Optimasi Model Rantai Pasokan Agroindustri Cocodiesel Dengan Menggunakan Algoritma Genetika

(1)

OPTIMASI MODEL

RANTAI PASOKAN AGROINDUSTRI

COCODIESEL

DENGAN MENGGUNAKAN ALGORITMA GENETIKA

Oleh:

YUVI ANDRIA F34103021

2007

FAKULTAS TEKNOLOGI PERTANIAN INSTITUT PERTANIAN BOGOR


(2)

FAKULTAS TEKNOLOGI PERTANIAN INSTITUT PERTANIAN BOGOR

OPTIMASI MODEL

RANTAI PASOKAN AGROINDUSTRI

COCODIESEL

DENGAN MENGGUNAKAN ALGORITMA GENETIKA

SKRIPSI

Sebagai salah satu syarat untuk memperoleh gelar SARJANA TEKNOLOGI PERTANIAN

Pada Fakultas Teknologi Pertanian Institut Pertanian Bogor

Oleh: YUVI ANDRIA

F34103021

Disetujui, Bogor, Juli 2007

Dr. Ir. Yandra Arkeman, M.Eng Hendra Gunawan, S.TP Pembimbing I Pembimbing II


(3)

Yuvi Andria. F34103021. Optimasi Model Rantai Pasokan AgroindustriCocodiesel

Dengan Menggunakan Algoritma Genetika. Dibawah bimbingan Yandra Arkeman dan Hendra Gunawan. 2007.

RINGKASAN

Manajemen rantai pasokan adalah suatu pendekatan untuk mengintegrasikan secara efisien antara pemasok, perusahaan manufaktur, penggudangan, dan penjualan sehingga produk diproduksi dan didistribusikan pada jumlah, tempat, dan waktu yang tepat, dengan tujuan untuk memenuhi kebutuhan permintaan dan meminimisasi biaya total keseluruhan (cost efficient). Model rantai pasokan agroindustri yang optimal adalah rantai yang memiliki kombinasi paling baik dan efisien sehingga dapat diperoleh TSCC (Total Supply Chain Cost) yang paling minimum. Kombinasi tersebut merupakan masalah pencarian (searching) untuk mengoptimalkan TSCC dari parameter-parameter rantai pasokan dalam suatu ruang pencarian tertentu (search space). Teknik optimasi terbaru yang berasal dari bidang

Artificial Inteligence adalah algoritma genetika (Genetic Algorithms) merupakan salah satu alternatif teknik pencarian (searching technique) heuristik yang bersifat tangguh, adaptif, dan efisien.

Algoritma genetika dapat mencari solusi optimal berdasarkan pada mekanisme sistem natural yaitu genetika dan seleksi alam. Solusi minimum TSCC dari model rantai pasokan agroindustri tersebut dapat dipecahkan dengan menggunakan algoritma genetika dengan lebih efektif dan efisien. Penelitian ini bertujuan untuk : Merancang model rantai pasokan agroindustri dengan berdasarkan model transportasi, inventori, dan distribusi; Merancang bangun program algoritma genetika untuk optimasi model rantai pasokan agroindustri dan melihat efisiensi pencarian solusi optimum yang dilakukan algoritma genetika; Melakukan kajian penerapan program algoritma genetika yeng telah dibuat untuk rantai pasokan agroindustricocodiesel.

Implementasi pada penelitian ini adalah rancang bangun program algoritma genetika untuk optimasi model rantai pasokan agroindustri yaitu program GASCM (Genetic Algorithms for Supply Chain Management) Ver. 1.0 yang dibuat menggunakan bahasa pemrograman Borland Delphi 7.0 dengan acuan program

Simple Genetic Algoritms(SGA). Telah dilakukan pengembangan dari fungsi-fungsi maupun prosedur-prosedur dalam program antara lain Fungsi FitFunc untuk menghitung fungsi TSCC; Prosedur InitPop yaitu inisialisasi populasi dengan representasi integer dan memenuhi suatu kendala-kendala/constrained; FungsiSelect

adalah fungsi untuk menseleksi kromosom dengan teknik seleksi turnamen (tournament selection); dan Prosedur Statistic dikembangkan menjadi dalam bentuk grafik.

Hasil penelitian ini menunjukkan bahwa program GASCM Ver. 1.0 sangat efisien dalam menemukan solusi TSCC minimum dari model rantai pasokan agroindustri. Pada kasus 1 (numerical example) untuk rantai pasokan agroindustri 2x2x2, solusi minimum dapat tercapai pada generasi ke-270 dengan nilai TSCC 1525. Algoritma genetika hanya mengeksplorasi 3,5 % total ruang pencarian (total search space) untuk mendapatkan solusi optimal pada kasus 1. Efisiensi algoritma genetika tersebut akan jauh meningkat apabila ruang pencarian semakin besar. Hal ini


(4)

ditunjukan oleh kasus 2 (numerical example) untuk rantai pasokan agroindustri 4x3x4 dan kasus 3 untuk studi kasus skenario rantai pasokan agroindustricocodiesel.

Rantai pasokan agroindustri cocodiesel merupakan skenario rantai pasokan agroindustri 2x2x2 yang berada pada Propinsi Kalimantan Barat dan Tengah. Skenario berdasarkan data-data sekunder dan informasi-informasi riil tentang agroindustri cocodiesel Pemasok kelapa pertama (Supplier-1) berada di daerah kabupaten Sambas (Kalimantan Barat) sedangkan untuk pemasok kelapa kedua (Supplier-2) berada di daerah kabupaten Pontianak (Kalimantan Barat). Untuk agroindustricocodiesel ke-1 berada pada wilayah Sintang (Kalimantan Barat) dan agroindustricocodiesel ke-2 berada di wilayah Rantaupulut (Kalimantan Tengah). Permintaan untuk cocodiesel ke-1 bagi para nelayan berada di daerah pesisir pantai selat Karimata (Kalimantan Barat) dan kebutuhan permintaan cocodiesel

ke-2 untuk industri-industri maupun SPBU berada di kawasan Kalimantan Tengah.

Hasil optimasi algoritma genetika terhadap skenario rantai pasokan agroindustricocodiesel tersebut adalah sebagai berikut : Jumlah pasokan kelapa dari pemasok-1 ke agroindustri-1 sebanyak 408.875 butir; jumlah pasokan kelapa dari pemasok-1 ke agroindustri-2 sebanyak 0 butir; jumlah pasokan kelapa dari pemasok-2 ke agroindustri-1 sebanyak 341.125 butir; jumlah pasokan kelapa dari pemasok-2 ke agroindustri-2 sebanyak 1.000.000 butir; jumlah cocodiesel dari agroindustri-1 ke permintaan-1 sebanyak 100.000 liter; jumlah cocodiesel dari agroindustri-1 ke permintaan-2 sebanyak 0 liter; jumlah cocodiesel dari agroindustri-2 ke permintaan-1 sebanyak 0 liter; jumlah cocodiesel dari agroindustri-2 ke permintaan-2 sebanyak 200.000 liter; jumlah persediaan

cocodiesel pada agroindustri-1 sebanyak 50.000 liter; dan jumlah persediaan


(5)

Yuvi Andria. F34103021. Agroindustrial of Cocodiesel Supply Chain Model Optimization with Genetic Algorithms. Supervised by Yandra Arkeman and Hendra Gunawan. 2007.

SUMMARY

Supply chain management is a set of approaches utilized to efficiently integrate supplier, manufacturers, warehouses, and stores, so that merchandise is produced and distributed at the right quantities, to the right locations, at the right time, in order to minimize systemwide costs while satisfying service level requirement. Agroindustrial supply chain model can optimize if the model have a best and efficient network combinations in order to minimize Total Supply Chain Cost (TSCC). The combination of supply chain parameters is a search problem within certain search space to optimize the TSCC. The newest optimization method is Genetic Algorithms, as one of the Artificial Inteligence tool for heuristic searching technique, which is very robust, adaptive, and efficient.

Genetic Algorithms search the best solutions based on the natural system like natural genetic and the process of evolution. The best solution of TSCC in agroindustrial supply chain model can solve with genetic algorithms very efficient and effective. The aim of this research is to : Build the agroindustrial supply chain model based on transportation, inventory, and distribution model; Build a genetic algorithms program for optimize an agroindustrial supply chain model and see the efficiency of the best solution searching with genetic algorithms; Studying and applying genetic algorithms program that have been made for the cocodiesel agroindustrial supply chain.

The implementation of this research is build a genetic algorithms program,

GASCM (Genetic Algorithms for Supply Chain Management) Ver. 1.0 created with

Borland Delphi 7.0 language compiler based on Simple Genetic Algoritms (SGA) program. There are some development of the functions and procedures in the program: FitFunc function, to calculate TSCC function; InitPop procedure, for initialization of population with integer representation and constrained; Select

function, to select the chromosome withtournament selection; andStatistic procedure have been developed into chart visualization.

