OPTIMASI MODEL
RANTAI PASOKAN AGROINDUSTRI
COCODIESEL
DENGAN MENGGUNAKAN ALGORITMA GENETIKA
Oleh:
YUVI ANDRIA F34103021
2007
FAKULTAS TEKNOLOGI PERTANIAN INSTITUT PERTANIAN BOGOR
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
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 space) untuk mendapatkan solusi optimal pada kasus 1. Efisiensi algoritma genetika tersebut akan jauh meningkat apabila ruang pencarian semakin besar. Hal ini
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
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.
Agroindustrial of cocodiesel supply chain is an agroindustrial supply chain 2x2x2 that locate at West and Middle Kalimantan province. Scenario based on secondary data and real information about agroindustrial of cocodiesel. The first coconut supplier (Supplier-1) is locate in Sambas (West Kalimantan), and the second coconut supplier (Supplier-2) is locate in Pontianak (West Kalimantan). The first agroindustry of cocodiesel locate in Sintang (West Kalimantan) and the second agroindustry of cocodiesel locate in Rantaupulut (Middle Kalimantan). The first demand of cocodiesel is for fisherman in the coastal seaboard of Karimata strait
(Kalimantan Barat), and the second demand is for an industrials and SPBU that locate in area of Middle Kalimantan.
The result of genetic algorithms optimization for agroindustrial of cocodiesel supply chain scenario is : Amout of coconut supply from supplier-1 to agroindustry-1 is 408.875 item, amount of coconut supply from supplier-1 to agroindustry-2 is 0 item, amount of coconut supply from supplier-2 to agroindustry-1 is 341.125 item, amount of coconut supply from supplier-2 to agroindustry-2 is 1.000.000 item, amount of cocodiesel from agroindustry-1 to demand-1 is 100.000 liter, amount of cocodiesel from agroindustry-1 to demand-2 is 0 liter, amount of cocodiesel from agroindustri-2 to demand-1 is 0 liter, amount of cocodiesel from agroindustry-2 to demand-2 is 200.000 liter, amount of cocodiesel inventory at agroindustry-1 is 50.000 liter, and amount of cocodiesel inventory at agroindustry-2 is 0 liter.
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
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 Peningkatan Prestasi Akademik dari tahun ajaran 2004 hingga 2007.
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
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
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
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
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
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 pada kasus 3 ... 82
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 Lampiran 7. Laporan detail hasil running GASCM Ver. 1.0 untuk kasus 3.... 114
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 produk dari supplier hingga konsumen yang tujuannya untuk meminimisasi
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 menggunakan algoritma genetika.
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
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. ERP adalah kemasan bisnis software yang mengatur seluruh dasar bisnis
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 pengadaan atau penyaluran barang tersebut (Djokopranoto, 2002).
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 (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 Customers End User
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 Aliran informasi
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 yang dinamis dan teknik yang optimal.
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 kombinasi atas setiap parameter yang digunakan.
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 tersebut tercapai secara optimal (Taha, 1992). Pengertian optimal tidak lain
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). Bentuk umum dari model matematik program linier adalah sebagai berikut :
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 jX
C
Z
1Ada 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 ini harus diatur sedemikian rupa, karena terdapat perbedaan biaya-biaya
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 ijX
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 jE. 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). Penjadwalan flow shop adalah masalah penempatan sejumlah-n job pada
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 1Keberhasilan 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
ai: bobot pengaruh dari periode ke-i
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 menyelesaikan masalah transportasi.
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 1 2 3 4 5 . . . n
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 (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) Penggantian (Replacement)
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 beberapa elemen (gen) yang dimiliki masing-masing kromosom induk.
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 1 1 0 1 1 1 0 1 1 Offspring 2
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 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
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 kecil maka terjadinya mutasi akan sangat kecil karena didominasi oleh operator penyilangan. Peluang mutasi (Pm) adalah rasio antara jumlah gen yang diharapkan mengalami mutasi pada setiap generasi dengan jumlah gen total dalam populasi. Nilai Pm yang digunakan biasanya sangat kecil (berkisar antara 0,001 – 0,2). Proses mutasi akan terjadi pada suatu gen, jika suatu bilangan yang dibangkitkan secara acak r, 0 r 1, nilainya kurang dari atau sama denganPm.
