Optimasi Vehicle Routing Problem With Time Windows (VRPTW) Pada Rute Mobile Grapari (MOGI) Telkomsel Cabang Malang Menggunakan Algoritme Genetika
Vol. 2, No. 8, Agustus 2018, hlm. 2702-2709 http://j-ptiik.ub.ac.id
Optimasi Vehicle Routing Problem With Time Windows (VRPTW) Pada
Rute Mobile Grapari (MOGI) Telkomsel Cabang Malang Menggunakan
Algoritme Genetika
1 2 3 Moch. Khabibul Karim , Budi Darma Setiawan , Putra Pandu AdikaraProgram Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya 1 2 3 Email: [email protected], [email protected], [email protected]
Abstrak
Salah satu divisi di telkomsel adalah Sales Operation and Outlet (SOO). Sales Operation di bidang transportasi disebut dengan Mobile Grapari (MOGI). Mogi beroperasi setiap harinya mencari titik untuk tempat penjualan, tetapi titik penjualan tersebut belum efektif dalam sales operation. Sebelumnya, sistem yang digunakan merupakan sistem penjadwalan manual yang dilakukan dengan koordinasi antara MOGI satu dengan MOGI yang lain, sehingga menimbulkan permasalahan yang sering terjadi yakni kosongnya titik lokasi. Hal ini juga menyebabkan ketidakefektifan penjadwalan pada titik lokasi penjuaan dan memberikan hasil keuntungan yang kurang optimal. Salah satunya penyebabnya adalah
Vehicle Routing Problem with Time Windows (VRPTW). Untuk menanggulangi permasalahan ini,
sebuah metode optimasi diterapkan yaitu algoritme genetika. Algoritme genetika digunakan dalam pemecahan masalah ini untuk rute titik lokasi dan keuntungan penjualan. Pengujian dilakukan untuk mencari parameter yang menghasilkan nilai fitness terbaik. Hasil dari pengujian didapatkan bahwa ukuran populasi terbaik sebesar 450 dengan jumlah generasi 2700 serta kombinasi crossover dan
mutation rate masing-masing 0,2 dan 0,9. Melalui pengujian ini, didapatkan metode seleksi terbaik yaitu
seleksi elitism. Nilai fitness dari parameter-parameter terbaik sebesar 0,5581. Solusi rute yang efektif yang dihasilkan yaitu pada hari senin mobil 1 berada di Arjosari (Daerah Terminal), Singosari (Samsat Singosari), dan Rest Area Karang Ploso. Mobil 2 berada di Gadang (Terminal Hamidrusdi), Sudimoro (Pujas depan Zona SM Futsal), dan Jln. Kawi Atas. Mobil 3 berada di Merjosari (Lap. Merjosari), Jln. Sigura-gura (Depan Aston Printer) dan Tlogomas (Ruko Kopi Sosial) serta mendapat keuntungan yaitu Rp. 5.114.167,00 dan total dalam 7 hari mendapatan keuntungan sebesar Rp. 35.584.167,00.
Kata kunci: algoritme genetika, optimasi, penjadwalan, telkomsel, time windows, vehicle routing
problem
Abstract
Sales Operation and Outlet (SOO) is one of Telkomsel's divisions. Sales Operation in transportation
field is called Mobile Grapari (MOGI). Mogi operates every day, looking for sales points, but those
points hasn't been effective in sales operation. The previous system was a manual scheduling by
coordination between one MOGI with the other, causing occuring problem which is an empty point.
This problem also leads to scheduling ineffectiveness at sales point which gives less than optimal results.
One of causes is Vehicle Routing Problem with Time Windows (VRPTW). To overcome this problem, an
optimization method called genetic algorithm is applied. Genetic algorithm is applied for solving point
routes and sales profits. The test is performed to find the parameters that produce the best fitness value.
