BAB IV CONTOH NUMERIK DAN ANALISIS KOMPUTASIONAL
|
|
- Leony Budiono
- 6 tahun lalu
- Tontonan:
Transkripsi
1 BAB IV CONTOH NUMERIK DAN ANALISIS KOMPUTASIONAL IV.1. Karakteristik Data Hipotetik. Penyelesaian VRP dengan karakteristik fleet mix vehicle, multiple trips, split delivery, multiple products dan multiple compartments dengan teknik algoritma genetik diuji dengan menggunakan sembilan data hipotetik dari Komara (2006). Arvianto (2009) juga menggunakan kesembilan data hipotetik ini untuk penyelesaian VRP dengan karakteristik multiple trips, multiple time windows, split delivery, multiple products and multiple compartments. Sembilan contoh data ini dibagi menurut karakteristik lokasi pelanggan (random, berkelompok, dan campuran random dan berkelompok). Pada masing-masing set data hipotetik, terdapat 50 pelanggan dengan lokasi pelanggan dinyatakan dalam koordinat cartesisus (x,y) dengan batas-batas koordinat (0,0) hingga (10,10). Satu satuan dalam koordinat ekivalen dengan 1 kilometer (km). lokasi depot terdapat pada koordinat (5,5). Jarak antar lokasi didefinisikan sebagai jarak euclidian. Produk yang dikirimkan terdiri dari tiga jenis. Terdapat tiga tipe kendaraan yang digunakan dan mempunyai tiga kompartemen dengan kapasitas tertentu. Tabel IV.1 berikut memperlihatkan spesifikasi data kendaraan dan kompartemen. Tabel IV.1. Spesifikasi Data Kendaraan dan Kompartemen Tipe Kendaraan Fixed Cost (Rp/Hor.Perenc) Variabel Cost (Rp/jam) Kapasitas Kompartemen 1 (unit) Kapasitas Kompartemen 2 (unit) Kapasitas Kompartemen 3 (unit) Tipe Tipe Tipe Sebaran lokasi pelanggan yang teracak, terkelompok, dan tercampur diperlihatkan pada Gambar IV.1, IV.2, IV.3 di bawah ini 82
2 Gambar. IV.1. Lokasi Pelanggan Data Hipotetik Random 1 Gambar. IV.2. Lokasi Pelanggan Data Hipotetik Cluster 1 83
3 Gambar IV.3. Lokasi Pelanggan Data Hipotetik Campur 1 Pada beberapa pelanggan, demand pengiriman pelanggan melebihi kapasitas kendaraan sehingga harus melakukan split delivery. Kecepatan kendaraan adalah 50 mil/jam. Waktu loading sama dengan waktu discharging yaitu 30 unit/jam. Waktu setup sebesar 0,2 jam. Horison perencanaan sepanjang10 jam. Sembilan contoh data hipotetik yang digunakan dalam penelitian ini dapat dilihat pada Lampiran B. IV.2. Contoh Numerik Contoh numerik ini melakukan perhitungan permasalahan permasalahan VRP with fleet mix vehicle, multiple trips, Split delivery, multiple products and multiple compartments dengan menggunakan fungsi tujuan minimisasi total routing cost yang terdapat dalam persamaan 3-7. Tabel IV.2 dibawah ini memperlihatkan data input VRP dengan karateristik fleet mix vehicle, multiple trips, split delivery, multiple products dan multiple compartments untuk data hipotetik cluster 1. 84
4 Tabel IV.2. Input Data Hipotetik Cluster 1 Jumlah Depot 1 Jumlah Pelanggan 50 Jumlah Jenis Produk 3 Horison Perencanaan (Jam) 10 Tipe Kendaraan Heterogeneous Jumlah Tipe Kendaraan 3 Jumlah Kompartemen 3 Kecepatan Kendaraan (mil/h) 50 Waktu Setup (Jam) 0.2 Waktu Loading (Unit/Jam) 30 Waktu Unloading (Unit/Jam) 30 Kendaraan Tipe Kendaraan Fixed Cost Variabel Cost Komp 1 Komp 2 Komp 3 (Rp/Hor.pernc) (Rp/jam) (unit) (unit) (unit) Kendaraan Tipe Kendaraan Tipe Kendaraan Tipe Depot dan Pelanggan Pelanggan Position Position Produk 1 Produk 2 Produk 3 X Y (Unit) (Unit) (Unit)
5 Lanjutan Tabel Depot dan Pelanggan Nilai parameter dan nilai operator genetik yang di gunakan di tunjukan pada Tabel IV.3 di bawah ini. Tabel IV.3. Data Algoritma Genetik Populasi 20 Maksimum Generasi 50 Elitis 10 % Migrasi 40 % Mutasi 20 % Crossover 30 % Hasil pengolahan numerik secara rinci ditunjukkan pada Tabel IV.4 di bawah ini. Tabel IV.4. Solusi Contoh VRPFMVMTMPMC Individu Terbaik Generasi Data Hipotetik Cluster 1 SUMMARY of GENETIC ALGORITHM SOLUTION Created on : 4/30/ :37:36 PM File name Cluster 1.txt Name of Experiment Genetic Algorithm Process Time (second) detik Number of Vehicles 6 Kendaraan Total Tour Duration Time jam Range of Duration Time 2.6 jam Objective Function Rp /Hrsn Prnc. VERIFICATIONS All Customers are Assigned: TRUE Feasibility of Vehicle Compartments: TRUE Feasibility of Planning Horizon: TRUE Number of Customer Splitted: 6 Splitted Customers: 15, 25, 30, 35, 40,45 86
6 Lanjutan tabel solusi VRPFMVMTSDMPMC Individu Terbaik GenerasiData Hipotetik Cluster 1 DETAIL SCHEDULE Tour 1 Tipe Kendararaan : 1 Tour Duration Time : Jam Total % W. Setup 0.4 jam W. L/UL 1.6 jam W. Temp jam Rute : Total % W. Setup 1 jam W. L/UL 1.6 jam W. Temp jam Rute : Total % W. Setup 0.8 jam W. L/UL 1.6 jam W. Temp jam Rute : Total % W. Setup 0.8 jam W. L/UL 1.2 jam W. Temp jam Biaya Perj. Tour Rp. 1,
7 Lanjutan tabel solusi VRPFMVMTSDMPMC Individu Terbaik GenerasiData Hipotetik Cluster 1 Tour 2 Tipe Kendararaan : 2 Tour Duration Time : Jam Total % W. Setup 0.4 jam W. L/UL 2 jam W. Temp jam Rute : Total % W. Setup 1.2 jam W. L/UL 2 jam W. Temp jam Rute : Total % W. Setup 1.2 jam W. L/UL 2 jam W. Temp jam Biaya Perj. Tour Rp. 3,650. Tour 3 Tipe Kendararaan : 3 Tour Duration Time : Jam Total % W. Setup 1 jam W. L/UL 2.8 jam W. Temp jam 88
8 Lanjutan tabel solusi VRPFMVMTSDMPMC Individu Terbaik GenerasiData Hipotetik Cluster 1 Rute : Total % W. Setup 0.6 jam W. L/UL 2.8 jam W. Temp jam Rute : Total % W. Setup 0.6 jam W. L/UL 1.2 jam W. Temp jam Biaya Perj. Tour Rp. 3,471. Tour 4 Tipe Kendararaan : 1 Tour Duration Time : Jam Total % W. Setup 0.8 jam W. L/UL 1.6 jam W. Temp jam Rute : Total % W. Setup 1 jam W. L/UL 1.6 jam W. Temp jam Rute : Total % W. Setup 0.4 jam W. L/UL 1.6 jam W. Temp jam 89
