OPTIMASI DALAM MENDISTRIBUSIKAN

KENDARAAN RODA EMPAT MENGGUNAKAN

ALGORITMA GENETIKA
Salman Faris Rohiman, Rafif Ariasa, Ahmad Luthfi Muhajir
Fakultas Teknik Elektro
Telkom University
Bandung, Indonesia
salmannfrx@student.telkomuniversity.ac.id rafifariasa@student.telkomuniversity.ac.id
ahmadluthfi@student.telkomuniversity.ac.id

ABSTRAK

Salah satu komponen penting dalam strategi
pemasaran perusahaan adalah jalur distribusi.
Jalur distribusi yang ideal dapat membantu
perusahaan mengurangi biaya distribusi.
Permasalahan utama dalam distribusi adalah
bahwa produsen akan mengeluarkan biaya yang
lebih besar untuk biaya pengiriman karena
pemasaran produk semakin berkembang. Dengan
membangun distributor yang dekat dengan area
pemasaran pelanggan, distribusi kendaraan
mempermudah pengiriman produk dari produsen
ke pelanggan akhir. Untuk mengoptimalkan rute
distribusi, algoritma genetika digunakan. Teknik
crossing dengan satu cut point crossing, mutasi
menggunakan mutasi pertukaran, dan seleksi
menggunakan elitisme seleksi.
Karena itu, perusahaan harus memiliki banyak
ide inovatif baru untuk menunjukkan
keunggulan perusahaan lain. Bidang kendaraan
seperti kendaraan beroda empat atau dua adalah
salah satu bisnis yang berkembang pesat.
Salah satu perusahaan otomotif terbesar di dunia,
PT. Yamaha Indonesia Motor Manufacturing
mengelola perusahaaan mobil dan motor. PT.
Yamaha Indonesia Motor Facturing memiliki
citra merek dan produk yang berkualitas, yang
memungkinkan PT. Yamaha Indonesia Motor
Manufacturing bersaing di dunia otomotif,
berdasarkan banyaknya kendaraan di jalan raya
yang keluaran merek Yamaha.

Kata Kunci : Distribusi, Mobil, Algoritma
Genetika.
I. PENDAHULUAN
A. LATAR BELAKANG
Banyak industri dan teknologi mengalami
perubahan yang signifikan selama era
perkembangan. Perusahaan akan dapat bertahan
dalam persaingan dunia bisnis di Indonesia jika
mereka inovatif dan kreatif.
Industri kendaraan domestik masih menghadapi
masalah yang cukup serius. Kementerian
Perindustrian terus mendorong investasi asing
untuk membangun industri komponen otomotif
di Indonesia karena impor komponen otomotif
saat ini masih cukup tinggi sebesar 80% dari segi
bahan baku. Menurut Jongkie D. Sugiarto dari
Gabungan Industri Kendaraan Bermotor
Indonesia, meningkatnya permintaan dalam
negeri menyebabkan peningkatan nilai impor
kendaraan bermotor dan bagiannya

1
 B. RUMUSAN MASALAH
Berdasarkan latar belakang yang telah
dirumuskan, maka rumusan masalah adalah
sebagai berikut :
1. Bagaimana menerapkan Algortima
Genetika untuk menyelesaikan
masalah pendistribusian kendaraan
roda empat.
2. Bagaimana menentukan representasi
kromosom untuk kasus optimasi
pendistribusian kendaraan roda empat.
3. Bagaimana mengukur kebaikan solusi
yang dihasilkan Algoritma Genetika
untuk menyelesaikan masalah
pendistribusian kendaraan roda empat.
Untuk menerapkan rekayasa algoritma
genetika kedalam Optimalisasi distribusi
kendaraan roda empat diperlukan beberapa
proses sehingga nilai akan terbentuk dengan
optimal sesuai dengan aturan - aturan yang di
berikan
Secara umum siklus dari algoritma genetika
adalah :
1. Representasi kromosom
2. Inisialisasi populasi awal
3. Evaluasi nilai fitness
4. Proses reproduksi dengan crossover
5. Mutasi
6. Evaluasi Konvergensi

