BAB IV PENGUMPULAN DAN PENGOLAHAN DATA

(1)

IV-1 BAB IV

PENGUMPULAN DAN PENGOLAHAN DATA

Bab ini menjelaskan mengenai pengumpulan data dan pengolahan data yang dilakukan dentgan menggunakan metode Sweep dan Algoritma Particle Swarm Optimization untuk Capacitated Vehicle Routing Problem with Time windows pada PT. Gramedia Asri Media.

4.1 Pengumpulan data

Pengumpulan data dalam penelitian ini dilakukan dentgan wawancara dan didapatkan informasi data primer yaitu daftar outlet yang dikunjungi, cluster awal yang digunakan perusahaan, kapasitas kendaraan, time windows, dan permintaan barang tiap outlet yang akan didistribusi perusahaan.

1. Daftar lokasi outlet

Perusahaan melalukan pendistribusian barang dari depot menuju 108 outlet yang berada pada daerah Jabodetabekar yang dapat dilihat pada tabel 4.1.

Tabel 4.1 Daftar Outlet

NO OUTLET NO OUTLET

1 Gramedia Mall Kelapa Gading 21 Carrefour Casablanka 2 Gramedia Artha Gading 22 Carrefour MT Haryono 3 Gramedia MOI 23 Kinokunia Grand Indonesia

4 Matraman 24 Gramedia Citra Land

5 Paperclip Mall Kelapa Gading 25 Gramedia MTA 6 ECC Kelapa Gading 26 Gramedia Central Park 7 Intermedia Kelapa Gading 27 TGA Trisakti

8 Carrefour Cempaka Mas 28 Gramedia PIM 9 Carrefour Cempaka Putih 29 Gramedia Gandaria

10 TGA Kwitang 30 Gramedia Melawai

11 TGA Atrium Senen 31 Gramedia Pejaten 12 Gramedia Pintu Air 32 Carrefour Lebak bulus 13 Gramedia Gajah Mada 33 TM Poins Square 14 Gramedia GI 34 Paperclip Gandaria 15 Gramedia Semanggi 35 KinoKunia PIM 16 Paperclip Gajah Mada 36 TGA Blok M 17 Promexx Juanda 37 Gramedia Cinere 18 Carrefour Mangga Dua 38 Gramedia Plaza Bintaro 19 Paperclip MID Plaza 39 Gramedia Emerlad Bintaro 20 Paperclip Kokas 40 Paperclip Cinere

(2)

IV-2

NO OUTLET NO OUTLET

41 Paperclip Exchange 75 TGA Tanggerang City 42 Giant Bintaro 76 Carrefour Tanggerang City 43 Lotte Bintaro 77 Carrefour Karawaci 44 Gramedia Lippo Puri 78 Gramedia Karawaci 45 Gramedia Puri Mall 79 Gramedia Emporium 46 Gramedia Alam Sutra 80 Gramedia Pluit Vilage 47 Gramedia SMS Serpong 81 Gramedia Baywalk 48 Paperclip SMS Serpong 82 Gramedia Daan Mogot 49 Carrefour Ciledug 83 Lotte Taman Surya 50 Promex Meruya 84 Carrefour Taman Palem 51 Metro Book Store WTC 85 Gramedia Margonda 52 TM Book Store Kedoya 86 Gramedia Cibubur 53 Giant BSD Serpong 87 Gramedia Cileungsi 54 TGA BSD Plaza 88 Paperclip Cibubur Junction 55 Gramedia MM Bekasi 89 Paperclip Citragrand Cibubur 56 Gramedia Harapan Indah 90 Gramedia Cijantung

57 Gramedia Pondok Gede 91 Gramedia Kalibata 58 Paperclip Sumarecon Bekasi 92 Paperclip Fatmahwati 59 Paperclip Galaxy 93 TGA Tamini

60 TGA Cyber Park 94 Carrefour Tamini 61 Paperclip Grand Metro Bekasi 95 Carrefour Kramat Jati 62 Carrefour Harapan Indah 96 TGA Kramat Jati 63 Giant Harapan Indah 97 Gramedia AEON Mall 64 Promexx Basura 98 Gramedia BSD City 65 Carrefour Buaran 99 Gramedia Teras Kota 66 Carrefour Cipinang 100 Gramedia Mega Bekasi 67 Gramedia Botani 101 Gramedia Karawang 68 Gramedia Pajajaran 102 Paperclip Cikarang 69 Gramedia CibiNong 103 Carrefour Blu Mall 70 HSBC Pajajaran 104 TGA Karawang 71 Giant Sentul 105 Ramayana Karawang 72 Gramedia Balekota 106 Kino Plaza Senayan 73 Gramedia Cikupa 107 TGA Senayan City 74 Carrefour Cikokol 108 Carrefour Permata Hijau Sumber: Data PT. Gramedia Asri Media

2. Cluster Awal Perusahaan

Pada dasarnya perusahaan sudah menerapkan cluster pendistribusian barang ke lokasi outlet yang dikelompokan dalam satu cluster yang berisikan beberapa oultet. Dalam penentuan cluster, perusahaan menerapkan sistem jarak terdekat

(3)

IV-3

antar oultet. Terdapat 15 cluster awal yang telah diterapkan perusahaan dapat dilihat pada tabel 4.2.

