prosiding seminar nasional teknologi rekayasa (sntr) 5

Prosiding Seminar Nasional Teknologi Rekayasa (SNTR) 5 tahun 2018

i

Keynote Speaker

1. Prof. Dr. Rizalman Mamat (University Malaysia Pahang)

Research Field: Alternative energy, heat transfer, combustion, internal combustion

engine, and computational fluid dynamics.

2. Assoc. Prof. Dr. Mohd. Shahrir Mohd Sani (University Malaysia Pahang)

Research Field: Modal analysis, model updating, noise source identification, nonlinear

vibration and finite element analysis.

Invited Speaker

1. Prof. Emeritus Chamhuri Siwar (Emeritus Professor of Institute for Environment

and Development. Universiti Kebangsaan Malaysia, Malaysia)

Research Field: Agriculture and rural development, agriculture policy and marketing,

environmental economics, poverty and inequality, sustainable development and

livelihood.

2. Prof. Dr. Mustafizur Rahman (Bangladesh University of Engineering and

Technology)

Research Field: Sustainable machining, minimum quantity lubrication, nanocoolants

used in machining, advanced machining, optimization techniques, artificial intelligence

techniques, fatigue and fracture mechanics, finite element modelling and analysis,

applied mechanics, heat transfer techniques.

3. Dr. Ftwi Yohaness Hagos (Makelle University Ethiopia)

Research Field: IC engines, combustion, modelling and simulation, optical diagnostics

applied to combustion, thermo-fluids, renewable energy, energy resources, automotive

engineering.


ii

4. Ts. Dr. Zahrah Yahya (School of Computing and Technological Science Kolej

University Poly-Tech MARA, Kuala Lumpur)

Research Field: Image processing, 3D modeling, mobile security, information systems,

artificial intelligence

5. Dr. Ir. Mohd Azmi bin Yunus (Faculty of Mechanical Engineering Universiti

Teknologi MARA)

Research Field: Modal analysis, model updating, model validation, structural joint

modelling, nonlinear vibration and finite element analysis.

6. Dr. Mohammad Ilham Maulana, ST. MT (LLDikti Aceh/Universitas Syiah Kuala,

Indonesia).

Research Field: Renewable energy, fluid engines.


iii

Panitia Pelaksana

Penanggungjawab : Dr. Muhammad Yasar, S.TP., M.Sc

Nuzuli Fitriadi, S.T., M.T.

Hardisal, S.T., M.Kom

Ketua Pelaksana : Darma Setiawan Putra, S.T., M.T.

Wakil Ketua Pelaksana : Herry Setiawan, S.ST., M.T

Sekretaris : Fera Anugreni, S.Si., M.Kom

Bendahara : Hermalinda, MA.

Bidang Sekretariat : Muhammad Anhar Pulungan, S.T., M.T

Bidang Sponsorship : Bakruddin, S.Si., M.T

Bidang Abstrak dan Prosiding : Asmaidi, S.Pd., M.Si

Bidang Sesi Seminar : Ria Darma, S.T

Bidang Sesi Parallel : Asbahrul Amri, ST., M.Sc

Bidang Perlengkapan : Balkhaya, S.T., M.T

Bidang Publikasi dan Dokumentasi : Hasbaini, S.Pd., M.Pd

Bidang Konsumsi : Resky Rusnanda, S.T., M.T.

Bidang Keamanan : Azmir


viii

DAFTAR PEMAKALAH

No Judul Makalah Penulis Hal.

1 Analisis Metode Pengomposan dan Ukuran

Cacahan Berbahan Utama Limbah Daun Sawit

Ramayanti Bulan, Safrizal,

Muhammad Yasar, dan

Agustami Sitorus

1

2

Analisis Pengaruh Retona Blend 55 dan

Rubberized Asphalt Terhadap Parameter

Marshall pada Campuran Aspal Porus

Veranita dan Saiful

Bahrizal 8

3

Pola Perubahan Guna Lahan dan Ketertutupan

Lahan di Pulau Kecil: Studi Kasus Pulau Weh -

Sabang

Azhar A Arif, Izarul

Machdar, Bastian Arifin,

dan Ashfa

16

4

Penentuan Lokasi Gudang dan Rute Distribusi

Logistik Bencana di Kota Banda Aceh

Menggunakan Algoritma Insertion Heuristic

Erni Listyowati, Syahriza

dan Andriansyah 21

5

Penentuan Rute Distribusi Es Kristal

Menggunakan Algoritma Koloni Semut (Studi

Kasus: PT. XYZ)

Cut Tria Fitri, Andriansyah

dan Prima Denny Sentia 27

6 Pemanfaatan Ikan Kayu Barakuda Menjadi

Produk Kerupuk

Oktalia Triananda Lovita,

Anhar dan Meria Sanofa 35

7

Identifikasi Karakteristik Masjid di Kawasan

Berpotensi Ancaman Tsunami di Kota Banda

Aceh

Lola Vivita, Husaini, Renni

Anggraini dan Cut Dewi 41

8

Memprediksi Umur Lelah pada Pegas Ulir

Kenderaan dengan Kajian Efek Getaran

Permukaan Jalan

Masri Ali, Husaini, Teuku

Edisah Putra dan Nurdin

Ali

49

Win10

Highlight


27

Penentuan Rute Distribusi Es Kristal Menggunakan Algoritma

Koloni Semut (Studi Kasus: PT. XYZ)

The Determination of Crystal Ice Distribution Route Using The

Algorithm of Ant Colony (Study Case : PT. XYZ)

Cut Tria Fitri1, Andriansyah2, Prima Denny Sentia3 1,2,3Program Studi Teknik Industri Universitas Syiah Kuala

Jalan Tengku Syech Abdur Rauf No. 7 Darussalam Banda Aceh 23111 Email : [email protected]

Abstrak - Sistem rantai dingin merupakan bagian dari supply chain yang mengelola barang-barang dengan suhu

yang diatur di bawah suhu ruangan dalam proses logistiknya. Proses distribusi yang optimal ditandai dengan biaya

rendah dan tingginya kualitas pelayanan. PT. XYZ adalah perusahaan yang memproduksi es kristal, proses distribusi

PT. XYZ kurang efektif karena lamanya waktu pengiriman (5-6 jam). Hal ini menyebabkan es mencair selama proses

distribusi. Penelitian ini membahas tentang penentuan rute distribusi es kristal yang efisien dengan batasan durasi waktu

atau disebut juga Vehicle Routing Problem Time Horizon. Solusi yang diharapkan adalah rute distribusi yang tidak

melebihi durasi waktu 5 jam saat melayani 222 pelanggan. Metode yang digunakan adalah Ant Colony Optimization.

