Professional Documents
Culture Documents
ABSTRACT
The distribution of Subsidized Rice is performed by Perum Bulog for Group of Low Income
Communities (Raskin). This assistance is a kind of national program from Central Government and local
government to improve welfare to fulfill of food needed for low-income communities. This condition causes the
distributor having a problem during delivery of rice to every destination with demand, mileage time and
differences of service time. The solutions need to be considered in this problem is to calculate the optimal route
to the deadline specified service. Vehicle Routing Problem with Time Window (VRPTW) in the Genetic
Algorithm (GA) capable of calculating vehicle route optimization with a limited of capacity. The GA principle
is based on the concepts of biology evolution that is reproduction, mutation, crossover, and selection. In this
study, there are 20 chromosomes as a customer with the distance, demand and the service time (time frame).
The number of requests each chromosome is divided according to the capacity of the truck. From these data
would set up a population with varying amounts. The optimal of population size from the trial results is 80
populations and the optimal generation as much as 2500 generations. Probability value of the crossover and
mutation probabilities obtained from the best fitness value is 0.021716518 with crossover probability 0.4 and
mutation probability of 0.6. The final result is the best chromosome which is the success of the subsidized rice
distribution with optimal time and the lowest number of penalties.
Keywords : Genetic algorithm, route optimization, Vehicle Routing Problem with Time Window
ABSTRAK
Penyaluran Beras Bersubsidi Bagi Kelompok Masyarakat Berpendapatan Rendah (Raskin) merupakan
program nasional dari Pemerintah Pusat dan Daerah untuk meningkatkan kesejahteraan dalam memenuhi
kebutuhan pangan masyarakat berpendapatan rendah. Penyaluran Beras Bersubsidi telah dilakukan Perum
Bulog kesetiap pelanggan dengan kebutuhan khusus. Kondisi ini menyebabkan distributor memiliki kesulitan
saat melakukan pengiriman beras ke setiap tujuan dengan permintaan, waktu jarak tempuh, dan waktu
pelayanan yang berbeda-beda. Solusi yang perlu diperhatikan dalam permasalahan ini adalah menghitung rute
optimal dengan batas waktu pelayanan yang sudah ditentukan. Vehicle Routing Problem with Time Window
(VRPTW) dalam Algoritma Genetika mampu menghitung optimasi rute dengan kapasitas kendaraan yang
terbatas. Pada penelitian ini terdapat 20 kromosom sebagai pelanggan dengan jarak, jumlah permintaan dan
waktu pelayanan (time frame). Jumlah permintaan setiap kromosom dibagi sesuai kapasitas truk. Dari data
tersebut akan dibentuk sebuah populasi dengan jumlah yang bervariasi. Ukuran populasi yang optimal dari hasil
uji coba adalah 80 populasi. Dengan generasi optimal sebanyak 2500 generasi. Nilai probabilitas crossover dan
probabilitas mutasi didapat dari nilai fitness terbaik yaitu 0.021716518 dengan probabilitas crossover 0.4 dan
probabilitas mutasi 0.6. Hasil akhir adalah kromosom terbaik yang merupakan keberhasilan distribusi beras
bersubsidi dengan waktu optimal dan jumlah pinalti terendah.
Kata Kunci : Algoritma genetika, optimasi rute, Vehicle Routing Problem with Time Window
1
Original Article
Putri, FB, Mahmudy, WF & Ratnawati, DE 2015, 'Penerapan algoritma genetika untuk vehicle routing problem with
time windows (VRPTW) pada kasus optimasi distribusi beras bersubsidi', DORO: Repository Jurnal Mahasiswa
PTIIK Universitas Brawijaya, vol. 5, no. 1.
