APLIKASI ALGORITMA GENETIK JURNAL TI Vol 1 No 2 Juli 2011

164 , ISSN:1411-6340 Masalah yang dibahas disini adalah masalah yang dihadapi oleh banyak perusahaan yaitu bagaimana menjadwalkan produksi dalam usahanya untuk meminimasi ongkos produksi dan penjadwalan produksi yang merata. Metoda tradisional membuktikan ketidaksesuaian metoda tersebut untuk produk yang sangat variatif dan prosedur produksinya sangat rumit, karena akan banyak memakan waktu. Penjadwalan produksi yang dibahas dalam topik ini bersifat job shop dengan tujuan untuk mengoptimasikan rencana penjadwalan produksi dengan menggunakan metode algoritma genetika, yang merupakan algoritma pencarian yang meniru mekanisme dari genetika alam. Dalam optimasi rencana penjadwalan produksi dengan menggunakan algoritma genetika, kromosom mewakili daftar pesanan produksi yang harus dijadwalkan sesuai dengan kriteria yang ditentukan dan harus sesuai dengan pembatasan dalam proses produksi. Simulasi model digunakan untuk fungsi fitness, sehingga setiap kromosom akan mendapatkan nilai fitness fitness value. Data untuk mengoptimasi jadwal tersedia dalam database, program algoritma genetika didasarkan pada data yang diekstraksi yang disiapkan untuk populasi awal dari kromosom. Setiap populasi bersifat terbatas, dan memiliki ukuran yang tetap yang disebut sebagai generasi. Dengan bantuan dari fungsi fitness, yang diwakili oleh model simulasi, kromosom di setiap populasi kemudian dievaluasi, hal ini dilakukan untuk memilih kromosom mana yang akan bertahan di generasi berikutnya. Evolusi dari kromosom yang bertahan hidup diuji berdasarkan operator genetik seperti mutasi dan crossover, sehingga kromosom yang baru akan berkembang. Proses evolusi akan terus berulang sampai diperoleh hasil yang terbaik. Kromosom dengan nilai fitness yang lebih baik akan disimulasikan dalam model simulasi visual. Dengan menggunakan simulasi visual dan integrasi optimisasi dari system untuk perencanaan produksi, dapat diputuskan mana perencanaan jadwal produksi yang mudah dan cepat. Program untuk optimisasi penjadwalan dengan algoritma genetika dikembangkan dengan program C++, dan untuk tujuan validasi dari fungsi fitness diimplementasikan dengan Promodel. Karena proses produksi menggunakan sistem Job Shop, maka rencana penjadwalan sangat tergantung pada pesanan produksi. Jika terdapat pesanan baru maka akan dilakukan penjadwalan ulang. Penjadwalan ulang ini sangat bergantung pada pembatalan pesanan, pesanan baru, kerusakan mesin dan kejadian tak terduga lainnya. Dengan menggunakan algoritma genetika perencanaan penjadwalan yang pertama membutuhkan waktu sekitar 25 menit, jika ada tambahan pesanan algoritma genetika tidak langsung melakukan penjadwalan ulang tetapi akan menggunakan jadwal yang sudah ada, tapi pesanan yang baru akan secara langsung ditambahkan pada jadwal yang sudah ada, dan secara otomatis jadwal yang baru langsung terbentuk, dan waktu yang dibutuhkan adalah sekitar 7 menit. Jika dibandingkan antara penjadwalan dengan cara yang lama membutuhkan waktu sekitar 120 menit, sedangkan dengan menggunakan algoritma genetika hanya membutuhkan waktu sekitar 25 menit untuk menyelesaikan persoalan yang sama. Pada Gambar 1 dibawah ini dapat dilihat penjadwalan yang optimal dari 5 job untuk waktu tertentu, dimana tersedia beberapa waktu bebas. Sewaktu pesanan baru datang langsung dapat dijadwalkan pada akhir penjadwalan. Pada gambar 2, diperlihatkan penjadwalan yang tidak optimal dari 5 job. Sedangkan gambar 3 menunjukkan jadwal yang sudah optimal untuk 5 job, pesanan baru bisa langsung dikerjakan karena ketersediaan waktu di workstation tidak berlebihan. Penerapan Algoritma Genetika Dalam Optimasi Anastasia Widya Wati B 165 Gambar 1. Penjadwalan yang sudah optimal dari 5 job Gambar 2. Penjadwalan yang belum optimal dengan penambahan job baru-waktu yang tersedia. Gambar 3. Penjadwalan yang sudah optimal dengan 6 job 5 job yang sudah ada + 1 job baru Setelah penjadwalan dengan algoritma genetika, diperoleh waktu simulasi yang paling minimal seperti yang diperlihatkan pada Tabel 1 berikut. Tabel 1. Hasil statistik simulasi untuk rencana algoritma genetika Gambar 4. Rencana secara manual 166 , ISSN:1411-6340 Gambar 5. Rencana yang mempergunakan algoritma genetika Gambar 4 dan Gambar 5 menunjukkan perbandingan antara rencana secara manual dan rencana yang mempergunakan algoritma genetika. Dapat disimpulkan bahwa dengan mempergunakan algoritma genetika waktu produksi dapat dihemat sekitar 5 – 15. 