9 Lanjutan tabel solusi VRPFMVMTSDMPMC Individu Terbaik GenerasiData Hipotetik Cluster 1 Rute : Total % W. Setup 0.8 jam W. L/UL 1.2 jam W. Temp jam Biaya Perj. Tour Rp. 4,858. Tour 5 Tipe Kendararaan : 3 Tour Duration Time : Jam Total % W. Setup 1 jam W. L/UL 2.8 jam W. Temp jam Rute : Total % W. Setup 0.6 jam W. L/UL 2.8 jam W. Temp jam Rute : Total % W. Setup 0.8 jam W. L/UL 1.2 jam W. Temp jam Biaya Perj. Tour Rp. 4,
10 Lanjutan tabel solusi VRPFMVMTSDMPMC Individu Terbaik GenerasiData Hipotetik Cluster 1 Tour 6 Tipe Kendararaan : 1 Tour Duration Time : Jam Total % W. Setup 0.4 jam W. L/UL 1.6 jam W. Temp jam Rute : Total % W. Setup 0.8 jam W. L/UL 1.6 jam W. Temp jam Rute : Total % W. Setup 0.8 jam W. L/UL 1.2 jam W. Temp jam Biaya Perj. Tour Rp. 4,868. Jmlh Kend Tipe 1 : 3 Kend Jmlh Kend Tipe 2 : 1 Kend Jmlh Kend Tipe 3 : 2 Kend NV 6 Kend. TDT jam RCT jam Biaya Total Perj. Rp. 23,165. Fitness Function 628, Gambar IV.4 sampai dengan gambar IV. 10 memperlihatkan map solusi keseluruhan tur dan setiap tur dari individu terbaik generasi untuk permasalahan VRP with fleet mix vehicle, multiple trips, Split delivery, multiple products and multiple compartments dengan data hipotetik Cluster 1, dimana dibutuhkan 6 tur dengan tur 1 dilayani oleh kendaraan tipe 1n tur 2 oleh kendaraan tipe 2, tur 3 oleh kendaraan tipe 3, tur 4 dilayani oleh kendaraan tipe 1, tur 5 dilyani oleh kendaraan tipe 3 dan tur 6 dilayani oleh kendaraan tipe 1. Jadi dibutuhkan 6 kendaraan (kendaraan tipe 1 91
11 sebanyak 3 kendaraan, kendaraan tipe 2 sebanyak 1 kendaraan dan kendaraan tipe 3 sebanyak 2 kendaraan) untuk melayani permintaan 50 pelanggan. Gambar IV.4. Map Solusi Keseluruhan Tur Data Hipotetik Cluster 1 Gambar IV.5. Map Solusi Tur 1 Data Hipotetik Cluster 1 92
12 Gambar IV.6. Map Solusi Tur 2 Data Hipotetik Cluster 1 Gambar IV.7. Map Solusi Tur 3 Data Hipotetik Cluster 1 93
13 Gambar IV.8. Map Solusi Tur 4 Data Hipotetik Cluster 1 Gambar IV.9. Map Solusi Tur 5 Data Hipotetik Cluster 1 94
14 Gambar IV.10. Map Solusi Tur 6 Data Hipotetik Cluster 1 Data-data output lain yang terkait dengan solusi permasalahan VRP with fleet mix vehicle, multiple trips, Split delivery, multiple products and multiple compartments data hipotetik Cluster 1 di tampilkan dalam bentuk grafik-grafik di bawah ini. Gambar IV.11. Grafik Pergerakan Nilai Fitnees Function Individu Terbaik Setiap Generasi Data Hipotetik Cluster 1 95
15 Dari Gambar IV.11 grafik fitness function untuk data hipotetik Cluster 1 menampilkan proses konvergensi untuk fitness function terjadi pada generasi ke sepuluh selama pembentukan 50 generasi. IV.3. Analisis Kestabilan Solusi Analisis kestabilan solusi akan diuji menggunakan sembilan set data hipotetik. Analisis ini dilakukan untuk melihat variansi dari solusi yang dihasilkan. Software aplikasi yang dirancang untuk pemecahan VRP dengan karakteristik fleet mix vehicle, multiple trips, split delivery, multiple products dan multiple compartements dengan menggunakan algoritma genetika, dilakukan dengan menggunakan spesifikasi perangkat komputer sebagai berikut: Processor : Intel Core 2 Duo 1,8 GHz Memory : DDR2 3 GB Opr. System : Microsoft Windows Vista Home Premium Developer : Microsoft Visual Basic Version 6.0 Nilai parameter dan nilai operator genetika yang digunakan adalah : Maksimum Generasi : 50 Jumlah Populasi : 20 Elitis : 10 % Migrasi : 40 % Mutasi : 20 % Crossover : 30 % Percobaan yang dilakukan menggunakan fungsi tujuan meminimumkan total routing cost. Karena hasil dari setiap percobaan berbeda-beda maka dilakukan perhitungan jumlah replikasi yang di butuhkan untuk sembilan data hipotetik. Perhitungan jumlah replikasi yang diperlukan menggunakan relative error yang diambil dari Harrell, et.al (2004). ( / 2 ) ' zα s n = re x (1 + re 2 (4-1) 96
16 dengan : α = tingkat kesalahan yang diijinkan digunakan 5% re = relative error 10% s = simpangan baku x = Nilai rata-rata. dicoba dengan n = 5 replikasi n' = Jumlah replikasi yang dibutuhkan. Berikut adalah rekapitulasi perhitungan jumlah replikasi untuk kesembilan data hipotetik ditunjukan pada Tabel IV.5. Data Hipotetik Tabel IV.5. Rekapitulasi Perhitungan Jumlah Replikasi Jumlah Replikasi (n ) Data Hipotetik Jumlah Replikasi (n ) Data Hipotetik Jumlah Replikasi (n ) Campur Cluster Random E 05 Campur Cluster Random Campur Cluster Random Dari Tabel IV.5. diatas terlihat jumlah replikasi yang dibutuhkan untuk sembilan data hipotetik adalah sebanyak satu replikasi, karena n < n maka n sebanyak 5 replikasi dinyatakan cukup untuk percobaan kesembilan data hipotetik. Tabel IV.6 sampai dengan Tabel IV.14 berikut akan menampilkan percobaan masing-masing data hipotetik dengan lima replikasi. Dari seluruh hasil percobaan dengan lima replikasi terlihat bahwa koofisien variansi untuk tiap data hipotetik nilainya mendekati nol, sehingga dapat disimpulkan bahwa solusi yang dihasilkan dari seluruh percobaan dapat dikatakan stabil. Tabel IV.6 Hasil Percobaan Data Hipotetik Campur 1 Replikasi NV Waktu Fitnnes (unit) TDT RDT Komputasi Function Tipe Tipe Tipe (Jam) (Jam) (detik) (Rp)/HP Rata rata Simpangan Baku Kooefisien Variansi
