“MENGOPTIMALKAN BIAYA TRANSPORTASI UNTUK

PENENTUAN RUTE DISTRIBUSI DENGAN VEHICLE ROUTING

PROBLEM METODE ALGORITMA GENETIKA, SAVING
HEURISTIC DAN METODE BRANCH AND BOUND”

Nama : Eri Ryan Wijaya Rambe

NIM : 20B505041172

Kelas/ Jurusan : 4A-S1 Manajemen Logistik

UTS : Metodologi Penelitian

 BAB 1
PENDAHULUAN

1.1 Latar Belakang

Metode transportasi merupakan suatu model yang digunakan untuk mengatur distribusi dari
sumber-sumber yang menyediakan produk yang utama ke tempat-tempat yang membutuhkan secara
optimal. Alokasi produk ini harus diatur sedemikian rupa, karena terdapat perbedaan biaya-biaya
alokasi dari satu sumber ke tempat tujuan-tujun yang bebeda. Dalam memecahkan masalah
transportasi ini penelitian menggunakan metode Penentuan Rute dengan memepertimbangkan
kapasitas kendaraan (Vehiele Routing Problem) (Chopra,Meindl, 2001).

Metode Vehicle Routing Problem (VRP) igunakan untuk mendapatkan jarak terpendek pada saat
pendistribusian barang dari satu lokasi ke lokasi lainnya. Distribusi barang itu sendiri merupakan
bagian dari konsep manajemen rantai pasok (supply chain management). Suatu rute yg optimal
merupakan rute yg memenuhi aneka macam hambatan operasional, yaitu mempunyai total jeda &
ketika bepergian yg ditempuh terpendek pada memenuhipermintaan costumer dan memakai
tunggangan pada jumlah yg terbatas.

Vechile Routing Problem (VRP) berkaitan dengan penentuan rute untuk permasalahan yang
melibatkan lebih dari satu kendaraan dengan kapasitas tertentu untuk melayani sejumlah konsumen
dengan permintaannya masing-masing. Vechile Routing Problem (VRP) adalah istilah umum yang
diberikan untuk permasalahan yang melibatkan rute kendaraan dengan berbasis depot yang melayani
pelanggan yang tersebar dengan permintaan tertentu. Tujuan umum VRP adalah melayani
sekumpulan pelanggan dengan ongkos operasi yang minimum.

Saluran distribusi adalah cara pengiriman barang dengan menggunakan jalur yang telah
ditentukan. Saluran ini dapat berupa jalur sungai, jalur rel kereta api, atau jalur jalan raya. Dalam
penggunaannya, saluran distribusi dapat membantu perusahaan untuk mengurangi biaya pengiriman,
mengoptimalkan waktu pengiriman, dan meningkatkan efisiensi pengiriman.

Namun, penggunaan saluran distribusi dalam VRP tidak selalu menghasilkan saluran distribusi
yang optimal. Terdapat faktor-faktor lain yang memengaruhi, seperti kondisi jalan atau jalur, jumlah
kendaraan yang tersedia, jumlah lokasi pelanggan, dan lain sebagainya. Oleh karena itu, perlu
dilakukan penelitian tentang pengaruh metode VRP saluran distribusi terhadap saluran distribusi yang
optimal dalam mengoptimalkan pengiriman barang dari pabrik atau gudang ke lokasi pelanggan.

Distribusi adalah proses menghantarkan produk dari lokasi satu ke lokasi lainnya dimana produk
tersebut akan digunakan. Manajemen distribusi mencakup aktivitas fisik yang kasat mata bisa kita
saksikan, seperti menyimpan dan mengirim produk, serta fungsi non-fisik yang berupa aktivitas
pengolahan informasi dan pelayanan kepada pelanggan. Pada prinsipnya, fungsi ini bertujuan untuk
menciptakan pelayanan yang tinggi ke pelanggan yang bisa dilihat dari tingkat service level yang
dicapai, kecepatan pengiriman, kesempurnaan barang sampai ke tangan pelanggan, serta pelayanan
purna jual yang memuaskan (Sudjono dan Noor, 2011).

Algoritma Branch and Bound adalah metode pencarian sistematis dalam ruang solusi. Ruang
solusi diatur kedalam pohon ruang keadaan. Metodeb ranch and Bound menggunakan diagram pohon
untuk komputasinya. Pohon ruang status dibangun menggunakan skema breadth first search (BFS).
Untuk mempercepat menemukan nodesolusi, S etiap node diberi nilai biaya. Node berikutnya yang
akan dikembangkan adalah node dengan biaya terendah diantara node hidup lainnya. Sementara node
lainnya tidak aktif. Algoritma Branch and Bound adalah algoritma yang membagi masalah menjadi
submasalah yang lebih kecil menuju solusi dengan cara mencabang dan menutupi untuk mendapatkan
solusi optimal.

Metode heuristik merupakan metode penentuan rute optimal untuk persoalan kombinatorial.
Berbeda dengan solusi eksak yang menentukan nilai solusi tercepat, metode ini mencari solusi
permasalahan dengan mendapatkan nilai yang paling optimal dari suatu bagian tertentu dari masalah
utama.

