Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN: 2548-964X

Vol. 2, No. 10, Oktober 2018, hlm. 4141-4149 http://j-ptiik.ub.ac.id

Penerapan Algoritme Genetika Untuk Optimasi Penyusunan Barang

Dalam Mobil Box
Fitria Dwi Nurhayati1, Wayan Firdaus Mahmudy2, Achmad Arwan3

Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya

Email: 1fdn.fitriadwi@gmail.ac.id, 2wayanfm@ub.ac.id, 3arwan@ub.ac.id

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

untuk meminimalkan biaya pengeluaran dan

1. PENDAHULUAN memaksimalkan laba (Erny, 2013). Proses
Semakin berkembangnya bermacam- distribusi barang dengan alat transportasi
macam industri yang memproduksi produk- merupakan salah satu kegiatan di dalam
produk secara massal (Gazali & Manik, 2010), perusahaan, yang kemudian dituntut agar lebih
efisiensi sangat diperlukan dalam segala bidang efisien dalam penyusunannya untuk

Fakultas Ilmu Komputer

Universitas Brawijaya 4141
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 4142

meminimalisir biaya pengeluaran (Safrina, 3. KAJIAN PUSTAKA

2015).
Salah satu permasalahan dalam proses 3.1. Penataan Barang
distribusi barang adalah ketika penyusunan Dalam permasalahan optimasi penyusunan
barang yang tidak optimal, sehingga akan barang dalam mobil box menggunakan dua
memperbesar biaya pengeluaran karena objek yaitu barang dan mobil box. Data barang
memerlukan kendaraan tambahan untuk dibutuhkan untuk mengetahui berapa banyak
mendistribusikannya (Gazali & Manik, 2010). barang yang akan disusun ke dalam kendaraan,
Selain itu, ada beberapa hal juga yang perlu yang memiliki parameter panjang barang, lebar,
dipertimbangkan, seperti petugas lapangan yang tinggi, berat dan rotasi barang. Parameter
akan terus mencoba untuk meletakkan dan panjang digunakan untuk membatasi agar berat
menggeser posisi barang satu dengan yang barang tidak melebihi kapasitas kendaraan,
lainnya agar tetap optimal, dan tentunya juga parameter rotasi digunakan untuk
akan menguras lebih banyak tenaga (Gazali & mengidentifikasi apakah barang tersebut dapat
Manik, 2010). dirotasi atau tidak.
Beberapa penelitian sebelumnya telah Gambaran umum objek barang dapat dilihat
membahas mengenai permasalahan optimasi pada Gambar 1.
penyusunan barang menggunakan algoritme
Greedy oleh Gazali dan Manik (2013), dan
menggunakan algoritme firefly dalam optimasi
penyusunan barang dalam mobil box (Safrina,
2015).
Berdasarkan pemaparan informasi yang
telah dijelaskan, maka dibutuhkan algoritme
yang bisa menyelesaikan masalah kompleks
Gambar 1. Objek Barang (Safrina, 2015)
dalam proses penyusunan barang dalam mobil
box dan mampu menghasilkan solusi optimal, Pada Gambar 1 dapat dilihat bahwa barang i
yaitu menggunakan algoritme genetika memiliki dimensi 1 (panjang) pada sumbu x,
(Mahmudy, 2015). dimensi 2 (tinggi) pada sumbu y dan dimensi 3
Diharapkan algoritme genetika ini mampu (lebar) sumbu z.
menyelesaikan permasalahan optimasi Proses rotasi barang dapat dilakukan
penyusunan barang dengan hasil yang optimal. sebanyak enam variasi. Jika rotasi barang
bernilai “tidak” maka barang tersebut bernilai 1
2. BATASAN MASALAH yang artinya hanya memiliki 1 variasi rotasi.
Batasan masalah yang digunakan dalam Sedangkan jika bernilai “ya” maka barang
penelitian ini adalah: tersebut dapat dirotasi sebanyak enam variasi.
1. Barang yang akan disusun telah Gambar rotasi barang dapat dilihat dalam
dikemas dalam bentuk balok atau kubus Gambar 2.
2. Berat barang merupakan berat barang
asli yang sudah ditambah dengan berat
barang packing.
3. Rute pengiriman barang tidak
diperhatikan (semua barang turun di
tempat yang sama).
4. Berat barang yang berada di atas barang
lain tidak mempengaruhi barang yang
berada di bawahnya.
5. Beban maksimal yang dapat ditampung
tidak melebihi beban maksimal mobil
box.
6. Rotasi barang dapat dilakukan sebanyak
Gambar 2. Variasi Rotasi Barang (Susanto, 2009)
6 variasi.