C. TUJUAN
Tujuan yang ingin dicapai dalam penelitian ini 1) Representasi Kromosom
adalah : Representasi kromosom merupakan suatu
proses untuk menyelesaikan masalah, dimana
1. Untuk penggunaan Algortima Genetika
suatu permasalahan dapat dikodekan kedalam
dalam menyelesaikan masalah pendistribusian
kromosom. Algoritma genetika memiliki
unit mobil.
beberapa jenis representasi kromosom untuk
2. Untuk menentukan representasi kromosom
yang tepat untuk kasus distribusi mobil. permasalahan yang berbeda, seperti
representasi biner, integer, real dan permutasi.
3. Untuk mengevaluasi efektivitas solusi yang
Representasi permutasi telah sukses diterapkan
dihasilkan Algoritma Genetika untuk
pada berbagai masalah kombinatorial seperti
menyelesaikan masalah pendistribusian mobil.
4. Untuk mengetahui bagaimana pengaruh Travelling Salesperson Problem, perencanaan
dan penjadwalan produksi industri manufaktur
parameteralgoritma genetika (jumlah populasi,
crossover rate, mutation rate, dan jumlah
generasi) terhadap hasil dari optimasi No Jenis Mobil Harga Nilai
pendistribusian mobil Penjualan

1 SUV 8 40
II. METODE
A. ALGORITMA GENETIKA 2 Hatcback 1 90
Algoritma Genetika merupakan Teknik untuk
menemukan solusi optimal dari permasalahan 3 Sedan 4 60
yang mempunyai banyak solusi. Teknik ini
4 APV 2 80
akan melakukan pencarian dari beberapa
solusi yang diperoleh sampai mendapatkan 5 Sport Sedan 10 20
solusi terbaik sesuai dengan kriteria yang telah
ditentukan atau yang disebut sebagai fungsi 6 Convertible 15 10
fitness. Karena merupakan Teknik pencarian
7 MPV 3 70
optimal dalam bidang ilmu komputer, maka
algoritma ini juga termasuk dalam kelompok 8 Off-Road 6 20
algoritma metaheuristik. Tabel 1
Daftar Harga dan Nilai penjualan dari Jenis Mobil

2
 2) Inisialisasi Populasi
Inisialisasi populasi merupakan pembuatan
kromosom awal yang dilakukan secara acak
sejumlah populasi yang dimasukkan oleh user.
Populasi awal P(0) dipilih secara acak
menggunakan kromosom biner.
3) Nilai Fitness
Nilai fitness menyatakan nilai dan tujuan,
algoritma genetika digunakan untuk
memaksimalkan nilai fitness. Dalam
transportasi nilai fitness berupa inversi dari
biaya yang digunakan. Nilai fitness
membedakan kualitas kromosom satu dengan
yang lain dan untuk membedakan kromosom
yang dihasilkan.
4) Crossover (Pindah Silang)
Sebuah individu baru yang mengarah pada
solusi optimal bisa diperoleh melalui proses
pindah silang. proses cross over adalah memilih
dua buah kromosom sebagai parent yang dipilih
secara acak, sehinggamasingmasing kromosom
parent terpisah menjadi dua segmen. Setelah
memilih secara acak, dilakukan penukaran
segmen kromosom induk untuk menghasilkan
offspring atau individu baru. Pada representasi
permutasi untuk masalah transportasi cross
over dapat digunakan metode one cut point
crossover.
5) Mutasi
Mutasi merupakan proses suatu operator
genetika untuk menghasilkan perubahan acak
pada satu kromosom. Metode mutasi yang biasa
digunakan dalam representasi permutasi adalah
repciprocal exchange mutation dan insertion
mutation. Metode mutasi dengan repciprocal
exchange mutation bekerja denganmemilih dua
posisi (exchage point /XP) secara random
kemudian menukarkan nilai pada posisi
tempatnya sehingga menghasilkan offspring
baru.
6) Seleksi Elitism
Seleksi dilakukan untuk memilih individu dari
himpunan populasi dan offspring yang dipilih
untuk melakukan proses genetik pada generasi
berikutnya. Seleksi elitism merupakan suatu
prosedur seleksi untuk memilih individu yang
memiliki nilai fitness tertinggi untuk dijadikan
generasi berikutnya. Metode seleksi ini bekerja
dengan mengumpulkan semua offspring dan
parent dalam satu penampungan, popsize
dengan fitness individu terbaik akan lolos
menjadi generasi selanjutnya
B. PENERAPAN
Untuk menerapkan rekayasa algoritma
genetika kedalam nilai harga atau penjualan
diperlukan beberapa proses sehingga nilai akan
terbentuk dengan optimal sesuai dengan aturan
- aturan yang di berikan.
Aturan pada pengoptimasian distribusi mobil
ini antara lain, adalah:
1. Maksimal generasi yang digunakan
adalah 15
2. Maksimal harga adalah 23(pembulatan
dari 23 ratus juta)
3. Nilai Probabilitas crossover yang
digunakan adalah 0.5;0,6;0,4
4. Nilai Probabilitas mutasi yang
digunakan adalah 0.4;0,7;0,7
C. Flowchart
Flowchart Metode Algoritma Genetika
Berdasarkan Flowchart di atas langkah
penyelesaian algoritma genetika setelah
memulai program akan diperintahkan untuk
menyimpulkan jumlah kromosom yang
3
diinginkan, setelah itu dilakukan proses
selanjutnya adalah memasukan maksimasinya
sesuai dengan ketentuan yang sudah
ditentukan. Tahap selanjutnya masukan nilai
crossover. Pada tahap akhir, algoritma genetika
akan menghasilkan output generasi akhir,
fitness generasi akhir.

