PERANCANGAN DAN IMPLEMENTASI PROSIDING 2nd ACISE 2015
Semarang, 7 Oktober 2015
349
Penerapan Kasus
Algoritma yang telah dibuat akan kemudian diterapkan pada 4 kasus yang diambil dari jurnal “Service Level Based Vehicle Routing Problem : Mathematical Models, Neural Network, and Operational
Implications” Ri Xia, 2003 dengan berbagai kombinasi parameter yang telah ditentukan sebelumnya. Kasus yang pertama merupakan permasalahan kecil yang telah diketahui solusi optimalnya. Sementara
kasus kedua hingga kasus keempat merupakan permasalahan Vehicle Routing Problem dengan 90 pelanggan. Ketiga kasus tersebut memiliki karakteristik yang berbeda satu sama lain.
Kasus 1
Kasus 1 merupakan kasus yang digunakan untuk melakukan verifikasi terhadap program yang sudah dibuat. Kasus 1 terdiri dari delapan pelanggan yang masing-masing memiliki koordinat tersendiri.
Hasil running program untuk kasus 1 dapat dilihat pada Tabel .1. sedangkan rute optimal yang didapatkan dari hasil running program dapat dilihat pada Tabel .2, hasilnya sudah sama dengan solusi optimal dari
permasalahan dengan 8 pelanggan ini.
Tabel 1 Hasil Running Program untuk Kasus 1
Parameter Replikasi
Rata-rata iterasi ditemukan Waktu
running F
max
A r
1 2
3 4
5 2
1 0.1
614 614
614 614
614 358
3:49 2
1 0.5
614 614
614 664
614 268
4:02 2
4 0.1
614 614
664 664
614 126
4:06 2
4 0.5
614 664
664 614
664 170
3:58 5
1 0.1
614 664
614 614
614 108
4:01 5
1 0.5
614 614
614 664
614 99
4:11 5
4 0.1
686 614
614 614
664 57
4:08 5
4 0.5
614 644
614 614
614 266
4:02
Tabel 2 Solusi Terbaik untuk Kasus 1
Kendaraan Rute Kendaraan 1
5-4-2-3 2
8-1-6-7
Kasus 2
Kasus 2 terdiri dari 90 pelanggan yang koordinatnya sudah dirancang sedemikian rupa sehingga keseluruhan pelanggan membentuk sebuah lingkaran. Hasil running program untuk setiap replikasi dan
stimuli disertai dengan rata-rata waktu running dan iterasi saat solusi terbaik ditemukan dari kelima replikasi dapat dilihat pada Tabel .3. Sementara solusi terbaik yang didapatkan untuk kasus 2 dengan total
waktu menunggu sebesar 18203. Pembagian rute untuk setiap kendaraan dapat dilihat pada Tabel 4.
Tabel 3 Hasil Running Program untuk Kasus 2
Parameter Replikasi
Rata-Rata iterasi ditemukan Waktu
running F
max
A r
1 2
3 4
5 2
1 0,1 18534 18141 19079 19531 18203 3166
7:14 2
1 0,5 19670 20117 20272 20234 20509 2267
7:51 2
4 0,1 19164 20224 20142 20337 20962 1927
6:07 2
4 0,5 20076 19895 19252 19438 19708 3600
8:21 5
1 0,1 20202 20657 19624 18873 20087 2469
6:28 5
1 0,5 20429 19900 20218 20534 20822 2261
6:38 5
4 0,1 19508 19232 20161 19729 20433 2356
6:02 5
4 0,5 20169 19952 20238 20255 20108 2235
8:29
Tabel 4 Solusi Terbaik untuk Kasus 2
Kendaraan Rute Kendaraan 1
1-30-43-38-11-18-67-47-15-36-75-50-7-48-60 2
81-2-62-16-6-14-56-87-20
Semarang, 7 Oktober 2015
350 Kendaraan Rute Kendaraan
3 61-58-55-51-24-32-26-12-35-89
4 17-42-90-4-77-80-71-44-74-33-57-63
5 68-22-88-3-34-59-83-25-40-41-86-8-52-21-13
6 45-37-82-69-64-72-53-19-84-10-28-31
7 79-54-5-66-27
8 76-85-78-70-23-29-9
9 49-65-39-46-73
Kasus 3
Kasus 3 merupakan kasus yang terdiri dari 90 pelanggan dengan koordinat yang diatur sedemikian rupa sehingga berbentuk menyerupai busur. Hasil running program untuk setiap replikasi dan
stimuli disertai dengan rata-rata waktu running dan iterasi saat solusi terbaik ditemukan dari kelima replikasi dapat dilihat pada Tabel .5. Sementara solusi terbaik yang didapatkan untuk kasus 2 dengan total
waktu menunggu sebesar 21466. Pembagian rute untuk setiap kendaraan dapat dilihat pada Tabel .6.