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 4143

Sedangkan data mobil box diperlukan untuk 4. METODOLOGI PENELITIAN

mengetahui kapasitas ruangan maksimal, dan
Penelitian ini termasuk sebagai penelitian
memiliki parameter antara lain panjang, lebar,
implementatif dengan pendekatan perancangan
tinggi dan beban optimal yang mampu
(design). Tahap-tahap penelitian yang dilakukan
ditampung oleh mobil box. Untuk gambaran
dapat dilihat dalam Gambar 4.
umum objek kendaraan dapat dilihat dalam
Gambar 3.

Gambar 3. Gambaran Mobil Box dalam Koordinat Tiga

Dimensi (Susanto, 2009)

Pada Gambar 3, sumbu x menggambarkan

lebar mobil, sumbu y menggambarkan tinggi
mobil dan sumbu z menggambarkan panjang
mobil.

3.2. Algoritme Genetika

Algoritme genetika merupakan bagian dari
algoritme evolusi (Panharesi & Mahmudy,
2015). Algoritme genetika merupakan metode
algoritme yang populer untuk memecahkan
permasalahan baik kompleks maupun non-
kompleks (Mahmudy, 2015). Terdapat beberapa
penerapan algoritme genetika seperti
permasalahan penjadwalan kuliah, optimasi
penugasan mengajar bagi dosen dan lain-lain
(Mahmudy, 2015).
Proses dalam algoritme genetika dimulai
dengan tahap inisialisasi, yaitu menciptakan
individu-individu secara acak yang memiliki
susunan gen (kromosom) tertentu (Wahyuni,
Mahmudy, dan Setiawan, 2017). Kromosom
tersebut mewakili solusi dari permasalahan.
Tahap selanjutnya yaitu proses reproduksi yang
terdiri dari proses crossover dan mutasi yang
menghasilkan offspring dari induk secara
random yang terdapat dalam populasi.
Selanjutnya yaitu proses evalusi yang ditandai
dengan semakin besar nilai fitness, maka
peluang untuk mendapatkan solusi maksimal
akan semakin besar.
Tahap akhir dalam algoritme genetika yaitu
tahap seleksi, yaitu dengan memilih individu
terbaik dengan fitness terbesar. Individu terbaik
hasil seleksi akan dipertahankan untuk generasi
berikutnya (Mahmudy, 2015).
Gambar 4. Tahap Penelitian
Tahap studi literatur dilakukan dengan
melakukan pengumpulan literatur yang sesuai
dengan penelitian. Pengumpulan data digunakan
untuk menentukan data-data yang dibutuhkan
dalam penelitian. Perancangan sistem dilakukan
dengan perhitungan manual, membuat diagram
alir dan antar muka sistem. Proses implementasi
dilakukan dengan membangun perangkat lunak
sesuai dengan perancangan sistem. Proses
pengujian dan analisis digunakan untuk menguji
parameter yang ditentukan dan menganalisisnya.
5. PERHITUNGAN MENGGUNAKAN
ALGORITME GENETIKA
Dalam melakukan perhitungan, parameter
yang digunakan dalam proses algoritme genetika
yaitu popSize (jumlah populasi), jumlah
generasi, crossover rate (cr) dan mutation rate
(mr). Langkah-langkah yang dilakukan untuk
menyelesaikan masalah terdapat pada Gambar 6
(Mahmudy, 2015).
Penyelesaian masalah dimulai dengan
memasukkan data barang, data kendaraan dan
parameter algoritma genetika. Kemudian
membentuk inisialisasi populasi awal dengan

