Abstrak
Dari segi waktu dan biaya finansial, transportasi dan distribusi merupakan tantangan terbesar bagi
industri produk segar di Indonesia. Ketepatan waktu pengiriman serta kesegaran kondisi produk saat
sampai ke pelanggan menjadi tuntutan yang harus dipenuhi oleh perusahaan seperti halnya yang dialami
oleh PT Great Giant Pineapple. Untuk mengatasi masalah tersebut, diperlukan suatu sistem yang dapat
mencari rute terbaik kendaraan dengan mempertimbangkan waktu tempuh, waktu pelayanan, dan
kapasitas angkut kendaraan, sehingga dapat meningkatkan kualitas produk yang didistribusikan dengan
meminimalkan jarak distribusi. Permasalahan untuk menentukan rute distribusi optimal ini disebut
sebagai Vehicle Routing Problem with Time Windows (VRPTW). Algoritme genetika adalah salah satu
metode yang dapat digunakan untuk menyelesaikan permasalan VRPTW, dengan menggunakan
representasi permutasi, panjang kromosom dalam algoritme genetika merupakan banyaknya pelanggan.
Pencarian solusi dilakukan dengan mengkombinasikan kromosom kemudian diproses menggukanakan
operator genetika (mutasi, crossover, dan seleksi) dengan menginisialisasi operator genetika (ukuran
populasi, jumlah generasi, probabilitas crossover, dan pobabilitas mutasi). Hasil pengujian menunjukan
optimasi rute distribusi menggunakan algoritme genetika dapat mengurangi waktu tempuh dalam
pendistribusian barang sebanyak 1 Jam 37 menit dengan nilai fitness tertinggi didapatkan pada ukuran
populasi 120, jumlah generasi 100, kombinasi nilai probabilitas crossover 0.4 dan probabilitas mutasi
0.6.
Kata kunci: optimasi rute, distribusi, buah segar, VRPTW, algoritme genetika
Abstract
In terms of time and financial costs, transportation and distribution are the biggest challenges for the
fresh produce industry in Indonesia. On time delivery and the freshness of the product when it reaches
the customer are demands that must be met by the company, as experienced by PT Great Giant
Pineapple. To solve this problem, a system is needed to improve the quality of distributing products by
minimizing distribution distances by finding the optimal route for the vehicle by considering travel time,
service time and vehicle transport capacity. This problem in determining the optimal distribution route
is known as the Vehicle Routing Problem with Time Windows (VRPTW). Genetic algorithm is one
method that can be used to solve the VRPTW problem. The genetic algorithm uses a permutation
representation where the chromosome length represents the number of subscribers. The search for
solutions is carried out by combining chromosomes and then processed using genetic operators
(mutation, crossover, and selection) by initializing genetic operators (population size, number of
generations, crossover probability, and mutation probability). The test results show that the distribution
route optimization using a genetic algorithm can reduce the travel time in distributing goods by 1 hour
37 minutes with the highest fitness value obtained at population size 120, the number of generations
100, the combination of crossover probability value 0.4 and mutation probability 0.6.
Keywords: route optimization, distribution, fresh fruit, VRPTW, genetic algorithm
walapun kendaraan tiba tidak sesuai dengan permasalahan yang akan dicari solusinya.
jadwal yang seharusnya, tetapi akan dibebankan
sangsi sebuah nilai pinalti untuk setiap 4.2. Crossover
keterlambatan layanan (Solomon et. al, 2005). Terdapat operator genetik dalam AG yang
digunakan untuk menghasilkan keturunan
4. ALGORITME GENETIKA
(offspring) yakni dengan cara melakukan operasi
Algoritme genetika (AG) pertama kali manipulasi genetik pada dua buah kromosom
diperkenalkan oleh John Holland dalam bukunya induk (parent), disebut sebagai Crossover.
yang berjudul Adaption of Natural and Artificial Operator Crossover akan memilih gen-gen induk
System pada tahun 1975 dan istilah-istilah yang lalu membuat offspring berdasarkan gen-gen
ada pada algoritme genetika mengadopsi istilah- tersebut.