Gambar 10. Ilustrasi Operator Mutasi
0 1 1 0 1 0 1 1 0 Chromosome e 0 1 1 0 1 1 1 1 0 * Chromosome*
5. Perbandingan Algoritma Genetik dengan Teknik Optimasi Konvensional
Perbedaan algoritma genetik dengan teknik optimasi konvensional (Goldberg, 1989) adalah sebagai berikut :
a. Algoritma genetik bekerja pada sekumpulan solusi itu sendiri yang telah dikodekan, bukan pada solusi itu sendiri
Ruang pencarian (search space) pada algoritma genetik dapat didikritkan, meskipun fungsi objektifnya berupa fungsi kontinyu karena bekerja dengan pengkodean variabel solusi. Keuntungan menggunakan fungsi diskrit adalah tidak memerlukan usaha tambahan (extra cost) seperti pencarian gradien pada fungsi kontinyu. Sehingga algoritma genetik dapat diterapkan untuk oprimasi di berbagai jenis fungsi dan bidang aplikasi.
b. Algoritma generik melakukan pencarian pada suatu populasi (banyak titik kandidat solusi), bukan hanya pada satu titik
Teknik pencarian pada teknik optimasi konvensional dilakukan hanya pada satu titik tunggal. Titik ini kemudian diperbaiki perlahan-lahan dengan arah menaik (fungsi maksimasi) atau menuru (fungsi minimasi) melalui sejumlah iterasi hingga ditemukan solusi optimum. Teknik pencarian seperti ini dapat terjebak ke dalam solusi optimum lokal.
c. Algoritma genetik secara langsung memanfaatkan informasi fungsi objektif, bukan turunan atau informasi tambahan lainnya
Pada umumnya algoritma untuk menyelesaikan masalah optimasi adalah berupa langkah-langkah komputasi yang secar asimtotik menuju solusi optimum. Teknik optimasi konvensional membangun deretan yang dimaksud berdasarkan gradien (turunan) fungsi objektif atau fungsi kendala untuk memperbaiki solusi tunggal. Algoritma genetik tidak memerlukan informasi dan asumsi-asumsi demikian. Algoritma generik hanya memerlukan informasi nilai fungsi objektif dan memperbaiki sekumpulan solusi fisibel dengan operator-operator
genetika, yang pada akhirnya diharapkan dapat menghasilkan solusi optimum.
d. Algoritma genetik bekerja menggunakan aturan probabilistik, bukan aturan deterministik
Tidak ada operator algoritma genetik yang bekerja secara deterministik. Operator seleksi, penyilangan, maupun mutasi bekerja menggunakan aturan probabilistik atau pemilihan secara acak.
F. KELAPA DANCOCODIESEL
Kelapa (Cocos nucifera L.) adalah salahsatu jenis tanaman palem yang tersebar di hampir semua negara tropis, terutama di daerah dekat pantai. Hal ini merupakan petunjuk bahwa tanaman kelapa berasal dari daerah tropis, walaupun sulit menentukan negara mana tepatnya. Kelapa dikenal sebagai tanaman serba guna karena seluruh bagian tanaman ini bermanfaat bagi kehidupan manusia (Palungkun, 1998)
Secara umum, buah kelapa mempunyai komposisi 35% sabut, 12% tempurung, 28% daging biji, dan 25% air kelapa. Buah kelapa pada umumnya dapat dipanen setelah 11-12 bulan sejak bunga betina diserbuki (Samosir, 1992). Buah kelapa yang normal terdiri dari beberapa bagian yaitu kulit luar (epicarp), sabut (mesocarp), tempurung (endocarp), kulit daging buah (testa), daging buah (endosperm), air kelapa dan lembaga. (Palungkun, 1998). Berikut ini adalah gambar pohon kelapa (Gambar 11) dan gambar penampang melintang kelapa (Gambar 12)
Air kelapa Daging buah
Tempurung
Sabut kelapa
Kelapa dengan kadar lemak tinggi dan asam lemak bebas rendah adalah bahan baku yang baik untuk industri minyak kelapa dan kelapa parut kering. Minyak kelapa memiliki banyak kegunaan antara lain sebagai minyak masak dan shortening, lotion rambut, dan badan, untuk obat lecet dan kulit terbakar, bahan pembuat sabun dan detergen, pembuatan VCO (Virgin Coconut Oil), dan baru-baru ini digunakan sebagai bahan bakar pengganti solar yang disebut dengan cocodiesel atau biodiesel dari minyak kelapa (Foale, 2003).