The result of this research showGASCM Ver. 1.0 program is very efficient to find the best or minimum solutions of TSCC from agroindustrial supply chain model. Case-1 is a numerical example for 2x2x2 agroindustrial supply chain, the minimum solution can reach at generation-270 with TSCC value is 1525. Genetic algorithms only explore 3,5 % of total search space to get the best solution at case-1. Efficiency of genetic algorithms increase if the search space is more bigger. It show by case-2 (numerical example) for 4x3x4 agroindustrial supply chain and case-3 for case study agroindustrial of cocodiesel supply chain scenario.

Agroindustrial of cocodiesel supply chain is an agroindustrial supply chain 2x2x2 that locate at West and Middle Kalimantan province. Scenario based on secondary data and real information about agroindustrial of cocodiesel. The first coconut supplier (Supplier-1) is locate in Sambas (West Kalimantan), and the second coconut supplier (Supplier-2) is locate in Pontianak (West Kalimantan). The first agroindustry of cocodiesel locate in Sintang (West Kalimantan) and the second agroindustry of cocodiesel locate in Rantaupulut (Middle Kalimantan). The first demand of cocodiesel is for fisherman in the coastal seaboard of Karimata strait


(6)

(Kalimantan Barat), and the second demand is for an industrials and SPBU that locate in area of Middle Kalimantan.

The result of genetic algorithms optimization for agroindustrial of cocodiesel supply chain scenario is : Amout of coconut supply from supplier-1 to agroindustry-1 is 408.875 item, amount of coconut supply from supplier-1 to agroindustry-2 is 0 item, amount of coconut supply from supplier-2 to agroindustry-1 is 341.125 item, amount of coconut supply from supplier-2 to agroindustry-2 is 1.000.000 item, amount of cocodiesel from agroindustry-1 to demand-1 is 100.000 liter, amount of cocodiesel from agroindustry-1 to demand-2 is 0 liter, amount of cocodiesel from agroindustri-2 to demand-1 is 0 liter, amount of cocodiesel from agroindustry-2 to demand-2 is 200.000 liter, amount of cocodiesel inventory at agroindustry-1 is 50.000 liter, and amount of cocodiesel inventory at agroindustry-2 is 0 liter.


(7)

KATA PENGANTAR

Alhamdulillahi rabbil ’alamin, puji dan syukur penulis panjatkan kepada Allah SWT, karena dengan rahmat dan karunia-Nya penulis dapat menyelesaikan skripsi yang berjudul ” Optimasi Model Rantai Pasokan Agroindustri Cocodiesel Dengan Menggunakan Algoritma Genetika” dengan baik. Skripsi ini disusun berdasarkan kegiatan penelitian yang dilakukan oleh penulis pada bulan Maret 2007 hingga bulan Juli 2007. Pada kesempatan ini penulis menyampaikan terima kasih kepada berbagai pihak yang telah membantu dalam penyelesaian skripsi ini : 1. Dr. Ir. Yandra Arkeman, M.Eng., sebagai pembimbing I yang telah

memberikan pengarahan, bimbingan, dan saran dalam penyelesaian skripsi. 2. Hendra Gunawan, S.TP, sebagai pembimbing II yang telah memberikan

pengarahan, informasi, dan bimbingan.

3. Dr. Ir. Dwi Setyaningsih M.Si, sebagai dosen penguji pada ujian skripsi, dan atas bantuan infomasi serta masukan data sekunder agroindustri cocodiesel. 4. Papa, Mama, serta adikku yang telah memberikan dukungan, semangat, kasih

sayang, dan doa yang tercurah.

5. Anggy, Ayip, Desminda, Devi, Vie-vie, Mona, Imam, Sylvilia, Adam, Renata, Syahrian, Detri, dan teman-teman TIN 40 atas dukungannya sehingga penulis tetap semangat dalam penulisan skripsi ini.

6. Semua pihak yang telah memberikan bantuan selama penulis melakukan kegiatan penelitian, hingga skripsi ini selesai dengan baik.

Semoga skripsi ini dapat bermanfaat bagi semua pihak.

Bogor, Juli 2007


(8)

RIWAYAT HIDUP

Penulis dilahirkan di kota Bogor pada tanggal 14 Desember 1985 dari pasangan Ahmad Badjuri dan Suyanti. Penulis adalah anak pertama dari dua bersaudara. Pada tahun 1990 penulis masuk Taman Kanak-Kanak Al Khairiyah Bogor dan lulus tahun 1991. Penulis melanjutkan sekolah di SDN Pabrik Gas 2 Bogor dan lulus pada tahun 1997. Tahun 1997, penulis melanjutkan sekolah ke SLTPN 5 Bogor dan lulus tahun 2000. Pada tahun yang sama penulis melanjutkan pendidikan ke SMUN 5 Bogor dan lulus pada tahun 2003.

Pada tahun 2003, penulis lulus seleksi masuk IPB melalui jalur Undangan Seleksi Masuk IPB (USMI) dan diterima di departemen Teknologi Industri Pertanian, Fakultas Teknologi Pertanian. Selama perkuliahan penulis sempat menjadi asisten mata kuliah Penerapan Komputer tahun ajaran 2006/2007 dan asisten Sistem Informasi Manajemen pada tahun ajaran yang sama. Penulis melaksanakan Praktek Lapang selama dua bulan (3 Juli – 25 Agustus 2006) di BPPT-Sapi Perah Cikole, Lembang, Bandung. Penulis mendapatkan beasiswa Peningkatan Prestasi Akademik dari tahun ajaran 2004 hingga 2007.


(9)

DAFTAR ISI

halaman

KATA PENGANTAR... i

RIWAYAT HIDUP ... ii

DAFTAR ISI ... iii

DAFTAR TABEL ... vi

DAFTAR GAMBAR... vii

DAFTAR LAMPIRAN ... ix

I. PENDAHULUAN ... 1

A. LATAR BELAKANG ... 1

B. TUJUAN ... 3

C. RUANG LINGKUP ... 3

II. TINJAUAN PUSTAKA ... 4

A.SUPPLY CHAIN MANAGEMENT... 4

B. TEKNIK OPTIMASI ... 10

C.LINEAR PROGRAMMING DAN INTEGER LINEAR PROGRAMMING .... 10

D. MODEL TRANSPORTASI ... 13

E. ALGORITMA GENETIKA ... 15

1. Prosedur Umum Algoritma Genetika ... 16

2. Representasi Kromosom ... 17

3. FungsiFitness ... 18

4. Operator-Operator Algoritma Genetik ... 18

5. Perbandingan Algoritma Genetik dengan Teknik Optimasi Konvensional ... 24

F. KELAPA DANCOCODIESEL ... 25

G. PENELITIAN TERDAHULU ... 29

III. METODOLOGI PENELITIAN ... 31

A. KERANGKA PEMIKIRAN ... 31


(10)

IV. PEMBAHASAN ... 38

A. MODEL RANTAI PASOKAN AGROINDUSTRI ... 38

1. Asumsi ... 38

2. Identifikasi Variabel Keputusan ... 39

3. Identifikasi Kendala-Kendala ... 40

4. Perumusan Fungsi Tujuan ... 41

5. Penyusunan Model ... 42

B. REPRESENTASI KROMOSOM ... 43

C. FUNGSI FITNESS ... 44

D. SELEKSI (SELECTION) ... 44

E. PENYILANGAN (CROSSOVER) ... 45

F. MUTASI (MUTATION) ... 45

G. IMPLEMENTASI PROGRAM (GASCM VER. 1.0) ... 45

H. STUDI KASUS ... 51

1. Kasus 1 :Agroindustrial SCM 2x2x2 ... 51

a. Parameter-parameter Algoritma Genetika ... 53

b. Inisialisasi Populasi Awal ... 53

c. Evaluasi dan Seleksi Kromosom ... 54

d. Penyilangan dan Mutasi ... 55

e. Hasil Running ProgamGASCM Ver. 1.0 ... 59

f. Efisiensi Algoritma Genetika ... 61

2. Kasus 2 :Agroindustrial SCM 4x3x4 ... 63

a. Parameter-parameter Algoritma Genetika ... 66

b. Inisialisasi Populasi Awal ... 66

c. Evaluasi dan Seleksi Kromosom ... 67

d. Penyilangan dan Mutasi ... 69

e. Hasil Running ProgamGASCM Ver. 1.0 ... 70

f. Efisiensi Algoritma Genetika ... 72

3. Kasus 3 : Skenario kasus rantai pasokan agroindustricocodiesel... 73

a. Parameter-parameter Algoritma Genetika ... 76

b. Inisialisasi Populasi Awal ... 76


(11)

OPTIMASI MODEL

RANTAI PASOKAN AGROINDUSTRI

COCODIESEL

DENGAN MENGGUNAKAN ALGORITMA GENETIKA

Oleh:

YUVI ANDRIA F34103021

2007

FAKULTAS TEKNOLOGI PERTANIAN INSTITUT PERTANIAN BOGOR


(12)

FAKULTAS TEKNOLOGI PERTANIAN INSTITUT PERTANIAN BOGOR

OPTIMASI MODEL

RANTAI PASOKAN AGROINDUSTRI

COCODIESEL

DENGAN MENGGUNAKAN ALGORITMA GENETIKA

SKRIPSI

Sebagai salah satu syarat untuk memperoleh gelar SARJANA TEKNOLOGI PERTANIAN

Pada Fakultas Teknologi Pertanian Institut Pertanian Bogor

Oleh: YUVI ANDRIA

F34103021

Disetujui, Bogor, Juli 2007

Dr. Ir. Yandra Arkeman, M.Eng Hendra Gunawan, S.TP Pembimbing I Pembimbing II


(13)

Yuvi Andria. F34103021. Optimasi Model Rantai Pasokan AgroindustriCocodiesel

Dengan Menggunakan Algoritma Genetika. Dibawah bimbingan Yandra Arkeman dan Hendra Gunawan. 2007.

