Fakultas Ilmu Komputer
Universitas Brawijaya 1290
Optimasi Rute Multiple Travelling Salesman Problem Distribusi Produk PT Indomarco Adi Prima (Stock Point Nganjuk) menggunakan Algoritme Ant
Colony Optimization dan Algoritme Genetika
Bisma Anassuka1, Imam Cholissodin2, Bayu Rahayudi3
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1[email protected], 2[email protected], 3[email protected]
Abstrak
PT. Indomarco Adi prima (Stock Point Nganjuk) merupakan perusahaan yang bergerak pada sektor distribusi. Transportasi dan distribusi yang baik merupakan hal yang penting pada suatu perusahaan distribusi, di mana produk dapat dikirimkan kepada konsumen dengan kondisi yang baik, pada tempat yang sudah ditentukan serta tepat waktu. Penyebaran produk dari PT. Indomarco Adi Prima (Stock Point Nganjuk) kepada konsumen melalui toko-toko dalam skala besar merupakan suatu permasalahan yang cukup kompleks, karena terdapat banyak lokasi yang harus dikunjungi. Permasalahan ini dan melibatkan banyak sales disebut Multiple Travelling Salesman Problem. Pemilihan rute yang tidak tepat dapat mengurangi efisiensi dalam proses distribusi. Maka perlu dilakukan upaya optimasi untuk mendapatkan rute yang optimal. Penelitian ini merupakan upaya untuk melakukan optimasi rute menggunakan algoritme hibrida ant colony optimization (ACO) dan algoritme genetika, sehingga dapat menentukan rute terpendek yang akan dilalui sales menuju toko ritel. Hasil pengujian menunjukkan bahwa algoritme hibrida ant colony optimization (ACO) dan algoritme genetika, mampu menghasilkan rute lebih baik sebesar 74,3% dari rute sebelumnya dengan selisih total jarak sebesar 709,219 km. Parameter optimal yang didapatkan yakni iterasi maksimum 100, jumlah generasi 20, jumlah semut sesuai dengan setiap titik sales, kombinasi α= 0,4 dan β= 0,8, kombinasi Cr= 1, dan Mr= 0,6, sehingga diperoleh rataan total jarak sebesar 244,849 km dan nilai fitness sebesar 0,040841.
Kata kunci: Distribusi, Multiple Travelling Salesman Problem, Ant Colony Optimization, Algoritme Genetika.
Abstract
PT. Indomarco Adi prima (Stock Point Nganjuk) is a company engaged in the distribution sector. Good transportation and distribution are important in a distribution company, where products can be delivered to consumers in good conditions, at the designated place and on time. Product distribution from PT. Indomarco Adi Prima (Stock Point Nganjuk) to consumers through stores on a large scale is a fairly complex problem, because there are many locations that must be visited. This problem and involves many sales called the Multiple Traveling Salesman Problem. Inappropriate route selection can reduce efficiency in the distribution process. So, it is necessary to make optimization to get the optimal route. This research is an attempt to optimize the route using the hybrid ant colony optimization (ACO) algorithm and genetic algorithm, so that it can determine the shortest route that will be passed by sales to retail stores. The test results show that the hybrid ant colony optimization (ACO) algorithm and genetic algorithm are able to produce a 74,3% better route than the previous route with a total distance difference of 709.219km. The optimal parameters obtained are the maximum ACO iteration of 100, the number of GA generations of 20, the number of ants is equal to the point of each salesman, a combination of α= 0.4 and β= 0.8, a combination of Cr= 1, and Mr= 0.6, so that the total distance average is 244.849 km and the fitness value is 0.040841.
Keywords: Distribution, Multiple Travelling Salesman Problem, Ant Colony Optimization, Genetic Algorihtm.