Berdasarkan daftar lokasi outlet dan depot serta pengelompokan cluster didapatkan jarak antara depot menuju lokasi outlet dan jarak antara masing- masing outlet dengan menggunakan bantuan Google Maps dan disajikan dalam bentuk matriks jarak yang ditampilkan pada Lampiran 1.

3. Kendaraan

Pendistribusian barang dari depot menuju outlet menggunakan truk box tertutup hal ini dikarenakan barang yang mudah rusak akibat cuaca, maka dari itu truk box tertutup digunakan untuk menghindari cuaca seperti hujan. Jumlah kendaraan yang digunakan sebanyak 15 kendaraan sesuai dengan jumlah cluster yang dilayani oleh perusahaan. Kapasitas mobil Mitsubitshi Engkel Box dengan max. 70 dus per kendaraan, dimana pemilihan kendaraan yang digunakan berdasarkan biaya sewa yang dikeluarkan akan lebih hemat dengan kapasitas dan volume kendaraan yang lebih besar dibandingkan kendaraan dengan kapasitas max. 50 dus per kendaraan. Rata-rata kecepatan didapatkan dari jarak tempuh serta waktu lamanya perjalanan yang ditempuh kendaraan dari outlet menuju outlet lainnya yang didapatkan berdasarkan informasi Google Maps. Perhitungan rata-rata kecepatan kendaraan antara lain:

Depot – Cikupa:

Mall Taman Anggrek – Central Park:

Hasil perhitungan kecepatan rata-rata yang didapatkan sebesar 25,015 km/jam, hal ini didapatkan berdasarkan rata-rata waktu tempuh tercepat dan terlama dari jarak tempuh terjauh dan terdekat.

(4)

IV-4

Gambar 4.1 Kendaraan Distribusi Buku

Gambar 4.2 Pallet Pengemas Buku

4. Time Windows

Setiap outlet memiliki ketentuan waktu pelayanan loading barang yang berbeda. Time windows disini adalah rentang waktu yang ditentukan oultet dalam melakukan loading/unloading. Pada penelitian ini time windows dibagi menjadi 2 yaitu sebagai berikut:

Waktu loading : Pukul 7.00 – 11.00 untuk Outlet Mall Pukul 8.00 – 17.00 untuk Outlet Non-Mall 5. Data Permintaan Outlet

Banyak jumlah permintaan dari setiap outlet akan diterima pihak depot maksimal 1 hari sebelum waktu pengiriman dilakukan. Data permintaan yang masuk ke dalam sistem perusahaan akan berjumlah banyaknya buku, namun

160 cm

30 cm

(5)

IV-5

jumalh permintaan untuk setiap outlet dapat dikonversikan ke dalam satuan dus.

Maka dari itu data permintaan yang dijabarkan adalah jumlah dus dari setiap outletnya per hari pada 1 bulan yang diambil pada periode bulan terbaru yaitu Februari 2019. Jumlah permintaan yang dilakukan selama 1 bulan ditampilkan pada Lampiran 2. Data permintaan yang digunakan dalam pengolahan data diambil pada tanggal 11 Februari dikarenakan pada tanggal tersebut merupakan hari dimana total permintaan outlet terbanyak dalam satu bulan.

Berdasarkan data permintaan, terdapat beberapa outlet yang tidak memiliki permintaan selama sebulan dikarenakan outlet tersebut sudah tidak beroprasi kembali atau pihak depot sudah tidak melalukan pengiriman ke outlet tersebut.

4.2 Pengolahan Data

4.2.1 Daftar Lokasi Oultet Baru

Jumlah tujuan pengiriman yang dikunjungi setelah dilakukan clustering menggunakan Alogritma Sweep menjadi 74 tujuan lokasi pengiriman dengan jumlah outlet yang didistribusikan sebanyak 86 outlet yang dapat dilihat pada tabel 4.3. Jumlah tujuan pengiriman berjumlah lebih sedikit dibanding jumlah outlet karena beberapa outlet berada di tempat yang sama, sehingga titik berhenti pengiriman menjadi satu.

4.2.2 Pengolahan Data dengan Algoritma Sweep

Tahap pengolahan data menggunakan Algoritma Sweep dilakukan 2 tahap yaitu pengelompokan (Clustering) dan pembentukan rute. Pengolahan data dengan alogaritma sweep menggunakan bantuan software Google Earth Pro dan GeoGebra. Proses algoritma Sweep akan membantu dalam tahap pengelompokan selanjutnya pada pembentukan rute akan dilakukan dengan proses pengolahan data dengan Algoritma Particle Swarm Optimization. Pemilihan dan penggunaan perhitungan jarak pada penelitian ini dikarenakan jarak relatif lebih tetap dan konstan dibanding waktu dimana jarak dapat ditempuh dengan kecepatan kendaraan yang sama dari waktu ke waktu.

