PENENTUAN KOMBINASI OPTIMUM JUMLAH, BERAT, DAN WAKTU TAMBAT KAPAL DI PT (PERSERO) PELABUHAN INDONESIA III GRESIK MENGGUNAKAN ALGORITMA GENETIKA

LOGO PENENTUAN KOMBINASI OPTIMUM JUMLAH, BERAT, DAN WAKTU TAMBAT KAPAL DI PT (PERSERO) PELABUHAN INDONESIA III GRESIK MENGGUNAKAN ALGORITMA GENETIKA

Oleh : Aris Saputro 1206100714

Pembimbing : Dr. M. Isa Irawan, MT

JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2010

ABSTRAK LALU LINTAS KAPAL SEMAKIN PADAT

PENGELOLAAN DERMAGA PELABUHAN

ALGORITMA GENETIKA

PENENTUAN KOMBINASI OPTIMUM JUMLAH,BERAT DAN WAKTU TAMBAT KAPAL

PENDAPATAN JASA TAMBAT YANG OPTIMAL

PENDAHULUAN LATAR BELAKANG

PELABUHAN GRESIK

PERHITUNGAN TARIF TAMBAT

TUJUAN

KEPADATAN LALU LINTAS KAPAL SEMAKIN PADAT

KAPASITAS DERMAGA TERBATAS

PENDAPATAN JASA TAMBAT BELUM OPTIMAL

OPTIMASI PENGELOLAAN PELABUHAN


PELABUHAN GRESIK


TUJUAN

PELABUHAN GRESIK

DERMAGA NUSANTARA ( 335 M )

DERMAGA TALUD TEGAK ( 310 M )

DERMAGA PELRA ( 670 M )


PELABUHAN GRESIK


TUJUAN

PERHITUNGAN TARIF TAMBAT KAPAL

tarif jasa tambat = {Gross Tonage (GT) kapal . masa tambat I kapal (etmal) . T. 100%} + {Gross Tonage (GT) kapal . masa tambat II kapal (etmal) . T . 200% } T = tarif jasa tambat per GT kapal, dimana tarif saat ini adalah Rp. 38,00.


PELABUHAN GRESIK


TUJUAN

Membuat model yang dapat digunakan sebagai antisipasi perkembangan layanan bongkar muat kapal di masa yang akan datang yang saat ini ditandai terlihat kecenderungan yang meningkat untuk mengoptimalkan pendapatan jasa tambat PT Pelindo cabang Gresik dengan cara penentuan kombinasi optimum dari jumlah kapal, berat kapal, panjang kapal dan waktu tambat kapal menggunakan algoritma genetika.

ANALISIS PROSES OPTIMASI KOMBINASI JUMLAH, BERAT, DAN WAKTU TAMBAT KAPAL DARI SUATU DERMAGA LURUS

PEMBAGIAN DERMAGA

FUNGSI OBYEKTIF ALGORITMA GENETIKA

FLOWCHART OPTIMASI JUMLAH KAPAL

Program optimasi ini dilakukan dengan membagi tiga dermaga berbeda yang terdapat di pelabuhan Gresik. Hal ini dikarenakan bentuk dermaga pelabuhan Gresik yang tidak beraturan. Adapun pembagian 3 dermaga tersebut antara lain : •dermaga nusantara •dermaga pelra(pelayaran rakyat) •dermaga talud tegak Pengelompokan data kapal perlu dilakukan sebagai data masukan untuk melakukan optimasi suatu dermaga. Penggolongan kapal yang akan bertambat di suatu dermaga ditentukan berdasarkan jenis muatan dari kapal tersebut.


