Optimasi Penataan Barang pada Proses Distribusi Menggunakan Algoritme Evolution Strategies

  Vol. 2, No. 5, Mei 2018, hlm. 1874-1882 http://j-ptiik.ub.ac.id

  

Optimasi Penataan Barang pada Proses Distribusi Menggunakan

Algoritme Evolution Strategies

_{1 2} Rani Kurnia , Wayan Firdaus Mahmudy

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya _{1 .id}

  

Abstrak

Distribusi merupakan salah satu proses penting dalam kegiatan industri, termasuk distribusi barang.

  Namun sayangnya, proses ini merupakan salah satu proses yang memakan banyak biaya. Oleh karena itu diperlukan suatu pengaturan yang baik agar dapat menekan biaya dalam proses tersebut. Salah satunya adalah dengan penataan barang secara optimal dalam kendaraan. Permasalahan optimasi penataan barang ini dapat diselesaikan menggunakan algoritme evolution strategies, dimana algoritme ini dikenal sebagai algoritme sederhana yang dapat menyelesaikan masalah yang kompleks. Dalam kasus ini proses algoritme evolution strategies diawali dengan membangkitkan individu acak, lalu proses mutasi, kemudian proses penataan barang untuk mendapatkan fitness dan diakhiri dengan proses seleksi untuk mendapatkan individu terbaik. Berdasarkan hasil pengujian penataan barang yang telah dilakukan terhadap 50 barang diperoleh parameter optimal populasi sebesar 60, lambda 18, offspring

  18

  

μ, dan generasi 15 dengan rata-rata nilai fitness sebesar 2,404. Hasil akhir yang diperoleh merupakan

pola susunan barang yang optimal untuk digunakan dalam proses penataan barang dalam kendaraan.

  Kata kunci: Algoritme Evolution Strategies, optimasi, industri, penataan barang, distribusi

Abstract

  

Distribution is the one of important processes in industrial activities such as goods’s distribution. But

unfortunately, this process is one of processes that spend much expense. Then it be required a great

management to minimize costs for that’s process. One of them is to optimization the goods organize

management. Optimization problem of goods organize management can be solved using evolution

strategies algorithm that known as a simple algorithm that can be solved a complex problems. In this

case, evolution strategies algorithm start with raising the random individu, then mutation process, then

do the goods organize management process to get the fitness result and close with selection process to

get the great individu. Based on the test of goods organize management that have been process with 50

goods, it get the optimal parameter consist of population 60, lambda 18, offspring 18 μ, and generation

15 with the fitness’s average is 2,404. The final result of this experiment is a scheme of the optimal

solution for goods organize management in vehicle.

  Keywords: Evolution Strategies algorithm, optimization, industry, goods organize management, distribution

  atau setara dengan nilai Rp 2.098.117 triliun 1. (Biro Perencanaan, 2016).

   PENDAHULUAN

  Pada sektor industri, transportasi merupakan Sektor industri merupakan salah satu sektor salah satu faktor penting yang mendukung yang memiliki peranan penting untuk terlaksananya kegiatan dengan baik (Adni, dkk., meningkatkan pertumbuhan ekonomi suatu

  2012). Dengan semakin berkembangnya industri negara. Menurut data statistik Kementerian di Indonesia, tentunya dibutuhkan pula

  Perindustrian, pada tahun 2015 laju pengaturan transportasi yang baik sehingga pertumbuhan industri pengolahan non migas di dapat mengimbangi laju industri yang ada. Indonesia mencapai angka 5,04 persen (Biro

  Untuk memperoleh keuntungan yang optimal, Perencanaan, 2016). Dengan angka tersebut perusahaan sebagai salah satu industri harus sektor industri telah berkontribusi terhadap menekan biaya transportasi seminimal mungkin, pendapatan domestik bruto sebesar 18,18 persen

  Fakultas Ilmu Komputer Universitas Brawijaya

1874 karena biaya transportasi pengiriman barang merupakan salah satu faktor penyebab besarnya pengeluaran perusahaan (Adni, dkk., 2012).