1. PENDAHULUAN
1.1 Latar Belakang
Penyaluran Beras Bersubsidi Bagi Kelompok 1.2 Rumusan Masalah
Masyarakat Berpendapatan Rendah (Raskin)
merupakan program nasional dari Pemerintah Pusat Berdasarkan uraian pada latar belakang
dan Daerah untuk meningkatkan kesejahteraan masalah, maka rumusan masalah yang diselesaikan
dalam memenuhi kebutuhan pangan masyarakat. adalah :
Penyaluran Beras Bersubsidi telah dilakukan sesuai 1. Bagaimana menerapkan algoritma genetika
peraturan pemerintah RI No.7 tahun 2003 untuk menyelesaikan permasalahan VRPTW
menyatakan bahwa Perum Bulog yang bertanggung pada distribusi beras bersubsidi.
jawab atas tugas pokok dalam kegiatan distribusi 2. Bagaimana pengaruh parameter genetika
beras miskin (Raskin) [1]. Perum Bulog melakukan (probabilitas crossover, probabilitas mutasi,
penyaluran Raskin kesetiap pelanggan dengan jumlah populasi dan jumlah generasi) terhadap
jumlah permintaan yang berdeda-beda. Seringkali hasil nilai fitness yang didapatkan.
menjadi masalah jika pengiriman beras 1.3 Batasan Masalah
membutuhkan waktu lebih lama hingga melewati
jam kerja pengiriman karena dipengaruhi oleh Dari permasalahan pada uraian latar belakang
beberapa faktor yaitu; waktu tempuh pada setiap masalah, berikut ini diberikan batasan masalah
tujuan dan kapasitas kendaraan. Maka solusi yang untuk menghindari melebarnya masalah , yaitu :
perlu diperhatikan adalah menghitung rute pada 1. Kajian yang digunakan berdasarkan data
setiap tujuan yang dimulai dari Gudang Distribusi dummy.
(Depot). Perhitungan rute menyatakan kendaraan 2. Panjang kromosom sebanyak 20 dengan
akan mengunjungi pelanggan tepat hanya satu kali jumlah permintaan, waktu pelayanan dan
sesuai dengan urutan rute terpendek hingga jarak yang berbeda pada setiap pelanggan.
kembali lagi ke depot[9]. 3. Distribusi dimulai pukul 07.00 dan dilakukan
one day service dengan kunjungan tepat satu
Dalam menyelesaikan masalah yang diuraikan, kali berdasarkan time window
untuk menghitung rute optimal dengan batas waktu 4. Kedatangan kendaraan sebelum waktu buka
pelayanan yang sudah ditentukan, maka penerapan maka akan dikenakan waktu tunggu
dalam Algoritma Genetika yang dapat digunakan 5. Kendaraan datang melebihi waktu tutup akan
adalah Vehicle Routing Problem with Time Window dikenakan pinalti dan pelanggan terlewati.
(VRPTW). Proses perhitungan pada penelitian ini
dilakukan representasi kromosom terhadap suatu
1.4 Tujuan
populasi. Setiap kromosom memiliki jarak, waktu Dari identifikasi latar belakang dan batasan
pelayanan, waktu buka-tutup dan permintaan yang masalah yang ada maka tujuan penulisan skripsi ini
akan dibagi pada beberapa truk sesuai kapasitas. adalah :
Jika waktu buka-tutup (time window) tidak sesuai 1. Menerapkan algoritma genetika untuk Vehicle
dengan kedatangan kendaraan maka akan Routing Problem with Time Window
dikenakan waktu tunggu sebelum waktu buka dan (VRPTW) untuk optimasi distribusi beras
dikenakan pinalti keterlambatan jika kendaraan bersubsidi keseluruh pelanggan.
sampai melebihi waktu tutup. Perhitungan tersebut 2. Mengetahui dan mengukur pengaruh
menghasilkan nilai fitness pada setiap generasi parameter genetika (probabilitas crossover,
hingga menghasilakan keturunan terbaik. Generasi probabilitas mutasi, dan jumlah populasi dan
terbaik didapatkan dari pemilihan nilai fitness pada jumlah generasi) terhadap hasil dari optimasi
setiap populasi yang dilakukan secara berulang- distribusi beras bersubsidi.
ulang hingga kondisi terpenuhi [12].