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 4144

membangkitkan kromosom secara random Tabel 1. Contoh representasi kromosom

sesuai dengan data parameter yang dilakukan. …. Segmen
Segmen 1 …..
Kemudian melakukan proses crossover, mutasi, . 10
evaluasi dengan menentukan fitness tertinggi Individu x1 x2 … … … … x19 x20
yang akan terseleksi menjadi individu baru pada k r … … … … k r
generasi selanjutnya. … … … …
P1 B3 1 B1 5
Representasi kromosom merupakan proses
penyelesaian masalah dengan cara pengkodean P2 B5 6 … … … … B7 1
ke dalam algoritme genetika yang merupakan P3 B2 5 … … … … B4 2
proses awal dan paling penting untuk Tabel 1 merupakan contoh representasi
memberikan solusi (Mahmudy, 2015). Dalam kromosom. Nilai pada gen pertama masing-
penelitian ini menggunakan representasi integer. masing segmen sesuai dengan kode barang (k
Di dalam penelitian ini, dalam satu kromosom merupakan kode barang) sesuai dengan
terdapat dua karakter gen yaitu kode barang dan banyaknya barang yang akan dimasukkan dan
kode rotasi barang, sehingga nilai panjang gen nilai pada gen kedua masing-masing segmen
sebanyak 2 x n, dengan n merupakan banyak menunjukkan batasan rotasi barang (r) yang
barang. Visualisasi gen dalam individu dapat nilainya dari 1 sampai 6 sesuai dengan variasi
dilihat dalam Gambar 5. barang pada Gambar 2. Pada tabel tersebut
terdapat 3 individu yaitu P1, P2 dan P3.
Banyaknya individu sesuai dengan popSize yang
dimasukkan.
Setelah mendapatkan populasi awal,
kemudian melakukan tahap reproduksi yang
terdiri dari proses crossover dan mutasi. Proses
Gambar 5.Visualisasi Gen crossover menggunakan Partially Mapped
Crossover dengan melakukan persilangan dua
induk dan menentukan hubungan pemetaan.
Untuk crossover, misalkan memilih P1 dan
P2 sebagai induk (parents)
P1: 1 2 5 6 4 3 8 7
P2: 1 4 2 3 6 5 7 8
Kemudian dipilih secara acak dua titik
potong sebagai berikut:
P1: 1 2 | 5 6 4 | 3 8 7
P2: 1 4 | 2 3 6 | 5 7 8
Selanjutnya range (di dalam dua titik
potong) ditukar antara induk, menjadi:
P1: 1 2 | 2 3 6 | 3 8 7
P2: 1 4 | 5 6 4 | 5 7 8
Sehingga di dapatkan hasil pemetaan:
2 ↔ 5, berarti 2 akan diganti dengan 5 dan
sebaliknya, berlaku diluar dua titik potong
3 ↔ 6 ↔ 4, 4 dapat diganti dengan 6 atau
3, sehingga menjadi:
C1: 1 5 2 3 6 4 8 7
C2: 1 3 5 6 4 2 7 8
Setelah melakukan proses crossover,
selanjutnya dilakukan proses mutasi reciprocal
exchange mutation, yaitu dengan cara menukar
nilai yang terdapat pada dua posisi (exchange
point/XP) (Mahmudy, 2015) yang sebelumnya
telah dipilih secara acak seperti pada Gambar 7.

