PENDAHULUAN Latar Belakang Pada saat sekarang ini, setiap perusahaan yang ingin tetap bertahan dalam persaingan dengan perusahaan lainnya, harus bisa membuat semua lini proses bisnis perusahaan tersebut berjalan lebih efektif dan efisien. Perusahan tersebut harus bisa mengintegrasikan semua arus informasi, barang dan jasa mulai dari pemasok sampai ke konsumen. Proses integrasi ini akan menjadi andalan bagi suatu perusahaan sehingga diharapkan akan menambah keuntungan perusahaan. Proses integrasi ini dikenal dengan istilah Supply Chain Management. Supply chain management akan meningkatkan daya saing perusahaan. Salah satu faktor utama yang merupakan bagian dari supply chain management adalah supply chain network. Supply chain network terdiri atas dua bagian utama yaitu lokasi produksi dan proses distribusi. Penentuan lokasi produksi merupakan faktor yang sangat penting karena akan berhubungan dengan proses pemasaran dan pelayanan terhadap permintaan konsumen. Lokasi produksi yang tepat dapat meningkatkan kinerja perusahaan, sedangkan proses distribusi berhubungan dengan penyebaran informasi, barang dan jasa dari produsen ke konsumen. Proses distribusi harus memperhatikan penentuan jalur distribusi yang tepat. Penentuan jalur distribusi berkaitan dengan jarak tempuh dan waktu tempuh. Jalur distribusi yang tepat dapat mengoptimalkan proses distribusi. Oleh karena itu, dibutuhkan sebuah perancangan supply chain network yang baik, agar perusahaan dapat melakukan proses bisnis dengan lebih efektif dan efisien sehingga dapat meningkatkan kinerja perusahaan. Penelitian ini akan merancang supply chain network yang berfokus pada bagian proses distribusi yang dapat digunakan untuk mencari rute optimum jalur distribusi yaitu rute yang memiliki jarak tempuh terpendek dan waktu tempuh tercepat. Penelitian ini menggunakan Algoritme Genetika. Algoritme Genetika menggunakan representasi kromosom sebagai cara untuk mengkodekan suatu alternatif pencarian sehingga dapat diproses menggunakan Algoritme Genetika. Hasil dari perancangan ini akan diimplementasikan dalam bentuk web client yang dapat dengan mudah diakses oleh perusahaan.
Tujuan Tujuan dari penelitian ini adalah merancang supply chain network untuk menentukan rute optimum dengan menggunakan Algoritme Genetika. Ruang Lingkup Ruang lingkup penelitian ini adalah : 1. Data yang digunakan meliputi data peta jalan Kota Bogor yang merupakan data node dan edge yang akan merepresentasikan jalur distribusi. Data jarak antar node didapatkan dari penelitian Priasa (2008), sedangkan data waktu antar node didapatkan melalui survei di lapangan. 2. Penentuan rute optimum hanya memperhatikan satu kali perjalanan dalam proses distribusinya. 3. Pembuatan web client untuk mengimplementasikan perancangan supply chain network. Manfaat Manfaat yang dapat diperoleh dari penelitian ini adalah perancangan supply chain network yang dapat memberikan gambaran pemilihan rute jalur distribusi optimum untuk mencapai lokasi tujuan. TINJAUAN PUSTAKA Supply Chain Management Supply chain management merupakan sebuah proses pengintegrasian yang meliputi proses perancangan, pemeliharan, operasi, dan transportasi pada supply chain untuk menciptakan pelayanan yang lebih baik dan efisien sehingga dapat memuaskan permintaan pasar (Ayers 2001). Apabila mengacu pada sebuah perusahaan manufaktur, kegiatankegiatan utama yang masuk dalam klasifikasi Supply chain management adalah : · Kegiatan merancang produk baru (product development ) Cakupan kegiatan ini antara lain melakukan riset pasar, merancang produk baru, melibatkan supplier dalam perancangan produk baru. · Kegiatan mendapatkan (procurement)
bahan
baku
Cakupan kegiatan ini antara lain memilih supplier, mengevaluasi kinerja supplier, melakukan pembelian bahan baku dan 1
komponen, memonitor supply risk, membina dan memelihara hubungan dengan supplier. · Logistics Cakupan kegiatan ini antara lain perencanaan, implementasi produksi, mengontrol aliran dan penyimpanan bahan baku, layanan, dan berhubungan dengan informasi kebutuhan konsumen. · Information Kegiatan ini meningkatkan hubungan perusahaan dengan supply chain dengan mengimplementasikan aplikasi komputer. · Kegiatan melakukan (distribution).