Tabel 5 Hasil Running Program untuk Kasus 3
Parameter Replikasi
Rata-Rata iterasi ditemukan Waktu
running F
max
A r 1
2 3
4 5
2 1 0,1 23390 23092 23705 23287 22541 3214
7:22 2
1 0,5 23461 22499 22431 23020 23747 2293 6:02
2 4 0,1 24055 22558 22729 22684 22812 2216
9:23 2
4 0,5 23710 23382 22262 21495 22939 1685 6:00
5 1 0,1 22732 22588 22530 22204 23881 2937
10:44 5
1 0,5 23437 22509 21466 23495 22393 1776 7:28
5 4 0,1 22956 22684 22282 24213 21934 1850
10:10 5
4 0,5 22497 22224 24136 22077 22283 1143 6:02
Tabel 6 Solusi Terbaik untuk Kasus 3
Kendaran Rute Kendaraan 1
54-10-49-58-44-61-51-1-39-8-7-83-33-40 2
52-84-13-45-16-48-11-35-30-71-24-87 3
36-62-34-38-86-76-23-29 4
41-25-37-50-90-17-21-57-20-2-64 5
68-73-65-42-15-22-32-14-12-47-43 6
55-4-63-66-53 7
5-26-72-88-6-18-27-77-70 8
74-46-69-9-80-3-89-56-60-75-59-78-82 9
31-85-19-79-28-67-81
Kasus 4 Kasus 4 merupakan kasus yang terdiri dari 90 pelanggan dengan koordinat yang diatur sedemikian rupa
sehingga berbentuk menyerupai persegi panjang. Hasil running program untuk setiap replikasi dan stimuli disertai dengan rata-rata waktu running dan iterasi saat solusi terbaik ditemukan dari kelima replikasi
dapat dilihat pada Tabel .7. Sementara solusi terbaik yang didapatkan untuk kasus 4 sebesar 22.652. Kendaraan dan rute kendaraan dapat dilihat pada Tabel .8.
Tabel 7 Hasil Running Program untuk Kasus 4
Parameter Replikasi
Rata-Rata iterasi
ditemukan waktu running
F
max
A r 1
2 3
4 5
2 1 0,1
25240 26062 24475 26138
25789 2581
8:07 2
1 0,5 25784
27078 25299 25902 27051
3257 6:02
Semarang, 7 Oktober 2015
351 Parameter
Replikasi Rata-Rata
iterasi ditemukan
waktu running F
max
A r 1
2 3
4 5
2 4 0,1
26273 22652 26303 25058
25677 1779
9:40 2
4 0,5 25546
24405 26184 25098 26330
2997 10:11
5 1 0,1
25463 26190 26652 27265
25810 2440
7:27 5
1 0,5 26485
25129 25732 27206 25299
2743 5:58
5 4 0,1
24479 25261 25387 25683
25820 2292
10:48 5
4 0,5 25275
25449 27200 27144 25086
2148 9:34
Tabel 8 Solusi Terbaik untuk Kasus 4
Kendaran Rute Kendaraan 1
55-87-56-76-70-71-81 2
72-59-23-22-89-48-83-66 3
32-9-44-14-31-73-77-41-49 4
53-63-88-78-27-34-86-60-52-67-85-1 5
84-11-10-28-50-15-45-43-5-51-54-42-82 6
79-2-19-8-38 7
47-37-26-80-74-46-75 8
18-90-65-20-6-68-35-3-58-62-61-7-17-25-4 9
13-64-40-12-30-21-24-29-39-16-33-36-69-57 PENGUJIAN PARAMETER
Pengujian parameter dilakukan dengan uji ANOVA dan dengan bantuan software SPSS dengan nilai α sebesar 5. Pengujian ini dilakukan untuk mengetahui parameter yang berpengaruh pada kasus 2
sampai kasus 4..Terdapat 7 hipotesa yang digunakan pada pengujian ANOVA yaitu: 1. Untuk parameter F
max
. H
:Rata-rata nilai fungsi objektif pada setiap tingkat F
max
sama. H
1
:Rata-rata nilai fungsi objektif pada setiap tingkat F
max
tidak sama. 2. Untuk parameter kebisingan.