Hasil yang diperoleh dari algoritma ini adalah rute yang membutuhkan 2,8077 jam dengan 3 kendaraan dan terjadi

penghematan waktu sebesar 2,1923 jam atau ± 45% dari perencanaan awal.

Kata kunci : Cold Chain, Distribusi, Vehicle Routing Problem, Time Horizon, Algoritma Koloni Semut

Abstract - Cold chain system is part of the supply chain that manages goods by setting the temperature below room’s

temperature in logistic processes. Optimal distribution process is characterized by spending low distribution cost and

high quality of service. PT.XYZ is a company produces crystal ice, distribution process of PT.XYZ is still less effective

marked by the length of delivery time (5-6 hours), that cause iced melting during shipping process. This study discusses

about distribution crystal ice by determine efficient routes considering time duration or called Vehicle Routing Problem

Time Horizon. The expected solution is a distribution route that does not exceed the time duration for 5 hours when

serving 222 customers. The method use to solve this problem is Ant Colony Optimization. Results obtained of this

algorithm is routes that require 2,8077 hours with 3 vehicles and a time saving of 2,1923 hours or ± 45 % of the initial

planning.

Keywords : Cold Chain, Distribution, Vehicle Routing Problem, Time Horizon, Ant Colony Optimization

I. PENDAHULUAN A. Latar Belakang

Dalam perkembangan industri, proses

distribusi merupakan suatu aktivitas yang sangat

penting dan menjadi salah satu faktor pendukung

suksesnya suatu bisnis. Dalam menghadapi persaingan

bisnis setiap perusahaan dituntut untuk mampu

membuat keputusan strategis dalam rangka optimasi

dan menentukan proses distribusi agar lebih efisien.

Proses distribusi yang optimal dan lebih efisien

ditandai dengan biaya distribusi yang rendah dan

tingginya kualitas pelayanan kepada konsumen [13].

Distribusi adalah suatu kegiatan pengiriman

barang dari lokasi awal berupa pabrik atau gudang ke

tempat tujuan sesuai permintaan konsumen. Proses

distribusi yang akan menentukan dan memastikan

bahwa produk yang diterima oleh konsumen masih

dalam kualitas yang baik atau tidak. Untuk menjaga

kualitas produk agar tetap baik, maka diperlukan

perlakuan khusus yang sesuai untuk setiap tipe produk

yang akan dikirimkan. Salah satu tujuan dari proses

distribusi adalah untuk meminimalkan biaya, sehingga

untuk mencapai tujuan tersebut dapat dilakukan dengan

pengiriman melalui pemilihan rute terpendek [13] .

Masalah rute kendaraan (Vehicle Routing

Problem) pertama kali dikenalkan oleh Dantzig dan

Ramser pada tahun 1959. Vehicle Routing Problem

(VRP) yang dikenalkan pada saat itu merupakan VRP

klasik yang bertujuan menentukan rute-rute kendaraan

yang meminimumkan total jarak dengan

memperhatikan sejumlah batasan-batasan [12]. Pada

permasalahan VRP terdapat beberapa batasan berupa

setiap kendaraan berawal dan berakhir di depot, salah

satunya adalah waktu pengiriman tiap rute tidak

melebihi waktu tertentu (time horizon) [8]. Pemecahan masalah optimasi penentuan rute

ini dapat dilakukan dengan pendekatan algoritma

koloni semut. Algoritma koloni semut adalah teknik

metaheuristik yang terinspirasi perilaku koloni semut

yang mencari sumber makanan dengan meninggalkan

jejak feromone. Jarak terpendek ditemukan oleh semut-

semut berdasarkan intensitas jejak feromone tersebut

[7]. Algoritma koloni semut digunakan karena

algoritma ini dapat memberikan perkiraan solusi yang


28

mendekati optimal dan membuat proses perhitungan

dapat menjadi lebih cepat [6].

Beberapa penelitian sebelumnya yang

menggunakan algoritma koloni semut secara

keseluruhan menunjukkan bahwa kinerja algoritma

koloni semut lebih unggul untuk menghasilkan solusi

logistik berorientasi VRP, yaitu solusi rute yang

diperoleh lebih variatif dan optimal, sehingga

algoritma koloni semut ini dianggap lebih efektif dan

efisien dalam menghadapi masalah VRP [2-5]. Hasil

dari penelitian lainnya juga menyatakan bahwa

algoritma koloni semut lebih kompetitif karena

menghasilkan waktu rata-rata tercepat dan

menghasilkan tingkat efisiensi yang tinggi dalam

menciptakan penghematan biaya dalam masalah VRP

[14].

PT. XYZ merupakan perusahaan yang dapat

memproduksi es kristal sebanyak 20 ton/hari yang

didistribusikan ke berbagai restauran, cafe, dan hotel-

hotel yang ada di daerah Banda Aceh dan Aceh Besar.

Produksi es kristal dilakukan setiap hari sesuai

permintaan pelanggan, karena es kristal yang mudah

mencair sehingga mengharuskan produk untuk diantar

dan sampai kepada pelanggan secepat mungkin. Es

kristal milik PT. XYZ dapat bertahan tidak mencair

selama 5 jam saat pengiriman kepada pelanggan,

apabila melewati batas waktu tersebut maka kualitas es

kristal menjadi berkurang ketika sampai di tangan

pelanggan. Namun aktual di lapangan proses

pengiriman es kristal dapat berlangsung selama 5

sampai 6 jam. Kondisi ini disebabkan karena proses

distribusi es kristal hanya menggunakan intuisi supir

dan tidak adanya rute optimal yang dapat dijadikan

acuan, serta tidak adanya batasan durasi waktu

pengiriman es kristal kepada pelanggan. Kondisi ini

tentu saja dapat merugikan PT. XYZ karena tidak

dapat menjaga kualitas produk sampai ke tangan

pelanggan dan es kristal yang terlalu banyak mencair

akan diolah kembali sehingga menyebabkan biaya

produksi menjadi lebih tinggi.

