Penerapan Algoritme Genetika Untuk Optimasi Penyusunan Barang Dalam Mobil Box

Fakultas Ilmu Komputer

Penerapan Algoritme Genetika Untuk Optimasi Penyusunan Barang Dalam Mobil Box

Fitria Dwi Nurhayati¹, Wayan Firdaus Mahmudy², Achmad Arwan³ Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya

Email: ¹fdn.fitriadwi@gmail.ac.id, ²wayanfm@ub.ac.id, ³arwan@ub.ac.id

Abstrak

Semakin berkembangnya industri secara massal, maka laba yang dicari juga semakin maksimal dengan meminimalkan biaya pengeluaran. Salah satu aktivitas perusahaan dalam meminimalkan biaya pengeluaran adalah dengan mengoptimalkan proses distribusi barang. Mencari pola penyusunan barang dalam proses distribusi barang yang optimal sangat diperlukan untuk menghindari besarnya biaya pengeluaran seperti membutuhkan biaya akomodasi kendaraan tambahan, overload barang atau bahkan memerlukan waktu yang lebih banyak jika tidak menggunakan sistem. Oleh karena itu penelitian ini dilakukan untuk mengatasi masalah penyusunan barang dalam mobil box agar optimal menggunakan algoritme genetika. Algoritme genetika dipilih karena dapat menyelesaikan masalah kompleks dengan waktu yang relative cepat. Dalam penelitian ini diawali dengan inisialisasi individu awal dengan dibangkitkan secara acak. Representasi yang digunakan representasi integer. Kemudian dilakukan proses reproduksi crossover dan mutasi. Metode crossover dan mutasi yang digunakan Partially Mapped Crossover dan Reciprocal Exchange Mutation. Selanjutnya yaitu proses seleksi menggunakan Elitsm Selection. Berdasarkan hasil pengujian yang telah dilakukan, diperoleh akurasi sebesar 84,6% dengan parameter terbaik yaitu pada jumlah populasi sebesar 100, cr 0.6, mr 0.4 dan generasi 90. Hasil akhir yang diperoleh merupakan rekomendasi optimasi penyusunan barang yang optimal

Kata kunci: optimasi, penyusunan barang, algoritme genetika, mobil box Abstract

As the industry grows massively, the profits sought are also maximized by minimizing the cost of expenditure. One of the company's activities in minimizing the cost of expenditure is by optimizing the goods distribution process. Looking for patterns of arrangement of goods in the optimal goods distribution process is necessary to avoid the cost of such expenses incurred additional vehicle accommodation costs, overload of goods or even require more time if not using the system. Therefore, this research is done to overcome the problem of the preparation of goods in the car box for optimal use of genetic algorithm. Genetic algorithm is chosen because it can solve complex problems with a relatively fast time. In this study begins with initial individualization with random raised. The representation used is an integer representation. Then the process of reproduction of crossover and mutation. The crossover and mutation methods used by Partially Mapped Crossover and Reciprocal Exchange Mutation. Next is the selection process using Elitsm Selection. Based on the results of the tests that have been done, obtained accuracy of 84,6% with the best parameters that is on the population amount of 100, cr 0.6, mr 0.4 and generation 90. The final result obtained is optimization recommendations optimize the preparation of goods.

Keywords: optimization, preparation of goods, genetic algorithm, car box

1. PENDAHULUAN

Semakin berkembangnya bermacam- macam industri yang memproduksi produk- produk secara massal (Gazali & Manik, 2010), efisiensi sangat diperlukan dalam segala bidang

untuk meminimalkan biaya pengeluaran dan memaksimalkan laba (Erny, 2013). Proses distribusi barang dengan alat transportasi merupakan salah satu kegiatan di dalam perusahaan, yang kemudian dituntut agar lebih efisien dalam penyusunannya untuk

meminimalisir biaya pengeluaran (Safrina, 2015).