Pengelompokan atau clustering yang dilakukan dengan algoritma Sweep mempertimbangkan konsentrasi area, outlet akan dikelompokan berdasarkan area terdekat antara titik outlet satu dengan titik outlet lainnya. Selain itu pada pengolahan data ini mempertimbangkan time windows, outlet dibagi menjadi 2

(6)

IV-6

kategori yaitu Mall dan Non-Mall dimana kategori Mall memiliki time windows yang lebih pendek maka dari itu pengelompokan outlet dilihat berdasarkan kategori time windows yang dimiliki sehingga kendaraan akan sampai pada lokasi outlet sesuai dengan waktu yang diberikan outlet tersebut.

Tabel 4.2 Cluster Awal Perusahan

Cluster Outlet

1 Gramedia Kelapa Gading, Paperclip Kelapa Gading, Artha Gading, MOI, ECC, Matraman, Intermedia, Cempaka Mas, Cempaka Putih, Kwitang, Atrium Senen

2 Mega Bekasi, Galuh Mas Karawang, Resinda Park Mall, Lippo Cikarang, Blu Mall, Ramayana Karawang

3 AEON Mall, BSD City, Teras Kota

4 Gramedia Pondok Indah Mall, Kinokunia Pondok Indah Mall, Paperclip Gandaria, Gramedia Gandaria, Melawai, Pejaten, Lebak Bulus, TM Poins Square, Blok M

5 Cijantung, Kalibata, Fatmahwati, TGA Kramat Jati, Carrefour Kramat Jati, TGA Tamini, Carrefour Tamini

6

Lippo Puri, Puri Mall, Mall Alam Sutera, Gramedia Summarecon Serpong, Paperclip Summarecon Serpong, Carrefour Ciledug, Promexx Meruya, Metro WTC, TM Kedoya, BSD Serpong, BSD Plaza

7

MM Bekasi, Gramedia Harapan Indah, Pondok Gede, Summarecon Bekasi, Grand Galaxy, Cyber Park, Grand Metro Bekasi, Carrefour Harapan Indah, Giant Harapan Indah, Basura, Buaran, Cipinang

8 Botani, Padjajaran, CibiNong City, HSBC Padjajaran, Giant Sentul

9 Bale Kota, Cikupa, Cikokol, TGA Tanggerang City, Carrefour Tanggerang City, Carrefour Karawaci, Gramedia Karawaci

10 Emporium, Pluit Village, Baywalk, Daan Mogot, Taman Surya, Taman Palem 11 Margonda, Cibubur, Cileungsi, Cibubur Junction, Citragrand

12 Cinere, Plaza Bintaro, Emerald Bintaro, Bintaro Exchange, Giant Bintaro, Lotte Bintaro 13 Citraland, Mall Taman Anggrek, Central Park, Univ Trisakti

14

Pintu Air, Gajah Mada,Gramedia Grand Indonesia, Kinokunia Grand Indoneisa, Gramedia Semanggi, Promexx Juanda, Carrefour Mangga Dua, Carrefour Kota

Kasablanka, Paperclip Kota Kasablanka, Carrefour MT Haryono, Paperclip MID Plaza 15 Plaza Senayan, Senayan City, Permata Hijau

Sumber: Data PT. Gramedia Asri Media

(7)

IV-7

Tabel 4.3 Daftar Lokasi Outlet Baru

No Outlet No Outlet

1 Mall Kelapa Gading 38 SuperMall Karawaci 2 Mall Artha Gading 39 Summarecon Serpong

3 MOI 40 Mall Alam Sutera

4 Mangga Dua Square 41 Carrefour Ciledug 5 Gunung Agung Kwitang 42 Promexx Meruya 6 Gramedia Kalibata 43 Grand Galaxy Park 7 ECC Kelapa Gading 44 Blu Mall

8 Galuh Mas Karawang 45 Mega Bekasi

9 Resinda Park Mall 46 Metropolitan Mall Bekasi 10 Lippo Cikarang 47 Summarecon Bekasi

11 Plaza Bintaro 48 Cyber Park

12 Emerald Bintaro 49 Gramedia Harapan Indah 13 Giant Bintaro 50 Giant Harapan Indah 14 Lotte Bintaro 51 Botani Square

15 Teras Kota 52 CibiNong City

16 BSD City 53 Giant Sentul

17 AEON Mall 54 Gramedia Padjajaran

18 BSD Serpong 55 Puri Mall

19 BSD Plaza 56 Lippo Puri

20 Blok M Mall 57 Tanggerang City

21 Gandaria City 58 Bale Kota

22 Pondok Indah Mall 59 Taman Surya

23 Plaza Senayan 60 Carrefour Daan Mogot

24 Senayan City 61 Citraland

25 Grand Indonesia 62 Mall Taman Anggrek 26 Plaza Semanggi 63 Central Parak

27 Carrefour Permata Hijau 64 Emporium 28 Gramedia Melawai 65 Pluit Village 29 Cibubur Junction 66 Baywalk City 30 Gramedia Cibubur 67 Gramedia Pintu Air 31 Gramedia Cileungsi 68 Gramedia Gajah Mada