1.2 Rumusan Masalah

Bersadarkan latar belakang yang telah dijelaskan, maka rumusan masalah penelitian ini
adalah sebagai berikut :
a. Bagaimana cara mengoptimalkan biaya transportasi pada rute distribusi.
b. Apa saja metode yang digunakan dalam mengoptimalkan biaya transportasi.

1.3 Tujuan Penelitian

tujuan penulisan merupakan hal-hal yang ingin dicapai dari setiap permasalahan yang ada
dalam mengoptimalkanbiaya transportasi. Berikut merupakan tujuan penelitian sebagai
berikut:
a. Menganalisis cara mengoptimalkan biaya transportasi paada rute distribusi
b. Menjelaskan metode yang digunakan dalam mengoptimalakan biaya transportasi
 BAB 2
LANDASAN TEORI

2.1 Kajian Teori

2.1.1 Vehicle Routing Problem
VRP menurut Miller dalam adalah masalah dalam menentukan rute pengiriman yang
melibatkan serangkaian rute kendaraan-kendaraan yang berpusat pada satu depot untuk
melayani pelanggan yang tersebar diberbagai area pengiriman dengan permintaannya
masing-masing (Kurniawan, Susanty, & Adianto, 2014).

Vehicle Routing Problem (VRP) diperkenalkan pertama kali oleh Dantzig dan
Ramzer pada tahun 1959 yang memegang peranan penting dalam pengaturan distribusi dan
menjadi salah satu masalah yang dipelajari secara luas. VRP merupakan permasalahan
distribusi yang mencari serangkaian rute untuk sejumlah kendaraan dengan kapasitas tertentu
dari satu atau lebih depot untuk melayani konsumen.

Menurut Toth dan Vigo dalam VRP memiliki beberapa komponen. Karakteristik dari
komponen-komponen tersebut perlu diperhatikan di dalam masalah VRP, antara lain sebagai
berikut (Prasetyo & Tamyiz, 2017).
1. Jaringan jalan, umumnya digambarkan dalam sebuah grafik (diagram) yang terdiri atas
arc (lengkung atau bagian-bagian jalan) dan vertex (titik lokasi konsumen dan depot).
Tiap lengkung dikaitkan dengan biaya (jarak) dan waktu perjalanan (tergantung jenis
kendaraan, kondisi/karakteristik jalan, dan periode pelintasan).
2. Konsumen, ditandai dengan vertex (titik) dan umumnya memiliki hal-hal sebagai berikut
:
a. Jumlah permintaan barang (untuk dikirim ataupun diambil), jenis barang dapat
berbeda-beda.
b. Dalam jangka waktu layanan tertentu (time windows), dimana konsumen tidak
dapat menerima pengiriman maupun pengambilan di luar rentang waktu tersebut.
c. Waktu yang diperlukan untuk bongkar atau muat barang di lokasi pelanggan
(loading/unloading time) biasanya bergantung pada jenis kendaraan.
3. Depot, juga ditandai dengan suatu titik, merupakan titik awal dan akhir dari suatu rute
kendaraan. Tiap depot memiliki sejumlah kendaraan dengan jenis dan kapasitas tertentu
4. Kendaraan / armada angkut, memiliki :
a. Depot asal, dan kemungkinaan untuk mengakhiri rutenya di depot lain.
 b. Kapasitas (berat, volume atau jumlah palet yang dapat diangkut)
c. Alat-alat yang dapat digunakan untuk operasi (memuat atau membongkar
barang).
d. Pengelompokan (subset) lintasan/lengkung dari diagram jaringan jalan.
e. Biaya yang berhubungan dengan penggunaan kendaraan tersebut
f. (unit per jarak, unit per waktu, unit per rute, danlainnya).
5. Pengemudi, memiliki beberapa batasan seperti jam kerja harian, jumlah dan waktu
istirahat, waktu maksimum perjalanan, serta lembur yang umumnya juga dikenakan pada
kendaraan yang digunakan.

Dalam ilmu matematika penentuan sebuah set rute dimana setiap rute tersebut dilakukan
oleh sebuah kendaraan yang memulai perjalanan dari depot untuk memenuhi permintaan
konsumen tanpa melanggar batasan-batasan yang diterapkan serta dapat meminimasi biaya
transportasi disebut VRP (Vehicle Routing Problem).

VRP mempunyai beberapa batasan-batasan yang bisa dimasukkan (Anita C.S:2008).