RINGKASAN

Manajemen rantai pasokan adalah suatu pendekatan untuk mengintegrasikan secara efisien antara pemasok, perusahaan manufaktur, penggudangan, dan penjualan sehingga produk diproduksi dan didistribusikan pada jumlah, tempat, dan waktu yang tepat, dengan tujuan untuk memenuhi kebutuhan permintaan dan meminimisasi biaya total keseluruhan (cost efficient). Model rantai pasokan agroindustri yang optimal adalah rantai yang memiliki kombinasi paling baik dan efisien sehingga dapat diperoleh TSCC (Total Supply Chain Cost) yang paling minimum. Kombinasi tersebut merupakan masalah pencarian (searching) untuk mengoptimalkan TSCC dari parameter-parameter rantai pasokan dalam suatu ruang pencarian tertentu (search space). Teknik optimasi terbaru yang berasal dari bidang

Artificial Inteligence adalah algoritma genetika (Genetic Algorithms) merupakan salah satu alternatif teknik pencarian (searching technique) heuristik yang bersifat tangguh, adaptif, dan efisien.

Algoritma genetika dapat mencari solusi optimal berdasarkan pada mekanisme sistem natural yaitu genetika dan seleksi alam. Solusi minimum TSCC dari model rantai pasokan agroindustri tersebut dapat dipecahkan dengan menggunakan algoritma genetika dengan lebih efektif dan efisien. Penelitian ini bertujuan untuk : Merancang model rantai pasokan agroindustri dengan berdasarkan model transportasi, inventori, dan distribusi; Merancang bangun program algoritma genetika untuk optimasi model rantai pasokan agroindustri dan melihat efisiensi pencarian solusi optimum yang dilakukan algoritma genetika; Melakukan kajian penerapan program algoritma genetika yeng telah dibuat untuk rantai pasokan agroindustricocodiesel.

Implementasi pada penelitian ini adalah rancang bangun program algoritma genetika untuk optimasi model rantai pasokan agroindustri yaitu program GASCM (Genetic Algorithms for Supply Chain Management) Ver. 1.0 yang dibuat menggunakan bahasa pemrograman Borland Delphi 7.0 dengan acuan program

Simple Genetic Algoritms(SGA). Telah dilakukan pengembangan dari fungsi-fungsi maupun prosedur-prosedur dalam program antara lain Fungsi FitFunc untuk menghitung fungsi TSCC; Prosedur InitPop yaitu inisialisasi populasi dengan representasi integer dan memenuhi suatu kendala-kendala/constrained; FungsiSelect

adalah fungsi untuk menseleksi kromosom dengan teknik seleksi turnamen (tournament selection); dan Prosedur Statistic dikembangkan menjadi dalam bentuk grafik.

Hasil penelitian ini menunjukkan bahwa program GASCM Ver. 1.0 sangat efisien dalam menemukan solusi TSCC minimum dari model rantai pasokan agroindustri. Pada kasus 1 (numerical example) untuk rantai pasokan agroindustri 2x2x2, solusi minimum dapat tercapai pada generasi ke-270 dengan nilai TSCC 1525. Algoritma genetika hanya mengeksplorasi 3,5 % total ruang pencarian (total search space) untuk mendapatkan solusi optimal pada kasus 1. Efisiensi algoritma genetika tersebut akan jauh meningkat apabila ruang pencarian semakin besar. Hal ini


(14)

ditunjukan oleh kasus 2 (numerical example) untuk rantai pasokan agroindustri 4x3x4 dan kasus 3 untuk studi kasus skenario rantai pasokan agroindustricocodiesel.

Rantai pasokan agroindustri cocodiesel merupakan skenario rantai pasokan agroindustri 2x2x2 yang berada pada Propinsi Kalimantan Barat dan Tengah. Skenario berdasarkan data-data sekunder dan informasi-informasi riil tentang agroindustri cocodiesel Pemasok kelapa pertama (Supplier-1) berada di daerah kabupaten Sambas (Kalimantan Barat) sedangkan untuk pemasok kelapa kedua (Supplier-2) berada di daerah kabupaten Pontianak (Kalimantan Barat). Untuk agroindustricocodiesel ke-1 berada pada wilayah Sintang (Kalimantan Barat) dan agroindustricocodiesel ke-2 berada di wilayah Rantaupulut (Kalimantan Tengah). Permintaan untuk cocodiesel ke-1 bagi para nelayan berada di daerah pesisir pantai selat Karimata (Kalimantan Barat) dan kebutuhan permintaan cocodiesel

ke-2 untuk industri-industri maupun SPBU berada di kawasan Kalimantan Tengah.

Hasil optimasi algoritma genetika terhadap skenario rantai pasokan agroindustricocodiesel tersebut adalah sebagai berikut : Jumlah pasokan kelapa dari pemasok-1 ke agroindustri-1 sebanyak 408.875 butir; jumlah pasokan kelapa dari pemasok-1 ke agroindustri-2 sebanyak 0 butir; jumlah pasokan kelapa dari pemasok-2 ke agroindustri-1 sebanyak 341.125 butir; jumlah pasokan kelapa dari pemasok-2 ke agroindustri-2 sebanyak 1.000.000 butir; jumlah cocodiesel dari agroindustri-1 ke permintaan-1 sebanyak 100.000 liter; jumlah cocodiesel dari agroindustri-1 ke permintaan-2 sebanyak 0 liter; jumlah cocodiesel dari agroindustri-2 ke permintaan-1 sebanyak 0 liter; jumlah cocodiesel dari agroindustri-2 ke permintaan-2 sebanyak 200.000 liter; jumlah persediaan

cocodiesel pada agroindustri-1 sebanyak 50.000 liter; dan jumlah persediaan


(15)

Yuvi Andria. F34103021. Agroindustrial of Cocodiesel Supply Chain Model Optimization with Genetic Algorithms. Supervised by Yandra Arkeman and Hendra Gunawan. 2007.

SUMMARY

Supply chain management is a set of approaches utilized to efficiently integrate supplier, manufacturers, warehouses, and stores, so that merchandise is produced and distributed at the right quantities, to the right locations, at the right time, in order to minimize systemwide costs while satisfying service level requirement. Agroindustrial supply chain model can optimize if the model have a best and efficient network combinations in order to minimize Total Supply Chain Cost (TSCC). The combination of supply chain parameters is a search problem within certain search space to optimize the TSCC. The newest optimization method is Genetic Algorithms, as one of the Artificial Inteligence tool for heuristic searching technique, which is very robust, adaptive, and efficient.

Genetic Algorithms search the best solutions based on the natural system like natural genetic and the process of evolution. The best solution of TSCC in agroindustrial supply chain model can solve with genetic algorithms very efficient and effective. The aim of this research is to : Build the agroindustrial supply chain model based on transportation, inventory, and distribution model; Build a genetic algorithms program for optimize an agroindustrial supply chain model and see the efficiency of the best solution searching with genetic algorithms; Studying and applying genetic algorithms program that have been made for the cocodiesel agroindustrial supply chain.

The implementation of this research is build a genetic algorithms program,

GASCM (Genetic Algorithms for Supply Chain Management) Ver. 1.0 created with

Borland Delphi 7.0 language compiler based on Simple Genetic Algoritms (SGA) program. There are some development of the functions and procedures in the program: FitFunc function, to calculate TSCC function; InitPop procedure, for initialization of population with integer representation and constrained; Select

function, to select the chromosome withtournament selection; andStatistic procedure have been developed into chart visualization.

The result of this research showGASCM Ver. 1.0 program is very efficient to find the best or minimum solutions of TSCC from agroindustrial supply chain model. Case-1 is a numerical example for 2x2x2 agroindustrial supply chain, the minimum solution can reach at generation-270 with TSCC value is 1525. Genetic algorithms only explore 3,5 % of total search space to get the best solution at case-1. Efficiency of genetic algorithms increase if the search space is more bigger. It show by case-2 (numerical example) for 4x3x4 agroindustrial supply chain and case-3 for case study agroindustrial of cocodiesel supply chain scenario.

