Optimasi Rute Pendistribusian Obat Pedagang Besar Farmasi di Apotek Kota Kediri menggunakan Algoritma K-Means dan Artificial Bee Colony (ABCKM)

Fakultas Ilmu Komputer

Universitas Brawijaya 761

Optimasi Rute Pendistribusian Obat Pedagang Besar Farmasi di Apotek Kota Kediri menggunakan Algoritma K-Means dan Artificial Bee Colony

(ABCKM)

Cindy Cynthia Nurkholis¹, Imam Cholissodin², Bayu Rahayudi³

Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: ¹cindycynthian45@gmail.com, ²imamcs@ub.ac.id, ³ubay1@ub.ac.id

Abstrak

Pedagang Besar Farmasi merupakan sebuah usaha yang telah memiliki izin untuk mengadakan pendistribusian produk farmasi. Dalam pendistribusian produk terdapat apotek yang berdekatan tidak dilakukan pengiriman, sehingga kurir kembali lagi dan mendapatkan total jarak yang lebih besar.

Sehingga Pedagang Besar Farmasi membutuhkan rute optimal untuk melakukan pendistribusian produk farmasi. Permasalahan tersebut merupakan permasalahan Multi Travelling Salesman Problem (MTSP).

Algoritma K-Means dan Artificial Bee Colony dipilih untuk menyelesaikan permasalahan MTSP karena algoritma K-Means dapat digunakan untuk melaukan pembagian data dengan sumber terbaik. Solusi yang digunakan dalam K-Means merupakan solusi koordinat tetangga terdekat saja. Sehingga diperlukan algoritma artificial bee colony untuk membantu agar tidak terjebak dalam lokal optima.

Algoritma artificial bee colony akan digunakan dalam pencarian rute optimal dalam permasalahan optimasi rute pendistribusian produk farmasi di Apotek Kota Kediri. Dari penelitian yang dilakukan membuktikan bahwa algoritma ABCKM terbukti lebih baik dari pada algoritma ABC dan lebih baik dari pada menggunakan rute pendistribusian yang dilakukan oleh kurir saat ini. Dari penelitian dilakukan algoritma artificial bee colony mencapai konvergensi dalam penarian solusi terbaik dengan jumlah popsize 70, jumlah limit 25, dan iterasi maksimal 700. Dari parameter optimal yang didapatkan nilai fitness terbaik sebesar 0,012193.

Kata kunci: optimasi, multiple travelling salesman problem (M-TSP), k-means, artificial bee colony Abstract

Pharmaceutical wholesaler is a business that already has a license to distribute pharmaceutical products. In product distribution, there are pharmacies that are close by, no delivery is made, so the courier returns again and gets a larger total distance. Thus, pharmaceutical wholesalers need an optimal route for distributing pharmaceutical products. This problem is a Multi Traveling Salesman Problem (MTSP). The K-Means and Artificial Bee Colony algorithms were chosen to solve the MTSP problem because the K-Means algorithm can be used to share data with the best sources. The solution used in K-Means is the closest neighbor coordinate solution only. So that an artificial bee colony algorithm is needed to help avoid being trapped in the local optima. The artificial bee colony algorithm will be used in finding the optimal route in the problem of optimizing the distribution route of pharmaceutical products at the Kediri City Pharmacy. From the research conducted, it is proven that the ABCKM algorithm is proven to be better than the ABC algorithm and better than using the distribution route carried out by the current courier. From the research, the artificial bee colony algorithm achieves convergence in finding the best solution with a popsize of 70, a limit of 25, and a maximum iteration of 700. From the optimal parameters, the best fitness value is 0.012193.

Keywords: optimization, multiple travelling salesman problem (M-TSP), k-means, artificial bee colony

1. PENDAHULUAN

Pedagang Besar Farmasi atau yang biasa disebut PBF merupakan sebuah usaha yang telah

memiliki izin untuk mengadakan penyaluran atau pendistribusian obat-obatan atau produk farmasi.