  Untuk menekan biaya transportasi, perusahaan dapat memaksimalkan daya tampung kendaraan yang digunakan untuk melakukan distribusi barang. Namun pada kenyataanya, penyusunan barang yang dilakukan secara manual akan menghabiskan waktu yang cukup lama, oleh karena itu perlu adanya penelitian dan pengadaan suatu aplikasi yang dapat menunjukkan pola susunan barang dalam kendaraan, sehingga dapat memanfaatkan ruang kosong secara optimal. Penelitian tentang penyusunan barang pada kontainer pernah dilakukan Farosanti (2015) menggunakan algoritme Genetika. Kontainer disajikan dalam bentuk tiga dimensi dan barang yang disusun merupakan balok dengan tinggi, lebar, dan panjang tertentu.

  9. Ketika disusun, ukuran panjang, lebar, tinggi barang tidak boleh melebihi ukuran panjang, lebar, tinggi kendaraan.

  Sumber: Gazali & Manik (2010) Barang yang dimasukkan ke dalam kendaraan berbentuk balok dan memiliki ukuran panjang, tinggi, dan lebar yang berbeda. Sehingga barang- barang tersebut perlu diatur sedemikian rupa sehingga kontainer dapat memuat banyak barang dan dapat memaksimalkan ruang kosong yang

  Gambar 1. Penampakan kendaraan

  Permasalahan penataan barang berkaitan dengan dua objek yaitu kendaraan dan barang. Permasalahan kendaraan berkaitan dengan jumlah maksimal barang yang dapat ditampung, sedangkan permasalahan pada barang berkaitan dengan tata letak barang. Kendaraan pengangkut barang memiliki ukuran panjang, lebar dan tinggi tertentu. Jika digambarkan dalam bentuk vektor akan terlihat seperti Gambar 1.

  3.1 Penataan Barang

  evolution strategies .

  Penelitian ini mengambil beberapa teori yaitu tentang penataan barang dan algoritme

  3. KAJIAN TEORI

  11. Pengaplikasian program menggunakan bahasa java.

  10. Algoritma yang digunakan adalah algoritma evolution strategies .

  8. Ukuran barang lebih kecil atau sama dengan ukuran kendaraan.

  Pada penelitian ini, penulis mengajukan algoritme Evolution Strategies (ES) sebagai algoritme yang digunakan dalam menyelesaikan permasalahan penyusunan barang dalam kendaraan. Algoritme ini termasuk dalam algorima heuristik yang dapat menghasilkan solusi yang mendekati optimal pada suatu permasalahan yang kompleks dengan waktu yang relatif singkat (Mahmudy, 2015). Algoritme ini merupakan bagian dari algoritme evolusi yang telah banyak menyelesaikan berbagai permasalahan misalnya pada permasalahan distribusi dan penjadwalan (Mahmudy, 2015). Pada penelitian yang telah lalu, algoritme Evolution Strategies pernah digunakan Milah dan Mahmudy (2015) untuk menyelesaikan permasalahan optimasi komposisi pakan ternak sapi potong. Dari penelitian tersebut, didapatkan hasil rekomendasi komposisi pakan ternak yang optimal.

  7. Berat total barang yang disusun tidak melebihi beban maksimum yang dapat ditampung kendaraan.

  6. Proses penataan barang akan diutamakan pada bagian depan kendaraan.

  5. Kendaraan pengangkut barang yang digunakan adalah kendaraan berbentuk box.

  4. Penyusunan barang hanya dapat dilakukan secara vertikal dan/atau horizontal.

  3. Barang yang disusun dapat dirotasi dengan 6 posisi rotasi.

  2. Barang yang disusun berjumlah banyak, sehingga sulit untuk disusun secara manual.

  1. Barang yang disusun merupakan barang yang telah dikemas dalam bentuk kubus atau balok.

  Penelitian ini berfokus pada beberapa batasan sebagai berikut:

  ”.

  Berdasarkan uraian di atas, maka penulis mengajukan penelitian dengan judul “Optimasi Penataan Barang pada Proses Distribusi menggunakan Algoritme Evolution Strategies

2. BATASAN MASALAH

  ada. Untuk mengatur posisinya, barang-barang tersebut dapat dirotasi menjadi enam kemungkinan seperti yang ditunjukkan pada Gambar 2.

  Gambar 3. Tahap penelitian

  Terdapat beberapa langkah dalam menyelesaikan perhitungan menggunakan Algoritme evolution strategies . Langkah penyelesaian permasalahan penataan barang menggunakan algoritme evolution strategies ditunjukkan pada Gambar 4.