2. TINJAUAN PUSTAKA
Algoritma genetika banyak digunakan dalam 2.1 Algoritma Genetika
masalah optimasi pencarian rute untuk beberapa
permasalahan selesman [8]. Pada penelitian ini Algoritma genetika merupakan cabang dari
diterapkan VRPTW untuk mendapatkan hasil algoritma evolusi dengan metode adaptive yang
kromosom terbaik dalam optimasi rute. Panjang pertama kali diperkenalkan oleh John Holland dari
kromosom adalah 20, tiap gen dianggap sebagai Universitas Michigan pada tahun 1975. Algoritma
pelanggan. Setiap pelanggan memiliki jarak, time genetika merupakan metode pencarian solusi yang
window, dan permintaan masing-masing. dapat digunakan untuk memecahkan pencarian
2
Original Article
Putri, FB, Mahmudy, WF & Ratnawati, DE 2015, 'Penerapan algoritma genetika untuk vehicle routing problem with
time windows (VRPTW) pada kasus optimasi distribusi beras bersubsidi', DORO: Repository Jurnal Mahasiswa
PTIIK Universitas Brawijaya, vol. 5, no. 1.
Parent1 18 6 3 10 2 5 11 20 14 4 15 7 9 19 12 17 1 16 8 13
Parent2 19 9 7 12 11 2 18 8 6 16 13 17 10 14 20 4 15 1 5 3
Proto Child
Parent1 18 6 3 10 2 18 11 20 14 4 15 7 9 19 12 3 1 16 8 13
Parent2 19 9 7 12 11 2 5 8 6 16 13 17 10 14 20 4 15 1 5 17
Mapping
18 3
5 17
Child
OffSpring1 5 6 17 10 2 18 11 20 14 4 15 7 9 19 12 3 1 16 8 13
OffSpring1 19 9 7 12 11 2 5 8 6 16 13 3 10 14 20 4 15 1 18 17
Gambar 1. Contoh proses crossover
nilai dalam masalah optimasi [2]. Pencarian dalam Nilai fitness untuk menyatakan baik tidaknya
algoritma genetika berdasar pada mekanisme suatu individu. Dalam evolusi alam, individu yang
biologis dalam beragam evolusi yang berupa bernilai fitness rendah akan mati. Pada
variasi kromosom pada setiap individu organisme. permasalahan optimasi nilai fitness dapat
Dimana variasi kromosom akan mempengaruhi digunakan untuk masalah maksimasi yang
sistem reproduksi dan tingkat kemampuan hidup ditunjukan pada persamaan(1).
organisme sebagai generasi penerus terbaik [3]. = (1)
Algoritma genetika memiliki 5 komponen penting, Keterangan :
yaitu [6]: = keterlambatan kendaraan datang yang
melewati batas waktu tutup
1. Representasi genetik sebagai solusi dari sebuah
= waktu tempuh kendaraan
masalah
2. Proses membangkitkan populasi awal
Pada persamaan (1) suatu rute dikatakan
3. Fungsi untuk mengevaluasi solusi dengan nilai
optimal jika terdapat minimasi nilai pinalti dan
fitness pada setiap individu
jarak tempuh.
4. Beberapa operator genetika yang menghasilkan
keturunan offspring 2.4 Crossover
5. Nilai parameter yang mencakup ukuran
populasi dan nilai probabilitas yang digunakan Crossover merupakan proses persilangan yang
dalam operator genetika. dilakukan pada dua individu yang dipilih secara
acak sebagai parent untuk menghasilkan individu
baru (offspring) sebagai anak. Kromosom anak
2.2 Vehicle Routing Problem with Time yang dihasilkan merupakan kombinasi gen-gen
Window (VRPTW) yang dimiliki oleh kromosom induk.
Pada tahun 1959, Dantzing dan Ramser Secara umum, mekanisme kawin silang adalah
menemukan Vehicle Routing Problem VRP sebagai berikut :
pertama kali yang merupakan program non-linear 1. Memilih secara acak dua kromosom sebagai
untuk pencarian sebuah solusi dalam memecahkan parent.
suatu masalah [11]. Bentuk perluasan dari VRP 2. Menentukan dua titik potong secara acak pada
adalah Vehicle Routing Problem with Time Window setiap kromosom sebagai area pemetaan.