Pada Pedagang Besar Farmasi Kota Kediri

terdapat banyak apotek dan terdapat beberapa kurir yang akan melakukan distribusi. Dalam pendistribusian barang terdapat apotek yang berdekatan namun tidak dilakukan pengiriman barang, sehingga kurir akan kembali lagi dan akan mendapatkan total jarak yang lebih besar.

Saat ini dalam melakukan distribusi produk farmasi, setiap kurir diberikan list apotek yang harus dilakukan distribusi. Setiap kurir berhak menentukan urutan apotek yang akan dilakukan distribusi atas kemauan mereka sendiri. Jika terdapat kurir baru yang belum mengerti jalan akan lebih sulit dalam mencari urutan apotek yang dilakukan distribusi dengan jarak terdekat.

PBF harus memiliki cara agar dapat melakukan pendistribusian secara maksimal dengan menggunakan rute optimal, sehingga meminimalkan biaya yang dikeluarkan untuk pengiriman produk farmasi.

Penelitian sebelumnya dalam pencarian rute optimal Multiple Travelling Salesman Problem pada distribusi es batu dengan menggunakan Algoritma Artificial bee colony yang berhasil mendapatkan total jarak yang lebih optimal jika dibandingkan dengan total jarak yang rutenya dipilih oleh kurir, yaitu penelitian yang dilakukan pada tahun 2018 (Aghni et al., 2018).

Penelitian selanjutnya yang menerapkan Algoritma Artificial bee colony dalam pencarian optimasi rute distribusi Carica Nida Food Wonosobo yang berhasil menyelesaikan permasalahan tersebut dengan menunjukkan jarak terpendek yang akan dilalui dalam pendistribusian carica nida food yang diteliti pada tahun 2019 (Arifin and Laksito, 2019).

Penelitian yang menggunakan Algoritma Artificial bee colony dan Algoritma K-Means berhasil menghasilkan data yang telah dibagi berdasarkan sumber terbaik, yaitu penelitian yang dilakukan pada tahun 2016 (Nugroho, Purwitasari and Fatichah, 2016). Berdasarkan hal tersebut dapat disimpulkan bahwa Algoritma Artificial bee colony dan Algoritma K-Means dapat menyelesaikan permasalahan mengenai optimasi rute terbaik.

Dari permasalahan yang ada, Pedagang Besar Farmasi Kota Kediri membutuhkan rute optimal dalam melakukan pendistribusian.

Selain itu, Pedagang Besar Farmasi Kota Kediri juga memerlukan pengelompokkan setiap kurir.

Dengan adanya permasalahan tersebut, diperlukan metode yang dapat menyelesaikan permasalahan yang ada. Algoritma K-Means dan Artificial Bee Colony akan digunakan dalam menyelesaikan permasalahan tersebut.

2. Multi Travelling Salesman Problem (MTSP)

Multiple Travelling Salesman Problem (MTSP) merupakan pengembangan dari metode Travelling Salesman Problem. MTSP merupakan metode yang digunakan untuk memilih rute jarak terpendek dengan beberapa orang yang harus mengunjungi beberapa titik koordinat dan kembali ke titik awal (Krishnanda

& Setiawan, 2018).

Pada permasalahan Multiple Travelling Salesman Problem memiliki jumlah agen lebih dari satu. Dengan banyaknya agen yang ada, maka proses distribusi yang dilakukan akan semakin cepat dan dapat meminimalkan biaya transportasi yang harus dikeluarkan, (Aghni et al., 2018).

3. K-Means

K-Means merupakan algoritma yang dapat digunakan untuk melakukan pengelompokan suatu data. Algoritma K-Means dalam melakukan pengelompokan dengan cara membagi data menjadi beberapa kelompok sesuai dengan kriteria tertentu, (Dhuhita, 2015).

Pengelompokan oleh Algoritma K-Means akan dilakukan secara optimal dengan memaksimalkan hasil yang sama pada setiap anggota dalam setiap kelompok pada suatu data.

