implementasi algoritma bee colony optimization pada prototype

The 1st Symposium in Industrial Technology ISSN : 2302-8033 Yogyakarta, 17 November 2012

FTI UPNVY_SINTECH-1.03.006 |C-51

Implementasi Algoritma Bee Colony Optimization pada Prototype Intelligent Logistics System

Panggih Pawenang†

[email protected]

1 dan MHD. Reza M. I. Pulungan2

Jurusan Ilmu Komputer dan Elektronika, Universitas Gadjah Mada Sekip Utara, Bulaksumur, Yogyakarta, Telp/Fax (0274)546194

[email protected]

Abstrak- Proses logistik atau kegiatan pendistribusian barang merupakan sebuah kegiatan dalam rangkaian kegiatan rantai pasok (supply chain) yang paling banyak menghabiskan banyak sumber daya. Oleh karena itu, optimalisasi proses logistik sangat diperlukan demi efektif dan efisiennya pemanfaatan sumber daya. Proses logistik meliputi pengumpulan order, pemilihan order, dan penjadwalan pengiriman order. Di sisi lain, proses logistik dapat dipandang sebagai permasalahan penugasan (assignment problem) dengan task sebagai representasi order dan processor (pemroses) sebagai armada pengangkut. Pencarian solusi optimalisasi proses logistik tersebut menggunakan pendekatan kecerdasan buatan dengan algoritma BCO sebagai panduan pencarian solusi terbaik. Algoritma BCO merupakan sebuah algoritma yang berbasis populasi untuk komputasi pada setiap proses iterasinya dan diklaim mempunyai kemampuan mencari solusi dari permasalahan NP-Hard seperti penjadwalan. Algoritma BCO diimplementasikan pada saat pemilihan order dan penjadwalan pengiriman barang pada rangkaian proses logistik. Hasil penelitian ini berupa sebuah prototype sistem logistik yang disebut dengan Intelligent Logistic System (ILS). Sistem tersebut mengatur jalannya proses logistik yang dimulai dari pengumpulan order, pemilihan order, dan penjadwalan pengiriman order. Secara fisik, output sistem berupa jadwal pengiriman order ke konsumen yang dilengkapi dengan urutan pengiriman barang dari konsumen satu ke konsumen yang lain. Kata kunci: sistem logistik, penjadwalan, algoritma bee colony optimization, penjadwalan,

optimasi 1 PENDAHULUAN Peningkatan kualitas pelayanan terhadap permintaan konsumen menjadi dasar terus berkembangnya dunia industri dalam satu dekade terakhir ini. Salah satu cara yang dapat dilakukan untuk mewujudkan hal tesebut yaitu dengan mengoptimalkan proses logistik yang didukung pemanfataan kemajuan teknologi saat ini. Oleh karena itu, diperlukan sebuah sistem terpadu yang mampu mengatur rangkaian proses logistik secara cerdas, cepat, dan optimal. Kebutuhan sistem tersebut diwujudkan dalam prototype Intelligent Warehouse Management System (IWMS) atau Sistem Manajemen Pergudangan Cerdas yang merupakan pengembangan Sistem Manajemen Pergudangan konvensional dengan lebih berorientasi pada omptimalisasi pemanfaatan sumber daya dan kemajuan teknologi. IWMS terdiri dari lima subsistem yang saling bersinergi dalam melakukan fungsi dan tugasnya masing-masing yaitu Intelligent Logistic System (ILS), Adaptive Warehouse System (AWS), Intelligent Forcasting System (IFS), Realtime Transportation Monitoring System (RTMS), IntelligentExecutive Summary Report (IESS). Secara lengkap mengenai arsitektur IWMS dapat dilihat pada gambar 1.

