HALAMAN JUDUL OPTIMISASI PENGISIAN BAHAN BAKAR PESAWAT DI BANDARA JUANDA TERMINAL 2 MENGGUNAKAN ALGORITMA ANT COLONY

Transkripsi

1 HALAMAN JUDUL TUGAS AKHIR TE OPTIMISASI PENGISIAN BAHAN BAKAR PESAWAT DI BANDARA JUANDA TERMINAL 2 MENGGUNAKAN ALGORITMA ANT COLONY Adi Wibisono NRP Dosen Pembimbing Nurlita Gamayanti, ST., MT. Mochammad Sahal, ST., M.Sc. JURUSAN TEKNIK ELEKTRO Fakultas Teknologi Industri Institut Teknologi Sepuluh Nopember Surabaya 2017 i

2 --halaman ini sengaja dikosongkan-- ii

3 HALAMAN JUDUL FINAL PROJECT TE OPTIMIZATION OF AIRCRAFT REFUELING AT TERMINAL 2 JUANDA AIRPORT USING ANT COLONY ALGORITHM Adi Wibisono NRP Advisor Nurlita Gamayanti, ST., MT. Mochammad Sahal, ST., M.Sc. DEPARTEMENT OF ELECTRICAL ENGINEERING Faculty of Industrial Technology Sepuluh Nopember Institute of Technology Surabaya 2017 iii

4 --halaman ini sengaja dikosongkan-- iv

5 PERNYATAAN KEASLIAN TUGAS AKHIR Dengan ini saya menyatakan bahwa isi sebagian maupun keseluruhan Tugas Akhir saya dengan judul Optimisasi Pengisian Bahan Bakar Pesawat di Bandara Juanda Terminal 2 Menggunakan algoritma Ant Colony adalah benar-benar hasil karya intelektual mandiri, diselesaikan tanpa menggunakan bahan-bahan yang tidak diijinkan dan bukan merupakan karya pihak lain yang saya akui sebagai karya sendiri. Semua referensi yang dikutip maupun dirujuk telah ditulis secara lengkap pada daftar pustaka. Apabila ternyata pernyataan ini tidak benar, saya bersedia menerima sanksi sesuai peraturan yang berlaku. Surabaya, 18 Januari 2017 Adi Wibisono NRP v

6 --halaman ini sengaja dikosongkan-- vi

7

8 --halaman ini sengaja dikosongkan-- viii

9 ABSTRAK Optimisasi Pengisian Bahan Bakar Pesawat di Bandara Juanda Terminal 2 Menggunakan Algoritma Ant Colony Nama Pembimbing : Adi Wibisono : Nurlita Gamayanti, ST., MT. Mochammad Sahal, ST., M.Sc. ABSTRAK Seiring dengan semakin majunya dunia penerbangan dan padatnya rute penerbangan, maka dalam suatu bandar udara, terutama bandar udara besar, terdapat suatu fasilitas pengisian bahan bakar pesawat. Depo Pengisian Pesawat Udara (DPPU) merupakan salah satu fasilitas dan sarana vital di suatu bandar udara untuk menunjang operasi pelayanan pengisian bahan bakar pesawat. DPPU di Bandar Udara Juanda menggunakan 2 tipe pengisian yaitu dengan jalur pipa (pipeline) di bawah apron dan pengisian menggunakan truk refueler. Dalam tugas akhir ini, akan dilakukan perencanaan penjadwalan untuk pengisian bahan bakar pesawat dengan truk refueler, sehingga dihasilkan jumlah truk yang digunakan minimum dengan menggunakan Algoritma Ant Colony. Dengan menggunakan iterasi 400, ρ = 0,2 dan semut 80, diperoleh jumlah truk yang dioperasikan lebih sedikit dari truk yang beroperasi di DPPU Juanda. Kata Kunci: Ant Colony Algorithm, Optimasi, Sistem Distribusi, Vehicle Routing Problem ix

10 --halaman ini sengaja dikosongkan-- x

11 ABSTRACT Optimization of Aircraft Refueling at Terminal 2 Juanda Airport Using Ant Colony Algorithm Name Advisor : Adi Wibisono : Nurlita Gamayanti, ST., MT. Mochammad Sahal, ST., M.Sc. ABSTRACT Along with the advanced world of dense low and the flight route, then in an airport, especially the large airports, there is an air refueling facilities. Charging the Aircraft Depot is one of the vital facilities and amenities at an aerodrome to support the operation of aircraft refueling services. Depots aircraft in Juanda using two types of charging is by pipeline (pipeline) under the apron and charging using refueler truck. In this thesis, we will do the planning schedule for refueling of aircraft with refueler truck, so that the resulting minimum number of trucks used by using Ant Colony Algorithm. Using iteration 400, ρ = 0,2 and ant 80, the results number of truck from simulation is less than from number of truck DPPU Juanda. Key Word: Ant Colony Algorithm, Optimization, Distribution System, Vehicle Routing Problem xi

12 --halaman ini sengaja dikosongkan-- xii

13 KATA PENGANTAR Puji dan syukur kehadirat Allah SWT yang telah melimpahkan rahmat dan hidayah-nya, sehingga penulis dapat menyelesaikan buku Tugas Akhir ini. Shawalat serta salam senantiasa tercurah pula kepada nabi besar baginda Rasulullah Muhammad SAW. Buku Tugas Akhir ini disusun untuk melengkapi salah satu syarat memperoleh gelar sarjana teknik di jurusan Teknik Elektro ITS. Buku yang berjudul Optimisasi Pengisian Bahan Bakar Pesawat di Bandara Juanda Terminal 2 Menggunakan algoritma Ant Colony dipersembahkan juga untuk kemajuan riset dan teknologi khusunya untuk ITS, Fakultas Teknologi Industri, Jurusan Teknik Elektro, dan bidang studi Teknik Sistem Pengaturan. Berbagai kendala dihadapi dalam pengerjaan tugas akhir ini, namun dukungan selalu mengalir dari orang-orang terdekat. Ucapan terima kasih penulis sampaikan kepada: 1. Allah SWT yang telah memlimpahkan ramhat dan hidayah-nya serta memperlancar dalam pengerjaan Tugas Akhir ini. 2. Orang tua yang selalu memberikan dukungan dan doa sehingga Tugas Akhir ini dapat diselesaikan. 3. Dosen pembimbing 1 Ibu Nurlita Gamayanti, ST., MT. yang telah membimbing penulis sehingga dapat menyelesaikan seluruh kendala pada tugas akhir ini. 4. Dosen pembimbing 2 bapak Mochammad Sahal, ST., M.Sc. yang selalu memberi motivasi agar penulis semangat menyelesaikan Tugas Akhir ini. Penulis menyadari dan memohon maaf karena masih banyak kekurangan pada Tugas Akhir ini. Kritik dan saran selalu penulis nantikan agar menjadi lebih baik pada masa mendatang. Akhir kata, penulis berharap Tugas Akhir ini dapat bermanfaat dan menjadi acuan dalam penelitian selanjutnya. Surabaya, 19 Desember 2016 Penulis xiii

14 --halaman ini sengaja dikosongkan-- xiv

15 DAFTAR ISI HALAMAN JUDUL i HALAMAN JUDUL iii PERNYATAAN KEASLIAN TUGAS AKHIR v HALAMAN PENGESAHAN vii ABSTRAK ix ABSTRACT xi KATA PENGANTAR xiii DAFTAR ISI xv DAFTAR GAMBAR xvii DAFTAR TABEL xix Bab I Latar Belakang Permasalahan Batasan Masalah Tujuan Metodologi Sistematika Penulisan Relevansi... 4 Bab II Operation Research Linear Programming Penjadwalan Permasalahan Jaringan Graph Notasi Graph Node Arc Permasalahan Lintasan Terpendek Permasalahan Rute dan Penjadwalan Sistem Distribusi Tugas dan Tujuan Distribusi Sistem Distribusi PT. Pertamina DPPU Juanda Vehicle Routing Problem Metode Penyelesaian Vehicle Routing Problem Vehicle Routing Problem with Tight time window, Short travel time, and Re-use vehicle (VRPTSR) Metode Sorting xv

16 2.12 Ant Colony Optimization (ACO) Algoritma ACO Nearest Neighbor Bab III Proses Distribusi Bahan Bakar Pesawat Perancangan Konseptual Parameter Sistem Variabel Sistem BatasanSistem Model Matematis Fungsi Objektif Parameter Variabel Keputusan Batasan Perancangan Fungsional Inisiasi Data Fungsi Ant Colony Algorithm BAB IV Pengumpulan Data Data Intern Hasil Running program Pengujian Parameter Ant Colony Algorithm Pengujian Tingkat Penguapan Pheromone Pengujian Jumlah Semut Kondisi Awal Perbandingan Penerapan Ant Colony dan Kondisi Awal BAB V Kesimpulan Saran DAFTAR PUSTAKA 55 LAMPIRAN RIWAYAT HIDUP xvi

17 DAFTAR GAMBAR Gambar 2.1 Graph Dengan Lima Buah Node... 9 Gambar 2.2 Aliran Pada Graph Gambar 2.3 Sistem Distribusi Pengisian Bahan Bakar Gambar 2.4 Representasi VRPTSR Gambar 2.5 Perjalanan Semut dari Sarang Menuju Sumber Makanan. 19 Gambar 3.1Sistem Distribusi Terminal Gambar 4.1 Hasil Tanggal Gambar 4.2 Hasil Tingkat Penguapan Pheromone tanggal Gambar 4.3 Hasil Tingkat Penguapan Pheromone tanggal Gambar 4.4 Hasil Tingkat Penguapan Pheromone tanggal Gambar 4.5 Hasil Tingkat Penguapan Pheromone tanggal Gambar 4.6 Hasil Tingkat Penguapan Pheromone tanggal Gambar 4.7 Hasil Tingkat Penguapan Pheromone tanggal Gambar 4.8 Hasil Pengujian Semut Tanggal Gambar 4.9 Hasil Pengujian Semut Tanggal Gambar 4.10 Hasil Pengujian Semut Tanggal Gambar4.11 Hasil Pengujian Semut Tanggal Gambar 4.12 Hasil Pengujian Semut Tanggal Gambar 4.13 Hasil Pengujian Semut Tanggal Gambar 4.14 Hasil Pengujian Semut Tanggal xvii

18 --halaman ini sengaja dikosongkan-- xviii

19 DAFTAR TABEL Tabel 3.1 Tabel Jenis Kendaraan dan Kapasitas...21 Tabel 3.2 Tabel Jadwal Penerbangan...22 Tabel 3.3 Tabel Pengalokasian Pesawat...22 Tabel 3.4 Tabel Keterangan Parameter ACO...23 Tabel 4.1 Tabel Tipe dan Kapasitas Kendaraan...32 Tabel 4.2 Tabel Permintaan Tiap Maskapai...32 Tabel 4.3 Tabel Waktu Pelayanan Tiap Maskapai...34 Tabel 4.4 Tabel Hasil Nilai ρ=0,2; semut= Tabel 4.5 Tabel Hasil Nilai ρ=0,5; semut= Tabel 4.6 Tabel Hasil Nilai ρ=0,8; semut= Tabel 4.7 Perbandingan Parameter...48 Tabel 4.8 Kondisi Awal...49 Tabel 4.9 Perbandingan ACO dan Kondisi Awal...50 xix

20 --halaman ini sengaja dikosongkan-- xx

21 Bab I PENDAHULUAN 1.1 Latar Belakang Penanganan pesawat di darat atau yang bisa disebut ground service adalah penanganan pesawat mulai dari pesawat tersebut mendarat hingga siap untuk diberangkatkan kembali, yang termasuk kegiatan penanganan pesawat adalah keperluan bongkar muat penumpang, kebersihan pesawat, dan keperluan pesawat. Keperluan pesawat terdiri dari penarik pesawat, pemadam kebakaran, dan pengisian bahan bakar pesawat. Pengisian bahan bakar pesawat memiliki peran penting dalam dunia penerbangan. Instansi yang memfasilitasi dan bertanggung jawab dalam pengisian bahan bakar pesawat adalah Depot Pengisian Pesawat Udara (DPPU) Juanda, Pertamina. Untuk menunjang operasi pelayanan pengisian bahan bakar pesawat, seiring dengan kemajuan dunia penerbangan dan padatnya penerbangan, maka di bandara terutama bandara sedang dan besar terpasang fasilitas untuk pengisian bahan bakar pesawat. Fasilitas pengisian bahan bakar pesawat terdapat 2 (dua) tipe pengisian, yaitu pengisian menggunakan jalur pipa di bawah apron dan menggunakan truk refueller. Penggunaan jalur pipa banyak digunakan pada bandara besar yang mempunyai tingkat kesibukan penerbangan yang cukup tinggi, sedangkan untuk penggunaan truk refueller biasanya digunakan pada bandara kecil yang mempunyai tingkat kesibukan penerbangan yang tidak terlalu tinggi, umumnya tipe pengisian menggunakan jalur pipa pada bandara besar di mana volume bahan bakar yang diisi ke pesawat sangat efektif dari segi waktu pengisian dibandingkan penggunaan truk refueller. Beberapa bandara di, terutama Bandara Juanda Surabaya, khususnya terminal 2, masih menggunakan truk refueller dalam pengisian bahan bakar pesawat. Bandara Juanda Surabaya Terminal 2 masih tergolong bandara baru yang mulai beroperasi pada tahun Yang membuat terminal 2 masih menggunakan truk refueller dalam pengisian bahan bakar pesawat adalah belum terpasangnya fasilitas pengisian menggunakan jalur pipa di bawah apron. Pada penelitian tugas akhir ini akan dilakukan perencanaan jumlah keberangkatan truk refueller yang akan digunakan seminimum mungkin. Dalam tugas akhir ini digunakan ant colony optimization untuk menyelesaikan permasalahan meminimumkan jumlah keberangkatan truk refueller. 1

22 1.2 Permasalahan Permasalahan yang dijadikan sumber pengerjaan tugas akhir ini adalah mengoptimalkan jumlah truk refueller yang dioperasikan untuk pengisian bahan bakar pesawat di DPPU Juanda Terminal 2 Surabaya. 1.3 Batasan Masalah Dalam penelitian tugas akhir ini yang menjadi batasan masalah adalah: a. Pesawat pengangkut jamaah haji diabaikan karena merupakan permasalahan khusus. b. Waktu kedatangan pesawat tiap maskapai tepat waktu. c. Truk memulai pengisian bahan bakar pesawat berawal dari Depo. 1.4 Tujuan Tujuan dalam tugas akhir ini adalah menerapkan algoritma ant colony pada permasalahan optimasi jumlah truk refueller yang dioperasikan untuk pengisian bahan bakar pesawat. 1.5 Metodologi Dalam penelitian Tugas Akhir ini diperlukan suatu tahapan yang merepresentasikan urutan yang harus dilaksanakan agar sesuai dengan tujuan penelitian. Tahapan tersebut ialah sebagai berikut: a. Studi literatur Kegiatan pengumpulan dan pengkajian terhadap referensi terkait topik tugas akhir yang diusulkan. Data yang dikumpulkan berasal dari data kegiatan pengisian bahan bakar pesawat untuk setiap maskapai penerbangan yang diberikan dari PT. Pertamina DPPU Juanda. Sementara, referensi tersebut berasal dari sumber ilmiah terpercaya, seperti buku materi, jurnal ilmiah, artikel ilmiah, pendapat para ahli, dan hasil penelitian terkait. b. Identifikasi dan Permodelan Sistem Dari data yang telah dikumpulkan kemudian dilakukan identifikasi parameter-parameter yang penting dalam membangun permodelan sistem. 2

23 c. Simulasi Model Setelah permodelan sudah ditentukan kemudian model tersebut disimulasikan menggunakan MATLAB untuk mencari hasil paling optimal. d. Analisa Hasil Perbandingan Metode Dari hasil simulasi tersebut terdapat beberapa hasil yang kemudian dapat dianalisa dengan membandingkan hasil melalui perhitungan dengan kondisi nyata. e. Penulisan Buku Tugas Akhir Tahap yang terakhir ialah penulisan laporan/buku Tugas Akhir. Penulisan dilakukan secara intensif bila proses pengujian telah selesai. 1.6 Sistematika Penulisan Tahap terakhir dari sebuah penelitian adalah penulisan laporan. Pada penulisan laporan/buku Tugas Akhir ini disusun berdasarkan 5 bab, di mana setiap bab berisi mengenai permasalahan dalam penelitian. Babbab tersebut adalah sebagai berikut: BAB I BAB II PENDAHULUAN Berisi latar belakang permasalahan, pembatasan masalah, tujuan, metodologi, sistematika penulisan, dan relevansi pembahasan tugas akhir ini. TEORI PENUNJANG Berisi konsep dasar dan teori yang mendasari perancangan tugas akhir ini, meliputi sistem distribusi pengisian bahan bakar di DPPU Juanda, vehicle routing problem, graph, linear programming, dan ant colony optimization. 3

24 BAB III PERANCANGAN SISTEM Dalam bab ini dijelaskan mengenai spesifikasi sistem, identifikasi parameter, perancangan model matematis sistem dan Ant Colony Optimization. BAB IV PENGUJIAN DAN ANALISIS SISTEM Dalam bab ini dijelaskan mengenai hasil simulasi dari program dan analisanya. BAB V PENUTUP Berisi kesimpulan dari penelitian Tugas Akhir dan saran yang dapat digunakan untuk pengembangan lebih lanjut dari tugas akhir ini. 1.7 Relevansi Tugas akhir ini diharapkan dapat menjadi rekomendasi untuk DPPU Juanda agar dalam menjadwalkan truk refueller yang dioperasikan, dengan memprioritaskan truk dengan kapasitas terbesar terlebih dahulu yang dipakai. 4

25 Bab II TEORI PENUNJANG Suatu penelitian memerlukan teori-teori yang sudah ada sebelumnya untuk dikaji lebih dalam memperkuat argumen penulis. Teori tersebut digunakan untuk membantu penulis dan sebagai dasar dalam membuat suatu penelitian. Pada bab ini terdapat beberapa teori dasar yang menjadi landasan untuk merumuskan dan menyelesaikan masalah yang akan dibahas pada penelitian tugas akhir ini. Pada bagian awal, terdapat penjelasan mengenai teorema umum yang mendasari kasus Vehicle Routing Problem, yaitu Operation Research dan Pemrograman Linier. Pada bagian selanjutnya, membahas mengenai teori-teori pendukung, seperti Ant Colony Algorithm. 2.1 Operation Research Menurut Operation Research Society of Great Britain, operation research adalah penerapan metode-metode ilmiah dalam masalah yang kompleks. Dapat pula diartikan sebagai suatu pengelolaan sistem manajemen yang besar, baik yag menyangkut manusia, mesin, bahan dan uang dalam skala industri, bisnis, maupun pemerintahan. Pendekatan ini menggabungkan dan menerapkan metode ilmiah yang sangat kompleks dalam suatu pengelolaan manajemen dengan menggunakan faktor-faktor produksi yang ada dan digunakan secara efektif dan efesien untuk membantu pengambilan keputusan dalam kebijakan suatu perusahaan. Definisi lain menurut Operation Research Society of America (ORSA), operation research berkaitan dengan pengambilan keputusan secara ilmiah dan bagaimana membuat suatu model yang baik dalam merancang dan menjalankan sistem yang melalui alokasi sumber daya yang terbatas. Inti dari beberapa kesimpulan di atas adalah bagaimana proses pengambilan keputusan yang optimal dengan menggunakan sumber daya yang ada. 2.2 Linear Programming Pemrograman linier menggunakan model matematika untuk mencari penyelesaian suatu permasalahan. Kata linier berarti semua fungsi model matematika diperlukan dalam fungsi linier. Pemrograman di sini tidak merujuk pada pemrograman komputer, melainkan sinonim 5