Salah satu permasalahan dalam proses distribusi barang adalah ketika penyusunan barang yang tidak optimal, sehingga akan memperbesar biaya pengeluaran karena memerlukan kendaraan tambahan untuk mendistribusikannya (Gazali & Manik, 2010).

Selain itu, ada beberapa hal juga yang perlu dipertimbangkan, seperti petugas lapangan yang akan terus mencoba untuk meletakkan dan menggeser posisi barang satu dengan yang lainnya agar tetap optimal, dan tentunya juga akan menguras lebih banyak tenaga (Gazali &

Manik, 2010).

Beberapa penelitian sebelumnya telah membahas mengenai permasalahan optimasi penyusunan barang menggunakan algoritme Greedy oleh Gazali dan Manik (2013), dan menggunakan algoritme firefly dalam optimasi penyusunan barang dalam mobil box (Safrina, 2015).

Berdasarkan pemaparan informasi yang telah dijelaskan, maka dibutuhkan algoritme yang bisa menyelesaikan masalah kompleks dalam proses penyusunan barang dalam mobil box dan mampu menghasilkan solusi optimal, yaitu menggunakan algoritme genetika (Mahmudy, 2015).

Diharapkan algoritme genetika ini mampu menyelesaikan permasalahan optimasi penyusunan barang dengan hasil yang optimal.

2. BATASAN MASALAH

Batasan masalah yang digunakan dalam penelitian ini adalah:

1.

Barang yang akan disusun telah dikemas dalam bentuk balok atau kubus

2.

Berat barang merupakan berat barang

asli yang sudah ditambah dengan berat barang packing.

3.

Rute pengiriman barang tidak diperhatikan (semua barang turun di tempat yang sama).

4.

Berat barang yang berada di atas barang lain tidak mempengaruhi barang yang berada di bawahnya.

5.

Beban maksimal yang dapat ditampung tidak melebihi beban maksimal mobil

box.

6.

Rotasi barang dapat dilakukan sebanyak 6 variasi.

3. KAJIAN PUSTAKA 3.1. Penataan Barang

Dalam permasalahan optimasi penyusunan barang dalam mobil box menggunakan dua objek yaitu barang dan mobil box. Data barang dibutuhkan untuk mengetahui berapa banyak barang yang akan disusun ke dalam kendaraan, yang memiliki parameter panjang barang, lebar, tinggi, berat dan rotasi barang. Parameter panjang digunakan untuk membatasi agar berat barang tidak melebihi kapasitas kendaraan, parameter rotasi digunakan untuk mengidentifikasi apakah barang tersebut dapat dirotasi atau tidak.

Gambaran umum objek barang dapat dilihat pada Gambar 1.

Gambar 1. Objek Barang (Safrina, 2015)

Pada Gambar 1 dapat dilihat bahwa barang i memiliki dimensi 1 (panjang) pada sumbu x, dimensi 2 (tinggi) pada sumbu y dan dimensi 3 (lebar) sumbu z.

Proses rotasi barang dapat dilakukan sebanyak enam variasi. Jika rotasi barang bernilai “tidak” maka barang tersebut bernilai 1 yang artinya hanya memiliki 1 variasi rotasi.

Sedangkan jika bernilai “ya” maka barang tersebut dapat dirotasi sebanyak enam variasi.

Gambar rotasi barang dapat dilihat dalam Gambar 2.

Gambar 2. Variasi Rotasi Barang (Susanto, 2009)

Sedangkan data mobil box diperlukan untuk mengetahui kapasitas ruangan maksimal, dan memiliki parameter antara lain panjang, lebar, tinggi dan beban optimal yang mampu ditampung oleh mobil box. Untuk gambaran umum objek kendaraan dapat dilihat dalam Gambar 3.

Gambar 3. Gambaran Mobil Box dalam Koordinat Tiga Dimensi (Susanto, 2009)

Pada Gambar 3, sumbu x menggambarkan lebar mobil, sumbu y menggambarkan tinggi mobil dan sumbu z menggambarkan panjang mobil.