1. Setiap kendaraan/alat angkut berhenti di suatu tempat maka harus mengangkut barang
dalam jumlah tertentu untuk dipindahkan/diantar
2. Beberapa kendaraan/alat angkut bisa digunakan namun dengan kapasitas yang
terbatas
3. Pengangkutan atau pemindahan barang dibolehkan untuk tidak dilakukan hanya pada
waktu tertentu (disebut time windows)
4. Pengangkutan barang diperbolehkan dalam sebuah rute jika pemindahan barang telah
dilakukan
5. Pengemudi/sopir diperbolehkan untuk beristirahat atau makan pada saat-saat tertentu

Beberapa contoh varian VRP antara lain (Kurniawan, Susanty, & Adianto, 2014):
a. TDVRP (Time Dependent Vehicle Routing Problem). Merupakan VRP dimana waktu
perjalanan atau biaya perjalanan antara dua lokasi bergantung pada waktu dalam sehari.
b. CVRP (Capacitated Vehicle Routing Problem). VRP memiliki batasan tambahan yaitu
setiap kendaraan pengangkut harus memiliki kapasitas yang seragam.
c. SDVRP (Split Delivery Vehicle Routing Problem). Merupakan VRP dimana kendaraan
yang berbeda dapat melayani pelanggan yang sama bila perihal tersebut dapat
mengurangi biaya.
d. VRPB (Vehicle Routing Problem with Backhaul). Merupakan perluasan CVRP dimana
pelanggan dibagi menjadi dua bagian yakni linehaul customer (masing-masing pelanggan
menerima barang yang dikirimkan) dan backhaul customer (barang harus diambil dari
pelanggan).
e. VRPTW (Vehicle Routing Problem with Time Windows). Merupakan VRP dengan
tambahan hambatan berupa time windows yang menghubungkan antar pelanggan dimana
dalam interval waktu inilah pelanggan dapat dilayani, tidak dapat dilayani diluar waktu
yang disediakan.
f. VRPPD (Vehicle Routing Problem with Pick-up and Delivery). Ini merupakan perluasan
dari CVRP, dimana barang diambil dari satu lokasi (penjemputan) kemudian diangkut ke
lokasi lain dengan kendaraan yang sama (antar).
g. VRPBTW (Vehicle Routing Problem with Backhaul and Time Windows). Merupakan
VRP dengan linehaul dan backhaul customer dimana pelanggan harus dilayani dalam
interval waktu tertentu.
h. VRPPDTW (Vehicle Routing Problem with Pick-up and Delivery and Time Windows).
Ini adalah jenis VRP di mana barang diambil dari pelanggan / lokasi pelanggan
(pengiriman) dan kemudian dikirim ke pelanggan / lokasi lain (antar) dengan kendaraan
yang sama, tetapi batasan tambahannya adalah setiap pelanggan lokasi memiliki interval
waktu pelayanan masing- masing.

2.1.2 Saluran distribusi

Saluran distribusi atau saluran pemasaran adalah jalur atau rute yang telah ditentukan
perusahaan untuk mendistribusikan atau memberikan barang atau layanan dari produsen,
kepada para konsumennya. Menurut Tjiptono (2010) saluran distribusi adalah kegiatan  
pemasaran   yang   berusaha   mempelancar   dan   mempermudah penyampaian  barang  dan 
jasa  dari  produsen  kepada konsumen, sehingga penggunaannya  sesuai  dengan  yang 
diperlukan  (jenis,  jumlah,  harga,tempat, dan saat dibutuhkan). Terdapat dua macam 
saluran  distribusi  berdasar  yang  dikutip  dari Setyoningsih (2018), yaitu:
a. Saluran pemasaran langsung, yang tidak menggunakan perantara.
b. Saluran pemasaran tidak langsung, yang terdiri dari satu perantara atau lebih.

Fungsi saluran disitribusi (Pujawan dan Mahendrawati. 2010): 

a. Mengumpulkan informasi yang di perlukan untuk perencanaan dan memudahkan
pertukaran.
 b. Mengembangkan dan menyebarkan komunikasi lewat tawaran. 
c. Melakukan pencarian dan berkomunikasi dengan calon pembeli. 
d. Mengusahakan perundingan untuk mencapai persetujuan akhir atasa harga dan
ketentuan lainya mengenai tawaran agar perpindahan kepemilikan dapat tercapai. e.
Melaksanakan pengangkutan dan penyimpanan produk.
e. Mengatur distribusi dana untuk menutup biaya saluran distribusi. 
f. Menerima resiko dalam hubugan dengan pelaksanaan pekerjaan saluran pemasaran.

Pengelolaan Rute Distribusi Sistem penjadwalan dan pengelolaan rute distribusi memiliki
peranan penting bagi perusahaan. Pada dunia industri menyadari bahwa logistik mempunyai
peranan yang sangat penting terhadap biaya, keputusan mengenai logistik, dan penentuan rute
jalur distribusi logistik. Logistik merupakan ilmu ekonomi yang kompleks. Rute merupakan
jalur distribusi yang diawali dan diakhiri pada suatu depo. Permasalahan pada routing
memberikan banyak dampak perbaikan pada berbagai rute, sehingga memberikan masukan
pada proses pengiriman, penjadwalan dan pengelolaan logistik pada kendaraan angkutan
yang tersedia. Untuk mencapai hasil yang efisien dan efektivitas mutlak perlu organisasi yang
baik dalam (Kristanto, 2015).

