Jurnal Teknologi Informasi, Volume 6 Nomor 1, April 2010, ISSN

Transkripsi

1 OPTIMASI PENJALURAN SALESMAN DENGAN METODE RODA ROULETTE, ORDER CROSSOVER, DAN SWAP MUTATION Djarot Nugroho, Yohan Wisantoro, Heribertus Hiawan Pascasarjana Teknik Inforatika Universitas Dian Nuswantoro ABSTRACT SME on retail trading, especially consuer goods, have been give contribution onregional developent and becoe a necessary bussiness. the characteristics of this bussiness are the trading have slow cycle and low argin but have very fastchange of price, it causes suplay proble is becoe very iportant. So, itbecoes very iportant to ake any research about suplay technics to ake oreoptial. This research study about salesan tranportation technics to solvesequations with genetic algorith.the route forulas which becoe cost study is tie, where in equation solving have to fullfil soe constrains where all custoers ust be visited and thecoodity carried not ore than vehicle capasity. In this equation solving, thesalesans will be got soe illustrations for fullfil their duty to delivercoodities with inial cost. This odel is cobined in inforation syste as a decision support syste by thesalesan, and then the siulations will be ore realible. In this research alsostudy ipact result by the syste change after using Artificial Intelegent (AI) inthe copany, so that the copany can be ade a decision to use the syste ornot. Keywords: Artificial Intelegent, Genetic Algorith, TSP, Consuer Good, Retail. LATAR BELAKANG Untuk kota Searang terjadi peningkatan 8,5% pada bulan Septeber 2009 dari bulan sebelunya dan peningkatan 40,3% terhadap index tahunan pada bulan yang saa, dapat dilihat pada tabel. Hal ini enunjukan peningkatan yang signifikan yang enunjukan bisnis di bidang retail ini sangat enarik di Searang. Dala rangka untuk eningkatkan akurasi, aka dapat dibuat penelitian berdasarkan etode klasifikasi lengkap pelanggan untuk asalah uu yang dihadapi, keudian enggabungkan dengan fungsi siste inforasi geografis keudian skea tersebut dapat dibuat sebuah visualisasi. Model stokhastik pada asalah penjaluran kendaraan untuk einialisasi perintaan yang dijupai dengan teknik perograan berdasarkan peluang, diana dapat digunakan untuk penjaluran suplai untuk respon darurat dengan skala yang besar. Penabahan kopleksitas dala etode ini eperteukan panjang rute dari depot dengan jendela waktu dan biaya untuk enunggu, isalnya terjadi waktu tunggu atau keacetan. Dala uji koputasi yang dilakukan oleh Clara Novoa dkk (2006), dengan odel Vehicle Routing Proble with Stochastic Deands(VRPSD). enunjukan keapuan 5% dibandingkan dengan cara laa sebagai hasil dari beberapa konsuen yang tidak puas tiap rute yang diselesaikan dengan pelayanan tersebut. Daniela Favaretto dkk (2006), juga telah elakukan suatu percobaan yang enunjukan efisiensi penjaluran berdasarkan waktu (Vehicle Routing Proble with Tie Windows/VRPTW). Dala percobaan tersebut ereka encoba salesan dengan 64 konsuen, hasilnya terdapat penabahan sekitar 3 konsuen dapat terlayani. 2. RUMUSAN MASALAH Berdasarkan latar belakang di atas, ruusan asalah yang akan diangkat adalah kurang optialnya cost penjaluran salesan dala hal penjaluran berdasarkan waktu, perintaan konsuen, dan penghindaran pengirian kepada konsuen yang saa untuk enghindari persaingan antar salesan. 3. TUJUAN a. Mengoptialkan kinerja salesan berdasarkan biaya waktu dan perintaan barang. hoepage: eail redaksi: stefanus@pps.dinus.ac.id 73