Gambar 6. Langkah perhitungan Algoritme Genetika

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Gambar 7. Proses Mutasi
Setelah mendapatkan individu hasil mutasi,
kemudian dilakukan proses evaluasi dengan
menentukan fitness terbesar yang akan menjadi
tolak ukur penentuan generasi selanjutnya
(Panharesi & Mahmudy, 2015). Semakin besar
nilai fitness maka peluang akan menjadi solusi
akan semakin besar (Mahmudy, 2015).
Penentuan nilai fitness dalam penelitian ini
menggunakan Persamaan 1 (Lim, Gunadi &
Gang, 2004).
∑𝑉𝑏
𝑓(𝑥) = 𝑉𝑘 ∗ 100% (1)
Fungsi objektif / fitness berfungsi untuk
mengoptimalkan penggunaan ruang yang
tersedia dengan menggunakan total volume
barang yang dapat disusun pada mobil box. Hal
yang harus diperhatikan dalam penyusunan
barang yaitu fungsi objektif (objective function)
dan batasan (constraint) (Safrina, 2015).
Batasan-batasan dalam penyusunan barang
adalah sebagai berikut (Safrina, 2015):
1. Orientasi Barang
Barang yang disusun berbentuk balok atau
kubus yang memiliki dimensi panjang, lebar dan
tinggi. Ada barang yang dapat dirotasi atau tidak
sesuai dengan Gambar 2.
2. Beban Maksimal Mobil Box
Masing-masing dari mobil box memiliki
batas beban maksimal barang yang dapat
ditampung. Sehingga beban barang tidak boleh
melibihi beban maksimal mobil box. Model
matematika yang digunakan terdapat pada
Persamaan 2.
∀𝑖 ∈ {1, … , 𝑛} ∑𝑛𝑖=1 𝑤𝑖 ∗ 𝑥𝑖 ≤ 𝑊 (2)
3. Kapasitas Ruang Mobil Box
Batasan kapasitas ruang mobil box
digunakan supaya barang-barang yang akan
disusun ke dalam mobil box memiliki ukuran
sama atau kurang dari kapasitas mobil box.
Volume barang yang disusun tidak boleh
melebihi volume mobil box. Persamaan yang
digunakan seperti pada Persamaan 3.
∀𝑖 ∈ {1, … , n} ∑𝑛𝑖=1 𝑝𝑖 ∗ 𝑙𝑖 ∗ 𝑡𝑖 ∗ 𝑥𝑖 ≤ 𝑃 ∗ 𝐿 ∗ 𝑇
(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)
Fakultas Ilmu Komputer, Universitas Brawijaya
4145
Keterangan :
f (x) = Fungsi objektif / fitness
Vb = Seluruh volume barang yang masuk
Vk = Volume kendaraan i = Indeks Barang
n = Jumlah Barang
i = Indeks Barang
w = Berat barang i
W = Beban maksmimum mobil box
pi, li, ti = Masing-masing panjang, lebar dan
tinggi barang i
P, L, T = Masing-masing panjang, lebar dan
tinggi mobil box
xi = Variabel biner yang mengidentifikasikan
dapat atau tidaknya barang i disusun pada
mobil box. Bernilai 1 jika barang berada di
dalam mobil box dan 0 jika tidak.
Setelah menghitung fitness kemudian
dilanjutkan dengan proses seleksi dengan
memilih individu terbaik yang akan bertahan
untuk berproses pada generasi selanjutnya.
Proses seleksi yang digunakan dalam penelitian
ini yaitu Elitsm Selection, yaitu dengan
mengurutkan nilai fitness dari yang terbesar ke
yang kecil atau yang dikenal dengan istilah
perankingan.
Proses reproduksi akan dilakukan sampai
salah satu syarat keadaan kondisi berhenti telah
terpenuhi, yaitu (Mahmudy, 2015):
1. Ketika sudah mencapai kondisi generasi n
yang telah ditentukan.
2. Ketika tidak dijumpai solusi terbaik saat
sudah mencapai generasi ke n.
3. Ketika telah mencapai t satuan waktu.
6. ARSITEKTUR SISTEM
Dalam penelitian ini menggunakan bahasa
pemograman java dengan struktur diagram class
utama seperti Gambar 8.
7. PENGUJIAN DAN PEMBAHASAN
Pada penelitian ini terdapat 3 pengujian,
yaitu pengujian ukuran populasi, pengujian
ukuran crossover rate dan mutation rate,
pengujian banyaknya generasi. Setelah
mendapatkan parameter terbaik, kemudian akan
dilakukan pengujian kembali menggunakan
parameter terbaik masing-masing pengujian.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 4146