Agroindustrial of cocodiesel supply chain is an agroindustrial supply chain 2x2x2 that locate at West and Middle Kalimantan province. Scenario based on secondary data and real information about agroindustrial of cocodiesel. The first coconut supplier (Supplier-1) is locate in Sambas (West Kalimantan), and the second coconut supplier (Supplier-2) is locate in Pontianak (West Kalimantan). The first agroindustry of cocodiesel locate in Sintang (West Kalimantan) and the second agroindustry of cocodiesel locate in Rantaupulut (Middle Kalimantan). The first demand of cocodiesel is for fisherman in the coastal seaboard of Karimata strait


(16)

(Kalimantan Barat), and the second demand is for an industrials and SPBU that locate in area of Middle Kalimantan.

The result of genetic algorithms optimization for agroindustrial of cocodiesel supply chain scenario is : Amout of coconut supply from supplier-1 to agroindustry-1 is 408.875 item, amount of coconut supply from supplier-1 to agroindustry-2 is 0 item, amount of coconut supply from supplier-2 to agroindustry-1 is 341.125 item, amount of coconut supply from supplier-2 to agroindustry-2 is 1.000.000 item, amount of cocodiesel from agroindustry-1 to demand-1 is 100.000 liter, amount of cocodiesel from agroindustry-1 to demand-2 is 0 liter, amount of cocodiesel from agroindustri-2 to demand-1 is 0 liter, amount of cocodiesel from agroindustry-2 to demand-2 is 200.000 liter, amount of cocodiesel inventory at agroindustry-1 is 50.000 liter, and amount of cocodiesel inventory at agroindustry-2 is 0 liter.


(17)

KATA PENGANTAR

Alhamdulillahi rabbil ’alamin, puji dan syukur penulis panjatkan kepada Allah SWT, karena dengan rahmat dan karunia-Nya penulis dapat menyelesaikan skripsi yang berjudul ” Optimasi Model Rantai Pasokan Agroindustri Cocodiesel Dengan Menggunakan Algoritma Genetika” dengan baik. Skripsi ini disusun berdasarkan kegiatan penelitian yang dilakukan oleh penulis pada bulan Maret 2007 hingga bulan Juli 2007. Pada kesempatan ini penulis menyampaikan terima kasih kepada berbagai pihak yang telah membantu dalam penyelesaian skripsi ini : 1. Dr. Ir. Yandra Arkeman, M.Eng., sebagai pembimbing I yang telah

memberikan pengarahan, bimbingan, dan saran dalam penyelesaian skripsi. 2. Hendra Gunawan, S.TP, sebagai pembimbing II yang telah memberikan

pengarahan, informasi, dan bimbingan.

3. Dr. Ir. Dwi Setyaningsih M.Si, sebagai dosen penguji pada ujian skripsi, dan atas bantuan infomasi serta masukan data sekunder agroindustri cocodiesel. 4. Papa, Mama, serta adikku yang telah memberikan dukungan, semangat, kasih

sayang, dan doa yang tercurah.

5. Anggy, Ayip, Desminda, Devi, Vie-vie, Mona, Imam, Sylvilia, Adam, Renata, Syahrian, Detri, dan teman-teman TIN 40 atas dukungannya sehingga penulis tetap semangat dalam penulisan skripsi ini.

6. Semua pihak yang telah memberikan bantuan selama penulis melakukan kegiatan penelitian, hingga skripsi ini selesai dengan baik.

Semoga skripsi ini dapat bermanfaat bagi semua pihak.

Bogor, Juli 2007


(18)

RIWAYAT HIDUP

Penulis dilahirkan di kota Bogor pada tanggal 14 Desember 1985 dari pasangan Ahmad Badjuri dan Suyanti. Penulis adalah anak pertama dari dua bersaudara. Pada tahun 1990 penulis masuk Taman Kanak-Kanak Al Khairiyah Bogor dan lulus tahun 1991. Penulis melanjutkan sekolah di SDN Pabrik Gas 2 Bogor dan lulus pada tahun 1997. Tahun 1997, penulis melanjutkan sekolah ke SLTPN 5 Bogor dan lulus tahun 2000. Pada tahun yang sama penulis melanjutkan pendidikan ke SMUN 5 Bogor dan lulus pada tahun 2003.

Pada tahun 2003, penulis lulus seleksi masuk IPB melalui jalur Undangan Seleksi Masuk IPB (USMI) dan diterima di departemen Teknologi Industri Pertanian, Fakultas Teknologi Pertanian. Selama perkuliahan penulis sempat menjadi asisten mata kuliah Penerapan Komputer tahun ajaran 2006/2007 dan asisten Sistem Informasi Manajemen pada tahun ajaran yang sama. Penulis melaksanakan Praktek Lapang selama dua bulan (3 Juli – 25 Agustus 2006) di BPPT-Sapi Perah Cikole, Lembang, Bandung. Penulis mendapatkan beasiswa Peningkatan Prestasi Akademik dari tahun ajaran 2004 hingga 2007.


(19)

DAFTAR ISI

halaman

KATA PENGANTAR... i

RIWAYAT HIDUP ... ii

DAFTAR ISI ... iii

DAFTAR TABEL ... vi

DAFTAR GAMBAR... vii

DAFTAR LAMPIRAN ... ix

I. PENDAHULUAN ... 1

A. LATAR BELAKANG ... 1

B. TUJUAN ... 3

C. RUANG LINGKUP ... 3

II. TINJAUAN PUSTAKA ... 4

A.SUPPLY CHAIN MANAGEMENT... 4

B. TEKNIK OPTIMASI ... 10

C.LINEAR PROGRAMMING DAN INTEGER LINEAR PROGRAMMING .... 10

D. MODEL TRANSPORTASI ... 13

E. ALGORITMA GENETIKA ... 15

1. Prosedur Umum Algoritma Genetika ... 16

2. Representasi Kromosom ... 17

3. FungsiFitness ... 18

4. Operator-Operator Algoritma Genetik ... 18

5. Perbandingan Algoritma Genetik dengan Teknik Optimasi Konvensional ... 24

F. KELAPA DANCOCODIESEL ... 25

G. PENELITIAN TERDAHULU ... 29

III. METODOLOGI PENELITIAN ... 31

A. KERANGKA PEMIKIRAN ... 31


(20)

IV. PEMBAHASAN ... 38

A. MODEL RANTAI PASOKAN AGROINDUSTRI ... 38

1. Asumsi ... 38

2. Identifikasi Variabel Keputusan ... 39

3. Identifikasi Kendala-Kendala ... 40

4. Perumusan Fungsi Tujuan ... 41

5. Penyusunan Model ... 42

B. REPRESENTASI KROMOSOM ... 43

C. FUNGSI FITNESS ... 44

D. SELEKSI (SELECTION) ... 44

E. PENYILANGAN (CROSSOVER) ... 45

F. MUTASI (MUTATION) ... 45

G. IMPLEMENTASI PROGRAM (GASCM VER. 1.0) ... 45

H. STUDI KASUS ... 51

1. Kasus 1 :Agroindustrial SCM 2x2x2 ... 51

a. Parameter-parameter Algoritma Genetika ... 53

b. Inisialisasi Populasi Awal ... 53

c. Evaluasi dan Seleksi Kromosom ... 54

d. Penyilangan dan Mutasi ... 55

e. Hasil Running ProgamGASCM Ver. 1.0 ... 59

f. Efisiensi Algoritma Genetika ... 61

2. Kasus 2 :Agroindustrial SCM 4x3x4 ... 63

a. Parameter-parameter Algoritma Genetika ... 66

b. Inisialisasi Populasi Awal ... 66

c. Evaluasi dan Seleksi Kromosom ... 67

d. Penyilangan dan Mutasi ... 69

e. Hasil Running ProgamGASCM Ver. 1.0 ... 70

f. Efisiensi Algoritma Genetika ... 72

3. Kasus 3 : Skenario kasus rantai pasokan agroindustricocodiesel... 73

a. Parameter-parameter Algoritma Genetika ... 76

b. Inisialisasi Populasi Awal ... 76


(21)

d. Penyilangan dan Mutasi ... 78

e. Hasil Running ProgamGASCM Ver. 1.0 ... 79

f. Efisiensi Algoritma Genetika ... 84

V. KESIMPULAN DAN SARAN ... 85

A. KESIMPULAN ... 85

B. SARAN ... 86

DAFTAR PUSTAKA ... 87


(22)