2. Optimasi Replenishment Supplier Selain untuk mengoptimasi penjadwalan algoritma genetika juga sangat efektif untuk mengoptimalkan masalah replenishment. Perusahaan sangat menyadari pentingnya kerja sama dalam manajemen “supply chain”, namun karena setiap perusahaan mempunyai entitas ekonomi yang berbeda satu dengan yang lain, yang cenderung berfokus pada kepentingan sendiri, sehingga sulit untuk saling bekerja sama. Disini akan dilakukan analisis proses pemesanan barang berdasarkan sistem rantai suplai dua-eselon yang terdiri satu-pemasok dan multi- pengecer dengan menggunakan model optimal replenishment dari perspektif pemasok. Tujuan yang ingin dicapai adalah untuk membuat sebuah model baru yang meminimalkan ongkos “replenishment” dari pemasok dan mengurangi pesanan dari pengecer dan biaya penyimpanan sebanyak mungkin, sehingga dapat mengoptimalkan seluruh sistem. Asumsi yang digunakan dalam membangun model ini adalah: 1. Tingkat permintaan retail diketahui dan bersifat konstan. 2. Supplier dapat memenuhi kebutuhan retail dan lead time = 0 3. Sebagai pemimpin dari permainan stackelberg, supplier memperbaiki interval replenishment. 4. Sebelum strategi interval replenishment diterapkan, interval replenishment yang optimal mengikuti model “economic order quantity”. 5. Setelah strategi interval replenishment diimplementasikan, pemasok memberikan diskon harga untuk pengecer yang dipilih. Untuk mengoptimasikan model replenishment supplier ini digunakan pendekatan algoritma genetika. Langkah pertama dalam algoritma genetika adalah encoding . Dalam mencari solusi yang optimal, metode pengkodean tradisional adalah menyandikan variabel masalah sebagai string biner atau desimal string yang disebut kromosom. Dalam tulisan ini, nilai-nilai variabel keputusan yi adalah 0 atau 1, pengkodean biner diterapkan untuk menghasilkan kromosom N secara acak diwakili oleh string digit biner m, sebagai populasi awal. Setelah pencarian kriteria yang cocok ditemukan, populasi akhir akan tersedia. Menurut nilai populasi akhir, bisa didapatkan keputusan pengisian optimal vendor. Dalam Algoritma Genetika, setiap individu dalam populasi dievaluasi dengan menggunakan fitness, tidak menggunakan informasi lain dari luar. Probabilitas kelangsungan hidup setiap individu ditentukan oleh fitness. Dan populasi berkembang dengan cara individu yang lebih baik akan menggantikan individu yang kurang baik. Dalam rangka untuk menghitung probabilitas kelangsungan hidup individu secara benar, nilai fitness individu pun harus non-negatif. Seleksi yang digunakan untuk penyelesaian masalah ini adalah seleksi roulette wheel. Beberapa putaran pilihan yang diperlukan untuk memilih individu untuk pergi ke generasi berikutnya. Sebuah nomor acak baru dijelaskan oleh 0 atau 1 dapat dibuat Penerapan Algoritma Genetika Dalam Optimasi Anastasia Widya Wati B 167 dalam tiap putaran, sebagai pointer menentukan individu-individu yang dipilih. Operator seleksi digunakan untuk menyaring populasi awal. Dalam makalah ini, metode crossover satu titik digunakan untuk memilih titik potong K dalam interval [1, m-1] secara acak, dimana m adalah jumlah gen dari populasi. Titik potong membagi kromosom menjadi dua bagian beririsan. Kemudian crossover menciptakan keturunan oleh bagian pertukaran dari kromosom induk dengan ukuran langkah 2. Untuk menghindari jawaban yang terjebak dalam lokal optima, mutasi akan muncul dengan probabilitas yang sangat kecil. Disini akan ditunjukan lokus kromosom sebagai titik perubahan dengan probabilitas mutasi Pm = 0,02. Kemudian masing-masing gen dari titik perubahan akan bermutasi secara integer dari 0 ke 1. Dari penelitian yang dilakukan dapat diambil kesimpulan sebagai berikut : model ini dapat digunakan secara efektif baik untuk memecahkan persoalan dengan banyak retailer juga untuk kondisi biaya pemesanan dari retailer berbeda satu dengan yang lainnya. Dalam dunia nyata, untuk supplier besar, metode ini sangat efektif selain untuk meningkatkan kerja sama supplier dengan retailer juga untuk pengambilan keputusan replenishment dalam waktu yang singkat.