(VRPTW). VRPTW mampu memecahkan masalah 3. Lakukan pertukaran area pemetaan pada
kapasitas angkut kendaraan dalam time frame parent1 dan parent2.
dimana kendaraan harus melayani setiap konsumen 4. Gen yang sama dalam satu kromosom diganti
pada time frame tertentu. VRPTW dapat dengan nilai gen sesuai ketentuan pemetaan.
digambarkan sebagai masalah perancangan Contoh proses crossover ditunjukan pada
optimasi rute dengan pengeluaran biaya yang Gambar 1:
minimal dari suatu depot kebeberapa tujuan. Rute
harus dirancang sesuai perhitungan jarak kesetiap 2.5 Mutasi
tujan agar setiap titik hanya dikunjungi sekali saja Proses mutasi merupakan proses reproduksi
oleh kendaraan. Semua rute yang dilalui harus yang hanya menggunakan satu individu terpilih
berangkat dan berakhir di depot yang sama dengan sebagai parent. Anak (offspring) yang dihasilkan
total sebanyak Pm (probabilitas mutasi). Pada proses
2.3 Nilai Fitness mutasi ini gen yang akan ditukar sebanyak 4 titik
yang diambil secara acak. Pm = 0.2, maka
dilakukan proses mutasi pada dua individu.
3
Original Article
Putri, FB, Mahmudy, WF & Ratnawati, DE 2015, 'Penerapan algoritma genetika untuk vehicle routing problem with
time windows (VRPTW) pada kasus optimasi distribusi beras bersubsidi', DORO: Repository Jurnal Mahasiswa
PTIIK Universitas Brawijaya, vol. 5, no. 1.
Parent1 6 8 5 11 20 2 18 3 10 9 13 15 17 12 4 16 1 7 14 19
offSpring1 6 8 5 11 13 2 18 3 10 9 20 15 17 14 4 16 1 7 12 19
Parent2 15 7 11 2 17 8 10 16 12 3 14 18 9 5 1 4 19 13 20 6
offSpring2 15 7 11 2 14 8 10 16 12 3 17 18 9 5 6 4 19 13 20 1
Individu yang terpilih sebagai parent adalah P8 b. Proses distribusi berawal dari gudang Bulog
dengan penukaran gen pada titik-5, ditukar dengan sebagai keberangkatan kendaraan.
den pada titik-11 dan gen pada titik-14 ditukar c. Setiap kendaraan berangkat dengan jumlah
dengan gen pada titik-19. Kemudian P2 dengan muatan yang berbeda-beda karena pada setiap
penukaran gen pada titik-5 ditukar dengan den pada tujuan (kecamatan) memiliki data permintan
titik-11 dan gen pada titik-15 ditukar dengan gen RTM yang berbeda.
pada titik-20. Hal ini dilakukan agar anak yang d. Setiap distribusi memiliki waktu pembongkaran
dihasilkan tidak mengalami banyak kemiripan barang sesuai ketentuan pelanggan.
dengan induk. Contoh proses mutasi ditunjukan e. Setelah proses distribusi dilakukan, kendaraan
pada Gambar 2. akan kembali gudang Bulog.
2.6 Seleksi Elitis
Seleksi Elitis merupakan metode seleksi
dimana individu dalam suatu populasi akan
diurutkan berdasarkan hasil objektif. Sifat 3. METODOLOGI PENELITIAN DAN
pemilihan individu pada seleksi elitis ini adalah PERANCANGAN
memilih kromosom dengan nilai fitness tertinggi Pada bagian ini dibahas tentang metode dan
sebanyak pop-size yang akan bertahan hidup dan perancangan pada implentasi genetic algorithm
dapat mewariskan karakteristik terbaik pada dalam vehicle routing problem with time windows
generasi berikutnya. Sebaliknya untuk individu pada distribusi beras bersubsidi. Gambar 3
yang memiliki nilai fitness rendah akan hilang pada menunjukkan tahapan untuk melakukan penelitian.
generasi berikutnya [10].
4
Original Article
Putri, FB, Mahmudy, WF & Ratnawati, DE 2015, 'Penerapan algoritma genetika untuk vehicle routing problem with
time windows (VRPTW) pada kasus optimasi distribusi beras bersubsidi', DORO: Repository Jurnal Mahasiswa
PTIIK Universitas Brawijaya, vol. 5, no. 1.
3.1 Data Penelitian genetika. Gambar 5 merupakan implementasi user
interface pada halaman utama.