H :Rata-rata nilai fungsi objektif pada setiap tingkat kebisingan sama.
H
1
:Rata-rata nilai fungsi objektif pada setiap tingkat kebisingan tidak sama. 3. Untuk parameter pulse rate.
H :Rata-rata nilai fungsi objektif pada setiap tingkat pulse rate sama.
H
1
:Rata-rata nilai fungsi objektif pada setiap tingkat pulse rate tidak sama. 4. Untuk interaksi antara parameter F
max
dan kebisingan. H
:Tidak ada interaksi antara parameter F
max
dan kebisingan. H
1
:Ada interaksi antara parameter F
max
dan kebisingan. 5. Untuk interaksi antara parameter F
max
dan pulse rate. H
:Tidak ada interaksi antara parameter F
max
dan pulse rate. H
1
:Ada interaksi antara parameter F
max
dan pulse rate. 6. Untuk parameter kebisingan dan pulse rate
H :Tidak ada interaksi antara parameter kebisingan dan pulse rate.
H
1
:Ada interaksi antara parameter kebisingan dan pulse rate. 7. Untuk parameter F
max,
kebisingan, dan pulse rate. H
:Tidak ada interaksi antara parameter kebisingan, pulse rate dan frekuensi maksimum. H
1
:Ada interaksi antara parameter kebisingan, pulse rate dan frekuensi maksimum. Bila nilai signifikansi dari pengujian dengan software lebih kecil dari
α sebesar 0,05 berarti H ditolak. Kesimpulan yang dapat diambil dari pengujian ANOVA untuk kasus 2 sampai kasus 4 dapat
dilihat pada Tabel 9 sampai Tabel 11.
Tabel 9 Hasil pengujian parameter untuk Kasus 2
Parameter Signifikansi Kesimpulan
F
max
0.16 H
tidak ditolak Kebisingan
0.274 H
tidak ditolak
Semarang, 7 Oktober 2015
352 Parameter
Signifikansi Kesimpulan Pulse_Rate
0.005 H
ditolak F
max
Kebisingan 0.039
H ditolak
F
max
Pulse Rate 0.808
H tidak ditolak
Kebisingan Pulse Rate 0.001
H ditolak
F
max
Kebisingan Pulse Rate 0.005
H ditolak
Tabel .10 Hasil pengujian parameter untuk Kasus 3
Parameter Signifikansi Kesimpulan
F
max
0.263 H
tidak ditolak Kebisingan
0.594 H
tidak ditolak Pulse_Rate
0.469 H
tidak ditolak F
max
Kebisingan 0.579
H tidak ditolak
F
max
Pulse Rate 0.928
H tidak ditolak
Kebisingan Pulse Rate
0.93 H
tidak ditolak F
max
Kebisingan Pulse Rate
0.996 H
tidak ditolak
Tabel 11 Hasil pengujian parameter untuk Kasus 4
Parameter Signifikansi Kesimpulan
F
max
0.333 H
tidak ditolak Kebisingan
0.101 H
tidak ditolak Pulse_Rate
0.234 H
tidak ditolak F
max
Kebisingan 0.884
H tidak ditolak
F
max
Pulse Rate 0.605
H tidak ditolak
Kebisingan Pulse Rate
0.578 H
tidak ditolak F
max
Kebisingan Pulse Rate
0.243 H
tidak ditolak
KESIMPULAN
Berikut merupakan kesimpulan yang diambil oleh peneliti berdasarkan hasil penelitian: 1. Service Level Based Vehicle Routing Problem telah diselesaikan dengan Bat Algorithm dan dapat
memberikan solusi yang baik dapat dibuktikan dengan berhasil memverifikasi kasus kecil. 2. Parameter yang diuji pada penelitian ini adalah kebisingan, pulse rate dan frekuensi maksimal.