Minyak kelapa adalah minyak yang diperoleh dengan cara mengepres kopra (berasal daging buah kelapa) yang telah dikeringkan atau hasil ekstraksi bungkil kopra. Standar mutu dari kelapa dapat dilihat pada Tabel 1 (SNI 01-2902-1992).
Tabel 1. Standar mutu minyak kelapa
Kriteria Jumlah
Air Maksimum 0.5 %
Kotoran Maksimum 0.05 %
Bilangan iod (gram iod / 100 gram contoh) 8-10 Bilangan penyabunan (mg KOH / gram contoh) 255-265 Bilangan peroksida (mg oksigen / gram contoh) Maksimum 5.0 Asam lemak bebas ( dihitung sebagai asam
laurat)
Maksimum 5 %
Warna dan bau Normal
Minyak pelikan Negatif
Indonesia merupakan salah satu negara penghasil minyak bumi di dunia namun sampai saat ini masih mengimpor bahan bakar minyak (BBM) untuk mencukupi kebutuhan bahan bakar minyak di sektor transportasi dan energi. Kenaikan harga minyak mentah dunia akhir-akhir ini memberi dampak yang besar pada perekonomian nasional, terutama dengan adanya kenaikan harga BBM. Kenaikan harga BBM secara langsung berakibat pada naiknya biaya transportasi, biaya produksi industri dan pembangkitan tenaga listrik. Dalam jangka panjang impor BBM ini akan makin mendominasi penyediaan energi
nasional apabila tidak ada kebijakan pemerintah untuk melaksanakan penganekaragaman energi dengan memanfaatkan energi terbarukan dan lain-lain. Oleh karena itu pemakaian energi alternatif terbarukan sebagai subsisdi BBM di Indonesia sangatlah penting, salah satunya adalah biodiesel.
Biodiesel salah satu bahan bakar alternatif yang ramah lingkungan, tidak mempunyai efek terhadap kesehatan yang dapat dipakai sebagai bahan bakar kendaraan bermotor dapat menurunkan emisi bila dibandingkan dengan minyak diesel. Biodiesel merupakan bahan bakar yang terdiri dari campuran mono--alkyl ester dari rantai panjang asam lemak, yang dipakai sebagai alternatif bagi bahan bakar dari mesin diesel dan terbuat dari sumber terbaharui seperti minyak sayur atau lemak hewan.
Minyak kelapa dapat diproses menjadi bahan bakar alternatif sebagai biodiesel (cocodiesel). Cocodiesel dapat langsung digunakan sebagai bahan bakar mesin diesel ataupun dicampur dengan solar dengan perbandingan tertentu. Cocodiesel merupakan perpaduan antara minyak kelapa dengan methanol yang merupakan reaksi transenterifikasi menggunakan katalis pada suhu dan waktu tertentu. Berikut reaksi kimia pembuatan biodiesel dari minyak tanaman kelapa (cocos nucifera) dengan reaksi transesterifikasi.
CH2 OOCR1 CH2OH R1COOR’ CH OOCR2 + R’OH CHOH + R2COOR’ CH2 OOCR3 CH2OH R3COOR’ 1 minyak kelapa 3 alkohol 1 gliserin 3 metil ester
Gambar 13. Reaksi transesterifikasicocodiesel (Hamilton, 2004) Diagram alir pengolahan cocodiesel dapat dilihat pada Gambar 14. Hasil pembakaran dari minyak ini tidak beracun dan tidak mengeluarkan asap, sehingga aman dipakai serta ramah lingkungan dan senyawanya mudah terurai. Minyak cocodiesel ini memiliki emisi rendah, titik nyalanya tinggi, dan senyawa mono alkil ester dari trigliserida ester cukup baik. Bahan baku tersedia melimpah, dapat mengatasi bila ada kelangkaan solar di daerah terpencil serta ramah lingkungan (Anonim, 2007).