2.1.3 Metode Heuristik

Metode Heuristik adalah teknik yang dirancang untuk memecahkan masalah yang
mengabaikan apakah solusi dapat dibuktikan benar, tapi biasanya menghasilkan solusi yang
baik serta dapat memecahkan masalah yang lebih sederhana dan mengandung atau memotong
dengan pemecahan masalah yang lebih kompleks. Metode Heuristik ini bertujuan untuk
mendapatkan performa komputasi atau penyederhanaan konseptual, berpotensi pada biaya
keakuratan atau presisi. Metode heuristik ada dua jenis yakni metode heuristik sederhana dan
metaheuristik. Metode heuristik digunakan dalam pemecahan serta pencarian rute distribusi
dan dibagi menjadi beberapa metode yang mempunyai karakteristik berbeda beda dalam
penyelesaiannya. Antara lain adalah cheapest insertion, Priciest Insertion, Nearest Neighbour,
Nearest insertion, Farthest Insertion,Nearest additiondan Clarke and Wright Saving Method
(Kritikos MN, Ioannou G, 2004).

Kyung HK, Byung KL, Yoon HL, Young HL. (2008). Masalah transportasi
merupakan suatu hal yang umum terjadi pada masyarakat, sehingga dibutuhkan suatu cara
atau metode untuk menyelesaikan masalah transportasi terutama dalam hal meminimumkan
biaya. Digunakan metode Heuristic dengan bantuan software ILOG Dispatcher versi 2.1 dan
ILOG Solver versi 4.4 yang dijalankan dengan Microsoft Visual C++ versi 6.0 dalam
membuat program penyelesaiannya. Dalam representasi masalah digunakan contoh distribusi
barang dari suatu perusahaan. Dalam penerapannya diperhitungkan pula time windows, yang
permasalahan ini dikenal sebagai VRPTW (Vehicle Routing Problems with Time Windows).
Penyelesaian dari permasalah ini menghasilkan rute dengan biaya dan waktu minimum.
2.1.4 Metode Algoritma Genetika
Menurut (Goldberg,D, 1989 dalam Soenandi 2017)Algoritma genetika merupakan suatu
metode pencarian yang didasarkan pada mekanisme dari seleksi dan genetika natural. Secara
umum, blok diagram dari mekanisme kerja algoritma genetika. Algoritma genetika dimulai
dengan pembentukan sejumlah alternatif pemecahan yang disebut populasi.. Pembentukan
populasi awal dalam algoritma genetika dilakukan secara acak. Dalam populasi tersebut
terdapat anggota populasi yang disebut dengan kromosom, yang berisikan informasi solusi
dari sekian banyak alternatif solusi masalah yang dihadapi. Kromosom- kromosom akan
mengalami evolusi melalui sejumlah iterasi yang disebut generasi. Dalam setiap perjalanan
proses generasi, kromosom- kromosom tersebut akan dievaluasi mengguna- kan suatu fungsi
yang disebut dengan fungsi obyektif. Setiap generasi akan menghasilkan kromosom-
kromosom yang baru yang dibentuk dari generasi sebelumnya dengan menggunakan operator
reproduksi, kawin silang dan mutasi.
Algoritma genetika diimplementasikan untuk mencari rute paling optimum dari titik
asal ke titik tujuan. Pengertian rute optimum disini adalah rute yang memiliki waktu tempuh
dan total jaraknya paling minimal. Berikut akan dijelaskan sistem algoritma genetika yang
telah didisain dan pembuatan prosedur untuk proses algoritma genetika.

Pembuatan Prosedur Algoritma Genetika

Perangkat lunak algoritma genetika didisain dengan menggunakan bahasa program
pascal. Prosedur-prosedur yang dibutuhkan oleh algorit- ma genetika ini, antara lain:
• Prosedur Angka Acak
Angka acak/random yang digunakan dalam algoritma genetika ini memakai fungsi yang telah
disediakan oleh bahasa program pascal.
• Prosedur Reproduksi
Prosedur ini akan menduplikasi ulang kromosom induk secara lengkap sehingga
menghasilkan turunan baru yang sama dengan induknya.
• Prosedur Kawin Silang
 Prosedur ini akan memilih dua kromosom induk yang akan mengalami proses kawin
silang secara acak, kemudian menetukan satu atau dua titik potong secara acak pula. Setelah
titik potong ini terpilih maka dilakukan proses penukaran informasi dari kedua kromosom itu
berdasarkan titik potong yang telah ditentukan. Probabilitas sebuah kromosom akan
mengalami kawin silang atau tidak, bergantung pada nilai crossover rate yang diinputkan
melalui PC.

