Abstrak
Semakin berkembangnya industri secara massal, maka laba yang dicari juga semakin maksimal dengan
meminimalkan biaya pengeluaran. Salah satu aktivitas perusahaan dalam meminimalkan biaya
pengeluaran adalah dengan mengoptimalkan proses distribusi barang. Mencari pola penyusunan barang
dalam proses distribusi barang yang optimal sangat diperlukan untuk menghindari besarnya biaya
pengeluaran seperti membutuhkan biaya akomodasi kendaraan tambahan, overload barang atau bahkan
memerlukan waktu yang lebih banyak jika tidak menggunakan sistem. Oleh karena itu penelitian ini
dilakukan untuk mengatasi masalah penyusunan barang dalam mobil box agar optimal menggunakan
algoritme genetika. Algoritme genetika dipilih karena dapat menyelesaikan masalah kompleks dengan
waktu yang relative cepat. Dalam penelitian ini diawali dengan inisialisasi individu awal dengan
dibangkitkan secara acak. Representasi yang digunakan representasi integer. Kemudian dilakukan
proses reproduksi crossover dan mutasi. Metode crossover dan mutasi yang digunakan Partially Mapped
Crossover dan Reciprocal Exchange Mutation. Selanjutnya yaitu proses seleksi menggunakan Elitsm
Selection. Berdasarkan hasil pengujian yang telah dilakukan, diperoleh akurasi sebesar 84,6% dengan
parameter terbaik yaitu pada jumlah populasi sebesar 100, cr 0.6, mr 0.4 dan generasi 90. Hasil akhir
yang diperoleh merupakan rekomendasi optimasi penyusunan barang yang optimal
Kata kunci: optimasi, penyusunan barang, algoritme genetika, mobil box
Abstract
As the industry grows massively, the profits sought are also maximized by minimizing the cost of
expenditure. One of the company's activities in minimizing the cost of expenditure is by optimizing the
goods distribution process. Looking for patterns of arrangement of goods in the optimal goods
distribution process is necessary to avoid the cost of such expenses incurred additional vehicle
accommodation costs, overload of goods or even require more time if not using the system. Therefore,
this research is done to overcome the problem of the preparation of goods in the car box for optimal
use of genetic algorithm. Genetic algorithm is chosen because it can solve complex problems with a
relatively fast time. In this study begins with initial individualization with random raised. The
representation used is an integer representation. Then the process of reproduction of crossover and
mutation. The crossover and mutation methods used by Partially Mapped Crossover and Reciprocal
Exchange Mutation. Next is the selection process using Elitsm Selection. Based on the results of the tests
that have been done, obtained accuracy of 84,6% with the best parameters that is on the population
amount of 100, cr 0.6, mr 0.4 and generation 90. The final result obtained is optimization
recommendations optimize the preparation of goods.
Keywords: optimization, preparation of goods, genetic algorithm, car box
Keterangan :
f (x) = Fungsi objektif / fitness
Vb = Seluruh volume barang yang masuk
Vk = Volume kendaraan i = Indeks Barang
Gambar 7. Proses Mutasi n = Jumlah Barang
Setelah mendapatkan individu hasil mutasi, i = Indeks Barang
kemudian dilakukan proses evaluasi dengan w = Berat barang i
menentukan fitness terbesar yang akan menjadi W = Beban maksmimum mobil box
tolak ukur penentuan generasi selanjutnya pi, li, ti = Masing-masing panjang, lebar dan
(Panharesi & Mahmudy, 2015). Semakin besar tinggi barang i
nilai fitness maka peluang akan menjadi solusi P, L, T = Masing-masing panjang, lebar dan
akan semakin besar (Mahmudy, 2015). tinggi mobil box
Penentuan nilai fitness dalam penelitian ini xi = Variabel biner yang mengidentifikasikan
menggunakan Persamaan 1 (Lim, Gunadi & dapat atau tidaknya barang i disusun pada
Gang, 2004). mobil box. Bernilai 1 jika barang berada di
∑𝑉𝑏 dalam mobil box dan 0 jika tidak.
𝑓(𝑥) = 𝑉𝑘 ∗ 100% (1)
Setelah menghitung fitness kemudian
Fungsi objektif / fitness berfungsi untuk dilanjutkan dengan proses seleksi dengan
mengoptimalkan penggunaan ruang yang memilih individu terbaik yang akan bertahan
tersedia dengan menggunakan total volume untuk berproses pada generasi selanjutnya.
barang yang dapat disusun pada mobil box. Hal Proses seleksi yang digunakan dalam penelitian
yang harus diperhatikan dalam penyusunan ini yaitu Elitsm Selection, yaitu dengan
barang yaitu fungsi objektif (objective function) mengurutkan nilai fitness dari yang terbesar ke
dan batasan (constraint) (Safrina, 2015). yang kecil atau yang dikenal dengan istilah
Batasan-batasan dalam penyusunan barang perankingan.
adalah sebagai berikut (Safrina, 2015): Proses reproduksi akan dilakukan sampai
1. Orientasi Barang salah satu syarat keadaan kondisi berhenti telah
Barang yang disusun berbentuk balok atau terpenuhi, yaitu (Mahmudy, 2015):
kubus yang memiliki dimensi panjang, lebar dan 1. Ketika sudah mencapai kondisi generasi n
tinggi. Ada barang yang dapat dirotasi atau tidak yang telah ditentukan.
sesuai dengan Gambar 2. 2. Ketika tidak dijumpai solusi terbaik saat
2. Beban Maksimal Mobil Box sudah mencapai generasi ke n.
Masing-masing dari mobil box memiliki 3. Ketika telah mencapai t satuan waktu.
batas beban maksimal barang yang dapat
ditampung. Sehingga beban barang tidak boleh 6. ARSITEKTUR SISTEM
melibihi beban maksimal mobil box. Model
matematika yang digunakan terdapat pada Dalam penelitian ini menggunakan bahasa
Persamaan 2. pemograman java dengan struktur diagram class
∀𝑖 ∈ {1, … , 𝑛} ∑𝑛𝑖=1 𝑤𝑖 ∗ 𝑥𝑖 ≤ 𝑊 (2) utama seperti Gambar 8.