26 dari perencanaan. Dengan demikian, pemrograman linier adalah perencanaan kegiatan untuk mendapatkan hasil yang optimal. Dalam model linear programming dikenal 2 (dua) macam fungsi, yaitu fungsi tujuan (objective function) dan fungsi batasan (constraint function). 1. Fungsi tujuan adalah fungsi yang menggambarkan tujuan atau sasaran di dalam permasalahan linear programming yang berkaitan dengan pengaturan secara optimal sumber dayasumber daya, untuk memperoleh keuntungan maksimal atau biaya minimal. Nilai yang akan dioptimalkan dinyatakan sebagai Z. 2. Fungsi batasan merupakan bentuk penyajian secara matematis batasan-batasan kapasitas yang tersedia yang akan dialokasikan secara optimal ke berbagai kegiatan. 3. Variabel keputusan merupakan aspek dalam model yang dapat dikendalikan. Bentuk umum atau standar dari linear programming adalah sebagai berikut: 1 X +C X (2.1) MAX C C N X N Dengan kendala: a (2.2) X n 11 X 1 + a 12 X a 1n + a 22 X 2 21 X a 2n X n b 1 a (2.3) b 2 am1 X1 + am2 X amn Xn bm (2.4) X (2.5) 1, X2, X3,..., X n Penjadwalan Penjadwalan adalah sebuah proses pengambilan keputusan yang digunakan sebagai acuan dasar pada berbagai industri. Hal ini terkait dengan alokasi sumber daya terhadap pekerjaan dalam suatu periode waktu yang diberikan dan tujuannya adalah untuk mengoptimalkan satu tujuan atau lebih. Sumber daya dan pekerjaan dalam sebuah organisasi dapat dilihat dari berbagai bentuk. Sumber daya dapat berupa mesin dalam ruang kerja, landasan pesawat terbang di airport, karyawan dalam tempat kontruksi, dan lain sebagainya, sedangkan pekerjaan dapat berupa jenis-jenis operasi dalam sebuah proses produksi, misalnya take-offs and landings pada 6

27 sebuah airport dan tahap/langkah-langkah dalam sebuah proyek kontruksi. Setiap pekerjaan mempunyai level prioritas tertentu, dan juga waktu memulai dan berakhirnya sebuah pekerjaan. Tujuan juga dapat dilihat dalam berbagai bentuk yang berbeda. Sebuah tujuan dapat berupa meminimalkan penyelesaian sebuah pekerjaan atau tujuan lain dapat meminimalkan jumlah pekerjaan diselesaikan setelah jatuh tempo (Michael L. Pinedo, 2010). Tujuan penjadwalan, adalah sebagai berikut: 1. Menurut Baker (1974), tujuan penjadwalan umumnya adalah sebagai berikut: a. Meningkatkan produktifitas mesin, yaitu dengan mengurangi waktu mesin menganggur. b. Mengurangi persediaan barang setengah jadi dengan jalan mengurangi jumlah rata-rata pekerjaan yang menunggu dalam antrian suatu mesin karena mesin tersebut sibuk. c. Mengurangi keterlambatan suatu pekerjaan. Setiap pekerjaan mempunyai batas waktu (due date) penyelesaian, jika pekerjaan tersebut diselesaikan melewati batas waktu yang ditentukan maka pekerjaan tersebut dinyatakan terlambat. Dengan metode penjadwalan maka keterlambatan ini dapat dikurangi, baik waktu maupun frekuensi. 2. Menurut Narasimhan (1985), penjadwalan yang baik seharusnya simpel, mudah dimengerti dan dapat dilaksanakan oleh pihak manajemen dan oleh siapa pun yang menggunakannya. Aturan-aturan penjadwalan seharusnya cukup kuat tetapi mempunyai tujuan yang realistis sehingga cukup flexible untuk memecahkan masalah yang tidak terprediksi sebelumnya dan membolehkan satu perencanaan ulang. 3. Bedworth (1987) mengidentifikasi beberapa tujuan dari aktivitas penjadwalan, adalah sebagai berikut: a. Meningkatkan penggunaan sumber daya atau mengurangi waktu tunggunya, sehingga total waktu proses dapat berkurang dan produktivitas dapat meningkat. b. Mengurangi persediaan barang setengah jadi atau mengurangi sejumlah pekerjaan menunggu dalam antrian ketika sumber daya yang ada masih mengerjakan tugas yang lain. Teori Baker mengatakan, jika aliran kerja suatu 7

28 jadwal konstan, maka antrian yang mengurangi rata-rata waktu alir akan mengurangi rata-rata persediaan barang setengah jadi. c. Mengurangi beberapa kelambatan pada pekerjaan yang mempunyai batas waktu penyelesaian sehingga akan meminimalisasi penalty cost (biaya kelambatan). d. Membantu pengambilan keputusan mengenai perencanaan kapasitas pabrik dan jenis kapasitas yang dibutuhkan sehingga penambahan biaya yang mahal dapat dihindarkan. 2.4 Permasalahan Jaringan Dalam kehidupan sehari-hari, kita sering bertemu dengan berbagai macam contoh jaringan mulai dari jaringan tenaga listrik, jaringan pesawat telepon, jaringan rel kereta api, hingga jaringan lalu lintas kendaraan. Pada semua contoh tersebut, terdapat hal yang harus disalurkan dari satu ke titik yang lainnya, misalnya tenaga listrik, produk konsumen, pesan dan lain sebagainya. Hal ini dilakukan dengan tujuan melakukan pelayanan kepada konsumen dengan baik dan bagaimana memaksimalkan fasilitas transmisi dan distribusi secara efektif. Selanjutnya untuk mengatasi permasalahan sehari-hari tersebut dapat dimodelkan ke dalam berbagai teori jaringan yang ada. Secara umum, jaringan terdiri dari sejumlah titik yang terhubung satu dengan yang lainnya dan terdapat aliran di dalamnya. Pembahasan masalah jaringan akan dibawa ke suatu bentuk graph. Ada beberapa teknik optimasi yang dapat diaplikasikan pada permasalahan sistem yang biasa ditemui dalam dunia nyata yang dinyatakan dalam bentuk graph, diantaranya adalah: a. Lintasan terpendek, bagaimana menemukan rute dalam jaringan dengan dengan jarak terpendek. b. Aliran maksimum, apabila dalam sebuah jaringan terdapat kapasitas dalam alirannya, bagaimana cara menentukan jumlah produk yang dikirimkan pada arc tersebut tanpa melebihi batasan kapasitas arc. c. Biaya minimum, dicari aliran dari sejumlah node ke sejumlah node dalam suatu jaringan dengan total biaya minimum. 8

29 2.5 Graph Suatu graph terdiri dari kumpulan node atau disebut juga vertex dan kumpulan arc atau disebut juga dengan edge. Informasi yang disertakan dalam graph menjelaskan batasan-batasan serta kondisi arc dan node dalam graph tersebut Notasi Graph Graph G adalah pasangan dari himpunan node dan arc ditulis dengan notasi G = (N,A), N = himpunan node (titik simpul) atau vertex, AϵNxN ; himpunan arc (cabang) atau edge. Contoh: N = {1,2,3,4,5} A = { (1,2) (1,3) (2,3) (2,4) (3,2) (3,4) (3,5) (5,4) } A ϵ NxN Gambar 2.1 Graph Dengan Lima Buah Node Node Informasi yang terdapat dalam node ialah kapasitas. Kapasitas node I didefinisikan (b i ). Berdasarkan kapasitasnya, node dapat dibagi menjadi 3 macam: a. Node sumber (memiliki pasokan) apabila b i > 0 b. Node tujuan (memiliki permintaan) apabila b i < 0 c. Node transit (hanya dilewati) apabila b i = 0 9

30 2.5.3 Arc Apabila pada suatu graph terdapat aliran, maka akan terbentuk jaringan. Di dalam arc menyimpan informasi apakah suatu aliran mungkin atau tidak, dan apabila mungkin apakah itu aliran yang terbaik atau tidak. Batas kapasitas arc antara node i dan j terdiri dari batas kapasitas maksimum aliran yang diijinkan dinotasikan dengan u ij dan batas minimum aliran dengan l ij. Besar aliran antara node i dan j dinotasikan dengan x ij. Contoh: Gambar 2.2 Aliran Pada Graph 2.6 Permasalahan Lintasan Terpendek Permasalahan lintasan terpendek dapat digambarkan sebagai upaya pencarian lintasan yang mempunyai biaya minimum. Biaya lintasan adalah jumlah biaya semua arc yang membentuk lintasan tersebut. Ada beberapa asumsi yang digunakan dalam perhitungan lintasan terpendek, yaitu: 1. Jaringan berarah (directed network). 2. Ada lintasan berarah dari satu node sumber ke semua node lain. 3. Tidak ada siklus negatif, yaitu siklus dengan total biaya negatif. 4. Biaya tiap arc merupakan bilangan bulat. 10

31 Formulasi masalah dalam permasalahn lintasan terpendek dapat dinyatakan dalam bentuk aliran minimum dimana tiap node yang dituju dianggap memiliki permintaan sebesar satu unit dan node sumber memiliki supply sebanyak yang diminta. Lintasan terpendek dari node s ke semua node lain dapat diformulasikan sebagai berikut: min cij xij i, j A n 1, i s st xij x ji i N s j i j A j j i A 1, :, :, xij 0 untuk i, j A Lintasan terpendek dari node s (node sumber) ke node T dapat diformulasikan dalam bentuk: min cij xij i, j A (2.7) 1, i s st xij x i t j j i A ji 1, j: i, j A :, 0, i N s, t x 0 untuk i, j A ij (2.6) 2.7 Permasalahan Rute dan Penjadwalan Permasalahan rute dan penjadwalan seringkali direpresentasikan dalam bentuk graph. Dalam graph tersebut terdapat sekumpulan node konsumen dan arc-arc yang mengubungkan tiap-tiap node. Arc tersebut menyatakan biaya yang dibutuhkan untuk berpindah dari node yang satu ke node yang lainnya. Jika permasalahannya tidak memperhatikan arah maka arc tersebut merupakan arc tidak berarah dan sebaliknya. Tujuan dari permasalahan rute dan penjadwalan adalah mendapatkan rute yang harus ditempuh dengan biaya total yang minimal. Biaya dalam hal ini termasuk diantaranya jarak, biaya, atau waktu yang dibutuhkan untuk membentuk suatu tour. Dalam meminimalkan biaya total, permasalahan rute dan penjadwalan mempertimbangkan berbagai batasan yang ada diantaranya kapasitas kendaraan, batasan waktu untuk tiap rute yang dilaluinya, dan batasan-batasan yang menyangkut kebijakan dari produsen. Batasan-batasan pada permasalahan rute dan penjadwalan secara umum adalah sebagai berikut: 1. Sebuah tour harus mencakup semua node. 2. Sebuah node harus dikunjungi satu kali. 11

32 3. Sebuah tour harus berawal dan berakhir di depot. 2.8 Sistem Distribusi Distribusi adalah salah satu aspek dari pemasaran. Distribusi juga dapat diartikan sebagai kegiatan pemasaran yang berusaha memperlancar dan mempermudah penyampaian barang dan jasa dari produsen kepada konsumen, sehingga penggunaannya sesuai dengan yang diperlukan. Seorang atau sebuah perusahaan distributor adalah perantara yang menyalurkan produk dari pabrikan (manufacturer) ke pengecer (retailer). Setelah suatu produk dihasilkan oleh pabrik, produk tersebut dikirimkan ke suatu distributor, maka distributor tersebut akan menjual produk tersebut ke pengecer atau pelanggan. Tiga aspek lainnya dari pemasaran adalah manajemen produk, harga, dan promosi Tugas dan Tujuan Distribusi Tugas dari distribusi adalah sebagai berikut: 1. Membeli barang dan jasa dari produsen atau pedagang yang lebih besar. 2. Mengklasifikasi barang atau memilahnya sesuai dengan jenis, ukuran, dan kualitasnya. 3. Memperkenalkan barang atau jasa yang diperdagangkan kepada konsumen, misalnya dengan reklame atau iklan. Adapun tujuan kegiatan distribusi baik yang dilakukan oleh individu atau lembaga adalah sebagai berikut: 1. Kelangsungan kegiatan produksi dapat terjamin. Produsen atau perusahaan membuat barang untuk dijual dan mendapatkan keuntungan dari hasil penjualan yang kembali digunakan untuk proses produksi dimana keuntungan tersebut didapatkan jika terdapat distributor. 2. Barang atau jasa hasil produksi dapat bermanfaat bagi konsumen. Barang atau jasa produksi tidak akan ada artinya jika tetap berada di tempat produsen. Barang atau jasa dapat bermanfaat bagi konsumen jika telah ada kegiatan distribusi. 3. Konsumen meperoleh barang dan jasa dengan mudah. Tidak semua barang atau dapat dibeli langsung konsumen dari 12

33 produsen dimana hal ini membutuhkan penyalur atau distribusi dari produsen ke konsumen. 2.9 Sistem Distribusi PT. Pertamina DPPU Juanda Pada sistem ini, avtur dari tangki penimbunan akan didistribusikan ke konsumen yang berada pada terminal 1 dan 2 melalui beberapa kendaraan dan melalui jalur pipa (hydrant pit). Untuk distribusi ke terminal 1 sudah memiliki hydrant pit yang kemudian disambungkan dengan hydrant dispenser untuk mengisi bahan bakar pesawat, selain itu pada terminal 1 juga terdapat refueller yang bertugas untuk mengisi bahan bakar pesawat langsung tanpa perantara. Sedangkan di terminal 2 tidak memiliki hydrant pit melainkan memiliki depo sendiri yang akan diisi oleh bridger. Depo itu sendiri akan digunakan untuk mengisi ketersediaan bahan bakar pesawat melalui refueller sehingga refueller akan mengisi bahan bakar langsung ke pesawat. Gambar 2.3 Sistem Distribusi Pengisian Bahan Bakar 13

34 2.10 Vehicle Routing Problem Vehicle Routing Problem (VRP) adalah suatu metode yang digunakan untuk menentukan rute beberapa armada kendaraan baik dari satu depot atau pun banyak depot sehingga dapat melayani pelanggan yang tersebar secara geografis. Contoh dari VRP seperti distribusi barang meliputi pelayanan sejumlah konsumen pada waktu tertentu dan jumlah kendaraan berasal dari 1 atau lebih depot, dikendarai oleh sejumlah pengemudi/kru. Terdapat beberapa jenis VRP, antara lain: 1. Capacitated Vehicle Routing Problem (CVRP), jenis dari VRP dimana setiap unit kendaraan mempunyai kapasitas angkut barang yang sama. Jumlah permintaan barang yang dapat dilayani oleh setiap kendaraan tidak boleh melebihi dari kapasitas angkut barang kendaraan. 2. Vehicle Routing Problem with Time Window (CRPTW), jenis dari VRP dimana masing-masing pelanggan dan tempat pemberhentian memiliki interval waktu tertentu dalam melakukan pengambilan dan pengiriman barang. 3. Capacitated Vehicle Routing Problem with Time Windows (CVRPTW), jenis dari VRP yang merupakan gabungan dari CVRP dan VRPTW. 4. Multiple Depot Vehicle Routing Problem (MDVRP), jenis dari VRP dengan lebih dari satu depot. 5. Periodic Vehicle Routing Problem (PVRP), jenis dari VRP dimana pengiriman barang dapat dilakukan dalam beberapa hari (lebih dari 1 hari). 6. Split Delivery Vehicle Routing Problem (SDVRP), jenis dari VRP dimana satu pelanggan dapat dilayani oleh lebih dari satu unit kendaraan. 7. Vehicle Routing Problem with Backhauls (VRPB), jenis dari VRP dimana antara pengambilan barang dan pengiriman barang dapat dilakukan pada setiap tempat pemberhentian yang diberikan sepanjang rute. Secara khusus, pengambilan barang tidak dapat dilakukan sampai semua pengiriman selesai dilakukan. 14

35 Metode Penyelesaian Vehicle Routing Problem Pada dasarnya, terdapat 3 metode untuk menyelesaikan permasalahan VRP, antara lain: 1. Metode Eksak Pada metode eksak, dilakukan pendekatan dengan menghitung setiap solusi yang mungkin sehingga solusi terbaik dapat diperoleh. Contoh dari penyelesaian ini adalah metode branch and bound dan branch and cut. 2. Metode Heuristik Metode ini memberikan satu cara untuk menyelesaikan permasalahan optimasi yang lebih sulit dan waktu penyelesaiaan yang lebih cepat daripada metode eksak. Contoh metode ini adalah metode saving, metode nearest neighbor, multiroute improvement heuristic, dll. 15

36 3. Metode Metaheuristrik Algoritma heuristik modern atau lebih dikenal dengan metaheuristik memecahkan masalah penjadwalan produksi dengan melakukan perbaikan mulai dengan satu atau lebih solusi awal. Solusi awal ini dapat dihasilkan secara acak, dapat pula dihasilkan berdasarkan hasil dari metode heuristik tertentu. Contoh dari metode metaheuristik adalah genetic algorithm, particle swarm algorithm, ant colony algorithm, dll Vehicle Routing Problem with Tight time window, Short travel time, and Re-use vehicle (VRPTSR) Vehicle Routing Problem with Tight time window, Short travel time, and Re-use vehicle (VRPTSR) merupakan gabungan dari beberapa jenis dari VRP, yaitu Capacitated Vehicle Routing Problem (CVRP), Vehicle Routing Problem with Time Window (CRPTW), dan penggunaan kendaraan lebih dari satu kali. Pada umumnya, permasalahan VRP terdapat beberapa kendaraan, kendaraan tersebut hanya digunakan satu kali dalam melayani permintaan pelanggan dan tidak dapat digunakan lagi. Pada permasalahan ini, kendaraan dapat digunakan kembali untuk melayani permintaan pelanggan yang belum dilayani oleh kendaraan itu sendiri dan kendaraan lainnya. 16