Seluruh anggota dari suatu data pada pengelompokan menggunakan Algoritma K- Means harus masuk dalam salah satu kelompok.

Langkah-langkah algoritma K- Means(Nugroho et al., 2016):

1. Menentukan jumlah kelompok

2. Menentukan titik pusat kelompok (centroid)

3. Menghitung jarak titik ke setiap titik pusat (centroid)

4. Menentukan anggota pada setiap kelompok

5. Menentukan titik pusat (centroid) baru 6. Mengulangi langkah 3-5 hingga centroid

tidak mengalami perubahan.

Untuk melakukan perhitungan jarak menggunakan euclidean distance dengan cara:

𝑑(𝑥, 𝑦) = √(𝑥_𝑖 − 𝑦_𝑖)²+. . . +(𝑥_𝑛 − 𝑦_𝑛)²(1) Keterangan:

n = jumlah data x = nilai titik data

y = nilai titik pusat (centroid)

Untuk memperbarui centroid dengan centroid bari menggunakan cara:

𝜇_𝑘 = ¹

𝑁_𝑘 ∑^𝑁_𝑖=1^𝑘 𝑥_𝑖 (2)

Keterangan:

𝜇_𝑘 = Titik pusat baru dari kelompok ke-k 𝑁_𝑘 = Banyak data pada kelompok ke-k

𝑥_𝑖 = Data titik ke-i pada kelompok ke-k 4. Artificial Bee Colony

Artificial bee colony merupakan kecerdasan buatan yang termasuk ke dalam golongan swarm intelligence dengan menirukan cara kerja koloni lebah dalam mencari nektar (Yulianto et al., 2018).

Dalam koloni lebah, penentuan sumber makanan menggunakan tiga kelompok, yaitu lebah pengintai (Scout Bee), lebah penjelajah (Onlooker Bee), dan lebah pekerja (Employeed Bee). Semua lebah melakukan pekerjaan masing-masing untuk menjadi penentu besar dan letak sumber nektar kemudian mengingat dan membandingkan dengan sumber lain, serta memilih hasil dengan jarak yang optimal (Hermawan et al., 2017).

Langkah-langkah algoritma artificial bee colony (Cholissodin & Riyandani, 2016):

1. Inisialisasi parameter

Parameter yang diperlukan dalam algoritma ABC:

a. Data

Data yang digunakan merupakan data apotek yang akan dilakukan pendistribusian obat oleh pedagang besar farmasi Kota Kediri berupa latitude, longtitude, dan jarak antar titik koordinat yang dicari menggunakan fungsi haversine.

b. Popsize

Popsize merupakan jumlah employed bee ditambah onlooker bee yang akan digunakan. Dimana employeed bee = onlooker bee yang biasa disebut population size.

c. Limit

Parameter limit merupakan batasan dari population size yang tidak ada peningkatan kualitas untuk sejumlah iterasi.

d. Maksiterasi

Maksiterasi merupakan banyaknya iterasi yang akan dilakukan dan menjadi kondisi berhenti.

2. Fase Initial

Fase initial merupakan proses untuk mendapatkan solusi awal berupa individu sejumlah colony size atau popsize dan

melakukan perhitungan nilai fitness setiap individu yang dijadikan solusi awal.

Untuk melakukan perhitungan nilai fitness menggunakan cara:

𝑓𝑖𝑡𝑛𝑒𝑠𝑠_𝑖 = {

1

1 + 𝑓_𝑖 𝑖𝑓 (𝑓_𝑖 ≥ 0)

1 + 𝑎𝑏𝑠 (𝑓_𝑖) 𝑖𝑓 (𝑓_𝑖 < 0) (3) Keterangan:

fitnesi = nilai fitness ke - i fi = jumlah jarak tiap tujuan

3. Improvement Solution (Fase Employeed Bee)

Fase employeed bee menggunakan metode neighbourhood operator untuk melakukan swap operator dan swap sequence. Setelah itu, akan menghitung nilai probabilitas setiap individu.

a. Swap Operator

Swap operator dilakukan untuk menentukan penukaran dua titik koordinat secara acak. Contoh penukaran titik pada swap operator:

Tabel 1. Swap Operator

b. Swap Sequence

Swap sequence merupakan kumpulan dari swap operator, yaitu swap operator yang dilakukan sejumlah NSE atau 2 kali jumlah popsize.