Oleh karena itu dibutuhkan penentuan rute

terpendek dengan batasan VRP masing-masing

kendaraan dibatasi oleh waktu cair es (time horizon)

guna mengoptimalkan proses pengiriman es kristal

untuk mencegah es kristal mencair sebelum sampai ke

pelanggan.

Berdasarkan latar belakang masalah dan hasil

penelitian terdahulu maka perlu dilakukan penelitian

penentuan rute distribusi es kristal menggunakan

algoritma koloni semut atau Ant Colony Optimization

(ACO) di PT. XYZ dengan VRP yang

mempertimbangkan durasi waktu es kristal mencair.

Penelitian ini diharapkan dapat membantu perusahaan

memiliki solusi rute yang lebih optimal.

B. Tujuan

Tujuan dari penelitian ini adalah “mengetahui

cara meminimumkan rute distribusi es kristal

menggunakan algoritma koloni semut”.

II. LANDASAN TEORI A. Sistem Rantai Dingin (Supply Chain)

Rantai dingin merupakan bagian dari rantai pasok

(supply chain) yang berfokus dalam mengontrol suhu.

Rantai dingin bertujuan untuk menjaga suhu agar

produk tetap terjaga selama proses pengumpulan,

pengolahan, dan distribusi komoditas hingga ke tangan

konsumen, sedangkan manajemen rantai dingin adalah

seluruh aktivitas rantai pendingin yang dianalisis,

diukur, dikontrol, didokumentasikan, dan divalidasi

agar berjalan secara efektif dan efisien baik secara

teknis dan ekonomis [1].

B. Vehicle Routing Problem

Vehicle Routing Problem (VRP) merupakan

permasalahan dalam penentuan rute pengiriman yang

terdiri dari n rute armada kendaraan, dimana sebuah

rute merupakan tur yang dimulai dari depot, kemudian

mengunjungi beberapa kumpulan pelanggan yang

tersebar secara geografis untuk memenuhi permintaan

hingga berakhir dengan kembali ke depot semula [10].

Ada berbagai tipe masalah pada VRP. Permasalahan

VRP klasik dapat diselesaikan dengan pendekatan TSP

(Travelling Sales Problem). TSP adalah penentuan rute

terpendek dengan menentukan urutan tertentu pada

node-node dengan memperhatikan batasan (constrain)

operasi, salah satu contoh dari batasan tersebut adalah

setiap node hanya boleh dikunjungi satu kali [6].

Vehicle routing problem with time horizon

(VRPTH) adalah jenis VRP dimana pengiriman barang

memiliki batas waktu yang tidak boleh dilanggar [8].

Berikut ini merupakan jenis-jenis permasalahan VRP

yang dibedakan berdasarkan pembatas-pembatas yang

dimiliki [10]:

1. Capacitated Vehicle Routing Problem (CVRP)

Capacitated Vehicle Routing Problem adalah

jenis VRP dimana setiap unit kendaraan

mempunyai kapasitas angkut barang yang sama.

Jumlah produk yang akan diangkut tidak boleh

melebihi muatan yang dapat diangkut oleh

kendaraan.

2. Vehicle Routing Problem with Time Windows

(VRPTW)

Vehicle Routing Problem with Time Windows

adalah jenis VRP dimana masing-masing

pelanggan dan masing-masing tempat

pemberhentian memiliki interval waktu tertentu

untuk melakukan pengambilan dan pengiriman

barang.

3. Capacitated Vehicle Routing Problem with Time

Windows (CVRPTW)

Capacitated Vehicle Routing Problem with Time

Windows adalah jenis VRP yang menggabungkan

model CVRP dan VRPTW.

4. Multiple Depot Vehicle Routing Problem

(MDVRP).

Multiple Depot Vehicle Routing Problem adalah

jenis permasalahan VRP dengan pembatasnya

lebih dari satu depot.

5. Periodic Vehicle Routing Problem (PVRP)


29

Periodic Vehicle Routing Problem adalah jenis

VRP dimana pengiriman barang dapat dilakukan

dalam beberapa hari.

6. Split Delivery Vehicle Routing Problem (SDVRP)

Split Delivery Vehicle Routing Problem adalah

jenis VRP dimana satu pelanggan dapat dilayani

oleh lebih dari satu unit kendaraan.

7. Vehicle Routing Problem with Backhauls (VRPB)

Vehicle Routing Problem with Backhauls adalah

jenis VRP dimana antara pengambilan dan

pengiriman barang dapat dilakukan pada setiap

tempat pemberhentian yang diberikan sepanjang

rute. Secara khusus, pengambilan tidak dapat

dilakukan sampai semua pengiriman selesai

dilakukan.

C. Algoritma Koloni Semut (Ant Colony

ptimization)

Algoritma koloni semut pertama kali

diperkenalkan oleh Dorigo pada tahun 1996. Algoritma

koloni semut merupakan suatu algoritma metaheuristik

yang digunakan untuk menyelesaikan masalah

optimasi yang terinspirasi dari perilaku semut saat

mencari sumber makanan. Semut yang meninggalkan

sarangnya menuju sumber makanan akan

meninggalkan suatu zat kimia khusus (feromone) pada

jalur yang dilewatinya selama melakukan perjalanan.

Feromone yang ditinggalkan oleh semut tersebut akan

menjadi pemandu bagi semut-semut lain untuk mencari

sumber makanan [11].

Menurut Rusdiana (2017), kronologis perjalanan

semut dalam mencari makanan dapat dilihat pada

Gambar 2.2 Jarul seekor semut memilih rute terpendek

dengan feromone di bawah ini.

Gambar 1. Jalur Seekor Semut Memilih Rute

Terpendek dengan Feromone

Ket:

F = Sumber makanan

N = Sarang Semut

Berikut merupakan penjelasan dari Gambar 1:

1. Semut pertama mencari sumber makanan

melalui jalur manapun (a). Kemudian semut

kembali ke sarang (N) dengan meninggalkan

jejak feromone (b).