37 Rute 4 5 Rute Truk 1 4 Rute 3 Depot Rute Truk Rute 1 3 Rute 2 Rute Truk 2 Gambar 2.4 Representasi VRPTSR Dalam gambar 2.4, diilustrasikan suatu permasalahan Vehicle Routing Problem with Tight time window, Short travel time, and Re-use vehicle yang terdiri dari 1 depo, 5 pelanggan, dan 3 kendaraan. Dari ketiga kendaraan tersebut, hanya truk 3 yang melayani kembali setelah kembali dari depo untuk pengisian. Truk 2 dan truk 1, hanya melayani satu permintaan pelanggan saja setelah itu truk 2 dan 1 akan kembali ke depot dikarenakan truk 2 dan 1 kapasitas sisa tidak dapat memenuhi permintaan berikutnya Metode Sorting Sorting atau pengurutan data adalah proses yang sering dan harus dilakukan dalam pengolahan data. Sort dalam hal ini diartikan mengurutkan data yang berada dalam suatu tempat penyimpanan, dengan urutan tertentu baik urutan menaik (ascending) dari nilai terkecil sampai dengan nilai terbesar, atau urutan menurun (descending) dari nilai terbesar sampai dengan nilai terkecil. 17

38 Terdapat dua macam pengurutan pada kasus sorting, yaitu: 1. Pengurutan internal (internal sort) Pengurutan terhadap sekumpulan data yang disimpan dalam media internal komputer yang dapat diakses setiap elemennya secara langsung. Dapat dikatakan sebagai pengurutan tabel. 2. Pengurutan eksternal (external sort) Pengurutan data yang disimpan dalam memori sekunder, biasanya data bervolume besar sehingga tidak mampu untuk dimuat semuanya dalam memori Ant Colony Optimization (ACO) Ant Colony Optimization (ACO) adalah suatu metode penyelesaian masalah optimasi yang berupa kumpulan beberapa algoritma yang menggunakan teknik probabilistik dan perilaku koloni semut dalam mencari makanan. Konsep ACO pertama kali diperkanalkan melalui algoritma Ant System (AS) pada tahun 1992 oleh Marco Dorigo dalam disertasinya. Terinspirasi oleh cara koloni semut dalam mencari rute ke sumber makanan, metode ini meniru sistem komunikasi koloni semut yang meninggalkan zat kimia yang disebut feromon di rute-rute perjalanan mereka. Setiap semut memulai tournya melalui sebuah titik yang dipilih secara acak (setiap semut memiliki titik awal yang berbeda). Secara berulang kali, satu-persatu titik yang ada dikunjungi oleh semut dengan tujuan untuk menghasilkan sebuah tour. Pemilihan titik-titik yang akan dilaluinya didasarkan pada suatu fungsi probabilitas, dinamai aturan transisi status (state transition rule), dengan mempertimbangkan visibility (invers dari jarak) titik tersebut dan jumlah Feromone yang terdapat pada ruas yang menghubungkan titik tersebut. Semut yang menemukan sumber makanan, akan meninggalkan feromon di rute saat kembali ke koloninya. Semut lain yang mencium feromon di suatu rute, akan cenderung untuk mengikuti rute tersebut jika kandungan feromon cukup padat. Semakin padat kandungan feromon pada suatu rute, semakin besar kemungkinan semut lain mengikuti rute tersebut. Feromon akan mengalami penguapan seiring berjalannya waktu. Rute yang pendek akan mengandung feromon yang cukup padat, karena waktu yang digunakan untuk pulang-pergi (tiap kali pulang ke koloninya, semut selalu meninggalkan feromon) dari koloni ke sumber makanan lebih sedikit, yang menyebabkan penguapan feromon menjadi minimal. 18

39 Gambar 2.5 Perjalanan Semut dari Sarang Menuju Sumber Makanan Melalui Lintasan Terpendek Dalam dunia nyata, semut mencari jalan secara acak, menemukan makanan, dan kembali ke sarang sambil meninggalkan jejak pheromone. Jika semut lain menemukan jalur tersebut, maka mereka tidak akan berjalan secara acak lagi tetapi mulai mengikuti jejak pheromone yang kemudian menguatkan jejak tersebut. jejak pheromone tersebut akan memudar seiring berjalannya waktu. Untuk jalur-jalur yang panjang, jejak tersebut akan mulai memudar karena jarang dilalui, sedangkan untuk jalur-jalur yang pendek, jejak tersebut akan mempunyai ketebalan pheromone yang tinggi dan membuat jalur tersebut yang akan dipilih dan jalur yang panjang akan ditinggalkan Algoritma ACO Prosedur algoritma ACO (Dorigo, Gambardella) dijelaskan sebagai berikut: 1. Menentukan nilai parameter-parameter ACO (jumlah semut M, jumlah iterasi K, dan lain-lain) dan inisialisasi jumlah feromon pada setiap cabang. 2. Menentukan node selanjutnya berdasarkan state transition rule dan meng-update jumlah feromon pada setiap cabang 19

40 yang dilaluinya berdasarkan local pheromone update. Setiap semut akan membangun solusi (rute). a. State Transition Rule State Transition Rule yang digunakan dalam pemilihan node selanjutnya dapat dirumuskan sebagai berikut: arg max ( r, u). ( r, u), q U Jk ( r) (2.6) Sk( r, s) q o q o ( r, s). ( r, s) ( r, u). ( r, u), q (2.7) u Jk ( r) (2. Dimana jika q q o, maka eksploitasi, sedangkan jika q q o, maka eksplorasi. Keterangan: τ(r, u) : jumlah feromon pada sisi dari simpul r ke simpul u. η(r, u) : (panjang sisi dari simpul r ke simpul u) -1. β : parameter perbandingan jumlah feromon relatif terhadap jarak (merupakan parameter yang telah ditentukan sebelumnya). J k (r) : himpunan node yang belum dikunjungi oleh semut ke-k yang berada ada node r. τ(r, s) : jumlah feromon pada sisi dari simpul r ke simpul s. η(r, s) : (panjang sisi dari simpul r ke simpul s) -1. q : bilangan random. q 0 : parameter yang menentukan eksploitasi dan eksplorasi. Ekploitasi : semut akan memilih node yang paling pendek dan jumlah pheromone yang tinggi. Eksplorasi : semut akan mencari node yang belum pernah dikunjungi sebelumnya. b. Local Pheromone Update Setiap kali membentuk tour, semut-semut tersebut akan melewati cabang yang ada dan merubah jumlah pheromone dengan persamaan: τ ( r,s ) (1 ρ ). τ ( r,s ) + ρ. τ ( r,s ) (2.8) keterangan: 20

41 τ ( r,s ) : jumlah feromon pada sisi dari simpul r ke simpul s. ρ : parameter lokal feromon yang hilang. τ ( r,s ) : jumlah total feromon pada sisi dari simpul r ke s. 3. Mengurutkan solusi ke-1 sampai dengan solusi ke-m, simpan solusi terbaik sebagai solusi BestIteration. 4. Melakukan local search, dalam hal ini insertion heuristic, pada BestIteration. 5. Melakukan global pheromone update pada BestIteration. Setelah semua semut telah melaluli tiap node maka besarnya jumlah pheromone akan berubah berdasarkan persamaan global updating rule berikut: τ ( r,s ) (1 α ). τ ( r,s ) + α. τ ( r,s ) (2.9) ( r, s ) = 1 Lgb 0 untuk( r, s) global best tour lainnya Dimana α adalah parameter global feromon yang hilang dan Lgb adalah panjang dari tour terbaik yang dihasilkan oleh sekumpulan semut tersebut. 6. Pada iterasi ke-1, BestIteration = BestSolution. Pada iterasi ke-2 sampai ke-k, Jika BestIteration > BestSolution maka BestIteration = BestSolution Nearest Neighbor Metode Nearest Neighbor pertama kali diperkenalkan pada tahun 1983 dan merupakan metode yang sangat sederhana. Pada setiap iterasinya, dilakukan pencarian pelanggan yang terdekat dengan yang terakhir untuk ditambahkan pada akhir rute tersebut. Rute baru dimulai dengan metode yang serupa, jika tidak terdapat posisi yang fisibel untuk menempatkan pelanggan baru karena kendala kapasitas atau time windows. Cara kerja metode ini adalah pertama-pertama, semua rute kendaraan masing kosong. Dimulai dari rute kendaraan pertama, metode ini memasukkan satu persatu pelanggan terdekat yang belum dikunjungi ke dalam rute, selama memasukkan pelanggan tersebut ke dalam rute kendaraan tidak melanggar batasan kapasitas maksimum kendaraan tersebut. Kemudian proses yang serupa juga dilakukan untuk kendaraan- 21

42 kendaraan berikutnya, sampai semua kendaraan telah penuh atau semua pelanggan telah dikunjungi. Langkah-langkah metode Nearest Neighbor adalah sebagai berikut: 1. Langkah 1 Berawal dari depot, kemudian mencari pelanggan yang belum dikunjungi yang memiliki jarak terpendek dari depot sebagai lokasi pertama. 2. Langkah 2 Ke pelanggan lain yang memiliki jarak terdekat dari pelanggan yang terpilih sebelumnya dan jumlah pengiriman tidak melebih kapasitas kendaraan. a. Apabila ada pelanggan yang terpilih sebagai pelanggan berikutnya dan terdapat sisa kapasitas kendaraan, kembali ke langkah 2. b. Bila kendaraan tidak memiliki kapasitas, kembali ke langkah 1. c. Bila tidak ada lokasi yang terpilih karena jumlah pengiriman melebihi kapasitas kendaraan, maka kembali ke langkah 1. Dimulai lagi dari depot dan mengunjungi pelanggan yang belum dikunjungi yang memiliki jarak tersebut. 3. Langkah 3 Bila semua pelanggan telah dikunjungi maka algoritma berakhir. 22

43 Bab III PERANCANGAN SISTEM 3.1 Proses Distribusi Bahan Bakar Pesawat Seperti yang sudah dijelaskan pada subbab 2.2, penelitian tugas akhir ini tertuju pada pembahasan truk refueller yang ada di terminal 2. Sistem distribusi yang dilakukan oleh truk refueller dapat digambarkan dalam ilustrasi berikut: Gambar 3.1 Sistem Distribusi Terminal 2 Penjabaran prosess distribusi terminal 2 adalah sebagai berikut: 1. Pada proses distribusi di terminal 2 hanya terdapat 2 (dua) jenis kendaraan, yaitu truk bridger dan truk refuelle. 2. Truk bridger mengambil bahan bakar pesawat di DPPU Juanda yang kemudian akan didistribusikan ke depot yang terletak di terminal 2. 23

44 3. Depot di terminal 2 digunakan untuk mengisi bahan bakar pesawat ke truk refueller dan menjadi tempat parkir truk refueller. 4. Setelah permintaan bahan bakar pada tiap truk refueller telah terpenuhi, maka truk refueller dapat sedia kapan pun untuk melakukan pengisian bahan bakar pesawat secara langsung. 3.2 Perancangan Konseptual Parameter Sistem 1. Frekuensi melayani penerbangan oleh satu truk. 2. Waktu pelayanan tiap penerbangan. 3. Waktu perjalanan dari apron satu ke apron lainnya. 4. Truk mana yang tersedia. 5. Konstanta pembobot Variabel Sistem 1. Truk yang ditugaskan untuk melayani penerbangan. 2. Waktu mulai setiap penerbangan. 3. Satu truk dapat melayani penerbangan baru setelah melayani penerbangan lama BatasanSistem 1. Satu pesawat hanya dapat diisi oleh satu truk saja. 2. Jumlah frekuensi satu truk dalam melayani penerbangan perhari adalah G. 3. Apabila penerbangan baru dan lama dilayani oleh truk yang sama, maka pelayanan untuk penerbangan baru dimulai setelah penerbangan lama telah selesai dilayani. 4. Total permintaan bahan bakar pada setiap pesawat tidak boleh melebihi kapasitas truk. 5. Dalam melayani, truk hanya melayani urutan penerbangan dari penerbangan lama ke penerbangan baru atau sebaliknya. 24

45 3.3 Model Matematis Model matematis digunakan untuk menafsirkan hasil perancangan konseptual dalam bentuk yang lebih detail. Dalam model matematis ini, akan dijelaskan mengenai fungsi objektif, parameter, variabel, dan batasan yang ada Fungsi Objektif Fungsi objektif pada penelitian tugas akhir ini adalah memiminumkan jumlah truk yang akan diberangkatkan. Fungsi objektif dapat berupa persamaan berikut: Min Z m y k k 1 (3.1) Parameter G : frekuensi melayani penerbangan oleh satu truk. H : konstanta pembobot. : waktu pelyanan penerbangan ke-i. p i c ij :waktu perjalanan dari apron penerbangan ke-i a i b i d i M k Variabel Keputusan menuju apron penerbangan ke-j : batas awal waktu mulai melayani penerbangan ke-i : batas akhir waktu mulai melayani penerbangan ke-i : permintaan setiap penerbangan i : kapasitas truk 1, truk k yangsiap ditugaskan untuk penerbangan i x ik = 0, jika tidak ada y k 1, truk k yangakan digunakan = 0, jika tidak ada 25

46 3.3.4 Batasan n x k ik 1, untuk i 1,2,...,n (3.2) m x Gy k, k ik untuk k 1,2,...,m s j H( 1 z ij ) s p c ij H( x ik x jk 2), i i untuk j i; i, j 1,2,...,n; k 1,2,...,m d i x ij i N j N M k x ik x jk 1 z z ji 1, ij untuk j i; i, j 1,2,...,n; k 1,2,...,m x ik, z ijk {0,1}, untuk i, j 1,2,...,n; k 1,2,..., m s i { a i, b i }, untuk i 1,2,..., n y k {0,1}, untuk k 1,2,..., m (3.3) (3.4) (3.5) (3.6) (3.7) (3.8) (3.9) Fungsi objektif di persamaan (3.1) adalah untuk meminimumkan jumlah keberangkatan truk yang akan digunakan. Disamping harus memenuhi fungsi objektif, sistem ini juga harus memenuhi semua batasan yang ada. Pada batasan (3.2) menjelaskan bahwa satu pesawat hanya dapat dilayani oleh satu truk saja. Batasan (3.3) menjelaskan setiap truk memiliki frekuensi dalam melayani penerbangan perhari yang dilambangkan dengan G. Batasan (3.4) menjelaskan apabila penerbangan ke-j dan penerbangan ke-i dilayani oleh truk yang sama, maka pelayanan untuk penerbangan ke-j dimulai setelah pelayanan untuk penerbangan kei. Batasan (3.5) menjelaskan bahwa total permintaan bahan bakar pada setiap pesawat tidak boleh melebihi kapasitas truk. Sedangkan pada batasan (3.6), dijelaskan bahwa dalam melayani, truk hanya melayani urutan penerbangan dari penerbangan ke-i ke-j atau sebaliknya. 26

47 3.4 Perancangan Fungsional Tahap perancangan fungsional adalah menjabarkan semua fungsi operasional sistem, yaitu semua fungsi yang dijalankan oleh sistem ketika sistem dioperasikan. Fungsi operasional perangkat lunak yang dirancang dan dikembangkan adalah sebagai berikut: 1. Penentuan Rute Sistem dapat mengeluarkan rute dari tiap keberangkatan truk dalam melayani penerbangan yang parkir di tempat yang telah disediakan. 2. Penggabungan Rute Sistem dapat memilih rute mana yang diambil untuk tiap kendaraan. 3. Pemilihan Kendaraan Sistem dapat memilih kendaraan mana yang akan diberangkatkan pertama dan selanjutnya sampai semua penerbangan dapat terlayani semuanya Inisiasi Data Sistem ini diawali dengan inisiasi data umum. Data umum terbagi menjadi 2, yaitu data umum bersifat fix dan data umum yang bersifat asumsi. Data umum yang bersifat fix adalah data yang didapat langsung dari pihak PT. Pertamina DPPU Juanda Surabaya. Sedangkan data umum bersifat asumsi adalah data yang dibuat oleh penulis sebagai penunjang data fix. Data umum yang bersifat fix adalah: 1. Tipe dan Jumlah Kendaraan Jumlah truk atau kendaraan yang tersedia sebanyak 10 dengan kapasitas yang berbeda-beda, yaitu 16 KL, 25 KL, dan 40 KL. 27

48 Tabel 3.1 Tabel jenis-jenis kendaraan dengan kapasitas Kendaraan Kapasitas RF Kiloliter RF Kiloliter RF Kiloliter RF Kiloliter RF Kiloliter RF Kiloliter RF Kiloliter RF Kiloliter RF Kiloliter RF Kiloliter 2. Maskapai penerbangan Maskapai penerbangan digunakan untuk memberikan informasi tentang watku kedatangan tiap penerbangan agar tiap kendaraan atau truk tahu kapan harus atau tidak. Tabel 3.2 Tabel Jadwal Penerbangan Maskapai Penerbangan Waktu Kedatangan PT. Garuda 05:01:00 China Airlines 04:44:00 PT. Airasia 05:00:00 3. Waktu Pelayanan dan alokasi parkir pesawat (apron) Dari informasi tabel 3.2 sudah diketahui, maka truk dapat melayani penerbangan dengan kedatangan yang lebih awal. Terdapat 2 jenis apron, yaitu apron untuk penerbangan domestik dan apron untuk penerbangan internasional. Apron digunakan agar truk dapat memilih apron dari kedatangan penerbangan, dengan mempertimbangkan waktu kedatangan pesawat dan kapasitas sisa dari truk itu sendiri. Untuk alokasi parkir tiap penerbangan, penerbangan yang datang lebih awal dapat menempati apron pertama. 28

49 Tabel 3.3 Tabel Pengalokasian Pesawat Maskapai Permintaan Apron Penerbangan PT. Garuda 1,907 Kiloliter 1 China Airlines 5,199 Kiloliter 7 PT. Airasia 3,679 Kiloliter 6 Sedangkan data umum yang bersifat asumsi adalah: 4. Waktu tempuh depot-apron, apron-apron, apron-depot Waktu tempuh dari depot ke apron, apron ke apron, apron ke depot ini berupa matriks 9x9. Satu waktu tempuh ini adalah detik. Data ini diperoleh dengan menghitung jarak pintu masuk sampai batas akhir gedung bandara Fungsi Ant Colony Algorithm Seperti yang telah dijelaskan pada bab 2, algoritma ini berjalan layaknya kehidupan ant colony dalam mencari sumber makanan. Masukan dari algoritma ini berupa jumlah semut, state transtition rule, dan penambahan dan penguapan pheromone. Ant Colony Algorithm yang digunakan dalam sistem vehicle routing problem adalah berfungsi untuk menentukan rute mana saja yang akan dilayani terlebih dahulu. Kemungkinan rute terpilih merupakan proses dari perulangan yang ada pada ant colony algorithm. Prosedur ant colony algorithm dalam menyelesaikan sistem vehicle routing problem adalah sebagai berikut: 1. Inisiasi parameter ant colony Parameter yang digunakan dalam ant colony algorithm memiliki karakteristik tertentu. Penjelasan parameter ant colony algorithm dapat dilihat pada tabel dibawah ini. Tabel 3.4 Tabel Keterangan Parameter Ant Colony Algorithm Parameter Keterangan Nilai Max Iteration Jumlah iterasi yang digunakan 400 N Ant Jumlah semut 40,60 dan 80 Alpha (α) Pembobot pheromone 10 Beta (β) Pembobot heuristic 10 ρ Tingkat Penguapan 0,2;0,5;0,8 29