DAFTAR TABEL

halaman Tabel 1. Standar mutu minyak kelapa ... 25 Tabel 2. Daftar variabel keputusan dalam rantai pasokan agroindustri ... 40 Tabel 3. Daftar variabel-variabel biaya dan kendala pada kasus 1 ... 51 Tabel 4. Daftar variabel-variabel biaya dan kendala pada kasus 2 ... 63 Tabel 5. Daftar variabel-variabel biaya dan kendala pada kasus 3 ... 74


(23)

DAFTAR GAMBAR

halaman Gambar 1. ModelSupply Chain Management ... 6 Gambar 2. Struktursupply chain yang disederhanakan ... 7 Gambar 3. Representasi kromosom string biner (Syarif dan Mitsuo, 2003) .. 17 Gambar 4. Representasi kromosom string integer ... 17 Gambar 5.Permutation RepresentationuntukTravelling Salesman ... 18 Gambar 6. Representasi kromosom bentuk matrik untuk masalah transportasi

(David, 1996) ... 18 Gambar 7. Diagram alir algoritma genetika (Wang, 1999) ... 19 Gambar 8. Penyilangan satu titik (one point crossover) ... 21 Gambar 9. Ilustrasi Metode PMX (Gen dan Cheng, 1997) ... 22 Gambar 10. Ilustrasi Operator Mutasi ... 23 Gambar 11. Pohon kelapa ... 25 Gambar 12. Penampang melintang kelapa ... 25 Gambar 13. Reaksi transesterifikasicocodiesel (Hamilton, 2004) ... 27 Gambar 14. Diagram alir pengolahan biodiesel dari minyak kelapa ... 28 Gambar 15. Diagram alir metode ilmiah (Taylor, 2002) ... 33 Gambar 16. Diagram alir penelitian ... 34 Gambar 17. Perancangan Design ModelSupply Chain Strategis/Taktis ... 35 Gambar 18. Model jaringan rantai pasokan agroindustri ... 39 Gambar 19. Representasi kromosom integer dari variabel-variabel keputusan 43 Gambar 20. TampilanUser InterfaceGASCM Ver. 1.0 ... 47 Gambar 21. Struktur program utama GASCM Ver. 1.0 ... 47 Gambar 22. Jaringan rantai pasokan agroindustri 2x2x2 ... 51 Gambar 23. Representasi kromosom rantai pasokan agroindustri 2x2x2 ... 53 Gambar 24. Populasi awal kasus 1 ... 54 Gambar 25. Penyilangan kromosom(3) dan kromsom(11) generasi ke-0 untuk

kasus 1 ... 56 Gambar 26. Populasi baru Pop(1) pada kasus 1 ... 57 Gambar 27. Proses mutasi pada generasi ke-2 untuk kasus 1 ... 58


(24)

Gambar 28. Variabel ilegal akibat mutasi pada kasus 1 ... 58 Gambar 29. Grafik nilai fitness rata-rata dan fitness minimum tiap

generasi pada kasus 1 ... 59 Gambar 30. Grafik frekuensi penyilangan dan mutasi tiap generasi

pada kasus 1 ... 60 Gambar 31. Solusi optimal rantai pasokan agroindustri 2x2x2 ... 61 Gambar 32. Jaringan rantai pasokan agroindustri 4x3x4 ... 63 Gambar 33. Representasi kromosom rantai pasokan agroindustri 4x3x4 ... 66 Gambar 34. Populasi awal kasus 2 ... 67 Gambar 35. Populasi Pop(1) pada kasus 2 ... 69 Gambar 36. Grafik nilai fitness rata-rata dan fitness minimum tiap

generasi pada kasus 2 ... 70 Gambar 37. Grafik frekuensi penyilangan dan mutasi tiap generasi

pada kasus 2 ... 70 Gambar 38. Solusi optimal rantai pasokan agroindustri 4x3x4 ... 71 Gambar 39. Skenario jaringan rantai pasokan agroindustricocodiesel... 73 Gambar 40. Skenario jaringan rantai pasokan agroindustricocodiesel

(perbesaran gambar) ... 74 Gambar 41. Representasi kromosom rantai pasokan agroindustricocodiesel. 76 Gambar 42. Populasi awal Pop(0) kasus 3 ... 77 Gambar 43. Hasil penyilangan induk populasi awal Pop(0)

pada kasus 3 ... 79 Gambar 44. Hasil mutasi generasi ke-2 pada kasus 3 ... 79 Gambar 45. Grafik nilai fitness rata-rata dan fitness minimum tiap

generasi pada kasus 3 ... 81 Gambar 46. Grafik nilai fitness minimum generasi ke-7249

hingga generasi ke-7429 pada kasus 3 ... 82 Gambar 47. Grafik frekuensi penyilangan dan mutasi tiap generasi


(25)

DAFTAR LAMPIRAN

halaman Lampiran 1. Skenario Rantai Pasokan AgroindustriCocodiesel... 90 Lampiran 2. Laporan awal hasil running GASCM Ver. 1.0 untuk kasus 1 .... 96 Lampiran 3. Laporan detail hasil running GASCM Ver. 1.0 untuk kasus 1.... 97 Lampiran 4. Laporan awal hasil running GASCM Ver. 1.0 untuk kasus 2 .... 104 Lampiran 5. Laporan detail hasil running GASCM Ver. 1.0 untuk kasus 2.... 105 Lampiran 6. Laporan awal hasil running GASCM Ver. 1.0 untuk kasus 3 .... 113 Lampiran 7. Laporan detail hasil running GASCM Ver. 1.0 untuk kasus 3.... 114


(26)

I. PENDAHULUAN

A. LATAR BELAKANG

Istilah manajemen rantai pasokan berasal dari istilah manajemen logistik. Manajemen logistik sudah dikenal sejak tahun 1781. Adapun definisi logistik ini adalah proses yang secara strategis mengatur pengadaan, pergerakan, penyimpanan material, komponen, persediaan barang jadi (dan aliran informasi yang berhubungan) dalam organisasi serta saluran pemasarannya sedemikian rupa sehingga keuntungan sekarang dan masa yang akan datang dapat dimaksimalkan dengan memenuhi permintaan yang memiliki biaya operasional terendah (cost effective).

Dengan berkembangnya ilmu pengetahuan dan teknologi, supply chain management (SCM) atau manajemen rantai pasokan telah menjadi bagian yang sangat penting bagi perusahaan untuk menghadapi pasar global yang semakin kompetitif. Istilah rantai pasokan (supply chain) menunjukkan suatu jaringan yang kompleks dari pilihan suatu fasilitas dan distribusi yang menjalankan fungsi-fungsi dari pengadaan material, tranformasi material menjadi barang setengah jadi dan barang jadi, dan distribusi barang jadi kepada pelanggan. Dibutuhkan suatu model rantai pasokan untuk mengoptimalkan rantai pasokan tersebut. Model rantai pasokan digunakan untuk meminimisasi total biaya rantai pasokan keseluruhan atauTotal Supply Chain Cost (TSCC).

Model rantai pasokan yang dibuat dalam penelitian ini adalah model rantai pasokan pada agroindustri. Keputusan bagi permasalahan rantai pasokan yang ada di agroindustri adalah dengan merencanakan, membuat, dan mengatur rantai pasokan dari hulu ke hilir secara efektif dan efisien, yaitu dari mulai pengadaan bahan baku (supplier) hasil pertanian, proses produksi, pengendalian persediaan (inventori), hingga pemasaran (demand).

Pada penelitian ini, model rantai pasokan agroindustri hanya berkaitan dengan masalah transportasi, inventori, dan distribusi aliran bahan baku dan produk dari supplier hingga konsumen yang tujuannya untuk meminimisasi


(27)

biaya TSCC. Dari model tersebut akan dapat diperoleh suatu pengaturan distribusi dari sumber-sumber yang menyediakan bahan baku ataupun produk ke tempat-tempat yang membutuhkan, serta penanganan jumlah inventori yang harus disimpan pada agroindustri. Alokasi harus diatur sedemikian rupa, karena terdapat perbedaan biaya-biaya alokasi dari satu sumber ke tempat-tempat tujuan berbeda-beda, dan juga dari beberapa sumber ke suatu tempat-tempat tujuan juga berbeda-beda, serta pertimbangan biaya penyimpanan inventori di agroindustri.

Model dari rantai pasokan agroindustri tersebut sangat rumit dan kompleks karena merupakan suatu kombinasi dari parameter-parameter rantai pasokan. Untuk itu dibutuhkan suatu teknik optimasi yang baik untuk mengefisienkan model dan salah satu teknik optimasi terbaru adalah algoritma genetika (Genetic Algorithms). Algoritma genetika merupakan salah satu teknik pencarian (searching technique) yang bersifat tangguh, adaptif, dan efisien yang berasal dari bidang ilmu Artificial Inteligence. Algoritma genetika dapat mencari solusi optimal berdasarkan pada mekanisme sistem natural yaitu perubahan struktur genetika dan seleksi alam. Algoritma genetik sangat cocok untuk memecahkan masalah optimasi yang kompleks. Solusi optimal TSCC dari model rantai pasokan agroindustri tersebut dapat dipecahkan menggunakan algoritma genetika dengan lebih efektif dan efisien.