2. Selanjutnya semut-semut yang lain akan

mengikuti empat kemungkinan, tapi dengan

feromone yang lebih kuat, semut lebih tertarik

memilih jalur tersebut sebagai jalur terpendek.

Hal ini disebabkan karena feromone dapat

menguap dalam beberapa waktu, sehingga

feromone yang kuat menandakan jarak tersebut

belum lama dilalui.

3. Akhirnya semut akan mengambil jalur

terpendek, dimana jalur lainnya akan semakin

kehilangan feromone yang telah menguap.

D. Langkah-langkah Penentuan Rute pada

Algoritma Koloni Semut

Dalam algoritma koloni semut, diperlukan

beberapa variabel dan langkah-langkah untuk

menentukan jalur terpendek, yaitu (Lestari dan Sari,

2013):

Langkah 1:

Inisialisasi nilai parameter-parameter algoritma.

Intensitas jejak semut antar titik (τij) dan

perubahannya (∆τij)

Tetapan siklus-semut (Q)

Tetapan pengendali intensitas jejak semut (α)

Tetapan pengendali visibilitas (β).

Visibilitas antar titik (𝜂ij).

Banyak semut (m)

Tetapan penguapan jejak semut (ρ).

Jumlah siklus maksimum (NCmax).

Langkah 2:

Pengisian titik pertama disimpan ke dalam tabu list.

Langkah 3:

Penyusunan jalur kunjungan setiap semut adalah ke

setiap titik. Penyusunan jalur kunjungan menggunakan

persamaan 1:

pijk=

[τij]α

. [ηij]β

∑ [τik']α .[ηik']

β

k'∈{N-tabuk}

untuk j ∈ {N-tabuk} (1) ( (2.1)

pijk = 0, untuk j lainnya

Langkah 4:

Perhitungan panjang jalur setiap semut dilakukan

setelah satu siklus diselesaikan oleh semua semut.

Perhitungan ini menggunakan persamaan 2:

Lk = dtabuk(n), tabuk(1)+

∑ dtabuk(s), tabuk(s+1)n-1

s-1 (2)

Langkah 5: Pencarian rute terpendek

Setelah panjang jalur setiap semut dihitung, akan

diperoleh nilai minimal panjang jalur setiap siklus atau

LminNC dan nilai minimal panjang jalur secara

keseluruhan adalah Lmin.

Langkah 6: Perhitungan perubahan nilai intensitas jejak

kaki semut antar titik.

∆τij = ∑ ∆τ ijkm

k=1 (3)

Dimana : ∆τ ijk =

Q

Lk (4)


30

Langkah 5: Perhitungan nilai intensitas jejak kaki

semut antar titik untuk siklus selanjutnya.

τij= ρ . τij+ ∆τij (5)

Langkah 6:

Pada langkah ini dilakukan pengosongan tabu list, dan

ulangi langkah 2 jika diperlukan. Tabu list perlu

dikosongkan untuk diisi lagi dengan urutan titik yang

baru pada siklus selanjutnya, jika jumlah siklus

maksimum belum tercapai atau belum terjadi

konvergensi (menuju satu titik pertemuan). Algoritma

diulang lagi dari langkah 2 dengan nilai parameter

intensitas jejak kaki semut antar titik yang sudah

diperbaharui.

III. METODE PENELITIAN A. Alur Penelitian

Adapun tahapan penelitian yang dilakukan

diawali dengan melakukan identifikasi masalah yang

terdapat pada PT. XYZ, selanjutnya dilakukan studi

literatur sebagai landasan teori untuk mendukung dan

memperkuat pelaksanaan penelitian. Studi lapangan

juga dilakukan dengan melihat langsung proses

distribusi es kristal milik PT. XYZ. Berdasarkan studi

literatur dan studi lapangan maka perlu dilakukan


algoritma ACO untuk mengoptimasi waktu pengiriman

es kristal yang sesuai dengan perumusan masalah dan

tujuan yang ingin dicapai pada penelitian ini. Secara

umum tahapan pada penelitian ini terbagi menjadi

tahap pendahuluan, pengumpulan data, pengolahan

data, kesimpulan dan saran. Alur penelitian dapat

dilihat pada gambar 2.

Mulai

Perumusan Masalah

Identifikasi Masalah

Studi Literatur Studi Lapangan

Tujuan Penelitian

Data Sekunder:

Data Jumlah

Pelanggan, Data

Jumlah Permintaan,

Data Lokasi

Pelanggan, Data

Jenis dan Kapasitas

Kendaraan

Pengumpulan Data

Perancangan Algoritma Koloni Semut

Verifikasi Algoritma Koloni Semut

Apakah Algoritma

Terverifikasi?

Membuat Kesimpulan dan Saran

Selesai

Pengolahan Data

Kesimpulan dan Saran

Pendahuluan

Ya

Tidak

Analisis Hasil

Data

Primer:

Data Jarak

Tempuh Lokasi

Pelanggan

Contoh Numerik

Hasil Eksperimen dan Komputasi

Gambar 2 Diagram Alir Penelitian

IV. HASIL DAN PEMBAHASAN A. Deskripsi Sistem

PT. XYZ merupakan perusahaan yang

memproduksi es kristal dan berlokasi di Banda Aceh.

Sebelum mendistribusikan produknya, PT. XYZ

menyimpan es kristal dalam cold storage agar es tidak

mencair sampai waktu pengiriman tiba. Objek

penelitian yang dilakukan di PT. XYZ berfokus pada

permasalahan proses distribusi es kristal kepada setiap

pelanggan yang berada di daerah Banda Aceh dan

sekitarnya. Proses distribusi dilakukan untuk mengirim

produk dari depot menuju pelanggan yang tersebar

sesuai permintaan masing-masing pelanggan. Pada

penelitian ini terdapat 222 titik pelanggan yang akan

dilayani yang terdiri dari warung kopi, cafe, dan rumah

makan yang terdapat di daerah Banda Aceh dan

sekitarnya. Setiap titik pelanggan memiliki jarak yang

berbeda terhadap depot.

PT. XYZ menjual es kristal yang dikemas dalam

bungkus plastik dengan berat per bungkus adalah 10

kg, sehingga pada proses distribusi digunakan mobil

box yang dapat menampung 310 bungkus es kristal.