The result of the test shows that the best population size is 450 with 2700 generation iteration and the
combination of crossover and mutation rate are 0,2 and 0,9 respectively. Through this test, we get the
best selection method that is elitism selection. The fitness value of best parameters is 0,5581. The
effective route solution that is generated on Monday, First Car is in Arjosari (Terminal Area), Singosari
(Samsat Singosari), and Karang Ploso Rest Area. Second Car is in Gadang (Terminal Hamidrusdi),
Sudimoro (Pujas front SM Futsal Zone), and Kawi Atas Street. Third Car is located in Merjosari (Lap.
Merjosari), Sigura-gura Street, (Home Aston Printer) and Tlogomas (Ruko Kopi Sosial) with Rp.
5.114.167.00 profit and Rp. 35.584.167,00 for a week.
Keywords: genetic algorithm, optimization, scheduling, telkomsel, time windows, vehicle routing
problem Fakultas Ilmu Komputer Universitas Brawijaya
2702
1. PENDAHULUAN
(VRPTW) (Sudarningsih et al, 2015).
Pada penelitian sebelumnya telah dilakukan
genetika merupakan bagian dari algoritme evolusi. Algoritme evolusi sendiri merupakan teknik optimasi yang meniru proses evolusi biologi. Menurut teori evolusi terdapat sejumlah individu dalam populasi. Individu-individu ini akan berperan sebagai induk (parent) yang akan melakukan reproduksi dan menghasilkan keturunan (offspring) (Harun et al, 2014).
Evolution Strategies (ES). ES dan algoritme
VRPTW yaitu
VRPTW ini, yang sering digunakan adalah Algoritme Genetika. Selain algoritme genetika ada algoritme lain yang dipandang mampu untuk menyelesaikan masalah
Dengan adanya beberapa kendala dalam distribusi sehingga untuk saat ini pendistribusian penjualan produk belum dilakukan dengan secara maksimal. Banyak metode yang digunakan untuk menyelesaikan masalah
Kemajuan teknologi sangat penting untuk menunjang kemajuan masyarakat. Dengan teknologi, manusia terbantu dalam mengerjakan sesuatu sehingga lebih cepat dan efisien. Penerapan teknologi bukan hanya dilakukan oleh kalangan atau bidang tertentu saja, melainkan semua kalangan dapat menggunakan teknologi untuk menunjang aktivitasnya terutama adalah Penerapan teknologi pada perusahaan. Saat ini, penerapan teknologi informasi maupun komunikasi diperlukan dalam dunia bisnis sebagai alat bantu dalam persaingan.
Bidang telekomunikasi yang sekarang lagi ramai diminati dari semua kalangan baik muda sampai tua sudah menjadi seperti kebutuhan primer dalam kesehariannya. Salah satu bidang telekomunikasi yang terbesar di Indonesia adalah PT. Telkomunikasi Indonesia Tbk (Telkom). PT. Telkom bergerak di bidang telekomunikasi melalu jaringan telepon dan internet atau yang sekarang disebut indihome. PT. Telkom mempunyai anak perusahaan yang bergerak digital mobile bernama PT. Telkomunikasi Seluler (Telkomsel). PT. Telkomsel dalam digital mobile lebih fokus pada bidang seluler yang produknya sekarang sudah banyak dipakai oleh masyarakat Indonesia yaitu kartu Simpati, As, dan Loop. Produk PT.Telkomsel tersebut di distribusikan pada setiap cabang Grapari Telkomsel di seluruh di Indonesia.