istilah yang ada dalam Ilmu genetika (Mahmudy, Terdapat berbagai macam metode
2015). Tidak seperti algoritme pengoptimalan crossover dan Partial-Mapped Crossover,
lainnya, kemungkinan solusi yang terbentuk crossover PMX akan digunakan dalam
dalam AG direpresentasikan ke dalam struktur penelitian ini, metode ini merupakan operator
data yang berbentuk kromosom, kemudian crossover yang telah dimodifikasi dari crossover
operasi manipulasi genetik untuk mendapatkna dua poin dengan tujuan menghindari kesamaan
solusi optimal dilakukan terhadap struktur data gen pada proses manipulasi genetik. Berikut
tersebut. merupakan proses crossver menggunakan
Alur algoritme genetika dimulai dengan metode PMX:
mula-mula membentuk sekelompok individu 1. Secara acak Substring pada kromosom
sebagai kromosom. Individu yang tercipta dari parent ditentukan ditunjukan pada Gambar
pembentukan awal ini kemudian disebut sebagai 1.
populasi awal. Pembentukan populasi awal pada
algoritme ini dapat dilakukan secara acak
maupun kombinasi dengan metode-metode
heuristik dapat juga digunakan. Penilaian nilai
fitness masing-masing kromosom kemudian
dilakukan, setelah itu akan dilakukan seleksi Gambar 1 Contoh pemetaan pada dua
terhadap kromosom dengan nilai fitness kromosom induk yang terpilih
tertinggi sehingga menghasilkan keturunan
2. Dua substring yang telah ditentukan pada
(offsprirng) agar terbentuk populasi baru pada
kromosom parent kemudian dilakakukan
generasi-generasi selanjutnya yang kemudian
pertukanaran yang ditunjukan pada Gambar
akan dilakukan manipulasi genetik
2
menggunakan operator mutasi dan crossover.
Pengulangan berlanjut sampai solusi terbaik
diperoleh atau sampai dengan pembangkitan
memenuhi jumlah maksimal generasi yang telah
ditentukan.
1
𝑓𝑖𝑡𝑛𝑒𝑠𝑠 = (1)
(𝛼𝑃𝑖𝑛𝑎𝑙𝑡𝑦 + 𝛼𝑇𝑖𝑚𝑒)
4.4 Seleksi
Proses seleksi dalam AG yakni proses pemilihan
individu terbaik yang akan dijadikan sebagai
induk sebanyak ukuran populasi ditetapkan.
Kromosom pada induk yang terpilih kemudian
akan diproses kembali untuk menghasilkan
offspring pada tahap selanjutnya. Ada berbagai
macam metode yang dapat digunakan untuk
melakukan seleksi dalam AG, Metode roulette
wheel selection digunakan dalam penelitian ini.
Pada metode ini akan dihitung berdasarkan
fitness untuk setiap individu nilai probabilitas
seleksi (prob). Kemudian dapat dihitung
probabilitas kumulatif (probCum) dari hasil nilai
probabilitas seleksi untuk proses seleksi tiap
individu.
Gambar 6 Perancangan Algortime Genetika
4.5 Nilai Fitness
5.2 Implementasi Sistem
Penentuan nilai fitness dilakukan dengan
menentukan rumus yang sesuai pada masalah Ada dua halaman antarmuka, halaman menu
yang akan diselesaikan, sehingga pada setiap utama dan halaman hasil. Terdapat jenis data
masalah, cara menghitung nilai fitness akan masukan pada menu utama menggunakan button
berbeda. Dalam permasalahan VRPTW pada “Choose File”. berupa file excel, didalam file
penelitian ini, nilai fitness didapatkan dari tersebut merupakan jadwal buka dan jadwal
persamaan 1 tutup pelanggan serta terdapat juga data waktu
tempuh kendaraan dalam mendistribusikan diuji adalah jumlah populasi kelipatan 20,
produk buah segar. Data kemudian ditampilkan dimulai dari 20 sampai dengan nilai fitness
dengan mengunakan button “Load File”. optimal didaptkan. Jumlah generasi yang akan
Kemudian button “Selanjutnya” untuk mambuka digunakan yakni 100 generasi dengan nilai cr =
halaman selanjutkan yakni halaman hasil yang 0,4 dan nilai mr = 0,6. Percobaan sebanyak 10
didalamnya terdapat proses AG sebagai metode kali dilakukan untuk setiap ukuran populasi yang
pencarian solusi. Halaman utama dari sistem diuji.
ditunjukan dalam Gambar 7.