1. PENDAHULUAN
Pertumbuhan dunia industri di Indonesia
yang meningkat sangat pesat di mana perusahaan berlomba-lomba untuk menyiapkan strategi dan mengeksplorasi potensi yang
dimiliki satu sama lain untuk mengungguli persaingan. Berbagai upaya telah dilakukan oleh perusahaan untuk memberikan layanan terbaik bagi konsumen. Salah satu upaya yang dilakukan adalah proses pendistribusian barang karena ketepatan dan durasi pendistribusian barang dapat berdampak kepada konsumen. Pada suatu perusahaan, transportasi dan distribusi yang baik merupakan hal yang penting di mana produk dapat dikirimkan kepada konsumen dengan kondisi yang baik, pada tempat yang sudah ditentukan serta tepat waktu (Muhammad, Bakhtiar dan Rahmi, 2017).
Penelitian ini akan mencoba menyelesaikan permasalahan yaitu optimasi rute distribusi PT Indomarco Adi Prima stock point Nganjuk.
Kasus ini biasa dikategorikan sebagai permasalahan MTSP (Multiple Travelling Salesman Problem) di mana ada beberapa petugas yang akan mengunjungi beberapa titik yang ditentukan dengan jarak seminimal mungkin.
Untuk menyelesaikan studi kasus di atas, algoritme yang akan digunakan pada penelitian ini adalah Algoritme Ant Colony Optimization (ACO) dan Algoritme genetika. Penelitian- penelitian yang menggunakan metode Algoritme Genetika sebelumnya sudah pernah dilakukan oleh Saprudin (2018) pada kasus optimalisasi rute angkutan sampah dengan upaya penurunan ongkos angkut pada Dinas Lingkungan Hidup Kabupaten Subang menggunakan Algoritme Genetika di mana menghasilkan adanya penurunan total jarak yang ditempuh sebesar 3,81%, penurunan waktu pelayanan 1,71 % dan penurunan biaya yang dikeluarkan sebesar 0,51
% (Saprudin, 2018).
Pada penelitian lain yang pernah dilakukan oleh Assayyis, Cholissodin dan Tibyani (2019) menggunakan Ant Colony Optimization pada optimasi Travelling Salesman Problem pencarian rute angkutan sekolah mendapatkan hasil optimasi terbaik yaitu sebesar 5,711 km (22,71%) pada kloter pertama dan 34,5551 km (62,14%) pada kloter kedua (Assayyis, Cholissodin dan Tibyani, 2020).
Pada penelitian selanjutnya yang dilakukan oleh Nadzir, Cholissodin, dan Rahayudi (2019) yang melakukan optimasi penentuan rute terpendek pendistribusian bantuan sosial menggunakan algoritme genetika menghasilkan kromosom terbaik dengan selisih jarak yang lebih efisien dibandingkan jarak aktual, dengan parameter optimal sebanyak 300 generasi, populasi 90, cr= 0,1, mr= 0,9, yang nilai fitness
sebesar 2,583 (Nadzir, 2019).
Selanjutnya penelitian yang dilakukan oleh Srivastava dan Sahana (2017) mengenai optimasi dalam menentukan waktu pada sinyal lampu lalu lintas persimpangan. Hybrid ACO- GA mempunyai performa yang lebih baik dibandingkan dengan ACO atau GA untuk optimasi lampu lalu lintas dengan mengurangi waktu tunggu di setiap persimpangan dan meningkatkan mobilitas (Srivastava dan Sahana, 2017).
Berdasarkan penelitian di atas, dapat disimpulkan algoritme Ant Colony Optimization dan Algoritme Genetika dapat diterapkan ke dalam permasalahan optimasi rute, penelitian ini menggunakan metode gabungan antara Ant Colony Optimization (ACO) dan Algoritme Genetika akan memiliki hasil yang lebih baik dan diharapkan memberikan hasil yang paling optimal.