Setelah proses swap operator dan swap sequence terpenuhi dilanjutkan dengan mencari nilai probabilitas setiap individu dengan cara:

𝑃𝑟𝑜𝑏𝑖 = 𝑓𝑖𝑡𝑛𝑒𝑠𝑠(𝐵𝑒𝑒_𝑖)

∑^𝑆_𝑘=1𝑓𝑖𝑡𝑛𝑒𝑠𝑠(𝐵𝑒𝑒_𝑘) (4) Keterangan:

Probi = peluang dalam memilih employeed bee ke -i S = jumlah employed bee Beei = sumber makanan ke – i Beek = sumber makanan kumulatif 4. Improvement Solution (Fase Onlooker

Bee)

Fase onlooker bee akan dilakukan seleksi roullette wheel. Kemudian menggunakan metode neighbourhood operator untuk melakukan insert operator dan insert sequence.

SO A B C D E (2,4) A D C B E

a. Seleksi Roulette Wheel

Seleksi roulette wheel digunakan untuk menyeleksi berdasarkan nilai fitness. Dalam melakukan penyeleksian akan dilakukan pencarian range dengan melakukan random angka 1 sampai 100 sebanyak popsize dan akan dipilih individu yang sesuai dengan range tersebut.

b. Insert Operator

Insert operator digunakan untuk menentukan dua sumber makanan secara acak pada setiap individu yang akan dipindahkan posisinya. Dimana sumber makanan akhir akan dipindahkan pada sumber makanan awal, kemudian sisa dari urutan sumber makanan akan bergeser.

Berikut contoh proses insert operator.

Tabel 2. Insert Operator

c. Insert Sequence

Insert Sequence (IS) merupakan kumpulan dari insert operator, yaitu insert operator yang dilakukan sejumlah NSE atau 2 kali jumlah popsize.

5. Fase Scout Bee

Pada fase ini akan dilakukan penentuan individu baru dengan melihat nilai trial setiap individu. Jika max trial

> limit, maka hapus individu yang tidak ada perbaikan dan ganti dengan individu baru secara acak, kemudian nilai trial direset menjadi 0. Jika max trial > limit dan terdapat individu yang ada perbaikan, maka tidak perlu digantikan dengan individu baru, kemudian reset trial menjadi 0. Jika max trial < limit, maka tidak perlu diganti dengan individu baru, dan nilai trial tidak perlu direset (Cholissodin & Riyandani, 2016).

6. Kondisi Berhenti

Kondisi berhenti akan terpenuhi apabila sudah mencapai iterasi maksimal.

Selama kondisi berhenti belum terpenuhi akan menjalankan dan mengulang proses seperti sebelumnya dengan iterasi += 1 dengan melakukan proses fase employeed bee, onlooker bee, dan scout bee untuk setiap iterasi.

5. Hibridasi K-Means dan Artificial Bee Colony

Algoritma K-Means akan digunakan untuk melakukan pengelompokan data dalam menyelesaikan permasalahan menggunakan algoritma artificial bee colony. Algoritma K- Means sering digunakan untuk menghasilkan solusi yang optimal. Solusi yang digunakan dalam K-Means merupakan solusi pada koordinat tetangga terdekat saja. Sehingga diperlukan algoritma artificial bee colony untuk membantu agar tidak terjebak dalam lokal optima(Nugroho et al., 2016).