• Prosedur Mutasi
Prosedur mutasi yang akan digunakan adalah mutasi bit. Setiap bit dari kromosom tersebut
akan mempunyai peluang sendiri untuk mengalami mutasi. Probabilitas terjadinya mutasi
pada setiap bit ditentukan oleh nilai mutation rate yang diinputkan melalui PC.
• Prosedur Seleksi
Seleksi yang digunakan dalam penelitian ini adalah metode roulette-wheel, metode elitism
dan gabungan kedua metode tersebut. Dalam metode roulette-wheel, peluang setiap
kromosom untuk terseleksi sebanding dengan nilai obyektifnya. Semakin besar nilai obyektif,
maka semakin besar peluang untuk terseleksi. Karena permasalahan optimasi yang ingin
dicapai adalah mencari waktu tempuh dan jarak yang paling minimal, maka untuk metode
seleksi roulette-wheel, fungsi
obyektif masing-masing kromosom akan diubah dengan menggunakan persamaan berikut:
f'(xi)=f(x)max +f(x)min −f(xi) (4)
[Anies Hannawati, et al.]
dimana f ' (x ) adalah i
f (x)max adalah nilai
nilai obyektif baru,
obyektif maksimum,
f (x)min adalah nilai obyektif minimum dan
f (xi ) adalah nilai obyektif sebelumnya.
Metode elitism melakukan proses seleksi dengan mengambil kromosom terbaik sebanyak
jumlah populasinya. Metode gabungan yang dipakai dalam penelitian ini menggunakan
komposisi 30% populasi diperoleh dari metode elitsm dan sisanya dengan memakai metode
roulette-wheel.
• Prosedur Populasi Awal
 Prosedur ini akan membangkitkan sejumlah kromosom secara acak untuk membentuk
populasi awal. Jumlah kromosom dalam satu polulasi dapat bervariasi sesuai dengan setting
awal yang telah ditentukan.
 Prosedur Penghitungan Generasi
Prosedur ini dibuat untuk memeriksa apakah kriteria berhenti dari algoritma genetika sudah
dipenuhi atau tidak. Hal ini dilakukan dengan menghitung jumlah generasi sampai batas
maksimum yang diberikan. Bila dalam jumlah generasi yang ditentukan tidak ada kromosom
yang lebih baik maka algoritma genetika akan berhenti melakukan proses iterasi. Semakin
besar nilai batas maksimum generasi tersebut maka hasilnya dapat menjadi lebih baik, namun
akan memerlukan proses yang lebih lama.
Prosedur Pengukuran Jarak
Prosedur ini untuk mengukur jarak dengan menggunakan persamaan Pythagoras. Prosedur
Pengukuran Waktu
Prosedur pengukuran waktu ini dibagi menjadi dua bagian yaitu waktu untuk jam- jam sibuk
dan waktu untuk jam-jam normal.
• Prosedur Syarat
Prosedur syarat merupakan prosedur untuk memeriksa apakah syarat yang diberikan sudah
tercapai atau belum, yaitu syarat rute yang harus dilewati dan tidak boleh dilewati. Jika syarat
yang diberikan sudah tercapai, maka kromosom tersebut akan menjadi kromosom yang valid,
sedangkan jika syarat yang diberikan tidak tercapai, maka kromosom tersebut dianggap
invalid.
Pengujian proses algoritma genetika dilakukan dengan melakukan perubahan nilai
parameter yang digunakan, yaitu nilai crossover rate, nilai mutation rate maupun nilai jumlah
kromosom per populasi. Selain itu, pengujian juga dilakukan dengan memberikan beberapa
syarat-syarat untuk melihat tingkat keberhasilannya. Percobaan dilakukan dengan mencari
rute terpendek dan waktu tersingkat berdasarkan kondisi rute, yang akan dibagi menjadi
beberapa bagian berdasarkan ada atau tidaknya syarat untuk pengujian jarak saja dan
pengujian jarak dan waktu.
Algoritma genetika cukup efektif dan mudah digunakan khususnya dalam hal mencari
rute terpendek dan waktu tersingkat berdasarkan kondisi rute. Algoritma ini menunjukkan ke-
unggulannya pada saat dilakukan perhitungan dengan memakai bobot jarak terhadap waktu.
Hal ini akan memakan waktu lebih lama untuk perhitungan matematika biasa. Semakin kom-
pleks bentuk rutenya, maka makin sulit dilaku- kan perhitungan dengan metode matematika
biasa. Secara keseluruhan, algoritma genetika yang telah didisain dapat berjalan dengan baik
dan dapat menyelesaikan permasalahan.

2.1.5 Metode Branch and Bound

Algoritma Branch and Bound adalah metode algoritma umum untuk mencari solusi optimal dari
dari berbagai permasalahan optimasi, terutama untuk optimasi diskrit dan kombinatorial.
Sebagaimana pada algoritma runut-balik, algoritma Branch and Bound juga merupakan metode
pencarian di dalam ruang solusi secara sistematis. Ruang solusi diorganisasikan ke dalam pohon
ruang status. Yang membedakan keduanya adalah bila pada algoritma runut-balik, ruang solusi
dibangun secara dinamis berdasarkan skema DFS (Depth First Search), maka pada algoritma Branch
and Bound ruang solusi dibangun dengan skema BFS (Breadth First Search). Pada algoritma ini,
permasalahan dibagi bagi menjadi subregion subregion yang mungkin mengarah ke solusi. Inilah
yang disebut dengan branching, mengingat prosedur ini akan dilakukan berulang ulang secara rekursif
untuk setiap subregion dan setiap subregion yang dihasilkan akan membentuk sebuah struktur pohon
yang disebut sebagai pohon pencarian atau pohon branch-and- bound di mana simpul simpulnya
membangun subregion subregion. Selain branching, lgoritma ini juga melakukan apa yang disebut
dengan bounding yang merupakan cara cepat untuk mencari batas atas dan bawah untuk solusi
optimal pada subregion yang mengarah ke solusi. Algoritma Branch and Bound banyak digunakan
untuk memecahkan berbagai macam permasalahan antara lain : persoalan Knapsack 0/1, Travelling
Salesman Problem (TSP), The N-Queens Problem (Persoalan N-Ratu), Graph Colouring (Pewarnaan
Graf), Sirkuit Hamilton, Integer Programming, Nonlinear Programming, Quadratic Assignment
Problem (QAP), Maximum Satisfiability Problem (MAX-SAT), dan lain sebagainya.

