IMPLEMENTASI CAPACITATED VEHICLE ROUTING PROBLEM MULTI VEHICLE PADA PENGANGKUTAN BUAH KELAPA SAWIT DENGAN ALGORITMA GENETIKA SKRIPSI YUSNIAH

(1)

IMPLEMENTASI CAPACITATED VEHICLE ROUTING PROBLEM MULTI VEHICLE PADA PENGANGKUTAN BUAH KELAPA

SAWIT DENGAN ALGORITMA GENETIKA

SKRIPSI

YUSNIAH 161401038

PROGRAM STUDI S-1 ILMU KOMPUTER

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA

MEDAN 2021

(2)

IMPLEMENTASI CAPACITATED VEHICLE ROUTING PROBLEM MULTI VEHICLE PADA PENGANGKUTAN BUAH KELAPA

SAWIT DENGAN ALGORITMA GENETIKA

SKRIPSI

Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Ilmu Komputer

YUSNIAH 161401038

PROGRAM STUDI S-1 ILMU KOMPUTER

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA

MEDAN 2021

(3)

(4)

iii

PERNYATAAN

IMPLEMENTASI CAPACITATED VEHICLE ROUTING PROBLEM MULTI VEHICLE PADA PENGANGKUTAN BUAH KELAPA SAWIT DENGAN

ALGORITMA GENETIKA

SKRIPSI

Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.

Medan, 15 Maret 2021

Yusniah 161401038

(5)

PENGHARGAAN

Puji dan syukur penulis ucapkan kehadirat Allah Subhanahu wa Ta’ala, atas berkat, rahmat dan izin-Nya Penulis dapat menyelesaikan skripsi ini. Tidak lupa shalawat berangkaikan salam kepada baginda Rasulullah, Nabi Besar Muhammad Shallallahu ‘alaihi Wasallam, perantara beliau-lah kita bisa merasakan dien yang diridhoi Allah.

Penyusunan skripsi ini bertujuan untuk memenuhi salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Program Studi S-1 Ilmu Komputer Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara. Untuk pertama sekali, ucapan terima kasih penulis berikan kepada orangtua penulis, Ayahanda Japri dan Ibunda Sugiarti, yang telah mendidik dan memberikan kasih sayang, ilmu, motivasi, dukungan dan doa kepada penulis selama menjalani masa perkuliahan hingga penyusunan skripsi ini selesai. Penulis juga mengucapkan terimakasih yang sebesar- besarnya kepada seluruh pihak yang telah banyak memberikan bantuan dan dukungan kepada penulis hingga skripsi ini bisa diselesaikan.

Dengan segala hormat dan kerendahan hati penulis mengucapkan terima kasih kepada:

1. Bapak Prof. Dr. Muryanto Amin, S.Sos, M.Si. selaku Rektor Universitas Sumatera Utara.

2. Bapak Prof. Dr. Opim Salim Sitompul, M.Sc. selaku Dekan Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.

3. Bapak Dr. Poltak Sihombing, M.Kom. selaku Ketua Program Studi S-1 Ilmu Komputer Universitas Sumatera Utara.

4. Bapak M. Andri Budiman, S.T., M.Comp.Sc., M.E.M. selaku Dosen Pembimbing Akademik.

5. Bapak Dr. Poltak Sihombing, M.Kom. selaku Dosen Pembimbing I yang telah memberikan bimbingan dan masukan hingga skripsi ini dapat terselesaikan.

6. Ibu Dian Rachmawati, S.Si., M.Kom. selaku Dosen Pembimbing II yang telah memberikan banyak motivasi, saran dan masukan hingga skripsi ini dapat terselesaikan.

7. Seluruh dosen dan staf pengajar di Program Studi S-1 Ilmu Komputer Universitas

(6)

v

8. PT. Soeloeng Laoet Kebun Sinah Kasih yang telah memberikan ijin kepada penulis untuk melakukan penelitian.

9. Abang-abang penulis, Annas dan Irwansyah yang selalu menyemangati penulis dalam pengerjaan skripsi ini.

10. Sahabat-sahabat penulis, Mayuni, Minda Sari Pulungan, Elsa Krismonti dan Merinda Safitri yang selalu memberikan dukungan dan doa sampai skripsi ini terselesaikan.

11. Senior penulis, Vellyna Angelicha Sitorus, S.Kom. dan Eva Novita, S.Kom. yang telah menjadi penyemangat dan motivasi penulis dalam penyelesaian skripsi ini.

12. Kawan-kawan seperjuangan Kevin Hartanto, S.Kom., Hilda Suci Ardianti, Mutiah Khairani Tanjung, Hafrizah, S.Kom., Sulaiman, Annissa Kamilla Mardhiyyah, Julia Pratiwi, Ainiyah Putri, Rebecca Novita Sitorus Pane, Yuri Utari Olinka, Aisyah Meirosi Nasution, Ika Nurul Faradhillah yang telah banyak membantu dalam pengerjaan skripsi ini.

13. Seluruh teman-teman Stambuk 2016 khususnya KOM B yang telah menemani dan menyemangati selama kuliah.

Semoga Allah SWT melimpahkan berkah dan karunia-Nya kepada semua pihak yang telah memberikan bantuan dan dukungan kepada penulis dalam menyelesaikan skripsi ini.

Medan, 15 Maret 2021

Yusniah

(7)

ABSTRAK

Capacitated Vehicle Routing Problem (CVRP) merupakan suatu permasalahan dalam penentuan rute kendaraan yang berdasarkan pada kendala seperti, kendaraan memiliki kapasitas tertentu dan setiap depot memiliki permintaan tertentu. Pada penelitian ini akan ditemukan solusi dari sebuah permasalahan dalam penentuan rute buah kelapa sawit berdasarkan konsep capacitated vehicle routing problem. Studi kasus dilakukan di PT. Soeloeng Laoet Kebun Sinah Kasih. Dalam proses produksi buah kelapa sawit, masing-masing titik lokasi memiliki kebutuhan yang berbeda-beda tergantung dari luas dan hasil panen buah kelapa sawit itu sendiri. Kondisi ini mendorong kebutuhan rute pengangkutan buah kelapa sawit yang berdasar pada permintaan dan kapasitas dari kendaraan pengangkut. Kebutuhan ini merupakan permasalahan yang cukup kompleks, sehingga algoritma genetika dapat diaplikasikan pada penentuan rute agar mendapatkan solusi rute pengangkutan buah kelapa sawit dengan jarak yang mendekati optimal. Dalam algoritma genetika, rute pengangkutan yang dihasilkan akan direpresentasikan sebagai kromosom. Kromosom-kromosom ini akan melalui proses seleksi, crossover dan mutasi sehingga menghasilkan kromosom anak (offspring) dan akan berlanjut hingga nilai dari maksimum generasi terpenuhi. Setelah dilakukan uji coba pada kasus capacitated vehicle routing problem multi vehicle, rute pengagkutan buah kelapa sawit yang mendekati optimal terletak pada kromosom-2 pada generasi ke-2 dengan nilai fitness sebesar 0,00422994.

Kata Kunci :Capacitated Vehicle Routing Problem, Heuristic, Algoritma Genetika, Rute.

(8)

vii

THE IMPLEMENTATION OF CAPACITATED VEHICLE ROUTING PROBLEM MULTI VEHICLE IN THE TRANSPORTATION OF OIL PALM USING

GENETIC ALGORITHM

ABSTRACT

Capacitated Vehicle Routing Problem (CVRP) is a problem in determining vehicle routes based on constraints such as, vehicles have a certain capacity and each depot has a certain demand. In this research will be found the solution of a problem in determining the route of palm oil based on the concept of capacitated vehicle routing problem. Case studies are conducted at PT. Soeloeng Laoet Kebun Sinah Kasih. In the process of palm fruit production, each location point has different needs depending on the area and yield of the palm oil itself. This condition causes the need for palm oil transportation routes based on the demand and capacity of the transport vehicles. This need is a fairly complex problem, so that the genetic algorithm can be applied for determining the route in order to get a solution for the transportation of palm oil with a distance that is close to optimal. In genetic algorithms, the resulting transport routes are represented as chromosomes. These choromosomes will go trough a process of selection, crossover and mutation to produce child chromosomes (offspring) and will continue until reaching the maximum generation value. After testing the capacitated vehicle routing problem in the multi vehicle case, the approaching optimal route for extracting palm oil is located on chromosome-2 in the 2^nd generation with a fitness value of 0.00422994.