dipengaruhi oleh, jarak, waktu tempuh serta time
windows . Penentuan rute kendaraan yang
kendala waktu tempuh dan jarak terdapat kendala lain yang bisa memengaruhi optimasi penentuan rute yaitu waktu ketersediaan pelanggan, kapan pelanggan tersebut dapat dilayani. Waktu yang dimiliki oleh masing masing pelanggan tersebut disebut dengan time
Vehicle Routing Problem (VRP). Selain adanya
Kendala distribusi yang dipengaruhi oleh beberapa faktor yaitu jarak masing-masing pelanggan dan waktu tempuh kendaraan. Kendala ini bisa dikatakan sebagai permasalahan
Pada pengoperasian MOGI di Grapari Telkomsel cabang Malang belum menemukan titik lokasi yang efektif dan optimal yang mempengaruhi keuntungan penjualan. Sebelumnya belum ada penjadwalan yang pasti dan sistem yang digunakan hanya dengan penjadwalaan manual dengan koordinasi antara pengendara MOGI satu dengan pengendara MOGI yang lain. Sehingga menimbulkan permasalahan di titik lokasi yang biasanya terjadi kekosongan titik lokasi dan titik lokasi yang sama dikunjungi. Adanya ketidakefektifan dan optimalnya dengan sistem yang sebelumnya, banyak hal yang mempengaruhi dalam pendistribusian penjualan produk ke konsumen .
Pada setiap cabang grapari mencakup beberapa kota yang ada di bawah kontrol cabang tersebut. Contohnya pada Grapari Telkomsel cabang Malang ini, mencakup 3 kota yaitu Pasuruan, Malang dan Mojokerto. Pada Grapari Telkomsel cabang Malang pendistribusian produk dibagi melalui divisi telkomsel yang telah ada pada cabang dengan sales dan marketing pada setiap divisi. Pendistribusian tidak hanya melalui sales dan marketing saja, seperti pada salah satu divisi SOO pada Grapari Telkomsel cabang Malang. Divisi SOO adalah Sales Operation and Outlet merupakan salah satu divisi dari telkomsel yang bergerak di bidang sales pada outlet yang ada di kota dan kabupaten malang. Divisi SOO tidak hanya bergerak pada bidang outlet tetapi juga bergerak pada sales dibagian transportasi. Pada bagian transportasi pendistribusian menggunakan armada yang telah disediakan dari telkomsel pusat untuk setiap grapari setiap cabang. Transportasi atau armada telkomsel disebut dengan Mobile Grapari (MOGI), MOGI beroperasi mendistribusikan ke titik-titik lokasi penjualan.
windows dapat dikatakan sebagai permasalahan Vehicle Routing Problem with Time Windows optimasi distribusi barang dengan algoritme genetika. Penelitian tersebut mengungkapkan bahwa algortima genetika dapat menyelesaikan permasalahan optimasi distribusi barang dalam meminimalkan biaya distribusi (Panharesi et al, 2015). Penerapan algoritme genetika untuk
TIME WINDOWS
demand . Setiap pelanggan hanya boleh
Pada Gambar 2 diketehui bahwa proses algoritme
fitness yang di hasilkan dengan nilai tinggi.
Algoritme genetika merupakan pengelolaan suatu populasi individu yang merepresentasikan kandidat solusi sebuah permasalahan. Solusi permasalahan tersebut dimana individu yang bertahan adalah individu dengan kriteria yang cocok. Kriteria yang cocok disini adalah nilai
4. ALGORITME GENETIKA
VRPTW adalah masalah optimasi kombinatorial yang berkaitan dengan terbatasnya waktu penyediaan layanan. Masalahnya terdiri dari dari beberapa truk yang meninggalkan depot terpusat, dan layanan dari pelanggan secara geografis. Setiap pelanggan memiliki permintaan komoditas yang harus dipenuhi oleh truk yang melayani dalam jendela waktu yang telah ditetapkan. Masalahnya juga tunduk pada pembatasan yang setiap pelanggan harus dikunjungi tepat satu kali dan bahwa tuntutan kumulatif pelanggan dilayani tidak harus melebihi kapasitas truk servis. Tujuan dari masalah ini adalah untuk meminimalkan biaya total perjalanan (Pierre & Zakaria, 2015).
VRPTW memiliki batas tambahan yaitu sebuah jangka waktu tertentu (Palit, 2012).
Vehicle Routing Problem with Time Windows merupakan perluasan dari permasalahan VRP.
dikunjungi sekali dan total demand tidak boleh melebihi kapasitas angkut kendaraan yang dipakai. Selain itu, setiap kendaraan harus berangkat dan kembali pada depot yang sama.
