• Tidak ada hasil yang ditemukan

Optimasi Model Rantai Pasokan Agroindustri Cocodiesel Dengan Menggunakan Algoritma Genetika

N/A
N/A
Protected

Academic year: 2017

Membagikan "Optimasi Model Rantai Pasokan Agroindustri Cocodiesel Dengan Menggunakan Algoritma Genetika"

Copied!
152
0
0

Teks penuh

(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

(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

(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.

(6)

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

(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

(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

(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

(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.

(16)

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

(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

(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

(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

(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

(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

(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

(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.

(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

(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

[image:31.612.163.496.416.544.2]

(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

(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

(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

(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

(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

(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).

(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

(38)

Ada beberapa asumsi dasar yang melandasi program linier. Asumsi tersebut

adalah :

1. Linearitas, yaitu perbandingan antara input dengan input lainnya atau suatu

input dengan output biasanya tepat dan tidak tergantung pada tingkat

produksi.

2. Proporsionalitas, yaitu naik turunnya nilai fungsi tujuan (Z) dan

penggunaan sumberdaya atau fasilitas yang tersedia akan berubah secara

sebanding proporsional dengan perubahan tingkat kegiatan.

3. Additivitas, yaitu nilai tujuan tiap kegiatan tidak saling mempengaruhi,

atau kenaikan dari nilai tujuan (Z) yang diakibatkan oleh kenaikan suatu

kegiatan dapat ditambahkan tanpa mempengaruhi bagian nilai Z yang

diperoleh dari kegiatan lain.

4. Divisibilitas, yaitu peubah-peubah keputusan Xj jika diperlukan dapat

berupa bilangan pecahan.

5. Deterministik, yaitu semua parameter yang terdapat dalam model program

linier (aij, bi, cj) dapat diperkirakan dengan pasti meskipun jarang dengan

tepat (Subagyo et al., 1989)

Integer linear programming berhubungan dengan penyelesaian

masalah-masalah program matematis yang mengasumsikan beberapa atau semua

variabelnya bernilai integer non negatif. Suatu program linier disebut

campuran atau murni tergantung pada apakah beberapa atau semua

variabelnya terbatas untuk nilai-nilai integer. Metode integer programming

dapat dikelompokkan ke dalam metode pemotongan (cutting method) dan

metode penelusuran (search method) (Taha, 1992).

D. MODEL TRANSPORTASI

Metoda transportasi merupakan metode yang digunakan untuk

mengatur distribusi dari sumber-sumber yang menyediakan produk yang

sama, ke tempat-tempat yang membutuhkan secara optimal. Alokasi produk

(39)

alokasi dari satu sumber ke tempat-tempat tujuan berbeda-beda, dan dari

beberapa sumber ke suatu tempat tujuan juga berbed-beda. (Yolanda, 2005).

Menurut Russel dan Taylor (2003), model transportasi adalah suatu

teknik kuantitatif yang digunakan untuk menentukan cara menyelenggarakan

transportasi dengan biaya seminimal mungkin. Model transportasi merupakan

salahsatu bentuk khusus atau variasi dari program linier yang dikembangkan

khusus untuk memecahkan masalah-masalah yang berhubungan dengan

transportasi dan distribusi produk dari berbagai sumber ke berbagai tujuan.

Ciri khusus dari suatu model transportasi ini adalah :

1. Terdapat sejumlah sumber dan sejumlah tujuan tertentu

2. Kuantitas barang yang didistribusikan dari setiap sumber dan kuantitas

yang dibutuhkan oleh setiap tujuan

3. Kesesuaian jumlah barang terhadap permintaan maupun kapasitas suatu

sumber

4. Biaya pengangkutan tertentu dari suatu sumber ke suatu tujuan

Model umum untuk permasalahan transportasi adalah :

Minimukan

∑∑

= =

=

m

i n

j

ij ij

X

C

Z

1 1

Kendala

=

=

n

j

i ij a

X 1

, i = 1, 2, 3, ….m

=

=

n

i

j ij b

X 1

, j = 1, 2, 3, …. n

Dan Xij ≥0untuk seluruh i dan j

(40)

E. ALGORITMA GENETIKA

Pada buku berjudulAdaptation in Natural and Artificial Systems tahun

1975 oleh John Holland, seorang professor di Universitas Michigan,

ditemukan sebuah konsep baru pencarian secara tersusun untuk optimasi

solusi masalah yang rumit dan komplek menggunakan persamaan matematika

berdasarkan evolusi tiruan (artificial evolution) yang dikenal dengan nama

algoritma genetika (Strafaci, 2002).