Pada algoritma ABCKM sumber makanan terbaik yang dihasilkan disimpan pada fase onlooker bee dalam setiap iterasinya. Dari kumpulan sumber makanan tersebut akan dipilih sumber makanan optimal dengan cara melihat nilai fitness terbesar.

Gambar 1 merupakan diagram alir dari algoritma K-Means dan Artificial Bee Colony (ABCKM). Langkah-langkah yang akan dilakukan dalam algoritma ABCKM adalah sebagai berikut:

1. Melakukan input data

2. Melakukan pengelompokan menggunakan algoritma K-Means 3. Membuat matrik jarak setiap kelompok IO A B C D E

(2,4) A D B C E

4. Mencari rute optimal menggunakan algoritma Artificial Bee Colony.

Gambar 1. Diagram Alir ABCKM 6. Silhoutte Coefficient

Silhoutte coefficient merupakan metode yang sering digunakan untuk mengetahui kualitas data dalam pengelompokan. Dalam melakukan pengelompokan, algoritma ini mengenali kualitas dari pembagian data. Nilai koeffisien pada silhouette berada pada rentang - 1 sampai 1. Jika nilai silhouette semakin besar atau mendekati nilai 1, maka hasil pembagian data tersebut semakin baik. Begitu pula sebaliknya, (Nugroho et al., 2016).

7. Pengujian dan Analisis

Pengujian dilakukan untuk mengetaui parameter optimal dalam menyelesaikan permasalahan pendistribusian obat Pedagang Besar Farmasi Kota Kediri. Parameter yang diuji adalah pengujian jumlah iterasi pada algoritma K-Means menggunakan silhoutte coefficient, pengujian jumlah popsize atau colony size, pengujian jumlah limit, pengujian konvergensi untuk mengetahui banyak iterasi dalam mencapai tingkat konvergensi, dan pengujian global dengan melakukan perbandingan antara hasil sistem ABCKM dan rute yang digunakan kurir saat ini, serta membandingkan hasil sistem ABCKM dan hasil sistem ABC saja.

7.1 Pengujian Iterasi K-Means

Pengujian jumlah iterasi dalam algoritma K- Means dalam penelitian ini bertujuan untuk

mendapatkan pengelompokan yang paling optimal.

Pengujian ini dilakukan dengan membandingkan nilai silhoutte coefficient dari setiap pengujian.

Pengujian dilakukan sejumlah 5 kali pengujian dengan jumlah iterasi 50-2500. Hasil pengujian jumlah iterasi k-means dapat dilihat pada Gambar 2.

Gambar 2. Grafik Pengujian Jumlah Iterasi K-Means Berdasarkan Gambar 2, dapat dilihat bahwa rata- rata nilai silhoutte coefficent yang baik pada iterasi 200 dengan rata-rata nilai silhoutte coefficient

0,105371. Sehingga pengelompokan yang digunakan pada proses selanjutnya adalah pada iterasi 200. Hasil

pengelompokan yang baik merupakan hasil pengujian dengan nilai silhoutte coefficient yang mendekati angka 1, (Nugroho et al., 2016).

7.2 Pengujian Jumlah Popsize

Pengujian jumlah popsize bertujuan untuk mengetahui jumlah popsize yang optimal dengan menentukan nilai fitness terbaik dalam pengujiannya. Pengujian dilakukan sejumlah 5

kali pengujian pada setiap jumlah popsize, yaitu 5-100.Hasil pengujian jumlah popsize dapat dilihat pada Gambar 3.

Gambar 3. Grafik Pengujian Jumlah Popsize Berdasarkan Gambar 3 dalam pengujian popsize, dapat dilihat dari sejumlah pengujian nilai fitness paling optimal adalah yang memiliki popsize 70, yaitu dengan nilai fitness 0,012039.