Vehicle Routing Problem with Time Window
(VRPTW) juga telah dilakukan pada optimasi distribusi beras bersubsidi. Pada penelitian tersebut disimpulkan bahwa algoritme genetika dapat menyelesaikan permasalahan VRPTW pada distribusi beras bersubsidi dengan menggunakan representasi permutasi, crossover PMX, Reciprocal Exchange Mutation, dan metode seleksi elitism dengan rata-rata nilai
Problem
Kegiatan distribusi merupakan salah satu faktor penting dalam perusahaan karena terdapat banyak toko yang harus dikunjungi dalam mendistribusikan barangnya. Banyak sekali toko yang harus dikunjungi membuat perusahaan harus memilih rute distribusi yang paling tepat sehingga biaya yang dikeluarkan dalam kegiatan distribusi semakin minimum. Jika perusahaan salah memilih rute yang akan ditempuh, maka perusahaan tersebut harus merugi karena biaya yang dikeluarkan semakin besar. Permasalahan ini dikenal sebagai Vehicle Routing Problem (VRP) (Pratama et al, 2016). Vehicle Routing
3. VEHICLE ROUTING PROBLEM WITH
ini memiliki tiga fungsi, yakni sebagai media edukasi, layanan dan penjualan. Untuk fungsi layanan, Mobile Grapari mampu jadi tempat aktivasi produk dan layanan, serta penanganan keluhan dari pelanggan Telkomsel. Penjualan produk dalam Mobile Grapari melayani untuk urusan penjualan perdana kartu, pulsa, T-Cash dan ganti kartu upgrade 4G. Mobile Grapari beroperasi melakukan perjalanan dari satu titik lokasi ke titik lokasi lainnya untuk pendistribusian produk. Tempat titik lokasi yang dikunjungi ada waktu ketika tempat tersebut ramai dan sepi, kondisi tersebut memengaruhi bagaimana keuntungan dan kerugian pendapatan setiap harinya. Penampakan MOGI ditunjukkan pada Gambar 1.
customer ke tengah masyarakat. Mobile Grapari
Telkomsel dari Telkomsel yang dikemas dalam bentuk mobile untuk langsung menjemput
Gambar 1 Mobile Grapari (MOGI) Mobile Grapari adalah layanan Grapari
0,021383 yang menghasilkan keturunan yang lebih baik jika dibandingkan dengan metode seleksi binary tournament dengan rata- rata fitness 0,020401 (Putri et al, 2015).
fitness
(VRP) merupakan pemecahan masalah untuk menentukan rute kendaraan yang melayani beberapa pelanggan, dengan kapasitas angkut tertentu yang setiap pelanggan memiliki ini pertama-tama dimulai dengan membuat kromosom yang didapatkan dari nilai acak, setelah itu kromosom tadi digunakan untuk membentuk generasi baru. Dari generasi baru tersebut didapatkan solusi baru yang akan dipilih berdasarkan nilai fitness-nya yang disebut offspring. Proses tersebut akan diulang-ulang sampai memenuhi suatu kondisi tertentu. START Penentuan Parameter
2. MOBILE GRAPARI (MOGI)
Awal Memenuhi Kondisi ? Stop Kromosom Terbaik True Populasi Awal Crossover Mutasi Perhitunngan fitness Seleksi False
Tukar dua Substring antar induk untuk menghasilkan Child ditunjukkan pada Gambar 5.
Gambar 6 Hubungan Mapping
3 4 5 6 1 ↔ 6 ↔ 3 ↕ ↕ ↕ ↕ 2 ↔ 5 6 9 2 1 9 ↔ 4
Mapping ditunjukkan pada Gambar 6.
Menentukan hubungan
Gambar 5 Tukar Substring antar Induk 3.
Induk 1 1 2 3 4 5 6 7 8 9 ↕ induk 2 5 4 6 9 2 1 7 8 3
Pemetaan 2.