Pada tahun 1989, David Goldberg, meluncurkan buku berjudulGenetic

Algorithm in Search, Optimization, and Machine Learning setelah berhasil mengaplikasikan algoritma genetika untuk perancangan sistem perpipaan

distribusi gas alam. Berdasarkan hasil risetnya, ia berhasil membuktikan

bahwa algoritma genetika menghasilkan solusi untuk menyelesaikan

permasalahan perancangan sistem perpipaan distribusi gas alam berdasarkan

parameter-parameter kesuksesan sistem perancangan pipa. Saat ini algorima

genetika diaplikasikan pada berbagai bidang antara lain, seperti pada desain

mesin jet pesawat terbang, prediksi tingkat suku bunga, pengendalian

persediaan (inventori), perencanaan dan penjadwalan produksi, dan

otomatisasi sistem produksi.

Algoritma genetika dapat mencari solusi minimum dan maksimum dari

fungsi satu variabel bebas dengan representasi dasar atau biner. Untuk fungsi

yang lebih kompleks atau lebih dari satu variabel bebas dapat menggunakan

representasi float atau integer. Hal tersebut dilakukan untuk penyederhanaan

sistem, karena gen biner akan menyebabkan besarnya ukuran kromosom.

(Basuki, 2003).

Algoritma genetika telah terbukti dapat digunakan untuk

menyelesaikan permasalahan searching dan optimasi yang mempunyai

kompleksitas yang tinggi seperti TSP (Travelling Salesman Problem),

penjadwalanflow shop, danjob shop. TSP adalah suatu permasalahan dimana

seorang sales harus mengunjungi sejumlah-n kota dengan jarak yang paling

pendek, dengan syarat satu kota hanya dikunjungi satu kali. Solusi TSP adalah

jalur yang melewati semua kota dan jaraknya paling pendek (Basuki, 2003).

(41)

sejumlah-m mesin tanpa urutan proses. Sedangkan penjadwalan job shop

masalah penempatan sejumlah-n job pada sejumlah-m mesin dengan urutan

proses. Solusi terbaik dari kedua permasalahan tersebut adalah

meminimumkan waktu penyelesaian semua job (makespan) (Mattfeld, 2003).

Michaelewicz, Vignaux, dan Hobbs telah mengembangkan algoritma

genetika untuk menyelesaikan masalah transportasi nonliner yang disebut

dengan program GENETIC-2. Program tersebut mampu menyelesaikan

masalah transportasi Tailor dan menangani beberapa tipe dari fungsi biaya

(Gen dan Cheng, 1997).

Algoritma genetika telah berhasil diaplikasikan oleh Tate dan Smith

dalam masalah perancangan tata letak pabrik. Tata letak pabrik berkaitan

dengan pengaturan fasilitas fisik dan tata letak mesin-mesin. Masalah tersebut

merupakan masalah kombinatorial sehingga teknik heuristik seperti algoritma

genetik dapat diterapkan dengan baik (Gen dan Cheng, 1997).

Algoritma genetika mampu menyelesaikan masalah time series

forecasting yaitu teknik peramalan data berdasarkan data-data pada periode

sebelumnya.Time series forecasting dirumuskan sebagai berikut :

=

+ = +

n

i i i n ax a

x

1

0 1

Keberhasilan peramalan di dalam time series forecasting sangat ditentukan

oleh nilai ai dan jumlah periode data yang digunakan(n). Algoritma genetika

dapat digunakan untuk mengoptimasi ai (Basuki, 2006).