2. DASAR TEORI
2.1. Multiple Travelling Salesman Problem (MTSP)
MTSP merupakan perluasan permasalahan dari TSP (Travelling Salesman Problem) di mana TSP hanya terdapat seseorang petugas yang harus mengunjungi setiap kota tepat satu kali. Sedangkan MTSP melibatkan m jumlah petugas dan mengunjungi n jumlah kota, dan setiap kota harus dikunjungi oleh petugas dengan biaya yang seminimal mungkin (Shuai, Yunfeng dan Kai, 2019).
Gambar 1. Ilustrasi posisi relatif kota, dan salah satu solusi MTSP
Sumber : (Shuai, Yunfeng, dan Kai, 2019)
Pada Gambar 1 ilustrasi MTSP di tunjukkan di mana titik 0 merupakan titik awal dan akhir distribusi. Pada gambar tersebut juga terlihat bahwa terdapat beberapa node yang merepresentasikan lokasi lapak ritel atau outlet pengecer yang akan dikunjungi sales. Pada
1 2
0 3 4
5 6
7
8 9
1 2
0 3 4
5 6
7
8 9
gambar sebelah kiri diasumsikan sebagai posisi relatif dari 10 ritel atau outlet dan yang kanan adalah salah satu solusi di mana tiga petugas akan menjangkau lokasi dengan urutan rute
0→5→8→0; 0→2→1→3→0;
0→4→7→9→6→0.
2.2. Hybrid Ant Colony Optimization (ACO) dan Algoritme Genetika
Metode yang diusulkan oleh penulis pada penelitian ini untuk menyelesaikan permasalahan MTSP adalah algoritme hibrida Ant Colony Optimization dan Algoritme Genetika. Algoritme Ant Colony Optimization merupakan salah satu metode yang terinspirasi secara biologis. Pada dasarnya algoritme ini meniru perilaku kooperatif dari koloni semut yang sudah pernah digunakan untuk menyelesaikan permasalahan kombinatorial.
Algoritme genetika adalah algoritme pencarian yang meniru mekanisme seleksi dan evolusi alam. Algoritme ini akan mengombinasikan daya tahan (survival) dari suatu struktur data yang paling baik (fittest) (Goldberg, 1989).
Kemampuan yang dimiliki Algoritme genetika (GA) dalam menghasilkan solusi permasalahan MTSP lebih baik dalam setiap generasinya. Sebagai akibat dari penggunaan solusi efektif oleh algoritme semut (ACO), yang mengunjungi setiap rute yang efisien dalam ruang lingkup permasalahan sampai terdapat solusi yang lebih baik lagi. ACO dan GA memiliki kecepatan dalam mencapai solusi menuju jarak yang lebih pendek, akan tetapi mereka tidak dapat menyelesaikan masalah nilai konvergen nilai lokal optimal, oleh karena itu digunakanlah modifikasi GA yang diperkenalkan memiliki efek menjaga pencarian semut di sekitar solusi optimal yang memungkinkan sehingga mengurangi ruang pencarian yang efektif dan tetap menjaga agar tidak terjebak ke dalam local optima.
Algoritme penyelesaian menurut Abdelwahab et al. (2019) menggunakan algoritme hibridasi ACO-GA sebagai berikut:
1) Mulai
2) Inisialisasi kumpulan semut dam parameter yang digunakan.
3) Hitung probabilitas.
4) Evaluasi fitness.
5) Simpan feromon di jalur terpendek.
6) Perbarui semua jalur feromon.
7) Jadikan solusi ACO sebagai populasi
awal GA.
8) Evaluasi fitness.
9) Seleksi individu.
10) Pilih parent dengan mengawinkan 2 individu (Crossover).
11) Lakukan operasi mutasi.
12) Apakah iterasi maksimum sudah tercapai, jika belum buat populasi baru dan ulangi langkah ke-3, jika sudah maka selesai (Abdelwahab et al., 2019).