Gambar 2 Alur Algoritme Genetika
Induk 1 1 2 3 4 5 6 7 8 9 induk 2 5 4 6 9 2 1 7 8 3 Gambar 4 Contoh Kromosom dengan
Menentukan dua posisi pada kromosom dengan aturan acak. Substring yang berada dalam dua posisi ini dinamakan daerah pemetaan pada Gambar 4.
2011): 1.
Perkawinan silang atau Crossover merupakan operator genetika yang paling penting. Crossover berperan dalam menambah keanekaragaman kromosom pada generasi selanjutnya berdasarakan kromosom generasi sebelumnya. Contoh metode Crossover dalam tahap ini adalah Partial-Mapped Crossover (PMX). PMX merupakan rumusan modifikasi dari pindah silang dua poin. Hal yang penting dari PMX adalah pindah silang dua poin dengan beberapa prosedur tambahan. Langkah-langkah prosedur PMX sebagai berikut (Azmi et al,
4.2 Crossover
Gambar 3 Representasi Kromosom untuk Setiap Kendaraan
4.1 Inisialisasi Populasi Awal
Tahap awal adalah dengan membuat populasi awal dilakukan dengan membangkitkan individu secara random dari 1-14 dikarenakan jumlah titik lokasi ada sebanyak 14 tempat, begitu juga dengan demand dibangkitkan secara random dari 2-6 dikarenakan minimal lama kendaraan berada di titik lokasi 2 jam dan maksimal 6 jam. Contoh populasi awal ditunjukkan pada Gambar 3.
4. kromosom keturunan
4.6 Nilai Fitness
Menentukan mengacu pada hubungan Mapping Nilai fitness berbanding terbalik dengan ditunjukkan pada Gambar 7. total pinalti, semakin sedikit pinalti yang diterima, maka akan semakin baik nilai fitness
Keturunan 1 3 5 6 9 2 1 7 8 4
yang dihasilkan (Pratama et al, 2016). Dalam
Keturunan 2 2 9 3 4 5 6 7 8 1
kasus distribusi ini, pertimbangan jarak memengaruhi nilai pinalti begitu juga jika
Gambar 7 Hasil Crossover demand untuk setiap titik lokasi yang kurang
4.3 Mutasi
atau tidak terpenuhi akan memengaruhi nilai pinalti, berikut Persamaan (4). Mutasi mengubah gen dari satu kromosom
(4) secara acak. Cara sederhana untuk melakukan =
63000000
mutasi adalah mengganti satu gen dari suatu Keterangan: kromosom. Dalam penelitian ini, menggunakan = ∑ − ∑ metode random mutation yaitu dengan memilih
63000000 = Total penjualan maksimal dari 3 individu secara acak yang akan dijadikan armada kendaraan dikalikan 7 sebagai induk. Misalkan ditentukan Mr=0,5 hari atau 1 minggu. dengan popsize 2 maka offspring yang dihasilkan adalah 0,5 x 2 = 1. Misalkan P1
5. DATA PENELITIAN
terpilih menjadi parent secara acak, maka Data yang digunakan pada penelitian
offspring dapat dibangkitkan dengan Persamaan
merupakan data primer yang diperoleh dari (1) berikut (Mahmudy, 2013): wawancara Narasumber yang meliputi Tempat
′
(1) titik lokasi, jarak, waktu tempuh, waktu ramai, = + ( − ) pendapatan saat ramai dan sepi setiap jam dan
4.4 Seleksi Elitism demand (jam/minggu). Data detail penelitian
Metode seleksi elitism bekerja dengan ditunjukkan pada Tabel 1 dan Tabel 2 mengumpulkan semua individu dalam populasi
Tabel 1 Data Titik Lokasi 1 (parent) dan offspring dalam satu penampungan.
Metode ini menjamin individu yang terbaik akan
Jarak Waktu No Tempat (Km) Tempuh
selalu lolos untuk masuk dalam generasi selanjutnya. Untuk metode seleksi elitism tidak
1 Rampal 2,7 9 menit
memberikan kesempatan kepada individu
Soehat (Sebelah Dapur 2 2,6 7 menit Kota)
dengan nilai fitness rendah untuk bereproduksi
Jln. Sigura - gura 3 7,3 23 menit
(Mahmudy, 2013).