Studi kasus model rantai pasokan agroindustri yang akan dianalisis dalam penelitian ini adalah model rantai pasokan agroindustri cocodiesel.

Cocodiesel merupakan bahan bakar alternatif pengganti solar yang dibuat dari bahan baku kelapa (minyak kelapa). Cocodiesel memiliki emisi rendah, titik nyala yang tinggi, dan merupakan senyawa mono alkil ester dari trigliserida ester yang cukup baik. Bahan baku cocodiesel tersedia melimpah karena kelapa tersebar luas di seluruh pulau di Indonesia, terutama di daerah dekat pantai. Model rantai pasokan cocodiesel ini akan dikaji, dianalisis, dan dirancang untuk mendapatkan solusi TSCC yang optimal dengan menggunakan algoritma genetika.


(28)

B. TUJUAN PENELITIAN

Penelitian ini dilakukan dengan tujuan sebagai berikut :

1. Merancang model rantai pasokan agroindustri dengan berdasarkan model transportasi, inventori, dan distribusi.

2. Merancang bangun program algoritma genetika untuk optimasi model rantai pasokan agroindustri dan melihat efisiensi pencarian solusi optimum yang dilakukan algoritma genetika.

3. Melakukan kajian penerapan program algoritma genetika yeng telah dibuat untuk rantai pasokan agroindustricocodiesel.

C. RUANG LINGKUP

Ruang lingkup penelitian ini dibatasi pada pemodelan rantai pasokan agroindustri yang merupakan integrasi model jaringan transportasi, inventori dan distribusi yang dimulai dari hulu ke hilir (supplier, agroindustri, dan konsumen), serta merancang program algoritma genetika untuk optimasi


(29)

II. TINJAUAN PUSTAKA

A. SUPPLY CHAIN MANAGEMENT

Dalam lingkungan manufaktur, perbaikan terhadap produktivitas mengalami pembenahan terus-menerus dan hal itu telah menjadi isu besar bagi setiap orang. Sejak komputer ditemukan dan digunakan secara luas dalam industri perdagangan, Teknologi Informasi telah menyodorkan berbagai macam solusi dalam rangka perbaikan tingkat produktivitas. Sekitar 30 tahun lampau MRP (Material Requirement Planning/Perencanaan Permintaan Barang) hadir di dunia. Inilah awal mulanya komputer menambah sistem perencanaan guna mendukung bidang manufaktur. MRP telah berkembang begitu pesat di seluruh dunia dan pada setiap industri manufaktur sebagaimana komputer berkembang menjadi populer. Penagihan atas barang - yang sebelumnya dilakukan dengan menggunakan kertas, kini semuanya dilakukan secara digital dan ditayangkan dalam komputer sehingga bisa diperhitungkan berapa jumlah barang untuk memenuhi perencanaan produksi atas produk akhir. Setelah penggunaan MRP menjadi populer, metode tersebut mengalami pembenahan secara bertahap dengan perubahan nama seperti MRP II

(Manufactur Resource Planning), CIM (Computer Integrated Manufacturing), dan ERP (Enterprise Resource Planning).Ini semua dilakukan dalam rangka memperbaikicomputing powerdarihardwaredanIT Technology.

Dalam MRP II kapasitas manufaktur dipertimbangkan dalam perencanaan produksi oleh karena itu berbagai ekses yang berkaitan dengan masalah penyediaan produk yang terjadi dibawah MRP dengan suatu perencanaan yang besar dapat dihindari. CIM (Computer Integrated Manufacturing)adalah gagasan yang menggabungkan sistem produksi dengan sistem penjualan. Dengan memadukan sistem penjualan dan operasi melalui pertukaran data harian atau dalam komputer yang tersentralisasi, berbagai perubahan yang terjadi dalam jumlah penjualan dapat terefleksi dalam perencanaan produksi. Hal ini sangat esensial dalam mengatasi fluktuasi pasar. Selanjutnya, ERP(Enterprise Resource Planning)muncul belakangan. ERP adalah kemasan bisnis software yang mengatur seluruh dasar bisnis


(30)

dalam perusahaan manufactur dalam suatu lingkungan yang sama. Area bisnis yang dilingkup oleh ERP adalah: akuntansi keuangan, akuntansi pengendalian, penjualan, manajemen material, pembelian, perencanaan produksi, manajemen sumberdaya manusia, dan sebagainya. Semua aplikasi bisnis dapat dinyatakan dalam sebuah komputer kecil (Unix machine, atau Windows NT Machine)

sama dengan komputer mainframe IBM pada tahun 1980-an. Data antara setiap bagian dalam perusahaan dapat menjadi transparan.

Kegiatan-kegiatan tersebut merupakan kegiatan yang memfokuskan pada satu perusahaan. Namun demikian dapat terjadi masalah apabila perusahaan tersebut berhubungan dengan perusahaan ataupun pemasok bahan baku dalam rangka untuk memenuhi permintaan konsumen. Masalah yang muncul karena adanya penyekatan ketika diterapkan konsep Supply Chain Management. Kegiatan perencanaan produksi, distribusi, transportasi dilihat sebagai aktivitas yang terpisah satu sama lain. Ketika konsumen menjadi semakin kritis, mereka menuntut penyediaan produk secara tepat tempat, tepat waktu. Perusahaan manufaktur yang antisipatif akan hal tersebut akan mendapatkan pelanggan sedangkan yang tidak antisipatif akan kehilangan pelanggan. Supply chain management menjadi satu solusi terbaik untuk memperbaiki tingkat produktivitas antara perusahaan-perusahaan yang berbeda. (Anonim, 2001)

Konsep supply chain merupakan konsep baru dalam melihat persoalan logistik. Konsep lama melihat logistik lebih sebagai persoalan intern masing-masing perusahaan, dan pemecahannya dititikberatkan pada pemecahan secara intern di perusahaan masing-masing. Dalam konsep baru ini, masalah logistik dilihat sebagai masalah yang lebih luas yang terbentang sangat panjang sejak dari bahan dasar sampai barang jadi yang dipakai konsumen akhir, yang merupakan mata rantai penyediaan barang.Supply Chain Management (SCM) atau rantai pengadaan adalah suatu sistem tempat organisasi menyalurkan barang produksi dan jasanya kepada para pelanggan. Rantai ini juga merupakan jaringan dari berbagai organisasi yang saling berhubungan yang mempunyai tujuan yang sama, yang sebaik mungkin menyelenggarakan pengadaan atau penyaluran barang tersebut (Djokopranoto, 2002).


(31)

Supply chain management is a set of approaches utilized to efficiently integrate supplier, manufacturers, warehouses, and stores, so that merchandise is produced and distributed at the right quantities, to the right locations, at the right time, in order to minimize systemwide costs while satisfying service level requirement (David Simchi Levi et al., 2000). Berdasarkan definisi tersebut, supply chain dapat dikatakan sebagai logistic network. Ada beberapa pemain utama yang memiliki kepentingan dalam manajemensupply chain, yaitu :

1. Suppliers

2. Manufacturers

3. Distribution

4. Retail Outlets

5. Customer

Hubungan mata rantai dari pelaku-pelaku tersebut dapat berbentuk mata rantai yang terhubung satu dengan yang lain. Model supply chain

dikembangkan oleh A.T. Kerney sejak tahun 1994, seperti pada Gambar 1 (Christopher, 1998).

Gambar 1. ModelSupply Chain Management

Supply chain terfokus pada sisi hulu dan hilir, setelah menelaah adanya perubahan dan perkembangan dalam sifat, intensitas, ketergantungan, dan tuntutan para pelanggan. Sisi hulu meliputi hubungan antar sub suppliers suppliers manufacturer, sedangkan sisi hilir meliputi manufacturer wholesalers retailers customers. Hal ini merupakan manifestasi dari

customer oriented dalam supply chain management pada Gambar 2. (Zabidi, 2001)

Supplier s Supplier

Supplier

Company

Customers

Customers End User


(32)

Gambar 2. Struktursupply chainyang disederhanakan

Prinsip utama dalam Supply Chain Management ialah menciptakan sinkronisasi aktifitas-aktifitas yang beragam dan membutuhkan pendekatan holistik. Prinsip mengintegrasikan aktifitas-aktifitas dalam supply chain ialah untuk menciptakan sebuah resultan yang besar bukan hanya bagi tiap anggota rantai, tetapi bagi keseluruhan sistem (Zabidi, 2001).