50 2. Nilai rho (ρ) adalah parameter tingkat penguapan. Penurunan jumlah pheromone memungkinkan semut untuk mengeksplorasi lintasan yang berbeda selama proses pencarian. Ini juga akan menghilangkan kemungkinan memilih lintasan yang kurang bagus. Selain itu, ini juga membantu membatasi nilai maksimum yang dicapai oleh suatu lintasan pheromone. Jumlah pheromone yang ditambahkan pada ruas i- j oleh semut k diberikan sebagai berikut: ( k) Q i, j = L k (3.10) Dimana Q adalah konstanta dan L k adalah lintasan terpendek yang dilalui semut k. Nilai Q biasanya ditentukan oleh user. Atau bisa juga diimplementasikan dengan cara berikut: cf best ( k) i, j = f worst, jika (i, j) lintasan terbaik global 0, untuk yanglain Dimana f best adalah nilai terbaik dari fungsi tujuan dan f worst nilai terjelek dari fungsi tujuan. Sedangkan c adalah konstanta untuk mengontrol skala updating global pheromone. Semakin tinggi nilai c semakin banyak pheromone ditambahkan ke lintasan global terbaik dan semakin bagus kemampuan mengeksploitasi. Persamaan diatas dimaksudkan untuk memberikan jumlah pheromone lebih banyak pada lintasan terbaik secara global (keseluruhan). 30

51 BAB IV IMPLEMENTASI DAN ANALISIS Pada bab ini membahas mengenai implementasi sistem yang telah dirancang sebelumnya, namun sebelum itu dilakukan pengumpulan datadata yang dibutuhkan untuk melakukan implementasi sistem, data-data yang dibutuhkan seperti jumlah kendaraan atau truk, maskapai penerbangan tiap harinya, waktu mulai pelayanan tiap maskapai penerbangan oleh keadaan atau truk, dan alokasi parkir penerbangan atau apron. Pertama-pertama dilakukan pengujian terhadap ACO yang telah dirancang pada bab sebelumnya untuk menyelesaikan permasalahan optimasi distribusi pengisian bahan bakar pesawat. Pengujian pada Aco diuji sebanyak 7 kali dengan iterasi yang sama untuk tiap pengujiannya. Algoritma tersebut akan mengeluarkan proporsi pelayanan tiap truk dalam tiap harinya, sehingga menghasilkan nilai fungsi objektif yang optimal dari sistem distribusi tersebut. Setelah melakukan simulasi dengan proporsi pelayanan tiap truk dalam tiap harinya yang telah dihitung agar mencapai nilai fungsi objektif yang optimal, kemudian dilakukan analisa hasil dari simulasi kondisi awal sebelum dioptimalkan dan simulasi kondisi yang telah dioptimalkan. 4.1 Pengumpulan Data Seperti pada penjelasan subbab mengenai inisiasi data, bahwa proses pengumpulan data adalah proses paling utama pada kesuluruhan proses. Pengumpulan data ini dibagi kedalam dua tipe, yaitu data intern dan data ekstern Data Intern Data intern adalah data yang diperoleh langsung dari pihak PT.Pertamina DPPU Juanda Surabaya. Data yang berada di bab ini merupakan data pada tanggal 1 Mei Adapun data-data tersebut antara lain: 31

52 1. Tipe dan Jumlah Kendaraan Jumlah truk atau kendaraan yang tersedia sebanyak 10 dengan kapasitas yang berbeda-beda, yaitu 16 Kiloliter, 25 Kiloliter, dan 40 Kiloliter. Tabel 4.1 Tabel Tipe dan Kapasitas Kendaraan Kendaraan Kapasitas RF Kiloliter RF Kiloliter RF Kiloliter RF Kiloliter RF Kiloliter RF Kiloliter RF Kiloliter RF Kiloliter RF Kiloliter RF Kiloliter 2. Jumlah Permintaan Untuk melayani penerbangan selanjutnya, truk terlebih dahulu mempertimbangkan waktu kedatangan pesawat dan jumlah kapasitas sisa, ketika jumlah permintaan masih mencukupi kapasitas sisa maka truk tersebut dapat melayani penerbangan selanjutnya. Tabel 4.2 Tabel Permintaan Tiap Maskpai Maskapai Permintaan PT. Airasia 2,228 Kiloliter PT. Garuda 2,606 Kiloliter China Airlines 1,004 Kiloliter PT. Airasia 4,838 Kiloliter PT Garuda 5,931 Kiloliter PT. Airasia 4,377 Kiloliter PT Garuda 5,222 Kiloliter PT. Airasia 1,541 Kiloliter Tabel 4.2 Tabel Permintaan Tiap Maskpai (Lanjutan) Maskapai Permintaan 32

53 PT Garuda PT Garuda Cathay Pacific PT Garuda PT Garuda PT Garuda Airasia Berhad PT. Airasia Singapore Airlines Tiger Airways PT Garuda PT Garuda PT. Airasia PT Garuda PT. Airasia PT. Airasia PT Garuda Jetstar Asia Airways PTE LTD PT Garuda PT Garuda PT Garuda PT Garuda PT. Airasia PT Garuda PT Garuda PT. Airasia PT Garuda PT Garuda PT Garuda Silk Air PT. Airasia PT Garuda PT Garuda PT Garuda 4,572 Kiloliter 4,777 Kiloliter 19,043 Kiloliter 4,770 Kiloliter 8,502 Kiloliter 0,544 Kiloliter 3,850 Kiloliter 3,194 Kiloliter 14,169 Kiloliter 1,850 Kiloliter 3,572 Kiloliter 6,444 Kiloliter 8,800 Kiloliter 1,427 Kiloliter 0,592 Kiloliter 5,979 Kiloliter 1,211 Kiloliter 1,198 Kiloliter 5,711 Kiloliter 0,200 Kiloliter 2,488 Kiloliter 3,670 Kiloliter 8,018 Kiloliter 9,132 Kiloliter 1,073 Kiloliter 1,261 Kiloliter 5,807 Kiloliter 9,192 Kiloliter 1,739 Kiloliter 4,996 Kiloliter 6,079 Kiloliter 7,524 Kiloliter 5,417 Kiloliter 1,499 Kiloliter Tabel 4.2 Tabel Permintaan Tiap Maskpai (Lanjutan) Maskapai Permintaan 33

54 PT Garuda Airasia Berhad PT Garuda PT. Airasia 3,809 Kiloliter 2,729 Kiloliter 0,729 Kiloliter 4,406 Kiloliter 3. Waktu pelayanan Terdapat 2 jenis apron, yaitu apron untuk penerbangan domestik dan apron untuk penerbangan internasional. Apron digunakan agar truk dapat memilih apron dari kedatangan penerbangan, dengan mempertimbangkan waktu kedatangan pesawat dan kapasitas sisa dari truk itu sendiri. Untuk alokasi parkir tiap penerbangan, penerbangan yang datang lebih awal dapat menempati apron pertama. Tabel 4.3 Tabel Waktu Pelayanan Tiap Maskpai Maskapai Start Finish Apron PT. Airasia 04:50 04:54 6 PT. Garuda 04:53 04:57 1 China Airlines 04:55 04:58 7 PT. Airasia 05:03 05:15 1 PT Garuda 05:12 05:25 2 PT. Airasia 05:40 05:50 7 PT Garuda 05:53 06:02 3 PT. Airasia 06:02 06:06 1 PT Garuda 06:48 06:56 6 PT Garuda 07:10 07:19 1 Cathay Pacific 07:30 08:08 6 PT Garuda 07:54 08:02 2 PT Garuda 08:04 08:16 3 PT Garuda 08:26 08:28 4 Airasia Berhad 08:50 08:58 6 PT. Airasia 09:05 09:10 3 Tabel 4.3 Tabel Waktu Pelayanan Tiap Maskpai (Lanjutan) Maskapai Start Finish Apron Singapore Airlines 09:37 10:01 7 Tiger Airways 10:00 10:

55 PT Garuda 10:09 10:29 5 PT Garuda 10:46 10:57 1 PT. Airasia 11:05 11:21 6 PT Garuda 11:29 11:36 2 PT. Airasia 11:37 11:41 2 PT. Airasia 11:54 12:03 6 PT Garuda 12:07 12:10 3 Jetstar Asia Airways 12:30 12:35 6 PT Garuda 14:22 14:33 1 PT Garuda 14:26 14:28 2 PT Garuda 14:36 14:42 3 PT Garuda 14:42 14:50 4 PT. Airasia 15:02 15:12 3 PT Garuda 15:30 15:44 5 PT Garuda 15:49 15:53 1 PT. Airasia 15:57 16:01 6 PT Garuda 16:47 16:59 1 PT Garuda 17:08 17:28 2 PT Garuda 18:01 18:12 3 Silk Air 18:10 18:20 6 PT. Airasia 18:15 18:27 7 PT Garuda 18:29 18:42 4 PT Garuda 18:31 18:43 5 PT Garuda 19:39 19:45 1 PT Garuda 20:39 20:47 2 Airasia Berhad 21:20 21:29 6 PT Garuda 22:13 22:16 1 PT. Airasia 22:23 22:

56 4.2 Hasil Running program Ada satu data yang dihasilkan dari proses optimasi pengisian bahan bakar pesawat menggunakan algoritma ant colony. Pada tabel 4.4, 4.5, dan 4.6 adalah hasil yang diperoleh menggunakan nilai parameter ρ=0,2, semut 80 dan iterasi 400; ρ=0,5, semut 80 dan iterasi 400; ρ=0,8, semut 80 dan iterasi 400. Tabel 4.4 Hasil Nilai ρ=0,2, semut=80 dan iterasi 400 Truk RF 09 RF 09 RF 09 RF 09 RF 09 RF 09 RF 16 RF 16 RF 16 RF 16 RF 19 RF 19 RF 19 RF 19 Penerbangan 0-1(A6)-7(A4)-10(A6) (A7)-12(A1) (A4)-18(A1)-19(A2)- 20(A6) (A7)-26(A6)-27(A1)- 28(A2)-31(A1) (A6)-34(A1)-35(A2)- 36(A3) (A3)-41(A1)-42(A2)- 43(A3)-44(A6)-45(A4)- 46(A5)-0 0-2(A1)-5(A3)-6(A6)- 8(A5)-9(A1) (A2)-14(A8)-15(A3) (A5)-23(A8)-25(A2)- 29(A6)-30(A3)-37(A6) (A4)-0 0-3(A2)-4(A7) (A1) (A2) (A5)-0 36

57 Tabel 4.5 Hasil Nilai ρ=0,5, semut=80 dan iterasi 400 Truk Penerbangan RF (A6)-0 RF (A3)-41(A1)-42(A2)- 43(A3)-44(A6)-45(A4)- 46(A5)-0 RF (A1)-5(A3)-8(A5)- 9(A1)-10(A6)-0 RF (A7)-12(A1)-0 RF (A8)-15(A3)-17(A5)- 18(A1)-0 RF (A6)-21(A3)-22(A7)- 24(A1)-26(A6)-29(A6)-0 RF (A1)-32(A6)-33(A2)- 39(A4)-0 RF (A5)-0 RF (A2)-4(7)-0 RF (A8)-0 RF (A1)-28(A2)-34(A1)- 35(A2)-36(A3)-37(A6)-0 RF (A6)-7(A4)-0 RF (A2)-16(A4)-0 RF (A2)-0 RF (A2)-0 RF (A3)-0 37

58 Tabel 4.6 Hasil Nilai ρ=0,8, semut=80 dan iterasi 400 Truk Penerbangan RF (A6)-0 RF (A3)-37(A6)-38(A3)- 41(A1)-42(A2)-0 RF (A3)-44(A6)-45(A4)- 46(A5)-0 RF (A1)-8(A5)-0 RF (A3)-16(A4)-17(A5)- 18(A1)-0 RF (A3)-23(A8)-25(A2)- 26(A6)-27(A1)-28(A2)-0 RF (A6)-33(A2)-40(A5)-0 RF (A2)-7(A4)-0 RF (A8)-0 RF (A7)-0 RF (A6)-31(A1)-34(A1)- 35(A2)-39(A4)-0 RF (A7)-0 RF (A6)-11(A7)-0 RF (A2)-0 RF (A6)-0 RF (A1)-0 RF (A3)-0 RF (A3)-6(A6)-0 RF (A1)-0 RF (A1)-0 RF (A2)-0 Dalam hasil running program, juga didapatkan grafik perbandingan antara parameter ρ=0,2, semut 80 dan iterasi 400; ρ=0,5, semut 80 dan iterasi 400; ρ=0,8, semut 80 dan iterasi 400. Dari program tersebut, dapat disimpulkan bahwa parameter ρ=0,2, semut 80 dan iterasi 400, program sudah dapat memberikan hasil terbaik, yaitu truk yang digunakan sebanyak 3. 38

59 Tanggal 1 Mei jumlah truk N=80 dan rho=0,2 N=80 dan rho=0,5 N=80 dan rho=0,8 Gambar 4.1 Hasil Tanggal Pengujian Parameter Ant Colony Algorithm Proses pengujian ini dilakukan dalam mencari parameter terbaik untuk data yang berbeda-beda. Parameter yang diubah adalah jumlah semut dan tingkat penguapan dari pheromone. Pengujian ini, diuji sebanyak 14 kali Pengujian Tingkat Penguapan Pheromone Pada pengujian tingkat penguapan pheromone (ρ), parameter ρ dibuat bervariasi nilainya, yaitu 0,2; 0,5; 0,8 dengan jumlah semut dan iterasi yang sama yaitu 80 dan

60 Tanggal 2 Mei jumlah truk N=80 dan rho=0,2 N=80 dan rho=0,5 N=80 dan rho=0,8 Gambar 4.2 Hasil Tingkat Penguapan Pheromone tanggal 2 Dari gambar 4.2, parameter ρ=0,2, semut 80 dan iterasi 400 menghasilkan jumlah truk yang digunakan paling sedikit, yaitu berjumlah 3. 40

61 Tanggal 3 Mei jumlah truk N=80 dan rho=0,2 N=80 dan rho=0,5 N=80 dan rho=0,8 Gambar 4.3 Hasil Tingkat Penguapan Pheromone tanggal 3 Dari gambar 4.3, parameter ρ=0,5, semut 80 dan iterasi 400 menghasilkan jumlah truk yang digunakan paling sedikit, yaitu berjumlah 3. Tanggal 4 Mei jumlah truk N=80 dan rho=0,2 N=80 dan rho=0,5 N=80 dan rho=0,8 Gambar 4.4 Hasil Tingkat Penguapan Pheromone tanggal 4 41

62 Dari gambar 4.4, semua parameter menghasilkan jumlah truk yang sama, yaitu 4 truk. Tanggal 5 Mei jumlah truk N=80 dan rho=0,2 N=80 dan rho=0,5 N=80 dan rho=0,8 Gambar 4.5 Hasil Tingkat Penguapan Pheromone tanggal 5 Dari gambar 4.5, parameter ρ=0,2, semut 80 dan iterasi 400 menghasilkan jumlah truk yang digunakan paling sedikit, yaitu berjumlah 3. Tanggal 6 Mei jumlah truk N=80 dan rho=0,2 N=80 dan rho=0,5 N=80 dan rho=0,8 Gambar 4.6 Hasil Tingkat Penguapan Pheromone tanggal 6 42

63 Dari gambar 4.6, parameter ρ=0,2, semut 80 dan iterasi 400, dan parameter ρ=0,5, semut 80 dan iterasi 400 sama-sama menghasilkan jumlah truk yang digunakan paling sedikit, yaitu berjumlah 3. Tanggal 7 Mei jumlah truk N=80 dan rho=0,2 N=80 dan rho=0,5 N=80 dan rho=0,8 Gambar 4.7 Hasil Tingkat Penguapan Pheromone tanggal 7 Dari gambar 4.5, parameter ρ=0,2, semut 80 dan iterasi 400 menghasilkan jumlah truk yang digunakan paling sedikit, yaitu berjumlah 3. 43

64 4.3.2 Pengujian Jumlah Semut Pada pengujian jumlah semut (N), parameter N dibuat bervariasi nilainya, yaitu 40,60,80 dengan ρ dan iterasi sama sebesar 0,5 dan 400. Tanggal 1 Mei jumlah truk N=40 dan rho=0,5 N=60 dan rho=0,5 N=80 dan rho=0,5 Gambar 4.8 Hasil Pengujian Semut Tanggal 1 Dari gambar 4.8, parameter ρ=0,5, semut 60 dan iterasi 400 menghasilkan jumlah truk yang digunakan paling sedikit, yaitu berjumlah 3. 44

65 Tanggal 2 Mei jumlah truk N=40 dan rho=0,5 N=60 dan rho=0,5 N=80 dan rho=0,5 Gambar 4.9 Hasil Pengujian Semut Tanggal 2 Dari gambar 4.9, parameter ρ=0,5, semut 60 dan iterasi 400, ρ=0,5, semut 80 dan iterasi 400 menghasilkan jumlah truk yang sama, yaitu berjumlah 3. Tanggal 3 Mei jumlah truk N=40 dan rho=0,5 N=60 dan rho=0,5 N=80 dan rho=0,5 Gambar 4.10 Hasil Pengujian Semut Tanggal 3 45

66 Dari gambar 4.10, parameter ρ=0,5, semut 80 dan iterasi 400 menghasilkan jumlah truk yang digunakan paling sedikit, yaitu berjumlah Tanggal 4 Mei 2016 jumlah truk N=40 dan rho=0,5 N=60 dan rho=0,5 N=80 dan rho=0,5 Gambar 4.11 Hasil Pengujian Semut Tanggal 4 Dari gambar 4.11, parameter ρ=0,5, semut 80 dan iterasi 400 menghasilkan jumlah truk yang digunakan paling sedikit, yaitu berjumlah 4. 46

67 Tanggal 5 Mei jumlah truk N=40 dan rho=0,5 N=60 dan rho=0,5 N=80 dan rho=0,5 Gambar 4.12 Hasil Pengujian Semut tanggal 5 Dari gambar 4.12, semua parameter menghasilkan jumlah truk yang digunakan sama, yaitu berjumlah 4. Tanggal 6 Mei jumlah truk N=40 dan rho=0,5 N=60 dan rho=0,5 N=80 dan rho=0,5 Gambar 4.13 Hasil Pengujian Semut Tanggal 6 47