  Dimana banyaknya offspring adalah banyaknya μ dikali λ (Mahmudy, 2015).

  λ) untuk menyatakan banyaknya offspring yang akan dihasilkan.

  menyatakan banyaknya individu yang ada dalam populasi dan lambda (

  μ) untuk

  Dalam melakukan perhitungan, parameter yang digunakan adalah miu (

  5. PERHITUNGAN MENGGUNAKAN ALGORITME EVOLUTION STRATEGIES

  Pada proses studi literatur, dilakukan pengumpulan literatur yang sesuai dengan permasalahan yang diteliti dan metode yang digunakan. Pada proses analisis, dilakukan formulasi terhadap permasalahan yang ada. Setelah proses analisis selesai, selanjutnya dilakukan siklus penyelesaian masalah menggunakan algoritma evolution stategies. Proses ini termasuk dalam proses perancangan. Selanjutnya dilakukan proses pengujian dengan membandingkan parameter algoritma heuristis yang menghasilkan solusi terbaik.

  penelitian ini mencakup proses analisis, perancangan hingga pengujian. Tahap penelitian ini ditunjukkan pada Gambar 3.

  Gambar 2. Kemungkinan rotasi barang

  implementatif dengan pendekatan perancangan,

  Penelitian ini termasuk dalam penelitian

  4. METODOLOGI PENELITIAN

  bilangan pecahan. Algoritme ini menggunakan proses mutasi sebagai operator reproduksi utama dan dibantu oleh mekanisme self-adaptation untuk mengontrol perubahan nilai parameter solusi (Mahmudy, 2015).

  Strategies adalah representasi solusi yang berupa

  Ciri utama dari algoritme Evolution

  Algoritme evolution strategies merupakan salah satu jenis Algoritme evolusi, yaitu algoritme yang menerapkan metode heuristik untuk memperoleh solusi yang lebih baik daripada solusi sebelumnya (Mahmudy, 2015). Metode ini memungkinkan suatu algoritme untuk menghasilkan solusi yang mendekati optimum dalam waktu yang relatif singkat. Algoritme evolusi merupakan algoritme optimasi yang yang mengadopsi proses evolusi pada kehidupan nyata sebagai metode dalam pencarian solusi optimalnya (Mahmudy, 2015). Pada algoritme ini digambarkan bahwa dalam suatu permasalahan terdiri dari beberapa individu induk (parent) pada sebuh populasi, yang kemudian bereproduksi membentuk individu anak (offspring). Masing-masing individu tersebut memiliki nilai fitness sebagai pembanding antara individu satu dengan individu lainnya. Setelah proses reproduksi, individu-individu tersebut mengalami proses seleksi dalam beberapa generasi hingga akhirnya terbentuk individu terbaik dengan nilai fitness terbaik. Individu terbaik ini merupakan representasi dari solusi hasil perhitungan yang dilakukan (Mahmudy, 2015).

  Sumber: Gazali & Manik (2010)

3.2 Algoritme Evolution Strategies

•  ⁱ

  = (

  Setelah menghitung nilai fitness setiap individu, kemudian dilanjutkan dengan proses seleksi menggunakan metode elitism selection.

  ) (3) dengan p ⁱ , l ⁱ , t ⁱ , dan w ⁱ merupakan panjang, lebar, tinggi, dan berat barang, v k , dan w k merupakan volume dan beban maksimum kendaraan, dan x i merupakan variabel yang menyatakan masuk tidaknya barang (Farosanti, 2015).

  ∑ =1

  ) + (

  ∑ ( × × ) =1

  ) + (

  ∑ ( × × × ) =1

  ) = (

  ∑ =1

  ) + (

  ( )

  ) + (

  ( )

  Setelah mendapatkan individu hasil mutasi, kemudian menghitung nilai fitness menggunakan Persamaan (3).

  Gambar 4. Langkah perhitungan algoritme Evolution Strategies

  r ^{1 dan r 2 adalah bilangan acak pada interval 0} hingga 1 (Mahmudy, 2015).

  mutasi,  i adalah nilai sigma, N(0,1) adalah bilangan acak yang didapat dari sebaran normal dengan rata-rata 0 dan standart deviasinya 1, dan

  ’ adalah gen hasil

    (2) dengan x ⁱ adalah gen parent, x ⁱ

  2 ) ( 1 , r r N 

  N(0,1) (1) _{2 1} . 2 sin ln .

  x ⁱ ’ = x ⁱ

  Usai pembentukan populasi awal, dilakukan proses reproduksi dengan menggunakan mutasi. Untuk mendapatkan individu hasil mutasi, digunakan Persamaan (1) dan Persamaan (2).