2.3. Metode Evaluasi
Evaluasi merupakan salah satu hal yang perlu dilakukan dalam pembuatan atau pengembangan aplikasi untuk menganalisa dan mengetahui hasil dari komputasi yang aplikasi lakukan (Josi, 2017). Evaluasi yang digunakan pada implementasi optimasi rute distribusi produk PT Indomarco Adi Prima menggunakan algoritme ant colony optimization dan algoritme genetika dilakukan dengan melakukan pengujian terhadap parameter tetapan pengendali intensitas jejak feromon dan visibilitas, jumlah generasi dan jumlah semut, crossover dan mutation rate, banyak iterasi, dan membandingkan jarak rute manual dengan jarak rute yang dihasilkan dari komputasi menggunakan metode ACO-GA.
Evaluasi dilakukan untuk mengetahui apakah nilai yang dihasilkan dapat membantu mencari jarak tempuh paling efektif pada proses distribusi dengan mencari nilai fitness tertinggi.
Jika individu memiliki nilai fitness yang tinggi maka individu tersebut akan semakin baik untuk dijadikan solusi (Rahmalita, Widodo dan Rahman, 2019).
3. PERANCANGAN DAN IMPLEMENTASI
Pada bagian perancangan penelitian ini akan menggunakan penerapan dari hybrid algoritme Ant Colony Optimization dan algoritme genetika untuk menentukan rute optimal yang akan dilalui petugas dalam perjalanannya menuju toko-toko retail yang sudah menjadi pelanggan. Hybrid algoritme Ant Colony Optimization (ACO) dan Algoritme Genetika untuk mengoptimalkan rute ini memiliki beberapa tahapan. Berikut adalah diagram alir yang digunakan sebagai gambaran proses dari Hybrid algoritme Ant Colony Optimization (ACO) dan Algoritme Genetika.
Gambar 2. Diagram Alir Sistem
Berikut penjelasan diagram alir sistem pada Gambar 2.
1. Data input merupakan dataset yang berisi nilai titik koordinat (latitude, longitude) setiap ritel/toko sesuai dengan pembagian petugas(sales).
2. Membuat distance matrix dengan menghitung jarak setiap ritel.toko menggunakan bantuan Google Maps.
3. Melakukan proses pencarian rute optimal menggunakan hybrid algoritme ant colony optimization (ACO) dan algoritme genetika.
4. Hasil output berupa rute yang paling optimal.
4. PENGUJIAN DAN ANALISIS
Pada tahap perancangan pengujian akan dijelaskan percobaan pengujian. Pengujian dilakukan untuk mengetahui parameter yang optimal dari kedua algoritme. Pengujian pada proses optimasi rute PT. Indomarco Adi Prima dilakukan untuk mendapatkan rata-rata dari 5 kali percobaan. Parameter awal ditetapkan terlebih dahulu untuk inisialisasi parameter sebelum proses pengujian dilakukan. Parameter awal meliputi banyak iterasi (NCmax) = 30, jumlah generasi = 3, tetapan pengendali
intensitas jejak feromon (α) = 1, tetapan pengendali visibilitas (β) = 1, crossover rate (Cr)
= 0.6, mutation rate (Mr) = 0.6, jumlah semut (m)/popsize = 6, rho (ρ) = 0.1, q = 1. Selanjutnya parameter awal digunakan untuk pengujian.
Parameter terbaik dari hasil pengujian yang dilakukan akan digunakan sebagai parameter untuk pengujian berikutnya.
4.1. Pengujian Kombinasi α dan β
Pengujian pada tahap ini bertujuan untuk mengetahui pengaruh parameter tetapan pengendali intensitas jejak feromon(α) dan tetapan pengendali visibilitas (β) pada proses optimasi rute menggunakan ACO-GA.
Pengujian parameter α dan β dilakukan untuk mengetahui pengaruh nilai parameter terhadap nilai fitness yang dihasilkan. Nilai parameter yang digunakan adalah, α ∈ {0,2; 0,4; 0,6; 0,8;
1} dan β ∈ {0,2; 0,4; 0,6; 0,8; 1}. Hasil pengujian dapat dilihat pada Tabel 1.