(Depan Aston printer) Sawojajar (Sebelahnya 4 5 15 menit Hero)
4.5 Seleksi Roulette Wheel Arjosari (Daerah 5 4,4 13 menit Terminal)
Metode roulette wheel melakukan pemilihan kromosom dengan perhitungan nilai fitness, nilai
Tabel 2 Data Titik Lokasi 2
probabilitas seleksi (prob), dan probabilitas
Waktu
kumulatif (probCum) dinyatakan pada
Pendapatan/Jam (Rp) Demand
Ramai
Persamaan (2) dan Persamaan (3) berikut No
(Jam/Ming (WIB) Ramai Sepi
(Mahmudy, 2013):
gu) k ( ) prob = (2) 07:00-
_ 1 09:00/15:0 200.000 100.000 20 0-17:00
probCum k = j (3) ∑
=1 12:00- 2 100.000 50.000
5 Keterangan: 17:00 12:00-
a.
Prob = Probabilitas Individu
3 150.000 50.000
10 17:00
b. k ) = Fitness individu Fitness (P
15:00- 4 150.000 50.000 10 c.
Total_fitness = Total fitness dalam satu 17:00
12:00-
populasi
5 200.000 100.000
20 17:00
d. k = Probabilitas kumulatif probCum
6. PENGUJIAN DAN ANALISIS
0.7 Cr=
0.1 Mr =
0.2 Mr =
0.3 Mr =
0.4 Mr =
0.5 Mr =
0.6 Mr =
0.7 Mr =
0.8 Mr =
0.9 Mr =
1 Cr=
1 Cr=
0.9 Cr=
0.8 Cr=
0.6 Cr=
0,504 0,506 0,508 0,510 0,512 0,514 0,516 0,518 0,520 0,522 0,524 0,526
0.5 Cr=
0.4 Cr=
0.3 Cr=
0.2 Cr=
0.1 Ra ta
tn e ss
0,4800 0,5000 0,5200 0,5400 0,5600
50 100 150 200 250 300 350 400 450 500 Rat a
tn e ss
Ukuran Populasi 0,5300 0,5350 0,5400 0,5450 0,5500 0,5550
300 600 900 1200 1500 1800 2100 2400 2700 3000 Rat a
tn e ss
Jumlah Generasi
Mr =
N il ai Fi tn e ss
fitness dari ukuran populasi kelipatan 50 sampai
Pada Gambar 8 dalam metode seleksi nilai
elitism adalah 0,5267 yang lebih tinggi
dengan metode seleksi roulette wheel. Rata-rata nilai fitness yang dihasikan dari metode seleksi
fitness yang dihasilkan lebih besar dibandingkan
6.3 Hasil Pengujian dan Pembahasan Ukuran Populasi
Pada Gambar 10 adalah hasil rata-rata nilai
0,0000 0,1000 0,2000 0,3000 0,4000 0,5000 0,6000
populasi 500. Ditunjukan bahwa nilai fitness selalu naik sedikit demi sedikit walaupun ada penurunan sedikit ketika berada di populasi 250 dan 350 dengan nilai fitness sebesar 0,5353 dan 0,5409 yang tidak terlalu signifikan. Nilai
fitness mengalami kenaikan yang optimal
berada pada populasi 450 dengan nilai fitness sebesar 0,5503. Solusi terbaik untuk ukuran populasi yang optimal adalah dengan ukuran populasi 450 dengan nilai fitness sebesar 0,5503 dan akan digunakan dalam pengujian selanjutnya.