PEMBAGIAN DERMAGA


Inisialisasi Variabel setiap kapal memiliki 3 variabel yang akan dijadikan parameter optimasi yaitu : x = panjang kapal / LOA (meter) y = berat kapal (ton) z = waktu tambat rata-rata kapal (etmal)

Dan variabel yang lain : m = masa tambat I kapal c = tarif tambat kapal per GT kapal n = jumlah kapal


Fungsi Obyektif

Karena tarif tambat kapal per GT kapal berbanding lurus dengan berat dan waktu tambat, maka nilai produksi tambat kapal dapat diperoleh dengan menghapuskan variable tarif tambat kapal (c).


PEMBAGIAN DERMAGA



ANALISIS ALGORITMA GENETIKA INISIALISASI POPULASI

FUNGSI FITNESS

SELEKSI

CROSS OVER

MUTASI

ELITISME

Dalam Algoritma genetika ini setiap kromosom terdiri dari sejumlah gen. Kromosom mempresentasikan konfigurasi kapal yang memungkinkan bertambat pada suatu dermaga. Gen mempresentasikan nomor indeks kapal didalam data kapal yang akan bertambat di suatu dermaga.

No indeks kapal dari data kapal

24 92 31 8 42 21 99 91 25 55


FUNGSI FITNESS

SELEKSI

nilai fitness dari optimasi ini didefinisikan sebagai fungsi berikut :

Dimana : n = jumlah kapal

CROSS OVER

MUTASI

ELITISME

Setiap kromosom selain memiliki nilai fitness juga menyimpan nilai sisa panjang dermaga dari setiap konfigurasi kapal di dermaga dari representasi didalam kromosom tersebut. Sedangkan perhitungan sisa panjang dermaga dari setiap konfigurasi kapal:

masa tambat I kapal yang ke- i (etmal) = berat kapal (ton) = waktu tambat kapal rata-rata (etmal)

Dimana : = panjang kapal / Length Over All / LOA (meter)


FUNGSI FITNESS

SELEKSI

CROSS OVER

MUTASI

ELITISME

Pada pembahasan tugas akhir ini, metode seleksi yang digunakan adalah roulette wheel Konstruksi Roulette wheel adalah sebagai berikut :

 Menghitung nilai fitness untuk tiap kromosom ( i = 1, . . , popsize)  Menghitung nilai total fitness, popsize

F

f (v i ) i 1

 Menghitung nilai probabilitas untuk setiap kromosom Pi f (vi ) / F (i = 1, 2, . . . , popsize)  Menghitung probabilitas komulatif untuk setiap kromosom

 Melakukan proses seleksi dengan tahapan sebagai berikut : » membangkitkan bilangan r secara acak (float) pada range [ 0,1] » jika r < q1 maka kromosom pertama akan terpilih » jika qi 1 r qi maka kromosom yang ke – i yang terseleksi


FUNGSI FITNESS

SELEKSI

CROSS OVER

MUTASI

ELITISME

Pada tugas akhir ini akan digunakan metode Partial Mapped Crossover (PMX).

Prosedur Partial Mapped Crossover (PMX) sebagai berikut : • Menentukan posisi dua titik crossover sepanjang kromosom (string) secara random. Substring yang dibatasi oleh dua titik crossover disebut mapping section. Parent 1

1

2

3

4

5

6

7

8

9

10

Parent 2

5

4

6

9

2

1

7

8

3

10

Sub string

Mapping Section

Sub string

• Memindahkan dua substring-substring antara dua orang tua (parents) untuk menghasilkan proto-child. Proto-child 1

1

Proto-child 2

5

2 4

6 3

9 4

2 5

1 6

7 7

8 8

9 3

• Menentukan “mapping relationship” antara dua mapping section. 6

9

2

1

3

4

5

6

1 2

6 5

9

4

3

• Menentukan kromosom anak (offstring) berdasarkan mapping relationship. offstring 1