Pada grafik tersebut dapat disimpulkan bahwa semakin banyak jumlah popsize, maka nilai fitness akan lebih baik. Pada pengujian dengan jumlah popsize 70 ke atas, nilai fitness stabil dan

Mulai

Memasukkan data

Hasil rute optimal

Selesai Mengelompokan data menggunakan K-Means

Pembuatan matriks jarak setiap kelompok

Pencarian rute optimal menggunakan ABC

0 0,1 0,2

50 100 200 400 600 800 1000 1500 2000 2500

Rata-rata Silhoutte …

Jumlah iterasi

0 0,01 0,02

5 10 20 30 40 50 60 70 80 100

Rata-Rata Nilai Fitness

Jumlah Pop Size atau Colony Size

0,0105 0,011 0,0115 0,012 0,0125

3 5 10 20 25 30 35 40 45 50

Rata-Rata Fitness

Jumlah Limit

tidak menurun.

7.3 Pengujian Jumlah Limit

Pengujian jumlah limit bertujuan untuk mengetahui jumlah limit yang optimal dengan menentukan nilai fitness terbaik dalam pengujiannya. Pengujian dilakukan sejumlah 5 kali pengujian dengan popsize sejumlah 70 pada setiap jumlah limit, yaitu 3-50. Hasil pengujian jumlah limit dapat dilihat pada Gambar 4.

Gambar 4. Grafik Pengujian Jumlah Limit Berdasarkan Gambar 4 dalam pengujian limit, dapat dilihat dari sejumlah pengujian nilai fitness paling optimal adalah yang memiliki nilai limit 25, yaitu dengan nilai fitness 0,012068.

Dari grafik tersebut pada limit 5 mengalami kenaikan yang signifikan dan pada limit setelahnya memiliki nilai fitness yang stabil dan tidak mengalami penurunan nilai fitness.

7.4 Pengujian Konvergensi

Pengujian konvergensi digunakan untuk mengetahuhi tingkat konvergensi dalam jumlah iterasi pada nilai fitness setiap pengujian.

Pengujian konvergensi dilakukan dengaan popsize sejumlah 70, limit sejumlah 25, dan pengujian dilakukan sejumlah 5 kali pengujian pada setiap jumlah iterasi, yaitu 1-1500.

Gambar 5 merupakan grafik pengujian konvergensi. Dalam grafik tersebut dapat dilihat dari sejumlah pengujian dengan sejumlah iterasi, nilai fitness paling optimal adalah yang ada pada iterasi 700, yaitu dengan nilai fitness 0,012193.

Gambar 5. Grafik Pengujian Konvergensi Dalam pengujian yang dilakukan dapat

disimpulkan bahwa semakin besar iterasi, maka nilai fitness juga semakin baik. Pada iterasi setelah 50 nilai fitness stabil dan mengalami kenaikan yang tidak terlalu tinggi dan pada iterasi 700 merupakan puncak nilai fitness paling optimal. Tingkat konvergensi sangat dipengaruhi oleh jumlah iterasi. Jika semakin banyak iterasi, maka akan semakin mudah dalam menentukan tingkat konvergensi dan rata-rata nilai fitness yang dihasilkan juga semakin baik.

Tingkat konvergensi yang baik adalah jika dibutuhkan sedikit iterasi untuk mencapai konvergensi, (Aghni et al., 2018).

7.5 Pengujian Global

Pengujian global merupakan pengujian yang dilakukan untuk membandingkan hasil menggunakan sistem ABCKM dan rute asli, yaitu rute yang digunakan oleh pedagang besar farmasi Kota Kediri saat ini. Serta akan dilakukan membandingkan hasil dari sistem ABCKM dan ABC. Pengujian dilakukan menggunakan parameter optimal yang dihasilkan. yaitu menggunakan data clustering k-means pada iterasi 200, jumlah popsize 70, limit 25, dan iterasi 700 pada algoritma bee colony. Pengujian dilakukan sejumlah 5 kali pengujian.