Algoritma Branch and Bound cukup efektif untuk menyelesaikan Integer Programming. Dengan
salah satu langkahnya yang tidak akan memperluas dan akan membunuh simpul yang tidak mungkin
mengarah ke solusi, algoritma ini menjadi algoritma yang cukup efisien untuk menyelesaikan Integer
Programming. Tetapi dalam menyelesaikan permasalahan ini, algoritma Branch and Bound
mempunyai kelemahan, yaitu algoritma ini tetap menghitung kemungkinan solusi dengan tipe
variabel bilangan real walaupun pada akhirnya kemungkinan solusi ini tidak akan dipertimbangkan.
Tetapi hal ini menyebabkan waktu komputasi bertambah lama.

2.2 Penelitian Terdahulu

Terdapat beberapa penelitian terdahulu yang berkaitan dengan kemudahan penggunaan,
metode pembayaran terhadap keputusan pembelian, sebagai berikut:
No Nama Peneliti Judul Penelitian Metode Penelitian Hasil Penelitian
1. Hana Savitri (2017) Pemodelan Vehicle Model VRPTW, Didapatkan hasil satu
 Routing Problem With Algoritma Sweep dan kombinasi solusi
Time Windows Untuk Mixed Integer Linear optimal dengan total
Mengoptimasi Rute Programming biaya terendah yaitu
Distribusi Produk Sari 156797 berada pada
roti Dengan Metode jumlah kapasitas
Algoritma Sweep dan pusat darah A (PMI)
Mixed Integer Linear 30000 kantong darah
Programming (Studi dan pusat darah B
Kasus pada CV. Jogja (UTDP) 20000
Transport) kantong darah.
Dengan Jalur
distribusi pusat darah
A ke 14 rumah sakit
dan pusat darah B ke
3 rumah sakit.
2. PERENCANAAN Perhitungan rute dan rute optimal distribusi
Zamroni Makruf & RUTE DISTRIBUSI biaya distribusi dengan metode Algoritma
Rusindiyanto (2020) YANG OPTIMAL menggunakan metode Genetika lebih baik
UNTUK Algoritma Genetika dari rute awal
MEMINUMKAN perusahaan dengan
BIAYA DISTRIBUSI penghematan jarak
DENGAN METODE rute total sebanyak
ALGORITMA 178,6 km dengan
GENETIKA (Studi persentase
kasus di CV. XYZ) penghematan sebesar
14,05%. Sedangkan
untuk penghematan
biaya distribusi untuk
rute total antara rute
metode perusahaan
dengan rute total
algoritma genetika
dengan selisih sebesar
Rp 324.314 dengan
persentase
penghematan sebesar
11%.
3. Agus Purnomo ANALISIS RUTE Vehicle Routing Solusi dari metode ini
(2017) DISTRIBUSI Problem Metode Clarke menghasilkan
DENGAN METODE and Wright Saving performansi yang
 CAPACITY VEHICLE Heuristic lebih baik
ROUTING PROBLEM dibandingkan dengan
(CVRP) PADA rute perusahaan saat
PRODUK COCA ini dilihat dari
COLA DI PUSAT performansi jarak
DISTRIBUSI tempuh dan biaya
BANDUNG transportasi. Solusi
rute yang dibentuk
memperlihatkan
efisiensi biaya
transportasi total
sebesar Rp.
10.397.147/bulan
(penghematan sebesar
19,23%/bulan), atau
penghematan total
jarak tempuh
sepanjang 63,15
km/bulan
4. Ahmanto, H. T., & OPTIMASI WAKTU Metode VRP Algoritma Berdasarkan skenario
Buliali, J. L. (2017). LAMPU PENGATUR Genetika Model yang diberikan, hasil
LALU LINTAS pergerakan mobil dengan waktu lampu optimal
MENGGUNAKAN crystal ball Verifikasi yang dihasilkan pada
ALGORITMA model pergerakan mobil skenario 1 yaitu pada
GENETIKA dengan sensitivity index ruas ruas jalan 1 dan
DIPERSIMPANGAN ruas jalan 3 selama 49
detik waktu hijau,
ruas jalan 2 dan ruas
jalan 4 selama 55
detik waktu hijau
dengan total rata- rata
jumlah mobil yang
melewati
persimpangan
sebanyak 81 mobil
sedangkan
berdasarkan skenario
2 waktu optimal yang
dihasilkan pada ruas
ruas jalan 1 dan ruas
 jalan 3 selama56
detik waktu hijau,
ruas jalan 2 dan ruas
jalan 4 selama 54
detik waktu hijau
dengan total rata- rata
jumlah mobil yang
melewati
persimpangan
sebanyak 95 mobil.
5. Hadi, Ivan Syaikhul., Penerapan Algoritma Mengolah data genetika Hasil penelitian
(2015) Genetika Hybrid Pada hybrid kombinasu menunjukkan bahwa
Permasalahan Bounded algoritma genetika dan algoritma genetika
Knapsack algoritma tabu search hybrid dapat
melalui proses crossover dimplementasikan
mengunakan tabu list Pada permasalahan
hounded
knapsackdengan
Baik.
Penggunaan
algoritma tabu search
pada proses crossover
memberikan hasil
yang
Optimal yakni dapat
mengurangi waktu
pencarian solusi. Dari
15 pasang parameter
probabilitas yang di
uji dengan 10 kali
running, 3 pasang
probabilitas
menunjukkan
hasil profit maksimal
yang sama yaitu Rp.
4.872.900, namun
pada probabilitas
crossover 0,9 dan
probabilitas mutasi
0,05 membutuhkan
 waktu sedikit lebih
cepat
(1,3719 detik)
dibandingkan dua
pasang probabilitas
yang lain. Sedangkan
hasil
perbandingan
menunjukkan
algoritma genetika
hybrid dari pada
algoritma genetika