Pengujian Ukuran Populasi

45,00

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

Gambar 9. Grafik Hasil Pengujian Ukuran Jumlah

Populasi

Pada Gambar 9 dapat diketahui bahwa nilai

rata-rata nilai fitness terbesar terjadi pada
populasi ke 100 sebesar 43.96. Sedangkan nilai
rata-rata fitness terendah terjadi pada populasi ke
10 sebesar 41.03. Dari hasil pengamatan di atas
bahwa ketika nilai populasi semakin besar,
kemungkinan untuk mendapatkan kromosom
optimal semakin besar. Selanjutnya rata-rata
nilai fitness yang diperoleh mengalami kenaikan
yang tidak signifikan karena proses reproduksi
memiliki kesamaan dengan induknya
(Lesmawati, Rahmni, dan Mahmudy, 2016).

7.2. Pengujian Ukuran Crossover Rate (cr)

Gambar 8. Diagram class sistem
7.1. Pengujian Ukuran Populasi
Pengujian ukuran populasi digunakan untuk
menentukan ukuran populasi yang terbaik.
Parameter ukuran populasi yang digunakan yaitu
kelipatan 10, sampai dengan 110. Untuk banyak
generasi yaitu 10, cr sebanyak 0,1 dan mr
dan Mutation Rate (mr)
Pengujian ukuran cr dan mr digunakan untuk
menentukan ukuran cr dan mr yang terbaik.
Nilai populasi yang digunakan dari hasil
pengujian ukuran populasi terbaik yaitu 100,
sedangkan nilai kombinasi cr 0,1 dan mr 0,2.
Hasil uji coba kombinasi ukuran cr dan mr dapat
dilihat dalam Gambar 10.
Pengujian Ukuran Cr dan Mr
45,00
Rata-rata fitness

sebanyak 0,2. Pengujian dilakukan sebanyak 44,50

sepuluh kali untuk mendapatkan hasil yang 44,00
mewakili kemampuan algoritme secara utuh.
43,50
Lalu akan didapatkan nilai rata-rata fitness yang
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
terbaik. Sehingga dapat dilakukan analisis
terhadap nilai populasi terbaik yang digunakan. Mr 1 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0
Hasil uji coba ukuran populasi dapat dilihat Cr
dalam Gambar 9.

Gambar 10. Grafik Hasil Pengujian Kombinasi Cr dan Mr

Pada Gambar 10 dapat diketahui bahwa

hasil rata-rata nilai fitness terbesar terjadi pada
ukuran cr 0.6 dan mr 0.4 sebesar 44.81.
Sedangkan nilai rata-rata fitness terendah terjadi