Tabel 1. Hasil Pengujian Parameter α dan β
α β Percobaan
Rata - rata
1 2
… 5
0,2
0,2 0,00 381
0,00 382
0,00 395
0,00 384 0,4 0,00
382
0,00 372
0,00 378
0,00 381 0,6 0,00
386
0,00 383
0,00 384
0,00 386 0,8 0,00
372
0,00 379
0,00 383
0,00 380 1 0,00
388
0,00 386
0,00 382
0,00 383
0,4
0,2 0,00 382
0,0 0379
0,00 371
0,00 379 0,4 0,00
379
0,00 370
0,00 386
0,00 380 0,6 0,00
390
0,00 381
0,00 381
0,00 383 0,8 0,00
390
0,00 374
0,00 391
0,00 388 1 0,00
385
0,00 394
0,00 387
0,00 385
0,6
0,2 0,00 374
0,00 382
0,00 382
0,00 379 0,4 0,00
376
0,00 387
0,00 382
0,00 383 0,6 0,00
384
0,00 388
0,00 377
0,00 383 Mulai
Input: dataset (latitude, longitude).
Membuat distance matrix
Pencarian Rute Optimal menggunakan ACO-GA
Output: rute optimal
Selesai
0,8 0,00 385
0,00 379
0,00 387
0,00 384 1 0,00
383
0,00 384
0,00 380
0,00 385
0,8
0,2 0,00 376
0,00 385
0,00 380
0,00 382 0,4 0,00
384
0,00 382
0,00 390
0,00 383 0,6 0,00
377
0,00 394
0,00 387
0,00 384 0,8 0,00
378
0,00 382
0,00 383
0,00 381 1 0,00
388
0,00 380
0,00 381
0,00 382
1
0,2 0,00 384
0,00 397
0,00 385
0,00 384 0,4 0,00
392
0,00 380
0,00 376
0,00 382 0,6 0,00
374
0,00 379
0,00 375
0,00 377 0,8 0,00
387
0,00 384
0,00 384
0,00 383 1 0,00
388
0,00 381
0,00 373
0,00 383 Hasil pengujian kombinasi Tetapan Pengendali Intensitas Jejak Feromon (α) dan Tetapan Pengendali Visibilitas (β) yang diuji sebanyak 5 kali menunjukkan bahwa kombinasi terbaik menggunakan α = 0.4 dan β = 0.8 menghasilkan nilai fitness tertinggi sebesar 0.0038 dengan Panjang rute total sebesar 257.996 km. Pengendali tetapan jejak feromon dan tetapan pengendali visibilitas berpengaruh pada pemilihan titik mana yang akan dikunjungi semut dengan mempertimbangkan jarak terdekat atau jejak feromon, maka dibutuhkan kombinasi α dan β yang sesuai untuk menghasilkan rute paling optimal.
4.2. Pengujian Jumlah Semut
Pengujian pada tahap ini bertujuan untuk mengetahui pengaruh jumlah semut (m) pada proses optimasi rute menggunakan ACO-GA.
Pengujian ini mengatur jumlah semut yang akan digunakan untuk mencari rute kunjungan.
Jumlah semut yang digunakan adalah, m = 10, 20, 40, 60, 80, dan sejumlah titik toko Perancangan pengujian α dan β dapat dilihat pada Tabel 2.
Tabel 2. Tabel Pengujian Jumlah Semut (m) Jumlah
Semut
Percobaan Rata - Rata
1 2 … 5
10 0,00 0,00 0,00 0,00
383 387 385 384
20 0,00 386
0,00 391
0,00 378
0,00 385 40 0,00
381
0,00 378
0,00 380
0,00 382 60 0,00
382
0,00 385
0,00 380
0,00 381 80 0,00
387
0,00 385
0,00 382
0,00 383
= jml titik
0,00 389
0,00 388
0,00 389
0,00 388 Hasil pengujian PopSize/jumlah semut(m) yang diuji sebanyak 5 kali menunjukkan bahwa jumlah terbaik pada PopSize/jumlah semut(m) = jumlah titik, hal ini ditunjukkan bahwa pengujian menggunakan PopSize/jumlah semut(m) = jumlah titik menghasilkan nilai fitness tertinggi sebesar 0.00388 dengan rute total sebesar 257.4406. Nilai fitness cenderung naik, berbanding lurus dengan kenaikan jumlah semut. Hal ini dapat terjadi karena semakin banyak jumlah semut, maka solusi yang dihasilkan dari semut semakin beragam.
