpulan solusi baru / keturunan baru
berpotensi tidak dicoba, dan sebaliknya, (offspring) diseleksi berdasarkan kemampuan (
tingkat mutasi yang tinggi akan fitness) mereka. Semakin sesuai mereka
menyebabkan keturunan semakin mirip semakin besar kesempatan mereka untuk
dengan induknya. Adapun mengenai bereproduksi.
probabilitas mutasi yang baik, dari hasil Berikut ini adalah langkah ± langkah
penelitian yang dilakukan oleh Zbiniew dasar dalam Algoritma Genetik :
Michalewics (1996) menyatakan bahwa a. [Start] Parents awal yang digunakan
probabilitas mutasi yang baik adalah digenerate secara random atau bisa juga
berada dalam range 0.01 ± 0.3. dengan metode heuristik tertentu.
b. [Fitness] Mengevaluasi fitness f(x) dari tiap
Mekanisme Dasar Algoritma Genetik (GA) kromosom x dalam populasi.
Adapun mekanisme GA adalah sangat c. [New population] Menciptakan populasi
sederhana, yaitu hanya melibatkan penyalinan baru dengan mengulang langkah ± langkah
96
Tanujaya: PENERAPAN ALGORITMA GENETIK UNTUK PENYELESAIAN MASALAH VEHICLE ...
di bawah ini sampai terbentuk populasi dalam tahap ini juga dikumpulkan data contoh
baru. pengiriman multidestination (contoh kasus)
x [Selection] Pilih dua parents kromosom yang pernah terjadi.
dari populasi termasuk fitness mereka
x [Crossover] Dengan sebuah Pengolahan Data dan Analisis Data
probabilitas crossover, penyilangan Data studi kasus yang diperoleh pada
parents dilakukan untuk membentuk tahap pengumpulan data diolah dengan metode
offspring (keturunan) yang baru. Jika yang sesuai, tahapan pengolahan data antara
tidak ada crossover yang terbentuk, lain
offspring yang terbentuk adalah murni 1. Membuat matrik jarak dan waktu
salinan dari orang tuanya. perjalanan dari depot ke customer
x [Mutation] Dengan sebuah probabilitas dan dari customer ke customer lain.
mutasi, offspring yang baru terbentuk 2. Menentukan metode untuk parent 1
dimutasi pada setiap locus (posisi yaitu metode Nearest neighbor dan
dalam kromosom). parent 2 yaitu metode Clark
x [Accepting] Tempatkan offspring yang :ULJKW¶V 6DYLQJ
baru pada populasi baru. 3. Membuat Program GA.
d. [Replace] Gunakan generasi populasi yang 4. Melakukan input data terhadap
baru untuk replikasi algoritma berikutnya. program GA yang telah dibuat
e. [Test] Jika kondisi akhir sudah memenuhi kemudian melakukan beberapa kali
syarat, Stop, kembali ke solusi terbaik simulasi untuk menentukan nilai
dalam populasi tersebut. parameter ± parameter GA yang
f. [Loop] Kembali ke Langkah b. paling baik agar mendapatkan hasil
yang terbaik.
METODE PENELITIAN
Pengamatan Awal Verifikasi Hasil
Pada tahap awal penelitian , yang Setelah diperoleh hasil, maka dilakukan
dilakukan adalah mengamati bisnis proses dari verifikasi, yaitu dengan cara memeriksa hasil
perusahaan. Hal ini dilakukan dengan tujuan tersebut dengan syarat ± syarat pengiriman,
untuk mengetahui kondisi perusahaan antara lain
1. Tidak melanggar pembatas kapasitas
kendaraan
Identifikasi Masalah 2. Semua node telah terlewati
Dari pengamatan awal dapat diketahui Apabila persyaratan di atas tidak
permasalahan yang sedang dihadapi dipenuhi maka akan dilakukan perhitungan
perusahaan. Selama ini perusahaan melakukan kembali.
pendistribusian barang berdasarkan preferensi
dan pengalaman kurir saja. Oleh karena itu rute Validasi Hasil
distribusi yang digunakan dapat dikatakan tidak Validasi rute hasil perhitungan model
optimal. Dalam penelitian ini akan dicari rute VRPTW dengan pendekatan GA dengan cara
yang terpendek. membandingkan jarak tempuh rute hasil
perhitungan dengan rute awal perusahaan.
Apabila jarak tempuh rute hasil perhitungan
lebih tinggi maka akan dilakukan perhitungan
Studi Literatur kembali.
Studi Literatur ini bertujuan untuk
mempelajari teori ± teori yang sesuai dengan Kesimpulan dan Saran
masalah yang dibahas guna membantu Menarik kesimpulan terhadap analisa
memecahkan masalah tersebut output dan memberi saran terhadap program
penyelesaian yang dibuat.
Pengumpulan Data
Pada tahap ini dilakukan pengumpulan
data yang diperlukan untuk menyelesaikan
permasalahan rute distribusi. Data yang
dibutuhkan adalah data jumlah, jarak node,
kapasitas kendaraan yang digunakan. Selain itu
97
WIDYA TEKNIK Vol. 10, No. 1, 2011 (92-102)
Ya
Validasi Hasil
Tidak
Apakah hasil
sudah valid
Ya
End
Regresi pada tabel 1 diatas merupakan
model terbaik untuk waktu loading/unloading
Gambar 3. Diagram Alir Metode Penelitian
setelah mengalami pengurangan data yang
outlier dan influence.
Kemudian untuk evaluasi kelayakan
HASIL PENELITIAN DAN
model dilakukan uji terhadap standardized
PEMBAHASAN
residual dari model yang terbentuk.