3.2. Algoritme Genetika

Algoritme genetika merupakan bagian dari algoritme evolusi (Panharesi & Mahmudy, 2015). Algoritme genetika merupakan metode algoritme yang populer untuk memecahkan permasalahan baik kompleks maupun non- kompleks (Mahmudy, 2015). Terdapat beberapa penerapan algoritme genetika seperti permasalahan penjadwalan kuliah, optimasi penugasan mengajar bagi dosen dan lain-lain (Mahmudy, 2015).

Proses dalam algoritme genetika dimulai dengan tahap inisialisasi, yaitu menciptakan individu-individu secara acak yang memiliki susunan gen (kromosom) tertentu (Wahyuni, Mahmudy, dan Setiawan, 2017). Kromosom tersebut mewakili solusi dari permasalahan.

Tahap selanjutnya yaitu proses reproduksi yang terdiri dari proses crossover dan mutasi yang menghasilkan offspring dari induk secara random yang terdapat dalam populasi.

Selanjutnya yaitu proses evalusi yang ditandai dengan semakin besar nilai fitness, maka peluang untuk mendapatkan solusi maksimal akan semakin besar.

Tahap akhir dalam algoritme genetika yaitu tahap seleksi, yaitu dengan memilih individu terbaik dengan fitness terbesar. Individu terbaik hasil seleksi akan dipertahankan untuk generasi berikutnya (Mahmudy, 2015).

4. METODOLOGI PENELITIAN

Penelitian ini termasuk sebagai penelitian implementatif dengan pendekatan perancangan (design). Tahap-tahap penelitian yang dilakukan dapat dilihat dalam Gambar 4.

Gambar 4. Tahap Penelitian

Tahap studi literatur dilakukan dengan melakukan pengumpulan literatur yang sesuai dengan penelitian. Pengumpulan data digunakan untuk menentukan data-data yang dibutuhkan dalam penelitian. Perancangan sistem dilakukan dengan perhitungan manual, membuat diagram alir dan antar muka sistem. Proses implementasi dilakukan dengan membangun perangkat lunak sesuai dengan perancangan sistem. Proses pengujian dan analisis digunakan untuk menguji parameter yang ditentukan dan menganalisisnya.

5. PERHITUNGAN MENGGUNAKAN ALGORITME GENETIKA

Dalam melakukan perhitungan, parameter yang digunakan dalam proses algoritme genetika yaitu popSize (jumlah populasi), jumlah generasi, crossover rate (cr) dan mutation rate (mr). Langkah-langkah yang dilakukan untuk menyelesaikan masalah terdapat pada Gambar 6 (Mahmudy, 2015).

Penyelesaian masalah dimulai dengan memasukkan data barang, data kendaraan dan parameter algoritma genetika. Kemudian membentuk inisialisasi populasi awal dengan

membangkitkan kromosom secara random sesuai dengan data parameter yang dilakukan.

Kemudian melakukan proses crossover, mutasi, evaluasi dengan menentukan fitness tertinggi yang akan terseleksi menjadi individu baru pada generasi selanjutnya.

Representasi kromosom merupakan proses penyelesaian masalah dengan cara pengkodean ke dalam algoritme genetika yang merupakan proses awal dan paling penting untuk memberikan solusi (Mahmudy, 2015). Dalam penelitian ini menggunakan representasi integer.

Di dalam penelitian ini, dalam satu kromosom terdapat dua karakter gen yaitu kode barang dan kode rotasi barang, sehingga nilai panjang gen sebanyak 2 x n, dengan n merupakan banyak barang. Visualisasi gen dalam individu dapat dilihat dalam Gambar 5.

Gambar 5.Visualisasi Gen

Gambar 6. Langkah perhitungan Algoritme Genetika

Tabel 1. Contoh representasi kromosom

Individu

Segmen 1 ….. ….

.

