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

Vol. 4, No. 12, Desember 2020, hlm. 4321-4328 http://j-ptiik.ub.ac.id

Optimasi Rute Distribusi Lokal Buah Segar Menggunakan Algoritme

Genetika (Studi Kasus: PT Great Giant Pineapple)
Asfie Nurjanah1, Agus Wahyu Widodo2, Muhammad Tanzil Furqon3

Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya

Email: 1asfie03@student.ub.ac.id, 2a_wahyu_w@ub.ac.id, 3m.tanzil.furqon@gmail.com

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

terbesar bagi industri produk segar di Indonesia.

1. PENDAHULUAN Dalam memasarkan produk buah segar, proses
Dari segi waktu dan biaya finansial, distribusi/penyaluran produk ke pelanggan
transportasi dan distribusi merupakan tantangan merupakan faktor yang sangat menentukan,
karena buah merupakan komoditas produk yang

Fakultas Ilmu Komputer

Universitas Brawijaya 4321
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
kualitasnya cepat menurun. Tidak efektifnya
proses distribusi akan mengakibatkan buah tidak
segar lagi saat sampai ke konsumen.
Dibutuhkan distribusi secara cepat dan juga
efisien guna memastikan kepuasan pelanggan,
perusahaan harus mengirimkan kepada setiap
pelanggan dengan tepat waktu, dan produk harus
segar ketika sampai di pelanggan. Agar masalah
tersebut data teratasi dibutuhkan langkah-
langkah inovatif serta diimbangi dengan
pengusaan teknologi yang optimal. Salah satu
strateginya adalah meminimalkan jarak
distribusi dengan mencari rute kendaraan
terpendek / optimal, sehingga dapat memberikan
produk dengan kualitas terbaik pada waktu yang
tepat serta dalam kondisi yang baik, sehingga
dapat meningkatkan kuliatas dalam
pendistribusian produk. Jika total jarak yang
ditempuh oleh kendaraan semakin pendek, maka
waktu serta biaya yang dibutuhkan untuk
mendistribusikan produk juga akan berkurang
yang pada akhirnya akan mempengaruhi kualitas
dan kesegaran produk saat produk tiba ke
pelanggan. Masalah dalam menentukan rute
distribusi optimal ini dikenal dengan Vehicle
Routing Problem (VRP).
VRP umumnya mengidentifikasi
setidaknya rute dengan biaya paling minimum
yang berawal dari depot pusat ke sekelompok
pelanggan yang tersebar secara geografis dengan
jumlah permintaan yang berbeda-beda,
dan setiap pelanggan hanya dapat dikunjungi
tepat sekali oleh satu kendaraan, serta setiap
kendaraan memiliki jumlah kapasitas angkut
yang terbatas. Kendala pada VRP akhirnya
mulai berkembang dan salah satuny adalah
Vehicle Routing Prolblem with Time Windows
(VRPTW). Ini artinya dalam VRPTW setiap
pelanggan memiliki jendela waktu, yakni waktu
di mana layanan atau tugas tertentu harus
diselesaikan, seperti bongkar muat barang.
Telah dikembangkan berbagai macam
metode guna menyelesaikan permasalah
VRPTW ini, dan salah satu metode yang umum
digunakan untuk menyelesaikan masalah ini
yakni algoritme genetika. Terdapat juga cara lain
untuk mengatasi masalah VRPTW yaitu dengan
menggunakan Evolution Strategies (ES).
Algoritme ES adalah bagian dari algoritme
evolusi seperti algoritme genetika, yaitu
merupakan metode pengoptimalan yang meniru
proses evolusi biologis. Dalam teori evolusi
terdapat banyak individu dalam suatu populasi,
individu-individu ini nantinya akan berperan
sebagai orang tua (parent), mereka akan
Fakultas Ilmu Komputer, Universitas Brawijaya
4322
bereproduksi untuk menghasilkan keturunan
yang disebut anak (offspring) (Harun, et al,
2014).
Penelitian sebelumnya telah membahas
tentang optimalisasi rute kendaraan dalam
mendistribusikan barang menggunakan
algoritme genetika. Dalam penelitian yang
dilakukan ditemukan bahwa penggunaan metode
algoritma genetika dalam optimalisasi
pendistribusian barang berdampak pada upaya
meminimalisasi biaya distribusi (Panharesi et. al,
2015).
2. PT Great Giant Pineapple
PT GGP adalah sebuah perusahaan pertanian
yang menghasilkan produk berupa buabuahan
segar diantaranya seperti jambu kristal, nanas,
melon, pisang, pepaya dan juga jeruk. Lokasi
PT. Great Giant Pineapple berda di Kabupaten
Lampung Tengah Provinsi Lampung. Produk
buah-buahan segar dari PT Great Giant
Pineapple nantinya akan disalurkan setiap hari
ke pelanggan-pelanggannya yang meliputi pasar
tradisional hingga modern sampai dengan rantai
toko yang tersebar diberbagai titik di Provinsi
Lampung dengan permintaan yang berbeda-
beda.
3. Vehicle Routing Problem with Time
Windows (VRPTW)
Salah satu varian dari VRP yang memenuhi
batasan kapasitas kendaran dan juga jendela
waktu (time window) masing-masing pelanggan
serta depot disebut sebagai VRPTW. Jendela
waktu pada depot adalah waktu awal
keberangkatan kendaraan menuju pelangan
pelanggan yang akan dilayani hingga kembali
lagi ke depot. Pada permasalahan ini, kendaraan
akan berangakat mengirimkan pesanan dari
depot sesuai dengan waktu mulai dan harus
kembali lagi ke depot sebelum waktu akhir yang
dijadwalkan, yang disebut rentang pengiriman.
Sedangkan interval waktu dimana kendaraan
melayani pelanggan diantara waktu buka dan
tutup pelanggan disebut dengan jendela waktu.
Pada VRPTW terdapat dua jenis jendela
waktu, yaitu hard time windows dan soft time
windows. Aturan yang ketat diberlakukan
terhadap jendela waktu penerimaan layanan
pada hard time window, pada jenis jendela waktu
ini jika pelayanan tidak sesuai dengan jadwal
yang seharunya, maka pelanggan tidak akan
menerima layanan, sedangkan pada jenis soft
time window, layanan akan tetap diterima
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 4323