2 b. Mengetahui dapak dari odel optialisasi penjaluran berdasarkan perintaan dan waktu terhadap keterlaksanaan tugas pengirian barang dan peningkatan julah perintaan. 4. MANFAAT 4.. Bagi Salesan a. Mebantu salesan eilih jalur yang paling optial berdasarkan perintaan dan waktu yang ditepuh sehingga akan lebih banyak konsuen yang terlayani. b. Mebantu salesan untuk eenuhi target penjualan dengan waktu yang relatif. c. Mebantu para salesan dala enganalisa pasar dan eutuskan julah barang yang akan dibawa untuk dijual Bagi Perusahaan a. Mebantu eningkatkan efisiensi dari perusahaan sehingga laba perusahaan eningkat. b. Mebantu perusahaan dala eanajeen para salesannya Bagi Akadeik a. Menabah pengetahuan penjualan dala bisnis penjualan consuer goods. b. Menabah pengetahuan dala odel penjaluran para salesan dala bisnis consuer goods. 5. LANDASAN TEORI 5.. Data Mining Data ining adalah proses pencarian data yang eiliki arti korelasi, pola dan trend dengan penyaringan elalui sejulah data pada repositori, enggunakan teknologi seperti teknik statistik dan ateatik Pola evaluasi Dataining pengetahuan Data warehouse Data relevant Seleksi dan transforasi Data cleaning Integrasi database Kupulan database 5.2. Algorita Genetik Gabar. Data ining prosedur GA ulai t = 0; inisialisasi(p(t)); evaluasi(p(t)); perulangan (bukan kondisi akhir) ulai t = t + ; Qs(t) = seleksi(p(t-)); Qr(t) = rekobinasi(qs(t)); P(t) = utasi(qr(t)); evaluasi(p(t)); selesai; selesai; Gabar 2. Algorita Genetik Uu 74 hoepage: eail redaksi: stefanus@pps.dinus.ac.id

3 5.3.. Inisialisasi Populasi awal dari solusi kandidat yang dihasilkan secara rando, sesuai dengan fungsi-fungsi tujuan dan kendala yang sesuai dengan asalah yang ada Evaluasi Salah satu populasi diinisialisasi atau populasi offspring dibuat. Tahap ini berfungi untuk eperoleh fungsi fitness pada asing - asing fitness. Fungsi fitness ini diperoleh dari fungsi tujuan sesuai dengan asalah yang ada. Model yang digunakan adalah sebagai berikut: Fungsi tujuan: Fitness s.k. Min. i= i= j= n i= j= c ij. x ij xij = ; i =,2,3,... xij = ; j =,2,3,... q j x ij Q; j =,2,..., Keterangan: c ij = biaya yang dibutuhkan dari titik i ke titik j x ij = julah kunjungan ke suatu titik bernilai jika dikunjungi dan bernilai 0 jika tidak dikunjungi q = kebutuhan pada konsuen tujuan j Q =Total kapasitas kendaraan salesan Seleksi Peikiran utaa dari seleksi adalah untuk endapatkan solusi terbaik sapai terjelek. Pada penelitian ini etode yang digunakan adalah roda roulette. Seleksi ini bertujuan untuk eberikan kesepatan reproduksi lebih besar bagi anggota populasi yang eiliki fitness tinggi. Adapun algorita seleksi roda roulette: a. Hitung total Fitness (F): Total Fitness= F k ; k=,2,...,ukuranpopulasi b. Hitung Fitness Relatif tiap individu: p k =F k /Total fitness c. Hitung Fitness koulatif q =p q k =q k- +p k ; k=2,3,...,ukuran populasi d. Pilih induk yang akan enjadi kandidat untuk di rekobinasi/crossover dengan cara: Bangkitkan bilangan rando r. Jika q k < r dan q k+ >r, aka pilih krooso ke k+ sebagai kandidat induk Rekobinasi/Crossover Crossover erupakan penyilangan induk yang dilakukan untuk ebentuk keturunan yang baru. Crossover dilakukan antar dua individu. Metode yang dipilih dala penelitian ini adalah order crossover. Penjelasan etode ini dapat dilihat sebagaiana gabar berikut. titik titik 2 Orang tua Orang tua Anak Anak Gabar 3. Proses Crossover Menggunakan Metode Order Crossover hoepage: eail redaksi: stefanus@pps.dinus.ac.id 75