3

5

6

9

2

1

7

8

4

10

offstring 2

2

9

3

4

5

6

7

8

1

10

10 10


FUNGSI FITNESS

SELEKSI

CROSS OVER

MUTASI

ELITISME

Mutasi dikenakan pada suatu gen jika suatu bilangan random [0,1) yang dibangkitkan kurang dari probabilitas mutasi. Biasanya nilai probabilitas mutasi berkisar antara 0,005 – 0,01. Pada program ini probabilitas mutasi sebesar 0,005 Mutasi dilakukan dengan mengacak kembali nilai 1- N, dimana N adalah jumlah data kapal yang tersimpan. Jika nilai yang dihasilkan dari pengambilan acak tersebut telah dimiliki oleh gen yang lain dalam satu kromosom yang sama, maka dilakukan pengambilan acak sekali lagi.


FUNGSI FITNESS

SELEKSI

CROSS OVER

MUTASI

ELITISME

Karena seleksi dilakukan secara random, maka tidak ada jaminan bahwa suatu kromosom / individu bernilai fitness tertinggi akan selalu terpilih. Kalaupun individu bernilai fitness tertinggi terpilih, mungkin saja individu tersebut akan rusak (nilai fitnessnya menurun) karena proses crossover. Untuk menjaga agar individu bernilai fitness tertinggi tersebut tidak hilang selama evolusi, maka perlu dibuat satu atau beberapa kopinya. Prosedur ini dikenal sebagai Elitisme.

ANALISIS PENYELESAIAN TEKNIK OPTIMASI TEKNIK OPTIMASI DI DERMAGA NUSANTARA

TEKNIK OPTIMASI DI DERMAGA TALUD TEGAK

OPTIMASI PADA DERMAGA LURUS 70 M

TEKNIK OPTIMASI DI DERMAGA PELRA


HASIL OPTIMASI KOMBINASI DARI JUMLAH, BERAT, DAN WAKTU TAMBAT KAPAL DI DERMAGA NUSANTARA






HASIL OPTIMASI KOMBINASI DARI JUMLAH, BERAT, DAN WAKTU TAMBAT KAPAL DI DERMAGA TALUD TEGAK




OPTIMASI PADA DERMAGA LURUS (180- 30)=150 M

OPTIMASI PADA DERMAGA LURUS (180- 30)=150 M

OPTIMASI PADA DERMAGA LURUS 290 M (LOA KAPAL <=30 M)

HASIL OPTIMASI KOMBINASI DARI JUMLAH, BERAT, DAN WAKTU TAMBAT KAPAL DI DERMAGA PELRA

ANALISIS PENJADWALAN KAPAL

PENGUJIAN SISTEM PENGUJIAN PROGRAM

UJI COBA OPTIMASI DI DERMAGA NUSANTARA

UJI COBA OPTIMASI DI DERMAGA TALUD TEGAK

Uji coba pada perangkat lunak dalam Tugas Akhir ini dilakukan pada data sekunder dari PT Pelindo III tentang data lalu lintas kapal di pelabuhan Gresik periode Januari 2008 hingga Agustus 2009.

Dari data tersebut diperoleh data berat kapal (GT), data panjang (LOA) atau lebar kapal, waktu tambat kapal di pelabuhan. Sedangkan untuk memperoleh data waktu berlayar kapal dilakukan dengan memilih kapal yang pernah bertambat dua kali dari data lalu lintas kapal tersebut. Waktu berlayar kapal diambil dari rata-rata selisih waktu kapal keluar dari tambatan dan waktu kapal bertambat kembali.

UJI COBA OPTIMASI DI DERMAGA PELRA

EVALUASI

Tujuan dari uji coba ini untuk mendapatkan hasil kombinasi optimum dari jumlah, berat, dan waktu tambat kapal yang bertambat di masing-masing dermaga dengan melihat pendapatan jasa tambat yang diperoleh PT Pelindo ketika menggunakan penjadwalan kapal selama enam bulan.