Gambar 14. Diagram alir pengolahan biodiesel dari minyak kelapa
Minyak kelapa + Metanol + KOH Esterifikasi
Pendiaman/Pengendapan
Pemisahan
Hasil Reaksi I + Metanol + KOH Gliserin Transesterifikasi Pendiaman/Pengendapan Pemisahan Gliserin Biodiesel Kasar Pencucian Pengeringan Vakum COCODIESEL
G. PENELITIAN TERDAHULU
Gunawan (2003) melakukan penelitian tentang aplikasi algoritma genetika untuk optimasi masalah penjadwalan flow-shop. Penelitian tersebut bertujuan untuk mengaplikasikan algoritma genetik dalam bidang penjadwalan produksi yaitu untuk masalah flow-shop deterministrik tanpa kendala (unconstrained-deterministic flow-shop) berskala besar, mencari fungsi
makespan, menentukan efisiensi pencarian solusi optimum yang dilakukan oleh algoritma genetik, dan mempelajari pengaruh variasi tingkat penyilangan (Pc) dan tingkat mutasi (Pm). Hasil penelitian menunjukkan bahwa algoritma genetik dapat menemukan kromosom terbaik setelah mengekplorasi 83,33% dari 24 (2!=24) ruang pencarian untuk masalah 4 job – 2 mesin, dan 1,09% dari 40320 (8!=40320) ruang pencarian solusi optimal untuk masalah 8job – 3 mesin. Hal ini membuktikan bahwa algoritma genetik sangat efisien dan cocok untuk diterapkan pada masalah dengan ruang pencarian yang besar.
Herawati (1999) melakukan penelitian tentang masalah timetable
perkuliahan sistem SKS menggunakan algoritma genetik hibrida. Penelitian tersebut bertujuan untuk mempelajari cara kerja operator genetik dan menganalisis timetable perkuliahan sistem SKS dengan pendekatan algoritma genetik hibrida. Hibrid tersebut dicangkokkan pada teknik inisialisasi populasi, teknik evaluasi, dan operator genetik yaitu operator penyilangan dan mutasi. Hasil penelitian tersebut menunjukkan bahwa hibrid yang dicangkokkan pada algoritma genetik memiliki laju pertumbuhan dalam waktu polinomial (polinomial time) untuk variabel yang diperhitungkan yaitu besarnya ukuran populasi, banyaknya mata kuliah yang dijadwalkan, dan pembatasan generasi yang digunakan.
Wahyunggoro (1999) melakukan penelitian optimasi pengendali fuzzy
untuk motor DC dengan algoritma genetik. Sasaran penelitian ini adalah mencoba melakukan optimasi fungsi keanggotaan dan aturan pengendalifuzzy
untuk mengendalikan kecepatan motor DC. Pada tahap ini telah dicoba dirancang pengendali fuzzy untuk motor tersebut, dengan 49 macam fungsi keanggotaan dan aturan, dan dianalisis tanggapan sistemnya. Algoritma genetik akan diupayakan untuk mengoptimalkan jumlah fungsi keanggotaan
dan aturannya. Hasil implementasi algoritma fuzzy dengan PLC di motor DC menunjukkan bahwa pengendalifuzzylebih unggul dibanding pengendali PID. Hasil simulasi menunjukkan bahwa algoritma genetik yang lebih cocok untuk optimasi pengendalifuzzyadalah algoritma genetik hirarkis.
Rosdi (1992) melakukan penelitian mengenai distribusi fisik produk bir Bintang. Teknik analisis yang digunakan untuk masalah transportasi adalah program linier, penentuan persediaan produk di gudang menggunakan model persediaan (R,T) dan penentuan jumlah dan lokasi gudang optimal serta penentuan jalur distribusi yang efisien berdasarkan jumlah dan lokasi gudang terpilih menggunakanMixed Integer Linear Programming.