Perbandingan Metode Seleksi
6.2 Hasil Pengujian dan Pembahasan Crossover Rate (Cr) dan Mutation Rate (Mr)
6.1 Hasil Pengujian dan Pembahasan Perbandingan Metode Seleksi Gambar 8 Grafik Hasil Pengujian dan
1
2
3
4
5
6
7 8 9 10 Metode Seleksi Elistisme
0,5 0,5 0,5 0,5 0,5 0,5 0,5 0,5 0,5 0,5 Metode Seleksi Roulette Wheel 0,4 0,4 0,4 0,4 0,4 0,4 0,4 0,4 0,4 0,4
dibanding dengan metode seleksi roulette wheel adalah 0,4341. Pengujian selanjutnya metode yang digunakan adalah metode seleksi elitism.
- ra ta Fi
- ra ta N il ai Fi
Gambar 9 Grafik Hasil Pengujian Crossover Rate (Cr) dan Mutation Rate (Mr)
Pada Gambar 9 adalah grafik dari hasil pengujian perbandingan kombinasi Crossover
Rate (Cr) dan Mutation Rate (Mr) pada
penelitian ini. Ditunjukkan bahwa grafik mengalami fluktuatif. Fluktuatif nilai fitness disebabkan kombinasi Cr dan Mr terhadap komposisi ukuran populasi dan jumlah generasi. Nilai fitness mengalami nilai yang optimal ketika kombinasi Cr dan Mr adalah 0,2 dan 0,9 dengan nilai fitness sebesar 0,5235. Solusi terbaik untuk kombinasi Crossover Rate (Cr) dan Mutation Rate (Mr) yang optimal adalah 0,2 dan 0,9 dengan rata-rata nilai fitness 0,5235 dan akan digunakan pada pengujian selanjutnya.
Gambar 10 Grafik Hasil Pengujian dan Perbandingan Ukuran Populasi
6.4 Hasil Pengujian dan Pembahasan Jumlah Generasi Gambar 11 Grafik Hasil Pengujian Jumlah
- ra ta N Il ai Fi
Generasi
6.5 Hasil Pengujian dan Pembahasan Nilai Parameter Terbaik
1
Program Teknologi Informasi dan Ilmu Komputer, Universitas Brawijaya, Malang , hal.1 –101.
Palit, H.C., 2012. VEHICLE ROUTING PROBLEM WITH TIME WINDOWS PADA DISTRIBUTOR BAHAN MAKANAN
VEHICLE ROUTING PROBLEM WITH TIME WINDOWS. , hal.1
Pierre, D.M. & Zakaria, N., 2015. Partially optimized cyclic shift crossover for multi- objective genetic algorithms for the multi- objective vehicle routing problem with time-windows. IEEE SSCI 2014 - 2014
IEEE Symposium Series on Computational Intelligence - MCDM 2014: 2014 IEEE Symposium on Computational Intelligence in Multi-Criteria Decision-Making, Proceedings , 52, hal.106
0,5000 0,5200 0,5400 0,5600 0,5800
2
Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya , Vol.4, No.(1).
3
4
5
6
7
8 N Il ai Fi tn e ss
Percobaan Ke-
Mahmudy, W.F., 2013. Algoritma Evolusi.
2014. Implementasi Evolution Strategies untuk Penyelesaian Vehicle Routing Problem With Time Windows pada Distribusi Minuman Soda XYZ.
- –9. Panharesi, Y.G. et al., 2015. Optimasi distribusi barang dengan algoritma genetika. , (11).
Window (VRTPW) Pada Rute Mobile Grapari
Pada Gambar 11 adalah grafik hasil pengujian dari jumlah generasi atau banyaknya generasi dalam penelitian ini. Pada pengujian ini dapat dilihat bahwa nilai fitness mengalami naik turun pada jumlah generasi 300 sampai 1800. Setelah itu mengalami kenaikan nilai
fitness yang signifakan berada pada populasi
2700 dengan nilai fitness sebesar 0,5532. Solusi terbaik untuk jumlah generasi atau banyaknya generasi yang optimal adalah dengan jumlah generasi 2700 dengan dengan nilai fitness sebesar 0,5532 dan akan digunakan dalam pengujian selanjutnya.