1. Prosedur Umum Algoritma Genetika

Prosedur umum algoritma genetika adalah sebagai berikut :

Langkah 1 : Pengkodean (encoding) calon solusi danset-up beberapa

parameter awal : jumlah individu, probabilitas,

penyilangan dan mutasi, dan jumlah generasi maksimum

Langkah 2 : t 0 {inisialisasi awal}

Pembangkitan acak sejumlah n kromosom pada generasi

ke-0

Langkah 3 : Evaluasi masing-masing kromosom dengan menghitung

nilaifitness-nya

xi : data pada periode ke-i

(42)

Langkah 4 : Seleksi beberapa kromosom dari sejumlah n individu

yang memiliki nilaifitness terbaik

Langkah 5 : Rekombinasikan kromosom terpilih dengan cara

melakukan penyilangan (crossover) dan mutasi

(mutation)

Langkah 6 : t t + 1

Update jumlah generasi dan kembali ke Langkah 2 sampai jumlah generasi maksimum tercapai

Algoritma genetika melakukan pencarian pada sejumlah solusi

fisibel yang direpresentasikan sebagai jumlah kromosom yang disebut

populasi. Kromosom-kromosom pada populasi dibangun secara acak dan

berevolusi melalui beberapa generasi (iterasi) berurutan. Kromosom yang

dihasilkan pada suatu generasi diharapkan lebih baik dari generasi

sebelumnya.

Kriteria penghentian (stopping criteria) dalam pencarian solusi

optimal pada algoritma genetik dapat dilakukan dengan cara menetukan

jumlah generasi maksimum, menentukan selisih nilai fitness rata-rata

tertentu antara suatu generasi dengan generasi sebelumnya, dan

menentukan tingkat keragaman (homogenitas) struktur kromosom.

2. Representasi Kromosom

Dalam memulai penerapan suatu algoritma genetika untuk

memecahkan masalah optimasi, perlu adanya pengkodean sebagai variabel

keputusan. Representasi kromosom yang pertama kali diperkenalkan oleh

Holland (1975) adalah representasi string biner. Dalam representasi ini,

sebuah kromosom terdiri dari beberapa elemen yang disimbolkan dengan

angka nol (0) dan satu (1).

Gen dan Chen (1997), memperkenalkan bentuk representasi baru

yang disebut permutation representation, path representation atau

order-based representation. Dalam perkembangannya, David (1996) menggunakan representasi kromosom berbentuk matrik untuk

(43)

Gambar 3. Representasi kromosom string biner

(Syarif dan Mitsuo, 2003)

Gambar 4. Representasi kromosom string integer

Gambar 5.Permutation RepresentationuntukTravelling Salesman

(Gen dan Cheng, 1997)

Gambar 6. Representasi kromosom bentuk matrik untuk masalah transportasi

(David, 1996)

3. Fungsi Fitness

Kromosom-kromosom pada setiap generasi dievaluasi dengan

menggunakan alat ukur yang disebut dengan fungsi fitness. Nilai fitness

suatu kromosom menunjukkan kualitas kromosom tersebut dalam suatu

populasi. Bentuk fungsi fitness didefinisikan sesuai masalah yang akan

diselesaikan.

Suatu fungsi fitness digunakan untuk memberikan ciri dan

mengukur seberapa baik sebuah solusi (Chen, Ian dan Cao, 2003). Fungsi

fitness adalah fungsi yang akan mengukur tingkat kebugaran suatu

kromosom dalam populasi. Semakin besar nilai fitness, semakin bugar

1 1 0 0 1 1 0 1 1

1 2 3 4 5 . . . n

3 2 5 4 7 1 6 9 8

1 2 3 4 5 . . . n

0 0 5 0 3

0 4 0 0

1 2

1

2

i

.

. .

j

0

0 0 5 7 0

3 1 0 0 2

8 7 3 5 7 9 6 3 1

(44)

pula kromosom dalam populasi sehingga semakin besar kemungkinan

kromosom tersebut dapat tetap bertahan pada generasi berikutnya.

4. Operator-Operator Algoritma Genetik

Pencarian kromosom (solusi) baru pada populasi dilakukan dengan

menggunakan operator-operator genetik yang terdiri atas operator seleksi

[image:44.612.149.495.227.665.2]

(selection), penyilangan (crossover), dan mutasi (mutation). Diagram alir algoritma genetik dapat dilihat pada Gambar 7 :

Gambar 7. Diagram alir algoritma genetika (Wang, 1999) Representasi

solusi ke dalam kromosom

Inisialisasi (Initialization)

Evaluasi (Evaluation)

Selesai (Terminate) ?