EVALUASI

Uji coba penjadwalan dilakukan menggunakan algoritma genetika dengan mengambil nilai-nilai parameter untuk inisialisasi populasi dan tarif jasa tambat sebagai berikut: Ukuran Populasi : 100 Jumlah Minimum Generasi : 1000 Tarif jasa tambat : Rp 38,00

Hasil Pendapatan jasa tambat dari proses penjadwalan kapal di dermaga nusantara selama 6 bulan pertama

Bulan ke1

Pendapatan jasa tambat nusantara Rp. 10.986.693,00

2

Rp. 5.728.443,00

3

Rp. 10.553.284,00

4

Rp. 6.218.586,00

5

Rp. 8.314.818,00

6

Rp. 6.945.032,00





EVALUASI

Uji coba penjadwalan dilakukan menggunakan algoritma genetika dengan mengambil nilai-nilai parameter untuk inisialisasi populasi dan tarif jasa tambat sebagai berikut: Ukuran Populasi : 100 Jumlah Minimum Generasi : 1000 Tarif jasa tambat : Rp 38,00 Hasil pendapatan jasa tambat dari proses penjadwalan kapal di dermaga talud tegak selama 6 bulan pertama

Bulan ke1

Pendapatan jasa tambat talud tegak Rp. 23.019.374,00

2

Rp. 9.640.239,00

3

Rp. 9.311.197,00

4

Rp. 8.678.098,00

5

Rp. 7.231.799,00

6

Rp. 9.442.031,00





EVALUASI

Uji coba optimasi dilakukan dengan algoritma genetika dengan mengambil nilai-nilai parameter untuk inisialisasi populasi dan tarif jasa tambat sebagai berikut: Ukuran Populasi : 100 Jumlah Minimum Generasi : 1000 Tarif jasa tambat : Rp 38,00 Hasil pendapatan jasa tambat dari proses penjadwalan kapal di dermaga pelra selama 6 bulan pertama.

Bulan ke1

Pendapatan jasa tambat pelra Rp. 52.116.867,00

2

Rp. 19.135.204,00

3

Rp. 24.063.310,00

4

Rp. 29.937.445,00

5

Rp. 29.513.802,00

6

Rp. 25.647.967,00





EVALUASI

Pendapatan jasa tambat hasil optimasi untuk penjadwalan kapal 6 bulan pertama Bulan ke1 2 3 4 5 6

Pendapatan jasa tambat pelra Rp. 52.116.867,00 Rp. 19.135.204,00 Rp. 24.063.310,00 Rp. 29.937.445,00 Rp. 29.513.802,00 Rp. 25.647.967,00

Pendapatan jasa tambat nusantara Rp. 10.986.693,00 Rp. 5.728.443,00 Rp. 10.553.284,00 Rp. 6.218.586,00 Rp. 8.314.818,00 Rp. 6.945.032,00

Pendapatan jasa tambat talud tegak Rp. 23.019.374,00 Rp. 9.640.239,00 Rp. 9.311.197,00 Rp. 8.678.098,00 Rp. 7.231.799,00 Rp. 9.442.031,00

Total jasa pendapatan jasa tambat Rp. 86.122.934,00 Rp. 34.503.886,00 Rp. 43.927.791,00 Rp. 44.834.129,00 Rp. 45.060.419,00 Rp. 42.035.030,00

nilai pendapatan jasa tambat maksimal per bulan selama periode Januari 2008- Agustus 2009 adalah Rp. 65.695.474,00. Sedangkan pendapatan jasa tambat maksimal dari hasil optimasi adalah Rp. 86.122.934,00. Sehingga seharusnya kalau metode ini digunakan akan didapatkan kenaikan keuntungan setelah dioptimasi adalah Rp. 20.427.460,00 untuk bulan pertama.

1

Dari tabel pendapatan jasa tambat hasil optimasi selama enam bulan menunjukkan nilai pendapatan jasa tambat hasil optimasi masih lebih besar dibandingkan dengan nilai pendapatan jasa tambat PT Persero Pelabuhan Indonesia II Gresik selama Januari 2008-Agustus 2009.