4 Dala contoh di atas isalkan terpilih dua orang tua, dari hasil rando [0,julahkons] terpilih dua titik untuk eisahkan rantai DNA pada suatu individu. keudian proses bilangan rando[0,] untuk enentukan titik ana yang akan dipindah silangkan. aka hasilnya dapat dilihat pada gabar di atas Mutasi Model utasi yang dilakukan adalah enggunakan swap utation, dengan diberikan batasan dengan tipe individu yang saa. Misalkan terjadi konsuen 5 dan konsuen 3 epunyai pesanan yang saa aka dapat dipertukarkan. Krooso awal Krooso utasi Gabar 4. Proses Swap Mutation 6. KERANGKA PEMIKIRAN Penelitian Awal: Data UKM, Salesan, posisi konsuen, gudang, waktu tepuh, kapasitas Data Warehouse Peilihan data Analisa pasar Data posisi, waktu, kapasitas ax dll kooditas Metode penjaluran berdasarkan perintaan barang dan jendela waktu Algorita Genetik Siulasi penjaluran Analisa Dapak kesipul Gabar 5. Kerangka pikiran 76 hoepage: eail redaksi: stefanus@pps.dinus.ac.id

5 7. METODE PENELITIAN Gabar 6. Algorita Genetik pada Penelitian hoepage: eail redaksi: 77

6 8. HASIL DAN PEMBAHASAN Dari siulasi yang ada diperoleh jalur untuk asing asing salesan adalah sebagai berikut. Tabel. Jalur Salesan No. Jalur Salesan Total Barang Bawaan (pak). 0=>39=>36=>35=>33=>34=>49=>48=>47 90 pak 2. 0=>37=>40=>38 80 pak Total waktu Jalur Salesan = 93 enit No. Jalur Salesan 2 Total Barang Bawaan (pak). 0=>8=>0=>=>2=>5=>4=> 80 pak 2. 0=>3=>9 50 pak Total waktu Jalur Salesan = 8 enit No. Jalur Salesan 3 Total Barang Bawaan (pak). 0=>7=>6=>2=>4=>3=>7=>5 85 pak 2. 0=>8=>6 50 pak Total waktu Jalur Salesan 3= 9 enit No. Jalur Salesan 4 Total Barang Bawaan (pak). 0=>25=>23=>24=>9=>20=>2=>22 75 pak 2. 0=>29=>27=>26=>28 5 pak Total waktu Jalur Salesan 4= 7 enit No. Jalur Salesan 5 Total Barang Bawaan (pak). 0=>30=>43=>50=>42=>4=>46=> =>44=>3=>32 70 Total waktu Jalur Salesan 5=52 enit Untuk engetahui dapak odel terhadap perusahaan aka dibuat hipotesa sebagai berikut: H 0 = Penerapan AI pada siste penjaluran tidak eberikan dapak terhadap optialisasi penjaluran. H = Penerapan AI pada siste penjaluran eberikan dapak terhadap optialisasi penjaluran. Dari analisa statistik di atas diperoleh hasil bahwa dengan enerapkan AI ke dala siste perusahaan dapat erubah pola kerja perusahaan enjadi lebih baik. Hal ini terlihat dari beberapa konsuen yang hanya kadang kadang saja dikunjungi enjadi pasti terkunjungi sesuai data pada kuestioner dan siulasi. Dari data tersebut terdapat 4 konsuen saja yang kadang kadang terkunjungi enjadi pasti terkunjungi. Efek lain dapat dilihat dari perubahan terpenuhinya kebutuhan konsuen oleh salesan. Dengan terpenuhinya kebutuhan konsuen aka diharapkan konsuen akan lebih puas, keudian dengan puasnya konsuen aka akan terjadi peningkatan perintaan oleh konsuen. 9. KESIMPULAN DAN SARAN 9.. Kesipulan Dala hal keterlaksanaan tugas, dengan julah sapel tersebut, penerapan AI epunyai dapak sedikit signifikan diana dari 4 konsuen yang kadang-kadang dikunjungi enjadi pasti terkunjungi oleh salesan. Dala hal perintaan konsuen, terjadi peningkatan yang signifikan setelah penerapan AI terhadap etode penjaluran. Peningkatan perintaan ini dikarenakan seua konsuen terpenuhi julah perintaannya Saran Untuk Perusahaan Perusahaan sebaiknya enggunakan odel penjaluran salesan yang terorganisir yang teroptialisasi. Model penjaluran tersebut sebaiknya diintegrasikan dengan siste inforasi yang 78 hoepage: eail redaksi: stefanus@pps.dinus.ac.id