17 Tabel IV.7. Hasil Percobaan Data Hipotetik Campur 2 Replikasi NV Waktu Fitnnes (unit) TDT RDT Komputasi Function Tipe Tipe Tipe (Jam) (Jam) (detik) (Rp)/HP Rata rata Simpangan Baku Kooefisien Variansi Tabel IV.8. Hasil Percobaan Data Hipotetik Campur 3 Replikasi NV Waktu Fitnnes (unit) TDT RDT Komputasi Function Tipe Tipe Tipe (Jam) (Jam) (detik) (Rp)/HP Rata rata Simpangan Baku Kooefisien Variansi Tabel IV.9. Hasil Percobaan Data Hipotetik Cluster 1 Replikasi NV Waktu Fitnnes (unit) TDT RDT Komputasi Function Tipe Tipe Tipe (Jam) (Jam) (detik) (Rp)/HP Rata rata Simpangan Baku Kooefisien Variansi
18 Tabel IV.10. Hasil Percobaan Data Hipotetik Cluster 2 Replikasi NV Waktu Fitnnes (unit) TDT RDT Komputasi Function Tipe Tipe Tipe (Jam) (Jam) (detik) (Rp)/HP Rata rata Simpangan Baku Kooefisien Variansi Tabel IV.11. Hasil Percobaan Data Hipotetik Cluster 3 Replikasi NV Waktu Fitnnes (unit) TDT RDT Komputasi Function Tipe Tipe Tipe (Jam) (Jam) (detik) (Rp)/HP Rata rata Simpangan Baku Kooefisien Variansi Tabel IV.12. Hasil Percobaan Data Hipotetik Random 1 Replikasi NV Waktu Fitnnes (unit) TDT RDT Komputasi Function Tipe Tipe Tipe (Jam) (Jam) (detik) (Rp)/HP Rata rata Simpangan Baku Kooefisien Variansi
19 Tabel IV.13. Hasil Percobaan Data Hipotetik Random 2 Replikasi NV Waktu Fitnnes (unit) TDT RDT Komputasi Function Tipe Tipe Tipe (Jam) (Jam) (detik) (Rp)/HP Rata rata Simpangan Baku Kooefisien Variansi Tabel IV.14. Hasil Percobaan Data Hipotetik Random 3 Replikasi NV Waktu Fitnnes (unit) TDT RDT Komputasi Function Tipe Tipe Tipe (Jam) (Jam) (detik) (Rp)/HP Rata rata Simpangan Baku Kooefisien Variansi IV.4. Analisis Kemamputerapan Teknik GA. Analisis ini digunakan untuk melakukan pengukuran generalisasi teknik GA yang dikembangkan terhadap perubahan varian. Artinya seberapa jauh teknik GA yang dikembangkan pada penelitian ini dapat digunakan untuk menyelesaikan permasalahan-permasalahan dalam sistem nyata. Varian yang dipertimbangkan dalam penelitian ini terdiri dari fleet mix vehicle, multiple trips, split delivery, multiple product dan multiple compartement. Sebagai contoh perhitungan pada analisis ini, digunakan salah satu data hipotetik yaitu Campur 1 100
20 IV.4.1. Pengujian Teknik GA untuk VRP dengan Karakteristik Kendaraan Homogen, Single Product dan Single Compartement. Teknik GA yang dikembangkan dalam penelitian ini dapat dipakai untuk menyelesaikan VRP dengan karakteristik kendaraan homogen, single product dan single compartement. Data hipotetik yang digunakan adalah Campur 1 dengan mengubah inputan jenis produk, kapasitas kompartemen, tipe kendaraannya dan tidak mengubah varian yang lain yaitu multiple trips dan split delivery. Tabel IV. 15 berikut adalah input Data Hipotetik Campur 1 Tabel IV.15. Spesifikasi Data Kendaraan, Kompartemen Depot Pelanggan Tipe kendaraan Fixed Cost (Rp/Hor.Perc) Variabel Cost (Rp/jam) Kapasitas Kompartemen (unit) Kecepatan Kendaraan (mil/jam) Waktu Setup (jam) Waktu Loading / Unloading (unit/jam) Homogen ,2 30 Depot dan Pelanggan Pelanggan Position Position Produk 1 X Y (Unit)
21 Tabel lanjutan Depot dan Pelanggan Pelanggan Position Position Produk 1 X Y (Unit) Dengan menggunakan nilai parameter dan operator genetika yang sama seperti pada tabel IV.3, dan dengan dilakukan percobaan sebanyak 5 replikasi maka didapat hasil seperti pada tabel IV.16 berikut. Replikasi Tabel IV.16. Hasil Percobaan Data Hipotetik Campur 1 Waktu Komputasi (detik) Fitnnes Function (Rp)/HP NV (unit) TDT (Jam) RDT (Jam) Terbaik Rata rata Standart Deviasi Kooefisien Variansi E Tabel IV.17 berikut menunjukan solusi terbaik dari model single product, single compartement dan kendaraan homogen menggunakan data hipotetik campur 1 102
22 Tabel IV.17. Solusi Terbaik Model Single Product, Single Compartement dan Kendaraan Homogen Data Hipotetik Campur 1 SUMMARY of GENETIC ALGORITHM SOLUTION Created on : 5/14/2009 3:03:13 PM File name Name of Experiment Process Time Number of Vehicles Total Tour Duration Time Range of Duration Time Total Routing Cost Data Campur 1.txt Genetic Algorithm detik 3 Kendaraan jam 7.19 jam Rp. 321,368.00/Hrsn Prnc. VERIFICATIONS All Customers are Assigned: TRUE Feasibility of Vehicle Compartments: TRUE Feasibility of Planning Horizon: TRUE Number of Customer Splitted: 7 Splitted Customers: 5, 15, 20, 30, 35, 40, 45 DETAIL SCHEDULE Tour 1 Tipe Kendararaan : 1 Tour Duration Time : Jam Customer Prod. 1 Waktu Utilitas Biaya (Unit) (Jam) (Persen) (Rp) Total 5 100% W. Setup 0.8 jam W. L/UL jam W. Temp jam Rute : 2 Customer Prod. 1 Waktu Utilitas Biaya (Unit) (Jam) (Persen) (Rp) Total 5 100% W. Setup 1.2 jam W. L/UL jam W. Temp jam Rute : 3 Customer Prod. 1 Waktu Utilitas Biaya (Unit) (Jam) (Persen) (Rp) Total 5 100% W. Setup 1.2 jam W. L/UL jam W. Temp jam 103
23 Lanjutan tabel hasil model single product, single compartement dan kendaraan homogen Rute : 4 Customer Prod. 1 Waktu Utilitas Biaya (Unit) (Jam) (Persen) (Rp) Total 5 100% W. Setup 1 jam W. L/UL jam W. Temp jam Rute : 5 Customer Prod. 1 Waktu Utilitas Biaya (Unit) (Jam) (Persen) (Rp) Total 5 100% W. Setup 1.2 jam W. L/UL jam W. Temp jam Rute : 6 Customer Prod. 1 Waktu Utilitas Biaya (Unit) (Jam) (Persen) (Rp) Total 5 100% W. Setup 1.2 jam W. L/UL jam W. Temp jam Biaya Perj. Tour Rp. 5,916. Tour 2 Tipe Kendararaan : 1 Tour Duration Time : Jam Customer Prod. 1 Waktu Utilitas Biaya (Unit) (Jam) (Persen) (Rp) Total 5 100% W. Setup 1.2 jam W. L/UL jam W. Temp jam 104