68 Dari gambar 4.13, parameter ρ=0,5, semut 60 dan iterasi 400, ρ=0,5, semut 80 dan iterasi 400 menghasilkan jumlah truk yang sama, yaitu berjumlah 3. Tanggal 7 Mei jumlah truk N=40 dan rho=0,5 N=60 dan rho=0,5 N=80 dan rho=0,5 Gambar 4.14 Hasil Pengujian Semut Tanggal 7 Dari gambar 4.14, parameter ρ=0,5, semut 60 dan iterasi 400, ρ=0,5, semut 80 dan iterasi 400 menghasilkan jumlah truk yang sama, yaitu berjumlah 4. Tabel 4.7 Perbandingan Parameter Jumlah truk Total Kondisi Awal ρ = 0, 2 semut ρ = 0, 5 semut ρ = 0, 8 semut ρ = 0, 5 semut ρ = 0, 6 semut Terlihat pada tabel 4.7, dalam kondisi awal total truk yang digunakan selama 7 hari sebanyak 26 truk, sedangkan pada pengujian parameter ant colony, parameter dengan ρ = 0,2 semut 80 memiliki jumlah total truk yang digunakan selama 7 hari paling sedikit daripada parameter lainnya, yaitu sebanyak 23 truk. 48

69 Jadi, dari hasil pengujian pada subbab dan 4.3.2, didapatkan parameter yang menghasilkan kondisi optimal, yaitu parameter yang bernilai ρ=0,2, semut 80 dan iterasi Kondisi Awal Kondisi awal disini, merupakan kondisi dimana PT. Pertamina DPPU Juanda dalam sehari-hari melayani pengisian bahan bakar pesawat. Dalam sehari-hari PT. Pertamina DPPU Juanda memberangkatkan kendaraan atau truknya dengan kondisi truk tersebut siap untuk digunakan, tidak mempertimbangkan kapasitas terbesar dahulu yang diberangkatkan atau sebaliknya. Tabel 4.8 Kondisi Awal Tanggal Jumlah Truk Tanggal Jumlah Truk Tabel 4.8 merupakan representasi kondisi kondisi dimana PT. Pertamina DPPU Juanda menggunakan truk dalam sehari-hari melayani pengisian bahan bakar pesawat. 49

70 4.5 Perbandingan Penerapan Ant Colony dan Kondisi Awal Setelah mengetahui hasil dari perhitungan algoritma ant colony dan kondisi awal. Kemudian akan dibandingkan hasil-hasil antara kondisi tersebut, seperti tabel 4.8. Tabel 4.9 Perbandingan ACO dan Kondisi Awal Tanggal Jumlah Truk Kondisi Awal ACO

71 Tabel 4.9 Perbandingan ACO dan Kondisi Awal (Lanjutan) Tanggal Jumlah Truk Kondisi Awal ACO Dari tabel 4.9, menurut algoritma ant colony diperoleh jumlah truk yang digunakan dapat berkurang dari kondisi awalnya seperti pada tanggal 2, 6, 7, 9, 12, 13, 14, 16, 21, 22, 24, 25, dan 27 dengan rata-rata truk yang berkurang sebanyak satu truk, sedangkan untuk tanggal yang lainnya, truk yang digunakan sesuai dengan kondisi awalnya. 51

72 --halaman ini sengaja dikosongkan-- 52

73 BAB V PENUTUP Kesimpulan ini menerangkan hasil dari pengujian dan simulasi yang telah dilaksanakan. Selama proses perancangan dan penelitian, terdapat banyak kendala yang dihadapi. Kendala tersebut telah penulis rangkum dan dirumuskan dalam bentuk saran untuk penyempuranaan dan penelitian lebih lanjut 5.1 Kesimpulan Berdasarkan hasil pengujian dan analisis, dapat diperoleh kesimpulan sebagai berikut: a. Dari analisa parameter nilai ρ semakin besar, maka truk yang digunakan akan semakin banyak. b. Ketika ρ bernilai 0,8, maka truk yang digunakan selama 7 hari sebanyak 30, sedangkan saat ρ bernilai 0,2, truk yang digunakan selama 7 hari sebanyak 23 truk. c. Penerapan ant colony, dapat mengurangi penggunaan truk dari kondisi awal. 5.2 Saran Perlu dicari optimasi jaringan distribusi menggunakan metode yang berbeda sebagai pembanding algoritma ant colony, sekaligus untuk bahan evaluasi demi mendapatkan solusi yang terbaik. Penelitian yang telah dilaksanakan ini masih dapat dikembangkan lebih lanjut untuk memecahkan permasalahan Vehicle Routing Problem Vehicle Routing Problem with Tight time window, Short travel time, and Re-use vehicle yang lain, yaitu dengan mempertimbangkan fungsi tujuan lain, variabel yang lain, dan kendala yang lain. 53

74 --halaman ini sengaja dikosongkan-- 54

75 DAFTAR PUSTAKA [1] Hilier, F. Lieberman, G Introduction to Operation Research, McGraw-Hill, New York,2001. [2] Alkaff, A., Gamayanti, N. Diktat Kuliah Penyelidikan Operasi, Surabaya. [3] Wu, N., R, Coppins. Linear programming and Entensions, McGraw-Hill, New York, [4] Santosa, Budi dan Paul Willy, Metoda Metaheuristik Konsep dan Implementasi, Surabaya, Guna Widya, [5] Toth, P., Vigo, D. The Vehicle Routing Problem, SIAM Monograph on Discrete Mathematics and Applications. SIAM, Philadelphia, [6] Rizaldi, Edo. Penerapan Firefly algorithm Pada Proses Penentuan Rute dan Pemberangkatan Kendaraan di PT Pertamina TBBM Surabaya Group, Institut Teknologi Sepuluh Nopember, Thesis, [7] Nugroho, Rosyid Hadi. Algoritma Ant Colony Sytem untuk Menyelesaikan Multidepot Vehicle Routing Problem Dengan Variabel Travel Time, Institut Teknologi Sepuluh Nopember, Thesis, [8] Du, Yuquan., Zhang, Qian., Chen Qiushuang. ACO-IH An Improved Ant Colony Optimization Algorithm for Airport Ground Service Scheduling, Nankai University, China, [9] Champbell,A.M., Martin S (2004), Efficient Insertion Heuristics for Vehicle Routing and Schdulling Problems. 55

76 [10] Chen, C.H., Ting, C.J. (2004), An Improved Ant Colony Systems Algorithm for The Vehicle Routing Problem, Working Paper , Department of Industrial Engineering and Management, Yuan Ze University, Taiwan. 56

77 Lampiran Script MATLAB program Ant Colony A1. Definisi permasalahan [model,d]=createmodelnew();% Need changes to satisfy scheduling model Same as above A2. Parameter ACO MaxIt=300; % Maximum Iterations nant=80; % Number of Ants Q=1; %tau0=10*q/(nvar*mean(model.d(:))); % Initial Phromone tau0=1; alpha=10; % Phromone Exponential Weight beta=10; % Heuristic Exponential Weight rho=0.2; % Evaporation Rate proc=0.16; % Process Time Sol=[]; Solution={}; for l=31 start=model(l).ds-0.5; % Start Times njob=model(l).flight; t=model(l).travel; A3. Inisialisasi populasi %Pheromones %eta=1./model.d; % Heuristic Information Matrix tau=tau0*ones(njob,njob); % Phromone Matrix BestCost=zeros(MaxIt,1); % Holds Cost of Best Solutions of Iteration %Nerest Neighbor Solution % Empty Ant % An ant of scheduling problem should consist of % Start times(st) % Assignment of jobs(job to Truck) empty_ant.st=[]; empty_ant.job=[]; 57

78 empty_ant.truck=[]; empty_ant.cost=0; % Ant Colony Matrix ant=repmat(empty_ant,nant,1); % Best Ant BestSol.Cost=inf; %First is set to be infinite %First should be set as solution of EDD A4. ACO main loop for it=1:maxit % Move Ants for k=1:nant ant(k).job=firstavailnew([],model(l));%need consideration ant(k).truck=1; ent=max(0,start(ant(k).job)); ant(k).st=ent; %Tour starts at random for m=2:njob i=ant(k).job(end); r=ant(k).truck(end); %% Setting next reachibility(!) R=reachNew(i,ent,model(l)); for y=ant(k).job R(y)=0; end if sum(r)==0 r=r+1; j=firstavailnew(ant(k).job,model(l)); st=max(0,start(j)); else %Set the roulette P=(tau(i,:).^alpha).*R;%.*eta(i,:).^beta;%Evaluating probability %of the next step %P(ant(k).Tour)=0;% Set all unreachables to 0 P=P/sum(P);% Normized j=roulettewheelselection(p,r);% Do the roulette 58

79 st=max(ent+t(i,j),start(j));%get the start end ant(k).job=[ant(k).job j];%assign the job ant(k).truck=[ant(k).truck r];%to a truck ant(k).st=[ant(k).st st];%add it ent=st+proc; end ant(k).cost=costfunction(ant(k),l);%evaluate cost of solution %Selection of the best ant if ant(k).cost<bestsol.cost BestSol=ant(k); end end % Update Phromones(Need Updte) for k=1:nant ST=ant(k).ST; Assjob=ant(k).Job; Rack=ant(k).Truck; empty_ant.cost=0; Racked=[Rack Rack(1)]; Ass=[Assjob Assjob(1)];%some correcting factor from the creator for m=1:njob if Racked(m)==Racked(m+1) x=ass(m); y=ass(m+1); tau(x,y)=tau(x,y)+q/ant(k).cost;%update pheromone end end end % Evaporation tau=(1-rho)*tau; % Store Best Cost BestCost(it)=BestSol.Cost; % Show Iteration Information disp(['iteration ' num2str(it) ': Best Cost = ' num2str(bestcost(it))]); % Plot Solution figure(2*l-1); PlotSchedule(BestSol,model(l)); pause(0.01); 59

80 end A5. Solusi Sol=[BestSol.Job;BestSol.Truck;BestSol.ST]; CSol={Sol}; Solution=[Solution CSol]; figure(2*l); plot(bestcost,'linewidth',2); xlabel('iteration'); ylabel('best Cost'); grid on; end B1. CreateModel function [model,d]=createmodelnew() [N,T,R]=xlsread('DT_RUN.xlsx',1,'C2:H1565'); t=numel(t); D=1; DF=[]; f=1; for i=1:t-1 if strcmp(cell2mat(t(i,1)),cell2mat(t(i+1,1)))==0 D=D+1; DF=[DF f]; f=1; else f=f+1; end end DF=[DF f]; %create model bones daily.flight=0; daily.cost=0; daily.travel=[]; daily.ds=[]; daily.pron={}; daily.dy=''; %reanimate model=repmat(daily,d,1); 60

81 %insertvalue point=1; for i=1:d j=df(i); model(i).flight=j; model(i).cost=ones(j,j); model(i).travel=0.33*ones(j,j)+99*eye(j); model(i).ds=(n(point:point+j-1,2)+0.5)'; model(i).dy=cell2mat(t(point)); P=N(point:point+j-1,5); prom={}; for k=1:j pp=['a' mat2str(p(k))]; prom=[prom pp]; end model(i).pron=prom point=point+j; end end C1. Evaluasi cost function cost=evalcost(ant,model) %usedparams: %number of truck: last of ant.assign %start times: use ant.st cost=sum(ant.st-model.ds)+50*ant.truck(end); end 61

82 d1. FirstAvail function T=firstAvailNew(tkn,model) job=ones(1,model.flight); for i=tkn job(i)=inf; end sel=job.*model.ds; [sel,in]=sort(sel); T=in(1); end e1. Nearest Neighbor %Nerest Neighbour %Let us have a set of trucks e.g. 3 truck %Init clc clear RT=[0 0 0]; CapT=[ ]; Job=1:7; CapJ=30*ones(1,7); SR=24*rand(1,7); Sorted=sort(SR); Taken=zeros(size(Job)); proc=0.16; All=[]; while sum(job)~=0 [C,I]=min(RT); Cap=CapT(I); R=RT(I); J=find(Sorted>=R,1,'first'); RT(I)=Sorted(J)+proc; PR=[I,J]; All=[All;PR]; Use=min(Cap,CapJ(J)); Cap=Cap-Use; CapJ(J)=CapJ(J)-Use; if CapJ(J)==0 62

83 Job(J)=0; Taken(J)=J; Sorted(J)=-1; end R=RT(I); while sum((sorted>=r).*(cap>=capj))~=0 J=find((Sorted>=R).*(Cap>=CapJ),1,'first'); RT(I)=Sorted(J)+proc; PR=[I,J]; All=[All PR]; Use=min(Cap,CapJ(J)); Cap=Cap-Use; CapJ(J)=CapJ(J)-Use; if CapJ==0 Job(J)=0; Taken(J)=J; Sorted(J)=-1; end R=RT(I); end end f1. Plot Schedule function PlotSchedule(Sol,model) clf tits=['jadwal pelayanan truk' ' ' model.dy]; pron=model.pron; J={}; ST=Sol.ST; Truck=Sol.Truck; Job=Sol.Job; UT=Sol.Truck(end); for i=1:numel(sol.truck) j={mat2str(i)}; J=[J j]; end TP=(Sol.Truck==i); 63

84 F=0; for i=1:ut f=find(sol.truck==i,1,'last'); F=[F f]; end hold on for i=1:ut plot(st(f(i)+1:f(i+1)),truck(f(i)+1:f(i+1)),'k-o',... 'MarkerSize',6,... 'MarkerFaceColor','y',... 'LineWidth',2); end hold off title(tits); set(gca,'xtick',0:4:24); set(gca,'xticklabel',{'00','04','08','12','16','20.00','24'}) set(gca,'ytick',0:ut+1); for i=1:numel(sol.truck) text(sol.st(i)+0.15,sol.truck(i)+0.3,cell2mat(j(job(i)))); text(sol.st(i),sol.truck(i)-0.3,cell2mat(pron(job(i)))); end xlabel('waktu'); ylabel('truk'); grid on; % xmin = min(bestsol.st); % xmax = ; % dx = xmax - xmin; % xmin = floor((xmin - alpha*dx)/10)*10; % xmax = ceil((xmax + alpha*dx)/10)*10; xlim([-1 25]); % ymin = min(model.y); % ymax = max(model.y); % dy = ymax - ymin; % ymin = floor((ymin - alpha*dy)/10)*10; 64

85 % ymax = ceil((ymax + alpha*dy)/10)*10; ylim([0 Sol.Truck(end)+1]); end g1. Reach function R=reachNew(job,en,model) t=model.travel; if isempty(job) T=zeros(1,model.flight); else T=t(job,:); end E=en*ones(1,model.flight)+T; R=ge(model.ds,E); end h1. Roulette wheel selection function j=roulettewheelselection(p,reach) r=rand; C=cumsum(P).*reach; j=find(r<=c,1,'first'); if isempty(j) j=find(c~=0,1,'first'); end end 65

86 Tabel Data 1 Bulan Maskapai Tanggal Truk Maskapai Tanggal Truk Pt. Airasia 1/5/2016 RF 09 China 17/5/2016 RF19 Airlines Pt. Garuda 1/5/2016 RF 19 Pt. Airasia 17/5/2016 RF09 China Airlines 1/5/2016 RF 16 Pt. Garuda 17/5/2016 RF23 Pt. Airasia 1/5/2016 RF 16 Pt. Airasia 17/5/2016 RF09 Pt. Garuda 1/5/2016 RF 09 Pt. Garuda 17/5/2016 RF09 Pt. Airasia 1/5/2016 RF 16 Pt. Garuda 17/5/2016 RF23 Pt. Garuda 1/5/2016 RF 19 Pt. Garuda 17/5/2016 RF19 Pt. Airasia 1/5/2016 RF 16 Pt. Garuda 17/5/2016 RF23 Pt. Garuda 1/5/2016 RF 19 Pt. 17/5/2016 RF19 Airasia Pt. Garuda 1/5/2016 RF 19 Pt. Airasia 17/5/2016 RF09 Cathay Pacific 1/5/2016 RF 16 Pt. Garuda 17/5/2016 RF09 Pt. Garuda 1/5/2016 RF 09 Pt. Garuda 17/5/2016 RF23 Pt. Garuda 1/5/2016 RF 09 Pt. Garuda 17/5/2016 RF19 Pt. Garuda 1/5/2016 RF 16 Pt. Garuda 17/5/2016 RF23 Airasia Berhad 1/5/2016 RF 09 Cathay Pacific 17/5/2016 RF09 Pt. Airasia 1/5/2016 RF 09 Pt. Garuda 17/5/2016 RF23 Singapore Airlines 1/5/2016 RF 16 Pt. Garuda 17/5/2016 RF23 Tiger Airways 1/5/2016 RF 19 Pt. Garuda 17/5/2016 RF09 Pt. Garuda 1/5/2016 RF 16 Pt. 17/5/2016 RF19 Airasia Pt. Garuda 1/5/2016 RF 16 Airasia 17/5/2016 RF09 Berhad Pt. Airasia 1/5/2016 RF 16 Singapore Airlines 17/5/2016 RF09 Pt. Garuda 1/5/2016 RF 19 Pt. Garuda 17/5/2016 RF23 66

87 Pt. Airasia 1/5/2016 RF09 Pt. Garuda 17/5/2016 RF23 Pt. Airasia 1/5/2016 RF09 Pt. Garuda 17/5/2016 RF09 Pt. Garuda 1/5/2016 RF09 Pt. Airasia 17/5/2016 RF19 Jetstar Asia Airways 1/5/2016 RF19 Pt. Garuda 17/5/2016 RF23 Pt. Garuda 1/5/2016 RF16 Pt. 17/5/2016 RF19 Airasia Pt. Garuda 1/5/2016 RF09 Pt. Airasia 17/5/2016 RF09 Pt. Garuda 1/5/2016 RF09 Pt. Garuda 17/5/2016 RF09 Pt. Garuda 1/5/2016 RF16 Jetstar Asia 17/5/2016 RF09 Airways Pt. Airasia 1/5/2016 RF09 China 18/5/2016 RF23 Airlines Pt. Garuda 1/5/2016 RF19 Pt. Garuda 18/5/2016 RF19 Pt. Garuda 1/5/2016 RF19 Pt. Airasia 18/5/2016 RF09 Pt. Airasia 1/5/2016 RF09 Pt. Garuda 18/5/2016 RF23 Pt. Garuda 1/5/2016 RF09 Pt. 18/5/2016 RF19 Airasia Pt. Garuda 1/5/2016 RF09 Pt. Garuda 18/5/2016 RF19 Pt. Garuda 1/5/2016 RF16 Eva Airways 18/5/2016 RF29 Silk Air RF16 Pt. Garuda 18/5/2016 RF19 1/5/2016 Pt. Airasia RF19 Pt. 18/5/2016 RF09 1/5/2016 Airasia Pt. Garuda RF16 Pt. 18/5/2016 RF19 1/5/2016 Airasia Pt. Garuda RF19 Pt. Garuda 18/5/2016 RF19 1/5/2016 Pt. Garuda 1/5/2016 RF09 Pt. Garuda 18/5/2016 RF09 Pt. Garuda RF16 Pt. Garuda 18/5/2016 RF19 1/5/2016 Airasia Berhad 1/5/2016 RF16 Pt. Garuda 18/5/2016 RF29 Pt. Garuda RF19 Cathay 18/5/2016 RF29 1/5/2016 Pacific Pt. Airasia RF19 Pt. Garuda 18/5/2016 RF19 1/5/