Dari pengujian global yang dilakukan didapatkan urutan rute dengan total jarak terpendek. Berikut urutan rute yang dihasilkan:

Sales 1:

Yassfin → Lirboyo Farma → Rasyfa → Sakinah Farma → Berkah Tirta → Brantas → Sehat Sejahtera 2 → Dahlia → Medika Utama → Hana Farma → Tiga Putra Farma → Jabang Farma → Almira → Santi Medika → Irma Mulya → Liesna Farma → Ratanca → Tobing Farma 2 → Berlian Farma → Trisula → Sentral → Cokro → Agung → Mitro Rahardjo 2

Sales 2:

Carmelita → Joyoboyo → Hayam Wuruk → Brawijaya → Nadiya Sejahtera → Rosa → Klinik Samudra Husada Kusuma → Ilma Farma

→ Meldivi → Semar Cakara Husada → Sehat Pro → Mata Kita → Gambiran Farma → Manunggal → Sendang → Wijaya Kusuma → Surya → Tujuh Satu → Gunung Agung → Hanita Farma → Liberty → Aulia Farma → Mida Farma → Sehat

Sales 3:

Putra Jaya → Meridian → Setia Jaya → Pare →

0 0,002 0,004 0,006 0,008 0,01 0,012 0,014

1 10 50 100 200 400 700 800 1000 1500

Nilai fitness

Jumlah iterasi

Sehat Sentosa Farma → Aurora → Eka → Klinik Kusuma Pertiwi → Lohji Farma → Eka Farma

→ Zabylyan → Klinik Sinar Medika → Dila Farma Jaya → Tujurejo → K-24 SLG → Sehat Sejahtera 1 → Alba Aurora → Sehat Sejahtera 3

→ Sagita Farma 2 → Atmaja Jaya → Wijaya Sehat → Elsya Farma → Dianita → Tasia Farma Dari pengujian global ABCKM yang didapat akan dibandingkan dengan hasil sistem ABC dan dengan rute asli yang digunakan. Tabel 1 merupakan hasil perbandingan rute asli dan hasil sistem ABCKM.

Tabel 3 Perbandingan Rute Saat Ini dan ABCKM

Sales Rute saat ini (km)

Rute hasil ABCKM

(km)

Selisih (km) 1 105,054 54,993 50,061

2 45,24 30,457 14,783

3 141,963 102,239 39,724 Total

Jarak 292,257 187,689 104,568 Tabel 4 Perbandingan Rute Hasil ABC dan

ABCKM Sales ABC

(km)

Rute hasil ABCKM

(km)

Selisih (km) 1 74,689 54,993 19,696 2 32,701 30,457 2,244 3 122,024 102,239 19,785 Total

Jarak 229,414 187,689 41,725 Tabel 3 merupakan hasil perbandingan antara hasil rute ABCKM dengan rute saat ini.

Tabel 4 merupakan hasil dari perbandingan hasil ABCKM dengan ABC.

Dari Tabel 3 dan 4 dapat dilihat bahwa rute asli memiliki total jarak pada sales sebesar 292,257. Pada rute hasil sistem ABCKM diperoleh total jarak sebesar 187,689. Pada rute hasil sistem ABC diperoleh total jarak sebesar 229,414. Dari hasil pengujian, selisih total jarak antara rute asli dan ABCKM sebesar 104,568 dan selisih total jarak antara sistem ABCKM dan ABC sebesar 41,725. Sehingga dapat disimpulkan dan dibuktikan bahwa rute yang dihasilkan ABCKM lebih baik jika dibandingkan dengan rute asli yang digunakan dan dengan hasil sistem ABC. Gambar 6 merupakan vaisualisasi dari hasil sistem ABCKM.

Gambar 6. Visualisasi Hasil sistem ABCKM Seluruh

8. Kesimpulan

Berdasarkan hasil penelitian yang dilakukan untuk optimasi rute pendistribusian obat pedagang besar farmasi di apotek Kota Kediri dengan algoritma K-Means dan Artificial Bee Colony, dapat disimpulkan:

1. Berdasarkan penelitian yang dilakukan membuktikan bahwa rute yang dihasilkan oleh sistem menggunakan algoritma ABCKM dinyatakan lebih baik dari pada menggunakan rute yang digunakan oleh pedagang besar farmasi Kota Kediri saat ini dan dari pada menggunakan algoritma ABC saja.