Segmen 10 x1 x2 … … … … x19 x20

k r … … … … k r

P1 B3 1 … … … … B1 5

P2 B5 6 … … … … B7 1

P3 B2 5 … … … … B4 2

Tabel 1 merupakan contoh representasi kromosom. Nilai pada gen pertama masing- masing segmen sesuai dengan kode barang (k merupakan kode barang) sesuai dengan banyaknya barang yang akan dimasukkan dan nilai pada gen kedua masing-masing segmen menunjukkan batasan rotasi barang (r) yang nilainya dari 1 sampai 6 sesuai dengan variasi barang pada Gambar 2. Pada tabel tersebut terdapat 3 individu yaitu P1, P2 dan P3.

Banyaknya individu sesuai dengan popSize yang dimasukkan.

Setelah mendapatkan populasi awal, kemudian melakukan tahap reproduksi yang terdiri dari proses crossover dan mutasi. Proses crossover menggunakan Partially Mapped Crossover dengan melakukan persilangan dua induk dan menentukan hubungan pemetaan.

Untuk crossover, misalkan memilih P1 dan P2 sebagai induk (parents)

P1: 1 2 5 6 4 3 8 7 P2: 1 4 2 3 6 5 7 8

Kemudian dipilih secara acak dua titik potong sebagai berikut:

P1: 1 2 | 5 6 4 | 3 8 7 P2: 1 4 | 2 3 6 | 5 7 8

Selanjutnya range (di dalam dua titik potong) ditukar antara induk, menjadi:

P1: 1 2 | 2 3 6 | 3 8 7 P2: 1 4 | 5 6 4 | 5 7 8

Sehingga di dapatkan hasil pemetaan:

2 ↔ 5, berarti 2 akan diganti dengan 5 dan sebaliknya, berlaku diluar dua titik potong

3 ↔ 6 ↔ 4, 4 dapat diganti dengan 6 atau 3, sehingga menjadi:

C1: 1 5 2 3 6 4 8 7 C2: 1 3 5 6 4 2 7 8

Setelah melakukan proses crossover, selanjutnya dilakukan proses mutasi reciprocal exchange mutation, yaitu dengan cara menukar nilai yang terdapat pada dua posisi (exchange point/XP) (Mahmudy, 2015) yang sebelumnya telah dipilih secara acak seperti pada Gambar 7.

Gambar 7. Proses Mutasi

Setelah mendapatkan individu hasil mutasi, kemudian dilakukan proses evaluasi dengan menentukan fitness terbesar yang akan menjadi tolak ukur penentuan generasi selanjutnya (Panharesi & Mahmudy, 2015). Semakin besar nilai fitness maka peluang akan menjadi solusi akan semakin besar (Mahmudy, 2015).

Penentuan nilai fitness dalam penelitian ini menggunakan Persamaan 1 (Lim, Gunadi &

Gang, 2004).

𝑓(𝑥) =^∑𝑉𝑏

𝑉𝑘 ∗ 100% (1)

Fungsi objektif / fitness berfungsi untuk mengoptimalkan penggunaan ruang yang tersedia dengan menggunakan total volume barang yang dapat disusun pada mobil box. Hal yang harus diperhatikan dalam penyusunan barang yaitu fungsi objektif (objective function) dan batasan (constraint) (Safrina, 2015).

Batasan-batasan dalam penyusunan barang adalah sebagai berikut (Safrina, 2015):

1. Orientasi Barang

Barang yang disusun berbentuk balok atau kubus yang memiliki dimensi panjang, lebar dan tinggi. Ada barang yang dapat dirotasi atau tidak sesuai dengan Gambar 2.

2. Beban Maksimal Mobil Box

Masing-masing dari mobil box memiliki batas beban maksimal barang yang dapat ditampung. Sehingga beban barang tidak boleh melibihi beban maksimal mobil box. Model matematika yang digunakan terdapat pada Persamaan 2.