88 China Airlines RF16 Pt. Garuda 2/5/2016 Pt. Garuda 2/5/2016 RF19 Pt. Garuda Pt. Airasia 2/5/2016 RF09 Airasia Berhad Pt. Garuda 2/5/2016 RF19 Pt. Garuda Pt. Garuda 2/5/2016 RF16 Pt. Airasia Pt. Garuda 2/5/2016 RF16 Singapore Airlines Royal Brunei 2/5/2016 RF09 Tiger Airlines Airways Pt. Airasia 2/5/2016 RF19 Pt. Airasia Pt. Airasia 2/5/2016 RF09 Pt. Garuda Pt. Garuda 2/5/2016 RF09 Pt. Garuda Pt. Garuda 2/5/2016 RF09 Pt. Garuda Cathay Pacific 2/5/2016 RF16 Pt. Airasia Pt. Garuda 2/5/2016 RF09 Pt. Garuda Pt. Garuda 2/5/2016 RF16 Pt. Garuda Pt. Garuda 2/5/2016 RF09 Pt. Airasia Pt. Airasia 2/5/2016 RF09 Pt. Garuda Pt. Garuda 2/5/2016 RF16 Pt. Garuda Pt. Garuda 2/5/2016 RF09 Pt. Airasia Singapore Airlines 2/5/2016 RF16 Pt. Garuda Pt. Garuda 2/5/2016 RF09 China Airlines Pt. Garuda 2/5/2016 RF09 Pt. Garuda Pt. Garuda 2/5/2016 RF16 Pt. Garuda Pt. Airasia 2/5/2016 RF16 Pt. Garuda 18/5/2016 RF19 18/5/2016 RF29 18/5/2016 RF19 18/5/2016 RF09 18/5/2016 RF19 18/5/2016 RF09 18/5/2016 RF09 18/5/2016 RF29 18/5/2016 RF09 18/5/2016 RF29 18/5/2016 RF29 18/5/2016 RF19 18/5/2016 RF09 18/5/2016 RF09 18/5/2016 RF19 18/5/2016 RF19 18/5/2016 RF19 18/5/2016 RF19 18/5/2016 RF29 19/5/2016 RF 29 19/5/2016 RF09 19/5/2016 RF09 19/5/2016 RF29 68

89 Pt. Garuda 2/5/2016 RF16 Royal Brunei Airlines Pt. Airasia 2/5/2016 RF16 Pt. Airasia Pt. Airasia 2/5/2016 RF16 Pt. Garuda Pt. Garuda 2/5/2016 RF09 Pt. Garuda Pt. Surya Air 2/5/2016 RF19 Pt. Garuda Pt. Garuda 2/5/2016 RF16 Pt. Garuda Pt. Garuda 2/5/2016 RF19 Pt. Airasia Pt. Garuda 2/5/2016 RF16 Cathay Pacific Pt. Airasia 2/5/2016 RF19 Pt. Garuda Pt. Garuda 2/5/2016 RF09 Pt. Garuda Pt. Garuda 2/5/2016 RF21 Pt. Garuda Badan Sar Nasional 2/5/2016 RF16 Pt. Airasia Pt. Garuda 2/5/2016 RF16 Pt. Garuda Pt. Garuda 2/5/2016 RF16 Pt. Garuda Pt. Garuda 2/5/2016 RF16 Airasia Berhad Pt. Garuda 2/5/2016 RF16 Singapore Airlines Pt. Garuda 2/5/2016 RF16 Tiger Airways Pt. Garuda 2/5/2016 RF09 Pt. Garuda Pt. Garuda 2/5/2016 RF09 Pt. Airasia Pt. Garuda 2/5/2016 RF09 Pt. Airasia Airasia Berhad 2/5/2016 RF16 Pt. Garuda Pt. Airasia 2/5/2016 RF16 Pt. Garuda Pt. Airasia 2/5/2016 RF16 Pt. Garuda 19/5/2016 RF09 19/5/2016 RF29 19/5/2016 RF09 19/5/2016 RF29 19/5/2016 RF19 19/5/2016 RF29 19/5/2016 RF29 19/5/2016 RF09 19/5/2016 RF19 19/5/2016 RF09 19/5/2016 RF19 19/5/2016 RF19 19/5/2016 RF29 19/5/2016 RF19 19/5/2016 RF29 19/5/2016 RF09 19/5/2016 RF19 19/5/2016 RF19 19/5/2016 RF19 19/5/2016 RF29 19/5/2016 RF29 19/5/2016 RF09 19/5/2016 RF29 69

90 China Airlines 3/5/2016 RF16 Pt. Airasia Pt. Airasia 3/5/2016 RF09 Pt. Garuda Pt. Garuda 3/5/2016 RF16 Pt. Airasia Pt. Airasia 3/5/2016 RF16 Pt. Garuda Pt. Garuda 3/5/2016 RF09 Pt. Garuda Pt. Garuda 3/5/2016 RF09 Pt. Airasia Pt. Garuda 3/5/2016 RF09 Pt. Garuda Cathay Pacific 3/5/2016 RF16 Pt. Garuda Pt. Garuda 3/5/2016 RF09 Pt. Airasia Pt. Garuda 3/5/2016 RF09 Pt. Garuda Pt. Garuda 3/5/2016 RF16 China Airlines Singapore Airlines 3/5/2016 RF16 Pt. Garuda Pt. Garuda 3/5/2016 RF16 Pt. Garuda Pt. Garuda 3/5/2016 RF16 Pt. Garuda Pt. Garuda 3/5/2016 RF16 Pt. Airasia Pt. Airasia 3/5/2016 RF09 Pt. Garuda Pt. Airasia 3/5/2016 RF09 Pt. Garuda Pt. Garuda 3/5/2016 RF09 Pt. Garuda Pt. Garuda 3/5/2016 RF09 Pt. Garuda Pt. Garuda 3/5/2016 RF09 Pt. Airasia Pt. Garuda 3/5/2016 RF09 Pt. Garuda Pt. Garuda 3/5/2016 RF09 Cathay Pacific Pt. Garuda 3/5/2016 RF09 Pt. Garuda 19/5/2016 RF09 19/5/2016 RF29 19/5/2016 RF09 19/5/2016 RF09 19/5/2016 RF09 19/5/2016 RF09 19/5/2016 RF29 19/5/2016 RF19 20/5/2016 RF09 20/5/2016 RF19 20/5/2016 RF29 20/5/2016 RF19 20/5/2016 RF09 20/5/2016 RF19 20/5/2016 RF29 20/5/2016 RF19 20/5/2016 RF09 20/5/2016 RF19 20/5/2016 RF29 20/5/2016 RF19 20/5/2016 RF09 20/5/2016 RF29 20/5/2016 RF09 70

91 Badan Sar Nasional 3/5/2016 RF21 Pt. Garuda Pt. Garuda 3/5/2016 RF16 Pt. Airasia Pt. Garuda 3/5/2016 RF16 Pt. Garuda Pt. Garuda 3/5/2016 RF09 Airasia Berhad Silk Air 3/5/2016 RF09 Singapore Airlines Pt. Garuda 3/5/2016 RF16 Tiger Airways Pt. Garuda 3/5/2016 RF16 Pt. Airasia Pt. Airasia 4/5/2016 RF19 Pt. Garuda China Airlines 4/5/2016 RF16 Pt. Garuda Pt. Garuda 4/5/2016 RF19 Pt. Garuda Pt. Airasia 4/5/2016 RF09 Pt. Airasia Pt. Garuda 4/5/2016 RF19 Pt. Garuda Eva Airways 4/5/2016 RF09 Pt. Airasia Pt. Garuda 4/5/2016 RF16 Pt. Ekspres Transportasi Antarbenua Pt. Airasia 4/5/2016 RF19 Pt. Garuda Pt. Airasia 4/5/2016 RF09 Pt. Airasia Pt. Garuda 4/5/2016 RF16 Pt. Garuda Pt. Garuda 4/5/2016 RF09 Pt. Garuda Cathay Pacific 4/5/2016 RF16 Pt. Garuda Pt. Garuda 4/5/2016 RF09 Pt. Garuda Pt. Garuda 4/5/2016 RF09 Pt. Airasia Pt. Garuda 4/5/2016 RF09 China Airlines Pt. Garuda 4/5/2016 RF16 Pt. Garuda 20/5/2016 RF29 20/5/2016 RF09 20/5/2016 RF29 20/5/2016 RF19 20/5/2016 RF09 20/5/2016 RF09 20/5/2016 RF29 20/5/2016 RF29 20/5/2016 RF29 20/5/2016 RF19 20/5/2016 RF09 20/5/2016 RF29 20/5/2016 RF09 20/5/2016 RF20 20/5/2016 RF19 20/5/2016 RF19 20/5/2016 RF19 20/5/2016 RF29 20/5/2016 RF29 20/5/2016 RF09 21/5/2016 RF29 21/5/2016 RF09 21/5/2016 RF19 71

92 Pt. Garuda 4/5/2016 RF16 Pt. Airasia 21/5/2016 RF29 Pt. Garuda 4/5/2016 RF16 Pt. Garuda 21/5/2016 RF19 Pt. Airasia 4/5/2016 RF19 Eva Airways 21/5/2016 RF09 Airasia Berhad 4/5/2016 RF19 Pt. Garuda 21/5/2016 RF19 Singapore Airlines 4/5/2016 RF09 Pt. Garuda 21/5/2016 RF29 Pt. Airasia 4/5/2016 RF09 Pt. Airasia 21/5/2016 RF19 Pt. Garuda 4/5/2016 RF19 Pt. Garuda 21/5/2016 RF21 Pt. Garuda 4/5/2016 RF19 Pt. 21/5/2016 RF29 Airasia Pt. Airasia 4/5/2016 RF09 Royal Brunei 21/5/2016 RF29 Airlines Pt. Garuda 4/5/2016 RF19 Pt. Airasia 21/5/2016 RF21 Pt. Garuda 4/5/2016 RF09 Pt. Garuda 21/5/2016 RF21 Pt. Airasia 4/5/2016 RF19 Pt. Garuda 21/5/2016 RF21 Pt. Garuda 4/5/2016 RF09 Pt. Garuda 21/5/2016 RF29 Pt. Garuda 4/5/2016 RF09 Pt. 21/5/2016 RF29 Airasia Pt. Airasia 4/5/2016 RF19 Cathay 21/5/2016 RF09 Pacific Pt. Garuda 4/5/2016 RF09 Pt. Garuda 21/5/2016 RF29 Pt. Garuda 4/5/2016 RF16 World Fuel 21/5/2016 RF22 Services Singapore Pte L Pt. Garuda 4/5/2016 RF19 Pt. Garuda 21/5/2016 RF29 Pt. Airasia 4/5/2016 RF09 Pt. Garuda 21/5/2016 RF09 Pt. Garuda 4/5/2016 RF19 Pt. 21/5/2016 RF19 Airasia Pt. Garuda 4/5/2016 RF16 Pt. Garuda 21/5/2016 RF19 Pt. Garuda 4/5/2016 RF09 Singapore Airlines 21/5/2016 RF29 72

93 Pt. Garuda 4/5/2016 RF19 Airasia Berhad Pt. Garuda 4/5/2016 RF09 Pt. Airasia Pt. Garuda 4/5/2016 RF19 Pt. Airasia Pt. Garuda 4/5/2016 RF09 Pt. Garuda Pt. Garuda 4/5/2016 RF09 Pt. Airasia Pt. Garuda 4/5/2016 RF19 Pt. Garuda Silk Air 4/5/2016 RF09 Pt. Garuda Pt. Garuda 4/5/2016 RF09 Pt. Garuda Pt. Garuda 4/5/2016 RF19 Pt. Airasia Pt. Garuda 4/5/2016 RF09 Pt. Garuda Pt. Garuda 4/5/2016 RF09 Pt. Airasia Airasia Berhad 4/5/2016 RF09 Pt. Garuda Pt. Garuda 4/5/2016 RF19 Pt. Garuda Pt. Garuda 4/5/2016 RF16 Pt. Garuda Pt. Garuda 4/5/2016 RF16 Pt. Garuda Pt. Garuda 4/5/2016 RF09 Pt. Airasia Pt. Garuda 4/5/2016 RF09 Pt. Garuda Pt. Airasia 4/5/2016 RF16 Pt. Garuda China Airlines 5/5/2016 RF16 Pt. Garuda Pt. Garuda 5/5/2016 RF19 Pt. Garuda Pt. Airasia 5/5/2016 RF09 Pt. Airasia Pt. Airasia 5/5/2016 RF09 Pt. Garuda Pt. Garuda 5/5/2016 RF09 Pt. Garuda 21/5/2016 RF09 21/5/2016 RF29 21/5/2016 RF19 21/5/2016 RF19 21/5/2016 RF09 21/5/2016 RF19 21/5/2016 RF09 21/5/2016 RF09 21/5/2016 RF19 21/5/2016 RF09 22/5/2016 RF29 22/5/2016 RF29 22/5/2016 RF09 22/5/2016 RF19 22/5/2016 RF29 22/5/2016 RF09 22/5/2016 RF29 22/5/2016 RF29 22/5/2016 RF09 22/5/2016 RF29 22/5/2016 RF09 22/5/2016 RF09 22/5/2016 RF09 73

94 Pt. Airasia 5/5/2016 RF19 Pt. Garuda 22/5/2016 RF09 Pt. Garuda 5/5/2016 RF19 Singapore 22/5/2016 RF29 Airlines Pt. Airasia 5/5/2016 RF09 Pt. Garuda 22/5/2016 RF09 Pt. Garuda 5/5/2016 RF09 Pt. Garuda 22/5/2016 RF29 Pt. Garuda 5/5/2016 RF09 Pt. Garuda 22/5/2016 RF29 Cathay Pacific 5/5/2016 RF16 Pt. Garuda 22/5/2016 RF29 Pt. Garuda 5/5/2016 RF19 Pt. Airasia 22/5/2016 RF09 Pt. Garuda 5/5/2016 RF09 Pt. Garuda 22/5/2016 RF09 Pt. Garuda 5/5/2016 RF19 Pt. Garuda 22/5/2016 RF09 Pt. Garuda 5/5/2016 RF09 Pt. Garuda 22/5/2016 RF09 Airasia Berhad 5/5/2016 RF16 Pt. Garuda 22/5/2016 RF09 Pt. Garuda 5/5/2016 RF09 Pt. Garuda 22/5/2016 RF29 Singapore Airlines 5/5/2016 RF16 Pt. Garuda 22/5/2016 RF09 Royal Brunei 5/5/2016 RF09 Pt. Garuda 22/5/2016 RF09 Airlines Pt. Airasia 5/5/2016 RF19 Pt. Garuda 22/5/2016 RF09 Pt. Garuda 5/5/2016 RF19 Pt. Garuda 22/5/2016 RF09 Pt. Airasia 5/5/2016 RF16 Pt. Garuda 22/5/2016 RF29 Pt. Garuda 5/5/2016 RF09 Pt. Garuda 22/5/2016 RF09 Pt. Garuda 5/5/2016 RF09 Pt. Garuda 22/5/2016 RF09 Pt. Garuda 5/5/2016 RF09 Pt. Garuda 22/5/2016 RF09 Pt. Garuda 5/5/2016 RF09 Silk Air 22/5/2016 RF29 Pt. Airasia 5/5/2016 RF16 Pt. Garuda 22/5/2016 RF29 Pt. Airasia 5/5/2016 RF09 Pt. 23/5/2016 RF29 Airasia Pt. Garuda 5/5/2016 RF19 China Airlines 23/5/2016 RF09 74

95 Pt. Garuda 5/5/2016 RF19 Pt. Garuda Pt. Airasia 5/5/2016 RF16 Pt. Airasia Pt. Garuda 5/5/2016 RF16 Pt. Garuda Pt. Garuda 5/5/2016 RF19 Pt. Airasia Pt. Garuda 5/5/2016 RF09 Royal Brunei Airlines Pt. Airasia 5/5/2016 RF19 Pt. Garuda Pt. Garuda 5/5/2016 RF09 Pt. Garuda Pt. Garuda 5/5/2016 RF09 Pt. Airasia Pt. Garuda 5/5/2016 RF09 Pt. Garuda Pt. Garuda 5/5/2016 RF09 Pt. Airasia Silk Air 5/5/2016 RF09 Pt. Garuda Pt. Garuda 5/5/2016 RF09 Pt. Garuda Pt. Garuda 5/5/2016 RF19 Cathay Pacific Pt. Garuda 5/5/2016 RF09 Pt. Garuda Pt. Garuda 5/5/2016 RF09 Pt. Garuda Pt. Garuda 5/5/2016 RF16 Pt. Garuda Pt. Garuda 5/5/2016 RF19 Pt. Garuda Pt. Garuda 5/5/2016 RF19 Airasia Berhad Pt. Garuda 5/5/2016 RF09 Pt. Garuda Pt. Garuda 5/5/2016 RF19 Singapore Airlines China Airlines 6/5/2016 RF16 Pt. Garuda Pt. Airasia 6/5/2016 RF19 Singapore Airlines Pt. Garuda 6/5/2016 RF19 Tiger Airways 23/5/2016 RF29 23/5/2016 RF19 23/5/2016 RF19 23/5/2016 RF29 23/5/2016 RF19 23/5/2016 RF29 23/5/2016 RF09 23/5/2016 RF29 23/5/2016 RF19 23/5/2016 RF09 23/5/2016 RF19 23/5/2016 RF09 23/5/2016 RF09 23/5/2016 RF19 23/5/2016 RF29 23/5/2016 RF19 23/5/2016 RF29 23/5/2016 RF29 23/5/2016 RF29 23/5/2016 RF09 23/5/2016 RF19 23/5/2016 RF19 23/5/2016 RF09 75