3. Kapasitas Ruang Mobil Box
Batasan kapasitas ruang mobil box 7. PENGUJIAN DAN PEMBAHASAN
digunakan supaya barang-barang yang akan Pada penelitian ini terdapat 3 pengujian,
disusun ke dalam mobil box memiliki ukuran yaitu pengujian ukuran populasi, pengujian
sama atau kurang dari kapasitas mobil box. ukuran crossover rate dan mutation rate,
Volume barang yang disusun tidak boleh pengujian banyaknya generasi. Setelah
melebihi volume mobil box. Persamaan yang mendapatkan parameter terbaik, kemudian akan
digunakan seperti pada Persamaan 3. dilakukan pengujian kembali menggunakan
∀𝑖 ∈ {1, … , n} ∑𝑛𝑖=1 𝑝𝑖 ∗ 𝑙𝑖 ∗ 𝑡𝑖 ∗ 𝑥𝑖 ≤ 𝑃 ∗ 𝐿 ∗ 𝑇 parameter terbaik masing-masing pengujian.
(3)
Masing-masing dimensi panjang, lebar dan
tinggi barang juga tidak boleh melebihi panjang,
lebar dan tinggi mobil box. Persamaan yang
digunakan seperti pada Persamaan 4:
∀𝑖 ∈ {1, … , n} ∑𝑛𝑖=1 𝑝𝑖 ≤ 𝐿 𝑑𝑎𝑛 𝑙𝑖 ≤
𝑃 𝑑𝑎𝑛 𝑡𝑖 ≤ 𝑇 (4)
Rata-rata fitness
44,00
43,00
42,00
41,00
40,00
39,00
40
10
20
30
50
60
70
80
90
100
110
Populasi
pada ukuran cr 0 dan mr 1 sebesar 43.98. komputasi yang lama karena bisa jadi algoritme
Sehingga dapat disimpulkan bahwa kombinasi genetika akan mengeksplorasi area yang tidak
crossover rate (cr) dan mutation rate (mr) mempunyai nilai optimal (Mahmudy, 2015).
terbaik adalah 0,6 : 0,4. Apabila cr rendah dan
mr tinggi maka algoritme genetika tidak akan 7.4. Pengujian Parameter Terbaik
mampu mengeksplorasi daerah pencaraian Hasil parameter terbaik berdasarkan
secara efektif (Mahmudy, 2015), karena pengujian yang telah dilakukan sebelumnya
crossover yang rendah tidak bisa belajar efektif akan dijadikan nilai input masing-masing
dari generasi sebelumnya (Riyandani, 2016). parameter untuk mendapatkan solusi yang
Sedangkan sebaliknya, jika nilai cr tinggi dan mr mendekati optimal. Yaitu dengan parameter
rendah maka akan mengalami penurunan populasi sebesar 100, kombinasi cr dan mr
kemampuan dalam mengeksplorasi ruang 0,6:0,4 dan generasi sebesar 90.
pencarian, sehingga kehilangan kesempatan
untuk mengeksplorasi ruang pencaraian lainnya Pengujian Parameter
(Mahmudy, 2015), karena ketika nilai crossover
tinggi akan menghasilkan offspring yang Terbaik
Rata-rata fitness
memiliki kemiripan tinggi dengan induk 48,50
(Riyandani, 2016). 48,00
47,50
47,00
7.3. Pengujian Banyaknya Generasi 46,50
Pengujian ukuran generasi digunakan untuk 1 2 3 4 5 6 7 8 9 10
menentukan ukuran generasi yang terbaik. Nilai Pengujian ke-
populasi, kombinasi cr dan mr diperoleh
berdasarkan hasil pengujian nilai terbaik pada uji Gambar 12.Uji Coba Parameter Terbaik
coba populasi 100, kombinasi cr 0,6 dan mr 0,4.
Gambar 12 dapat disimpulkan bahwa nilai
Hasil uji coba ukuran banyak generasi dapat
fitness yang dihasilkan sudah mendekati
dilihat dalam Gambar 11.
optimal. Karena hasil nilai rata-rata fitness dari
Pengujian Ukuran Generasi 10 kali percobaan di atas menghasilkan nilai
rata-rata fitness yang hampir sama. Untuk
48,00 mengetahui nilai akurasi yang diperoleh,
Rata-rata fitness
Gambar 11.Uji Coba Banyaknya Generasi Sehingga didapatkan nilai rata-rata akurasi
sebesar :
Pada Gambar 11 dapat diketahui nilai rata- Σ 𝑡𝑜𝑡𝑎𝑙 𝑎𝑘𝑢𝑟𝑎𝑠𝑖
𝑅𝑎𝑡𝑎 − 𝑟𝑎𝑡𝑎 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 (%) =
Σ 𝑢𝑗𝑖 𝑐𝑜𝑏𝑎
rata nilai fitness terbesar terjadi pada generasi 90
sebesar 47.62. Sedangkan nilai rata-rata fitness 𝑅𝑎𝑡𝑎 − 𝑟𝑎𝑡𝑎 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 =