32 Fathmawati 69 Lippo Kramat Jati

33 Cinere 70 Tamini Square

34 Pejaten Village 71 Gramedia Pondok Gede 35 Gramedia Cijantung 72 Promexx Basura 36 Gramedia Margonda 73 Kota Kasablanka 37 Gramedia Cikupa 74 Matraman Keterangan:

Outlet Mall = 51 outlet Outlet Non – Mall = 23 outlet

(8)

IV-8 4.2.3 Tahap Pengelompokan (Clustering)

Pada tahap pengelompokan terdapat beberapa langkah yang dilakukan, langkah-langkah dalam tahap pengelompokan sebagai berikut:

a. Menggambarkan dan menandai letak masing-masing lokasi outlet dan depot.

Depot dan seluruh lokasi outlet yang menjadi lokasi pendistribusian buku digambarkan atau ditandai letaknya pada software Google Earth Pro.

Gambar 4.3 Pemetaan Depot dan Outlet dengan Google Earth Pro

b. Menggambarkan letak lokasi outlet dan depot dalam koordinat kartesius dan menetapkan depot menjadi pusat koordinat.

Lokasi outlet dan depot yang telah ditandai menggunakan software Google Earth Pro disimpan dalam bentuk gambar untuk memudahkan pemindahan tanda lokasi menjadi titik pada koordinat kartesisus.

Gambar yang didapatkan dari Google Earth Pro dimasukan ke dalam layout software GeoGebra. Depot Gramedia diletakan pada koordinat (0,0) pada bidang dua dimensi. Kemudian mengubah tanda letak lokasi outlet dalam gambar tersebut menjadi titik koordinat pada koordinat kartesius dalam software GeoGebra.

(9)

IV-9

Gambar 4.4 Penentuan Titik Koordinat dengan GeoGebra c. Melakukan pengelompokan (clustering)

Pengelompokan dilakukan berdasarkan titik lokasi outlet terdekat dari titik pusat yaitu depot dan seterusnya sampai semua lokasi outlet terkelompokan dengan memperhatikan wilayah pengelompokan dan kapasitas kendaraan dari permintaan outlet.

Gambar 4.5 Pemetaan Depot dan Outlet dengan GeoGebra d. Mendapatkan satu cluster dari “sapuan”.

Melakukan “sapuan” terhadap titik lokasi outlet terdekat hingga titik terjauh dan memastikan seluruh lokasi outlet terjangkau oleh sapuan

(10)

IV-10

tersebut. Pengelompokan dilakukan bersamaan dengan memperhatikan permintaan outlet hingga kapasitas kendaraan terpenuhi sehingga muatan dari kendaraan tidak berlebih. Jika kapasitas kendaraan sudah tidak dapat memenuhi permintaan, maka outlet berikutnya akan dimasukan dalam pengelompokan selanjutnya. Dimana pada penilitian ini kapasitas total yang diangkut kendaraan tidak boleh melebihi atau kurang dari sama dengan 70 dus.

Proses clustering pada penelitian ini dimulai dari titik terdekat dengan depot yaitu outlet ECC Kelapa Gading yang berada pada kuadran I atau Gramedia Harapan Indah pada kuadran II. Jika sapuan dimulai dari ECC Kelapa Gading dengan total demand sebanyak 1 dus maka outlet berikut yang terdekat adalah Mall Kelapa Gading dengan kategori outlet Mall yang memiliki total demand yang harus diangkut sebesar 12 dus, selanjutnya titik terdekat dengan outlet ini adalah Mall Artha Gading dengan kategori outlet Mall yang memiliki total demand 9 dus, lalu titik outlet selanjutnya yaitu MOI dengan total demand sebanyak 8 dus dan sampai titik outlet terdekat lainnya yang memiliki katogori outlet Mall yaitu Carrefour Mangga Dua dengan total demand 2 dus. Selanjutnya pemilihan outlet dilanjutkan dengan titik outlet terdekat yang memiliki kategori outlet Non Mall dikarenakan pertimbangan dari time windows yang dimiliki outlet Mall, sehingga titik outlet selanjutnya yang disapu yaitu Kwitang dengan total demand 2 dus, dimana kapasitas kendaraan masih memiliki ruang sehingga dilanjutkan penyapuan titik terdekat lainnya dengan kategori Non Mall yaitu Kalibata dengan demand 8 dus. Pada titik ini kapasitas kendaraan telah terpenuhi sebanyak 42 dus, sehingga titik outlet selanjutnya masuk ke dalam cluster selanjutnya.