Key Word : Capacitated Vehicle Routing Problem, Heuristic, Genetic Algorithm, Route.

(9)

DAFTAR ISI

Halaman

Persetujuan ii

Pernyataan iii

Penghargaan iv

Abstrak vi

Abstract vii

Daftar Isi viii

Daftar Gambar xi

Daftar Tabel xiii

Daftar Lampiran xiv

Bab 1 Pendahuluan

1.1 Latar Belakang 1

1.2 Rumusan Masalah 2

1.3 Batasan Masalah 2

1.4 Tujuan Penelitian 3

1.5 Manfaat Penelitian 3

1.6 Metodologi Penelitian 3

1.7 Sistematika Penulisan 4

Bab 2 Landasan Teori

2.1 Teori Dasar Graf 6

2.2 Vehicle Routing Problem 8

2.2.1 Capacitated Vehicle Routing Problem 9

2.3 Heuristic 10

2.4 Algoritma Genetika 10

2.4.1 Istilah-istilah yang Sering Digunakan dalam Algoritma Genetika 11

2.4.2 Cara Kerja Algoritma Genetika 13

Bab 3 Analisis dan Perancangan

3.1 Analisis Sistem 15

3.1.1 Analisis Masalah 15

(10)

ix

3.1.2.2 Kebutuhan Non-Fungsional 16

3.2 General Arsitektur 17

3.3 Pemodelan Sistem 18

3.3.1 Use Case Diagram 18

3.3.2 Activity Diagram 20

3.3.2.1 Activity Diagram Baca Data Lokasi 21

3.3.2.2 Activity Diagram Routing 22

3.3.3 Sequence Diagram 22

3.4 Flowchart 23

3.5 Perancangan Interface 28

3.5.1 Interface Halaman Home 28

3.5.2 Interface Halaman Location 29

3.5.3 Interface Halaman Routing 30

3.5.4 Interface Halaman Help 32

3.5.5 Interface Halaman About 33

Bab 4 Implementasi dan Pengujian Sistem

4.1 Implementasi Sistem 35

4.1.1 Spesifikasi Kebutuhan Perangkat Keras 35

4.1.2 Spesifikasi Kebutuhan Perangkat Lunak 35

4.2 Tampilan Antarmuka (Interface) Sistem 36

4.2.1 Menu Home 36

4.2.2 Menu Location 36

4.2.3 Menu Routing 37

4.2.4 Menu Help 38

4.2.5 Menu About 39

4.3 Pengujian Sistem 39

4.3.1 Pengujian Penentuan Rute dengan Algoritma 39

4.3.2 Percobaan Sistem Terhadap Waktu Proses 56

4.3.2.1 Pengujian Perbandingan Ukuran Populasi dengan Waktu Proses 57 4.3.2.2 Pengujian Perbandingan Ukuran Crossover Rate dengan Waktu

Proses 60

4.3.2.3 Pengujian Perbandingan Ukuran Mutation Rate (pm) dengan Waktu

Proses 62

(11)

4.3.2.4 Pengujian Perbandingan Ukuran Maksimum Generasi dengan Waktu

Proses 64

Bab 5 Kesimpulan dan Saran

5.1 Kesimpulan 67

5.2 Saran 67

Daftar Pustaka 69

Lampiran A-1

(12)

xi

DAFTAR GAMBAR

Halaman

Gambar 2.1. Graf 6

Gambar 2.2. Graf Sederhana 7

Gambar 2.3. Graf Ganda 7

Gambar 2.4. Graf Semu 8

Gambar 2.5. Graf Berarah 8

Gambar 2.6. Graf Capacitated Vehicle Routing Problem 9

Gambar 2.7. Contoh Representasi Kromosom 11

Gambar 2.8. Contoh Populasi 11

Gambar 2.9. Contoh Proses Crossover 12

Gambar 2.10. Contoh Proses Mutasi 12

Gambar 2.11. Seleksi dengan Metode Roullette Wheel 14

Gambar 3.1. Diagram Ishikawa 15

Gambar 3.2. General Arsitektur Sistem 18

Gambar 3.3. Use Case Diagram 19

Gambar 3.4. Activity Diagram Baca Data Lokasi 20

Gambar 3.5. Activity Diagram Routing 22

Gambar 3.6. Squence Diagram 23

Gambar 3.7. Flowchart Sistem 24

Gambar 3.8. Flowchart Routing dengan Algoritma Genetika 25 Gambar 3.9. Flowchart Routing dengan Algoritma Genetika (2) 26

Gambar3.10. Halaman Home 28

Gambar 3.11. Halaman Data Lokasi 29

Gambar 3.12. Halaman Routing 31

Gambar 3.13. Halaman Help 33

Gambar 3.14. Halaman About 34

Gambar 4.1. Menu Home 36

Gambar 4.2. Menu Location 37

Gambar 4.3. Menu Routing 38

Gambar 4.4. Menu Help 38

Gambar 4.5. Menu About 39

(13)

Gambar 4.6. Hasil Pengujian Penentuan Rute dengan Algoritma Genetika 40

Gambar 4.7. Graf Rute Pengangkutan Buah Kelapa Sawit 56

Gambar 4.8. Grafik Perbandingan Ukuran Populasi dengan Waktu Proses 58 Gambar 4.9. Grafik Perbandingan Nilai Crossover Rate dengan Waktu Proses 61 Gambar 4.10. Grafik Perbandingan Nilai Mutation Rate dengan Waktu Proses 63 Gambar 4.11. Grafik Perbandingan Ukuran Maksimum Generasi dengan

Waktu Proses 66

(14)

xiii

DAFTAR TABEL

Halaman

Tabel 3.1. Narasi Use Case Algoritma Genetika 19

Tabel 4.1. Rute Pengangkutan Buah Kelapa Sawit 55

Tabel 4.2. Perbandingan Ukuran Populasi dengan Waktu Proses 57 Tabel 4.3. Perbandingan Crossover Rate dengan Waktu Proses 60 Tabel 4.4. Perbandingan Mutation Rate dengan Waktu Proses 62 Tabel 4.5. Perbandingan Ukuran Maksimum generasi dengan Waktu Proses 64

(15)

DAFTAR LAMPIRAN

Halaman

Lampiran 1. Listing Program A-1

Lampiran 2. Daftar Riwayat Hidup B-1

(16)

BAB 1 PENDAHULUAN

1.1 Latar Belakang

PT. Soeloeng Laoet Kebun Sinah Kasih merupakan sebuah perusahaan yang bergerak di bidang perkebunan kelapa sawit. PT. Soeloeng Laoet yang terletak di Desa Sinah Kasih (Sei Rampah) memiliki perkebunan kelapa sawit dengan luas area sebesar 1.665,02 Ha. Dalam proses pengangkutan buah kelapa sawit, perkebunan hanya memiliki satu depot sebagai sumber dan tempat kembalinya kendaraan pengangkut.

Belum adanya rute tetap dalam pegangkutan buah kelapa sawit, menjadi salah satu masalah yang harus dihadapi. Hal ini dikarenakan, beberapa lokasi perkebunan letaknya cukup jauh dari depot. Selain itu, untuk menghitung berapa kendaraan yang dibutuhkan berdasarkan bobot buah kelapa sawit yang harus diangkut dan kapasitas muatan dari kendaraan, selama ini hanya berdasarkan pengalaman dari karyawan yang bertugas. Hal ini menyebabkan, sering terjadi kesalahan perkiraan dari kebutuhan angkutan buah kelapa sawit yang menyebabkan keterlambatan dalam pengangkutan.

Dengan demikian dalam penyelesaian masalah ini, teori graf dapat digunakan untuk mengoptimalkan rute yang akan dilalui oleh truck pengangkut buah kelapa sawit.

Vehicle Routing Problem (VRP) merupakan permasalahan dalam penentuan rute pendistribusian barang/jasa ke konsumen dengan lokasi dan permintaan yang telah diketahui, dari satu depot atau lebih dengan memenuhi beberapa kendala (Zirour, 2008). VRP memiliki banyak jenis permasalahan, yang salah satunya adalah Capacitated Vehicle Routing Problem.