  Gambar 5. Ilustrasi kromosom Gambar 6. Contoh kromosom

  rotasinya ditunjukkan oleh Gambar 5 dan Gambar 6.

  sigma yang terbentuk sesuai dengan banyaknya e . Ilustrasi penempatan kode barang dan angka

  awal dengan membangkitkan kromosom sesuai dengan nilai parameter yang telah dimasukkan. Representasi kromosom yang digunakan adalah representasi integer. Kromosom pada satu individu terdiri dari gen yang mewakili kode barang, dan gen yang mewakili posisi rotasi barang. Panjang kromosom yang dihasilkan dari gen-gen tersebut adalah 2 kali banyaknya barang yang akan disusun (misalkan hasilnya adalah e satuan) kemudian dijumlahkan dengan banyaknya sigma (parameter tambahan yang melekat pada setiap kromosom). Banyaknya

  strategies . Selanjutnya pembentukan populasi

  Untuk menyelesaikan permasalahan dimulai dengan memasukkan data barang, data kendaraan, dan parameter algoritme evolution

  Proses reproduksi hingga seleksi ini akan terus berlangsung hingga keadaan berhenti tercapai dan diperoleh individu pertama hasil seleksi yang pada generasi terakhir sebagai individu dengan kromosom terbaik. Kondisi berhenti tercapai apabilai terlah mencapai salah satu kriteria berikut (Mahmudy, 2015): 1.

  Iterasi telah mencapai generasi ke-n yang telah ditentukan sebelumnya.

  Pada Gambar 8 terlihat bahwa grafik hasil pengujian ukuran populasi cenderung mengalami kenaikan dan mendekati titik stabil pada populasi 70 ke atas. Terlihat bahwa semakin besar ukuran populasi maka hasil rata- rata fitness yang didapatkan cenderung semakin besar. Jika ukuran populasi terlalu kecil, maka nilai fitness yang didapatkan juga kecil. Meskipun semakin besar ukuran populasi cenderung menghasilkan hasil yang lebih baik, namun pada titik tertentu nilai fitness mengalami penurunan. Terlihat pula bahwa ukuran populasi berpengaruh terhadap variasi individu yang dihasilkan, terbukti dengan hasil rata-rata fitness yang cenderung berbeda pada tiap percobaan yang dilakukan. Dari Gambar 8 dapat disimpulkan bahwa ukuran populasi yang mendekati solusi optimal adalah 60.

  3. Iterasi telah berlangsung dalam t satuan waktu. Dimana nilai t merupakan nilai satuan waktu yang telah ditentukan sebelumnya.

  6. ARSITEKTUR SISTEM

  Implementasi program ini menggunakna bahasa pemrograman java dengan struktur class utama ditunjukkan pada Gambar 7.

  7. PENGUJIAN DAN PEMBAHASAN

  Pengujian algoritme evolution strategies meliputi pengujian populasi, banyaknya

  offspring , dan jumlah generasi. Pengujian ini

  dilakukan menggunakan data 60 barang buatan dengan data terlampir.

  Pengujian ini dilakukan dengan menggunakan jumlah generasi 10 dan ukuran populasi 60 yang didapatkan dari solusi optimal pengujian sebelumnya. Banyaknya offspring yang diuji mulai dari 2

  7.2 Pengujian Banyaknya Offspring

  2. Tidak dijumpai solusi yang lebih baik setelah n generasi berurutan.

7.1 Pengujian Ukuran Populasi

  fitness- nya.

  μ dan jumlah

  Pengujian ini dilakukan dengan menggunakan nilai offspring 3

  μ dengan kelipatan 2

  hingga 20

  μ dengan masing-masing offspring

  diuji sebanyak 10 kali pengujian dan dihitung nilai rata-rata fitness-nya.