III. HASIL PERHITUNGAN DAN

EKSPERIMEN
1) Inisial populasi Gambar 2
Pada laporan ini kita menggunakan 10 Inisialisasi Populasi
kromosom untuk dimasukan kedalam
algoritma genetika pada codingan 2) Nilai Fitness

Gambar 3
Nilai Fitness

Karena kita menggunakan maksimal generasi

maka kita mengambil suatu nilai fitness dari
generasi yang terakhir.

3) Crossover
Gambar 1
Tabel Daftar pendistribusian mobil

Pada Tabel harga, nilai yang dicantumkan

merupakan sebuah pembulatan dari angka
ratusan juta. Dengan contoh jika harga pada
mobil SUV adalah 8 maka nilai asli yang
dimaksud adalah 800 juta rupiah

Berikut adalah proses dari sebuah crossover

yang sudah di looping setelah 5 generasi

Setelah penginputan nilai kromosom maka akan Gambar 4

Proses Crossover
didapatkan inisial populasi seperti gambar
disamping dengan jumlah populasi (10,8). 4) Mutasi

Gambar 5
Proses Mutasi
4
 5) Generasi Akhir No Parameter Tes 1 Tes 2 Tes 3

1 Jumlah Jenis Mobil 5 5 5

yang Terdistribusi

2 Nilai Fitness Terbaik 320 210 300

3 SUV 0 0 1

4 Hatcback 1 1 1

5 Sedan 1 1 1

6 APV 1 1 1

7 Sport Sedan 1 0 0

8 Convertible 0 0 0

berikut adalah nilai populasi akhir dari 9 MPV 1 1 0

perhitungan algoritma genetika yang telah
10 Off-Road 0 1 1
dilooping sebanyak 5 generasi
Tabel 3
Gambar 6
Hasil Pengujian
Tabel Populasi dari Generasi Akhir

6) Hasil Akhir IV. KESIMPULAN

Algoritma Genetik merupakan teknikpencarian
di dalam ilmu komputer untuk menemukan
penyelesaian untuk optimasi dan masalah yang
pada laporan ini dapat membantu suatu
pencarian dari pendistribusian mobil antar
daerah. dengan dibangunnya perangkat lunak
ini diharapkan dapat membantu para pembuat
keputusan pada suatuperusahaan secara khusus
dan para pengguna komputer secara umum
Gambar 7 untuk membantu menyelesaikan masalah
Hasil Akhir knapsack problem danmenentukan jenis mobil
apa saja yang akan didistribusikan dengan
kapasitas yang terbatas agar dapat mencapai
No Parameter Tes 1 Tes 2 Tes 3 keuntungan yang paling maksimal.
1 Kromosom 10 10 10
V. DAFTAR PUSTAKA
2 Maksimal Generasi 15 15 15

3 Maksimal Harga 23 23 23 1. Sulistiyorini, R & Mahmudy, WF

2015, 'Penerapan algoritma genetika
4 Crossover 0,5 0,6 0,4
untuk permasalahan optimasi
5 Mutasi 0,4 0,7 0,7 distribusi barang dua tahap',
Tabel 2 2. Gambaran umum Perusahaan Yamaha
Algoritma Genetika Corporation-http://repository.uin-susk
a.ac.id/18267/9/9.%20BAB%20IV%2
0%281%29.pdf
3. Harian Ekonomi Neraca, Agustus 2012,
Industri Otomotif Ketergantungan
Komponen Impor
5
4. Tommy L.H. Tumalun, 2018, Ipteks
Proses Penjualan Mobil di PT Hasjrat
Abadi
5. Dr. Suharjito, S.Si., MT, 2021,
Algoritma Genetika dengan Python
6. Michalewicz , Zbigniew. Algoritma
genetika+struktur data=Evolusi
Program. Springer. New York:1999