24 Lanjutan tabel hasil model single product, single compartement dan kendaraan homogen Rute : 2 Customer Prod. 1 Waktu Utilitas Biaya (Unit) (Jam) (Persen) (Rp) Total 5 100% W. Setup 1.2 jam W. L/UL jam W. Temp jam Rute : 3 Customer Prod. 1 Waktu Utilitas Biaya (Unit) (Jam) (Persen) (Rp) Total 5 100% W. Setup 1.2 jam W. L/UL jam W. Temp jam Rute : 4 Customer Prod. 1 Waktu Utilitas Biaya (Unit) (Jam) (Persen) (Rp) Total 5 100% W. Setup 1.2 jam W. L/UL jam W. Temp jam Rute : 5 Customer Prod. 1 Waktu Utilitas Biaya (Unit) (Jam) (Persen) (Rp) Total 5 100% W. Setup 0.8 jam W. L/UL jam W. Temp jam 105
25 Lanjutan tabel hasil model single product, single compartement dan kendaraan homogen Rute : 6 Customer Prod. 1 Waktu Utilitas Biaya (Unit) (Jam) (Persen) (Rp) Total 3 60% W. Setup 0.6 jam W. L/UL 0.2 jam W. Temp jam Biaya Perj. Tour Rp. 9,120. Tour 3 Tipe Kendararaan : 1 Tour Duration Time : Jam Customer Prod. 1 Waktu Utilitas Biaya (Unit) (Jam) (Persen) (Rp) Total 5 100% W. Setup 0.8 jam W. L/UL jam W. Temp jam Rute : 2 Customer Prod. 1 Waktu Utilitas Biaya (Unit) (Jam) (Persen) (Rp) Total 3 60% W. Setup 0.6 jam W. L/UL 0.2 jam W. Temp jam Biaya Perj. Tour Rp. 3,332. Jmlh Kend Tipe 1 : 3 Kend NV 3 Kend. TDT jam RCT jam Biaya Total Perj. Rp. 18,368. Fitness Function 321, Dari Tabel IV.17 diatas terlihat masih terjadi adanya split delivery pada pelanggan 40, 20, 35, 30, 45, 5, dan 15. IV.5. Karakteristik Permasalahan Pendistribusian Produk Minyak di Maluku dan Irian Jaya. Penelitian ini menggunakan data yang diambil pada perusahan (PT Pertamina Region IVc UPMS VIII) tahun Terdapat permasalahan pendistribusian tiga produk minyak yaitu permium, minyak tanah, dan solar di kawasan Maluku, Maluku Utara, 106
26 Papua dan Papua Barat. Gambar IV.12 menunjukan pelabuhan-pelabuhan di Maluku, Maluku Utara, Papua dan Papua Barat yang menjadi cakupan dalam penelitian ini. Terdapat satu depot (supply point) yaitu Ambon dan terdapat 19 (destination points) yaitu : 1. Biak (Pulau Biak) 11. Nabire (Pulau Irian Jaya) 2. Bula (Pulau Seram) 12. Namlea (Pulau Buru) 3. Dobo (Pulau Wokam) 13. Sanana (Pulau Sulabesi) 4. Fak-fak (Pulau Irian Jaya) 14. Saumlaki (Pulau Yamdena) 5. Jayapura (Pulau Irian Jaya) 15. Serui (Pulau Yapen) 6. Kaimana (Pulau Irian Jaya) 16. Sorong (Pulau Irian Jaya) 7. Labuha (Pulau Bacan)) 17. Ternate (Pulau Ternate) 8. Manokwari (Pulau Irian Jaya) 18. Tobelo (Pulau Halmahera) 9. Masohi (Pulau Seram) Tual (Pulau Kei Kecil) 10. Merauke (Pulau Irian Jaya) Berikut adalah Gambar IV.12. yang menunjukan daerah distribusi PT. PERTAMINA Region IVc UPMS VIII untuk Maluku dan Irian Jaya Gambar IV.12. Daerah distribusi PT. PERTAMINA Region IVc UPMS VIII Untuk Maluku dan Irian Jaya 107
27 Setiap pelabuhan memiliki kapasitas tangki timbun yang berbeda-beda yang menentukan jumlah maksimum produk minyak yang dapat disimpan. Setiap pelabuhan juga memiliki throughput, yaitu tingkat konsumsi produk minyak perhari, yang berbeda-beda, sehingga setiap pelabuhan memiliki daya tahan (waktu sampai suatu pelabuhan kekurangan stok) yang berbeda pula. Tabel IV.18 menunjukan kapasitas tangki timbun, throughput, dan daya tahan masing-masing pelabuhan. Tabel IV.18. Kapasitas Tangki Timbun, Throughput, dan Daya Tahan Pelabuhan. Nama Depot 1 (kl) Premium Minyak Tanah Minyak Solar (kl/hari) (Hari) (kl) (kl/hari) (Hari) (kl) (kl/hari) 3 (Hari) Biak ,3 64, ,1 323, ,9 145,3 Bula 684 8,0 85, ,5 29, ,2 36,0 Dobo 189 7,9 23, ,7 40, ,2 45,2 Fak fak ,4 29, ,6 30, ,7 114,1 Jayapura ,3 24, ,8 22, ,0 36,7 Kaimana ,8 11, ,2 21, ,6 19,8 Labuha ,5 43, ,9 37, ,5 83,7 Manokwari ,9 21, ,2 53, ,4 37,3 Masohi ,9 34, ,0 16, ,5 18,5 Merauke ,3 38, ,2 49, ,5 26,7 Nabire ,4 16, ,8 21, ,7 32,0 Namlea ,6 40, ,0 40, ,1 60,6 Sanana ,1 47, ,7 46, ,3 47,6 Saumlaki , ,0 30, ,1 24,4 Serui ,7 39, ,5 33, ,5 44,7 Sorong ,3 27, ,0 61, ,2 26,7 Ternate ,0 28, ,1 25, ,2 22,7 Tobelo ,7 15, ,5 33, ,1 32,2 Tual ,4 60, ,2 49, ,1 96,8 Keterangan: 1 = kapasitas (dalam kiloliter) 2 = throughput (dalam kiloliter perhari) 3 = daya tahan (dalam hari) Daya tahan adalah kapasitas tangki timbun dibagi dengan throughput. Ketiga produk minyak (premium, minyak tanah, solar) harus didistribusikan dari ambon ke sembilan belas pelanggan (relasi one to many) dengan menggunakan sejumlah kapal tanker. Diasumsikan jumlah kapal tanker yang tersedia tidak terbatas. Kapal tanker yang ada dapat mengangkut ketiga jenis produk minyak sekaligus 108
28 (premium, minyak tanah, solar) dengan kapasitas 1500 kiloliter, 3600 kiloliter, dan 7000 kiloliter. Kecepatan rata-rata kapal tanker adalah 10 knot/jam sampai 12 knot/jam. Dalam penelitian ini menggunakan kecepatan rata-rata kapal tanker adalah 10 knot/jam Tabel IV.19 menunjukan spesifikasi data kapal dan kompartemen Tabel IV.19. Spesifikasi Data Kapal dan Kompartemen Biaya Tipe Biaya Tetap Total Grade 1 Grade 2 Grade 3 Variabel COMP Kapal (Rp/HP) (kl) (kl) (kl) (kl) (Rp/jam) Tipe I komp Tipe II komp Tipe III komp Keterangan : Grade 1 untuk premium Grade 2 untuk minyak tanah Grade 3 untuk minyak solar Loading dan discharging untuk ketiga produk minyak tidak dilakukan bersamaan, setelah produk minyak yang satu selesai dialirkan ke/dari tanker, baru produk minyak yang lain dialirkan ke/dari tanker. Waktu loading dan discharging bersifat relatif tergantung dari kecepatan pengaliran produk minyak yang keluar / masuk tanker. Kecepatan berkisar antara 200 s/d 400 kiloliter/jam, tergantung dari sedikit banyaknya minyak yang dialirkan. Semakin sedikit minyak yang dialirkan seharusnya menggunakan kecepatan pengaliran rendah. Hal ini dilakukan untuk menjamin ketelitian. Dalam penelitian ini dipakai kecepatan loading dan discharging sebesar 200 kiloliter/jam. Waktu setup di dermaga adalah total waktu yang dipergunakan ketika tanker sampai di dermaga, sampai siap dilakukan loading dan discharging ditambah waktu yang dipergunakan setelah loading dan discharging untuk mempersiapkan keberangkatan. Total waktu setup di setiap pelabuhan adalah sebesar 2 jam, dan dimasukan kedalam waktu penyelesaian tur. Jarak antar pelabuhan, dalam mil laut (nautical mile), diberikan pada tabel IV.20 berikut ini. 109