Seleksi (Selection)

Selesai

Penyilangan (Crossover)

Mutasi (Mutation)

Evaluasi (Evaluation)

Perbaikan (Repair)

(45)

a. Seleksi (Selection) kromosom

Setelah populasi awal terbentuk, setiap kromosom dalam

populasi dievaluasi dengan menghitung nilai fungsifitnessnya. Setelah

itu proses pembentukan generasi baru diawali dengan seleksi

kromosom. Seleksi adalah proses pemilihan beberapa kromosom untuk

dijadikan sebagai kromosom induk bagi generasi berikutnya. Menurut

Syarif dan Mitsuo (2003), kromosom terpilih untuk masing-masing

populasi di dalam generasi yang berikutnya berdasarkan nilaifitness.

Populasi kromosom untuk generasi berikutnya dihasilkan

menggunakan salah satu teknik seleksi kromosom yaitu seleksi cakram

rolet (roulette wheel selection). Teknik ini disebut seleksi rolet sebab

dapat dipandang sebagai pemutaran suatu cakram rolet. Setiap

kromosom menempati suatu daerah (slot) pada cakram rolet dengan

proporsi luasnya sebanding dengan proporsi nilai fitness

masing-masing kromosom dalam populasi. Proporsi dalam cakram rolet juga

menunjukkan peluang masing-masing kromosom untuk terpilih

menjadi induk (parent) pada generasi berikutnya. Teknik seleksi

lainnya adalah seleksi turnamen (tournament selection). Seleksi ini

akan membandingkan antara dua buah kromosom dalam populasi yang

dipilih secara acak. Salah satu dari kromosom akan terpilih apabila

memenuhi atau mendekati nilaifitness. (Hopgood, 2001)

b. Penyilangan (Crossover) kromosom

Setelah proses penyeleksian kromosom, langkah berikutnya

adalah melakukan penyilangan terhadap pasangan-pasangan

kromosom. Penyilangan (crossover) dikenal sebagai operator

penggabungan ulang (recombination) yang paling utama dalam

algoritma genetik. (Syarif dan Mitsuo, 2003). Menurut Chen, Ian dan

Cao (2003), penyilangan akan menukar informasi genetik antara dua

kromosom induk yang terpilih dari proses seleksi untuk membentuk

dua anak. Operator penyilangan bekerja pada sepasang kromosom

induk untuk menghasilkan dua kromosom anak dengan menukarkan

(46)

Operator penyilangan biasanya dihubungkan dengan peluang

penyilangan. Peluang penyilangan (Pc) adalah rasio antara jumlah

kromosom yang diharapkan mengalami penyilangan dalam setiap

generasi dengan jumlah kromosom total dalam populasi. Nilai Pc

biasanya cukup tinggi (berkisar antara 0,6 – 1). Proses penyilangan

akan terjadi pada sepasang kromosom jika suatu bilangan yang

dibangkitkan secara acak (r), 0 r 1, nilainya kurang dari atau sama

dengan Pc. Bilangan acak tersebut dibangkitkan setiap kali akan

menyilangkan sepasang kromosom. Tingkat penyilangan yang tinggi

menyebabkan semakin besar kemungkinan algoritma genetik

mengeksplorasi ruang pencarian sekaligus mempercepat ditemukannya

solusi optimum. Peluang penyilangan yang tepat dan efektif hanya

dapat diketahui melalui pengujian (experiment) khusus terhadap

masalah yang bersangkutan. Misalnya ditentukan nilaiPc = 0.9.

Operator penyilangan yang sering digunakan dalam algoritma

genetic sederhana (simple genetic algorithm) adalah penyilangan satu

titik (one point crossover) (Holland, 1975). Penyilangan satu titik ini

cocok digunakan untuk kromosom dengan representasi biner (1 dan 0).