Intelligent Logistic System (ILS) merupakan subsitem dari IWMS yang berfungsi sebagai pengendali proses logistik barang dari tempat penyimpanan (warehouse) ke konsumen. Banyak † Corresponding author



faktor yang perlu diperhatikan dalam pengembangan sistem logistik yaitu banyaknya order yang akan diselesaikan, persediaan barang di gudang, banyaknya armada yang diperlukan untuk proses pendistrbusian barang, dan kapasitas muatan armada yang digunakan. Disamping itu, kebutuhan konsumen tidak hanya sebatas kebutuhan fisik saja (terpenuhinya order barang) melainkan sudah mengarah kepada kebutuhan non-fisik seperti kepuasan pelayanan saat pemesanan atau pembelian, ketepatan waktu pengiriman barang, dan kelengkapan barang (Silva, 2007). Dengan kata lain, inti permasalahan sistem logistik adalah membuat jadwal pengiriman sedemikian rupa sehingga dapat memenuhi kebutuhan konsumen (Carrera et al., 2010)

Gambar 1. Master plan IWMS

Beberapa tahun terakhir, banyak metode yang dikembangkan untuk menyelesaikan

permasalahan logistik. Salah satu metode yang dikembangkan adalah Bee Colony Optimization (BCO). BCO pertama kali diperkenalkan oleh Lucic dan Teodorovic (2009) untuk menyelesaikan Travelling Salesman Problem (TSP). Bee Colony Optimization (BCO) telah banyak diaplikasikan dalam berbagai masalah optimasi seperti Flexible Job Shop Scheduling Problem (Li et al., 2011), vehicle routing problem (Ji et al., 2011) masalah penugasan (Baykasoglu et al., 2007). BCO banyak digunakan dalam penelitian-penelitian tersebut dikarenakan BCO dianggap dapat menghasilkan solusi optimal dari suatu permasalahan kombinatorial yang komplek. BCO sendiri terinspirasi oleh perilaku lebah dalam proses pengumpulan sari pati bunga yang akan digunakan sebagai bahan dasar madu. Oleh karena itu, perlu diadakan penelitian yang mengkaji lebih mendalam tentang implementasi BCO pada proses logistik yang diharapkan dapat memberikan solusi optimal pengerjaan proses logistik pada IWMS. 2 METODOLOGI PENELITIAN Proses logistik atau kegiatan pendistribusian barang merupakan sebuah kegiatan dalam rangkaian kegiatan rantai pasok (supply chain) yang paling banyak menghabiskan banyak sumber daya. Oleh karena itu, optimalisasi proses logistik sangat diperlukan demi efektif dan efisiennya pemanfaatan sumber daya. Optimalisasi proses logistik dapat dilakukan secara manual ataupun terkomputerisasi. Akan tetapi, jika area kerja logistik dipandang cukup luas dan rumit maka diperlukanlah sebuah sistem yang mampu mengendalikan proses logistik tersebut. Saat ini, sistem logistik terkomputerisasi merupakan solusi terbaik yang dipandang mampu mengatasi permasalahan logistik. Area kerja sebuah sistem logistik dibuat atau dikembangkan dengan menyesuaikan proses bisnis dimana sistem tersebut akan digunakan. Sistem logistik tersebut dibangun dengan tujuan untuk mengendalikan proses logistik sehingga proses pendistribusian barang dari gudang ke



konsumen dapat dilakukan sesuai dengan kesepakatan waktu yang telah ditetapkan. Rangkaian proses logistik pada umumnya dimulai dari proses pengadaan bahan baku, produksi barang, penyimpanan barang, dan diakhiri dengan pendistribusian barang ke konsumen (Ghiani et al., 2004).

Gambar 2. Alur kerja ILS

Gambar 2 mendeskripsikan alur kerja ILS. Setiap hari kerja sistem menerima order yang