Capacitated Vehicle Routing Problem (CVRP) merupakan suatu permasalahan yang berkaitan dengan penentuan rute yang optimal dengan memperhatikan kendala setiap kendaraan memiliki kapasitas tertentu dan setiap depot memiliki permintaan tertentu.

(17)

Perkebunan memiliki 8 kendaraan pengangkut buah kelapa sawit, karena jumlah kendaraan yang bertugas melakukan pengangkutan maka pada kasus ini disebut Multi Vehicle.

Algoritma genetika adalah algoritma pencarian heuristik yang berdasar pada mekanisme evolusi biologis. Perkembangan generasi dalam populasi yang alami, lambat laun akan mengikuti prinsip seleksi alam (siapa yang kuat, dia yang akan bertahan). Algoritma genetika efektif dalam penyelesaian permasalahan dengan ruang masalah yang besar dan kompleks, sehingga baik digunakan dalam pemecahan permasalahan optimasi. Berdasarkan penelitian yang berjudul “Penyelesaian Vehicle Routing Problem untuk Minimasi Total Biaya Transportasi Pada PT XYZ dengan Metode Algoritma Genetika” menyatakan bahwa, Penggunaan Algoritma Genetika dalam penentuan rute distribusi mampu mengatasi keterlambatan pengiriman dan menghasilkan rute yang lebih baik dan menghasilkan jarak yang lebih pendek (Desiana dkk., 2016).

Dengan demikian, pengangkutan buah kelapa sawit di PT. Soeloeng Laoet Kebun Sinah Kasih akan diselesaikan dengan Capacitated Vehicle Routing Problem Multi vehicle menggunakan algoritma genetika.

1.2 Rumusan Masalah

Berdasarkan latar belakang tersebut, sering terjadi kesalahan perkiraan dari kebutuhan angkutan buah kelapa sawit dengan kapasitas kendaraan dan belum adanya rute tetap dalam pengangkutan buah kelapa sawit. Maka dibutuhkan sebuah penelitian tentang bagaimana menentukan rute pengangkutan buah kelapa sawit berdasarkan kapasitas kendaraan.

1.3 Batasan Masalah

Dalam melakukan penelitian ini, penulis membatasi ruang masalah yang akan diteliti.

Batasan-batasan masalah yang digunakan adalah :

1. Studi Kasus : PT. Soeloeng Laoet Kebun Sinah Kasih.

2. Jumlah kendaraan pengangkut : 8 kendaraan.

3. Jumlah depot : 1 depot.

(18)

3

6. Variabel yang digunakan dalam penentuan rute adalah jarak dan kapasitas muatan tiap kendaraan.

7. Algoritma genetika akan menghasilkan rute pengangkutan buah kelapa sawit.

8. Bahasa pemrograman menggunakan C# dan Software database management system yang digunakan adalah MySQL.

1.4 Tujuan Penelitian

Tujuan dilakukannya penelitian ini adalah untuk Menghasilkan rute pengangkutan buah kelapa sawit di PT. Soeloeng Laoet Kebun Sinah Kasih pada konsep Capacitated Vehicle Routing Problem Multi vehicle.

1.5 Manfaat Penelitian

Manfaat yang diperoleh dari penelitian ini antara lain :

1. Menghasilkan aplikasi yang mampu menentukan rute perjalanan dalam pengangkutan buah kelapa sawit.

2. Mengetahui kinerja algoritma genetika pada konsep Capacitated Vehicle Routing Problem Multi vehicle.

1.6 Metodologi Penelitian

Metode penelitian yang dilakukan dalam penelitian ini adalah:

1. Studi Literatur

Pada tahap ini dilakukan dengan mengumpulkan bahan-bahan referensi baik dari buku, artikel ilmiah, penelitian-penelitian lainnya seperti dalam bentuk jurnal dan makalah, serta situs-situs internet terkait topik tentang algoritma genetika dan Capacitated Vehicle Routing Problem.

2. Analisis dan Perancangan

Pada tahap ini dilakukan proses analisis kebutuhan untuk mencapai tujuan dalam penelitian ini dengan melakukan perancangan diagram alir (flowchart), UML dan diagram ishikawa.

3. Implementasi Sistem

Pada tahap ini dilakukan perancangan sistem yang dibuat menggunakan bahasa pemrograman C#.

(19)

4. Pengujian Sistem

Pada tahap ini akan dilakukan pengujian terhadap sistem yang dibuat.

5. Dokumentasi

Pada tahap ini, akan dilakukan pendokumentasian penelitian yang telah dilakukan. Mulai dari tahap analisis sampai tahap pengujian dalam bentuk skripsi.

1.7 Sistematika Penulisan

Sistematika dalam penulisan skripsi ini dibagi menjadi 5 (lima) bab yaitu:

Bab 1 Pendahuluan

Pada bab ini akan diberikan penjelasan mengenai latar belakang penelitian yang akan dilakukan dengan judul “Implementasi Capacitated Vehicle Routing Problem Multi Vehicle Pada Pengangkutan Buah Kelapa Sawit dengan Algoritma Genetika.”, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metodologi dan sistematika penulisan.

Bab 2 Landasan Teori

Pada bab ini membahas teori-teori yang dapat membantu penelitian, berisi penjelasan umum mengenai teori dasar graf, Vehicle Routing Problem, heuristic, algoritma genetika dan beberapa penelitian yang relevan dengan penelitian yang akan dilakukan.

Bab 3 Analisis Dan Perancangan

Bab ini membahas tentang analisis permasalahan pada penelitian ini dan menjelaskan mengenai rancangan struktur program dan interface sistem yang akan dibuat.

Bab 4 Implementasi Dan Pengujian

Pada bab ini membahas implementasi dari sistem yang telah dibuat dan dilakukan pengujian untuk melihat apakah masih ada kesalahan (error) atau tidak dan debug program.

(20)

5

Bab 5 Kesimpulan Dan Saran

Bab ini berisi kesimpulan dari penelitian yang telah dilakukan dan hasil pengujian yang diharap dapat bermanfaat bagi pihak lain yang terlibat.

(21)

BAB 2

LANDASAN TEORI

Pada bab 2 akan dibahas landasan teori tentang teori dasar graf, Vehicle Routing Problem, Capacitated Vehicle Routing Problem, heuristic, algoritma genetika, serta penelitian-penelitian yang berhubungan dengan penelitian ini.

2.1 Teori Dasar Graf

Teori graf merupakan cabang ilmu matematika yang merepresentasikan objek-objek diskrit dan hubungan diantara objek tersebut. Setiap objek yang dibuat akan direpresentasikan sebagai simpul (vertex), sedangkan hubungan antara objek direpresentasikan sebagai garis (edge) (Ramadhani, 2019).

Sebuah graf dengan simbol 𝐺 = (𝑉, 𝐸), merupakan himpunan tak kosong berhingga yang terdiri dari sekumpulan objek (vertex) dimana 𝑉(𝐺) = (𝑉₁,𝑉₂,𝑉₃,…..) dan sebuah himpunan lain yang terdiri dari himpunan sisi dengan 𝐸(𝐺) = (𝑒₁,𝑒₂,𝑒₃,...) dimana himpunan sisi merupakan himpunan pasangan elemen-elemen pada vertex yang disebut garis (edge) (Ramadhani, 2019). Gambar 2.1. merupakan contoh sebuah graf.

Gambar 2.1. Graf.

(Ramadhani, 2019) h

(22)

7

Jenis-jenis graf antara lain adalah : a. Graf Sederhana

Graf sederhana merupakan graf yang memiiki sisi tidak berarah dan tidak terdapat loop ataupun sisi ganda. Gambar 2.2. merupakan contoh sebuah graf sederhana.

b. Graf Ganda

Graf ganda merupakan graf yang tidak berarah dan memiliki dua sisi yang menghubungkan dua simpul yang sama. Gambar 2.3. merupakan contoh sebuah graf ganda.

c. Graf Semu

Pada graf semu, terdapat graf yang memiliki sisi berbentuk loop seperti halnya pada graf ganda. Sisi yang berbentuk akan mengarah pada simpul yang sama, sehingga akan membentuk seperti loop. Gambar 2.4. merupakan contoh sebuah graf semu.

Gambar 2.2. Graf Sederhana.