∀𝑖 ∈ {1, … , 𝑛} ∑^𝑛_𝑖=1𝑤𝑖∗ 𝑥𝑖 ≤ 𝑊 (2) 3. Kapasitas Ruang Mobil Box

Batasan kapasitas ruang mobil box digunakan supaya barang-barang yang akan disusun ke dalam mobil box memiliki ukuran sama atau kurang dari kapasitas mobil box.

Volume barang yang disusun tidak boleh melebihi volume mobil box. Persamaan yang digunakan seperti pada Persamaan 3.

∀𝑖 ∈ {1, … , n} ∑^𝑛_𝑖=1𝑝_𝑖 ∗ 𝑙_𝑖∗ 𝑡_𝑖∗ 𝑥_𝑖 ≤ 𝑃 ∗ 𝐿 ∗ 𝑇 (3)

Masing-masing dimensi panjang, lebar dan tinggi barang juga tidak boleh melebihi panjang, lebar dan tinggi mobil box. Persamaan yang digunakan seperti pada Persamaan 4:

∀𝑖 ∈ {1, … , n} ∑^𝑛_𝑖=1𝑝_𝑖 ≤ 𝐿 𝑑𝑎𝑛 𝑙_𝑖≤

𝑃 𝑑𝑎𝑛 𝑡_𝑖 ≤ 𝑇 (4)

Keterangan :

f (x) = Fungsi objektif / fitness

Vb = Seluruh volume barang yang masuk Vk = Volume kendaraan i = Indeks Barang n = Jumlah Barang

i = Indeks Barang w = Berat barang i

W = Beban maksmimum mobil box

pi, li, ti = Masing-masing panjang, lebar dan tinggi barang i

P, L, T = Masing-masing panjang, lebar dan tinggi mobil box

xi = Variabel biner yang mengidentifikasikan dapat atau tidaknya barang i disusun pada mobil box. Bernilai 1 jika barang berada di dalam mobil box dan 0 jika tidak.

Setelah menghitung fitness kemudian dilanjutkan dengan proses seleksi dengan memilih individu terbaik yang akan bertahan untuk berproses pada generasi selanjutnya.

Proses seleksi yang digunakan dalam penelitian ini yaitu Elitsm Selection, yaitu dengan mengurutkan nilai fitness dari yang terbesar ke yang kecil atau yang dikenal dengan istilah perankingan.

Proses reproduksi akan dilakukan sampai salah satu syarat keadaan kondisi berhenti telah terpenuhi, yaitu (Mahmudy, 2015):

1. Ketika sudah mencapai kondisi generasi n yang telah ditentukan.

2. Ketika tidak dijumpai solusi terbaik saat sudah mencapai generasi ke n.

3. Ketika telah mencapai t satuan waktu.

6. ARSITEKTUR SISTEM

Dalam penelitian ini menggunakan bahasa pemograman java dengan struktur diagram class utama seperti Gambar 8.

7. PENGUJIAN DAN PEMBAHASAN Pada penelitian ini terdapat 3 pengujian, yaitu pengujian ukuran populasi, pengujian ukuran crossover rate dan mutation rate, pengujian banyaknya generasi. Setelah mendapatkan parameter terbaik, kemudian akan dilakukan pengujian kembali menggunakan parameter terbaik masing-masing pengujian.

Gambar 8. Diagram class sistem

7.1. Pengujian Ukuran Populasi

Pengujian ukuran populasi digunakan untuk menentukan ukuran populasi yang terbaik.

Parameter ukuran populasi yang digunakan yaitu kelipatan 10, sampai dengan 110. Untuk banyak generasi yaitu 10, cr sebanyak 0,1 dan mr sebanyak 0,2. Pengujian dilakukan sebanyak sepuluh kali untuk mendapatkan hasil yang mewakili kemampuan algoritme secara utuh.

Lalu akan didapatkan nilai rata-rata fitness yang terbaik. Sehingga dapat dilakukan analisis terhadap nilai populasi terbaik yang digunakan.