96 Pt. Garuda 6/5/2016 RF19 Pt. Airasia Pt. Airasia 6/5/2016 RF21 Pt. Garuda Pt. Garuda 6/5/2016 RF19 Pt. Garuda Pt. Garuda 6/5/2016 RF09 Pt. Airasia Pt. Garuda 6/5/2016 RF09 Pt. Garuda Pt. Garuda 6/5/2016 RF09 Pt. Airasia Pt. Airasia 6/5/2016 RF09 Pt. Airasia Pt. Garuda 6/5/2016 RF21 Pt. Garuda Pt. Garuda 6/5/2016 RF16 Pt. Garuda Pt. Garuda 6/5/2016 RF16 Pt. Garuda Pt. Airasia 6/5/2016 RF09 Pt. Airasia Pt. Garuda 6/5/2016 RF16 Pt. Garuda Airasia Berhad 6/5/2016 RF09 China Airlines Singapore Airlines 6/5/2016 RF09 Pt. Airasia Pt. Airasia 6/5/2016 RF09 Pt. Garuda Pt. Garuda 6/5/2016 RF16 Pt. Airasia Pt. Airasia 6/5/2016 RF16 Pt. Garuda Pt. Garuda 6/5/2016 RF19 Pt. Airasia Pt. Garuda 6/5/2016 RF16 Pt. Garuda Pt. Airasia 6/5/2016 RF16 Pt. Garuda Pt. Airasia 6/5/2016 RF09 Pt. Garuda Pt. Garuda 6/5/2016 RF09 Pt. Garuda Pt. Garuda 6/5/2016 RF16 Pt. Garuda 23/5/2016 RF29 23/5/2016 RF29 23/5/2016 RF29 23/5/2016 RF19 23/5/2016 RF09 23/5/2016 RF29 23/5/2016 RF19 23/5/2016 RF29 23/5/2016 RF29 23/5/2016 RF29 24/5/2016 RF09 24/5/2016 RF29 24/5/2016 RF16 24/5/2016 RF09 24/5/2016 RF29 24/5/2016 RF16 24/5/2016 RF09 24/5/2016 RF16 24/5/2016 RF09 24/5/2016 RF29 24/5/2016 RF29 24/5/2016 RF09 24/5/2016 RF29 76

97 Pt. Garuda 6/5/2016 RF09 Pt. Garuda Pt. Garuda 6/5/2016 RF16 Pt. Garuda Pt. Garuda 6/5/2016 RF09 Pt. Airasia Pt. Airasia 6/5/2016 RF09 Pt. Garuda Pt. Garuda 6/5/2016 RF16 Airasia Berhad Pt. Garuda 6/5/2016 RF09 Singapore Airlines Pt. Garuda 6/5/2016 RF16 Pt. Airasia Silk Air 6/5/2016 RF09 Pt. Garuda Pt. Garuda 6/5/2016 RF09 Pt. Garuda Pt. Garuda 6/5/2016 RF09 Pt. Airasia Pt. Garuda 6/5/2016 RF16 Pt. Garuda Airasia Berhad 6/5/2016 RF09 Pt. Garuda Pt. Airasia 7/5/2016 RF09 Pt. Airasia China Airlines 7/5/2016 RF16 Cathay Pacific Pt. Garuda 7/5/2016 RF16 Pt. Garuda Eva Airways 7/5/2016 RF29 Pt. Airasia Pt. Garuda 7/5/2016 RF09 Pt. Garuda Pt. Garuda 7/5/2016 RF16 Pt. Garuda Pt. Airasia 7/5/2016 RF09 Pt. Garuda Pt. Airasia 7/5/2016 RF16 Pt. Garuda Pt. Garuda 7/5/2016 RF29 Pt. Garuda Pt. Garuda 7/5/2016 RF09 Pt. Airasia Royal Brunei 7/5/2016 RF16 China Airlines Airlines 24/5/2016 RF09 24/5/2016 RF09 24/5/2016 RF29 24/5/2016 RF29 24/5/2016 RF29 24/5/2016 RF16 24/5/2016 RF09 24/5/2016 RF29 24/5/2016 RF29 24/5/2016 RF29 24/5/2016 RF09 24/5/2016 RF09 24/5/2016 RF09 24/5/2016 RF16 24/5/2016 RF29 24/5/2016 RF29 24/5/2016 RF09 24/5/2016 RF09 24/5/2016 RF09 24/5/2016 RF09 24/5/2016 RF09 24/5/2016 RF19 25/5/2016 RF16 77

98 Badan Sar Nasional 7/5/2016 RF21 Pt. Airasia 25/5/2016 RF09 Cathay Pacific 7/5/2016 RF16 Pt. Garuda 25/5/2016 RF19 Pt. Garuda 7/5/2016 RF09 Eva Airways 25/5/2016 RF16 Pt. Airasia 7/5/2016 RF29 Pt. Garuda 25/5/2016 RF19 Pt. Garuda 7/5/2016 RF09 Pt. Airasia 25/5/2016 RF09 Singapore Airlines 7/5/2016 RF16 Pt. Garuda 25/5/2016 RF19 Airasia Berhad 7/5/2016 RF29 Pt. Airasia 25/5/2016 RF09 Pt. Garuda 7/5/2016 RF29 Pt. Garuda 25/5/2016 RF09 Pt. Airasia 7/5/2016 RF09 Pt. Garuda 25/5/2016 RF09 Pt. Airasia 7/5/2016 RF16 Pt. Garuda 25/5/2016 RF23 Pt. Garuda 7/5/2016 RF29 Pt. Garuda 25/5/2016 RF19 Pt. Garuda 7/5/2016 RF16 Pt. Garuda 25/5/2016 RF19 Pt. Garuda 7/5/2016 RF09 Cathay Pacific 25/5/2016 RF16 Pt. Airasia 7/5/2016 RF09 Pt. Garuda 25/5/2016 RF09 Pt. Airasia 7/5/2016 RF29 Pt. Garuda 25/5/2016 RF16 Pt. Garuda 7/5/2016 RF29 Pt. Garuda 25/5/2016 RF09 Pt. Garuda 7/5/2016 RF09 Pt. Airasia 25/5/2016 RF09 Pt. Airasia 7/5/2016 RF16 Pt. Garuda 25/5/2016 RF09 Pt. Garuda 7/5/2016 RF21 Singapore 25/5/2016 RF16 Airlines Pt. Garuda 7/5/2016 RF09 Pt. Garuda 25/5/2016 RF19 Pt. Garuda 7/5/2016 RF29 Airasia 25/5/2016 RF19 Berhad Pt. Garuda 7/5/2016 RF09 Pt. Airasia 25/5/2016 RF09 Pt. Garuda 7/5/2016 RF16 Pt. Garuda 25/5/2016 RF09 Pt. Garuda 7/5/2016 RF29 Pt. Garuda 25/5/2016 RF09 78

99 Pt. Garuda 7/5/2016 RF29 Pt. Airasia Pt. Garuda 7/5/2016 RF29 Pt. Garuda Silk Air 7/5/2016 RF09 Pt. Garuda Pt. Garuda 7/5/2016 RF09 Pt. Airasia Pt. Garuda 7/5/2016 RF29 Pt. Garuda Pt. Garuda 7/5/2016 RF29 Pt. Garuda Jetstar Asia Airways 7/5/2016 RF29 Pt. Airasia Pt. Garuda 7/5/2016 RF16 Pt. Garuda Pt. Garuda 7/5/2016 RF29 Pt. Garuda Pt. Garuda 7/5/2016 RF29 Pt. Garuda Airasia Berhad 7/5/2016 RF29 Pt. Garuda Pt. Garuda 8/5/2016 RF09 China Airlines Pt. Airasia 8/5/2016 RF29 Pt. Airasia China Airlines 8/5/2016 RF16 Pt. Garuda Pt. Garuda 8/5/2016 RF29 Pt. Garuda Pt. Garuda 8/5/2016 RF29 Pt. Garuda Pt. Airasia 8/5/2016 RF29 Pt. Airasia Pt. Airasia 8/5/2016 RF16 Royal Brunei Airlines Pt. Garuda 8/5/2016 RF09 Pt. Garuda Pt. Garuda 8/5/2016 RF29 Pt. Garuda Pt. Airasia 8/5/2016 RF09 Pt. Garuda Pt. Garuda 8/5/2016 RF09 Cathay Pacific Cathay Pacific 8/5/2016 RF16 Pt. Garuda 25/5/2016 RF16 25/5/2016 RF09 25/5/2016 RF09 25/5/2016 RF16 25/5/2016 RF09 25/5/2016 RF09 25/5/2016 RF16 25/5/2016 RF09 25/5/2016 RF19 25/5/2016 RF19 26/5/2016 RF09 26/5/2016 RF16 26/5/2016 RF09 26/5/2016 RF09 26/5/2016 RF16 26/5/2016 RF09 26/5/2016 RF19 26/5/2016 RF19 26/5/2016 RF09 26/5/2016 RF09 26/5/2016 RF19 26/5/2016 RF16 26/5/2016 RF09 79

100 Pt. Garuda 8/5/2016 RF29 Pt. Garuda Pt. Garuda 8/5/2016 RF29 Pt. Garuda Pt. Garuda 8/5/2016 RF16 Pt. Garuda Pt. Garuda 8/5/2016 RF29 Pt. Airasia Pt. Garuda 8/5/2016 RF29 Pt. Garuda Airasia Berhad 8/5/2016 RF29 Airasia Berhad Singapore Airlines 8/5/2016 RF16 Singapore Airlines Tiger Airways 8/5/2016 RF09 Pt. Garuda Pt. Garuda 8/5/2016 RF29 Pt. Airasia Pt. Garuda 8/5/2016 RF09 Pt. Garuda Pt. Airasia 8/5/2016 RF16 Pt. Garuda Pt. Airasia 8/5/2016 RF09 Pt. Garuda Pt. Garuda 8/5/2016 RF16 Pt. Airasia Pt. Garuda 8/5/2016 RF29 Pt. Airasia Pt. Airasia 8/5/2016 RF29 Pt. Garuda Pt. Garuda 8/5/2016 RF16 Pt. Garuda Pt. Garuda 8/5/2016 RF29 Pt. Garuda Pt. Airasia 8/5/2016 RF09 Pt. Airasia Pt. Garuda 8/5/2016 RF29 Pt. Garuda Pt. Airasia 8/5/2016 RF29 Pt. Airasia Pt. Garuda 8/5/2016 RF09 Pt. Garuda Pt. Garuda 8/5/2016 RF09 Pt. Garuda Pt. Garuda 8/5/2016 RF09 China Airlines 26/5/2016 RF09 26/5/2016 RF16 26/5/2016 RF19 26/5/2016 RF16 26/5/2016 RF19 26/5/2016 RF09 26/5/2016 RF16 26/5/2016 RF19 26/5/2016 RF09 26/5/2016 RF09 26/5/2016 RF19 26/5/2016 RF09 26/5/2016 RF16 26/5/2016 RF16 26/5/2016 RF09 26/5/2016 RF16 26/5/2016 RF19 26/5/2016 RF09 26/5/2016 RF19 26/5/2016 RF09 26/5/2016 RF16 26/5/2016 RF16 27/5/2016 RF16 80

101 Pt. Garuda 8/5/2016 RF16 Pt. Airasia Pt. Garuda 8/5/2016 RF29 Pt. Garuda Pt. Garuda 8/5/2016 RF16 Pt. Garuda Silk Air 8/5/2016 RF29 Pt. Airasia Pt. Garuda 8/5/2016 RF29 Pt. Garuda Pt. Airasia 8/5/2016 RF16 Pt. Garuda Pt. Garuda 8/5/2016 RF29 Pt. Garuda Pt. Garuda 8/5/2016 RF29 Pt. Garuda Pt. Garuda 8/5/2016 RF29 Pt. Airasia Pt. Garuda 8/5/2016 RF29 Pt. Garuda Airasia Berhad 8/5/2016 RF16 Pt. Garuda Pt. Garuda 8/5/2016 RF29 Pt. Garuda Pt. Airasia 8/5/2016 RF16 Cathay Pacific Pt. Airasia 8/5/2016 RF16 Pt. Garuda Pt. Airasia 8/5/2016 RF29 Pt. Airasia Pt. Airasia 8/5/2016 RF29 Pt. Garuda China Airlines 9/5/2016 RF16 Pt. Garuda Pt. Garuda 9/5/2016 RF16 Pt. Garuda Pt. Garuda 9/5/2016 RF16 World Fuel Services Singapore Pt. Garuda 9/5/2016 RF29 Pt. Garuda Pt. Garuda 9/5/2016 RF09 Pt. Airasia Pt. Airasia 9/5/2016 RF29 Airasia Berhad Pt. Garuda 9/5/2016 RF09 Singapore Airlines 27/5/2016 RF16 27/5/2016 RF19 27/5/2016 RF19 27/5/2016 RF16 27/5/2016 RF16 27/5/2016 RF19 27/5/2016 RF16 27/5/2016 RF16 27/5/2016 RF16 27/5/2016 RF16 27/5/2016 RF16 27/5/2016 RF29 27/5/2016 RF16 27/5/2016 RF29 27/5/2016 RF29 27/5/2016 RF29 27/5/2016 RF29 27/5/2016 RF16 27/5/2016 RF22 27/5/2016 RF29 27/5/2016 RF29 27/5/2016 RF16 27/5/2016 RF16 81

102 Pt. Garuda 9/5/2016 RF29 Pt. Garuda 27/5/2016 RF29 Cathay Pacific 9/5/2016 RF16 Tiger Airways 27/5/2016 RF29 Pt. Garuda 9/5/2016 RF09 Pt. Garuda 27/5/2016 RF09 Pt. Garuda 9/5/2016 RF29 Pt. Garuda 27/5/2016 RF09 Pt. Garuda 9/5/2016 RF29 Pt. Garuda 27/5/2016 RF29 Pt. Garuda 9/5/2016 RF16 Pt. Airasia 27/5/2016 RF09 Pt. Garuda 9/5/2016 RF29 Pt. Garuda 27/5/2016 RF29 Singapore Airlines 9/5/2016 RF16 Pt. Airasia 27/5/2016 RF16 Tiger Airways 9/5/2016 RF09 Pt. Garuda 27/5/2016 RF29 Pt. Airasia 9/5/2016 RF09 Pt. Garuda 27/5/2016 RF16 Pt. Garuda 9/5/2016 RF09 Pt. 27/5/2016 RF16 Airasia Pt. Garuda 9/5/2016 RF29 Pt. 28/5/2016 RF09 Airasia Pt. Airasia 9/5/2016 RF16 Pt. Airasia 28/5/2016 RF09 Pt. Garuda 9/5/2016 RF29 Pt. Garuda 28/5/2016 RF16 Pt. Airasia 9/5/2016 RF16 Pt. Garuda 28/5/2016 RF16 Pt. Garuda 9/5/2016 RF16 Eva Airways 28/5/2016 RF29 Pt. Garuda 9/5/2016 RF29 Pt. Garuda 28/5/2016 RF16 Pt. Airasia 9/5/2016 RF29 Royal Brunei 28/5/2016 RF09 Airlines Pt. Garuda 9/5/2016 RF19 Pt. Garuda 28/5/2016 RF16 Pt. Garuda 9/5/2016 RF19 Pt. Airasia 28/5/2016 RF09 Royal Brunei 9/5/2016 RF09 Pt. 28/5/2016 RF29 Airlines Airasia Pt. Garuda 9/5/2016 RF19 Pt. Garuda 28/5/2016 RF09 Pt. Garuda 9/5/2016 RF09 Pt. Garuda 28/5/2016 RF09 Pt. Garuda 9/5/2016 RF29 Pt. Garuda 28/5/2016 RF09 82

103 Pt. Airasia 9/5/2016 RF29 Cathay Pacific Pt. Garuda 9/5/2016 RF09 Pt. Airasia Pt. Garuda 9/5/2016 RF09 Pt. Garuda Pt. Garuda 9/5/2016 RF09 Pt. Garuda Pt. Garuda 9/5/2016 RF09 Pt. Garuda Pt. Garuda 9/5/2016 RF19 Pt. Garuda Pt. Airasia 9/5/2016 RF09 Airasia Berhad Silk Air 9/5/2016 RF29 Pt. Airasia Pt. Garuda 9/5/2016 RF29 Pt. Garuda Pt. Garuda 9/5/2016 RF29 Pt. Airasia Pt. Garuda 9/5/2016 RF29 Pt. Garuda Pt. Garuda 9/5/2016 RF09 Singapore Airlines Pt. Garuda 9/5/2016 RF09 Pt. Garuda Pt. Garuda 9/5/2016 RF09 Pt. Airasia Airasia Berhad 9/5/2016 RF09 Pt. Garuda Pt. Garuda 9/5/2016 RF09 Pt. Garuda Pt. Garuda 10/5/2016 RF09 Pt. Airasia Pt. Airasia 10/5/2016 RF09 Pt. Garuda Pt. Airasia 10/5/2016 RF29 Pt. Garuda China Airlines 10/5/2016 RF19 Pt. Airasia China Airlines 10/5/2016 RF09 World Fuel Services Singapore Pt. Garuda 10/5/2016 RF29 Pt. Garuda Pt. Garuda 10/5/2016 RF09 China Airlines 28/5/2016 RF16 28/5/2016 RF29 28/5/2016 RF09 28/5/2016 RF29 28/5/2016 RF16 28/5/2016 RF16 28/5/2016 RF29 28/5/2016 RF29 28/5/2016 RF29 28/5/2016 RF09 28/5/2016 RF09 28/5/2016 RF16 28/5/2016 RF29 28/5/2016 RF09 28/5/2016 RF29 28/5/2016 RF09 28/5/2016 RF29 28/5/2016 RF29 28/5/2016 RF09 28/5/2016 RF09 28/5/2016 RF17 28/5/2016 RF09 29/5/2016 RF16 83

104 Pt. Airasia 10/5/2016 RF09 Pt. Garuda Pt. Garuda 10/5/2016 RF19 Pt. Garuda Pt. Airasia 10/5/2016 RF29 Pt. Garuda Pt. Garuda 10/5/2016 RF29 Pt. Airasia Pt. Airasia 10/5/2016 RF29 Pt. Airasia Pt. Garuda 10/5/2016 RF19 Pt. Garuda Pt. Garuda 10/5/2016 RF29 Pt. Garuda Cathay Pacific 10/5/2016 RF16 Pt. Garuda Pt. Garuda 10/5/2016 RF19 Cathay Pacific Pt. Garuda 10/5/2016 RF29 Pt. Garuda Pt. Garuda 10/5/2016 RF19 Pt. Airasia Pt. Garuda 10/5/2016 RF09 Pt. Garuda Pt. Garuda 10/5/2016 RF19 Pt. Garuda Airasia Berhad 10/5/2016 RF09 Pt. Airasia Pt. Airasia 10/5/2016 RF29 Pt. Garuda Singapore Airlines 10/5/2016 RF16 Airasia Berhad Pt. Garuda 10/5/2016 RF29 Pt. Garuda Pt. Airasia 10/5/2016 RF19 Singapore Airlines Pt. Garuda 10/5/2016 RF19 Tiger Airways Pt. Garuda 10/5/2016 RF29 Pt. Garuda Pt. Garuda 10/5/2016 RF16 Pt. Airasia Pt. Airasia 10/5/2016 RF29 Pt. Garuda Pt. Garuda 10/5/2016 RF16 Pt. Garuda 29/5/2016 RF29 29/5/2016 RF09 29/5/2016 RF29 29/5/2016 RF09 29/5/2016 RF09 29/5/2016 RF29 29/5/2016 RF09 29/5/2016 RF09 29/5/2016 RF16 29/5/2016 RF29 29/5/2016 RF09 29/5/2016 RF16 29/5/2016 RF16 29/5/2016 RF29 29/5/2016 RF09 29/5/2016 RF09 29/5/2016 RF09 29/5/2016 RF16 29/5/2016 RF16 29/5/2016 RF09 29/5/2016 RF16 29/5/2016 RF09 29/5/2016 RF29 84