Gambar 2.3. Graf Ganda.

(23)

d. Graf Berarah

Graf berarah adalah graf yang seluruh sisi memiliki arah. Dengan demikian, setiap sisi memiliki orientasi arah dari simpul awal ke simpul tujuan. Gambar 2.5. merupakan contoh sebuah graf berarah.

2.2 Vehicle Routing Problem

Vehicle Routing Problem dikenalkan pertama kali pada tahun 1959 oleh Dantzig dan Ramser. Vehicle Routing Problem (VRP) merupakan manajemen distribusi barang yang memperhatikan pelayanan, periode waktu tertentu, sekelompok konsumen dengan sejumlah kendaraan yang berlokasi pada satu atau lebih depot yang dijalankan oleh sekelompok pengendara (Saputri dkk, 2015).

Gambar 2.4. Graf Semu.

Gambar 2.5. Graf Berarah.

(24)

9

Karakteristik konsumen dalam Vehicle Routing Problem menurut Saputri dkk, 2015 sebagai berikut :

• Menempatkan road graph pada keberadaan konsumen.

• Memiliki berbagai tipe permintaan yang harus diantar ke konsumen.

• Terdapat periode waktu yang digunakan dalam melayani konsumen.

• Waktu yang dibutuhkan dalam pengantaran barang ke konsumen, hal ini dapat berhubungan dengan jenis kendaraan yang digunakan.

• Kendaraan yang tersedia digunakan untuk melayani konsumen.

Vehicle Routing Problem memiliki lebih dari satu permasalahan, salah satunya adalah Capacitated Vehicle Routing Problem (CVRP).

2.2.1 Capacitated Vehicle Routing Problem

Capacitated Vehicle Routing Problem (CVRP) merupakan permasalahan yang berhubungan dengan penentuan rute yang optimal dengan memperhatikan kendala kendaraan yang memiliki batasan kapasitas dan depot yang memiliki permintaan tertentu (Fradina & Saptaningtyas, 2017).

CVRP merupakan masalah yang sering ditemui dalam masalah pendistribusian. Yang mana ada jumlah permintaan barang yang harus dipenuhi, dan bagaimana caranya agar barang-barang tersebut bisa sampai kepada pelanggan dengan proses pengunjungan hanya satu kali dan kendaraan yang digunakan memiliki kapasitas tertentu. Dalam proses penyelesaiannya biasanya dengan mencari rute-rute terbaik yang harus dikunjungi terlebih dahulu. Gambar 2.6. merupakan contoh sebuah graf untuk capacitated vehicle routing problem

Gambar 2.6. Graf Capacitated Vehicle Routing Problem.

(Gunawan dkk, 2012).

(25)

2.3 Heuristic

Heuristic merupakan metode yang digunakan untuk menemukan penyelesaian masalah optimasi dengan kadar cukup baik dan dapat diterima. Meski penyelesaian yang ditemukan bukan merupakan penyelesaian yang terbaik, tetapi dapat diterima karena sudah mencapai kadar 90-an persen dari penyelesaian optimum (Turban &

Aronson, 1998). Metode ini dikembangkan berdasarkan proses kehidupan alami yang berlangsung.

Beberapa metode heuristik yang dapat digunakan adalah Metode Hill Climbing, Metode Tabu Search, Metode Simulated Annealing, Ant Colony Optimization, Algoritma Genetika, Artidficial Imune System, dan sebagainya (Zukhri, 2014).

2.4 Algoritma Genetika

Algoritma genetika merupakan salah satu metode heuristik yang dikembangkan dari prinsip genetika dan proses seleksi alamiah teori evolusi Darwin. Proses terpilihnya sebuah penyelesaian dalam algoritma genetika berlangsung seperti terpilihnya suatu individu dalam proses evolusi (Zukhri, 2014).

Dari teori evolusi Darwin, pola percabangan evolusi didapat dari proses seleksi alam. Setiap individu di dalam populasi memiliki kualitas kebugaran yang berbeda.

Dari kualitas kebugaran inilah yang menentukan kehidupan individu akan bertahan atau mati.

Dalam pengaplikasiannya, algoritma genetika digunakan untuk mencari nilai yang optimal, baik itu pencarian nilai yang paling tinggi atau nilai yang paling rendah.

Proses evolusi dalam setiap generasi pada algoritma genetika akan menghasilkan solusi yang baik.

Pada penyelesaian masalah menggunakan algoritma genetika, langkah pertama yang harus dilakukan adalah menginisialisasi populasi. Populasi berisikan kromosom yang merupakan representasi solusi dari masalah yang akan diselesaikan. Setiap kromosom akan dievaluasi dengan fungsi objektif. Dalam setiap generasi, akan dihasilkan kromosom-kromosom baru yang telah melalui proses seleksi, crossover (kawin silang), dan mutasi dari populasi pada generasi sebelumnya.

(26)

11

2.4.1 Istilah-istilah yang sering digunakan dalam algoritma genetika.

a. Gen

Gen merupakan komponen penyusun kromosom. Pada vehicle routing problem, gen adalah gambaran dari lokasi-lokasi yang akan dikunjungi.

b. Kromosom

Kromosom merupakan kandidat solusi dari permasalahan. Dalam Vehicle Routing Problem, kromosom merupakan rangkaian satuan baris bilangan bulat yang merupakan gambaran dari rute yang bisa dilalui, gambar 2.7. merupakan contoh representasi dari kromosom.

Gambar 2.7. Contoh Representasi Kromosom.

c. Populasi

Populasi adalah sekumpulan kandidat solusi yang digunakan pada algoritma genetika. Gambar 2.8. merupakan contoh dari populasi.

Gambar 2.8. Contoh Populasi.

d. Generasi

Generasi merupakan kromosom - kromosom yang akan melalui proses evolusi secara konstan. Setiap generasi menghasilkan kromosom-kromosom baru berdasarkan operator reproduksi, crossover dan mutasi dari generasi sebelumnya.

e. Fungsi objektif

Nilai dari fungsi objektif berdasar pada permasalahan yang akan diselesaikan.

Contohnya, pada kasus penentuan rute, nilai fungsi objektif didapat dari total jarak yang dilalui berdasarkan rute perjalanan.

(27)

f. Fungsi fitness

Nilai fitness merupakan nilai gambaran kualitas dari individu. Nilai fitness yang lebih tinggi, lebih besar kemungkinannya untuk menghasilkan solusi yang optimal.

g. Crossover

Crossover (penyilangan) dilakukan atas dua kromosom untuk menghasilkan crossover anak (offspring). Gambar 2.9. merupakan contoh dari proses crossover.

Gambar 2.9. Contoh Proses Crossover.

h. Crossover rate

Jumlah kromosom pada populasi yang mengalami proses crossover disebut sebagai Crossover Rate.

i. Mutasi

Mutasi merupakan penukaran nilai dari salah satu gen yang akan diganti dengan nilai yang dibangkitkan secara acak. Contoh, gen bernilai 1 menjadi 2 begitu juga sebaliknya. Gambar 2.10. merupakan contoh dari proses mutasi.

Gambar 2.10. Contoh Proses Mutasi.

j. Mutation rate

Jumlah gen pada populasi yang mengalami mutasi disebut Mutation Rate.

Misalnya, mutation rate ditentukan sebesar 5%, jumlah gen pada kromosom = 8 dan populasi berjumlah = 10. Maka jumlah gen yang mengalami mutasi adalah 5% * jumlah gen pada kromosom * jumlah populasi = 4 gen.

(28)

13

k. Offspring

Offspring adalah kromosom-kromosom baru yang dihasilkan dari proses reproduksi.

l. Seleksi

Proses seleksi dilakukan dengan tujuan memberikan kesempatan reproduksi lebih besar untuk anggota populasi yang paling fit. Kromosom yang memiliki fungsi objektif kecil, besar kemungkinan akan memiliki nilai probabilitas yang tinggi.

2.4.2 Cara Kerja Algoritma Genetika

Dalam penyelesaian menggunakan algoritma genetika, tahapan awal yang akan dilalui adalah membentuk kromosom berdasarkan masalah yang akan diselesaikan. Setelah itu, setiap kromosom akan mengalami proses reproduksi, crossover, dan mutasi.