walapun kendaraan tiba tidak sesuai dengan
jadwal yang seharusnya, tetapi akan dibebankan
sangsi sebuah nilai pinalti untuk setiap
keterlambatan layanan (Solomon et. al, 2005).
4. ALGORITME GENETIKA
Algoritme genetika (AG) pertama kali
diperkenalkan oleh John Holland dalam bukunya
yang berjudul Adaption of Natural and Artificial
System pada tahun 1975 dan istilah-istilah yang
ada pada algoritme genetika mengadopsi istilah-
istilah yang ada dalam Ilmu genetika (Mahmudy,
2015). Tidak seperti algoritme pengoptimalan
lainnya, kemungkinan solusi yang terbentuk
dalam AG direpresentasikan ke dalam struktur
data yang berbentuk kromosom, kemudian
operasi manipulasi genetik untuk mendapatkna
solusi optimal dilakukan terhadap struktur data
tersebut.
Alur algoritme genetika dimulai dengan
mula-mula membentuk sekelompok individu
sebagai kromosom. Individu yang tercipta dari
pembentukan awal ini kemudian disebut sebagai
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
terhadap kromosom dengan nilai fitness
tertinggi sehingga menghasilkan keturunan
(offsprirng) agar terbentuk populasi baru pada
generasi-generasi selanjutnya yang kemudian
akan dilakukan manipulasi genetik
menggunakan operator mutasi dan crossover.
Pengulangan berlanjut sampai solusi terbaik
diperoleh atau sampai dengan pembangkitan
memenuhi jumlah maksimal generasi yang telah
ditentukan.
permasalahan yang akan dicari solusinya.
4.2. Crossover
Terdapat operator genetik dalam AG yang
digunakan untuk menghasilkan keturunan
(offspring) yakni dengan cara melakukan operasi
manipulasi genetik pada dua buah kromosom
induk (parent), disebut sebagai Crossover.
Operator Crossover akan memilih gen-gen induk
lalu membuat offspring berdasarkan gen-gen
tersebut.
Terdapat berbagai macam metode
crossover dan Partial-Mapped Crossover,
crossover PMX akan digunakan dalam
penelitian ini, metode ini merupakan operator
crossover yang telah dimodifikasi dari crossover
dua poin dengan tujuan menghindari kesamaan
gen pada proses manipulasi genetik. Berikut
merupakan proses crossver menggunakan
metode PMX:
1. Secara acak Substring pada kromosom
parent ditentukan ditunjukan pada Gambar
1.
Gambar 1 Contoh pemetaan pada dua
kromosom induk yang terpilih
2. Dua substring yang telah ditentukan pada
kromosom parent kemudian dilakakukan
pertukanaran yang ditunjukan pada Gambar
2

