Hasil clustering 150 data kondisi perkebunan kelapa sawit

No. Kebun

Klaster 1 Klaster 2 Klaster 3

2 5 1 4 9 3 8 13 6 12 16 7 15 17 10 19 18 11 23 22 14 28 29 20 30 32 21 36 33 24 37 34 25 40 38 26

52

47 27

55

48 31 61 49 35 67 50 39 72 51 41 73 59 42 79 60 43 80 62 44 81 66 45 82 69 46 90 71 53 92 74 54 96 77 56 99 83 57 100 84 58 101 87 63 104 91 64 105 98 65 110 102 68 111 103 70 112 106 75 113 108 76 115 109 78 118 116 85 124 117 86 128 119 88 129 120 89

Klaster 1 Klaster 2 Klaster 3 133 126 93 135 127 94 136 130 95 142 134 97 147 137 107 148 139 114

140 121

143 122

145 123

149 125

150 131

132

138

141

144

146

SISTEM PENUNJANG KEPUTUSAN CERDAS PERENCANAAN

INDUSTRI PENGOLAHAN BATANG KELAPA SAWIT MENJADI

SERBUK SAWIT UNTUK PROSES PENGEBORAN MINYAK

SKRIPSI

Oleh:

MUTHIA DWIASTRI

F34070133

2011

DEPARTEMEN TEKNOLOGI INDUSTRI PERTANIAN

FAKULTAS TEKNOLOGI PERTANIAN

INSTITUT PERTANIAN BOGOR

BOGOR

INTELLIGENT DECISION SUPPORT SYSTEM FOR INDUSTRIAL PLANNING

OF PALMTRUNK PROCESSING INTO PALM POWDER IN OIL DRILLING

PROCESS

Muthia Dwiastri, Yandra Arkeman, and Khaswar Syamsu Department of Agroindustrial Technology, Faculty of Agricultural Technology Bogor Agricultural University, Dramaga Campus, PO BOX 220, Bogor, West Java,

Indonesia. Phone: +62856 920 47 661, email: [email protected]

ABSTRACT

Utilization of oil palm has been limited to the fruit to produce oil and all its derivatives, as well as a certain level of utilization of fiber fruits, stems and bark to produce fiber. Trunk of a rejuvenation of old plants that have the largest mass is still untapped commercially.

The establishment of an industry decision-making can use the decision support system (DSS), which will help determine the best decision. DSS is a specific concept of a computerized system that links between decision makers and user, which in detail describes the elements of the system. The system was made must be described clearly one factor that may become obstacles and alternative solutions.

Genetic algorithms are techniques of global optimization search that work according to the principle of evolution and the genetics of the biological mechanisms, such as crossings, mutations, and others. Genetic algorithms are widely used for solving complex optimization problems that can not be solved with conventional optimization techniques.

Critical factors in palmpowder industries were the availability of raw materials or the mass of palm trunk, the balance of energy produced versus the energy required, the determination of industrial location, and scheduling the cutting plant and investment feasibility. The developed industrial planning decision support system, more efficient in program code usage and easy to develop.

Muthia Dwiastri F34070133. Sistem Penunjang Keputusan Cerdas Perencanaan Industri Pengolahan Batang Kelapa Sawit Menjadi Serbuk Sawit untuk Pengeboran Minyak. Di bawah bimbingan Yandra Arkeman dan Khaswar Syamsu. 2011.

RINGKASAN

Pemanfaatan kelapa sawit selama ini hanya terbatas pada buah untuk memproduksi minyak beserta segala turunannya, serta sampai pada tingkat tertentu pemanfaatan serat buah, tandan dan pelepah untuk memproduksi serat. Bagian batang hasil peremajaan tanaman tua yang mempunyai massa terbesar masih belum dimanfaatkan secara komersil. Dari sekitar 2 juta hektar tanaman kelapa sawit di indonesia pada tahun 1997, diperkirakan potensi produksi batang kelapa sawit terbesar adalah Sumatera Utara dan Riau dengan volume sekitar 5 juta m3/tahun. Melihat besarnya potensi batang kelapa sawit yang dihasilkan serta minimnya industri pemanfaatan batang kelapa sawit menjadi produk yang bernilai tambah, pendirian industri pengolahan batang kelapa sawit menjadi loss circulation material (LCM) serbuk sawit sebagai bahan additive di dalam lumpur pengeboran sangatlah berpotensi untuk didirikan.