  Pada Gambar 9 terlihat bahwa hasil grafik hasil pengujian offspring cenderung mengalami kenaikan, semakin besar ukuran offspring,

  

Gambar 7. Diagram class sistem

  generasi 10. Ukuran populasi yang diuji mulai dari 10 dengan kelipatan 10 hingga 100 dengan masing-masing ukuran populasi diuji sebanyak 10 kali pengujian dan dihitung nilai rata-rata semakin besar pula fitness yang dihasilkan, nilai rata-rata fitness yang didapatkan cenderung meskipun pada titik tertentu nilai fitness tinggi. mengalami penurunan. Dari hasil rata-rata Dari hasil 10 kali proses perhitungan

  

fitness yang cenderung berbeda pada setiap menggunakan parameter terbaik tersebut,

  ukuran offspring, menunjukkan bahwa ukuran diambil 1 kromosom terbaik sebagai solusi

  

offspring berpengaruh terhadap keragaman penataan barang yang optimal pada kasus

  individu namun tidak terlalu besar. Dari Gambar penataan 60 barang. Dan didapatkan hasil yang 9 dapat disimpulkan bahwa banyaknya offspring ditunjukkan pada Gambar 12. yang mendekati solusi optimal adalah 18 μ. _2,400

  ss _{2,345 2,349} e _2,330

  7.3 Pengujian Jumlah Generasi tn 2,350 2,320 2,319 _2,317

  2,3152,311 Fi _2,293 ai

  Pengujian ini dilakukan dengan il _2,300

  N a

  menggunakan nilai offspring 18

  μ dan ukuran _2,225 at 2,250

• r

  populasi 60 yang didapatkan dari hasil solusi

  a at _2,200

  optimal pengujian sebelumnya. Jumlah generasi R yang diuji mulai 5 dengan kelipatan 5 hingga 50 2,150

  10 20 30 40 50 60 70 80 90 100

  dengan masing-masing jumlah generasi diuji

  Jumlah Populasi (

  sebanyak 10 kali pengujian dan dihitung nilai μ) rata-rata fitness-nya.

  Pada Gambar 10 terlihat bahwa grafik

  Gambar 8. Hasil pengujian ukuran populasi

  pengujian nilai rata-rata fitness naik dari jumlah generasi 5 hingga 15 sebagai puncak kurva dan

  2,450 2,4122,406 _2,386 2,4032,392

  turun hingga jumlah generasi 30. Selanjutnya ss _2,364

  2,400 e _{2,3482,350 2,351}

  mengalami kenaikan hingga jumlah generasi 45 tn

  2,350 Fi

  dan turun kembali pada jumlah generasi 50. 2,278

  ta 2,300

  Meskipun hasil yang didapatkan bersifat

• ra

  2,250 a

  fluktuatif, namun grafik cenderung mengalami

  2,200 Rat

  kenaikan. Dengan kata lain, semakin besar

  2μ 4μ 6μ 8μ 10μ 12μ 14μ 16μ 18μ 20μ

  jumlah generasi maka cenderung semakin besar

  Jumlah Offspring

  pula nilai fitness yang didapatkan. Terlihat pula bahwa jumlah generasi juga berpengaruh terhadap variasi individu yang dihasilkan. Dari

  Gambar 9. Hasil pengujian offspring

  Gambar 10 dapat disimpulkan bahwa jumlah _2,426

  2,440

  generasi yang mendekati solusi optimal adalah 2,422 _{2,419 2,411 2,413}

  ss _2,405 15.

  2,420 e _2,3972,398 tn 2,388

  2,400 Fi _2,371

  7.4 Hasil Algoritme Evolution Strategies ta 2,380 pada Proses Penataan Barang -ra

  2,360 a

  2,340

  Berdasarkan parameter optimal algoritme

  Rat 5 10 15 20 25 30 35 40 45 50 evolution strategies yang didapatkan pada

  Jumlah Generasi

  pengujian sebelumnya, dilakukan proses analisis terhadap hasil parameter tersebut. Adapun prosesnya melakukan 10 kali proses perhitungan

  Gambar 10. Hasil pengujian generasi

  dengan menghitung rata-rata hasil fitness pada setiap perhitungan yang dilakukan. Proses ini menggunakan ukuran populasi 60, offspring 18

  μ, dan jumlah generasi 15.