29 Tabel IV.20. Jarak antar pelabuhan (mil laut) AMBON 631 BIAK BULA DOBO FAKFAK JAYAPURA KAIMANA LABUHA MANOKWARI MASOHI MERAUKE NABIRE NAMLEA SANANA SAUMLAKI SERUI SORONG TERNATE TOBELO TUAL 110
30 Informasi lainnya adalah sebagai berikut: 1. Waktu tempuh berbanding linear dengan jarak. 2. Tidak ada constariant arus laut dan faktor alam lainnya sehingga rute apapun dapat dijalani. IV.6. Penentuan Horison Perencanaan dan Demand Tiap Pelabuhan Dalam penelitian ini tidak menggunakan horison perencanaan dengan keadaan yang terjadi saat ini di PT Pertamina Region IVc UPMS VIII Terminal Transit Wayame Ambon yaitu sebesar 14 hari. Tetapi, penentuan horison perencanaan ditetapkan berdasarkan daya tahan terkecil pelabuhan pelanggan (Komara,2006). Dari data pada tabel IV.20, terlihat bahwa daya tahan terkecil adalah 11,1 hari, yaitu produk premium di Kaimana, sehingga horison perencanaan tidak boleh melebihi 11 hari. Oleh karena itu, untuk saat ini ditentukan horison perencanaan sebesar 11 hari. Untuk horison perencanaan sebelas hari, demand pada masing-masing pelabuhan dapat ditunjukan pada Tabel IV.21 sebagai berikut: Tabel IV.21. Demand selama Horison Perencanaan 11 hari Nama Depot Premium Minyak Tanah Minyak Solar (kl) (kl) (kl) Total Biak 377,3 221,1 779, ,3 Bula 88,0 137,5 112, Dobo 86,9 183,7 376,2 646,8 Fak fak 180,4 171,6 194, Jayapura 2.016, , , ,1 Kaimana 514,4 266, , ,6 Labuha ,9 225,5 570,9 Manokwari 592,9 244,2 697, ,5 Masohi 251,9 385,0 291,5 928,4 Merauke 696,3 376, , ,0 Nabire 521,4 239,8 524, ,9 Namlea 182,6 143,0 177,1 502,7 Sanana 111,1 161,7 157,3 430,1 Saumlaki 113,3 209,0 694, ,4 Serui 271,7 159,5 214,5 645,7 Sorong 1.037,3 715, , ,5 Ternate 913, , , ,3 Tobelo 480,7 247,5 716, ,3 Tual 213,4 266, , ,7 Total 8.819, , ,6 111
31 Untuk waktu perjalanan (dalam jam), merupakan jarak antar pelabuhan dibagi dengan kecepatan kapal (10 knot) IV.7. Analisis Hasil Algoritma Genetik untuk Pendistribusian Produk Minyak di Maluku dan Irian Jaya. Percobaan yang dilakukan menggunakan fungsi tujuan minimasi total routing cost Karena hasil dari setiap percobaan berbeda-beda maka dilakukan perhitungan jumlah replikasi yang di butuhkan (n ). Perhitungan jumlah replikasi yang diperlukan menggunakan relative error (4-1), dimana hasilnya adalah replikasi atau 1 replikasi. Tabel IV.22 menampilkan hasil rekapitulasi algoritma genetika dengan lima replikasi yang ditunjukan pada tabel dibawah ini : Tabel IV.22. Rekapitulasi Perhitungan dengan Lima Replikasi (Horison Perencanaan 11 hari) Replikasi NV Waktu Fitnnes (unit) TDT RDT Komputasi Function Tipe Tipe Tipe (Jam) (Jam) (detik) (Rp)/HP , Rata rata Simpangan Baku Kooefisien Variansi Dari hasil percobaan dengan lima replikasi, terpilih replikasi keempat yang memiliki fitness function terbaik. Tabel IV.23 menunjukan hasil perhitungan lebih detail untuk genetic algorithm dari hasil percobaan replikasi yang keempat. Untuk hasil genetic algorithm terdapat delapan pelabuhan pelanggan yang mengalami split delivery yaitu : Jayapura, Kaimana, Masohi, Labuha, Namlea, Sanana, Ternate dan Sorong. Dari kedelapan pelanggan, enam pelanggan di split sebanyak dua kali yaitu Jayapura, Kaimana, Labuha, Namlea, Sanana, dan Ternate. Satu pelanggan di split sebanyak tiga kali yaitu Masohi, dan satu pelanggan di split sebanyak empat kali yaitu Sorong. Jumlah kapal tanker yang digunakan untuk melayani demand sembilan belas pelanggan adalah sebanyak 8 kapal tanker dengan jumlah masing adalah 1 kapal 112
32 tanker untuk tipe 1, 2 kapal tanker untuk tipe 2, dan 5 kapal tanker untuk tipe 3. Jika dibandingkan dengan keaadaan existing jumlah kapal tanker yang digunakan adalah 10 kapal tanker dengan 3 kapal tanker untuk tipe 1, 4 kapal tanker untuk tipe 2, dan 3 kapal tanker untuk tipe 3. Teknik genetic algorithm menghasilkan tur sebanyak 8 tur, dengan waktu penyelesaian tur terpanjang adalah 257,532 jam (tur 2) dan waktu penyelesaian tur tependek adalah 208,942 jam (tur 8) dengan TDT dan RDT adalah 1856,996 jam dan 48,58101 jam. Tabel VI.23. Hasil Individu Terbaik Generasi GA untuk Pendistribusian BBM di Maluku dan Irian Jaya. (Horison Perencanaan 11 hari) SUMMARY of GENETIC ALGORITHM SOLUTION Created on : 5/14/2009 4:54:52 PM File name Data Pelanggan Real Case.txt Name of Experiment Genetic Algorithm Process Time detik Number of Vehicles 8 Kendaraan Total Tour Duration Time 1, jam Range of Duration Time jam Total Routing Cost Rp. 477,729,800.00/Hrsn Prnc. VERIFICATIONS All Customers are Assigned: TRUE Feasibility of Vehicle Compartments: TRUE Feasibility of Planning Horizon: TRUE Number of Customer Splitted: 8 Splitted Customers: 5, 6, 7, 9, 12, 13, 17, 16 DETAIL SCHEDULE Tour 1 Tipe Kendararaan : 1 Tour Duration Time : Jam Ambon(0) 0 Saumlaki (14) Masohi (9) Namlea (12) Ambon(0) 0 Total % W. Setup 8 jam W. L/UL 15 jam W. Temp. 103 jam Rute : 2 Ambon(0) 0 Namlea (12) Masohi (9) Labuha (7) Sanana (13) Ambon(0) 0 Total % W. Setup 10 jam W. L/UL jam W. Temp jam Biaya Perj. Tour Rp. 13,693,