Secara umum tujuan dari penelitian ini adalah untuk melakukan analisis tekno ekonomi dan menghasilkan sistem yang dapat memberikan keputusan terbaik bagi investor di industri pengolahan limbah batang kelapa sawit menjadi serbuk sawit. Pendekatan yang dilakukan adalah dengan pendekatan sistem yang terdiri dari model pemilihan lokasi alternatif, model forecasting, model optimasi untuk menyelesaikan masalah penjadwalan penebangan pohon kelapa sawit, model teknis dan teknologis serta model finansial dalam menentukan kelayakan suatu industri.

Algoritma genetika merupakan teknik pencarian dan optimasi global yang bekerja berdasarkan prinsip evolusi dan mekanisme biologi genetika, seperti penyilangan, mutasi dan lainnya. Algoritma genetika banyak digunakan untuk memecahkan masalah optimasi yang rumit dan tidak dapat dipecahkan dengan teknik optimasi konvensional. Clustering adalah klasifikasi objek serupa ke dalam beberapa kelompok. Lebih tepatnya, partisi dari kumpulan data ke subset (cluster). Metode clustering yang digunakan dalam penelitian ini adalah clustering dengan metode

K-Means. Metode K-Means dapat mengklasifikasikan data sesuai dengan kesamaan antar data dengan perhitungan jarak perbedaan menggunakan rumus Euclidean.

Metode algoritma genetika dan clustering digunakan dalam model penjadwalan penebangan batang kelapa sawit. Algoritma genetika digunakan dalam menyelasaikan total salesperson problem (TSP) untuk mencari jarak tempuh terpendek yang akan dilalui penebang dalam melakukan proses re-planting. Jarak tempuh terpendek yang dihasilkan dalam penelitian ini sebesar 633 km. Setelah jarak tempuh terpendek didapat, dilakukan analisis pengelompokkan data blok kebun dengan metode clustering guna mendapatkan blok-blok kebun yang nantinya akan di tebang pertama kali. Digunakan 150 contoh random data perkebunan dengan tiga atribut yang berupa usia pohon, produktivitas pohon dan infeksi terhadap penyakit. Dari proses tersebut didapat bahwa klaster 1 merupakan klaster blok kebun yang akan ditebang pertama kalinya.

Target pemasaran produk loss ciruculation material (LCM) serbuk sawit ini lebih ditujukan pada perusahaan- perusahaan pengeboran minyak dan perusahaan penyedia lumpur pengeboran baik dalam negeri maupun luar negeri dengan kemasan berupa kemasan berbahan dasar plastik dengan bobot tertentu . Penjualan produk secara langsung ke konsumen dan produk disalurkan melalui distributor pada wilayah tertentu. Kapasitas industri LCM serbuk sawit ini adalah 512 kg per hari. Penentuan kapasitas ini berdasarkan jumlah bahan baku yang dihasilkan oleh kebun. Industri LCM serbuk sawit ini direncanakan didirikan di Rokan Hulu, Riau dengan seleksi kriteria-kriteria yang berhubungan dengan menggunakan metode perbandingan eksponensial. Industri ini dijalankan oleh 25 orang tenaga kerja dengan deskripsi kerja masing- masing dengan luas pabrik sekitar 658 m2. Industri LCM serbuk sawit ini menghasilkan limbah padat yang dapat diolah menjadi produk samping.

Besarnya investasi yang diperlukan untuk pendirian industri LCM serbuk sawit ini adalah sebesar Rp 559,298,250 dengan umur proyek 10 tahun, yang terdiri dari nilai NPV Rp. 723,717,481, IRR sebesar 30%, nett B/C sebesar 2.19 dan PBP selama 3.8 tahun sehingga industri LCM serbuk sawit ini dinyatakan layak untuk didirikan ditinjau dari analisis kriteria kelayakan yang berupa nilai NPV lebih dari nol, IRR lebih dari sama dengan discount factor dan PBP kurang dari umur proyek.