Perusahaan ini memiliki 3 unit mobil dengan tipe dan

ukuran box yang sama (homogen). Proses distribusi

harus dilakukan dalam durasi waktu 5 jam per rute

karena apabila lebih dari waktu tersebut, kualitas es

kristal akan berkurang ditandai dengan bungkus es

yang sudah berair. Es kristal yang terlalu mencair tidak

akan dijual dan dibawa ke pabrik untuk diolah kembali.

B. Perancangan Algoritma ACO

Cara kerja algoritma koloni semut sebelumnya

telah dijelaskan pada bab 2 dimana algoritma bekerja

dengan mengikuti perilaku koloni semut di lingkungan

dalam mencari makan dari sarang ke sumber makanan

menggunakan feromone. Adapun cara kerja algoritma

koloni semut adalah sebagai berikut:

Langkah 1: Inisialisasi parameter dan menentukan

fungsi tujuan.

Langkah 2: Pengisian elemen pertama dalam tabu list.

Langkah 3: Menyusun jalur kunjungan setiap semut.

Langkah 4: Menghitung total waktu tempuh setiap

semut.

Langkah 5: Menentukan rute terpendek

Langkah 6: Perhitungan update feromone

Langkah 7: Penentuan jalur optimal

C. Contoh Numerik Untuk lebih memahami tahapan pengerjaan

algoritma ACO maka dilakukan perhitungan manual

untuk menyelesaikan kasus dengan menggunakan data

hipotetik dengan menggunakan depot dan 9 titik

pelanggan (P0 sampai P9). Berikut langkah-langkah

penyelesaian algoritma koloni semut secara manual.

1. Inisialisasi Parameter yang Digunakan

Tabel 1. Batasan Data Hipotetik

Batasan

Kapasitas Kendaraan 10 bungkus

Durasi Waktu 1 jam

Banyak Pelanggan (n) 9


31

Tabel 2. Parameter Ant Colony

Parameter Ant Colony Nilai

Intensitas jejak semut (τij) 0,5

Tetapan siklus semut (Q) 3

Tetapan pengendali intensitas jejak

semut (α) 1

Tetapan pengendali visibilitas (β) 2

Visibilitas antar pelanggan ( ηij) 1/data

waktu

Banyak semut (m) 3

Tetapan penguapan jejak semut (ρ) 0,5

Jumlah siklus maksimum (NCmax) 10

2. Pengisian Elemen Pertama dalam Tabu List

Langkah selanjutnya dimulai dengan

menempatkan setiap semut hasil inisialisasi ke titik

P0 sebagai titik asal sebelum semut berangkat ke

setiap titik pelanggan.

Tabuk1 (Semut 1) = P0



3. Langkah 3,4, dan 5

Langkah selanjutnya yaitu menyusun rute

perjalanan semut ke setiap titik pelanggan

menggunakan persamaan (1). Setiap semut

melakukan perjalanan secara acak dengan

pertimbangan titik pelanggan tidak pernah dilalui

sebelumnya. Perjalanan semut berlangsung terus

menerus sampai semua batasan telah terpenuhi dan

membentuk suatu jalur.

Tabel 3. Rekapitulasi Perjalanan Ketiga Semut

Sebelum dilakukan perjalanan selanjutnya,

dilakukan pemeriksaan terhadap batasan kapasitas

dan batasan durasi waktu untuk mencegah algoritma

melewati fungsi tujuan. Berdasarkan pengertian dari

travelling salesman problem bahwa perjalanan

dimulai dari titik awal dan berakhir di titik awal maka

dapat diperoleh daftar perjalanan semut dan hasil

pemeriksaan batasan kapasitas ditampilkan pada tabel

4.

Tabel 4. Rekapitulasi Pemeriksaan Kapasitas

Perjalanan Semut

Semut Tabu List Cek

Kapasitas

k1 P0 - P4 - P9 - P2 - P0 11

k2 P0 - P8 - P3 - P5 - P0 10

k3 P0 - P3 - P1 - P8 - P0 9

Warna kuning pada tabel 4 menginformasikan

bahwa hanya solusi dari semut 2 dan semut 3 yang

dapat diterima karena tidak melewati batasan kapasitas

yaitu 10 bungkus es kristal. Karena penyusunan rute

sudah mencapai batasan kapasitas maka selanjutnya

dilakukan pemeriksaan terhadap batasan waktu

tempuh. Adapun persamaan yang digunakan pada

langkah ini adalah persamaan (2).

Lk = dtabuk(n), tabuk(1)+ ∑ dtabuk(s), tabuk(s+1)

n-1

s-1

L1 = d(P0,P4) + d(P4,P9) + d(P9,P2) + d(P2,P0)

= 0,181 + 0,179 + 0,180 + 0,181

= 0,722 jam

L2 = d(P0,P8) + d(P8,P3) + d(P3,P5) + d(P5,P0)

= 0,179 + 0,176 + 0,181 + 0,205

= 0,742 jam

L3 = d(P0,P3) + d(P3,P1) + d(P1,P8) + d(P8,P0)

= 0,181 + 0,169 + 0,172 + 0,179

= 0,703 jam

Tabel 5. Rekapitulasi Pemeriksaan Batasan Durasi

Waktu Perjalanan Semut

Semut Tabu List Cek

Kapasitas

Total

Waktu

(Jam)

k1 P0 - P4 - P9 - P2 - P0 11 0,722

k2 P0 - P8 - P3 - P5 - P0 10 0,742

k3 P0 - P3 - P1 - P8 - P0 9 0,703

Berdasarkan tabel 5 dapat diketahui bahwa tidak

ada solusi yang melewati batasan durasi waktu. Tanda

warna kuning yang terdapat pada tabel 5 merupakan

solusi rute yang dianggap lebih optimal dilihat dari

total waktu tempuh (L3) yang dihasilkan oleh semut.

4. Perhitungan Update Feromone

Nilai parameter intensitas feromon (τij) awal

yang ditentukan adalah 0,5 (langkah 1). Selanjutnya

semut-semut yang melakukan perjalanan antar titik

pelanggan akan meninggalkan feromon, namun karena

adanya penguapan menyebabkan terjadinya perubahan

nilai intensitas feromon antar titik pelanggan.