33 Lanjutan tabel hasil terbaik individu generasi GA untuk pendistribusian BBM (horison perencanaan 11 hari) Tour 2 Tipe Kendararaan : 3 Tour Duration Time : Jam Ambon(0) 0 Sanana (13) Masohi (9) Labuha (7) Bula (2) Fak fak (4) Dobo (3) Tual (19) Kaimana (6) Ambon(0) 0 Total % W. Setup 18 jam W. L/UL jam W. Temp jam Biaya Perj. Tour Rp. 20,651,310. Tour 3 Tipe Kendararaan : 2 Tour Duration Time : Jam Ambon(0) 0 Tobelo (18) Ternate (17) Ambon(0) 0 Total % W. Setup 6 jam W. L/UL 36 jam W. Temp jam Rute : 2 Ambon(0) 0 Kaimana (6) 2.3 Ambon(0) 0 Total % W. Setup 4 jam W. L/UL jam W. Temp jam Biaya Perj. Tour Rp. 17,045,880. Tour 4 Tipe Kendararaan : 2 Tour Duration Time : Jam Ambon(0) 0 Manokwari (8) Sorong (16) Ambon(0) 0 Total % W. Setup 6 jam W. L/UL 36 jam W. Temp jam 114
34 Lanjutan tabel hasil terbaik individu generasi GA untuk pendistribusian BBM (horison perencanaan 11 hari) Rute : 2 Ambon(0) 0 Ternate (17) Ambon(0) 0 Total % W. Setup 4 jam W. L/UL jam W. Temp jam Biaya Perj. Tour Rp. 16,767,750. Tour 5 Tipe Kendararaan : 3 Tour Duration Time : Jam Ambon(0) 0 Nabire (11) Serui (15) Biak (1) Sorong (16) Ambon(0) 0 Total % W. Setup 10 jam W. L/UL jam W. Temp jam Biaya Perj. Tour Rp. 16,491,660. Tour 6 Tipe Kendararaan : 3 Tour Duration Time : Jam Ambon(0) 0 Merauke (10) Sorong (16) Total % W. Setup 6 jam W. L/UL jam W. Temp jam Biaya Perj. Tour Rp. 22,335,520. Tour 7 Tipe Kendararaan : 3 Tour Duration Time : Jam Ambon(0) 0 Jayapura (5) Ambon(0) 0 Total % W. Setup 4 jam W. L/UL jam W. Temp jam Biaya Perj. Tour Rp. 20,640,
35 Lanjutan tabel hasil terbaik individu generasi GA untuk pendistribusian BBM (horison perencanaan 11 hari) Tour 8 Tipe Kendararaan : 3 Tour Duration Time : Jam Ambon(0) 0 Sorong (16) Jayapura (5) 101 Ambon(0) 0 Total % W. Setup 6 jam W. L/UL jam W. Temp jam Biaya Perj. Tour Rp. 21,532,980. Jmlh Kend Tipe 1 : 1 Kend Jmlh Kend Tipe 2 : 2 Kend Jmlh Kend Tipe 3 : 5 Kend NV 8 Kend. TDT jam RCT jam Biaya Total Perj. Rp. 149,158,200. Fitness Function Rp.477,729, Gambar IV.13 menunjukan proses kovergensi nilai fitness function terjadi pada generasi ke sepuluh selama pembentukan 50 generasi. Gambar IV.13. Grafik Pergerakan Nilai Fitnees Function Individu Terbaik Setiap Generasi Pada Gambar IV.14 sampai dengan gambar IV.21 memperlihatkan gambar keseluruhan tur dari hasil teknik genetic algorithm 116
36 Gambar IV.14. Peta Distribusi Produk Minyak Hasil GA untuk Tur 1 Gambar IV.15. Peta Distribusi Produk Minyak Hasil GA untuk Tur 2 117
37 Gambar IV.16. Peta Distribusi Produk Minyak Hasil GA untuk Tur 3 Gambar IV.17. Peta Distribusi Produk Minyak Hasil GA untuk Tur 4 118
38 Gambar IV.18. Peta Distribusi Produk Minyak Hasil GA untuk Tur 5 Gambar IV.19. Peta Distribusi Produk Minyak Hasil GA untuk Tur 6 119
39 Gambar IV.20. Peta Distribusi Produk Minyak Hasil GA untuk Tur 7 Gambar IV.21. Peta Distribusi Produk Minyak Hasil GA untuk Tur 8 120
40 IV.8. Analisis Sensitivitas Sistem Pendistribusian Produk Minyak Analisis sensitivitas dilakukan pada kasus pendistribusian bahan bakar minyak (BBM) di Maluku dan Irian Jaya. Analisis ini digunakan untuk melihat perilaku perubahan parameter model terhadap solusi yang dihasilkan. IV.8.1. Analisis Sensitivitas Horison Perencanaan Horison perencanaan dalam penelitian ini merupakan lama waktu operasi kapal tanker yang direncanakan untuk melayani seluruh pelabuhan pelanggan. Horison perencanaan yang dipakai dan di cobakan nilainya yaitu 14 hari (ditentukan dari horizon perencanaan dengan keadaan existing ), 13 hari, 12 hari, dan 11 hari (ditentukan dari daya tahan terkecil pelabuhan pelanggan). Oleh karena itu perlu dilakukan penyesuaian demand sesuai dengan rata-rata tingkat konsumsi bahan bakar minyak per hari pada setiap pelabuhan pelanggan Data permintaan pada masingmasing horison perencanaan dapat dilihat pada lampiran B. Perhitungan jumlah replikasi yang dibutuhkan (n ) dengan menggunakan relative error untuk horison perencanaan 11 hari adalah , horison perencanaan 12 hari adalah 0,099 1 replikasi, horison perencanaan 13 hari adalah 0,819 1 replikasi, dan horison perencanaan 14 hari adalah 0,444 1 replikasi. Pada Tabel IV.24 samapai dengan Tabel IV.27 menunjukan hasil percobaan lima replikasi untuk masing-masing horizon perencanaan. Tabel IV.24. Rekapitulasi Perhitungan dengan Lima Replikasi (Horison Perencanaan 11 hari) Replikasi NV Waktu Fitnnes (unit) TDT RDT Komputasi Function Tipe Tipe Tipe (Jam) (Jam) (detik) (Rp)/HP , Rata rata Simpangan Baku Kooefisien Variansi
41 Tabel IV.25. Rekapitulasi Perhitungan dengan Lima Replikasi (Horison Perencanaan 12 hari) Replikasi NV Waktu Fitnnes (unit) TDT RDT Komputasi Function Tipe Tipe Tipe (Jam) (Jam) (detik) (Rp)/HP Rata rata Simpangan Baku Kooefisien Variansi Tabel IV.26. Rekapitulasi Perhitungan dengan Lima Replikasi (Horison Perencanaan 13 hari) Replikasi NV Waktu Fitnnes (unit) TDT RDT Komputasi Function Tipe Tipe Tipe (Jam) (Jam) (detik) (Rp)/HP Rata rata Simpangan Baku Kooefisien Variansi Tabel IV.27. Rekapitulasi Perhitungan dengan Lima Replikasi (Horison Perencanaan 14 hari) Replikasi NV Waktu Fitnnes (unit) TDT RDT Komputasi Function Tipe Tipe Tipe (Jam) (Jam) (detik) (Rp)/HP Rata rata Simpangan Baku Kooefisien Variansi