I. PENDAHULUAN

A. Latar Belakang

Melihat perkembangan harga minyak sawit dipasaran internasional cenderung membaik, industri minyak sawit akan menjadi andalan devisa di masa depan. Untuk dapat bersaing dipasar global, perkembangan dan persyaratan perdagangan internasional perlu di antisipasi. Industri kelapa sawit nasional mengalami perkembangan menggembirakan. Terbukti selama tahun 1985- 2005, pertambahan kebun kelapa sawit mencapai lima juta hektar per tahun atau meningkat 837 persen, dan hal itupun dibuktikan juga oleh kontribusi minyak sawit terhadap ekspor nasional yang mencapai enam persen, komoditas ini juga nomor satu dari produksi Indonesia. Selama tahun 2005, minyak sawit telah menjadi minyak makan terbesar didunia. Pasokan crude palm oil (CPO) untuk produksi dalam negri juga meningkat menjadi 12,8 juta ton pada tahun 2005, bila dibandingkan dengan 12,5 juta ton pada tahun 2004. Pada tahun 2010, perkebunan kelapa sawit dapat menyerap hingga 500 ribu tenaga kerja dan menghasilkan 2,7 juta TBS (tandan buah segar) per tahun dan diperkirakan akan menjadi produsen minyak sawit terbesar didunia (Ditjenbun, 2006).

Namun seperti dua sisi mata uang yang tidak dapat dipisahkan, dampak positif dari perkembangan seperti sektor agroindustri umumnya dan perkebunan kelapa sawit khususnya, juga diikuti oleh dampak negatif terhadap lingkungan akibat dihasilkannya limbah cair, padat dan gas dari kegiatan kebun dan Pabrik Kelapa Sawit (PKS). Untuk itu tindakan pencegahan dan penanggulangan dampak negatif dari kegiatan Perkebunan Kelapa Sawit dan PKS harus dilakukan dan sekaligus meningkatkan dampak positifnya. Tindakan tersebut tidak cukup dengan mengandalkan peraturan perundang-undangan saja tetapi perlu juga didukung oleh pengaturan sendiri secara sukarela dan pendekatan instrumen-instrumen ekonomi. Pengaturan ini dikenal sebagai mixed policy tools.

Kenyataan menunjukkan bahwa sejak masalah lingkungan hidup mulai diangkat kepermukaan, Indonesia memiliki berbagai macam program yang berkaitan dengan lingkungan yang tidak mencapai sasaran secara optimal. Hal ini disebabkan antara lain oleh pendekatannya

yang bersifat “pemaksaan” melalui berbagai peraturan perundang-undangan dengan berbagai ancaman sanksi. Belajar dari hal tersebut, dewasa ini telah terjadi perkembangan pemikiran dimana limbah yang sebelumnya dikategorikan sebagai produk samping yang menimbulkan masalah dan selayaknya harus ditanggulangi (end-of-pipe), saat ini dianggap sebagai indikator tidak efisiennya proses produksi. Pemikiran inilah yang mendorong perubahan strategi penanganan limbah

Ketergantungan proses produksi terhadap bahan baku impor dapat menghambat kontinuitas produksi suatu kegiatan usaha. Oleh sebab itu perlu ditemukan terobosan-terobosan untuk meningkatkan nilai tambah material yang tidak termanfaatkan, sehingga dapat menjadi bahan baku bagi industri lain dan mendorong industri untuk menggunakan bahan baku yang berasal dari kandungan lokal.

Pemanfaatan kelapa sawit selama ini hanya terbatas pada buah untuk memproduksi minyak beserta segala turunannya, serta sampai pada tingkat tertentu pemanfaatan serat buah, tandan dan pelepah untuk memproduksi serat. Bagian batang hasil peremajaan tanaman tua yang mempunyai massa terbesar masih belum dimanfaatkan secara komersil. Dari sekitar dua juta hektar tanaman kelapa sawit di Indonesia pada tahun 1997, diperkirakan potensi produksi batang kelapa sawit terbesar adalah Sumatera Utara dan Riau dengan volume sekitar lima juta m3/tahun. Secara umum potensi batang kelapa sawit di indonesia terkonsentrasi di pulau Sumatera dengan

volume lebih dari 17 juta m3/tahun atau sekitar 74% dari potensi batang kelapa sawit nasional (Balfas, 2003). Melihat besarnya potensi batang kelapa sawit yang dihasilkan serta minimnya industri pemanfaatan batang kelapa sawit menjadi produk yang bernilai tambah, pendirian industri pengolahan batang kelapa sawit menjadi serbuk sawit sebagai bahan aditif di dalam lumpur pengeboran sangatlah potensial untuk didirikan.