Supply chain menunjukkan hubungan yang lengkap dari sejumlah perusahaan atau organisasi yang bersama-sama mengumpulkan atau mencari, mengubah, dan mendistribusikan barang dan jasa kepada pelanggan akhir (Djokopranoto, 2002). Perkembangan sistem yang semakin maju mempengaruhi cara mengoptimalkansupply chainsehingga mencapai manfaat yang sesungguhnya. Terdapat beberapa hal yang berkaitan dengan optimalisasisupply chain, yaitu :

1. Tuntutan pelanggan yang terus berkembang 2. Kekuasanretailer yang semakin besar 3. Kendala dalam pencapaian optimalisasi 4. Kendala dalam membangun kepercayaan 5. Kemitraan sebagai solusi

6. Teknologi informasi sebagai katalisator (Handoko, 2003)

Keunggulan kompetitif dari SCM adalah bagaimana ia mampu

me-manage aliran barang atau produk dalam suatu rantai supply. Dengan kata lain, model SCM mengaplikasikan bagaimana suatu jaringan kegiatan produksi dan distribusi dari suatu perusahaan dapat bekerja bersama-sama untuk memenuhi tuntutan konsumen. Tujuan utama dari SCM adalah: pernyerahan/pengiriman produk secara tepat waktu demi memuaskan konsumen, mengurangi biaya, meningkatkan segala hasil dari seluruh supply

Manufaktur r

Distribution Center

Wholesaler Retailer

Supplier End

Customer

Hulu/upstream Hilir/downstream

Aliran produk Aliran biaya Aliran informasi


(33)

chain (bukan hanya satu perusahaan), mengurangi waktu, memusatkan kegiatan perencanaan dan distribusi. (Anonim, 2001)

Ada banyak paket software dari SCM yang sesuai dengan kondisi pasar. Perusahaan yang telah menerapkan SCM sangat sukses dalam memperbaiki tingkat produktivitasnya, penjualan, distribusi, minimisasi biaya dan tentunya meningkatkan keuntungan secara dramatis. Sistem SCM memiliki kemampuan sebagai berikut :

1. Aliran informasi bergerak sangat cepat dan akurat antara elemen jaringan

supply chain seperti: Pabrik, Suppliers, Pusat distribusi, Konsumen, dan sebagainya).

2. Informasi bergerak sangat cepat untuk menanggapi perpindahan produk. 3. Setiap elemen dapat mengatur dirinya

4. Terjadi integrasi dalam proses permintaan dan penyelesaian produk Peralatan fungsional yang dimiliki sistem SCM adalah :

1. Demand management/forecasting

Perangkat peralatan dengan menggunakan teknik-teknik peramalan secara statistik. Perangkat ini dimaksudkan untuk mendapatkan hasil peramalan yang lebih akurat.

2. Advanced planning and scheduling

Suatu peralatan dalam rangka menciptakan taktik perencanaan, jangka menengah dan panjang berikut keputusan-keputusan menyangkut sumber yang harus diambil dalam rangka melengkapi jaringansupply. 3. Transportation management

Suatu fungsi yang berkaitan dengan proses pendisitribusian produk dalamsupply chain.

4. Distribution and deployment

Suatu alat perencanaan yang menyeimbangkan dan mengoptimalkan jaringan distribusi pada waktu yang diperlukan. Dalam hal ini, Vendor Managed Invetory dijadikan pertimbangan dalam rangka optimasi.

5. Production planning

Perencanaan produksi dan jadwal penjualan menggunakan taraf yang dinamis dan teknik yang optimal.


(34)

6. Available to-promise

Tanggapan yang cepat dengan mempertimbangkan alokasi, produksi dan kapasitas transportasi serta biaya dalam keseluruhan rantai

supply.

7. Supply chain modeler

Perangkat dalam bentuk model yang dapat digunakan secara mudah guna mengarahkan serta mengontrol rantai supply. Melalui model ini, mekanisme kerja dari konsepsupply chaindapat diamati.

8. Optimizer

The optimizeribarat jantung dari sistem supply chain management. Dalamnya terkandung: linear & integer programming, non-linear programming, heuristics and genetic algorithms. Genetic algorithms atau algoritma genetika adalah suatu computing technology yang mampu mencari serta menghasilkan solusi terbaik atas jutaan kemungkinan kombinasi atas setiap parameter yang digunakan.


(35)

B. TEKNIK OPTIMASI

Optimasi adalah suatu pendekatan normatif untuk mengidentifikasikan penyelesaian terbaik dalam pengambilan keputusan dari suatu permasalahan. Penyelesaian permasalahan dalam teknik optimasi diarahkan untuk mendapatkan titik maksimum atau titik minimimum dari fungsi yang dioptimumkan. Tujuan dari optimasi adalah untuk meminimumkan usaha yang diperlukan atau biaya operasional dan memaksimumkan hasil yang diinginkan. Jika usaha yang diperlukan atau hasil yang diharapkan dapat dinyatakan sebagai fungsi dari peubah keputusan, maka optimasi dapat didefinisikan sebagai proses pencapaian kondisi maksimum dan minimum dari fungsi tersebut (Maarif, 1989).

Teknik optimasi dapat digunakan untuk fungsi yang berkendala dan fungsi tidak berkendala. Penyelesaian permasalahan dapat berbentuk persamaan maupun pertidaksamaan. Unsur penting dalam masalah optimasi adalah fungsi tujuan, yang sangat bergantung pada sejumlah peubah masukan. Peubah-peubah ini dapat tidak saling bergantung atau saling bergantung melalui satu atau lebih kendala (Bronson, 1982).

Fungsi tujuan secara umum merupakan langkah minimisasi biaya atau penggunaan bahan baku, maksimisasi hasil atau pemanfaatan bahan-bahan produksi atau proses, dan sebagainya. Penentuan fungsi tujuan dikaitkan dengan permasalahan yang dihadapi (Maarif, 1989).

Cleland dan Kacaogln (1980), menjelaskan bahwa penyelesaian masalah optimasi dengan program matematika dapat dilakukan melalui program linier, program tak linier, program integer, dan program dinamik.

C. LINEAR PROGRAMMING DAN INTEGER LINEAR PROGRAMMING

Linear programming atau program linier adalah suatu metode pemecahan masalah dalam suatu riset operasi yang digunakan untuk memecahkan suatu masalah penentuan alokasi yang sedemikian rupa dari sumber yang terbatas yang sama-sama dibutuhkan oleh beberapa macam kepentingan yang saling berhubungan untuk suatu tujuan, sehingga tujuan tersebut tercapai secara optimal (Taha, 1992). Pengertian optimal tidak lain


(36)

adalah maksimasi atau minimasi fungsi tujuan sesuai dengan persyaratan yang dikehendaki fungsi kendala. Contoh persoalan maksimasi antara lain maksimasi keuntungan, hasil produksi, jam kerja dan lain sebagainya. Persoalan minimasi misalnya minimasi biaya, jarak, biaya penyimpanan, biaya distribusi , dan sebagainya.

Progran linier berkaitan dengan penjelasan suatu dunia nyata sebagai suatu model matematik yang terdiri dari sebuah fungsi linier dan beberapa kendala linier (Mulyono,1991). Persoalan yang harus diselesaikan dengan program linier harus memenuhi lima persyaratan, yaitu :

1. Fungsi tujuan yang diselesaikan harus jelas dan tegas

2. Harus ada sesuatu yang akan diperbandingkan, misalnya kombinasi antara tenaga kerja dengan mesin otomatis

3. Sumber daya harus terbatas misalnya anggaran biaya yang akan dikeluarkan terbatas

4. Fungsi tujuan dan kendala harus bisa diekspresikan secara matematis 5. Peubah-peubah yang membutuhkan fungsi tujuan harus memiliki

hubungan fungsional atau keterkaitan. Hubungan keterkaitan dapat diartikan saling mempengaruhi, interaksi, interdependensi, dan sebagainya.

Dalam model matematis program linier mempunyai dua macam fungsi, yaitu fungsi tujuan dan fungsi kendala. Fungsi tujuan adalah fungsi yang menggambarkan sasaran dari persoalan program linier yang berkaitan dengan pengaturan sumber daya secara optimal. Fungsi kendala adalah fungsi yang menggambarkan secara matematis kapasitas yang tersedia yang akan dialokasikan secara optimal ke berbagai kegiatan (Subagyo et.al., 1989). Bentuk umum dari model matematik program linier adalah sebagai berikut :


(37)

Maks/Min. ………..…….. (1.1)

Fungsi kendala :

i n j j ij m i

b

X

a

(

,

,

)

1 1

=

=

= ………..…….. (1.2)

0

j

X

………..…….. (1.3)

Notasi aij, bi, Cj merupakan konstanta i = 1, 2 , 3, ..., m

j = 1, 2, 3, ..., n

Dimana :

Cj = Parameter yang dijadikan kriteria optimasi atau merupakan kontribusi setiap satuan keluaran kegiatan j terhadap nilai Z.

Xj = Peubah/parameter keputusan.

aij = Banyaknya sumber i yang diperlukan untuk menghasilkan setiap unit keluaran kegiatan j.

bi = Banyaknya sumber i yang tersedia untuk dialokasikan ke setiap unit kegiatan.

m = Jumlah kendala.

n = Jumlah kegiatan yang menggunakan sumberdaya yang terbatas tersebut.