4.3. Pengujian Kombinasi Cr dan Mr
Pengujian pada tahap ini bertujuan untuk mengetahui pengaruh parameter crossover rate (Cr) dan mutation rate (Mr) pada proses optimasi rute menggunakan ACO-GA terhadap nilai fitness yang dihasilkan. Pengujian parameter Cr dan Mr dilakukan untuk mengetahui pengaruh nilai parameter terhadap nilai fitness yang dihasilkan. Pengujian pada setiap kombinasi Cr dan Mr akan dilakukan 5 kali. Nilai parameter yang digunakan adalah, Cr
∈ {0,2; 0,4; 0,6; 0,8; 1} dan Mr ∈ {0,2; 0,4; 0,6;
0,8; 1}. Hasil pengujian dapat dilihat pada Tabel 3.
Tabel 3. Hasil Pengujian Parameter Cr dan Mr
Cr Mr Percobaan
Rata - rata
1 2
… 5
0,2
0,2 0,00 388
0,00 375
0,00 384
0,00 380 0,4 0,00
375 0,00
380
0,00 380
0,00 379 0,6 0,00
377 0,00
379
0,00 382
0,00 3809 0,8 0,00
378 0,00
379
0,00 385
0,00 3809
1 0,00 390
0,00 379
0,00 382
0,00 3824
0,4
0,2 0,00 384
0,00 378
0,00 383
0,00 3803 0,4 0,00
384 0,00
383
0,00 378
0,00 3829 0,6 0,00
381 0,00
389
0,00 381
0,00 3816 0,8 0,00
387 0,00
384
0,00 382
0,00 3829 1 0,00
390 0,00
380
0,00 385
0,00 3849
0,6
0,2 0,00 382
0,00 381
0,00 380
0,00 3807 0,4 0,00
378 0,00
388
0,00 388
0,00 3836 0,6 0,00
385 0,00
385
0,00 384
0,00 3852 0,8 0,00
387 0,00
387
0,00 385
0,00 3886 1 0,00
390 0,00
392
0,00 382
0,00 3876
0,8
0,2 0,00 383
0,00 386
0,00 384
0,00 3837 0,4 0,00
387 0,00
386
0,00 382
0,00 3859 0,6 0,00
386 0,00
384
0,00 388
0,00 3854 0,8 0,00
384 0,00
383
0,00 388
0,00 3866 1 0,00
388 0,00
389
0,00 384
0,00 3863
1
0,2 0,00 384
0,00 385
0,00 386
0,00 3852 0,4 0,00
384 0,00
386
0,00 380
0,00 3846 0,6 0,00
389 0,00
390
0,00 389
0,00 3894 0,8 0,00
392 0,00
388
0,00 385
0,00 3868 1 0,00
388 0,00
384
0,00 383
0,00 3863 Hasil pengujian kombinasi Crossover Rate (Cr) dan Mutation Rate (Mr) yang diuji sebanyak 5 kali menunjukkan bahwa kombinasi terbaik menggunakan Cr = 1 dan Mr = 0.6 menghasilkan nilai fitness tertinggi sebesar 0.00389 dengan rute total sebesar 256.789. Nilai dari crossover rate dan mutation rate mempengaruhi jumlah child yang dihasilkan. Semakin tinggi nilai crossover rate dan mutation rate menghasilkan nilai yang cenderung naik, karena semakin tinggi nilai cr dan mr menghasilkan jumlah child yang
semakin beragam.