Gambar 12 Grafik Hasil Pengujian Parameter Nilai Terbaik
Pada Gambar 12 adalah grafik yang menunjukan hasil pengujian nilai parameter terbaik. Pada pengujian ini, grafik mengalami kenaikan yang signifikan pada percobaan ke-4 sampai ke-5 dengan nilai fitness sebesar 0,5581. Tetapi setelah percobaan ke-5 nilai fitness mengalami penurunan sampai pada percobaan ke-7 lalu naik lagi pada percobaan ke-8. Solusi dari nilai fitness sebesar 0,5581.
7. KESIMPULAN
Algoritme genetika dapat diterapkan dalam Optimasi Vehicle Routing Problem with Time
(MOGI) Telkomsel Cabang Malang. Penerapan dilakukan dengan membangkitkan populasi awal secara random lalu masuk dengan proses algoritme genetika untuk menghitung nilai
Azmi, N. et al., 2011. GENETIKA UNTUK TIPE PRODUKSI HYBRID AND FLEXIBLE. , hal.176 –188. Harun, I.A., Mahmudy, W.F. & Yudistira, N.,
fitness dan masuk pada proses seleksi. Seleksi
dilakukan dengan dua metode dan dipilih hanya salah satu seleksi saja yang menghasilkan nilai
fitness yang terbaik dan solusi yang optimal.
Hasil dari pengujian didapatkan bahwa ukuran populasi terbaik sebesar 450 dengan jumlah generasi 2700 serta kombinasi crossover dan mutation rate masing-masing 0,2 dan 0,9. pengujian ini didapatkan metode seleksi terbaik yaitu seleksi elitism. Nilai fitnesss dari parameter-parameter terbaik sebesar 0,5581.
Solusi rute penjadwalan yang efektif yang dihasilkan yaitu pada hari senin mobil 1 berada di Arjosari (Daerah Terminal), Singosari (Samsat Singosari), dan Rest Area Karang Ploso. Mobil 2 berada di Gadang (Terminal Hamidrusdi), Sudimoro (Pujas depan Zona SM Futsal), dan Jln. Kawi Atas. Mobil 3 berada di Merjosari (Lap. Merjosari), Jln. Sigura-gura (Depan Aston Printer) dan Tlogomas (Ruko Kopi Sosial) serta mendapat keuntungan yaitu Rp.
5.114.167,00 dan total dalam 7 hari mendapatan keuntungan sebesar Rp. 35.584.167,00.
8. DAFTAR PUSTAKA
- –115. Available at: http://dx.doi.org/10.1016/j.asoc.2016.09.0 39.
VEHICLE ROUTING PROBLEM WITH TIME WINDOW (VRPTW) PADA DISTRIBUSI PRODUK PANGAN MENGGUNAKAN ALGORITMA GENETIKA. , (14).
Putri, F.B. et al., 2015. Penerapan Algoritma Genetika Untuk Vehicle Routing Problem with Time Window ( VRPTW ) Pada Kasus Optimasi Distribusi Beras Bersubsidi. , (1), hal.1 –9. Saputri, M.W. et al., 2015. Optimasi Vehicle
Routing Problem With Time Window ( Vrptw ) Menggunakan Algoritma Genetika Pada Distribusi Barang. Repository Jurnal
,
Mahasiswa PTIIK Universitas Brawijaya
5(12), hal.1 –10. Saputro, H.A., Mahmudy, W.F. & Dewi, C.,
2015. Implementasi Algoritma Genetika Untuk Optimasi Penggunaan Lahan Pertanian Dengan. Jurnal Mahasiswa
PTIIK Universitas Brawijaya , 5(12),
hal.1 –12. Sudarningsih, D. et al., 2015. Penerapan
Algoritma Genetika untuk Optimasi Vehicle Routing Problem with Time Window (VRPTW) Studi Kasus Air Minum Kemasan. , 5(9).
Widodo, T.S., 2012. Komputasi Evolusioner, Yogyakarta: Graha Ilmu.