Hasil uji coba ukuran populasi dapat dilihat dalam Gambar 9.

Gambar 9. Grafik Hasil Pengujian Ukuran Jumlah Populasi

Pada Gambar 9 dapat diketahui bahwa nilai rata-rata nilai fitness terbesar terjadi pada populasi ke 100 sebesar 43.96. Sedangkan nilai rata-rata fitness terendah terjadi pada populasi ke 10 sebesar 41.03. Dari hasil pengamatan di atas bahwa ketika nilai populasi semakin besar, kemungkinan untuk mendapatkan kromosom optimal semakin besar. Selanjutnya rata-rata nilai fitness yang diperoleh mengalami kenaikan yang tidak signifikan karena proses reproduksi memiliki kesamaan dengan induknya (Lesmawati, Rahmni, dan Mahmudy, 2016).

7.2. Pengujian Ukuran Crossover Rate (cr) dan Mutation Rate (mr)

Pengujian ukuran cr dan mr digunakan untuk menentukan ukuran cr dan mr yang terbaik.

Nilai populasi yang digunakan dari hasil pengujian ukuran populasi terbaik yaitu 100, sedangkan nilai kombinasi cr 0,1 dan mr 0,2.

Hasil uji coba kombinasi ukuran cr dan mr dapat dilihat dalam Gambar 10.

Gambar 10. Grafik Hasil Pengujian Kombinasi Cr dan Mr

Pada Gambar 10 dapat diketahui bahwa hasil rata-rata nilai fitness terbesar terjadi pada ukuran cr 0.6 dan mr 0.4 sebesar 44.81.

Sedangkan nilai rata-rata fitness terendah terjadi

39,00 40,00 41,00 42,00 43,00 44,00 45,00

10 20 30 40 50 60 70 80 90 100 110

Rata-rata fitness

Populasi

Pengujian Ukuran Populasi

43,50 44,00 44,50 45,00

0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 1 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0

Rata-rata fitness

Mr Cr

Pengujian Ukuran Cr dan Mr

pada ukuran cr 0 dan mr 1 sebesar 43.98.

Sehingga dapat disimpulkan bahwa kombinasi crossover rate (cr) dan mutation rate (mr) terbaik adalah 0,6 : 0,4. Apabila cr rendah dan mr tinggi maka algoritme genetika tidak akan mampu mengeksplorasi daerah pencaraian secara efektif (Mahmudy, 2015), karena crossover yang rendah tidak bisa belajar efektif dari generasi sebelumnya (Riyandani, 2016).

Sedangkan sebaliknya, jika nilai cr tinggi dan mr rendah maka akan mengalami penurunan kemampuan dalam mengeksplorasi ruang pencarian, sehingga kehilangan kesempatan untuk mengeksplorasi ruang pencaraian lainnya (Mahmudy, 2015), karena ketika nilai crossover tinggi akan menghasilkan offspring yang memiliki kemiripan tinggi dengan induk (Riyandani, 2016).

7.3. Pengujian Banyaknya Generasi

Pengujian ukuran generasi digunakan untuk menentukan ukuran generasi yang terbaik. Nilai populasi, kombinasi cr dan mr diperoleh berdasarkan hasil pengujian nilai terbaik pada uji coba populasi 100, kombinasi cr 0,6 dan mr 0,4.

Hasil uji coba ukuran banyak generasi dapat dilihat dalam Gambar 11.

Gambar 11.Uji Coba Banyaknya Generasi

Pada Gambar 11 dapat diketahui nilai rata- rata nilai fitness terbesar terjadi pada generasi 90 sebesar 47.62. Sedangkan nilai rata-rata fitness terendah terjadi pada generasi 10 sebesar 44.42.