4.4. Pengujian Iterasi (NCmax) dan Jumlah Generasi
Pengujian pada tahap ini bertujuan untuk mengetahui pengaruh jumlah iterasi maksimum dan jumlah generasi pada proses optimasi rute menggunakan ACO-GA. Pengujian iterasi pada kedua algoritme dilakukan untuk mengetahui pengaruh nilai terhadap nilai fitness yang dihasilkan. Nilai banyak iterasi(NCmax) dan jumlah generasi yang diujikan adalah adalah, NCmax ∈ {50, 100, 300, 500, 1000} dan jumlah generasi ∈ {50, 100, 200, 300, 500}.
Perancangan pengujian NCmax dan jumlah generasi dapat dilihat pada Gambar 3.
Gambar 3. Hasil Pengujian Iterasi (NCmax) dan Jumlah Generasi
Hasil pengujian kombinasi banyak iterasi (NCmax) dan jumlah generasi yang diuji sebanyak 25 kali menunjukkan bahwa jumlah terbaik pada kombinasi banyak iterasi (NCmax) dan jumlah generasi adalah 100; 20, hal ini ditunjukkan bahwa pengujian ini menghasilkan nilai fitness tertinggi sebesar 0.004084 dengan rute total sebesar 244.849. Nilai fitness cenderung naik berbanding lurus dengan semakin banyaknya iterasi dari banyak iterasi ACO dan jumlah generasi GA.
4.5. Pengujian Perbandingan Jarak Asli dengan Rute ACO-GA
Pengujian pada tahap ini bertujuan untuk mengetahui selisih jarak total dari hasil proses optimasi menggunakan ACO-GA dengan rencana perjalanan sales PT Indomarco Adi Prima. Rute hasil optimasi yang dilakukan menggunakan nilai parameter paling optimal dari pengujian yang sebelumnya dilakukan, sedangkan jarak rute asli menggunakan data rute yang sudah ada. Perbandingan jarak akan menghasilkan selisih jarak dari kedua rute.
Perbandingan rute dari kedua jarak dapat dilihat
0,003600 0,003700 0,003800 0,003900 0,004000 0,004100 0,004200
10, 1 10, 15 30, 5 30, 20 50, 10 100, 1 100, 15 200, 5 200, 20
Rata-rata Fitness
NCmax, iterasi GA
pada Gambar 4.
Gambar 4. Total Jarak Rute dari Perusahaan Hasil pengujian pada tahap ini adalah hasil perbandingan dari jarak rute asli dengan rute ACO-GA. Jarak dari data asli diakumulasikan dari rencana perjalanan semua sales. Akumulasi jarak dapat dilihat pada Gambar 4. Jarak yang sudah diakumulasikan kemudian dibandingkan dengan menghitung selisih dari kedua jarak.
5. KESIMPULAN DAN SARAN 5.1. Kesimpulan
Berdasarkan hasil dan pembahasan pada bab sebelumnya, didapatkan kesimpulan sebagai berikut:
1. Implementasi hybrid algorithm dapat menyelesaikan permasalahan MTSP pada distribusi produk PT Indomarco Adi Prima (Stock Point Nganjuk) dengan menghasilkan rute optimal pada setiap sales.
2. Parameter untuk menghasilkan rute paling optimal menggunakan nilai parameter α sebesar 0.4, β sebesar 0.8, PopSize/Jumlah Semut (m) sama dengan jumlah titik, Cr sebesar 1, Mr sebesar 0.6, Jumlah Iterasi ACO (NCmax) sebanyak 100 iterasi, dan Jumlah Generasi GA sebanyak 20 iterasi didapatkan rata-rata total jarak sebesar 244,849 km.
3. Berdasarkan hasil perbandingan jarak rute asli dibandingkan dengan jarak rute yang dioptimasi menggunakan hybrid Algoritme Ant Colony Optimization dan Algoritme Genetika, hasil yang didapatkan rute yang dioptimasi lebih pendek dan berhasil meningkatkan efisiensi rute sebesar 74,3%
dengan selisih jarak rata-rata sebesar 709,219 km.