0,6979
0,6958 0,6950
0,6952
0,8 0,6784
0,6488
0,5928
0,5879
0,4
0,2
0
20
40
60
80
100
120
140
160
180
200
220
240
Ukuran Populasi
Gambar 7 Halaman Menu Utama Grafik yang ditampilkan dari hasil uji coba
ukuran populasi menunjukan ukuran populasi
Halaman Hasil terdapat data yang harus 200 menghasilkan rata-rata nilai fitness terbaik,
dimauskan yakni 4 parameter algoritme genetika sedangkan pada saat ukuran populasi paling
yaitu popSize, cr, mr, dan jumlah generasi yang kecil digunakan, menghasilkan nilai rata-rata
akan digunakan untuk proses perhitungan fitness terendah. Grafik menunjukan setelah
algoritme geneitka. Kemudian button “Run” melewati ukuran populasi 200 sulit untuk
digunakan untuk memulai perhitungan setelah mendapatkan nilai fitness yang lebih baik atau
semua masukan yang dibutuhkan telah lengkap. terdapat pola konvergensi sehingga pengujian
Tabel individu terbaik tiap generasi dan juga dihentikan pada ukuran populasi 240. Dapat
solusi terbaik yang didaptkan dari hasil disimpulkan ukuran populasi mempengaruhi
perhitungan akan ditampilan oleh panel. kemampuan AG dalam menemukan solusi yang
Halaman hasil ditampilkan pada Gambar 8. lebih baik.
488 Min 490 Min 501 Min 502 Min 490 Min 498 Min 493 Min 489 Min 500 Min 490 Min 494 Min
disimpulkan bahwa untuk kombinasi cr dan mr rekomendasi sistem
Hasil distribusi buah
yang sesuai sulit dilakukan karena setiap segar
582 Min 582 Min
Selisih 87 Min
permasalahan akan berbeda dan nilai kombinasi
cr dan mr yang dibutuhkan akan juga berbeda
untuk dapat menghasilkan solusi dengan nilai Dilihat dari tabel pengujian sistem dapat
paling optimal. diketahui bahwa hasil rekomendasi sistem
optimasi menggunakan algoritme genetika
6.3 Hasil Pengujian dan Pembahasan untuk distribusi produk buah segar
Banyak Generasi menghasilkan solusi lebih baik
Uji coba akan digunakan untuk dibandingkan dengan hasil manualisasi
mengetahui apakah jumlah generasi bepengaruh sistem pengiriman yang selalu dilakukan
terhadap nilai fitness yang dihasilkan. Dalam pada PT Great Giant Pineapple. Hasil
pengujian ini, jumlah populasi yang digunakan perbandingan dari 10 kali pengujian
sebanyak 60 pupulasi, cr = 0,4 dan mr = 0,6. menghasilkan rata-rata total waktu tempuh
Setiap nilai generasi yang diuji dilakukan rute distribusi buah segar adalah 494 menit
percobaan sebanyak 10 kali. atau 8 Jam 14 menit, lebih cepat dibandingan
dengan hasil distribusi manual yang
0,8 0,6503
0,6443
0,6268
0,6231 0,6549
0,6534 0,6540
0,6490
0,6486 dilakukan PT Great Giant Pineapple.
0,6157
Rata-Rata Nilai Fitness
0,5983
0,5544
0,5353
0,5316
0,5130
0,5003
0,6
0,3698 7. PENUTUP
0,4
0,2 0,1045 Akhir yang didapat dari hasil penelitian
serta analisis dan juga pengujian yang telah
0 dilakukan untuk menyelesaikan Vehicle Routing
10 30 50 70 90 110 130 150 170 Promblem With Time Window (VRPTW)
Jumlah Generasi pengiriman buah segar di PT. Great Giant
Pineapple menggunakan AG dapat disimpulkan
Gambar 11 Hasil Pengujian Jumlah Generasi sebagai berikut:
Grafik yang dihasilkan dari pengujian ini 1. Dalam menerapkan AG dalam
menunjukan generasi ke 150 menghasilkan nilai menyelesaikan VRPTW pendistribusi buah
rata- rata fitness paling optimal. Sedangkan nilai segar di PT GGP, nilai minimum waktu
rata-rata fitness terendah terdapat pada jumlah tempuh kendaraan mewakili nilai fitness
generasi 10. Kemudian setelah melewati yang akan dicari. Metode reproduksi AG