kemudian order-order tersebut dikumpulkan (collecting order) oleh sistem dalam sebuah basis data dan secara otomatis sistem akan menyeleksi order-order dengan syarat-syarat tertentu (eligible order) untuk dijadwalkan. ILS mempunyai beberapa tahapan dalam proses penyusunan jadwal pengiriman barang yaitu pengumpulan order, pengelompokan order, pemilihan eligible order, dan penjadwalan 3 HASIL DAN PEMBAHASAN Implementasi algoritma Bee Colony Optimization (BCO) dapat dilakukan pada fase pemilihan eligible order dan penjadwalan pendistribusian barang. Implementasi Algoritma BCO pada fase pemilihan eligible order dilakukan dengan tujuan untuk menentukan order-order yang bersesuaian dengan keadaan alokasi stok dan daya angkut seluruh armada yang tersedia sedemikian rupa sehingga meminimumkan total keterlambatan pengiriman barang terhadap deadline pengiriman (lateness). Keterlambatan yang dimaksud adalah pengiriman barang dilakukan sebelum atau sesudah waktu pengiriman yang telah disepakati (deadline) dinotasikan lt. Batasan permasalahan tersebut yaitu total jenis barang dari setiap order yang akan dikirim tidak boleh melebihi alokasi stok dan daya angkut sejumlah m buah armada terhadap muatan jenis barang tersebut. Gambar 3 menunjukkan proses yang terjadi pada saat pemilihan eligible order. Permasalahan pemilihan eligible order diformulasikan sebagai berikut :

Fungsi objektif meminimumkan lt = σ | െ |ݎ

=1

Batasan

൭ݍ

=1

൱ min༌൫ݏ ,. ൯

=1



Gambar 3. Proses pemilihan eligible order

Implementasi selanjutnya yaitu pada fase penjadwalan pendistribusian barang. Algoritma BCO digunakan untuk menentukan kombinasi pasangan order dan armada pengangkut barang (truk) yang meminimumkan total waktu pengiriman setiap armada pengangkut barang. Permasalahan pendistribusian barang ini pada hakekatnya merupakan permasalahan penugasan antara task (tugas) dan processor (pemroses). Secara matematis, formulasi permasalahan tersebut ditunjukkan oleh persamaan berikut ini: Misalkan

O = {o1, o2, o3, …, on} merupakan himpunan seluruh eligible order P = {p1, p2, p3, …, pm} merupakan himpunan seluruh truk

ݔ = ൜1, jika ݎݎ distribusikan oleh truk ݏݓݎݐ ,0

(1)�

Sehingga,

Meminimumkan y (2)

dengan batasan

ݔ

=1

= 1, 1 (3)

ݕ െݓ . ݔ

=1

0, 1 (4)

ݔ א {0,1}, 1 , 1 (5)

, א ,, Bilangan Asli

Misalkan diberikan sebuah himpunan O = {o1, o2, o3, …, on} yang merupakan kumpulan sejumlah n order yang harus didistribusikan oleh sejumlah m armada pengangkut (truk) dinotasikan dalam himpunan P = {p1, p2, p3, …, pm} dengan m, n � %LODQJDQ� $VOL��:DNWX� \DQJ� GLEXWXKDQ� XQWXN�mengerjakan order oi dinotasikan wi satuan waktu. Semua order tersebut saling lepas (tidak ada hubungan mengikat atau urutan pengerjaan) dan truk dapat mendistribusikan semua order. Permasalahan ini mempunyai karakteristik yaitu pengerjaan sebuah order didistribusikan oleh tepat 1 truk dalam periode waktu tertentu dan tidak ada penghentian pengerjaan order. Tujuan utama dari permasalahan ini yaitu meminimumkan total waktu pendistribusian semua order terhadap truk yang bersesuaian. Bentuk dari prototype ILS diwujudkan dalam sistem berbasis web. Berikut adalah tampilan beberapa menu dalam prototype ILS.



Gambar 4. Tampilan add customer pada ILS

Gambar 5. Tampilan seluruh order dalam ILS

Gambar 6 Jadwal pengiriman order setiap truk



4 KESIMPULAN Implementasi algoritma BCO dapat dilakukan pada dua fase prototype ILS yaitu pemilihan eligible order dan penjadwalan pendistribusian barang. Akan tetapi, hasil implementasi tersebut membutuhkan proses komputasi yang rumit sehingga kurang efektif jika diterapkan pada penjadwalan skala kecil. DAFTAR NOTASI doi = batas waktu pengiriman (deadline) order i. cr = waktu pada saat melakukan penjadwalan. qij = kuantitas jenis barang j pada order i. sj = alokasi stok untuk barang jenis j. m = banyaknya armada pengangkut (truk) yang dapat digunakan. bj = batas maksimum daya angkut truk terhadap barang jenis j. n = banyaknya eligible order. DAFTAR PUSTAKA Anil. B and Nidhi. M. B (2008) ‘Rule based Logistics Management for a Single Warehouse Multi

Distributor System’. Erich Schidt Verlag : Management in Logistics Network and Nodes. Page 3 – 14.