2.3 Kerangka Teoritis

Terdapat dua variabel dalam penelitian ini, yaitu variabel (X) Sebagai variabel independent
dan Variabel (Y) Sebagai variabel dependent. Dimana vehicle routing problem metode
algoritma genetika sebagai variabel (X1), vehicle routing problem metode saving heuristic
sebagai variabel (X2), vehicle routing problem metode branch and bound sebagai variabel
(X3) dan mengoptimalkan biaya transportasi sebagai variabel (Y). Berdasarkan teori dan
penelitian yang terdahulu yang telah diuraikan, maka kerangka teoritis model penelitian
antara metode saving heuristic, metode algoritma dan perencaan rute distribusi yang optimal
dapat dilihat pada gambar berikut:
 Gambar 2.1 Kerangka Teoritis

2.4 Hipotesis
Hipotesis adalah kesimpulan sementara yang belum final suatu jawaban sementara suatu
dugaan sementara yang merupakan konstruk peneliti terhadap masalah penelitian, yang
menyatakan hubungan antara dua variabel atau lebih. Kebenaran dugaan tersebut harus
dibuktikan melalui penyelidikan ilmiah (A Muri Yusuf, 2005).
Hipotesis dalam penelitian ini dapat dirumuskan sebagai berikut:
H1 : Variabel VRP Algortima Genetika secara parsial berpengaruh terhadap perencaan
rute distribusi yang optimal
H2 : Variabel VRP Saving Heurestic secara parsial berpengaruh terhadap perencaan rute
distribusi yang optimal
H3 : Variabel Metode Branch and Bound berpengaruh secara simultan terhadap
perencaan rute distribusi yang optimal
 BAB III
PEMBAHASAN
INSTRUMEN PENELITIAN
Variabel Dimensi Indikator Penyataan
Dengan memilih alternatif transportasi
yang hemat biaya,mengoptimalkan
Meminimumkan
rute pengiriman,meggunaka teknologi
Biaya
yang memantau bahan bakar dapat
Transportasi mengurangi biaya pengiriman
Dengan distribusi barang yang optimal
Distribusi menggunakan metode heuristic
Barang adalaah kunci untuk mencapai
efiesiensi operasional
Metode
Memilih rute yang efisien dapat
heuristic
Biaya Minumum mengurangi pengeluaran biaya
transportasi
Waktu pengiriman menjadi lebih
Rute dan Waktu singkat dengan pemilihan rute baru
Penyelesaian yang ditentukan
Masalah rute dan penyelesaian
Masalah menjadi masalah umum transpsortasi
Transportasi yang membutuhkan metode
penyelesaian seperti metode heuristic
Metode mekanisme Untuk menjaga variasi solusi dan
Algoritma mendapatkan solusi optimal atau
Genetika Populasi mendekati secara optimal dengan
melakukan pencarian masalah secara
efisien
solusi Merupakan sebuah jawaban dari
masalah yang sedang diselesaikan
direpresentasikanaa dalan parameter
mencoba tntuk menemukan solusi
yang paling cocok dengan
 memanfaatkan mekanisme tertentu
Menemukan rute atau konfigurasi
Total Jarak terbaik yang menghasilkan perjalanan
minimal jarak terdependek dapat mengurangi
biaya secara keseluruhan
Dengan mengoptimalkan proses
pengiriman/layanan perusahaan dapat
Waktu layanan meningkatkan kepuasan
Rute Optimum
pelanggan,mengurangi waktu
tunggu,meningkatkan produktivitas
Memilih moda transportasi hemat
biaya,rute efisien,menggunakan
Biaya Transport diskon perusahaan dapat mengurangi
pengeluaran transportasi dan
meningkatkan keuntungan
Distribusi Mematuhi Batasan waktu yang
Optimal ditetapkan membantu memastikan
Batasan Waktu efisiensi operasional,kepatuhan
terhadap jadwal, dan terhadap waktu
distribusi yang optimal
Mengatur kunjungan pelanggan
Kunjungan dengan efisien,memberikan layanan
Waktu Pelanggan yang baik guna membangu hubungan
yan kuat kepada pelanggan
Dengan merencanakan rute pengirian
yang efisien memperhitungkan jarak
dan waktu perjalanan dapat
Antar Lokasi
meningkatkan kualitas layanan
memenuhi kebutuhan pelanggan
secara lebih baik
Jarak Total Jarak Memilih jalur yang lebih pendek dan
Tempuh ememanfaatkan teknologi navigasi
yang efisien dapat mengurangi total
 jarak tempuh
Dengan menjaga kendaraan dalam
kondisi prima,melakukan servis
Biaya Kendaraan teratur,pengoptimalan penggunaan
Menurun bahan bakar,penjadwalan secara
efisien, dapat mengurangi biaya
operasional kendaraan
Memilih bahan bakar yang sesuai
emisi agar dapat mengurangi
Bahan Bakar pengeluaran dan mengurangi dampak
kerusakan lingkungan akibat emisi
karbon
Biaya
Melakukan analisis
biaya,meningkatkan penggunaan
Biaya
asset,dan penggunaan teknologi
Operasional
otomasi dapat mengurangi biaya
operasional
Dalam mengurangi biaya perjalanan
dapat dilakukan kegiatan seperti
merencanakan rute yang
efisien,pemanfaatan teknologi
Biaya Perjalanan
penjadwalan yang
akurat,memaksimalkan kapasitas
muatan,penggabungan muatan dengan
mitra logistic lain
 DAFTAR PUSTAKA
Ahmanto, H. T., & Buliali, J. (2018, January 17). Optimasi Waktu Lampu Pengatur Lalu
Lintas Menggunakan Algoritma Genetika di Persimpangan.
https://jurnal.unej.ac.id/index.php/INFORMAL/article/view/6623