4. KESIMPULAN

Algoritma genetika sangat efektif untuk memecahkan permasalahan optimisasi suatu model. Algoritma genetika dapat diterapkan dalam berbagai bidang kehidupan, baik di bidang teknik, sains, ekonomi, sosial, seperti penjadwalan, penugasan, kalibrasi model jaringan, perancangan mesin, dan sebagainya. Keuntungan dengan menggunakan algoritma genetika adalah 1. Tidak membutuhkan perhitungan dan rumus-rumus matematika yang rumit. 2. Dapat menangani berbagai macam fungsi antara lain : linear, non linear, diskrit, kontinu. 3. Dapat menghindari penemuan solusi yang berupa lokal optimum 4. Mudah untuk di-hibrid digabungkan dengan metoda lain untuk problem- problem yang spesifik. 5. Ketidakpastian untuk menghasilkan solusi optimal global, karena sebagian besar dari algoritma ini berhubungan dengan bilangan acak yang bersifat probabilistik. 6. Sangat flexible dalam memecahkan masalah, tergantung dari input yang dimasukkan dari permasalahan yang dihadapi suatu sistem.

5. DAFTAR PUSTAKA

[1] Ke Zhu, Hengshan Wang, Yuanyuan Kong, Sheng Li, 2011. Optimization of The Replenishment Strategy for The Supplier Based on Genetic Algorithm. International Business and Management Vol 6, No.1; January 2011 . hal : 218 - 222 [2] Miroljub K, Igor B.K, Uros B. 2003. Production Planning Using Simulation and Genetic Algorithms in Multi- criteria Scheduling Optimation. Journal of the Operational Research Society . Vol 58 No. 7, hal. 15. [3] Mitchell, M. 1996. An Introduction to Genetic Algorithms. Cambridge, MA: MIT Press. [4] Mitsuo Gen, Runwei Cheng. 2000. Genetic Algorithms Engineering Optimization. Willey – IEEE. 168 , ISSN:1411-6340 SISTEM PENDUKUNG KEPUTUSAN RANTAI PASOK KOPERASI PENGOLAHAN SUSU X DI JAWA BARAT Rina Fitriana 1 , Taufik Djatna 2 1 Jurusan Teknik Industri, Fakultas Teknologi Industri, Universtas Trisakti 2 Departemen Teknologi Industri Pertanian. Sekolah Pasca Sarjana. Institut Pertanian Bogor ABSTRACT A decision support system is a computerized information system, designed to support business and organizational decision-making activities. Agroindustrial Supply Chain Management Agro-SCM is the management of the entire set of production, transformationprocessing, distribution and marketing activities in agroindustry by which a consumer is supplied with a desired product. Milk Processing Cooperation has a strategic role to support the milk industry development in Indonesia. The purpose of this research is to make a proposal supply chain decision support system of Milk Processing Cooperative X in West Java. The first sub model is Sales and Purchase. The second sub model is a Quality Risk. Third sub model is the Forecasting. The fourth sub model is Transportation. The Fift sub model is Supply Chain Management. Validation and Verification of Decison Support System conducted through case studies with empirical data in Milk Processing Cooperative X in West Java. Keywords : Decision Support System, Agro-SCM, Milk Processing Cooperative

1. PENDAHULUAN

6 Sistem Pendukung Keputusan adalah sistem informasi terkomputerisasi didesain untuk mendukung bisnis dan aktivitas pengambilan keputusan N Liu, 2009. Rantai Pasok berisi semua pihak yang terlibat baik langsung maupun tidak langsung dalam memenuhi permintaan pelanggan Chopra, 2007. Koperasi Pengolahan Susu KPS adalah lembaga yang mengelola persusuan dan mendistribusikan susu kepada Industri Pengolahan Susu dari peternak dan sebagai perwakilan peternak dalam memperjuangkan aspirasi peternak, selain itu koperasi juga berperan sebagai Industri Pengolahan Susu Skala Kecil Menengah. Permasalahan dalam Rantai Pasok Agroindustri KPS Koperasi Pengolahan Susu difomulasikan sebagai berikut: Belum maksimalnya efisiensi dan efektivitas manajerial Quality, Cost, Delivery koperasi susu, dalam rangka mendapatkan hasil yang optimal. Pengusaan teknologi diversifikasi produk Korespondensi : 1 Rina Fitriana E-mail : rinaudayahoo.com juga belum maksimal. Tujuan dari penelitian ini adalah menghasilkan suatu Sistem Pendukung Keputusan dari rantai pasokan koperasi pengolahan susu studi kasus di Koperasi Pengolahan Susu KPS X di Jawa Barat.

2. LANDASAN TEORI

2.1 Manajemen Rantai Pasok

Manajemen Rantai Pasok adalah keterpaduan antara perencaaan, koordinasi dan kendali seluruh proses dan aktivitas bisnis dalam rantai pasok untuk mengantarkan nilai superior dari konsumen dengan biaya termurah kepada pelanggan. Rantai pasok lebih ditekankan pada seri aliran bahan dan informasi, sedangkan manajemen rantai pasok menekankan pada upaya memadukan kumpulan rantai pasok Vorst, 2004, Hadiguna, 2007