Pengambilan keputusan pendirian suatu industri dapat menggunakan suatu sistem penunjang keputusan (SPK), yang akan membantu menentukan keputusan terbaik. SPK merupakan suatu konsep spesifik yang menghubungkan sistem komputerisasi dengan para pengambil keputusan sebagai pemaikainya, yang secara rinci memaparkan elemen-elemen sistem. Pemaparan yang semakin detil dapat semakin baik menunjang proses pengambilan keputusan (Eriyatno, 1999). Sistem yang dibuat harus dapat menggambarkan dengan jelas faktor yang mungkin menjadi penghambat dan alternatif penyelesaiannya. Secara umum tujuan dari penelitian ini adalah untuk menghasilkan keputusan terbaik bagi investor di industri pengolahan limbah batang kelapa sawit menjadi serbuk sawit. Pendekatan yang dilakukan adalah dengan pendekatan sistem yang terdiri dari model pemilihan lokasi alternatif, model forecasting, model optimasi untuk menyelesaikan masalah penjadwalan penebangan pohon kelapa sawit, model teknis dan teknologis serta model finansial dalam menentukan kelayakan suatu industri.

B. Tujuan

Penelitian ini secara khusus pada pengembangan sistem penunjang keputusan cerdas untuk perencanaan industri pengolahan batang kelapa sawit menjadi serbuk sawit untuk menunjang proses pengambilan keputusan yang terkait dengan perusahaan pengeboran minyak itu sendiri. Tujuan penelitian ini antara lain:

1. Menganalisa teknoekonomi pendirian industri serbuk sawit dari aspek pasar dan pemasaran, aspek teknik dan teknologis, aspek manajemen, aspek legalitas, aspek lingkungan, serta analisis finansial dan analisis sensitivitas. Kemungkinan hasil studi yang diperoleh dapat menyatakan bahwa industri serbuk sawit tersebut layak atau tidak layak. Jika layak maka pendirian industri serbuk sawit ini dapat direalisasikan, sedangkan jika tidak layak maka industri tersebut tidak dapat direalisasika

2. Merancang, mengembangkan dan menghasilkan model sistem penunjang keputusan untuk perencanaan industri serbuk sawit sehingga para pelaku bisnis atau investor dapat mengetahui gambaran mengenai peluang dan prospek industri tersebut serta dapat mengambil keputusan secara sistematis.

3. Mengaplikasikan algoritma genetik dan k-means clustering sebagai bagian dari sistem penunjang keputusan cerdas untuk perencanaan industri pengolahan limbah batang kelapa sawit menjadi serbuk sawit

C. Ruang lingkup

Ruang lingkup perancangan sistem penunjang keputusan untuk perencanaan industri pengolahan batang kelapa sawit menjadi serbuk sawit yaitu:

1. Analisis tekno ekonomi pendirian industri serbuk sawit

3. Analisis prakiraan jumlah bahan baku yang dapat digunakan 4. Analisis aspek teknis dan teknologis industri serbuk sawit 5. Analisis penjadwalan penebangan

II. TINJAUAN PUSTAKA

A. Sistem Penunjang Keputusan

Sistem penunjang keputusan adalah konsep spesifik yang menghubungkan sistem komputerisasi dengan para pengambil keputusan sebagai penggunanya (Eriyatno, 1996). Menurut Keen dan Morton (1978), sistem penunjang keputusan adalah suatu sistem berbasis komputer- interaktif yang memudahkan pemecahan masalah dari problem-problem keputusan yang semi- terstruktur dan tidak terstruktur. Sedangkan menurut Dhar dan Stein (1997), sistem penunjang keputusan merupakan bagian dari sistem informasi manajemen dan digunakan sebagai bagian dari sebuah proses dimana di dalamnya manusia melakukan kegiatan pengambilan keputusan yang dilakukan secara berulang.

Dhar dan Stein (1997) membuat taksonomi dari sistem informasi manajemen sebagaimana ditunjukkan oleh Gambar 1. Taksonomi tersebut membagi sistem informasi manajemen secara umum menjadi pemroses transaksi dan sistem penunjang keputusan.

Gambar 1. Taksonomi sistem informasi manajemen

Sebuah sistem penunjang keputusan pada umumnya digunakan untuk mendukung keputusan-keputusan yang memiliki pengaruh jangka panjang dan membutuhkan pembenaran dari manusia. Pembenaran dari manusia diperlukan ketika suatu masalah menjadi sangat tidak terstruktur bagi model sistem penunjang keputusan untuk menangkap perbedaan kecil dalam situasi pengambilan keputusan (Dhar dan Stein, 1997).