Perhitungan perubahan nilai intensitas feromon antar

titik dilakukan pada tiap jalur yang dilewati oleh

masing-masing semut. Perhitungan perubahan nilai

intensitas feromon antar titik menggunakan persamaan

(4)sebagai berikut:

∆τ ijk =

Q

Lk

∆τ 0,4,9,21 =

3

0,722= 4,157

∆τ 0,8,3,52 =

3

0,742= 4,045

∆τ 0,3,1,83 =

3

0,703= 4,267

P0 P1 P2 P3 P4 P5 P6 P7 P8 P9

k1 P9 0 0,167 0,161 0,173 0 0,110 0,141 0,100 0,146 0 P2 P0 - P4 - P9 - P2

k2 P3 0 0,170 0,156 0 0,158 0,136 0,145 0,055 0 0,180 P5 P0 - P8 - P3 - P5

k3 P1 0 0 0,191 0 0,206 0,154 0,168 0,119 0 0,162 P8 P0 - P3 - P1 - P8

SemutTitik

Awal

Probabilitas Titik

TerpilihTabu List


32

Hasil perhitungan perubahan feromone antar

titik dapat dilihat pada tabel 6.

Tabel 6. Perubahan Feromone Antar Titik Pelanggan

Pada tabel 6 dapat dilihat perubahan intensitas

feromone pada masing jalur yang dilewati tiap semut.

Warna hijau pada tabel merupakan perubahan

intensitas feromone karena dilewati oleh semut 1.

Warna biru pada tabel merupakan nilai perubahan

intensitas feromone karena dilewati oleh semut 2,

sedangkan warna kuning merupakan nilai perubahan

intensitas feromone yang dilewati oleh semut 3.

Berdasarkan nilai perubahan intensitas feromone antar

titik pelanggan ini dapat diketahui jalur yang

dihasilkan oleh semut 2 merupakan jalur terburuk

karena memiliki nilai intensitas feromone terkecil dan

jalur yang tidak mengalami perubahan intensitas

feromone antar titik pelanggan merupakan jalur yang

tidak dilewati oleh setiap semut.

Setelah rute terbaik diperoleh yaitu rute P0 - P3

- P1 - P8 - P0 dengan total waktu tempuh sebesar 0,703

jam, kemudian dilakukan perhitungan update feromone

yang dilalui semut untuk siklus selanjutnya dengan

jumlah feromone yang baru-baru ditambahkan yaitu

∆τ ijk = 4,267 (nilai feromone tertinggi) menggunakan

persamaan (5).

τij= ρ . τij+ ∆τij

τP0 P3= τP3 P0 = (0,5) (0,5) + 4,267 = 4,517

τP3 P1= τP1 P3 = (0,5) (0,5) + 4,267 = 4,517

τP1 P8= τP8 P1 = (0,5) (0,5) + 4,267 = 4,517

τP8 P0= τP0 P8 = (0,5) (0,5) + 4,267 = 4,517

Tabel 7. Perubahan Feromon antar Titik untuk Siklus

Selanjutnya

Pada tabel 7 nilai yang diberi tanda kuning

merupakan rute terbaik dari siklus pertama. Rute ini

akan disimpan dan akan dikeluarkan jika tidak

ditemukan rute terbaik oleh perjalanan semut pada

siklus selanjutnya. Namun jika total waktu tempuh

pada siklus selanjutnya lebih kecil maka feromone

akan terus diperbaharui kembali. Update feromone

akan terus dilakukan sampai jumlah iterasi yang telah

ditentukan yaitu 10 iterasi.

5. Penentuan Jalur Optimal

Dari tabel 7 untuk siklus selanjutnya dapat

diketahui bahwa semut yang ada di titik P0 akan

cenderung lebih memilih titik P3 atau P8. Semut

yang ada di titik P1 akan cenderung untuk memilih

titik P3 atau P8 dibandingkan tiik lainnya, hal ini

karena titik tersebut memiliki feromone yang lebih

besar dibandingkan dengan titik lainnya. Pada siklus

selanjutnya dilakukan pengosongan tabu list dan

ulangi langkah 2. Jika jumlah siklus maksimum

belum tercapai atau belum terjadi konvergensi

(menemukan nilai optimal), algoritma diulang lagi

dari langkah dua dengan nilai parameter intensitas

feromone antar titik yang sudah diperbaharui.

Apabila sudah terjadi konvergensi maka tahapan

algoritma koloni semut selesai. Pada pencarian secara

manual ini hanya terbatas untuk siklus pertama.

D. Hasil Eksperimen

Sistem distribusi PT. XYZ sebelumnya telah

dijelaskan pada deskripsi sistem. Pada kasus ini

pelanggan yang terdapat di 222 titik lokasi yang

berbeda memiliki permintaan yang bervariasi. Total

permintaan dari 222 pelanggan tersebut adalah 685

bungkus es kristal. PT. XYZ memiliki 3 unit kendaraan

berkapasitas 310 bungkus yang digunakan untuk

mengantar permintaan pelanggan. Untuk

menyelesaikan masalah yang terjadi di PT. XYZ

dilakukan penentuan rute distribusi untuk memenuhi

setiap permintaan pelanggan dengan menggunakan

metode metaheuristik yaitu algoritma koloni semut.

Adapun batasan dan parameter yang digunakan pada

kasus PT. XYZ terdapat pada tabel 8 dan 9.