4.1. Inisialisasi Populasi Awal Gambar 2 Menukar Substring antar Parent

Dalam algoritme genetika, mula-mula akan 3. Membuat hubungan mapping berdasarkan

dibentuk kromosom-kromosom yang substring kedua parent ditunjukan pada
merupakan representasi solusi yang disebut Gambar 3
sebagai populasi awal. Pada VRPTW, rute
kendaraan diwakili oleh sekumpulan kromosom,
dan pelanggan untuk dikunjungi/dilayani
diwakili oleh gen yang ada pada kromosom,
sedangakan urutan pelanggan yang akan
dikunjungi dan dilayani terlebih dahulu Gambar 3 Hubungan Mapping
ditentukan berdasarkan urutan letak gen pada
4. Pembentukan offspring menggunakan
kromosom. Banyaknya kromosom dalam suatu
hubungan mapping ditunjukan pada Gambar
populasi disebut ukuran populasi atau popsize,
4
ukuran populasi akan menyesuaikan dengan

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 4324

1
𝑓𝑖𝑡𝑛𝑒𝑠𝑠 = (1)
(𝛼𝑃𝑖𝑛𝑎𝑙𝑡𝑦 + 𝛼𝑇𝑖𝑚𝑒)

Persamaan 1 adalah persamaan maksimasi

Gambar 4 Hasil Crossover
pada VRPTW, αPinalty merupakan
keterlambatan kendaraan saat menjalankan
4.3 Mutasi
layanan dan αTime adalah waktu tempuh
Mutasi adalah oprator genetika untuk kendaraan ke setiap pelanggan.
memanipulasi satu atau lebih gen dari individu
yang terpilih. Hanya kromosom induk yang 5. PERANCANGAN DAN
terpilih yang akan dimanipulasi dengan operator IMPLEMENTASI
mutasi dan hal tersebut ditentukan dengan nilai
probabilitas, yang disebut dengan probabilitas 5.1 Perancangan Sistem
mutasi. Metode insertion mutation akan Alur metode AG untuk menentukan rute
digunakan sebagai operator mutasi dalam optimal distribusi buah segar ditunjukkan dalam
penelitian ini, yakni dilakukan dengan cara diagram alir pada Gambar 6.
memilih secara acak dua buah gen, lalu nilai
pada gen kedua kemudian diletakan ke posisi
setelah gen pertama seperti yang ditunjukan
pada Gambar 5.

Gambar 5 Mutasi dengan metode insertion

mutation

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

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 4325

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

Rata-rata nilai Fitness

0,5291
0,5282
0,4974
0,6 0,4472

0,4
0,2
0

20
40
60
80
100
120
140
160
180
200
220
240
Ukuran Populasi

Gambar 9 Hasil Pengujian Ukuran Populasi

Gambar 7 Halaman Menu Utama
Halaman Hasil terdapat data yang harus
dimauskan yakni 4 parameter algoritme genetika
yaitu popSize, cr, mr, dan jumlah generasi yang
akan digunakan untuk proses perhitungan
algoritme geneitka. Kemudian button “Run”
digunakan untuk memulai perhitungan setelah
semua masukan yang dibutuhkan telah lengkap.
Tabel individu terbaik tiap generasi dan juga
solusi terbaik yang didaptkan dari hasil
perhitungan akan ditampilan oleh panel.
Halaman hasil ditampilkan pada Gambar 8.
Grafik yang ditampilkan dari hasil uji coba
ukuran populasi menunjukan ukuran populasi
200 menghasilkan rata-rata nilai fitness terbaik,
sedangkan pada saat ukuran populasi paling
kecil digunakan, menghasilkan nilai rata-rata
fitness terendah. Grafik menunjukan setelah
melewati ukuran populasi 200 sulit untuk
mendapatkan nilai fitness yang lebih baik atau
terdapat pola konvergensi sehingga pengujian
dihentikan pada ukuran populasi 240. Dapat
disimpulkan ukuran populasi mempengaruhi
kemampuan AG dalam menemukan solusi yang
lebih baik.