Berikut Gambar 8 adalah ilustrasi proses penyilangan satu titik :

Gambar 8. Penyilangan satu titik (one point crossover)

0 1 1 0 1 1 0 1 1 Parent 1

1 1 0 1 1 0 1 1 0 Parent 2

0 1 1 0 1 0 1 1 0 Offspring 1

(47)

Pada beberapa kasus, penyilangan satu titik tidak cocok digunakan

karena dapat menghasilkan kromosom yang ilegal. Untuk itu Goldberg

dan Lingle (1985) memperkenalkan teknik PMX (Partially Mapped

Crossover) untuk mencegah timbulnya kromosom ilegal dengan

[image:47.612.195.499.195.663.2]

adanya metode perbaikan (repairing procedure).

Gambar 9. Ilustrasi Metode PMX (Gen dan Cheng, 1997)

1 2 3 4 5 6 7 8 9 Parent 1

5 4 6 9 2 1 7 8 3 Parent 2

1 2 3 4 5 6 7 8 9 Proto-child 1

5 4 6 9 2 1 7 8 3 Proto-child 2

1. Tentukanmapping sectionpada sepasang kromosom

2. Tukarkan kedua buah mapping section untuk

membentuk dua kromosom anak

3 4 5 6

6 9 2 1

1 6 3

2 5

9 4

3. Legalkan kromosom anak dengan kaidah mapping

relationship

3 5 6 9 2 1 7 8 4 Offspring 1

2 9 3 4 5 6 7 8 1 Offspring 2

(48)

c. Mutasi (Mutation) kromosom

Operator mutasi bekerja pada sebuah gen dalam suatu

kromosom. Operator mutasi hanya operator tambahan atau operator

sekunder tetapi dapat berperan sangat besar dalam menemukan solusi

yang optimum. Operasi ini akan menjadi sangat penting apabila nilai

fitness kromosom dalam populasi cenderung sama atau sudah

mencapai konvergen bias (premature konvergen). Akibatnya, operator

seleksi akan mengalami kesukaran memilih kromosom terbaik untuk

dilakukan penyilangan. Dengan adanya operator mutasi, struktur suatu

kromosom dapat dimodifikasi agar dihasilkan kromosom dengan

struktur baru yang memiliki nilaifitness lebih baik.

Menurut Syarif dan Mitsuo (2003), mutasi pada umumnya

digunakan untuk mencegah tidak adanya kehilangan informasi

sehingga dilaksanakan dengan pertukaran informasi di dalam

kromosom. Operator mutasi dapat bersifat konstruktif maupun

destruktif terhadap suatu kromosom, tetapi karena probabilitasnya

yang

Gambar

Gambar 1. Model Supply Chain Management
Gambar 7. Diagram  alir algoritma  genetika (Wang, 1999)
Gambar 9. Ilustrasi Metode PMX (Gen dan Cheng, 1997)
Gambar 14. Diagram alir pengolahan biodiesel dari minyak kelapa
+7

Referensi

Dokumen terkait

memiliki pengaruh yang tidak signifikan terhadap minat beli konsumen karena. sebagian besar mahasiswa dan semua biaya itu masih ditanggung

Setiap model pembelajaran selalu diharapkan menghasilkan dampak instruksional dan dampak pengiring. Dampak instruksional adalah hasil belajar yang dicapai dengan mengarahkan

Segala puji syukur kehadirat Allah SWT yang telah melimpahkan Rahmat dan Hidayah-Nya, sehingga penulis skripsi yang berjudul “KEPATUHAN SYARIAH AKAD MUDHARABAH DALAM

Dalam identifikasi dan perumusan pengelolaan angin pada bentuk dasar, setelah proses petama dilakukan, maka data yang berupa parameter diaplikasikan menggunakan

[r]

Maka dari itu saya sebagai penulis ingin meneliti apakah masjid Dian Al- Mahri ini telah memiliki estetika yang lebih untuk

- Laporan keuangan konsolidasian untuk tahun yang berakhir 31 Desember 2016 yang telah diaudit oleh Kantor Akuntan Publik Mirawati Sensi Idris (member firm of Moore

Sedangkan model analisis regresi logistik berganda digunakan untuk melihat lebih jauh mengenai faktor yang berpengaruh terhadap pemilihan bidang usaha dengan jalan