42 Hasil pada Tabel IV.24 sampai dengan Tabel IV.27 menunjukan nilai fitness function terkecil untuk horison perencanaan 11 hari adalah Rp per horison perencanaan, horison perencanaan 12 hari adalah Rp per horison perencanaan, horison perencanaan 13 hari adalah Rp per horison perencanaan, horison perencanaan 14 hari adalah Rp per horison perencanaan. dengan total kendaraan untuk masing-masing horison perencanaan adalah 8 kendaraan. Untuk membandingkan apakah lebih baik digunakan horison perencanaan 11 hari, 12 hari, 13 hari atau 14 hari, tidak bisa langsung dilihat dari nilai fitness function terkecil untuk masing-masing horizon perencanaan tersebut, melainkan harus dalam waktu siklus yang sama. Waktu siklus yang digunakan disini diambil berdasarkan kontrak kerja untuk lamanya penyewaan kapal tanker, antara pihak perusahaan dengan pemilik kapal tanker yaitu 2 tahun (730 hari). Berikut adalah Tabel IV.28 menunjukan rekapitulasi nilai fitness function berdasarkan waktu siklus untuk masing-masing horison perencanaan. Tabel IV.28. Nilai Fitness Function Berdasarkan Waktu Siklus (730 hari) Horison Perencanaan (Hari) Siklus (Hari) Banyaknya Pengantaran Fitness Function (Rp/ HP) Fitness Function (siklus) (Rp/siklus) Dari Tabel IV.28 terlihat bahwa nilai fitness function terkecil atau nilai total routing cost yang minimum adalah Rp /siklus, yaitu pada horison perencanaan 14 hari. Penghematan yang terjadi pada horison perencanaan 14 hari jika dibandingkan dengan horison perencanaan 11 hari adalah sebesar Rp Tabel IV.29 berikut ini adalah perhitungan secara detail untuk horison perencanaan 14 hari. 123
43 Tabel VI.29. Hasil Individu Terbaik Generasi GA (horison perencanaan 14 hari) SUMMARY of GENETIC ALGORITHM SOLUTION Created on : 6/2/2009 5:37:48 PM File name Name of Experiment Process Time Number of Vehicles Total Tour Duration Time Range of Duration Time Total Routing Cost Data Pelanggan 14 Hari.txt Genetic Algorithm detik 8 Kendaraan 2, jam jam Rp. 507,028,600.00/Hrsn Prnc. VERIFICATIONS All Customers are Assigned: TRUE Feasibility of Vehicle Compartments: TRUE Feasibility of Planning Horizon: TRUE Number of Customer Splitted: 9 Splitted Customers: 1, 5, 6, 7, 11, 16, 17, 18, 19 DETAIL SCHEDULE Tour 1 Tipe Kendararaan : 2 Tour Duration Time : Jam Total % W. Setup 12 jam W. L/UL 36 jam W. Temp jam Rute : Total % W. Setup 12 jam W. L/UL jam W. Temp jam Biaya Perj. Tour Rp. 21,347,
44 Lanjutan tabel hasil terbaik individu generasi GA (horison perencananaa 14 hari) Tour 2 Tipe Kendararaan : 2 Tour Duration Time : Jam Total % W. Setup 10 jam W. L/UL 36 jam W. Temp jam Rute : Total % W. Setup 4 jam W. L/UL jam W. Temp jam Biaya Perj. Tour Rp. 24,505,940. Tour 3 Tipe Kendararaan : 1 Tour Duration Time : Jam Total % W. Setup 6 jam W. L/UL 15 jam W. Temp jam Rute : Total % W. Setup 4 jam W. L/UL 15 jam W. Temp jam Rute : Total % W. Setup 4 jam W. L/UL 15 jam W. Temp jam Biaya Perj. Tour Rp. 18,982,
45 Lanjutan tabel hasil terbaik individu generasi GA (horison perencananaa 14 hari) Tour 4 Tipe Kendararaan : 3 Tour Duration Time : Jam Total % W. Setup 8 jam W. L/UL 70 jam W. Temp jam Biaya Perj. Tour Rp. 26,393,440. Tour 5 Tipe Kendararaan : 3 Tour Duration Time : Jam Total % W. Setup 14 jam W. L/UL jam W. Temp jam Biaya Perj. Tour Rp. 23,985,810. Tour 6 Tipe Kendararaan : 3 Tour Duration Time : Jam Total % W. Setup 12 jam W. L/UL jam W. Temp jam Biaya Perj. Tour Rp. 27,229,890. Tour 7 Tipe Kendararaan : 3 Tour Duration Time : Jam Total % W. Setup 4 jam W. L/UL jam W. Temp jam 126
46 Lanjutan tabel hasil terbaik individu generasi GA (horison perencananaa 14 hari) Rute : Total % W. Setup 4 jam W. L/UL 31 jam W. Temp jam Biaya Perj. Tour Rp. 28,145,470. Tour 8 Tipe Kendararaan : 2 Tour Duration Time : Jam Total % W. Setup 8 jam W. L/UL jam W. Temp jam Biaya Perj. Tour Rp. 19,678,260. Jmlh Kend Tipe 1 : 1 Kend Jmlh Kend Tipe 2 : 3 Kend Jmlh Kend Tipe 3 : 4 Kend NV 8 Kend. TDT jam RCT jam Biaya Total Perj. Rp. 190,268,300. Fitness Function 507,028,600 Untuk hasil GA dengan horison perencanaan 14 hari terdapat sembilan pelabuhan pelanggan yang mengalami Split delivery yaitu : Biak, Jayapura, Kaimana, Labuha, Nabire, Sorong, Ternate, Tobelo, dan Tual. Jumlah kapal tanker yang digunakan untuk melayani demand sembilan belas pelanggan adalah sebanyak 8 kapal tanker dengan jumlah masing adalah 1 kapal tanker untuk tipe 1, 3 kapal tanker untuk tipe 2, dan 4 kapal tanker untuk tipe 3. IV.8.2. Analisis Sensitivitas Kecepatan Loading dan Discharging Kecepatan loading dan discharging saat ini yang digunakan adalah 200 kl/jam. Sekarang akan dicoba jika kecepatan loading dan discharging dinaikan menjadi 400 kl/jam. Tabel IV.30 menunjukan rekapitulasi perhitungan dengan lima replikasi untuk kecapatan loading dan unloading sebesar 400 kl/jam. 127