Kromosom-kromosom yang telah terbentuk, akan dilakukan perhitungan nilai fitness- nya untuk mengetahui kualitas individu terbaik. Proses akan terus berjalan sampai jumlah maksimum generasi terpenuhi.

Langkah-langkah yang harus dilalui dalam algoritma genetika:

1. Pembentukan populasi awal

Populasi dibentuk dengan melakukan pemberian nilai awal pada setiap gen kromosom tersebut dengan membangkitkan nilai acak berdasarkan batasan nilai yang telah ditentukan.

2. Evaluasi kromosom

Pada proses evaluasi kromosom, yang harus dilakukan yaitu evaluasi fungsi objektif. Hasil dari fungsi objektif tidak boleh negatif atau merupakan nilai mutlak. Dalam pendefinisian fungsi objektif itu berbeda-beda sesuai dengan permasalahan yang akan diselesaikan.

3. Seleksi kromosom

Proses seleksi dilakukan dengan tujuan memberikan kesempatan reproduksi lebih besar untuk anggota populasi yang paling fit. Kromosom yang memiliki fungsi objektif kecil, besar kemungkinan akan memiliki nilai probabilitas yang tinggi.

Dalam melakukan seleksi, algoritma genetika memiliki beberapa metode yang dapat digunakan, salah satunya adalah seleksi menggunakan metode roulette- wheel. Gambar 2.11. merupakan seleksi dengan roulette-wheel.

(29)

Gambar 2.11. Seleksi dengan Metode Roulette Wheel.

Berikut adalah cara kerja metode roulette-wheel :

1. Menghitung nilai fitness dan total fitness pada setiap kromosom.

2. Kemudian, Menghitung nilai probabilitas (P) pada setiap kromosom.

3. Setelah itu, Menghitung nilai probabilitas kumulatif (C) pada setiap kromosom

4. Setelah perhitungan kumulatif probabilitasnya selesai, selanjutnya seleksi dengan metode roulette-wheel siap dilakukan. Hal yang pertama kali dilakukan adalah dengan membangkitkan bilangan acak (R) dalam range 0-1.

a. Kromosom ke-1 akan terpilih sebagai induk, apabila R[k] < C[1].

b. Kromosom ke-k akan terpilih sebagai induk, apabila C[k-1] < R < C[k].

4. Crossover

Dalam melakukan crossover, 2 buah kromosom akan dipilih secara acak untuk menjadi induk. selanjutnya induk-induk akan saling menukar gen mereka. Dari proses crossover akan menghasilkan 2 crossover anak (offspring) yang akan bergabung di dalam populasi baru.

5. Mutasi

Untuk menentukan posisi gen yang akan dimutasi, akan dibangkitkan nilai secara acak. Pada penentuan Jumlah kromosom yang akan dimutasi, akan ditentukan berdasarkan nilai mutation rate-nya.

6. Jika proses mutasi telah selesai, maka telah selesai satu iterasi atau satu generasi.

Proses ini akan terus berlangsung sampai dengan jumlah generasi yang ditentukan.

50%

19%

25%6%

Fitness

C1 C2 C3 C4

(30)

BAB 3

ANALISIS DAN PERANCANGAN

3.1 Analisis Sistem

Analisis sistem merupakan tahapan awal yang harus dilakukan di dalam pembuatan atau perancangan sebuah sistem. Hal ini dikarenakan kebutuhan dari sistem yang akan dibuat harus diketahui terlebih dahulu, sehingga sistem dapat berjalan dengan baik dan sesuai dengan fungsi yang semestinya. Dalam proses analisis sistem, ada tiga tahap yang harus dilakukan. tahapannya yaitu tahap analisis masalah, tahap analisis kebutuhan dan tahap analisis proses. Jika terdapat kesalahan pada analisis sistem, maka pada tahapan selanjutnya juga akan terjadi kesalahan-kesalahan. Hal ini menunjukkan betapa pentingnya peran dari analisis sistem.

3.1.1 Analisis Masalah

Analisis masalah adalah proses identifikasi sebuah masalah agar sumber atau penyebab masalah dapat diketahui. Masalah yang akan diselesaikan pada penelitiam ini adalah bagaimana menentukan rute untuk kendaraan pengangkut buah kelapa sawit. Pada gambar 3.1. terdapat diagram Ishikawa untuk permasalahan pada penelitian ini.

Gambar 3.1. Diagram Ishikawa.

(31)

Dapat dilihat diagram Ishikawa pada gambar 3.1., permasalahan utama adalah sulitnya menentukan rute pengangkutan buah kelapa sawit dengan kondisi perkebunan yang cukup luas, sehingga banyak lokasi pengangkutan yang harus dikunjungi serta setiap lokasi pengangkutan memiliki permintaan bobot angkutan yang berbeda-beda. Oleh karena itu, dibutuhkan sebuah sistem dalam penentuan rute pengangkutan buah kelapa sawit dengan menggunakan algoritma genetika.

3.1.2 Analisis Kebutuhan

Setelah identifikasi masalah selesai, pada tahap selanjutnya akan dilakukan analisis kebutuhan sistem. Analisis kebutuhan sistem dilakukan dengan cara memahami hal- hal atau apa saja yang diperlukan dalam pembuatan sistem, sehingga sistem dapat berjalan sesuai kebutuhan dan dapat menyelesaikan permasalahan yang ada. Dalam menganalisis sebuah sistem, diperlukan dua jenis kebutuhan. Dua kebutuhan yang dimaksud adalah kebutuhan fungsional dan kebutuhan non fungsional.

3.1.2.1 Kebutuhan Fungsional

Kebutuhan fungsional adalah hal-hal atau segala proses yang akan dilakukan oleh sistem dalam menyelesaikan permasalahan. Adapun kebutuhan fungsional dari sistem yang akan dibangun dalam penelitian ini adalah:

1. Sistem dapat melakukan proses penentuan rute dengan menggunakan algoritma genetika berdasarkan bobot buah kelapa sawit pada masing-masing lokasi pengangkutan yang diinput oleh user.

2. Dalam penentuan rute, sistem menyimpan data lokasi didalam Database management system mysql.

3.1.2.2 Kebutuhan Non Fungsional

Kebutuhan non fungsional adalah kebutuhan yang menitik beratkan pada hal-hal yang dapat menunjang kinerja dari suatu sistem atau properti prilaku yang terdapat pada sistem. Adapun kebutuhan non fungsional dari sistem yang akan dibangun pada penelitian ini adalah:

(32)

17

1. User Friendly

Sistem yang akan dibangun bersifat user friendly. Hal ini dikarenakan sistem memiliki tampilan interface yang mudah untuk digunakan dan dipelajari oleh user.

2. Kontrol

Jika terjadi kesalahan ketika user memberikan inputan, maka akan terdapat notifikasi pesan error.

3. Performa

Aplikasi yang akan dibangun dapat berjalan relatif cepat dalam menentukan rute pengangkutan buah kelapa sawit.

4. Biaya

Aplikasi yang akan dibangun tidak mengeluarkan banyak biaya karena tidak adanya software tambahan.

3.2 General Arsitektur

Pada gambar 3.2. terdapat general arsitektur yang dapat dilihat bahwa pertama kali langkah yang dilakukan adalah membuat database yang berisi lokasi pengangkutan, jarak antar lokasi, bobot buah kelapa sawit pada masing-masing lokasi pengangkutan.

Setelah itu masukkan nilai dari parameter algoritma genetika seperti, population size, crossover rate, mutation rate dan maximum generation. Population size merupakan kumpulan kandidat solusi dari rute pengangkutan yang terbentuk. crossover rate merupakan jumlah dari kromosom yang akan mengalami proses crossover. mutation rate merupakan jumlah dari gen yang akan melalui proses mutasi. maximum generation merupakan kromosom yang akan melalui proses reproduksi seperti seleksi, crossover, dan mutasi. Kemudian sistem akan melakukan pencarian rute dengan algoritma genetika dan akan diperoleh rute pengangkutan buah kelapa sawit.

(33)

Gambar 3.2. General Arsitektur Sistem.

3.3 Pemodelan Sistem

Tujuan dari dilakukannya pemodelan sistem adalah untuk membangun sebuah model dari sistem nyata yang akan dibangun. UML (Unified Modeling Language) adalah alat yang digunakan dalam membuat abstraksi dari sistem yang akan dibangun. Pemodelan sistem yang akan digunakan pada penelitian ini, yaitu Use Case Diagram , Activity Diagram, dan Sequence Diagram.