Basriati, S., & Aziza, D. (2017b). Penentuan Rute Distribusi pada Multiple Depot Vehicle
Routing Problem (MDVRP) Menggunakan Metode Insertion Heuristic (Studi Kasus :
Orange Laundry di Kota Pekanbaru). Jurnal Sains Matematika Dan Statistika, 3(1),
37–44.

https://ejournal.uin-suska.ac.id/index.php/JSMS/article/view/4465

Chandra, A., & Setiawan, B. (2018). Optimasi Jalur Distribusi dengan Metode Vehicle
Routing Problem (VRP). Jurnal Manajemen Transportasi & Logistik
(JMTRANSLOG), 5(2), 105.

https://doi.org/10.54324/j.mtl.v5i2.233

Cahyaningrum, D. T. I. I. M. (2014). Optimasi Rute Distribusi Tabung Gas Menggunakan

Metode Algoritma Genetika (Studi Kasus : PT Samator Gas Gresik). Neliti.
https://www.neliti.com/id/publications/129878/optimasi-rute-distribusi-tabung-gas-
menggunakan-metode-algoritma-genetika-studi#cite

Hadi, I. S. (2016, January 28). PENERAPAN ALGORITMA GENETIKA HYBRID PADA

PERMASALAHAN BOUNDED KNAPSACK.
http://repository.unej.ac.id/handle/123456789/72723

Indriyani, F. (2021). Vehicle Routing Problem dengan Menggunakan Algoritma Sweep untuk
Penentuan Rute Distribusi Darah di UTD PMI Kota Pekanbaru. Tugas Akhir, 64–67.
http://repository.uin-suska.ac.id/42800/%0Ahttp://repository.uin-suska.ac.id/
42800/2/Tugas Akhir FUSPITA FITRI INDRIYANI.pdf

Ishak, A., Fauzi, E., Ramon, E., Firison, J., Efendi, Z., Kusnadi, H., & Putra, W. E. (2022).
Analisis Struktur Jaringan Distribusi Perdagangan Komoditas Peternakan
Antarwilayah di Indonesia. 249–258. Kristanto, T. (2015). ANALISIS PENENTUAN
ESTIMASI BIAYA, PENJADWALAN DAN PENGELOLAAN DISTRIBUSI
SERTA DAMPAK PENGGUNAAN TEKNOLOGI INFORMASI TERHADAP
KINERJA LOGISTIK (STUDI KASUS: PT SUNAN INTI PERKASA).
 https://www.academia.edu/11002520/ANALISIS_PENENTUAN_ESTIMASI_BIAY
A_PENJADWALAN_DAN_PENGELOLAAN_DISTRIBUSI_SERTA_DAMPAK_
PENGGUNAAN_TEKNOLOGI_INFORMASI_TERHADAP_KINERJA_LOGISTI
K_STUDI_KASUS_PT_SUNAN_INTI_PERKASA_

Makruf, Z., & Rusindiyanto, R. (2020). PERENCANAAN RUTE DISTRIBUSI YANG

OPTIMAL UNTUK MEMINUMKAN BIAYA DISTRIBUSI DENGAN METODE
ALGORITMA GENETIKA (Studi kasus di CV. MENARA KUDUS). Juminten, 1(2),
105–117.

https://doi.org/10.33005/juminten.v1i2.68