2. Berdasarkan pengujian iterasi pada K- Means didapatkan hasil rata-rata nilai silhoutte coefficient tertinggi adalah pada pada iterasi 200 dengan nilai rata-rata silhoutte coefficient 0,105371.

3. Berdasarkan pengujian parameter yang dilakukan menghasilkan parameter optimal pada algoritma artificial bee colony dengan jumlah popsize 70, limit 25, dan pada pengujian konvergensi menghasilkan rute optimal pada iterasi 700 dengan nilai fitness optimal 0,012193.

DAFTAR PUSTAKA

Aghni, M., Lazuardy, N., Cholissodin, I. and Furqon, M.T., 2018. Optimasi Rute Multiple Travelling Salesman Problem Pada Distribusi Es Batu Dengan Algoritme Artificial Bee Colony ( ABC ).

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer (J-PTIIK) Universitas Brawijaya, 2(12), pp.6261–

6268.

Arifin, M.D. and Laksito, A.D., 2019.

Implementasi Algoritma Bee Colony Untuk Optimasi Rute Distribusi Carica Nida Food Wonosobo. Sistemasi.

Cholissodin, I. and Riyandani, E., 2016. Buku Ajar Swarm Intelligence. (June), pp.1–

198.

Dhuhita, W., 2015. Clustering Menggunakan Metode K-Mean Untuk Menentukan Status Gizi Balita. Jurnal Informatika Darmajaya, 15(2), pp.160–174.

Hasanah, H., 2017. Teknik-Teknik Observasi.

At-Taqaddum.

Hermawan, M.A., Hidayat, N. and Setiawan, B.D., 2017. Sistem Optimasi Rute Tempat Wisata Kuliner Di Malang Menggunakan Algoritma Bee Colony. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer (J-PTIIK) Universitas Brawijaya.

Kesehatan, M. and Indonesia, R., 2011. PMK No. 1148 Tahun 2011 Pedagang Besar Farmasi. pp.1–19.

Krishnanda, R.M. and Setiawan, B.D., 2018.

Optimasi Penentuan Rute Terpendek Pengambilan Sampah Menggunakan Multi Travelling Salesman Problem.

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer (J-PTIIK) Universitas Brawijaya, 2(6), pp.2227–

2234.

Muhson, A., 2006. Teknik Analisis Kuantitatif.

Makalah Teknik Analisis II, [online] pp.1–

7. Available at:

<http://staffnew.uny.ac.id/upload/132232 818/pendidikan/Analisis+Kuantitatif.pdf

>.

Nugraha, R.T.W., 2018. Penerapan Algoritma Bee Colony Untuk Optimasi Rute Tempat Wisata Kuliner Di Bandung. Jurnal Riset Komputer (JURIKOM), 5(4), pp.349–352.

Nugroho, A.B., Purwitasari, D. and Fatichah, C., 2016. Implementasi Artificial Bee Colony untuk Pemilihan Titik Pusat pada Algoritma K-Means. Jurnal Teknik ITS, 5(2).

Rostami, A.S., Mohanna, F., Keshavarz, H. and Hosseinabadi, A.A.R., 2015. Solving multiple traveling salesman problem using the gravitational emulation local

search algorithm. Applied Mathematics and Information Sciences, 9(2), pp.699–

709.

Yulianto, Y., Ramadiani, R. and Kridalaksana, A.H., 2018. Penerapan Formula Haversine Pada Sistem Informasi Geografis Pencarian Jarak Terdekat Lokasi Lapangan Futsal. Informatika Mulawarman : Jurnal Ilmiah Ilmu Komputer, 13(1), p.14.