=

=

n j j j

X

C

Z

1


(1)

Gener at i on 7329 and gener at i on 7330 =======================================

S11 S12 X11 X12 S21 S22 X21 X22 I 1 I 2 TSCC 1) 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 2) 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 3) 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 4) 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 5) 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 6) 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 7) 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 8) 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 9) 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 10) 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 11) 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 12) 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 13) 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 14) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 $ 15) 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 16) 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 17) 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 18) 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 19) 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 20) 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 21) 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 22) 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 23) 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 24) 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 25) 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 26) 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 27) 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 28) 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 29) 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 30) 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 31) 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 32) 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 33) 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 34) 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 35) 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 36) 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 37) 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 38) 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 39) 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 40) 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400


(2)

<p1, p2> <XSi t e> S11 S12 X11 X12 S21 S22 X21 X22 I 1 I 2 TSCC 1) ( 37, 6) 5 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 2) ( 37, 6) 5 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 3) ( 23, 31) 6 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 4) ( 23, 31) 6 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 5) ( 34, 15) 7 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 6) ( 34, 15) 7 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 7) ( 26, 11) 7 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 8) ( 26, 11) 7 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 9) ( 3, 9) 0 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 10) ( 3, 9) 0 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 11) ( 22, 31) 5 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 12) ( 22, 31) 5 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 13) ( 17, 24) 5 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 14) ( 17, 24) 5 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 15) ( 39, 32) 0 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 16) ( 39, 32) 0 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 17) ( 25, 29) 5 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 18) ( 25, 29) 5 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 19) ( 12, 8) 5 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 20) ( 12, 8) 5 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 21) ( 1, 15) 5 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 22) ( 1, 15) 5 408914 497213 500000 0 341086 502787 0 1000000 250000 0 686216277. 9100 $ 23) ( 37, 28) 6 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 24) ( 37, 28) 6 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 25) ( 37, 28) 5 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 26) ( 37, 28) 5 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 27) ( 27, 15) 5 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 28) ( 27, 15) 5 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 29) ( 7, 37) 6 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 30) ( 7, 37) 6 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 31) ( 22, 25) 6 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 32) ( 22, 25) 6 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 33) ( 33, 27) 6 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 34) ( 33, 27) 6 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 35) ( 20, 18) 7 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 36) ( 20, 18) 7 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 37) ( 18, 26) 6 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 38) ( 18, 26) 6 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 39) ( 33, 14) 7 408914 0 500000 0 341086 1000000 0 1000000 250000 0 634262491. 5400 40) ( 33, 14) 7 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 -SumFi t nes s Val ue of gener at i on 7330 = 25422452995. 1800

Max . Fi t nes s Val ue of gener at i on 7330 = 686216277. 9100 Mi n. Fi t nes s Val ue of gener at i on 7330 = 634262038. 7500 Av g. Fi t nes s Val ue of gener at i on 7330 = 635561324. 8795


(3)

Gener at i on 7344 and gener at i on 7345 =======================================

S11 S12 X11 X12 S21 S22 X21 X22 I 1 I 2 TSCC 1) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 2) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 3) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 4) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 5) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 6) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 7) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 8) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 9) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 10) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 11) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 12) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 13) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 14) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 15) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 16) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 17) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 18) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 19) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 20) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 21) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 22) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 23) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 24) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 25) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 26) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 27) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 28) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 29) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 30) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 31) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 $ 32) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 33) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 34) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 35) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 36) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 37) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 38) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 39) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 40) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500


(4)

<p1, p2> <XSi t e> S11 S12 X11 X12 S21 S22 X21 X22 I 1 I 2 TSCC 1) ( 34, 36) 7 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 2) ( 34, 36) 7 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 3) ( 37, 32) 7 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 4) ( 37, 32) 7 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 5) ( 5, 12) 5 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 6) ( 5, 12) 5 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 7) ( 21, 20) 5 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 8) ( 21, 20) 5 408875 1000000 500000 0 341125 0 0 1000000 250000 0 738752038. 7500 $ 9) ( 5, 19) 7 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 10) ( 5, 19) 7 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 11) ( 26, 25) 0 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 12) ( 26, 25) 0 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 13) ( 35, 30) 6 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 14) ( 35, 30) 6 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 15) ( 3, 20) 5 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 16) ( 3, 20) 5 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 17) ( 39, 15) 5 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 18) ( 39, 15) 5 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 19) ( 17, 4) 5 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 20) ( 17, 4) 5 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 21) ( 18, 8) 7 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 22) ( 18, 8) 7 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 23) ( 6, 4) 6 408875 0 218025 0 341125 1000000 281975 1000000 531975 - 281975 606064538. 7500 $ 24) ( 6, 4) 6 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 25) ( 15, 4) 5 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 26) ( 15, 4) 5 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 27) ( 20, 40) 5 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 28) ( 20, 40) 5 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 29) ( 23, 27) 6 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 30) ( 23, 27) 6 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 31) ( 17, 35) 6 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 32) ( 17, 35) 6 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 33) ( 29, 32) 6 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 34) ( 29, 32) 6 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 35) ( 29, 26) 6 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 36) ( 29, 26) 6 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 37) ( 6, 27) 7 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 38) ( 6, 27) 7 408875 0 500000 249019 341125 1000000 0 750981 981 249019 663499359. 5400 $ 39) ( 6, 1) 6 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 40) ( 6, 1) 6 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 -SumFi t nes s Val ue of gener at i on 7345 = 25476011370. 7900

Max . Fi t nes s Val ue of gener at i on 7345 = 738752038. 7500 Mi n. Fi t nes s Val ue of gener at i on 7345 = 634262038. 7500


(5)

Cum. of NMut at i on unt i l gen. 7345 = 14605

Gener at i on 14999 and gener at i on 15000 =======================================

S11 S12 X11 X12 S21 S22 X21 X22 I 1 I 2 TSCC 1) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 2) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 3) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 4) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 5) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 6) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 7) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 8) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 9) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 10) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 11) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 12) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 13) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 14) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 15) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 16) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 17) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 18) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 19) 0 0 500000 0 750000 1000000 0 1000000 250000 0 629515000. 0000 $ 20) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 21) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 22) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 $ 23) 0 0 500000 0 750000 1000000 0 1000000 250000 0 629515000. 0000 24) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 25) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 26) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 27) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 28) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 29) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 30) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 31) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 32) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 33) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 34) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 35) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 36) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 37) 208482 0 500000 0 541518 1000000 0 1000000 250000 0 631935476. 0200 $ 38) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 39) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 40) 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500


(6)

<p1, p2> <XSi t e> S11 S12 X11 X12 S21 S22 X21 X22 I 1 I 2 TSCC 1) ( 24, 24) 5 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 2) ( 24, 24) 5 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 3) ( 37, 34) 6 208482 0 500000 0 541518 1000000 0 1000000 250000 0 631935476. 0200 4) ( 37, 34) 6 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 5) ( 36, 27) 5 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 6) ( 36, 27) 5 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 7) ( 39, 32) 7 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 8) ( 39, 32) 7 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 9) ( 18, 35) 6 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 10) ( 18, 35) 6 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 11) ( 14, 14) 0 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 12) ( 14, 14) 0 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 13) ( 28, 25) 6 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 14) ( 28, 25) 6 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 15) ( 7, 28) 7 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 16) ( 7, 28) 7 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 17) ( 32, 39) 6 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 18) ( 32, 39) 6 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 19) ( 9, 3) 7 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 20) ( 9, 3) 7 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 21) ( 12, 5) 5 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 22) ( 12, 5) 5 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 23) ( 24, 11) 7 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 24) ( 24, 11) 7 408875 0 0 0 341125 1000000 500000 1000000 750000 - 500000 584262038. 7500 $ 25) ( 15, 4) 5 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 26) ( 15, 4) 5 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 27) ( 14, 9) 5 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 28) ( 14, 9) 5 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 29) ( 17, 7) 7 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 30) ( 17, 7) 7 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 31) ( 2, 14) 5 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 32) ( 2, 14) 5 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 33) ( 15, 27) 5 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 34) ( 15, 27) 5 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 35) ( 13, 1) 6 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 36) ( 13, 1) 6 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 37) ( 9, 15) 5 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 38) ( 9, 15) 5 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 39) ( 36, 6) 6 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 40) ( 36, 6) 6 408875 0 500000 0 341125 1000000 0 1000000 250000 0 634262038. 7500 -SumFi t nes s Val ue of gener at i on 15000 = 25318154987. 2700

Max . Fi t nes s Val ue of gener at i on 15000 = 634262038. 7500 Mi n. Fi t nes s Val ue of gener at i on 15000 = 634262038. 7500 Av g. Fi t nes s Val ue of gener at i on 15000 = 632953874. 6818