Menurut Keen dan Morton (1978), aplikasi sistem penunjang keputusan akan berguna apabila:

1. Dibutuhkan efisiensi waktu dalam pengolahan data. 2. Terbatasnya waktu dalam pengambilan keputusan

3. Diperlukan manipulasi dan komputasi dalam proses pencapaian tujuan

4. Perlunya penentuan masalah, pengembangan alternatif dan pemilihan solusi berdasarkan akal sehat.

Menurut Dhar dan Stein (1997), sistem penunjang keputusan dapat dibagi menjadi dua tipe. Tipe pertama adalah model-driven DSS, yaitu sistem penunjang keputusan yang nilainya

Sistem Informasi Manajemen

Pemroses Transaksi Sistem Penunjang Keputusan (SPK)

Model - Driven Decision Support System

Data - Driven Decision Support System

bergantung kepada kualitas model yang digunakan. Pada tipe ini, kemampuan analisisnya tergantung kepada model atau kekuatan teori yang digunakan, yang dikombinasikan dengan tampilan antar-muka yang baik sehingga mudah untuk digunakan. Tipe yang kedua adalah data - driven DSS, dimana nilainya bergantung kepada data yang dimilikinya. Tipe ini biasanya cukup sederhana, misalnya digunakan untuk menghitung rata-rata, total, dan distribusi data. Tujuannya adalah untuk memudahkan pengguna menghimpun sejumlah besar data yang kemudian diubah menjadi suatu bentuk yang berguna untuk mengelola bisnis.

Secara konsep, sistem penunjang keputusan terdiri dari tiga komponen utama yang menunjang proses pengambilan keputusan, yaitu: pengambilan keputusan, data, dan model yang masing-masing dikelola oleh sebuah sistem manajemen. Sistem manajemen dialog yang terdapat didalamnya berfungsi untuk mengelola masukan dan keluaran dari dan untuk pengguna. Pengelolaan atau manipulasi data dilakukan oleh sistem manajemen basis data, sedangkan model dikelola oleh sistem manajemen basis model.

Hubungan antara komponen utama yang terdapat dalam sistem penunjang keputusan tersebut dapat dilihat pada Gambar 2.

Gambar 2. Struktur sistem penunjang keputusan (Turban, 1991)

Sistem manajemen basis data harus bersifat interaktif dan fleksibel. Hal ini berarti sistem harus dapat mengakomodir apabila ternyata terdapat perubahan terhadap struktur, isi, dan ukuran elemen-elemen data (Minch dan Burns, 1983). Sifat tersebut merupakan yang penting karena menurut Turban (1991), komponen data harus dapat disunting, ditambah, atau dihapus agar tetap relevan bila dibutuhkan. Sistem manajemen basis model memberikan fasilitas pengelolaan model untuk mengkomputasi pengambilan keputusan atau aktifitas lainnya seperti pembuatan model, implementasi, pengujian, validasi, eksekusi dan pemeliharaan model (Eriyatno, 1996). Lebih lanjut Turban (1991), menjabarkan bahwa model yang dimaksud dapat berupa model finansial, statistika, atau model-model kuantitas yang disiapkan untuk sistem analitik.

Menurut Keen dan Morton (1978), tujuan dari sistem penunjang keputusan adalah membantu para pengambil keputusan dalam menyeleksi kriteria untuk proses pengambilan yang pada umunya bersifat struktural. Sifat ini berarti adanya kemampuan untuk menyelaraskan

Data

Model

Pengguna

Sistem Manajemen Basis Model (MBMS)

Sistem Manajemen Basis Data (DBMS)

Sistem Pengolahan Problematik

keputusan struktural dengan penilaian yang bersifat subyektif dari masing-masing struktural. Sistem ini hanya membantu dalam proses pengambilan keputusan, keputusan terakhir tetap berada ditangan pengambil keputusan. Teknik pengambilan keputusan ini dikembangkan hanya untuk meningkatkan efektifitas dalam proes pengambilan keputusan. Efektifitas dimaksud mencakup pada identifikasi dari apa yang harus dilakukan dan menjamin bahwa kriteria yang kemudian dipilih adalah relevan dengan tujuan yang telah ditetapkan.

B. Sistem Penunjang Keputusan Cerdas

Menurut Dhar dan stein (1997). Sistem penunjang keputusan cerdas merupakan sebuah sistem penunjang keputusan yang menggunakan teknik-teknik yang muncul dibidang intelejensi buatan (Artificial Intelligent) seperti: fuzzy systems, neural networks, machine learning dan genetic algorithms (algoritma genetik). Tujuannya adalah untuk membantu pengguna dalam mengakses, menampilkan, memahami, serta memanipulasi data secara lebih cepat dan mudah untuk membantunya dalam mengambil keputusan.