Parameter frekuensi maksimal dan kebisingan tidak memiliki pengaruh terhadap solusi yang dihasilkan oleh algoritma untuk semua kasus. Sementara itu, parameter pulse rate memiliki tidak
pengaruh pada kasus 3 dan 4.
DAFTAR PUSTAKA
Ballou, R.H., 1999, Business Logistics Management, Prentice Hall, New Jersey. Bowersox, D.J., Cooper, M.B., 2002, Supply Chain Logistics Management, Michigan State Unersity,
McGraw Hill .
Chopra, S., Meindl,P., 2007. Supply Chain Management : Strategy, Planning, and Operation, 3
rd
edition, Prentice Hall, New Jersey
. El Hassani et al. 2008. A Hybrid Ant Colony System Approach for the Capacitated Vehicle Routing
Problem and the Capacitated Vehicle Routing Problemwith Time Windows .
Keith Oler, R. Webber, M., 1982.Supply Chain Management : logistics catches up with strategy. Mitsuo G, Runwei C., 1999. Genetic Algorithms Engineering Optimization.
Pissinger, 2005.A General Heuristic for Vehicle Routing Problem. S. Ólafsson. 2006. “Metaheuristics,” in Nelson and Henderson eds.. Handbook on Simulation.
Shapiro. J. F., 2000. Modeling the Supply Chain.
Semarang, 7 Oktober 2015
353 Sunjaya. A. W, 2015. Penerapan Bat Algorithm untuk Menyelesaikan Probabilistic Travelling Salesman
Problem .
Talbi.E, 2009.Metaheuristics : From Design to Implementation. John Wiley and Sons. Xia Ri, 2003. Service Level Based Vehicle Routing Problem Mathematical Models, Neural Networks
Heuristic and Operational Implications Xin-She Yang. 2010. A New Metaheuristic Bat-Inspired Algorithm, in: Nature Inspired Cooperate
Strategies for Optimization NISCO 2010 Eds. J. R. Gonzalez et al., Studie sin Computational
Intelligence, Springer Berlin, 284, Springer, 65-74. Xin-She Yang. 2013. Bat algorithm: literature review and applications, Int. J. Bio-Inspired
Computation.