III. METODOLOGI PENELITIAN
A. KERANGKA PEMIKIRAN
Persaingan yang ketat menuntut perusahaan untuk memunculkan atau menggunakan model-model baru dalam pengembangan dan pengelolaan aliran produk dan informasi dari dalam maupun luar perusahaan. Konsep supply chain management (SCM) atau manajemen rantai pasokan melihat pendekatan masalah logistik sebagai masalah yang luas mulai dari bahan baku hingga produk jadi yang digunakan oleh konsumen akhir, sebagai satu rantai aliran produk. Oleh karena itu rantai pasokan terfokus pada sisi hulu, yaitu hubungan antar suppliers manufacturer, bergeser ke sisi hilir yaitu customers (demand). Pendekatan ini ditujukan untuk pengelolaan dan pengawasan hubungan saluran distribusi secara kooperatif untuk kepentingan semua pihak yang terlibat, untuk mengefisiensikan penggunaan sumberdaya dalam mencapai tujuan kepuasan konsumen rantai pasokan. Tujuan dari SCM adalah membuat seluruh sistem menjadi efisien dan efektif, minimisasi biaya sistem total dari pengadaan bahan baku, transportasi dan distribusi, inventori, dan produk jadi.
Penekanan permasalahan SCM dalam penelitian ini adalah pemodelan rantai pasokan untuk mengoptimasi biaya rantai pasokan keseluruhan atau TSCC (Total Supply Chain Cost) yang merupakan biaya transportasi, distribusi, dan biaya penyimpanan persediaan. Perumusan model jaringan rantai pasokan penelitian ini mengambil masalah rantai pasokan agroindustri, yang terdiri dari para pemasok bahan baku hasil pertanian (suppliers), agroindustri, dan konsumen (demand). Model rantai pasokan tersebut dikembangkan berdasarkan model transportasi, inventori, dan distribusi yang bersifat integer linear programming, dengan suatu fungsi tujuan yaitu meminimasi fungsi TSCC. Studi kasus model rantai pasokan agroindustri pada penelitian ini adalah optimasi TSCC pada agroindustricocodiesel. Cocodiesel
Skenario untuk rantai pasokan pada agroindustri cocodiesel tersebut akan dirancang, dianalisis, dan dibuat berdasarkan data-data sekunder.
Model rantai pasokan agroindustri adalah model yang kompleks karena merupakan kombinasi dari parameter-parameter dalam rantai pasokan. Kombinasi yang paling optimal akan menghasilkan nilai TSCC yang rendah. Untuk itu dibutuhkan teknik optimasi yang paling baik untuk mengoptimasi model rantai pasokan agroindustri. Genetic Algorithms atau Algoritma Genetika adalah suatu teknik pencarian (searching technique) dan optimasi global yang kerjanya meniru prinsip evolusi dan mekanisme biologi genetika. Algoritma genetika menjanjikan perolehan solusi yang optimum atau mendekati optimum global, bersifat robust (tangguh), dan adaptif terhadap permasalahan yang dihadapi. Program algoritma genetika akan dirancang, dibuat, dan diimplementasikan untuk mencari solusi optimal dari model rantai pasokan agroindustri dalam penelitian ini. Tujuannya adalah untuk meminimisasi Total Supply Chain Cost (TSCC). Dengan algoritma genetika pencarian solusi optimum akan lebih efektif dan efisien.
B. PENDEKATAN METODE ILMIAH
Penelitian ini menggunakan pendekatan metode ilmiah (scientific method) yang merupakan suatu metodologi pemecahan masalah dengan memandang pihak-pihak yang terlibat dalam suatu masalah sebagai pihak yang dibutuhkan oleh model tersebut. Model ilmiah adalah suatu metode untuk memecahkan masalah secara sistematis, konsisten, dan logis. Model ilmiah terdiri dari tahap observasi, tahap identifikasi masalah, tahap konstruksi model, tahap verifikasi dan validasi model, tahap solusi, dan tahap implementasi (Taylor, 2002). Diagram metode ilmiah dapat dilihat pada Gambar 15.
Gambar 15. Diagram alir metode ilmiah (Taylor, 2002)
Langkah-langkah metode ilmiah tersebut merupakan langkah-langkah yang bersifat umum dalam bidang manajemen. Pada penelitian ini, proses pelaksanaan langkah-langkah yang lebih detail untuk optimasi model rantai pasokan agroindustri cocodiesel dengan menggunakan algoritma genetika, tersaji pada Gambar 16 dengan acuan langkah-langkah metode ilmiah.
Observasi Definisi Masalah Perancangan Model Verifikasi dan Validasi Model Solusi Implementasi