3.3.1 Use Case Diagram

Use Case diagram adalah model fungsional dari sebuah sistem dalam bentuk actor dan use case. Use case adalah suatu pola yang menggambarkan interaksi diantara sistem dan actor. Fungsi-fungsi yang ada pada sistem dapat dipahami dengan mudah menggunakan use case. Pada gambar 3.3. terdapat use case diagram untuk permasalahan pada penelitian ini.

(34)

19

Gambar 3.3. Use Case Diagram.

Dapat dilihat use case diagram pada gambar 3.3. Diagram memiliki satu actor yang berperan sebagai pengguna sistem (user). Hal yang dapat dilihat oleh user adalah data lokasi yang telah tersimpan di database dan user juga bisa menginput bobot buah kelapa sawit pada masing-masing lokasi pengangkutan untuk menentukan rute pengangkutan buah kelapa sawit. Data yang tersimpan pada database dapat di-update oleh user sesuai kebutuhan. Proses routing dilakukan dengan algoritma genetika.

Setelah melalui berbagai proses, maka ditemukan rute pengangkutan buah kelapa sawit. Untuk lebih lengkapnya, penjelasan Use Case di atas dapat dilihat pada Tabel 3.1.

Tabel 3.1. Narasi Use Case Algoritma Genetika Use Case Name Algoritma Genetika

Actor User

Description User menginput bobot buah kelapa sawit untuk mendapatkan rute pengangkutan buah kelapa sawit.

Precondition User belum menginput bobot buah kelapa sawit untuk mendapatkan rute pengangkutan buah kelapa sawit.

Postcondition Sistem menampilkan output rute pengangkutan buah

(35)

kelapa sawit.

Typical course of event Aktivitas Pengguna Respons Sistem 1. User menginput bobot

buah kelapa sawit untuk mendapatkan rute pengangkutan buah kelapa sawit.

1. Sistem menampilkan output berupa rute pengangkutan buah kelapa sawit dari beberapa generasi.

Alternatecourse -

3.3.2 Activity Diagram

Activity Diagram adalah rancangan aliran aktivitas atau kerja pada sebuah sistem.

Activity Diagram pada sistem dipenelitian ini adalah Activity Diagram Baca Data Lokasi dan Activity Diagram Routing.

3.3.2.1 Activity Diagram Baca Data Lokasi

Gambar 3.4. Activity Diagram Baca Data Lokasi.

(36)

21

Pada gambar 3.4. dapat dilihat activity diagram baca data lokasi, yang merupakan ilustrasi dari proses ditampilkannya database kepada user yang berisikan data lokasi.

Pada awal aplikasi dibuka, sistem akan menampilkan halaman utama program, setelah itu data lokasi akan terbuka. Untuk memastikan ada tidaknya database yang dibutuhkan, akan dilakukan pengecekan oleh sistem. Jika tidak tersedia, maka akan ada notifikasi pesan error dan user harus membuat database terlebih dahulu. Jika data yang dibutuhkan sudah tersedia, maka akan ditampilkan keseluruhan data lokasi oleh sistem.

(37)

3.3.2.2 Activity Diagram Routing

Gambar 3.5. Activity Diagram Routing.

Pada gambar 3.5 dapat diilihat bagaimana proses dari activity diagram routing, yang mana diawali dengan user menginput bobot buah kelapa sawit pada masing-masing lokasi pengangkutan. Kemudian secara otomatis user bisa mengisi nilai dari parameter algoritma genetika seperti, ukuran populasi, crossover rate, mutation rate, dan juga maksimum generasi. Tetapi user juga bisa untuk tidak mengisinya, maka nilai parameter algoritma genetika akan diambil dari nilai yang sudah ada pada sistem.

Setelah itu, user mengklik button proses dan akan ditampilkan hasil dari rute pengangkutan buah kelapa sawit.

3.3.3 Sequence Diagram

Sequence Diagram adalah diagram behavior atau diagram yang menyajikan perilaku dari software. Pada sequence diagram akan digambarkan proses interaksi objek lewat message dalam operasi eksekusi pada sebuah usecase. Sequence diagram berperan dalam menggambarkan skenario atau deretan langkah-langkah yang dikerjakan sebagai sebuah respon dari suatu kejadian untuk menampilkan hasil atau output.

Sequence Diagram sistem penelitian ini terdapat pada gambar 3.6.

(38)

23

Gambar 3.6. Sequence Diagram.

3.4 Flowchart

Flowchart merupakan penyajian yang sistematis atas proses dan langkah-langkah atau urutan prosedur dari suatu program yang digambarkan secara grafik. Bagan alir adalah bagan (chart) yang menggambarkan alir atau prosedur sistem secara logis (Rezeki &

Tarmuji, 2013). Gambar 3.7. menunjukkan flowchart sistem pada penelitian ini.

(39)

Gambar 3.7. Flowchart Sistem.

Pada gambar 3.7. dapat dilihat bahwa, akan ditampilkan lokasi-lokasi pengangkutan yang telah tersimpan di database. Kemudian, dilakukan input bobot buah kelapa sawit pada masing-masing lokasi pengangkutan. Setelah itu, akan dilakukan proses routing menggunakan algoritma genetika dan akan diperoleh rute pengangkutan buah kelapa sawit.

(40)

25

Pada gambar 3.8. dan gambar 3.9. adalah flowchart proses routing dengan algoritma genetika.

Gambar 3.8. Flowchart Routing dengan Algoritma Genetika.

Pada gambar 3.8 ditunjukkan bagaimana proses routing dengan algoritma genetika.

Langkah pertama diawali dengan membentuk populasi awal, Populasi merupakan kumpulan dari kandidat solusi. Populasi awal dibentuk dari 52 titik lokasi pengangkutan yang berperan sebagai gen penyusun kromosom, yang mana kromosom merupakan rute dari pengangkutan buah kelapa sawit.

Pada pengangkutan buah kelapa sawit, beberapa lokasi memiliki permintaan angkutan yang lebih besar dari kapasitas maksimum kendaraan. Kapasitas maksimum kendaraan pada penelitian ini adalah 5500 kg. Dalam proses pembentukan populasi, akan dimulai dari depot dan diakhiri dengan depot. Depot disini berperan sebagai center atau tempat berangkat dan kembalinya kendaraan. didalam graf, depot diposisikan sebagai vertex. Dalam pembentukan rute sebagai populasi awal, akan dikunjungi lokasi-lokasi yang kebutuhan angkutannya lebih besar dari kapasitas

(41)

kendaraan terlebih dahulu. Pengunjungan akan dilakukan lebih dari sekali pengunjungan hingga bobot buah kelapa sawit yang akan diangkut lebih kecil atau sama dengan 5500 kg. Apabila bobot buah kelapa sawit pada masing-masing lokasi pengangkutan sudah tidak melebihi kapasitas angkutan, maka akan dilakukan pengecekan kembali dari lokasi pertama. Jika permintaan angkutan buah kelapa sawit pada lokasi tersebut masih belum terpenuhi dan permintaan angkutannya lebih kecil dari kapasitas kendaraan, maka lokasi akan dikunjungi dan dimasukkan ke dalam kromosom. Nilai dari kapasitas angkutan akan berkurang sebesar bobot buah kelapa sawit yang diangkut pada lokasi tersebut. Proses ini akan terus berulang pada lokasi- lokasi yang belum dilakukan pengunjungan. Apabila seluruh lokasi pengangkutan telah menjadi penyusun kromosom pertama, maka untuk isi dari kromosom kedua sampai seterusnya di acak menggunakan fungsi random. Berdasarkan langkah- langkah tersebut, maka didapat populasi awal berisi kromosom-kromosom yang berbeda nilai pada setiap gennya. Selanjutnya akan dijelaskan proses penentuan rute dengan algoritma genetika pada gambar 3.9.

(42)

27

Jika populasi pertama telah didapatkan, kemudian akan dilanjutkan dengan perhitungan nilai fitness masing-masing kromosom dengan rumus 1/ total jarak rute yang terbentuk. Nilai fitness merupakan nilai yang menunjukkan kebugaran suatu individu. Jarak antar lokasi dan jarak setiap lokasi ke depot, disimpan didalam database.