7 digunakan oleh perusahaan. Jika ada waktu tersisa salesan sebaiknya encari konsuen baru, sehingga dengan eningkatnya julah konsuen aka seakin banyak pendapatan perusahaan seakin eningkat Untuk Penelitian Selanjutnya Dala pengebangan selanjutnya, berdasarkan kendala kendala yang uncul di lapangan, diharapkan untuk eruuskan odel optiasi diperhatikan faktor-faktor Waktu tunggu, keungkinan gagal, waktu tunda, waktu aksiu, jenis barang dengan dengan volue dan beban berbeda, pengaruh julah pesanan yang dapat berubah setiap saat. DAFTAR PUSTAKA [] [2] Hu, Xiangpei dkk, (2006). An Intelligent Solution For a Vehicle Routing Proble in Urban Distribution. ICIC International [3] Shen, Zhihong (2005). The Miniu Unet Deand Stochastic Vehicle Routing Proble. USA:University of Southern California [4] Bräysy, Olli, (200). Genetic Algorith for the Vehicle Routing Proble with Tie Windows. Finland: University of Vaasa [5] Oracle White Paper, (2005). Oracle Trade Manageent Solution for the Consuer Goods Industry. Oracle [6] Novoa, Clara dkk, (2006). A Set-Partitioning-Based Model for the Stochastic Vehicle Routing Proble. USA: Texas State University [7] Favaretto, Daniela dkk, (2006). an Ant Colony Syste Approach for Variants of The Traveling Salesan Proble with Tie Windows. Venesia: Universit`a Ca Foscari di Venezia [8] Pressan, Roger S., Ph.D., Software Engineering: A Practitioner s Approach -5 th ed, Boston: McGraw-Hill [9] Budiyono, (2000). Statistika Dasar Untuk Penelitian, Surakarta: UNS Press [0] Teguh Wahyono, (2008). Belajar Sendiri SPSS 6, Jakarta: Elex Media Koputindo [] Suyanto, (2005). Algorita Genetik dala MATLAB. Yogyakarta: Penerbit ANDI [2] Muhaad Muslich, (2009). Metode Pengabilan Keputusan Kuantitatif, Jakarta: Bui Aksara [3] Mak, K.L dkk (2004). a Genetic Algorith for Vehicle Routing Probles With Stochastic Deand and Soft Tie Windows. Hongkong: University of Hong Kong [4] Thangiah, S. R, (998). Vehicle Routing with Tie Windows using Genetic Algoriths, U.S.A: Slippery Rock University [5] Zaïane, Osar R. (999). Introduction to Data Mining, Canada: University of Alberta [6] Sri Kusuandari, Hari Purnoo, (2005). Penyelesaian Masalah Optiasi dengan Teknik- Teknik Heuristik. Yogyakarta: Graha Ilu hoepage: eail redaksi: stefanus@pps.dinus.ac.id 79