Sehingga dapat disimpulkan bahwa ketika nilai generasi bertambah, maka nilai rata-rata fitness cenderung bertambah. Pada setiap kenaikan jumlah generasi terjadi perubahan nilai rata-rata fitness yang tidak terlalu signifikan, dan waktu yang dibutuhkan untuk melakukan komputasi semakin lama. Sehingga dapat disimpulkan bahwa semakin meningkat nilai generasi, maka nilai rata-rata fitness cenderung mengalami peningkatan, akan tetapi membutuhkan waktu

komputasi yang lama karena bisa jadi algoritme genetika akan mengeksplorasi area yang tidak mempunyai nilai optimal (Mahmudy, 2015).

7.4. Pengujian Parameter Terbaik

Hasil parameter terbaik berdasarkan pengujian yang telah dilakukan sebelumnya akan dijadikan nilai input masing-masing parameter untuk mendapatkan solusi yang mendekati optimal. Yaitu dengan parameter populasi sebesar 100, kombinasi cr dan mr 0,6:0,4 dan generasi sebesar 90.

Gambar 12.Uji Coba Parameter Terbaik

Gambar 12 dapat disimpulkan bahwa nilai fitness yang dihasilkan sudah mendekati optimal. Karena hasil nilai rata-rata fitness dari 10 kali percobaan di atas menghasilkan nilai rata-rata fitness yang hampir sama. Untuk mengetahui nilai akurasi yang diperoleh, dilakukan perhitungan dengan menggunakan parameter pengujian algoritma genetika terbaik dan data artificial data barang dan kendaraan.

Penentuan nilai akurasi dengan menggunakan persamaan :

𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = ∑𝐵𝑎𝑟𝑎𝑛𝑔 𝑦𝑎𝑛𝑔 𝑚𝑎𝑠𝑢𝑘 (𝑠𝑖𝑚𝑢𝑙𝑎𝑠𝑖) 𝐵𝑎𝑟𝑎𝑛𝑔 𝑦𝑎𝑛𝑔 𝑚𝑎𝑠𝑢𝑘 (𝑠𝑖𝑠𝑡𝑒𝑚) 𝑥 100%

𝑛

𝑘=𝑛

Sehingga didapatkan nilai rata-rata akurasi sebesar :

𝑅𝑎𝑡𝑎 − 𝑟𝑎𝑡𝑎 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 (%) = Σ 𝑡𝑜𝑡𝑎𝑙 𝑎𝑘𝑢𝑟𝑎𝑠𝑖 Σ 𝑢𝑗𝑖 𝑐𝑜𝑏𝑎 𝑅𝑎𝑡𝑎 − 𝑟𝑎𝑡𝑎 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 =

=86 + 79 + 86 + 93 + 86 + 79 + 86 + 93 + 79 + 79 10

= 846 10

= 84.6 %

8. KESIMPULAN

Permasalahan penyusunan barang dalam mobil box dapat diselesaikan dengan menggunakan algoritme genetika. Representasi kromosom yang digunakan berbasis integer berdasarkan kode barang yang akan disusun.

42,00 44,00 46,00 48,00

10 20 30 40 50 60 70 80 90 100

Rata-rata fitness

Jumlah Generasi

Pengujian Ukuran Generasi

46,50 47,00 47,50 48,00 48,50

1 2 3 4 5 6 7 8 9 10

Rata-rata fitness

Pengujian ke-

Pengujian Parameter

Terbaik

Dalam proses algoritme genetika terdapat proses crossover dan mutasi dengan digunakan menggunakan Partially Mapped Crossover dan Reciprocal Exchange Mutation. Nilai fitness yang diperoleh berdasarkan Batasan volume optimal, rotasi barang dan beban maksimal yang telah melalui proses algoritme genetika. Untuk mendapatkan nilai fitness dengan nilai terbaik yang ditandai dengan memiliki fitness tertinggi yaitu dengan menggunakan proses Elitsm Selection.