5.2. Saran
Adapun saran yang dapat digunakan berdasarkan pengujian, penarikan kesimpulan dan Batasan masalah sebagai berikut:
1. Data pembagian rute berdasarkan pembagian yang sudah ada, maka pada penelitian selanjutnya bisa ditambahkan metode klastering untuk memberikan hasil yang lebih optimal.
2. Pada penelitian ini data bersifat statis, belum terdapat penyelesaian jika data yang digunakan bisa bertambah maupun berkurang.
3. Penelitian yang hanya menyelesaikan permasalahan rute, bisa dikembangkan ke permasalahan Vehicle Routing Problem (VRP) untuk bisa meningkatkan efisiensi permasalahan pada factor kendaraan, waktu, dan faktor terkait yang berhubungan dengan distribusi produk PT Indomarco Adi Prima.
6. DAFTAR REFERENSI
Abdelwahab, R. H. et al. (2019) ‘Load Balancing of 3-Phase LV Network Using GA, ACO and ACO/GA Optimization Techniques: Proceedings of the 2018 Intelligent Systems Conference (IntelliSys) Volume 1’, in, pp. 1338–
1349. doi: 10.1007/978-3-030-01054- 6_93.
Assayyis, I., Cholissodin, I. and Tibyani (2020)
‘Optimasi Travelling Salesman Problem Pada Angkutan Sekolah Menggunakan Algoritme Genetika ( Studi Kasus : Sekolah MI Salafiyah Kasim Blitar )’, Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer (J-PTIIK) Universitas Brawijaya, 3(1), pp. 454–461.
Goldberg, D. (1989) ‘Genetic Algorithms in Search’, Optimization and Machine Learning.
Josi, A. (2017) ‘Implementasi Algoritma Genetika Pada Aplikasi Penjadwalan Perkuliahan Berbasis Web Dengan Mengadopsi Model Waterfall’, Jurnal Informatika: Jurnal Pengembangan IT, 02(02), pp. 77–83. Available at:
http://ejournal.poltektegal.ac.id/index.ph p/informatika/article/view/517/554.
Muhammad, Bakhtiar and Rahmi, M. (2017)
‘Penentuan Rute Transportasi Distribusi Sirup Untuk Meminimalkan Biaya’, Industrial Engineering Journal, 6(1), pp.
10–15.
Nadzir, M. (2019) ‘Penerapan Multi Travelling Salesman Problem Pada Optimasi Pendistribusian Bantuan Sosial Beras Sejahtera Studi Kasus: Perum Bulog Subdivre Malang’, 3(3), pp. 2894–2902.
Available at:
http://repository.ub.ac.id/168849/.
Rahmalita, P. B., Widodo, A. W. and Rahman, M. A. (2019) ‘Optimasi Penjadwalan Sidang Skripsi Menggunakan Algoritme Genetika Terdistribusi (Studi Kasus:
Prodi Teknik Informatika Fakultas Ilmu Komputer Universitas …’, … dan Ilmu Komputer e-ISSN, 3(5), pp. 4655–4662.
Available at: http://j-
ptiik.ub.ac.id/index.php/j- ptiik/article/view/5305.
Saprudin, Y. (2018) ‘Optimalisasi rute angkutan sampah dalam upaya menurunkan ongkos angkut dengan pendekatan algoritma genetika’, pp. 1–27.
Shuai, Y., Yunfeng, S. and Kai, Z. (2019) ‘An effective method for solving multiple travelling salesman problem based on
NSGA-II’, 2583. doi:
10.1080/21642583.2019.1674220.
Srivastava, S. and Sahana, S. K. (2017) ‘Nested hybrid evolutionary model for traffic signal optimization’, Applied Intelligence, 46(1), pp. 113–123. doi: 10.1007/s10489- 016-0827-6.