Di permasalahan ini, karena pembentukan kromosom ke-dua dan seterusnya didapat dari proses random dari gen kromosom pertama, maka akan terjadi perubahan posisi lokasi yang menyebabkan ketidak sesuaian antara posisi depot pada kromosom tersebut dengan kebutuhan angkutan bobot buah pada lokasi pengangkutan. Dengan demikian, akan dilakukan penambahan nilai pada total jarak kromosom tersebut supaya kromosom memiliki peluang yang lebih kecil untuk terpilih pada generasi selanjutnya.

Setelah nilai fitness setiap kromosom didapat, selanjutnya akan dilakukan proses seleksi dengan metode Roulette-Wheel.

1. Menghitung nilai probabilitas kumulatif pada setiap kromosom 2. Membangkitkan bilangan acak dalam range 0 − 1, jika

a. Bilangan acak 𝑘 yang dibangkitkan < probabilitas kumulatif kromosom ke-1, maka kromosom ke-1 terpilih.

b. Probabilitas kumulatif kromosom ke k-1 < bilangan acak k < probabilitas kumulatif ke k, maka kromosom ke-k dipilih.

Kromosom-kromosom yang terpilih dari proses seleksi akan dijadikan populasi awal pada generasi selanjutnya. Kromosom-kromosom yang memiliki nilai fitness terbesar, akan disimpan menjadi kromosom terbaik pada generasi tersebut.

Setelah proses seleksi, selanjutnya akan dilakukan crossover dengan membangkitkan bilangan acak sebanyak ukuran populasi. Apabila nilai acak yang dibangkitkan pada salah satu kromosom lebih kecil dari nilai crossover rate, maka kromosom akan terpilih menjadi induk dan akan ditukar dengan kromosom yang juga menjadi induk terpilih.

Jika proses crossover telah selesai, maka akan dilakukan proses mutasi dengan membangkitkan bilangan acak sebanyak ukuran populasi. Apabila nilai acak yang dibangkitkan pada salah satu kromosom lebih kecil dari nilai mutation rate, maka kromosom tersebut akan dimutasi. Kromosom yang terpilih akan ditukar isi gen (lokasi) yang dipilih dari proses acak dengan gen (lokasi) lain yang juga dipilih secara

(43)

acak.

Populasi yang didapat setelah proses mutasi, selanjutnya akan dijadikan populasi awal pada generasi berikutnya yang akan mengalami proses seleksi, crossover dan mutasi kembali sampai jumlah maksimum generasi. Kromosom-kromosom terbaik pada setiap generasi akan ditentukan kembali nilai fitness yang terbesar untuk dijadikan kromosom terbaik dari keseluruhan generasi yang akan dijadikan rute pengangkutan buah kelapa sawit.

3.5 Perancangan Interface

Interface merupakan antarmuka yang menjadi salah satu daya tarik bagi pengguna dalam menggunakan sebuah aplikasi. Interface menjadi bagian penting yang harus diperhatikan dalam rencana pembuatan sistem. Interface yang akan diterapkan harus jelas dan mudah dipahami oleh pengguna. Pada penelitian ini, interface sistem yang akan dibuat terdiri atas form-form yang berbeda sesuai dengan kegunaannya seperti halaman utama, halaman data lokasi, halaman routing, dan halaman bantuan.

3.5.1 Interface Halaman Home

Halaman home merupakan halaman yang akan ditampilkan diawal ketika sistem dioperasikan. Pada gambar 3.10 dapat dilihat interface dari halaman home sistem yang akan dibangun.

Gambar 3.10. Halaman Home.

(44)

29

Keterangan gambar 3.10.

1. MenuStrip berguna dalam menampilkan pilihan menu yang terdapat pada aplikasi.

2. Label berguna dalam menampilkan judul penelitian dari aplikasi yang akan dibuat.

3. Picturebox berguna dalam menampilkan gambar perkebunan.

3.5.2 Interface Halaman Location

Halaman location adalah sebuah halaman yang menyajikan data dari seluruh lokasi pengangkutan buah kelapa sawit yang telah tersimpan di dalam database. Pada gambar 3.11 dapat dilihat halaman Interface dari data lokasi.

Gambar 3.11. Halaman Data Lokasi.

2. Groupbox berguna dalam menampilkan keterangan datagridview untuk data lokasi.

(45)

3. Datagridview berguna dalam menampilkan data seluruh lokasi pengangkutan dari database.

4. Textbox berguna untuk user memasukkan nilai luas lokasi blok perkebunan yang tersimpan di database, jika terjadi perubahan luas.

5. Button untuk mengupdate nilai luas lokasi blok perkebunan yang tersimpan di database

6. Groupbox berguna dalam menampilkan keterangan datagridview untuk matriks jarak antar lokasi dan tiap lokasi ke depot.

7. Datagridview berguna dalam menampilkan data matriks jarak antar lokasi dan lokasi ke depot.

8. Textbox berguna untuk user memasukkan nilai jarak antar lokasi pengangkutan dan jarak dari depot ke masing-masing lokasi pengangkutan yang tersimpan di database, jika terjadi perubahan.

9. Button untuk mengupdate nilai jarak antar lokasi pengangkutan dan jarak dari depot ke masing-masing lokasi pengangkutan yang tersimpan di database, jika terjadi perubahan.

3.5.3 Interface halaman Routing

Halaman Routing adalah sebuah halaman yang menyajikan proses dalam penentuan rute pengangkutan buah kelapa sawit dengan algoritma genetika dan juga menyajikan hasil berupa rute pengangangkutan buah kelapa sawit. Pada gambar 3.12 dapat dilihat Interface Routing dari sistem yang akan dibuat.

(46)

31

Gambar 3.12. Halaman Routing.

2. Groupbox berguna dalam menampilkan keterangan datagridview untuk database bobot buah kelapa sawit pada masing-masing lokasi.

3. Datagridview berguna dalam menampilkan data bobot buah kelapa sawit pada masing-masing pengangkutan dari database.

4. Textbox berguna untuk user memasukkan nilai bobot buah kelapa sawit pada masing-masing lokasi pengangkutan yang tersimpan dalam database.

5. Button untuk mengupdate bobot buah kelapa sawit pada masing-masing lokasi yang tersimpan dalam database.

6. Groupbox berguna untuk mengelompokkan komponen-komponen yang diperlukan dalam proses algoritma genetika.

7. Label berguna untuk keterangan ukuran populasi.

8. Textbox berguna untuk user memasukkan jumlah ukuran populasi, jika diperlukan.

9. Label berguna untuk keteragan nilai crossover rate.

10. Textbox berguna untuk user memasukkan nilai crossover rate yang akan digunakan dalam proses crossover, jika diperlukan.

(47)

11. Label berguna untuk keterangan nilai mutation rate.

12. Textbox untuk user memasukkan nilai mutation rate yang akan digunakan dalam proses mutasi, jika diperlukan.

13. Label untuk keterangan besar maksimum generasi.

14. Textbox yang berguna untuk user memasukkan nilai maksimum generasi, jika diperlukan.

15. Label untuk keterangan Running Time.

16. Textbox yang berguna untuk menampilkan nilai Running Time.

17. Button untuk memulai proses penentuan rute pengangkutan buah kelapa sawit berdasarkan bobot buah kelapa sawit pada masing-masing lokasi dan parameter- parameter algoritma genetika yang digunakan, serta data lokasi pengangkutan yang tersimpan dalam database.

18. Groupbox yang berguna untuk menyajikan tampilan keterangan hasil dari proses pencarian rute menggunakan algoritma genetika.

19. Richtextbox berguna dalam menyajikan rute-rute terbaik pada masing-masing generasi dan hasil rute terbaik dari seluruh generasi.

20. Groupbox berguna untuk menyajikan tampilan keterangan dari detail solution.

21. Richtextbox berguna untuk menyajikan tampilan langkah-langkah yang dilalui pada proses algoritma genetika.

3.5.4 Interface Halaman Help

Halaman help adalah sebuah halaman yang berisikan instruksi-instruksi dalam menggunakan aplikasi yang bertujuan untuk memudahkan user. Pada gambar 3.13 dapat dilihat Interface halaman help dari sistem yang akan dibuat.