  Pada Gambar 11 terlihat bahwa grafik rata- rata fitness bersifat fluktuatif. Hal ini disebabkan oleh hasil kromosom acak pada proses inisialisasi individu berbeda-beda pada tiap percobaan. Namun dengan menggunakan parameter terbaik pada pengujian sebelumnya,

• ra ta Fi

  1

  tn e ss

  a

  9

  8

  7

  offspring

  18 μ, dan jumlah generasi 15. Didapatkan juga hasil bahwa ukuran populasi, banyaknya offspring, dan jumlah generasi cenderung berbanding lurus dengan nilai fitness yang dihasilkan. Semakin besar ukuran populasi, banyaknya offspring dan generasi yang dimasukkan, semakin besar pula nilai fitness yang didapatkan.

  6

  5

  4

  3

  2

10 Rat

  Penataan Barang pada Kontainer menggunakan Algortima Genetika .

  Malang: Universitas Islam Negeri Maulana Malik Ibrahim. Gazali, W. & Manik, N.I., 2010. Perancangan

  Percobaan ke-

  terbaik

  Gambar 12. Hasil penataan barang menggunakan

  algoritme evolution strategies menggunakan aplikasi Unity 8.

  Berdasarkan hasil pengujian dan analisis hasil implementasi penelitian ini, maka dapat diketahui bahwa algoritme evolution strategies dapat digunakan dalam permasalahan penataan barang. Prosesnya diawali dengan menentukan ukuran dari kendaraan yang dipakai dan barang yang dimasukkan. Kemudian melakukan proses algoritme evolution strategies yaitu pembangkitan individu awal, dengan masing- masing individu memiliki jumlah gen sebanyak 2 kali jumlah barang yang akan ditata. Nilai gen ganjil dalam kromosom mewakili kode barang dan nilai genap dalam kromosom mewakili rotasi barang. Pada masing-masing individu melekat sigma yang nilainya ditentukan secara acak antara 0 hingga 1. Kemudian dilakukan proses mutasi, selanjutnya melakukan proses penataan barang sesuai urutan gen kromosom dengan memperhatikan batasan-batasan tertentu, sehingga didapatkan nilai fitness yang kemudian digunakan untuk proses seleksi. Proses seleksi dilakukan dengan menggunakan metode elitism.

  Dari hasil pengujian algoritme yang dilakukan menghasilkan nilai parameter- parameter terbaik yaitu ukuran populasi 60,

  Penelitian ini masih perlu dikembangkan lebih lanjut, sehingga mendapatkan hasil yang lebih optimal. Pada proses penataan barang menggunakan 60 barang, diperlukan waktu hingga 30 menit. Dalam hal ini perlu diadakan penelitian terkait waktu yang optimal untuk mendapatkan solusi yang mendekati optimal. Pada penelitian ini, visualisasi 3 dimensi masih menggunakan cara manual, perlu adanya visualisasi 3 dimensi yang langsung terhubung dengan program yang berjalan. Untuk menambah solusi yang lebih optimal perlu dilakukan proses pengecekan keseimbangan volume barang pada titik tinggi tertentu, dan keseimbangan berat barang.

DAFTAR PUSTAKA

  Adni, N.A., dkk. 2012. Kajian Lokasi Industri

  berdasarkan Model Transportasi dengan Acuan Maksimilisasi Penghematan .

  Semarang: Universitas Diponegoro. Biro Perencanaan. 2016. Laporan Kinerja Kementerian Perindustrian Tahun 2015 .

  [pdf] Jakarta: Kementerian Perindustrian Republik Indonesia. Tersedia di < http://www.kemenperin.go.id/download/ 10591/Laporan-Kinerja-Kementerian- Perindustrian-Tahun-2015> [Diakses 27 Juli 2017]

  Farosanti, L., 2015. Simulasi 3D Optimasi

  Implementasi Algoritma Evolution ^{2,470 2,372 2,346 2,409 2,4332,439 2,359 2,429 2,350 2,436} 2,250 2,300 2,350 2,400 2,450 2,500

  Mahmudy, W.F., 2015. Dasar-Dasar Algoritma Evolusi . Malang: Universitas Brawijaya. Milah, H. & Mahmudy, W.F., 2015.

  Gambar 11. Hasil pengujian dengan parameter

KESIMPULAN DAN SARAN

  Program Simulasi Optimasi Penyusunan Barang dalam Kontainer menggunakan Algoritma Greedy . Jakarta Barat: Universitas Bina Nusantara.

  Strategies untuk Optimasi Komposisi Pakan Ternak Sapi Potong . Malang:

  Universitas Brawijaya.