Titik terdekat dengan outlet terakhir yang disapu dengan kategori Mall adalah Gramedia Emporium dengan demand 8 dus, dengan pertimbangan Time windows yang dimiliki outlet tersebut maka Gramedia Emporium akan dimasukan ke dalam cluster baru lainnya. Maka clustering baru dimulai dari Gramedia Emporium dilanjutkan dengan titik terdekat yaitu outlet Gramedia Pluit Village dengan demand 7 dus sampai sapuan pada titik Gramedia Citraland dengan demand 1 dus. Selanjutnya titik terdekat dari Citraland yaitu Mall Taman Anggrek

(11)

IV-11

dengan total demand 10 dus dan Central Park dengan total demand 12 dus. Titik terdekat dengan outlet terakhir yang memiliki kategori Non Mall pada sapuan cluster ini adalah Baywalk dengan demand 3 dus. Selanjutnya dilakukan pemilihan titik terdekat dengan outlet yang memiliki kategori Non Mall yaitu Pintu Air dengan demand 5 dus dan Gajah Mada dengan demand 5 dus. Maka total demand yang terangkut dalam cluster ini sebanyak 51 dus, namun karena outlet tersebut berjarak cukup jauh dari titik sebelumnya dengan pertimbangan Time windows yang dimiliki maka Gramedia Lippo Puri dengan outlet yang memiliki kategori Mall akan dimasukan pada cluster selanjutnya.

Berdasarkan hasil tahap pengelompokan (clustering) didapatkan 11 cluster usulan yang diusulkan yang dapat diimplementasi oleh perusahaan ditunjukan pada tabel 4.4, sehingga terjadi pengurangan penggunaan kendaraan sesuai dengan jumlah cluster usulan sebanyak 11 kendaraan dimana setiap cluster dilayani oleh 1 kendaraan.

Tabel 4.4 Cluster Usulan

Cluster Outlet

1 ECC, Mall Kelapa Gading, Artha Gading, MOI, Mangga Dua, Kalibata, Kwitang 2 Resinda Park Mall, Lippo Cikarang, Galuh Mas Karawang

3 Plaza Bintaro, Emerald Bintaro, Giant Binatro, Lotte Bintaro, AEON Mall, BSD City, BSD Plaza, BSD Serpong, Teras Kota

4 Grand Indonesia, Semanggi, Plaza Senayan, Senayan City, Permata Hijau, Pondok Indah Mall, Gandaria, Melawai, Blok M

5 Cijantung, Fatmahwati, Pejaten Village, Cinere, Margonda, Cibubur, Cibubur Junction, Cileungsi

6 Mall Alam Sutera, Meruya, SuperMall Karawaci, Cikupa, Ciledug, Summarecon Serpong

7 Gramedia Harapan Indah, Giant Harapan Indah, MM Bekasi, Mega Bekasi, Grand Galaxy, Blu Mall, Grand Galaxy, Summarecon Bekasi

8 Botani, Padjajaran, CibiNong City, Giant Sentul

9 Lippo Puri, Puri Mall, Tanggerang City, Bale Kota, Taman Surya, Daan Mogot

10 Emporium, Pluit Village, Mall Taman Anggrek, Baywalk, Central Park, Citraland, Pintu Air, Gajah Mada

11 Basura, Kramat Jati, Pondok Gede, Tamini, Kota Kasablanka, Matraman

(12)

IV-12 4.2.4 Matriks Jarak Cluster Usulan

Data jarak depot atau depot menuju outlet serta antar outlet didapatkan menggunakan Google Maps. Jarak yang digunakan antara dua lokasi dipertimbangkan dari jarak terdekat dan kondisi jalan atau tingkat kemacetan.

Jarak tempuh antara dua lokasi outlet seperti lokasi A menuju lokasi B diasumsikan sama dengan jarak tempuh dari lokasi B menuju lokasi A. Matriks jarak cluster baru ditampilkan pada Lampiran 3 secara lengkap.

4.2.5 Pengolahan Data dengan Algoritma Particle Swarm Optimization menggunakan MATLAB

Pada tahap pembentukan rute untuk masing-masing cluster yang telah didapatkan pada tahap pengelompokan (clustering) yang diselesaikan dengan metode Sweep dilanjutkan dengan Particle Swarm Optimization dengan tujuan dari pegolahan ini adalah mendapatkan rute pendistribusian buku dengan jarak minimum. Adapun dalam pengolahan ini memperhatikan batasan waktu atau time windows dari masing-masing lokasi outlet yang dikunjungi

Untuk memberikan gambaran mengenai langkah-langkah metode Algortima Particle Swarm Optimization dilakukan untuk menyelesaikan permasalahan penentuan rute maka diberikan contoh penyelesaian menggunakan sampel data cluster 3 yang memiliki 9 lokasi outlet yang dilayani oleh 1 kendaraan dan hanya dikujungi sekali oleh kendaraan tersebut serta data jarak antar lokasi outlet dengan depot.