6.2 Hasil Pengujian dan Pembahasan

Gambar 8 Halaman Hasil
Kombinasi Crossover Rate dan Mutation
Rate
Pengujian kombinasi nilai parameter
operator reproduksi algoritme genetika
dilakukan untuk mengetahui ketepatan nilai
kombinasi dalam menghasilkan nilai fitness
paling optimal pada permasalahan yang sedang
diangkat. Dalam ujicoba ini digunakan 60
populasi dan 100 generasi. Setiap kombinasi
yang diuji dilakukan percobaan sebanyak 10
kali.

6. PENGUJIAN DAN ANALISIS

6.1 Hasil Pengujian dan Pembahasan Ukuran

Populasi
Uji coba terhadap ukuran populasi
digunakan untuk mengetahui apakah parameter
ini berpengaruh terhadap hasil nilai fitness. Akan

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 4326

0,600 0,564 generasi 150 sulit untuk mendapatkan nilai

Rata-rata nilai Fitness 0,464 0,434 fitness yang lebih baik dan grafik menunjukan
0,500 0,412
0,400 0,271 0,325 pola konvergensi sehingga pengujian dihentikan
0,270 pada ukuran populasi 180.
0,300 0,224
0,145 Dari hasil pengujian dapat disimpulkan
0,200
0,100 bahwa jumlah generasi berpengaruh terhadap
0,000 nilai fitness atau kualitas solusi yang dihasilakan.
0.1; 0.2; 0,3; 0.4; 0.5; 0.6; 0.7; 0.8; 0.9;
0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 6.4 Hasil Pengujian dan Pembahasan Ukuran
Cr ; Mr Populasi
Pengujian sistem dilakukan
Gambar 10 Hasil Pengujian Kombinasi mengetahui perbandingan hasil keoptimalan
Crossover Rate dan Mutation Rate rute kendaraan dalam pendistribusian
Berdasarkan grafik pada gambar 10, untuk produk yang direkomendasikan oleh sistem
setiap kombinasi cr dan mr yang digunakan optimasi menggunakan AG dengan hasil
menghasilkan rata-rata fitness yang berbeda- yang dilakukan PT Great Giant Pineapple
beda. Rata-rata fitness paling optimal yakni pada tanpa menggunakan AG.
kombinasi cr = 0.4 dan mr = 0.6. Sedangakan
Total waktu tempuh
rata-rata nilai fitness terendah yakni pada Percobaan ke - Rata -rata
kombinasi cr = 0.9 dan mr = 0.1. Dapat Hasil distribusi
1 2 3 4 5 6 7 8 9 10

