prosiding seminar nasional teknologi rekayasa (sntr) 5
TRANSCRIPT
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.
Prosiding Seminar Nasional Teknologi Rekayasa (SNTR) 5 tahun 2018
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.
Prosiding Seminar Nasional Teknologi Rekayasa (SNTR) 5 tahun 2018
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
Prosiding Seminar Nasional Teknologi Rekayasa (SNTR) 5 tahun 2018
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
Prosiding Seminar Nasional Teknologi Rekayasa (SNTR) 5 tahun 2018
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
Prosiding Seminar Nasional Teknologi Rekayasa (SNTR) 5 tahun 2018
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)
Prosiding Seminar Nasional Teknologi Rekayasa (SNTR) 5 tahun 2018
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)
Prosiding Seminar Nasional Teknologi Rekayasa (SNTR) 5 tahun 2018
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
penentuan rute distribusi es kristal menggunakan
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
Prosiding Seminar Nasional Teknologi Rekayasa (SNTR) 5 tahun 2018
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
Tabuk2 (Semut 2) = P0
Tabuk3 (Semut 3) = 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
Prosiding Seminar Nasional Teknologi Rekayasa (SNTR) 5 tahun 2018
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
Prosiding Seminar Nasional Teknologi Rekayasa (SNTR) 5 tahun 2018
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
penentuan rute distribusi es kristal menggunakan
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
Prosiding Seminar Nasional Teknologi Rekayasa (SNTR) 5 tahun 2018
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
Email : [email protected]
Penulis 3
Nama : Prima Denny Sentia
Pekerjaan : Staf Pengajar Jurusan Teknik Mesin
dan Industri
Email : [email protected]