Tabel 8. Batasan Penelitian

Batasan

Kapasitas Kendaraan 310 bungkus

Durasi Waktu 5 jam

Tabel 9. Parameter Ant Colony untuk Penelitian

Parameter Ant Colony Nilai

Intensitas jejak semut (τij) 0,5

Tetapan siklus semut (Q) 3

Tetapan pengendali intensitas jejak

semut (α) 1

Tetapan pengendali visibilitas (β) 2

Visibilitas antar pelanggan ( ηij) 1/data waktu

Banyak semut (m) 222

Tetapan penguapan jejak semut (ρ) 0,5

Jumlah siklus maksimum (NCmax) 100

Feromon P0 P1 P2 P3 P4 P5 P6 P7 P8 P9

P0 0 0,500 4,157 4,267 4,157 4,045 0,500 0,500 4,267 0,500

P1 0,500 0 0,500 4,267 0,500 0,500 0,500 0,500 4,267 0,500

P2 4,157 0,500 0 0,500 0,500 0,500 0,500 0,500 0,500 4,157

P3 4,267 4,267 0,500 0 0,500 4,045 0,500 0,500 4,045 0,500

P4 4,157 0,500 0,500 0,500 0 0,500 0,500 0,500 0,500 4,157

P5 4,045 0,500 0,500 4,045 0,500 0 0,500 0,500 0,500 0,500

P6 0,500 0,500 0,500 0,500 0,500 0,500 0 0,500 0,500 0,500

P7 0,500 0,500 0,500 0,500 0,500 0,500 0,500 0 0,500 0,500

P8 4,267 4,267 0,500 4,045 0,500 0,500 0,500 0,500 0 0,500

P9 0,500 0,500 4,157 0,500 4,157 0,500 0,500 0,500 0,500 0

Feromon P0 P1 P2 P3 P4 P5 P6 P7 P8 P9

P0 0 0,500 0,500 4,517 0,500 0,500 0,500 0,500 4,517 0,500

P1 0,500 0 0,500 4,517 0,500 0,500 0,500 0,500 4,517 0,500

P2 0,500 0,500 0 0,500 0,500 0,500 0,500 0,500 0,500 0,500

P3 4,517 4,517 0,500 0 0,500 0,500 0,500 0,500 0,500 0,500

P4 0,500 0,500 0,500 0,500 0 0,500 0,500 0,500 0,500 0,500

P5 0,500 0,500 0,500 0,500 0,500 0 0,500 0,500 0,500 0,500

P6 0,500 0,500 0,500 0,500 0,500 0,500 0 0,500 0,500 0,500

P7 0,500 0,500 0,500 0,500 0,500 0,500 0,500 0 0,500 0,500

P8 4,517 4,517 0,500 0,500 0,500 0,500 0,500 0,500 0 0,500

P9 0,500 0,500 0,500 0,500 0,500 0,500 0,500 0,500 0,500 0


33

Tabel 10. Rekapitulasi Hasil Algoritma Koloni Semut

Berdasarkan tabel 10 diperoleh hasil urutan rute

yang lebih optimal dilihat dari total waktu tempuh yang

dibutuhkan adalah 2,8077 jam. Nilai ini menunjukan

bahwa terjadi pengurangan waktu tempuh sebesar

2,1923 jam atau sebesar 43,85 % dari fungsi tujuan

yaitu 5 jam. Waktu ini menunjukkan bahwa kualitas es

kristal masih tetap terjaga pada saat sampai kepada

pelanggan. Waktu komputasi yang dibutuhkan oleh

algoritma koloni semut untuk memperoleh solusi akhir

adalah 192,7938 detik.

Berdasarkan tabel 4.19 dapat diketahui bahwa

kendaraan 1 akan melayani sebanyak 109 pelanggan

dengan kapasitas maksimal yaitu 310 bungkus es

kristal. Kendaraan 2 akan melayani sebanyak 93

pelanggan dengan membawa 310 bungkus es kristal.

Sedangkan kendaraan 3 melayani pelanggan paling

sedikit yaitu sebanyak 20 pelanggan dengan jumlah

bungkus es kristal yang harus dibawa adalah 65

bungkus. Angka 1 yang terdapat di awal dan di akhir

rute menginformasikan bahwa kendaraan selalu

berangkat dan kembali ke PT. XYZ setelah melakukan

pengiriman

V. KESIMPULAN DAN SARAN A. Kesimpulan

Berdasarkan penelitian yang telah dilakukan

maka diperoleh beberapa kesimpulan sebagai berikut:

1. Solusi yang dihasilkan oleh algoritma koloni

semut mampu menyelesaikan permasalahan pada

proses distribusi es kristal di PT. XYZ dan terjadi

penghematan waktu sebesar 2,1923 jam atau ± 45

% dari fungsi tujuan untuk pengiriman per hari.

Dimana awalnya proses distribusi es kristal PT.

XYZ dapat berlangsung selama 5 sampai 6 jam

per trip setiap harinya.

2. Berdasarkan uji sensitivitas dapat diketahui

parameter-parameter dari algoritma koloni semut

yang sangat mempengaruhi solusi atau rute yang

dihasilkan baik dari segi waktu tempuh maupun

waktu komputasi. Parameter intensitas jejak

semut antar titik (τij) tidak terlalu mempengaruhi

baik dari segi waktu tempuh maupun waktu

komputasi. Tetapan pengendali intensitas jejak

semut (α) dan tetapan pengendali visibilitas (β)

sangat mempengaruhi hasil waktu tempuh dan

waktu komputasi. Sedangkan jumlah semut (m)

lebih mempengaruhi waktu komputasi dan

tetapan penguapan jejak semut (ρ) lebih

mempengaruhi waktu tempuh.

B. Saran

Berikut ini merupakan beberapa saran yang dapat

penulis berikan dari hasil penelitian yang telah

dilakukan:

1. Pada penelitian ini jenis kendaraan bersifat

homogen sehingga tidak dapat diterapkan pada

perusahaan yang menggunakan ukuran kendaraan

berbeda. Penelitian lanjutan dapat dilakukan

dengan penentuan rute distribusi es kristal

menggunakan jenis kendaraan yang berbeda

(heterogen) atau disebut juga Heterogeneous

Fleet Vehicle Routing Problem menggunakan

algoritma koloni semut.

2. Untuk penelitian selanjutnya dapat dilakukan


algoritma koloni semut dengan

mempertimbangkan kemacetan jalan dan

banyaknya lampu lalu lintas.

UCAPAN TERIMA KASIH Ucapan terima kasih kepada pihak perusahaan yang

telah memudahkan penulis dalam pengumpulan data

dan terima kasih kepada dosen pembimbing yang telah

memberikan masukan dan membimbing penulis.