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

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
yang diterapkan adalah Partially Mapped
Crossover (PMX) untuk operator crossover
dan insertion mutation untuk operator mutasi.
Kemudian metode roulette wheel selection
digunakan sebagai metode seleksi.
Kromosom direpresentasikan menggunakan
representasi permutasi yang dapat secara
efisien menyelesaikan permasalahan
optimasi rute distribusi buah segar.
Representasi tersebut digunakan karena
terdapat urutan pengantaran barang ke
pelanggan yang mematuhi rute serta waktu
buka dan tutup pelanggan berdasarkan waktu
tempuh tercepat dalam sebuah pengiriman.
Panjang kromosom dalam permutasi adalah
banyaknya pelanggan yang akan dilayani.
2. Solusi terbaik diukur oleh hasil total waktu
tempuh pada perbandingan sistem distribusi
buah segar pada PT GGP dengan sistem
optimasi rute distribusi buah segar
menggunakan algoritme genetika. Semakin
sedikit waktu tempuh dalam pendistribusian
buah segar maka akan semakin baik juga
kualitas solusi yang dihasilkan. Berdasarkan
pengujian sistem didapatkan selisih total
waktu tempuh 1 Jam 37 menit. Dari hasil
perbandingan, dapat disimpulkan bahwa
rekomendasi solusi yang dihasilkan sistem
optimasi lebih baik serta lebih optimal
dibandingkan dengan sistem distribusi PT
Great Giant Pineapple. Solusi yang
dihasilkan oleh sistem optimasi distribusi
menggunakan algoritme genetika
memberikan urutan rute distribusi dengan
waktu tempuh tercepat dan hal ini tentunya
berpengaruh terhadap biaya, serta kualitas
produk distribusi menjadi lebih optimal.
3. Parameter genetika pada AG berpengaruh
dalam menyelesaikan permasalahan VRPTW
di PT Great Giant Pineapple, hal ini
berdasarkan hasil pengujian parameter
algoritme genetika yang telah dilakukan
guna mendapatkan solusi terbaik. Hasil
pengujian parameter algoritme genetika yang
didapatkan adalah:
a. Nilai rata-rata fitness dapat dipengaruhi
oleh ukuran populasi, karena ukuran
populasi yang lebih besar akan
menghasilkan individu semakin banyak
ragamnya sehingga kemungkinan solusi
optimal yang didapatkan akan semakin
baik. Sebaliknya, semakin kecil ukuran
populasi maka keanekaragaman
Fakultas Ilmu Komputer, Universitas Brawijaya
4327
individu yang terbentuk semakin
terbatas, dan kemungkinan diperolehnya
solusi yang optimal semakin berkurang.
Dari hasil uji coba, ukuran populasi
dengan paling optimal yaitu 200
populasi dengan rata-rata fitness sebesar
0,6979 dan terendah yaitu sebanyak 20
populasi dengan nilai rata-rata fitness
yang didapatkan yaitu hanya 0,4472.
b. Kombinasi parameter crossover rate
dan mutation rate dalam algoritme
genetika yang baik dapat menentukan
keseimbangan dalam eksplorasi.
Kombinasi crossover rate dan mutation
rate terbaik dalam pemasalahan
optimasi rute distribusi buah segar di
PT. Great Giant Pineapple yang
menghasilkan nilai rata-rata fitness
terbaik yaitu crossover rate 0.4 dan
mutation rate 0.6 dengan nilai rata-rata
fitness sebesar 0.564. Sedangkan
kombinasi yang menghasilkan nilai rata-
rata fitness paling rendah yaitu
crossover rate 0.9 dan mutation rate 0.1
dengan nilai rata-rata fitness sebesar
0.145.
c. Hasil pengujian banyak generasi
mendapatkan kesimpulan bahwa lebih
besar jumlah generasi maka
kemungkinan untuk didapatkna nilai
fitness optimal akan lebih baik, karena
semakin banyak jumlah generasi,
semakin banyak perubahan individual
yang dihasilkan, yang meningkatkan
kemungkinan memperoleh hasil yang
lebih optimal, dan juga sebaliknya,
apabila generasi yang digunakan sedikit
maka akan sedikit juga perulangan yang
dijalankan AG sehingga keragaman
individu yang didapatkan juga terbatas.
Generasi yang menghasilkan nilai
paling optimal dalam penelitian ini
yakni 150 generasi dengan nilai rata-rata
fitness sebesar 0,6549 sedangkan
generasi dengan nilai terendah yaitu 10
generasi dengan nilai rata-rata fitness
sebesar 0,1045.
8. DAFTAR PUSTAKA
Harun, I.A., Mahmudy, W.F. & Yudistira, N.,
2014. Implementasi Evolution
Strategies untuk Penyelesaian Vehicle
Routing Problem with Time Windows
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
pada Distribusi Minuman Soda XYZ.
Repository Jurnal Mahasiswa PTIIK
Universitas Brawijaya, Vol.4, No. (1).
Mahmudy, W.F., 2013. Algoritma Evolusi.
Program Teknologi Informasi dan Ilmu
Komputer, Universitas Brawijaya,
Malang, hal.1–101.
Mahmudy, W. F., 2015. Dasar-Dasar Algoritme
Evolusi. Malang: Program Teknologi
Informasi dan Ilmu Komputer
Panharesi, Y.G. et al., 2015. Optimasi distribusi
barang dengan algoritma genetika, (11).
Fakultas Ilmu Komputer, Universitas Brawijaya
4328
Sudarningsih, D. et al., 2015. Penerapan
Algoritma Genetika untuk Optimasi
Vehicle Routing Problem with Time
Window (VRPTW) Studi Kasus Air
Minum Kemasan. , 5(9).
Suprayogi, D. A., 2015. Penerapan Algoritma
Genetika Travelling Salesman Problem
with Time Window:Studi Kasus Antar
Jemput Laundry. Jurnal Buana
Informatika, pp. 121-130.