Semarang, 7 Oktober 2015
354
PENERAPAN METODE THE STRUCTURE WHAT IF TECHNIQUE DAN BOW
TIE ANALYSIS UNTUK PENILAIAN RESIKO OPERASIONAL PADA SAFETY MANAGEMENT SYSTEM BANDARA
Bambang Purwanggono, Darminto Pujotomo, Sodli
Program Studi Teknik Industri, Fakultas Teknik – Universitas Diponegoro
Jl. Prof. Soedarto, SH Tembalang Semarang 50239 Telp. 024 7460052
E-mail: b_purwanggonogmail.com,
darminto_pujotomoyahoo.com, ie.sodli.stgmail.com
ABSTRAK Penerapan safety management system di bandara berfungsi menjamin keamanan dan keselamatan dalam
penerbangan. Dalam kegiatan operasional safety management system terutama pada daerah pergerakan pesawat tidak luput dari berbagai bahaya yang dapat menimbulkan berbagai macam resiko. Setiap
resiko membutuhkan penilaian untuk melihat tingkat kekritisan dan mengetahui tindakan pengendalian yang dilakukan. Kegiatan penilaian resiko menggunakan konsep metode The Structure What If Technique
dan Bow Tie Analysis. Kedua metode ini dapat memberikan hasil penilaian resiko yang baik karena metode ini tidak hanya berpedoman pada alur proses tapi juga mempertimbangkan penyimpangan dari
operasi normal yang diidentifikasi dengan brainstorming dan inspeksi langsung kelapangan serta memberikan gambaran visual terhadap permasalahan yang ada. Berdasarkan penilaian resiko terdapat
12 resiko yang dianggap paling kritis dan diprioritaskan pengendaliannya yaitu: cracking, disintegration, kekesatan, perubahan permukaan konstruksi, gagal catu daya listrik, jetblast pesawat,
paparan kebisingan, bahan dan barang berbahaya, aktivitas burung berlebihan, rusaknya peralatan pelayanan darat, kecelakaan pada daerah pergerakan dan penumpukan bagasi penumpang.
Kata Kunci: Bahaya, Resiko, Penilaian Resiko, The structure what if technique, Bow tie analysis 1.
PENDAHULUAN
PT Angkasa Pura I Bandara Adisutjipto Yogyakarta merupakan sebuah perusahaan yang bergerak dalam bidang jasa penerbangan di Indonesia. Mengingat pentingnya keamanan dan keselamatan dalam
dunia penerbangan setiap bandara harus menerapkan safety management system. Hal ini berfungsi untuk menjamin bahwa aktivitas penerbangan dilaksanakan dengan mengedepankan faktor safety. Dalam
pelaksanaan kegiatan operasional safety management system itu sendiri terdapat hazard yang dapat memicu munculnya berbagai macam resiko. Resiko yang ditimbulkan oleh hazard tersebut tentu akan
sangat merugikan bagi perusahaan maupun pengguna jasa bandara karena dapat menimbulkan accident dan incident jika tidak dikelola dengan baik. Untuk itu dibutuhkan kegiatan risk assessment yaitu suatu
kegiatan dimana setiap resiko yang ada dinilai tingkat kekritisannya. Risk assessment di bandara merupakan salah satu hal yang sangat penting dalam penerapan safety management system. Melalui risk
assessment
ini dilakukan identifikasi resiko, penilaian resiko, evaluasi resiko dan pengendalian resiko operasional bandara. Manajemen resiko di bandara juga merupakan penerapan secara sistematis dari
setiap kebijakan manajemen berupa prosedur, aktivitas dalam kegiatan pengidentifikasian resiko, penilaian resiko, penanganan resiko, serta pemantauan resiko. Adanya penerapan manajemen resiko pada
bandara diharapkan sumber hazard yang menimbulkan resiko dapat diketahui, serta dilakukan penilaian terhadap resiko tersebut untuk mengetahui tingkat kekritisan resiko, sehingga pihak manajemen dapat
mengambil tindakan pengendalain resiko tersebut baik yang bersifat prevention controls dan recovery controls.
Tujuan dari penelitian ini adalah untuk menentukan jenis-jenis resiko yang ada pada kegiatan operasional safety management system di bandara khususnya pada daerah pergerakan pesawat apron,
runway, taxiway, ground support equipment dan drainase dengan cara melakukan identifikasi resiko,
menentukan nilai risk rating number pada semua resiko yang berhasil di identifikasi hal ini bertujuan untuk menyetahui dan melihat tingkat kekritisan dari setiap resiko yang ada. Penentian nilai risk rating
number ini akan berpedoman kepada dua indicator penting yaitu severity dan frequency, selanjutnya menentukan tindakan pengendalian terhadap resiko yang paling kritis baik yang bersifat prevention
controls
dan recovery controls berdasarkan nilai risk rating number serta memberikan rekomendasi terhadap perusahaan.
Semarang, 7 Oktober 2015
355