(48)

33

Gambar 3.13. Halaman Help.

1. MenuStrip berguna untuk menyajikan pilihan menu yang ada pada aplikasi.

2. Label yang berguna untuk menampilkan judul langkah-langkah dalam penggunaan aplikasi.

3. Label yang berguna untuk menampilkan langkah-langkah dalam penggunaan aplikasi.

3.5.5 Interface Halaman About

Halaman About adalah sebuah halaman yang berisikan informasi-informasi mengenai aplikasi yang dibuat. Pada gambar 3.14 dapat dilihat Interface halaman about pada sistem yang akan dibuat.

(49)

Gambar 3.14. Halaman About.

1. MenuStrip berguna untuk menyajikan pilihan menu yang ada pada aplikasi.

2. Label yang berguna untuk menampilkan beberapa informasi dari aplikasi yang dibuat.

(50)

BAB 4

IMPLEMENTASI DAN PENGUJIAN SISTEM

4.1 Implementasi Sistem

Tahap implementasi sistem akan dilakukan ketika tahap dari analisis serta perancangan sistem telah selesai dibuat. Implementasi sistem akan memberikan hasil berupa aplikasi yang dibangun dari baris kode pemrograman yang bertujuan untuk menghasilkan sebuah solusi berupa rute pengangkutan buah kelapa sawit dengan algoritma genetika.

4.1.1 Spesifikasi Kebutuhan Perangkat Keras

Dalam implementasi sistem penentuan rute pengangkutan buah kelapa sawit dengan algoritma genetika pada penelitian ini, spesifikasi dari perangkat keras yang digunakan seperti dibawah ini:

1. Processor Core i3-6006U CPU @ 2.0GHz.

2. Installed memory (RAM) 4 GB.

3. 64-bit Operating System.

4. Hard Disk 1 TB.

4.1.2 Spesifikasi Kebutuhan Perangkat Lunak

Dalam implementasi sistem penentuan rute pengangkutan buah kelapa sawit dengan algoritma genetika pada penelitian ini, spesifikasi dari perangkat lunak yang digunakan seperti dibawah ini:

1. Operating System Windows 10 Single Language 64-bit.

2. SharpDevelop 5.1.

3. MySQL.

(51)

4.2 Tampilan Antarmuka (Interface) Sistem

Terdapat beberapa tampilan menu yang diimplementasikan pada sistem yang dibuat yaitu, Menu Home, menu Location, menu Routing, menu Help dan menu About.

4.2.1 Menu Home

Pada gambar 4.1. dapat dilihat tampilan dari menu Home. Menu Home merupakan menu yang ditampilkan pada awal aplikasi dijalankan. Menu Home berisikan informasi tentang judul Penelitian dan gambar perkebunan.

Gambar 4.1. Menu Home.

4.2.2 Menu Location

Pada gambar 4.2. terdapat tampilan dari Menu Location yang menampilkan informasi lokasi-lokasi pengangkutan buah kelapa sawit seperti nama lokasi, jarak dari masing- masing lokasi ke depot dan jarak antar lokasi pengangkutan.

(52)

37

Gambar 4.2. Menu Location.

4.2.3 Menu Routing

Pada gambar 4.3. terdapat menu Routing. Menu Routing merupakan halaman dari aplikasi yang berfungsi untuk menghasilkan solusi, dengan melakukan pencarian rute untuk pengangkutan buah kelapa sawit dengan algoritma genetika yang berdasar pada data lokasi yang tersimpan di database.

(53)

Gambar 4.3. Menu Routing.

4.2.4 Menu Help

Pada gambar 4.4. dapat dilihat gambar dari menu Help. Menu Help merupakan halaman dari aplikasi yang berisikan langkah-langkah atau petunjuk dalam penggunaan aplikasi.

(54)

39

4.2.5 Menu About

Pada gambar 4.5. terdapat gambar dari menu About. Menu About merupakan halaman yang berfungsi untuk menampilkan informasi dari aplikasi yang dibangun.

Gambar 4.5. Menu About.

4.3 Pengujian Sistem

Untuk melakukan pengujian sistem, hal yang pertama kali dilakukan adalah menentukan bobot buah kelapa sawit pada masing-masing lokasi pengangkutan. Data untuk bobot buah kelapa sawit pada masing-masing lokasi pengangkutan diambil dari database yang telah dipersiapkan sebelumnya.

4.3.1 Pengujian Penentuan Rute dengan Algoritma Genetika

Pada pengujian penentuan rute pengangkutan buah kelapa sawit dengan algoritma genetika, nilai parameter-parameter dari algoritma genetika yang digunakan seperti ukuran populasi sebesar 5, crossover rate sebesar 30%, mutation rate sebesar 1% dan maksimum generasi sebanyak 50 generasi. Setelah itu, klik button Process untuk memulai pencarian rute pengangkutan buah kelapa sawit. Kemudian akan ditampilkan solusi berupa rute pengangkutan buah kelapa sawit pada richtexbox solution dengan nilai fitness = 0,00422994. Gambar 4.6. merupakan hasil dari Pengujian penentuan

(55)

rute pengangkutan buah kelapa sawit dengan algoritma genetika.

Gambar 4.6. Hasil pengujian Penentuan Rute dengan Algoritma Genetika.

Hasil dari pengujian penentuan rute pengangkutan buah kelapa sawit dengan algoritma genetika melalui proses sebagai berikut :

1. Bentuk populasi awal

Dalam pembentukan kromosom awal, akan di seleksi lokasi-lokasi pengangkutan yang bobot buah kelapa sawitnya lebih besar dibandingkan dengan kapasitas kendaraan pengangkut. Kapasitas kendaraan adalah 5.500 kg. Dari data yang tersimpan di database saat ini, lokasi-lokasi yang bobot buah kelapa sawitnya melebihi kapasitas kendaraan pengangkut adalah lokasi blok 1, blok 48, dan blok 52. Seluruh kromosom diawali dengan lokasi depot. Selanjutnya akan dilakukan pengecekan lokasi blok 1, lokasi blok 1 memiliki permintaan angkutan sebesar 10.200 kg, karena kapasitas dari kendaraan hanya bisa mengangkut beban sebesar 5.500 kg, maka akan dilakukan 1 kali pengangkutan supaya permintaan angkutan saat ini lebih kecil dari 5.500 kg. Setelah dilakukan 1 kali pengangkutan, maka kebutuhan angkutan lokasi blok 1 tersisa 4.700 kg, dan akan dilakukan pengangkutan setelah lokasi-lokasi yang memiliki kebutuhan angkutan lebih besar dari 5.500 kg dikunjungi. Dengan demikian, akan terus dilakukan pengecekan hingga seluruh lokasi yang memiliki permintaan lebih besar dari 5.500 kg dikunjungi, dan permintaan saat ini lebih kecil dari 5.500 kg.

• Permintaan angkutan blok 1 = 10.200 kg

blok 1 dilakukan pengangkutan 1 kali, sisa permintaan angkutan 4.700 kg.

blok 48 dilakukan pengangkutan 1 kali, sisa permintaan angkutan 2.500 kg.

(56)

41

pengangkutan, kromosom saat ini adalah A – 1 – A – 48 – A – 52 – A

Kemudian akan dilakukan pengecekan kembali dari lokasi blok 1, untuk memenuhi permintaan angkutan dari lokasi yang belum terpenuhi permintaan angkutannya.

Muatan angkutan saat ini 5.500 kg

Permintaan angkutan blok 1 = 4.700 kg. Blok 1 diangkut. Sisa muatan = 800 kg.

Permintaan angkutan blok 2 = 4.000 kg. Sisa muatan < permintaan. Depot “A”

dikunjungi.

Permintaan angkutan blok 2 = 4.000 kg. Blok 2 diangkut. Sisa muatan = 1.500 kg.

Permintaan angkutan blok 3 = 50 kg. Blok 3 diangkut. Sisa muatan = 1.450 kg.

dikunjungi.

Permintaan angkutan blok 5 = 1.800. Blok 5 diangkut. Sisa muatan = 1.700 kg.

Permintaan angkutan blok 6 = 50 kg. Blok 6 diangkut. Sisa muatan= 1.650 kg.

dikunjungi.

Muatan angkutan saat ini = 5.500 kg

dikunjungi.