Suatu sistem penunjang keputusan cerdas diukur berdasarkan tingkat kecerdasannya yang disebut sebagai tingkat kerapatan kecerdasan merupakan perbandingan antara tingkat kepuasan yang dihasilkan dalam proses pengambilan keputusan dengan jumlah waktu analisis yang dihabiskan seorang pembuat keputusan. Misalnya, seorang pembuat keputusan secara konsisten membuat keputusan dengan kualitas yang sama setelah memeriksa sumber A selama 3 menit dan sumber B selama 30 menit. Maka sumber A dikatakan memiliki 10 kali tingkat kerapatan kecerdasan dibandingkan dengan sumber B (Dhar dan Stein, 1997). Sehingga sistem penunjang keputusan cerdas yang baik adalah sistem yang mampu menghasilkan keluaran yang dapat membantu pengambil keputusan menentukan keputusan dengan cepat tanpa mengurangi kualitas keputusan, atau dapat meningkatkan kualitas keputusan dalam rentang waktu yang sama. Suatu organisasi yang mampu mengurangi waktu yang dibutuhkan dalam membuat keputusan spesifik sekaligus melakukan analis spesifik tanpa menurunkan kualitas, atau meningkatkan kualitas analisis yang dilakukan dalam jangka waktu yang sama, akan memiliki sumber daya yang dapat digunakan secara lebih efektif, sehingga akan meningkatkan kompetensi organisasi tersebut (Dhar dan Stein, 1997). Gambar 3. Memperlihatkan tahap-tahap dalam meningkatkan tingkat kerapatan kecerdasan menurut Dhar dan Stein (1997).

Increasing Intelligence Density

Gambar 3. Tahapan untuk meningkatkan Intelligence Density

Berdasarkan tahapan diatas, langkah pertama adalah bagaimana memperoleh dan menghimpun data. Ada banyak cara untuk memperoleh data. Data elektronik, yakni data yang

Learn

Data

Transform

Integrate

Scrub

Discover

Access

disimpan di dalam database, dapat diperoleh dengan cara menemukan lokasi data, bagaimana memanggil data dengan perintah-perintah query, dan lain sebagainya. Sedangkan untuk data yang berasal dari keahlian manusia, dapat diperoleh dengan cara menghubungi pakar yang ahli dan berkonsultasi dengan mereka.

Setelah memperoleh data, tahap selanjutnay adalah memoles data tersebut, yakni dengan menyisihkan data-data yang rusak, tidak konsisten, tidak rapih, dan lain sebagainya. Setelah data bersih, tahap selanjutnya adalah mengintegrasikan data tersebut dengan data dari sumber-sumber lainnya untuk membangun gambaran yang lengkap dari model bisnis.

Sebuah solusi yang efektif dapat diperoleh dengan cara mengkombinasikan dua faktor, yakni kebutuhan akan intelligence density dari problem yang dihadapi, dengan kendala logistik terkait untuk digunakan dalam pengembangan solusi. Sedangkan faktor terakhir adalah kecocokan metode pencarian solusi yang digunakan dengan kedua faktor tersebut (Dhar dan Stein 1997).

C. Algoritma Genetika

Algoritma genetik merupakan suatu teknik pencarian optimasi stokastik (melibatkan probabilitas) yang cara kerjanya meniru proses evolusi dan perubahan genetik pada struktur kromosom makhluk hidup (Goldberg, 1989). Konsep dasar algoritma genetik pertama kali dicetuskan pada tahun 1975 oleh John Holland, seorang profesor di Universitas Michigan dalam sebuah bukunya yang berjudul Adaptation in Neural and Artificial System untuk melihat apakah sebuah program komputer dapat berevolusi seperti dalam logika Darwin (Dhar dan Stein, 1997).

Holland memperkenalkan sebuah pendekatan baru untuk memecahkan masalah yang rumit, masalah yang tidak dapat dipecahkan dengan teknik-teknik konvensional. Pendekatan baru yang diperkenalkannya itu terdiri dari beberapa tahapan pemecahan masalah (Algoritma) yang kemudian diimplementasikan dalam program komputer. Pendekatan ini telah memberi petunjuk untuk penemuan penting diantara sistem pengetahuan alami dan buatan.

Algoritma genetika termasuk kedalam sistem penunjang keputusan cerdas dikarenakan

Dalam dokumen Sistem penunjang keputusan cerdas perencanaan industri pengolahan batang kelapa sawit menjadi serbuk sawit untuk proses pengeboran minyak (Halaman 165-200)