Tabel 4.5 Data Jarak Antar Lokasi Outlet dan Depot (Km)

3 Depot PB EB GB LB AM BC TK GBS BP

Depot 0 29,5 59,1 51,2 55,6 64,9 66,7 62,4 62,8 57,4 PB 29,5 0 6,4 2,7 2,9 17 16,7 14,1 13,5 17,7 EB 59,1 6,4 0 3,9 4 13,4 13,1 8,8 9,5 7,7

GB 51,2 2,7 3,9 0 1,4 14 15,7 13 12 9,6

LB 55,6 2,9 4 1,4 0 15,5 15,2 12,4 11,7 10,6 AM 63,9 17 13,4 14 15,5 0 2,3 6,2 4,1 5,8 BC 66,7 16,7 13,1 15,7 15,2 2,3 0 6,1 3,9 5,6 TK 62,4 14,1 8,8 13 12,4 6,2 6,1 0 0,65 4,8 GBS 62,8 13,5 9,5 12 11,7 4,1 3,9 0,65 0 4,7 BP 57,4 17,7 7,7 9,6 10,6 5,8 5,6 4,8 4,7 0

(13)

IV-13

0.8147 0.7060 0.7513 0.0759 0.1067 0.4173 0.9058 0.0318 0.2551 0.0540 0.9619 0.0497 0.1270 0.2769 0.5060 0.5308 0.0046 0.9027 0.9134 0.0462 0.6991 0.7792 0.7749 0.9448 0.6324 0.0971 0.8909 0.9340 0.8173 0.4909 0.0975 0.8235 0.9593 0.1299 0.8687 0.4893 0.2785 0.6948 0.5472 0.5688 0.0844 0.3377 0.5469 0.3171 0.1386 0.4694 0.3998 0.9001 0.9575 0.9502 0.1493 0.0119 0.2599 0.3692 0.9649 0.0344 0.2575 0.3371 0.8001 0.1112 0.1576 0.4387 0.8407 0.1622 0.4314 0.7803 0.9706 0.3816 0.2543 0.7943 0.9106 0.3897 0.9572 0.7655 0.8143 0.3112 0.1818 0.2417 0.4854 0.7952 0.2435 0.5285 0.2638 0.4039 0.8003 0.1869 0.9293 0.1656 0.1455 0.0965 0.1419 0.4898 0.3500 0.6020 0.1361 0.1320 0.4218 0.4456 0.1966 0.2630 0.8693 0.9421 0.9157 0.6463 0.2511 0.6541 0.5797 0.9561 0.7922 0.7094 0.6160 0.6892 0.5499 0.5752 0.9595 0.7547 0.4733 0.7482 0.1450 0.0598 0.6557 0.2760 0.3517 0.4505 0.8530 0.2348 0.0357 0.6797 0.8308 0.0838 0.6221 0.3532 0.8491 0.6551 0.5853 0.2290 0.3510 0.8212 0.9340 0.1626 0.5497 0.9133 0.5132 0.0154 0.6787 0.1190 0.9172 0.1524 0.4018 0.0430 0.7577 0.4984 0.2858 0.8258 0.0760 0.1690 0.7431 0.9597 0.7572 0.5383 0.2399 0.6491 0.3922 0.3404 0.7537 0.9961 0.1233 0.7317 0.6555 0.5853 0.3804 0.0782 0.1839 0.6477 0.1712 0.2238 0.5678 0.4427 0.2400 0.4509

Berikut ini adalah langkah-langkah dari pembentukan rute menggunakan metode Particle Swarm Optimization:

I. Menentukan Inisialisasi parameter Algoritma Particle Swarm Optimization yaitu dengan data jarak dari depot ke setiap outlet dan data jam buka dan tutup waktu loading barang untuk setiap outlet yang ditunjukan pada lampiran 3.

Jumlah Outlet = 9 Jumlah Partikel = 30 Jumalah Iterasi = 100 Batas Atas = 1 Batas Bawah = 0

II. Proses Algoritma Particle Swarm Optimization untuk VRPTW dengan MATLAB.

a. Inisialisasi Populasi Awal

Pada insialisasi populasi awal dilakukan inisialisasi posisi awal (Ci) dan kecepatan awal (Vo). Membangkikan posisi awal (Ci) secara random antara [0,1] dengan jumlah baris sama dengan jumlah partikel dan jumlah kolom sama dengan jumlah outlet. Untuk kecepatan awal (Vo) pada penelitian ini di set dengan nol seperti berikut:

Pop =

(14)