pengiriman
Kegiatan ini merupakan strategi untuk bersaing yang mencakup perencanaan jaringan distribusi, penjadwalan pengiriman, mencari dan memelihara hubungan dengan perusahaan jasa pengiriman, memonitor service level di tiap pusat distribusi . Supply Chain Network Supply Chain Network merupakan sebuah jaringan dan pilihan distribusi yang melakukan fungsi dalam upaya mendapatkan bahan baku, transportasi bahan baku sampai pada tempat produksi dan distribusi hasil produksi kepada konsumen (Ganeshan & Harrison 1995). Ilustrasi dari proses supply chain network dapat dilihat dalam Gambar 1.
distribusi yang tepat dicapai dengan memilih jalur yang paling optimum antara lokasi asal dan lokasi tujuan (Hugos 2003). Misalkan sebuah perusahaan ingin mendistribusikan produknya ke setiap konsumen, perusahaan harus menentukan jalur distribusi yang tepat. Tujuannya bagi konsumen adalah dapat meningkatkan kepuasan konsumen karena produk yang mereka inginkan bisa mereka terima tepat waktu, sedangkan bagi perusahaan tujuannya adalah mengefisienkan biaya dan meningkatkan kinerja sumber daya manusianya. Algoritme Genetika Algoritme Genetika merupakan suatu metode pencarian yang didasarkan pada mekanisme seleksi alam dan genetika. Algoritme ini tepat digunakan untuk penyelesaian masalah optimasi yang kompleks dan susah diselesaikan dengan menggunakan metode optimasi yang konvensional karena memiliki beberapa keunggulan, yaitu (Sivanandam & Deepa 2008): 1. Algoritme Genetika memproses bentuk pengkodean dari parameter solusi, bukan parameter itu sendiri. 2. Algoritme Genetika melakukan pencarian dalam banyak solusi yang disebut populasi solusi, bukan pada satu solusi. 3. Informasi yang digunakan dalam Algoritme Genetika berasal dari fungsi fitness, bukan dari informasi tambahan. Algoritme yang ditemukan oleh Jhon Holland dan David Goldberg (1975) ini terinspirasi dari prinsip genetika dan seleksi alam (teori evolusi Darwin). Istilah-istilah dalam Algoritme Genetika berhubungan dengan istilah dalam ilmu Biologi. Daftar istilah ilmu Biologi yang digunakan dalam Algoritme Genetika dapat dilihat pada Tabel 1.
Gambar 1 Ilustrasi Supply Chain Network ( Gen & Cheng 2008). Distribusi Salah satu proses dalam supply chain network, yaitu pengiriman barang dan jasa sampai ke konsumen pada waktu yang tepat dan tempat yang tepat. Proses distribusi dipengaruhi oleh keputusan transportasi yang digunakan. Untuk menciptakan proses distribusi yang efektif dan efisien maka perusahaan harus merancang jalur distribusi yang tepat. Jalur
Tabel 1 Daftar istilah Biologi yang digunakan dalam Algoritme Genetika. Istilah Biologi Gen
Definisi dalam Algoritme Genetika Sebuah nilai yang menyatakan satuan dasar yang membentuk suatu arti tertentu. Gen bisa berupa nilai biner, float, integer maupun karakter.
Kromosom
Gabungan gen-gen yang akan membentuk nilai tertentu, sering dikenal sebagai String Gen. 2
Istilah Biologi
Definisi dalam Genetika
Algoritme
Allele
Nilai dari Gen.
Lokus
Posisi gen dalam kromosom.
Individu / kromosom
Satu nilai yang menyatakan salah satu solusi yang mungkin dari permasalahan yang diangkat.
Populasi
Sekumpulan individu yang akan diproses bersama dalam satu siklus proses evolusi.
Generasi
Menyatakan satu satuan siklus proses evolusi.
Nilai Fitness/ fitness
Menyatakan seberapa baik nilai dari solusi yang didapatkan.
Crossover
Pertukaran kromosom kromosom induk.