2

PENUTUP KESIMPULAN

1 Algoritma genetika dapat digunakan sebagai metode dalam menentukan kombinasi optimum dari jumlah, berat, dan waktu tambat kapal dalam suatu dermaga. Dengan mengambil memberikan nilai ukuran populasi dan jumlah pembangkitan generasi, sistem optimasi ini akan berjalan dengan mengaplikasikan algoritma genetika berulang kali mengoptimasi dermaga sampai didapatkan sisa panjang dermaga yang minimal hingga tidak dapat dipakai sebagai tambatan kapal.

SARAN

2 hasil pendapatan dari proses optimasi lebih besar dari nilai maksimal dari data pendapatan PT Pelindo cabang Gresik.

PENUTUP KESIMPULAN

1 Salah satu kelemahan algoritma genetika adalah waktu perhitungan yang relatif lama, sehingga proses optimasi jumlah, berat dan waktu tambat kapal yang menggunakan algoritma genetika berulang-ulang membutuhkan running time cukup lama. Jadi saran untuk pengembangan Tugas Akhir ini adalah penggunaan metode nondeterministik yang lain untuk proses optimalisasi.

SARAN

2 Diharapkan untuk penelitian selanjutnya dapat dikembangkan untuk mengoptimasi waktu tambat setiap kapal yang akan bertambat di dermaga.

DAFTAR PUSTAKA 1) 2) 3) 4) 5) 6)

7) 8) 9) 10) 11)

12)

13)

Dahuri, R. 2004. Pengelolaan Sumber Daya Wilayah Pesisir dan Lautan Secara Terpadu, Edisi Revisi. Pradnya Paramita. Jakarta. Nasution, N.M. 2004. Manajemen Transportasi. Edisi Kedua, Ghalia Indonesia. Jakarta. Gen, Mitsuo., Cheng, R. 1997. Genetic Algorithms and Engineering Design. John Wiley and Son. NewYork. Hermawanto, D. Tutorial Algoritma Genetika. Suyanto. 2005. Algoritma Genetika dalam MATLAB. Penerbit ANDI. Yogyakarta. Direksi PT (Persero) Pelabuhan Indonesia III. 2000. Keputusan Direksi Nomor: KEP.13/PJ.5.03/P.III-2000 tentang Tarif Pelayanan Jasa Kapal di Lingkungan PT (Persero) Pelabuhan Indonesia III. Surabaya. PT (Persero) Pelindo III. Profil Pelabuhan Gresik. Clark, J.R. 1992. Integrated Management of Coastal Zones. FAO Fisheries Technical Paper. No. 327. Rome, Italy. Louis J. Sushi. 1993. Genetic Algorithm as a Computational Tool for Design. Goldstein M. Jonathan. 1991. Genetic Algorithm Simulation of the SHOP Schedulling Problem. ICMS/Shell Oil Business Consultancy Aswoyo B. 2006. Aplikasi Algoritma Genetika dalam Optimasi Pancaran Link Radio Komunikasi Berbasis Antena Array Empat Elemen. Seminar Ilmiah Nasional Komputer dan Sistem Intelejen (KOMMIT 2006). Depok. Widyastutik N, Ratnawati A, Nurcahyani R. 2008. Optimasi Penjadwalan Kegiatan Belajar Mengajar Dengan Algoritma Genetika. Skripsi Jurusan Matematika Universitas Sebelas Maret Surakarta. Ridwan. September 2009. Priok Masih Terancan Stagnan, Kepadatan Peti Kemas diatas 90%.

LOGO

Terima Kasih…

PENENTUAN KOMBINASI OPTIMUM JUMLAH, BERAT, DAN WAKTU TAMBAT KAPAL DI PT (PERSERO) PELABUHAN INDONESIA III GRESIK MENGGUNAKAN ALGORITMA GENETIKA

Recommend Documents