IV-14 0.5470 0.2077 0.0855 0.1068 0.2963 0.3012 0.2625 0.6538 0.7447 0.4709 0.8010 0.4942 0.1890 0.2305 0.0292 0.7791 0.6868 0.8443 0.9289 0.7150 0.1835 0.1948 0.7303 0.9037 0.3685 0.2259 0.4886 0.8909 0.6256 0.1707 0.5785 0.3342 0.7802 0.2277 0.2373 0.6987 0.0811 0.4357 0.4588 0.1978 0.9294 0.3111 0.9631 0.0305 0.7757 0.9234 0.5468 0.7441 0.4868 0.4302 0.5211 0.5000 0.4359 0.1848 0.2316 0.4799 0.4468 0.9049 0.4889 0.9047 0.3063 0.9797 0.6241 0.6099 0.5085 0.4389 0.6791 0.6177 0.5108 0.1111 0.3955 0.8594 0.8176 0.2581 0.3674 0.8055 0.7948 0.4087 0.9880 0.5767 0.6443 0.5949 0.0377 0.1829 0.3786 0.2622 0.8852 0.2399 0.8116 0.6028 0.9133 0.8865 0.5328 0.7112 0.7962 0.0287 0.3507 0.2217 0.0987 0.4899 0.9390 0.1174 0.2619 0.1679 0.8759 0.2967 0.3354 0.9787 0.5502 0.3188 0.6797 0.7127 0.6225 0.4242 0.1366 0.5005 0.5870 0.5079 0.7212 0.4711

(15)

IV-15

4 9 5 10 8 6 7 2 3 1 4

2 6 4 3 9 7 8 10 1 5 2

5 1 2 8 10 3 4 7 9 6 5

9 2 7 8 3 5 10 4 1 6 9

2 6 1 7 10 5 8 3 9 4 2

1 4 7 8 6 9 2 5 10 3 1

5 8 1 6 7 9 3 4 2 10 5

3 8 2 10 5 4 1 9 7 6 3

4 3 8 9 5 6 10 7 2 1 4

2 7 6 10 3 4 8 9 5 1 2

10 1 4 8 5 2 6 3 7 9 10

3 2 6 9 10 7 4 5 8 1 3

5 6 4 8 7 10 9 2 3 1 5

8 9 3 5 6 7 10 1 4 2 8

6 5 4 2 7 9 1 10 8 3 6

6 5 1 7 3 2 4 10 9 8 6

3 4 1 8 2 7 10 9 5 6 3

8 3 9 7 5 2 4 10 1 6 8

8 9 5 6 3 4 2 1 10 7 8

6 5 8 3 10 4 2 7 1 9 6

9 10 6 2 3 4 8 7 1 5 9

1 4 10 8 6 7 5 2 3 9 1

4 5 3 8 2 7 6 1 10 9 4

6 10 2 5 7 3 8 9 4 1 6

6 9 2 4 8 7 5 10 1 3 6

5 8 10 6 9 3 2 1 4 7 5

5 8 9 4 6 1 3 7 2 10 5

5 8 2 1 7 9 10 6 3 4 5

4 9 5 3 8 10 2 7 6 1 4

1 2 5 4 6 10 8 3 7 9 1

0.8147 0.7060 0.7513 0.0759 0.1067 0.4173 0.5470 0.2077 0.0855 0.1068 Untuk setiap partikel, diurutkan bilangan random dari yang terkecil.

Pengurutan ini akan menghasilkan rute sementara

Rute =

b. Evaluasi nilai fungsi tujuan untuk jarak total setiap cluster oleh setiap partikel.

c. Menentukan Pbest dan Gbest awal

Untuk setiap partikel Pbest awal akan sama dengan nilai posisi awal, disini contoh pbest pada partikel pertama:

Pbest =

(16)

IV-16

0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,1

0.7922 0.7094 0.6160 0.6892 0.5499 0.5752 0.8176 0.2581 0.3674 0.8055 Untuk Gbest awal diperoleh setelah mengevaluasi setiap partikel dan

memperoleh solusi yang sesuai dengan kendala dari VRPTW yaitu jarak minimum

Gbest =

d. Memperbaharui posisi dan kecepatan setiap partikel

Menggunakan Pbest dan Gbest yang telah ada, memperbaharui kecepatan setiap partikel lalu dengan kecepatan baru yang diperoleh dapat memperbaharui nilai deri setiap partikel. Kecepatan awal diberikan:

V0 =

(17)

IV-17

0.0800 0.0903 0.0349 0.3343 0.2663 0.1522 0.1972 0.1091 0.2018 0.3685 Maka kecepatan partikel pertama bisa di update dengan rumus:

Itmax = 100

It = 1 ; Setting iterasi

Bobot Inersia (

)

[ ]

[ ] [ ] [ ] [ ]

V1 =

e. Evaluasi jarak setiap cluster yang dihasilkan oleh setiap partikel

Menentukan partikel dengan jarak total minimum dan menentapkan partikel yang bersangkutan sebagai Gbest. Untuk setiap partikel, membandingkan Pbest partikel terbaru dengan Pbest dari iterasi sebelumnya berdasarkan jarak total minimumnya. Maka didapatkan hasil jarak minimum untuk iterasi 1:

Jarak minimum = 125.75 km

Sehingga rute yang terbentuk adalah 1 – 2 – 3 – 4 – 5 – 6 – 7 – 8 – 9 f. Cek stopping criteria.