Pengumpulan data dilakukan dengan
standardized residual yang diperoleh harus
wawancara dan observasi secara langsung
Identical Independent Distribution Normal
terhadap perusahaan. Data ± data yang
(IIDN). Untuk mengetahui bahwa standardized
dibutuhkan antara lain adalah :
residual IIDN dilakukan uji normality
a) Data alamat customer
menggunakan kolmogorov smirnov untuk
b) Data jarak antar customer
melihat standardized residual berdistribusi
c) Data jumlah barang yang akan
normal.
dikirimkan
Uji hipotesis untuk standardized residual:
d) Data lama loading dan unloading
Ho : Standardized residual berdistribusi
barang
normal
e) Data jenis dan kapasitas kendaraan
H1 : Standardized residual tidak berdistribusi
Daerah penelitian hanya dibatasi untuk
normal
wilayah Surabaya dan sekitarnya. Depo PT.
. :5%
MIF di Surabaya terletak di Jl. Tanjung
P-value standardized residual > 0,150
Tembaga.
P-value > ., maka gagal tolak , Ho standardized
residual berdistribusi normal.
98
Tanujaya: PENERAPAN ALGORITMA GENETIK UNTUK PENYELESAIAN MASALAH VEHICLE ...
Algoritma Genetik
Sebagai parent 1 yaitu rute hasil dari
perhitungan metode Nearest Neighbour dan
sebagai parent 2 yaitu rute hasil perhitungan
Gambar 4. Normality Test untuk st.residual waktu metode Clark Wright Saving.
loading/unloading Populasi yang digunakan sejumlah
60,Jumlah maksimum generasi sebesar 1000,
Perhitungan Contoh Kasus yang kemudian akan mengalami crossover
,mutasi dan seleksi, dengan nilai stopover limit
Berikut adalah perhitungan kasus 30. Iterasi dihentikan jika tidak ada peningkatan
pengiriman multidestination yang pernah hasil sebanyak 30 kali. Selama masih ada
dilakukan oleh perusahaan untuk pengiriman ke peningkatan hasil, maka iterasi akan terus
5 tempat . berjalan. Probabilitas crossover yang digunakan
sebesar 0.8 dan probabilitas mutasi sebesar 0.2
Tabel 2. Data Customer Untuk Contoh Kasus
Volume barang
Flowchart program
Customer Alamat Lama Lama Unloading
(m3) Loading (jam) (jam) 1. Input jumlah kendaraan dan tujuan
C1 Jl.Raya Pandaan 5.8 0.3 0.38 Menginputkan jumlah
C6 Jl.Raya Sidoarjo - Krian 5.04 0.31 0.4 kendaraan yang akan dipakai dan
C7 Jl.Kalianak Barat 2 0.21 0.26
C8 Jl.Tambak Langon 2.2 0.18 0.23
jumlah customer yang akan dituju.
C18 Jl.Sepanjang 2.06 0.21 0.25 2. Input jenis kendaraan
Pengiriman ini dilakukan dengan menggunakan 1 Untuk tiap kendaraan inputkan
colt diesel dan 1 truk engkel. jenis kendaraan.
3. Input tujuan,demand, waktu unloading
Untuk tiap tujuan diinputkan
Rute aktual perusahaan kode tujuan, jumlah barang yang akan
Rute aktual perusahaan adalah :
dikirim dan lama unloadnya. Jumlah
demand diinputkan dengan satuan
Kendaraan 1 : Depo : & : & : 'HSR volume m3 dan waktu unloading dalam
.HQGDUDDQ 'HSR : & : & : & : 'HSR jam
4. Solve
Perhitungan solve terdiri atas
Metode Nearest Neighbor a. Penjumlahan total volume
Dengan menggunakan metode Nearest dicocokan dengan kapasitas
Neighbour didapatkan rute sebagai berikut : kendaraan pertama yang
Tabel 3. Metode Nearest Neighbour tersedia di depo
Kapasitas Total Jarak Total Volume
b. Penentuan parent 1 dan parent
Rute 2
(m3) (Km) (m3)
Kendaraan 1 8 0-1-0 111.1 5.8 c. Crossover operator
Kendaraan 2 15 0-7-8-18-6-0 97.5 11.3 (crossover,mutasi)
208.6 17.1
d. Pemilihan individu terbaik
99
WIDYA TEKNIK Vol. 10, No. 1, 2011 (92-102)
Nearest Neighbor
Input Data
Clark Wright
Saving
Start Generasi = 0
Generasi lama = 0
Stopover limit = 0
Input Jumlah
Crossover
kendaraan
dan tujuan
Mutasi
Untuk tiap
kendaraan Seleksi
Ya
Generasi = 1000 Pilih individu
End
Input Jenis ? terbaik
kendaraan
Tidak
Tidak
Untuk
setiap
tujuan Gambar 6. Flowchart Program Solve
Input Tujuan
Input Demand
Hasil Perhitungan Contoh Kasus
Input waktu Menggunakan Program GA
unloading
Hasil Output
100
Tanujaya: PENERAPAN ALGORITMA GENETIK UNTUK PENYELESAIAN MASALAH VEHICLE ...
Gambar 9.Verifikasi Program Dalam hal ini tentu saja dibutuhkan parameter
Semua titik telah dilewati sebelum jam yang dapat mengurangi waktu running untuk
17:00 populasi 60 generasi 1000 outputnya sudah
cukup baik dan stabil. Sehingga bisa dikatakan
101
WIDYA TEKNIK Vol. 10, No. 1, 2011 (92-102)
102