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 4147

pada ukuran cr 0 dan mr 1 sebesar 43.98.
Sehingga dapat disimpulkan bahwa kombinasi
crossover rate (cr) dan mutation rate (mr)
terbaik adalah 0,6 : 0,4. Apabila cr rendah dan
mr tinggi maka algoritme genetika tidak akan
mampu mengeksplorasi daerah pencaraian
secara efektif (Mahmudy, 2015), karena
crossover yang rendah tidak bisa belajar efektif
dari generasi sebelumnya (Riyandani, 2016).
Sedangkan sebaliknya, jika nilai cr tinggi dan mr
rendah maka akan mengalami penurunan
kemampuan dalam mengeksplorasi ruang
pencarian, sehingga kehilangan kesempatan
untuk mengeksplorasi ruang pencaraian lainnya
(Mahmudy, 2015), karena ketika nilai crossover
tinggi akan menghasilkan offspring yang
komputasi yang lama karena bisa jadi algoritme
genetika akan mengeksplorasi area yang tidak
mempunyai nilai optimal (Mahmudy, 2015).
7.4. Pengujian Parameter Terbaik
Hasil parameter terbaik berdasarkan
pengujian yang telah dilakukan sebelumnya
akan dijadikan nilai input masing-masing
parameter untuk mendapatkan solusi yang
mendekati optimal. Yaitu dengan parameter
populasi sebesar 100, kombinasi cr dan mr
0,6:0,4 dan generasi sebesar 90.
Pengujian Parameter
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

46,00 dilakukan perhitungan dengan menggunakan

parameter pengujian algoritma genetika terbaik
44,00 dan data artificial data barang dan kendaraan.
42,00 Penentuan nilai akurasi dengan menggunakan
10 20 30 40 50 60 70 80 90 100 persamaan :
𝑛
Jumlah Generasi 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = ∑
𝐵𝑎𝑟𝑎𝑛𝑔 𝑦𝑎𝑛𝑔 𝑚𝑎𝑠𝑢𝑘 (𝑠𝑖𝑚𝑢𝑙𝑎𝑠𝑖)
𝑥 100%
𝐵𝑎𝑟𝑎𝑛𝑔 𝑦𝑎𝑛𝑔 𝑚𝑎𝑠𝑢𝑘 (𝑠𝑖𝑠𝑡𝑒𝑚)
𝑘=𝑛

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 =

terendah terjadi pada generasi 10 sebesar 44.42. 86 + 79 + 86 + 93 + 86 + 79 + 86 + 93 + 79 + 79

=
10
Sehingga dapat disimpulkan bahwa ketika nilai
846
generasi bertambah, maka nilai rata-rata fitness =
10
cenderung bertambah. Pada setiap kenaikan = 84.6 %
jumlah generasi terjadi perubahan nilai rata-rata
fitness yang tidak terlalu signifikan, dan waktu 8. KESIMPULAN
yang dibutuhkan untuk melakukan komputasi
semakin lama. Sehingga dapat disimpulkan Permasalahan penyusunan barang dalam
bahwa semakin meningkat nilai generasi, maka mobil box dapat diselesaikan dengan
nilai rata-rata fitness cenderung mengalami menggunakan algoritme genetika. Representasi
peningkatan, akan tetapi membutuhkan waktu kromosom yang digunakan berbasis integer
berdasarkan kode barang yang akan disusun.