DAFTAR PUSTAKA [1] Bell, J. E. and Griffis, S. E. ‘Swarm Intelligence :

Application of The Ant Colony Optimization

Algorithm to Logistics-Oriented Vehicle Routing

Problems’, 31(2), pp. 157–176. 2010

[2] Berlianty, I. and Arifin, M. Teknik-Teknik

Optimasi Heuristik. 1st edn. Yogyakarta: Graha

Ilmu. 2010

[3] Bianca, L. ‘Sistem Rantai Dingin (Cold Chain)

dalam Implementasi Sistem Logistik Ikan

Nasional (SLIN)’. 2016

[4] Bin, Y., Zhong-zhen, Y. and Baozhen, Y. ‘An

Improved Ant Colony Optimization for Vehicle

Routing Problem’, European Journal of

Operational Research. Elsevier B.V., 196(1), pp.

171– 176. 2009

[5] Ding, Q. et al. ‘Neurocomputing An Improved

Ant Colony Optimization And Its Application to

Vehicle Routing Problem With Time Windows’,

Neurocomputing. Elsevier, 98, pp.101–107. 2012

[6] Hadhiatma, A. and Purbo, A. ‘Vehicle Routing

Problem untuk Distribusi Barang Menggunakan

Algoritma Semut’, (1996), pp. 35–40. 2014

[7] Hillier, F. S. International Series in Operations

Research & Management Science Series. 2010

[8] Hutasoit, C. S., Susanty, S. and Imran, A.

‘Penentuan Rute Distribusi Es Balok

Menggunakan Algoritma Nearest Neighbour dan

Local Search’, 2(2), pp. 268–276. 2014

[9] Lestari, H. P. and Sari, E. R. S. ‘Penerapan

Algoritma Koloni Semut untuk Optimisasi Rute

Distribusi Pengangkutan Sampah di Kota

Kendaraan Rute Algoritma Koloni SemutWaktu Tempuh

(Jam)

Kapasitas

Angkut

(bungkus)

1

1 - 19 - 18 - 16 - 12 - 17 - 14 - 15 - 22 - 8 - 23 - 21 - 30 - 29 - 41 - 36 - 39 - 40 - 31 -

32 - 33 - 37 - 48 - 6 - 10 - 7 - 11 - 5 - 4 - 2 - 9 - 3 - 25 - 207 - 206 - 205 - 203 - 209 -

208 - 204 - 214 - 53 - 220 - 222 - 221 - 223 - 219 - 217 - 216 - 215 - 122 - 120 - 121

- 118 - 156 - 104 - 158 - 101 - 96 - 94 - 91 - 92 - 89 - 111 - 124 - 125 - 126 - 128 -

131 - 129 - 133 - 130 - 132 - 139 - 141 - 138 - 135 - 134 - 95 - 103 - 97 - 99 - 100 -

98 - 102 - 119 - 153 - 154 - 155 - 165 - 166 - 167 - 168 - 172 - 171 - 170 - 169 - 112

- 113 - 108 - 107 - 110 - 123 - 114 - 160 - 162 - 159 - 161 - 88 - 90 - 1

310

2

1 - 86 - 87 - 84 - 85 - 83 - 77 - 79 - 82 - 78 - 72 - 74 - 75 - 76 - 71 - 49 - 47 - 46 - 44 -

50 - 52 - 51 - 26 - 27 - 38 - 28 - 24 - 20 - 13 - 200 - 201 - 202 - 42 - 34 - 35 - 55 - 63

- 59 - 62 - 73 - 106 - 117 - 109 - 115 - 116 - 157 - 105 - 80 - 68 - 69 - 70 - 147 - 148

- 145 - 149 - 150 - 152 - 151 - 163 - 1646 - 177 - 179 - 178 - 174 - 173 - 188 - 184 -

183 - 182 - 176 - 190 - 189 - 192 - 191 - 175 - 93 - 146 - 137 - 142 - 140 - 143 - 144

- 136 - 127 - 58 - 57 - 65 - 81 - 45 - 43 - 212 - 213 - 210 - 211 - 1

310

31 - 197 - 196 - 194 - 195 - 193 - 199 - 198 - 180 - 186 - 181 - 185 - 187 - 61 - 67 -

64 - 56 - 54 - 60 - 66 - 218 - 165

2,8077


34

Yogyakarta’, J. Sains Dasar 2013 Indonesia,

2(1), pp. 13–19. 2013

[10] Rini, A., Susanty, S. and Nurdiansyah, Y. ‘Usulan

Perbaikan Rute Pendistribusian Ice Tube

Menggunakan Metode Nearest Neighbour Dan

Genetic Algorithm *’, 3(4), pp. 401–410. 2015

[11] Rusdiana, S. ‘Designing Application of Ant

Colony System Algorithm for The Shortest Route

of Banda Aceh City dan Aceh Besar Regency

Tourism by Using Graphical User Interface

Matlab’, 17(2). 2017

[12] Suprayogi dan Mahaputra,M.S. ‘Pemecahan

Masalah Rute Kendaraan Dengan Trip Majemuk,

Jendela Waktu Dan Pengantaran-Penjemputan

Simultan Menggunakan Algoritma Genetika’,

12(2), pp. 95–104. 2017 [13] Wirdianto, E. and Regenie, D. ‘Aplikasi

Algoritma Hybrid dalam Penentuan Rute

Pendistribusian Produk (Studi Kasus : PT.

Enseval Putera Megatrading )’, pp. 171–180.

2016

[14] Zhang, X. and Tang, L. ‘A New Hybrid Ant

Colony Optimization Algorithm For The Vehicle

Routing Problem’, Pattern Recognition Letters.

Elsevier B.V., 30(9), pp. 848–855. 2009

BIODATA PENULIS

Penulis 1

Nama : Cut Tria Fitri

Tempat/Tgl Lahir: Banda Aceh/15-03-1996

Pekerjaan : Mahasiswa

NIM : 1404106010007

Alamat : Tanjung Selamat, Aceh Besar

HP : 081398918873

Email : [email protected]

Penulis 2

Nama : Andriansyah, S.T

Pekerjaan : Staf Pengajar Jurusan Teknik Mesin

dan Industri


Penulis 3

Nama : Prima Denny Sentia

Pekerjaan : Staf Pengajar Jurusan Teknik Mesin

dan Industri


mailto:[email protected]



prosiding seminar nasional teknologi rekayasa (sntr) 5

Documents