Beberapa kondisi berhenti yang dapat digunakan dalam algoritma Particle Swarm Optimization menurut Engelbrecht (2006) seperti berikut:

Proses berhenti jika jumlah iterasi telah mencapai jumlah iterasi maksimum atau jika solusi yang diterima ditemukan atau jika tidak ada perkembangan setelah dilakukan beberapa iterasi.

(18)

IV-18 Iterasi 2

Pada Iterasi 2 didapatkan hasil jarak minimum sebagai berikut:

Sehingga rute yang terbentuk adalah 1 – 2 – 3 – 4 – 7 – 8 – 5 – 6 – 9 Iterasi 3

Pada Iterasi 3 didapatkan hasil jarak minimum sebagai berikut:

Sehingga rute yang terbentuk adalah 1 – 4 – 3 – 2 – 7 – 6 – 5 – 8 – 9 Iterasi 4

Pada iterasi 4 didapatkan hasil jarak minimum sebagai berikut:

Sehingga rute yang terbentuk adalah 1 – 4 – 3 – 2 – 7 – 6 – 5 – 8 – 9 Maka dapat dilihat pada iterasi 4, proses dapat dihentikan dikarenakan telah mencapai jumlah iterasi maksimum.

Setelah dilakukan proses pengolahan data dengan algoritma Particle Swarm Optimization untuk setiap cluster usulan pada gambar 4.4 didapatkan hasil rute usulan yang dapat dilihat pada tabel 4.6.

Gambar 4.6 Pemetaan Cluster Usulan

(19)

IV-19

ClusterRute

Total Jarak (Km)

Waktu Tempuh

Waktu UnloadingTotal Waktu

To Kapa Ang 1Mall Kelapa Gading (M) – Artha Gading (M) – MOI (M) – Mangga Dua (M) – Grand Indonesia (M) – Kwitang (N) – Kalibata (N) – ECC (N)70.32 jam 48 menit1 jam 45 menit4 jam 33 menit42 2Galuh Mas Karawang (M) – Resinda Park Mall (M) – Lippo Cikarang (M) 96.53 jam 13 menit45 menit3 jam 58 menit20 3Plaza Bintaro (M) – Emerald Bintaro (M) – Giant Bintaro (N) – Lotte Bintaro (N) – Teras Kota (M) – BSD City (M) – AEON Mall (M) – BSD Serpong (N) – BSD Plaza (N)

116.353 jam 53 menit2 jam 30 menit5 jam 23 menit58 4Blok M (M) – Gandaria (M) – Pondok Indah Mall (M) – Plaza Senayan (M) – Senayan City (M) – Permata Hijau (N) – Melawai (N) 522 jam 7 menit2 ajm 15 menit4 jam 22 menit56 5Cibubur Junction (M) – Cibubur (M) – Cileungsi (M) – Fathmawati (M) – Pejaten Village (M) – Cinere (N) – Cijantung (N) – Margonda (N)128.14 jam 16 menit2 jam6 jam 16 menit59 6Cikupa (M) – Supermall Karawaci (M) – Summarecon Serpong (M) – Mall Alam Sutera (M) – Ciledug (N) – Meruya (N)148.14 jam 56 menit 1 jam 30 menit6 jam 26 menit44 7Grand Galaxy (M) – Blu Mall (M) – Mega Bekasi (M) – MM Bekasi (M) – Summarecon Bekasi (M) – Cyber Park (N) – Gramedia Harapan Indah (N) – Giant Harapan Indah (N)892 jam 58 menit2 jam4 jam 58 menit53 8Botani (M) – Cibinong City (M) – Giant Sentul (M) – Padjajaran (N)148.94 jam 58 menit1 jam5 jam 58 menit40 9Puri Mall (M) – Lippo Puri (M) – Tanggerang City (M) – Bale Kota (M) – Taman Surya (N) – Daan Mogot (N)112.253 jam 45 menit1 jam 30 menit5 jam 25 menit32 10Citraland (M) – Mall Taman Anggrek (M) – Central Park (M) – Emporium (M) – Pluit Village (M) – Baywalk (M) – Pintu Air (N) - Gajah Mada (N)76.63 jam 3 menit2 jam4 jam 33 menit51 11Kramat Jati (M) - Tamini (M) - Pondok Gede (M) – Basura (M) – Kota Kasablanka (M) – Semanggi (M) – Matraman (N)73.72 jam 56 menit1 jam 30 menit4 jam 26 menit59

Tabel 4.6 Hasil Rute Usulan