Mutasi
Perubahan nilai kromosom.
antar
Algoritme Genetika dikarakterisasi dalam lima komponen penting, yaitu:
kembali. Populasi yang baru dibentuk dari seleksi individu-individu dalam beberapa generasi sehingga didapatkan individu yang terbaik. Individu terbaik inilah yang diharapkan akan menjadi solusi optimal atau suboptimal dari masalah yang diangkat (Gen & Cheng 2000). Struktur dari Algoritme Genetika sebagai berikut : Prosedur : Algoritme Genetika begin t ß 0; inisialisasi P(t); evaluasi C(t); while(I <= maksimum iterasi) do begin rekombinasi P(t); evaluasi C(t); pilih P(t+1) dari P(t) C(t); I ß i+1; end end
dan
Secara umum diagram dari mekanisme kerja Algoritme Genetika ini adalah seperti yang terlihat dalam Gambar 2.
1. Merepresentasikan kromosom yang menyatakan salah satu solusi dari masalah yang diangkat. 2. Inisialisasi populasi yaitu pembentukan populasi awal. 3. Mendefinisikan nilai fitness yang merupakan ukuran baik tidaknya sebuah individu dalam proses evaluasi. 4. Menghasilkan populasi baru dari populasi yang ada melalui proses genetika (crossover dan mutasi ). 5. Nilai dari parameter Algoritme Genetika yang terdiri atas ukuran populasi, probabilitas proses genetika dan banyaknya generasi. Algoritme Genetika memelihara populasi dari individu untuk tiap generasi. Setiap individu dievaluasi untuk diberikan nilai fitnessnya. Ada dua jenis transformasi yang digunakan dalam Algoritme Genetika yaitu Mutasi dan Crossover (pindah silang). Mutasi yaitu membentuk individu baru dengan cara mengubah satu individu tertentu saja, sedangkan crossover yaitu membentuk individu baru dengan cara mengombinasikan bagianbagian dari dua individu. Transformasi tersebut akan menghasilkan individu baru, yang dikenal sebagai offstring yang akan dilakukan evaluasi
Gambar 2 Diagram Alir Algoritme Genetika. Dalam algoritme ini dikenal istilah search space yaitu ruang dari semua solusi pencarian yang mungkin. Secara garis besar, langkahlangkah dari Algoritme Genetika ini dapat didefinisikan sebagai berikut: 3
1. Representasi Kromosom Representasi kromosom adalah proses pertama yang harus dilakukan sebelum inisialisasi populasi, proses ini dikenal dengan encoding. Proses ini berfokus untuk mengonversi masalah yang dihadapi ke dalam bentuk kromosom yang merupakan alternatif solusi dari masalah tersebut. Tata cara untuk menerjemahkan masalah yang dihadapi ke dalam framework Algoritme Genetika disebut encoding schema. Proses ini merupakan tahapan penting karena akan menentukan ketepatan solusi dari masalah yang dihadapi. 2. Inisialisasi Populasi Populasi awal ini dibangkitkan secara acak sehingga didapatkan beberapa kromosom yang merupakan alternatif solusi awal. Dalam populasi tersebut terdapat anggota populasi yang disebut dengan kromosom, yang berisikan informasi solusi dari sekian banyak alternatif solusi masalah yang dihadapi. Banyaknya kromosom dalam satu populasi ditentukan oleh ukuran populasi.
mutasi. Metode seleksi yang biasa digunakan dalam Algoritme Genetika adalah metode roulette wheel. Metode ini mencari populasi baru berdasarkan nilai fitness-nya. 6. Crossover Crossover merupakan proses mengombinasikan dua individu untuk memperoleh individu-individu baru yang diharapkan mempunyai nilai fitness yang lebih baik. Tidak semua pasangan induk yang akan mengalami crossover, banyaknya pasangan induk yang akan mengalami crossover akan ditentukan dengan nilai crossover probability. Crossover probability adalah sebuah parameter dalam Algoritme Genetika yang menggambarkan berapa seringnya crossover dilakukan. Metode crossover yang digunakan adalah Weight Mapping Crossover (WMX). Ilustrasi proses WMX dapat dilihat dalam Gambar 3.