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Dalam proses algoritme genetika terdapat proses
crossover dan mutasi dengan digunakan
menggunakan Partially Mapped Crossover dan
Reciprocal Exchange Mutation. Nilai fitness
yang diperoleh berdasarkan Batasan volume
optimal, rotasi barang dan beban maksimal yang
telah melalui proses algoritme genetika. Untuk
mendapatkan nilai fitness dengan nilai terbaik
yang ditandai dengan memiliki fitness tertinggi
yaitu dengan menggunakan proses Elitsm
Selection.
Nilai dari masing-masing parameter
algoritme genetika sangat berpengaruh untuk
mendapatkan kromosom terbaik yang ditandai
dengan memiliki fitness terbesar. Nilai
parameter jumlah populasi, cr, mr dan generasi
yang semakin bertambah akan mampu
menghasilkan keragaman individu yang lebih
banyak, dan memiliki kecenderungan nilai
fitness yang semakin meningkat. Akan tetapi
fitness yang dihasilkan tidak terlalu signifikan
dan membutuhkan waktu yang lebih lama. Nilai
fitness yang dihasilkan sangat bergantung
dengan banyaknya data barang dan kendaraan
yang tersedia. Jika jumlah banyaknya barang
yang tersedia semakin banyak, maka nilai fitness
akan bertambah. Begitu pula sebaliknya ketika
jumlah barang yang tersedia sedikit maka akan
menghasilkan nilai fitness optimum yang
semakin kecil.
Hasil akurasi berdasarkan pengujian
menghasilkan akurasi sebesar 84.6% dengan
konfigurasi nilai masing-masing parameter
algoritme genetika yang terbaik mendekati
optimal sebesar jumlah populasi 100; cr 0,6; mr
0,4; dan generasi 90.
9. SARAN
Agar fitness yang dihasilkan semakin
optimal, maka tidak hanya menggunakan data
barang dan kendaranan, akan tetapi juga
memperhatikan batasan-batasan tentang titik
berat barang yang berada di bawahnya atau
beban maksimum tumpukan barang, dan bisa
ditambahkan rute tujuan pengiriman. Sehingga
dengan adanya kombinasi tersebut akan mampu
menghasilkan fitness yang optimal.
Penelitian selanjutnya Algoritme Genetika
dapat dimodifikasi atau dilakukan
penggabungan dengan algoritme lainnya agar
mampu menghasilkan solusi yang lebih baik lagi
atau optimal.
Fakultas Ilmu Komputer, Universitas Brawijaya
4148
10. DAFTAR PUSTAKA
Erny, 2013. Optimasi Pola Penyusunan Barang
dalam Peti Kemas Menggunakan
Algoritma Particle Swarm
Optimization. Jurnal Matematika,
Komputasi. Universitas Hasanuddin.
Gazali, W. & Manik, IN., 2010. Perancangan
Program Simulasi Optimasi Penyusunan
Barang dalam Kontainer menggunakan
Algoritma Greedy. Jurnal Mat Stat, vol.
10, no. 2, pp. 100-113
Lesmawati, W., Rahmi, A., Mahmudy, WF.,
2016. Optimization Of Frozen Food
Distribution Using Genetic Algorithms.
Journal of Environmental Engineering &
Sustainable Technology, vol. 03, no. 1, pp.
51-58
Lim, R., Gunadi, K. & Gang, OW., 2004.
Optimasi Pengambilan dan Penataan
Ulang Barang di gudang dengan
Penerapan Stack Menggunakan Metode
Genetic Algorithm. Jurnal Informatika,
vol. 5, no. 1, pp. 39 - 52
Mahmudy, WF., 2015. Modul Algoritma
Evolusi, Program Teknologi Informasi dan
Ilmu Komputer, Universitas Brawijaya.
Panharesi, YG. & Mahmudy, WF., 2015.
Optimasi Distribusi Barang Dengan
Algoritma Genetika. DORO: Repository
Jurnal Mahasiswa PTIIK Universitas
Brawijaya, vol.5, no.11
Riyandani, 2016. Optimalisasi Komposisi Pakan
Sistem Polikultur Ikan dan Udang
Menggunakan Algoritma Genetika.
Skripsi. Program Teknoligi Informasi dan
Ilmu Komputer, Univeristas Brawijaya.
Safrina, 2015. Optimalisasi Barang pada Mobil
Box Menggunakan Algortima Firefly.
Skripsi. Fakultas Ilmu Komputer dan
Teknologi Informasi, Univeristas
Sumatera Utara
Susanto, YH., 2009. Perancangan Program
Simulasi Optimasi Penyusunan Barang
dalam Komtainer Menggunakan
Algortima Greedy (Studi Kasus: Best
Global Ekspress). Skripsi. Universitas
Bina Nusantara
Wahyuni, R., Mahmudy, FM., Setiawan, BD.,
2017. Penentuan Portofolio Saham
Optimal Menggunakan Algortima
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 4149

Genetika. Jurnal Pengembangan

Teknologi Informasi dan Ilmu Komputer,
vol. 1, no. 1, pp. 63-68

Fakultas Ilmu Komputer, Universitas Brawijaya