Nilai dari masing-masing parameter algoritme genetika sangat berpengaruh untuk mendapatkan kromosom terbaik yang ditandai dengan memiliki fitness terbesar. Nilai parameter jumlah populasi, cr, mr dan generasi yang semakin bertambah akan mampu menghasilkan keragaman individu yang lebih banyak, dan memiliki kecenderungan nilai fitness yang semakin meningkat. Akan tetapi fitness yang dihasilkan tidak terlalu signifikan dan membutuhkan waktu yang lebih lama. Nilai fitness yang dihasilkan sangat bergantung dengan banyaknya data barang dan kendaraan yang tersedia. Jika jumlah banyaknya barang yang tersedia semakin banyak, maka nilai fitness akan bertambah. Begitu pula sebaliknya ketika jumlah barang yang tersedia sedikit maka akan menghasilkan nilai fitness optimum yang semakin kecil.

Hasil akurasi berdasarkan pengujian menghasilkan akurasi sebesar 84.6% dengan konfigurasi nilai masing-masing parameter algoritme genetika yang terbaik mendekati optimal sebesar jumlah populasi 100; cr 0,6; mr 0,4; dan generasi 90.

9. SARAN

Agar fitness yang dihasilkan semakin optimal, maka tidak hanya menggunakan data barang dan kendaranan, akan tetapi juga memperhatikan batasan-batasan tentang titik berat barang yang berada di bawahnya atau beban maksimum tumpukan barang, dan bisa ditambahkan rute tujuan pengiriman. Sehingga dengan adanya kombinasi tersebut akan mampu menghasilkan fitness yang optimal.

Penelitian selanjutnya Algoritme Genetika dapat dimodifikasi atau dilakukan penggabungan dengan algoritme lainnya agar mampu menghasilkan solusi yang lebih baik lagi atau optimal.

10. DAFTAR PUSTAKA

Erny, 2013. Optimasi Pola Penyusunan Barang dalam Peti Kemas Menggunakan Algoritma Particle Swarm Optimization. Jurnal Matematika, Komputasi. Universitas Hasanuddin.

Gazali, W. & Manik, IN., 2010. Perancangan Program Simulasi Optimasi Penyusunan Barang dalam Kontainer menggunakan Algoritma Greedy. Jurnal Mat Stat, vol.

10, no. 2, pp. 100-113

Lesmawati, W., Rahmi, A., Mahmudy, WF., 2016. Optimization Of Frozen Food Distribution Using Genetic Algorithms.

Journal of Environmental Engineering &

Sustainable Technology, vol. 03, no. 1, pp.

51-58

Lim, R., Gunadi, K. & Gang, OW., 2004.

Optimasi Pengambilan dan Penataan Ulang Barang di gudang dengan Penerapan Stack Menggunakan Metode Genetic Algorithm. Jurnal Informatika, vol. 5, no. 1, pp. 39 - 52

Mahmudy, WF., 2015. Modul Algoritma Evolusi, Program Teknologi Informasi dan Ilmu Komputer, Universitas Brawijaya.

Panharesi, YG. & Mahmudy, WF., 2015.

Optimasi Distribusi Barang Dengan Algoritma Genetika. DORO: Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya, vol.5, no.11

Riyandani, 2016. Optimalisasi Komposisi Pakan Sistem Polikultur Ikan dan Udang Menggunakan Algoritma Genetika.

Skripsi. Program Teknoligi Informasi dan Ilmu Komputer, Univeristas Brawijaya.

Safrina, 2015. Optimalisasi Barang pada Mobil Box Menggunakan Algortima Firefly.

Skripsi. Fakultas Ilmu Komputer dan Teknologi Informasi, Univeristas Sumatera Utara

Susanto, YH., 2009. Perancangan Program Simulasi Optimasi Penyusunan Barang dalam Komtainer Menggunakan Algortima Greedy (Studi Kasus: Best Global Ekspress). Skripsi. Universitas Bina Nusantara

Wahyuni, R., Mahmudy, FM., Setiawan, BD., 2017. Penentuan Portofolio Saham Optimal Menggunakan Algortima

Genetika. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 1, no. 1, pp. 63-68