Arabnejad. V, Moeini. A, Moghadam. N (2011) ‘Using Bee Colony Optimization to Solve the Task Scheduling Problem in Homogenous Systems’. International Journal of Computer Science (IJCS) Volume 8 Issue 5 No 3 September 2011. Page 348 – 353.

Baykasoglu. A, Ozbakir. L, Tapkan. P (2007)’ Artificial Bee Colony Algorithm and Its Application to Generalizad Assigment Problem’. Swarm Intelligence : Focus on Ant and Particle Swarm Optimization. Page 113 – 141.

Carrera. S, Ramdane-Cherif. W, Portman. M (2010) ‘Scheduling problem for logistic platform with fixed staircase component arrivals and various deliveries hypotheses’. 2nd international cenference on applied operatinal research. Page 517 – 528.

Chong. C. S, Low. M. Y. H (2006) ‘A Bee Colony Optimization Algorithm to Job Shop Scheduling’. Proceedings of the 2006 Winter Simulation Conference. Page 1954 – 1961.

Davidovic. T, Selmic. M, Teodorovic. D. (2009) ‘Scheduling Independent Tasks: Bee Colony Optimization Approach’. 17th Mediterrranen Conference on Control and Automation Makedonia Palace, Thessaloniki, Greece June 24 – 26.

Gen. M, Cheng. R, Lin. L (2008) ‘Network models and optimization : multiobjective genetic algorithm approach’. Springer-Verlag London Limited. Page 135 – 140.

Ghiani. G, Laporte. G, Musmanno. R. (2004) ‘Introduction to Logistic System Planning and Control’. John Wiley & Sons, Ltd.

Ji. P, Wu. Y (2011) ‘An Improved Artificial Bee Colony Algorithm for the Capacited Vehicle Routing Problem with Time-Dependent Travel Times’. The Tenth International Symposium on Operations Research and Its Applications (ISORA 2011). Page 75 – 82.

Li. J, Pan. Q, Wang. S. (2011) ‘A Hybrid Artificial Bee Colony Algorithm for Job Shop Scheduling Problems’. Int. J. Of Computer, Communication & Control. Page 286 – 296.

Li. Z. P, Low. M. Y. H, Shakeri. M, Lim. Y. G. (2009) ‘Crossdocking planning and scheduling: Problems and algorithms’. SIMTech technical reports Volume 10 Number 3 Jul-Sep 2009. Page 158 – 167.

Lucic. P, Teodorovic. D (2001) ‘Bee system : modeling combinatorial optimization transportation enginering problems by swarm intelligence’. Preprints of the TRISTAN IV Triennial Symp. On Transportation Analisys, sao Miguel, Azores Island, Portugal. Page 441 – 445.

Samur. S, Bulkan. S. (2010) ;An Evolutionary Solution to a Multi-Objective Scheduling Problem’. Proceedings of the World Congress on Engineering 2010 Vol III, June 30 – July 2, London, UK.

Silva. C. A, Sousa. J. M. C, Runkler. T. A . (2007) ‘Optimization of logistics system using fuzzy weighted aggregation’. Elsevier : Fuzzy set and systems 158. Page 1947 – 1960.



Tang. L, Li. K. (2009) ‘An Inherited Tabu Search Algorithm for the Truck and Trailer Vehicle Scheduling Problem in Iron and Steel Industry’. ISIJ International Volume 49. Page 51 – 57.

Teodorovic, D. (2009) ‘Bee Colony Optimization’. Springer : In Collections in Swarm Intelligence SCI 248. Page 39 – 60.

implementasi algoritma bee colony optimization pada prototype

Documents