105 Pt. Airasia 10/5/2016 RF16 Pt. Garuda Pt. Garuda 10/5/2016 RF16 Pt. Airasia Pt. Airasia 10/5/2016 RF19 Pt. Airasia Pt. Garuda 10/5/2016 RF19 Pt. Garuda Pt. Garuda 10/5/2016 RF09 Pt. Garuda Pt. Garuda 10/5/2016 RF19 Pt. Garuda Pt. Garuda 10/5/2016 RF19 Pt. Airasia Jetstar Asia Airways 10/5/2016 RF16 Pt. Garuda Pt. Airasia 10/5/2016 RF09 Pt. Garuda Pt. Garuda 10/5/2016 RF19 Pt. Garuda Pt. Garuda 10/5/2016 RF19 Pt. Garuda Pt. Garuda 10/5/2016 RF16 China Airlines Pt. Garuda 10/5/2016 RF16 Pt. Garuda Pt. Garuda 10/5/2016 RF09 Pt. Garuda Silk Air 10/5/2016 RF09 Royal Brunei Airlines Pt. Garuda 10/5/2016 RF19 Pt. Airasia Pt. Garuda 10/5/2016 RF16 Pt. Airasia Pt. Garuda 10/5/2016 RF09 Pt. Garuda Pt. Garuda 10/5/2016 RF09 Pt. Garuda Airasia Berhad 10/5/2016 RF16 Pt. Airasia Pt. Garuda 10/5/2016 RF19 Pt. Garuda Pt. Airasia 10/5/2016 RF19 Pt. Garuda Pt. Airasia 10/5/2016 RF19 Pt. Airasia 29/5/2016 RF09 29/5/2016 RF16 29/5/2016 RF09 29/5/2016 RF16 29/5/2016 RF09 29/5/2016 RF09 29/5/2016 RF29 29/5/2016 RF09 29/5/2016 RF29 29/5/2016 RF29 29/5/2016 RF09 30/5/2016 RF16 30/5/2016 RF09 30/5/2016 RF29 30/5/2016 RF16 30/5/2016 RF09 30/5/2016 RF16 30/5/2016 RF29 30/5/2016 RF09 30/5/2016 RF29 30/5/2016 RF09 30/5/2016 RF29 30/5/2016 RF09 85

106 Pt. Airasia 10/5/2016 RF19 Cathay Pacific China Airlines 11/5/2016 RF16 Pt. Garuda Pt. Airasia 11/5/2016 RF09 Pt. Garuda Pt. Airasia 11/5/2016 RF09 Pt. Garuda Pt. Garuda 11/5/2016 RF19 Airasia Berhad Pt. Garuda 11/5/2016 RF09 Pt. Airasia Pt. Garuda 11/5/2016 RF19 Pt. Garuda Eva Airways 11/5/2016 RF16 Pt. Garuda Pt. Garuda 11/5/2016 RF19 Singapore Airlines Pt. Airasia 11/5/2016 RF09 Tiger Airways Pt. Airasia 11/5/2016 RF09 Pt. Airasia Pt. Garuda 11/5/2016 RF19 Pt. Garuda Pt. Garuda 11/5/2016 RF19 Pt. Garuda Cathay Pacific 11/5/2016 RF16 Pt. Garuda Pt. Garuda 11/5/2016 RF09 Pt. Airasia Pt. Garuda 11/5/2016 RF19 Pt. Garuda Pt. Garuda 11/5/2016 RF09 Pt. Airasia Pt. Garuda 11/5/2016 RF16 Pt. Airasia Pt. Garuda 11/5/2016 RF19 Pt. Airasia Airasia Berhad 11/5/2016 RF09 Pt. Garuda Singapore Airlines 11/5/2016 RF16 Pt. Garuda Tiger Airways 11/5/2016 RF19 Pt. Garuda Pt. Airasia 11/5/2016 RF19 Pt. Garuda 30/5/2016 RF16 30/5/2016 RF29 30/5/2016 RF09 30/5/2016 RF29 30/5/2016 RF09 30/5/2016 RF09 30/5/2016 RF09 30/5/2016 RF29 30/5/2016 RF16 30/5/2016 RF29 30/5/2016 RF09 30/5/2016 RF09 30/5/2016 RF09 30/5/2016 RF09 30/5/2016 RF16 30/5/2016 RF29 30/5/2016 RF29 30/5/2016 RF29 30/5/2016 RF29 30/5/2016 RF09 30/5/2016 RF29 30/5/2016 RF09 30/5/2016 RF29 86

107 Pt. Garuda 11/5/2016 RF09 China Airlines Pt. Airasia 11/5/2016 RF19 Pt. Garuda Pt. Garuda 11/5/2016 RF09 Pt. Airasia Pt. Garuda 11/5/2016 RF16 Pt. Garuda Pt. Garuda 11/5/2016 RF19 Royal Brunei Airlines Pt. Airasia 11/5/2016 RF09 Pt. Garuda Pt. Garuda 11/5/2016 RF09 Pt. Garuda Jetstar Asia Airways 11/5/2016 RF09 Pt. Pte Ltd Airasia Pt. Airasia 11/5/2016 RF09 Pt. Garuda Pt. Garuda 11/5/2016 RF09 Pt. Garuda Pt. Garuda 11/5/2016 RF19 Pt. Garuda Pt. Garuda 11/5/2016 RF16 Pt. Garuda Pt. Garuda 11/5/2016 RF16 Cathay Pacific Pt. Garuda 11/5/2016 RF19 Pt. Garuda Pt. Airasia 11/5/2016 RF16 Pt. Garuda Pt. Garuda 11/5/2016 RF19 Pt. Garuda Pt. Garuda 11/5/2016 RF19 Airasia Berhad Pt. Garuda 11/5/2016 RF16 Pt. Airasia Pt. Garuda 11/5/2016 RF09 Pt. Garuda Silk Air 11/5/2016 RF19 Singapore Airlines Pt. Garuda 11/5/2016 RF09 Pt. Airasia Pt. Garuda 11/5/2016 RF19 Pt. Garuda Pt. Garuda 11/5/2016 RF16 Pt. Garuda 31/5/2016 RF16 31/5/2016 RF29 31/5/2016 RF09 31/5/2016 RF09 31/5/2016 RF29 31/5/2016 RF16 31/5/2016 RF09 31/5/2016 RF16 31/5/2016 RF16 31/5/2016 RF09 31/5/2016 RF29 31/5/2016 RF09 31/5/2016 RF16 31/5/2016 RF29 31/5/2016 RF09 31/5/2016 RF29 31/5/2016 RF29 31/5/2016 RF16 31/5/2016 RF09 31/5/2016 RF16 31/5/2016 RF09 31/5/2016 RF09 31/5/2016 RF16 87

108 Pt. Garuda 11/5/2016 RF16 Pt. Garuda Pt. Garuda 11/5/2016 RF19 Pt. Airasia Pt. Garuda 11/5/2016 RF19 Pt. Garuda Pt. Airasia 12/5/2016 RF19 Pt. Garuda China Airlines 12/5/2016 RF16 Pt. Airasia Pt. Airasia 12/5/2016 RF19 Pt. Garuda Pt. Garuda 12/5/2016 RF09 Pt. Airasia Pt. Garuda 12/5/2016 RF16 Pt. Garuda Pt. Garuda 12/5/2016 RF09 Pt. Garuda Royal Brunei 12/5/2016 RF09 Pt. Garuda Airlines Pt. Airasia 12/5/2016 RF19 Pt. Garuda Pt. Garuda 12/5/2016 RF09 Pt. Airasia Pt. Airasia 12/5/2016 RF19 Pt. Garuda 12/5/2016 RF19 Pt. Garuda 12/5/2016 RF09 Pt. Garuda 12/5/2016 RF16 Pt. Garuda 12/5/2016 RF19 Pt. Garuda 12/5/2016 RF09 Pt. Garuda 12/5/2016 RF09 Pt. Garuda 12/5/2016 RF19 Pt. Garuda 12/5/2016 RF19 Airasia Berhad 12/5/2016 RF09 Pt. Airasia 12/5/2016 RF16 Cathay Pacific 12/5/2016 RF16 Singapore Airlines 12/5/2016 RF19 Pt. Garuda 12/5/2016 RF16 Tiger Airways 12/5/2016 RF09 Pt. Airasia 12/5/2016 RF09 Pt. Garuda 12/5/2016 RF09 Pt. Garuda 12/5/2016 RF19 31/5/2016 RF09 31/5/2016 RF16 31/5/2016 RF09 31/5/2016 RF29 31/5/2016 RF16 31/5/2016 RF29 31/5/2016 RF16 31/5/2016 RF29 31/5/2016 RF29 31/5/2016 RF09 31/5/2016 RF29 31/5/2016 RF09 88

109 Pt. Airasia 12/5/2016 RF09 Pt. Garuda 12/5/2016 RF19 Pt. Garuda 12/5/2016 RF19 Pt. Garuda 12/5/2016 RF09 Pt. Airasia 12/5/2016 RF16 World Fuel Services 12/5/2016 RF29 Singapore Pte L Pt. Garuda 12/5/2016 RF09 Pt. Garuda 12/5/2016 RF19 Pt. Airasia 12/5/2016 RF09 Pt. Garuda 12/5/2016 RF19 Pt. Garuda 12/5/2016 RF19 Pt. Garuda 12/5/2016 RF16 Pt. Garuda 12/5/2016 RF23 Pt. Garuda 12/5/2016 RF23 Pt. Airasia 12/5/2016 RF16 Pt. Garuda 12/5/2016 RF16 Pt. Garuda 12/5/2016 RF09 Pt. Garuda 12/5/2016 RF19 Pt. Garuda 12/5/2016 RF16 Pt. Garuda 12/5/2016 RF19 Pt. Garuda 12/5/2016 RF09 Silk Air 12/5/2016 RF09 Pt. Garuda 12/5/2016 RF09 Pt. Garuda 12/5/2016 RF09 Pt. Garuda 12/5/2016 RF09 Airasia Berhad 12/5/2016 RF09 Pt. Garuda 12/5/2016 RF09 China Airlines 13/5/2016 RF16 Pt. Airasia 13/5/2016 RF23 Pt. Garuda 13/5/2016 RF19 Pt. Garuda 13/5/2016 RF16 Pt. Airasia 13/5/2016 RF16 Pt. Garuda 13/5/2016 RF19 Pt. Garuda 13/5/2016 RF09 World Fuel Services Singapore Pte L 13/5/2016 RF20 89

110 Pt. Garuda 13/5/2016 RF09 Pt. Garuda 13/5/2016 RF09 Pt. Garuda 13/5/2016 RF16 Pt. Airasia 13/5/2016 RF19 Cathay Pacific 13/5/2016 RF16 Pt. Garuda 13/5/2016 RF19 Pt. Garuda 13/5/2016 RF09 Pt. Garuda 13/5/2016 RF16 Pt. Garuda 13/5/2016 RF09 Pt. Garuda 13/5/2016 RF19 Pt. Airasia 13/5/2016 RF19 Airasia Berhad 13/5/2016 RF19 Pt. Garuda 13/5/2016 RF19 Singapore Airlines 13/5/2016 RF16 Pt. Airasia 13/5/2016 RF16 Pt. Garuda 13/5/2016 RF19 Pt. Garuda 13/5/2016 RF09 Pt. Garuda 13/5/2016 RF19 Pt. Airasia 13/5/2016 RF09 Pt. Garuda 13/5/2016 RF19 Pt. Airasia 13/5/2016 RF16 Pt. Garuda 13/5/2016 RF19 Pt. Airasia 13/5/2016 RF16 Pt. Garuda 13/5/2016 RF19 World Fuel Services 13/5/2016 RF22 Singapore Pte L Pt. Garuda 13/5/2016 RF16 Pt. Garuda 13/5/2016 RF19 Pt. Garuda 13/5/2016 RF16 Pt. Airasia 13/5/2016 RF09 Pt. Garuda 13/5/2016 RF16 Pt. Garuda 13/5/2016 RF16 Pt. Garuda 13/5/2016 RF16 Pt. Garuda 13/5/2016 RF09 Pt. Garuda 13/5/2016 RF09 Pt. Garuda 13/5/2016 RF09 90

111 Pt. Garuda 13/5/2016 RF16 Silk Air (Surabaya) 13/5/2016 RF19 Pt. Garuda 13/5/2016 RF19 Pt. Garuda 13/5/2016 RF19 Pt. Garuda 13/5/2016 RF09 Pt. Garuda 13/5/2016 RF09 Airasia Berhad 13/5/2016 RF16 Pt. Garuda 13/5/2016 RF16 China Airlines 14/5/2016 RF16 Pt. Airasia 14/5/2016 RF09 Pt. Garuda 14/5/2016 RF19 Pt. Airasia 14/5/2016 RF09 Pt. Garuda 14/5/2016 RF19 Eva Airways 14/5/2016 RF16 Pt. Airasia 14/5/2016 RF09 Pt. Airasia 14/5/2016 RF23 Pt. Garuda 14/5/2016 RF23 Pt. Garuda 14/5/2016 RF19 Pt. Garuda 14/5/2016 RF09 Pt. Garuda 14/5/2016 RF19 Pt. Garuda 14/5/2016 RF19 Cathay Pacific 14/5/2016 RF16 Pt. Garuda 14/5/2016 RF09 Pt. Garuda 14/5/2016 RF19 Pt. Airasia 14/5/2016 RF09 Pt. Garuda 14/5/2016 RF09 Airasia Berhad 14/5/2016 RF09 Singapore Airlines 14/5/2016 RF16 Pt. Garuda 14/5/2016 RF16 Pt. Airasia 14/5/2016 RF19 Pt. Garuda 14/5/2016 RF19 Pt. Garuda 14/5/2016 RF19 Pt. Airasia 14/5/2016 RF16 Pt. Garuda 14/5/2016 RF09 Pt. Garuda 14/5/2016 RF09 91

112 Pt. Airasia 14/5/2016 RF19 Pt. Garuda 14/5/2016 RF16 Pt. Airasia 14/5/2016 RF09 Pt. Garuda 14/5/2016 RF16 Pt. Garuda 14/5/2016 RF16 Pt. Garuda 14/5/2016 RF16 Pt. Airasia 14/5/2016 RF09 Pt. Garuda 14/5/2016 RF09 Pt. Airasia 15/5/2016 RF16 China Airlines 15/5/2016 RF16 Pt. Garuda 15/5/2016 RF19 Pt. Garuda 15/5/2016 RF16 Pt. Airasia 15/5/2016 RF09 Pt. Airasia 15/5/2016 RF19 Pt. Airasia 15/5/2016 RF19 Pt. Garuda 15/5/2016 RF19 Pt. Garuda 15/5/2016 RF09 Pt. Garuda 15/5/2016 RF19 Pt. Garuda 15/5/2016 RF19 Pt. Garuda 15/5/2016 RF09 Cathay Pacific 15/5/2016 RF16 Pt. Garuda 15/5/2016 RF09 Pt. Garuda 15/5/2016 RF19 Pt. Airasia 15/5/2016 RF19 Pt. Garuda 15/5/2016 RF09 Airasia Berhad 15/5/2016 RF09 Tiger Airways 15/5/2016 RF09 Singapore Airlines 15/5/2016 RF16 Pt. Garuda 15/5/2016 RF09 Pt. Airasia 15/5/2016 RF09 Pt. Garuda 15/5/2016 RF19 Pt. Garuda 15/5/2016 RF09 Pt. Garuda 15/5/2016 RF19 Pt. Airasia 15/5/2016 RF16 Pt. Airasia 15/5/2016 RF09 92

113 Pt. Garuda 15/5/2016 RF09 Pt. Airasia 15/5/2016 RF09 Pt. Garuda 15/5/2016 RF19 Pt. Garuda 15/5/2016 RF19 Pt. Garuda 15/5/2016 RF19 Pt. Airasia 15/5/2016 RF16 Pt. Garuda 15/5/2016 RF16 Pt. Garuda 15/5/2016 RF16 Pt. Garuda 16/5/2016 RF16 Pt. Garuda 16/5/2016 RF09 Pt. Garuda 16/5/2016 RF19 Pt. Garuda 16/5/2016 RF19 Pt. Airasia 16/5/2016 RF23 Pt. Garuda 16/5/2016 RF19 Pt. Garuda 16/5/2016 RF19 Pt. Garuda 16/5/2016 RF09 Pt. Garuda 16/5/2016 RF19 Pt. Garuda 16/5/2016 RF09 Pt. Garuda 16/5/2016 RF09 Pt. Garuda 16/5/2016 RF23 Singapore Airlines 16/5/2016 RF16 Pt. Garuda 16/5/2016 RF23 Pt. Garuda 16/5/2016 RF19 Pt. Garuda 16/5/2016 RF16 Pt. Airasia 16/5/2016 RF23 Pt. Garuda 16/5/2016 RF23 Pt. Garuda 16/5/2016 RF09 Pt. Garuda 16/5/2016 RF16 Pt. Garuda 16/5/2016 RF19 Pt. Garuda 16/5/2016 RF09 Pt. Garuda 16/5/2016 RF19 Pt. Garuda 16/5/2016 RF09 Pt. Garuda 16/5/2016 RF09 Pt. Garuda 16/5/2016 RF09 Pt. Garuda 16/5/2016 RF19 Pt. Garuda 16/5/2016 RF09 Pt. Garuda 16/5/2016 RF09 Pt. Garuda 16/5/2016 RF09 Pt. Garuda 16/5/2016 RF16 Pt. Garuda 16/5/2016 RF16 Pt. Garuda 16/5/2016 RF19 Silk Air 16/5/2016 RF19 93

114 Peta Terminal 2 94

115 RIWAYAT PENULIS Adi Wibisono yang biasanya dipanggil Adi lahir pada tanggal 25 Maret Adi merupakan anak terakhir dari tiga bersaudara. Lulus dari SDN Ketabang I Surabaya, kemudian melanjutkan sekolah di SMPN 29 Surabaya dan lulus pada thun Kemudian melanjutkan sekolah di SMA Muhammadiyah2 Surabaya dan lulus pada tahun Setelah lulus SMA penulis memilih untuk melanjutkan pendidikan di Teknik Elektro Institut Teknologi Sepuluh Nopember pada tahun 2012.Penulis juga aktif dalam kegiatan mahasiswa, seperti GERIGI dan pernah menjadi koordinator teritori. Memasuki tahun ketiga kuliah yaitu pada tahun 2014 penulis memutuskan untuk mengambil bidang studi Teknik Sistem Pengaturan. Dan pada tahun terakhir yaitu pada tahun 2015 penulis menjadi asisten Laboratorium Teknik Sistem dan menjadi bendahara. Pada bulan Juni 2016 penulis mengikuti seminar dan ujian Tugas Akhir sebagai salah satu syarat untuk memperoleh gelar Sarjana Teknik Elektro dari Institut Teknologi Sepuluh Nopember Surabaya. adiwibisano@yahoo.co.id HP :