3. Fungsi Fitness Kromosom-kromosom akan mengalami proses evolusi melalui sejumlah iterasi, proses ini disebut generasi. Pada setiap proses generasi, kromosom-kromosom akan dievaluasi menggunakan suatu fungsi yang disebut dengan fungsi fitness. Setiap generasi akan menghasilkan kromosom-kromosom baru yang dibentuk dari generasi sebelumnya. Fungsi fitness adalah fungsi yang digunakan untuk mengukur nilai kecocokan suatu kromosom. Nilai yang dihasilkan dari fungsi fitness disebut dengan nilai fitness. Nilai fitness ini akan menggambarkan seberapa baik solusi yang didapat. 4. Elitisme Suatu teknik yang dilakukan untuk mempertahankan suatu individu terbaik yang memiliki nilai fitness tertinggi agar tidak mengalami kerusakan yang diakibatkan oleh proses genetika, sehingga individu tersebut dapat bertahan hidup untuk generasi selanjutnya. 5. Seleksi Proses pembentukan generasi baru ini dilakukan melalui tahap seleksi. Seleksi adalah proses memilih individu terbaik dari sebuah populasi dengan mencari kromosom dengan nilai fitness terbaik, dan kemudian dilanjutkan ke proses berikutnya yaitu crossover dan
Gambar 3 Proses Weight Mapping Crossover. 7. Mutasi Mutasi adalah proses penggantian gen dengan nilai inversinya. Proses ini dilakukan secara acak pada posisi gen tertentu pada individu-individu yang terpilih untuk dimutasikan. Banyaknya individu yang mengalami mutasi ditentukan oleh besarnya mutation probability. Metode mutasi yang digunakan adalah swap mutation. Ilustrasi proses swap mutation dapat dilihat dalam Gambar 4. 4
Gambar 4 Proses Swap Mutation. 8. Evaluasi Solusi dan Kriteria Berhenti Proses evaluasi solusi ini akan mengevaluasi setiap populasi dengan menghitung nilai fitness setiap kromosom sampai terpenuhi kriteria berhenti. Apabila kriteria berhenti belum terpenuhi maka akan dibentuk lagi generasi yang baru dengan mengulangi langkah inisialisasi populasi. Beberapa kriteria berhenti yang sering digunakan dalam Algoritme Genetika antar lain: · Berhenti pada maksimum generasi tertentu. · Berhenti apabila dalam n generasi berikut tidak didapatkan nilai fitness yang lebih tinggi/rendah (stall generation). Kromosom-kromosom yang memiliki nilai fitness yang baik akan memiliki peluang yang lebih tinggi untuk terseleksi. Setelah dilakukan beberapa kali proses generasi, Algoritme Genetika akan menunjukkan kromosomkromosom yang terbaik, yang diharapkan merupakan solusi optimal atau mendekati optimal dari masalah yang dihadapi. METODE PENELITIAN Penelitian ini akan dikerjakan dalam beberapa tahap. Tahap-tahap tersebut disesuaikan dengan metode penelitian yang dapat dilihat pada Gambar 5. Studi Pustaka Dalam tahap ini, kegiatan yang dilakukan adalah mengumpulkan semua informasi atau literatur yang terkait dengan penelitian. Informasi tersebut akan didapatkan dari textbook, jurnal, buku, internet, dan artikel yang membahas tentang Algoritme Genetika dalam menyelesaikan masalah pencarian rute optimum. Selain mencari literatur terkait dengan Algoritme Genetika, literatur yang juga akan dicari yaitu terkait dengan cara dan tutorial pembuatan web client. Literatur-literatur yang digunakan dapat dilihat pada bagian daftar pustaka.
Gambar 5 Metodologi Penelitian. Perumusan Masalah Menentukan rute optimum jalur distribusi dengan menggunakan Algoritme Genetika. Penyelesaian masalah untuk menentukan rute optimum jalur distribusi ini akan sulit dan lama jika dilakukan secara manual. Algoritme Genetika digunakan sebagai cara untuk memecahkan masalah tersebut sehingga diharapkan rute optimum jalur distribusi dapat dicari dengan waktu yang lebih cepat. Pembentukan Data Data yang akan digunakan dalam penelitian ini adalah data peta jalan Kota Bogor. Data peta tersebut akan diubah ke dalam bentuk node dan edge yang merepresentasikan jalur distribusi. Node adalah titik persimpangan jalan sedangkan edge menyatakan ruas jalan yang ada. Pembentukan node dan edge dapat dilihat pada Gambar 6. Dari gambar tersebut terlihat bahwa node 1 menghubungkan dua jalan yaitu jalan Jalak Harupat dan jalan Pangrango, sedangkan node 2 akan menghubungkan jalan Pajajaran dengan jalan Jalak Harupat. Edge yang 5