Data yang digunakan adalah data simulasi
yang disesuaikan dengan karakteristik pada kondisi
nyaata. Pembuatan data disesuaikan berdasarkan
wawancara informal dengan pakar yang
mengetahui permasalahan VRPTW di lingkungan
pekerjaan pakar tersebut. Data yang dibuat terdiri
dari 20 pelanggan yang tersebar secara acak, setiap
pelanggan memiliki jarak dan waktu tempuh yang
berbeda-beda. Pada setiap pelanggan dilengkapi
dengan data time windows, jumlah permintaan, dan
lama waktu pelayanan.
0.021709951
0.0216
0.021351404 0.021456741
0.0214 0.021328039
0.0212
0.021
500 1000 1500 2000 2500 3000 3500
Jumlah Generasi
0.0205
0.020291414
0.02 0.019834778
0.0195 0.01949582
0.019
0.0185
0.018
20 40 60 80 100 120
Jumlah Populasi
0.02 0.020082441
0.0195
0.019
Pc:1 Pc:0.9 Pc:0.8 Pc:0.7 Pc:0.6 Pc:0.5 Pc:0.4 Pc:0.3 Pc:0.2 Pc:0.1 Pc:0
Pm:0 Pm:0.1 Pm:0.2 Pm:0.3 Pm:0.4 Pm:0.5 Pm:0.6 Pm:0.7 Pm:0.8 Pm:0.9 Pm:1
Gambar 9. Grafik hasil uji coba kombinasi probabilitas crossovet dan probabilitas mutasi
5.2.4 Hasil dan Analisa Pengujian Metode Pada pengujian ini dilakukan untuk
Seleksi Elitis dan Binary Tournament membandingkan metode seleksi mana yang terbaik
7
Original Article
Putri, FB, Mahmudy, WF & Ratnawati, DE 2015, 'Penerapan algoritma genetika untuk vehicle routing problem with
time windows (VRPTW) pada kasus optimasi distribusi beras bersubsidi', DORO: Repository Jurnal Mahasiswa
PTIIK Universitas Brawijaya, vol. 5, no. 1.
pada permasalahan VRPTW untuk optimasi mengetahui metode seleksi nama yang lebih baik
distribusi beras bersubsidi. Pengujian setiap metode untuk menghasilkan nilai fitness optimal. Gambar
seleksi dilakukan sebanyak 10 kali sesuai skenario 10 merupakan grafik hasil uji coba metode seleksi
pengujian seperti berikut : elitis dan binary tournament. Dari grafik tersebut
dapat dilihat bahwa hasil fitness metode elitis selalu
1) Menguji program dengan metode seleksi berada diatas metode binary tournament. Dengan
Elitis dengan jumlah generasi sebanyak rata-rata nilai fitness metode elitis adalah 0.021383
1500 generasi, 60 populasi serta nilai Pc lebih besar dibandingkan dengan rata-rata nilai
dan Pm adalah 0.5. Pengujian dilakukan fitness metode binary tournament yaitu sebesar
sebanyak 10 kali percobaan. 0.020401. Hingga percobaan ke-10 metode binary
2) Menguji program dengan metode seleksi tournament mengalami penurunan nilai rata-rata
Binary Tournament dengan jumlah fitness jauh dibandingkan metode elitis yang selalu
generasi sebanyak 1500 generasi, 60 mengalami peningkatan. Hal ini membuktikan
populasi serta nilai Pc dan Pm adalah 0.5. bahwa metode seleksi yang optimal untuk
permasalahan optimasi distribusi beras adalah
Hasil dari setiap metode seleksi akan didapatkan metode seleksi elitis.
nilai fitness pada masing-masing percobaan untuk
0.0205
0.02
0.0195
0.019
0.0185
0.018
0.0175
1 2 3 4 5 6 7 8 9 10
Elitis 0.021698 0.019998 0.021725 0.021649 0.021748 0.01981 0.022065 0.021599 0.021935 0.021598
Binary 0.019817 0.01972 0.019089 0.02158 0.021555 0.019312 0.021927 0.019602 0.021705 0.019702
9
Original Article
Putri, FB, Mahmudy, WF & Ratnawati, DE 2015, 'Penerapan algoritma genetika untuk vehicle routing problem with
time windows (VRPTW) pada kasus optimasi distribusi beras bersubsidi', DORO: Repository Jurnal Mahasiswa
PTIIK Universitas Brawijaya, vol. 5, no. 1.