47 Tabel IV.30. Rekapitulasi Perhitungan dengan Lima Replikasi (Kecepatan Loading dan Unloading 400 kl/jam) Replikasi NV Waktu Fitnnes (unit) TDT RDT Komputasi Function Tipe Tipe Tipe (Jam) (Jam) (detik) (Rp)/HP Rata rata Simpangan Baku Kooefisien Variansi Dari hasil pada Tabel IV.30 menunjukan replikasi keempat yang terbaik, terlihat bahwa jika di gunakan kecepatan loading dan unloading sebesar 400 kl/jam akan menurunkan nilai fitness function atau total routing cost yaitu sebesar Rp /horison perencanaan, dan jumlah kendaraan yang digunakan adalah 7 kendaraan. Tabel IV.31 dibawah ini, menunjukan perhitungan secara detail untuk kecepatan loading dan unloading sebesar 400 kl/jam. Terdapat tujuh pelabuhan pelanggan yang mengalami Split delivery yaitu : Biak, Jayapura, Kaimana, Nabire, Serui, Sorong, Tobelo, dan Tual. Jumlah kapal tanker yang digunakan untuk melayani demand sembilan belas pelanggan adalah sebanyak 7 kapal tanker dengan jumlah masing adalah 2 kapal tanker untuk tipe 2 dan 5 kapal tanker untuk tipe 3. Tabel VI.31. Hasil Individu Terbaik Generasi GA (Kecapatan loading dan unloading sebesar 400 kl/jam) SUMMARY of GENETIC ALGORITHM SOLUTION Created on : 6/2/2009 6:12:59 PM File name Data Pelanggan Real Case.txt Name of Experiment Genetic Algorithm Process Time detik Number of Vehicles 7 Kendaraan Total Tour Duration Time 1, jam Range of Duration Time jam Total Routing Cost Rp. 445,137,600.00/Hrsn Prnc. VERIFICATIONS All Customers are Assigned: TRUE Feasibility of Vehicle Compartments: TRUE Feasibility of Planning Horizon: TRUE Number of Customer Splitted: 7 Splitted Customers: 1, 5, 6, 11, 15, 16,
TESIS. Karya Tulis Sebagai Salah Satu Syarat Untuk Memperoleh Gelar Magister Teknik dan Manajemen Industri dari Institut Teknologi Bandung
Pemecahan Vehicle Routing Problem dengan Karakteristik Fleet Mix Vehicle, Multiple Trips, Split Delivery, Multiple Products dan Multiple Compartments menggunakan Teknik Genetic Algorithm TESIS Karya Tulis
Lebih terperinciMedia Ilmuan dan Praktisi Teknik Industri
ISSN : 1978-1105 Media Ilmuan dan Praktisi Teknik Industri Vol. 09, Nomor 1 Pebruari 2015 PENINGKATAN KINERJA PERUSAHAAN DENGAN MENGGUNAKAN METODE SUPPLY CHAIN (Studi kasus : PT. Nisso Bahari Surabaya)
Lebih terperinciBAB I PENDAHULUAN. I.1. Latar Belakang Penelitian
BAB I PENDAHULUAN I.1. Latar Belakang Penelitian Dalam banyak perusahaan, pengaturan kegiatan distribusi barang dari produsen ke konsumen merupakan faktor yang memegang peranan penting, dikarenakan pengeluaran
Lebih terperinciBAB III MODEL DAN TEKNIK PEMECAHAN
BAB III MODEL DAN TEKNIK PEMECAHAN III.1. Diskripsi Sistem Sistem pendistribusian produk dalam penelitian ini adalah berkaitan dengan permasalahan vehicle routing problem (VRP). Berikut ini adalah gambar
Lebih terperinciJl. Ir. M. Putuhena, KampusUnpatti, Poka-Ambon, Maluku
Jurnal Barekeng Vol. 8 No. 1 Hal. 51 59 (2014 APLIKASI ALGORITMA ANT COLONY SYSTEM DALAM PENENTUAN RUTE OPTIMUM DISTRIBUSI BBM PADA PT. BURUNG LAUT Ant Colony System Algorithm Application to Determining
Lebih terperinciPengembangan Model Periodic Inventory Routing Problem untuk Penjadwalan Truk Tangki Multi Kapasitas
Pengembangan Model Periodic Inventory Routing Problem untuk Penjadwalan Truk Tangki Multi Kapasitas (Studi Kasus: ISG PT. PERTAMINA UPms V SURABAYA) Oleh : Deni Irawan 2506 100 179 Dosen Pembimbing : Dr.
Lebih terperinciModel Vehicle Routing Problem dengan Karakteristik Rute Majemuk, Multiple Time Windows, Multiple Products dan Heterogeneous Fleet untuk Depot Tunggal
Jurnal Teknik Industri, Vol. 16, No. 2, Desember 2014, 85-96 ISSN 1411-2485 print / ISSN 2087-7439 online DOI: 10.9744/jti.16.2.85-96 Model Vehicle Routing Problem dengan Karakteristik Rute Majemuk, Multiple
Lebih terperinciPenentuan Rute untuk Pendistribusian BBM Menggunakan Algoritma Nearest neighbour (Studi Kasus di PT X)
Reka Integra ISSN: 2338-5081 Jurusan Teknik Industri Itenas No.04 Vol. 01 Jurnal Online Institut Teknologi Nasional Maret 2014 Penentuan Rute untuk Pendistribusian BBM Menggunakan Algoritma Nearest neighbour
Lebih terperinciDwi Satria Perkasa 1), Ary Arvianto 2)
Implementasi Teknik Relokasi 1-0 pada Pengembangan Algoritma Sequential Insertion Untuk Perbaikan Solusi Awal Model VRP dengan Karakteristik Heterogeneous Fleet Size and Mx Vehicle Routing Dwi Satria Perkasa
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Supply Chain Management Supply chain adalah jaringan perusahaan-perusahaan yang secara bersama-sama bekerja untuk menciptakan dan menghantarkan produk ke tangan pemakai akhir.
Lebih terperinciJurnal Teknik Industri, Vol. 19, No. 2, December 2017, ISSN print / ISSN online
Jurnal Teknik Industri, Vol. 19, No. 2, December 2017, 115-124 ISSN 1411-2485 print / ISSN 2087-7439 online DOI: 10.9744/jti.19.2.115-124 Algoritma Genetika untuk Pemecahan Masalah Rute Kendaraan dengan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Vehicle Routing problem (VRP) merupakan topik penelitian yang telah lama ada, yang pertama kali dilakukan oleh Dantzig dan Ramser (1959) dengan judul The Truck Dispatching
Lebih terperinciIMPLEMENTASI ALGORITMA GENETIKA DALAM PENENTUAN RUTE TERBAIK PENDISTRIBUSIAN BBM PADA PT BURUNG LAUT
IMPLEMENTASI ALGORITMA GENETIKA DALAM PENENTUAN RUTE TERBAIK PENDISTRIBUSIAN BBM PADA PT BURUNG LAUT I Wayan Supriana Program Studi Teknik Informatika Fakultas Ilmu Kesehatan, Sains dan Teknologi Universitas
Lebih terperinciModel Vehicle Routing Problem dengan Karakteristik Rute Majemuk, Multiple Time Windows, Multiple Products dan Heterogeneous Fleet untuk Depot Tunggal
Jurnal Teknik Industri, Vol. 16, No. 2, Juni 2014, 83-94 ISSN 1411-2485 print / ISSN 2087-7439 online DOI: 10.9744/jti.16.2.83-94 Model Vehicle Routing Problem dengan Karakteristik Rute Majemuk, Multiple
Lebih terperinciPenentuan Rute Kendaraan dalam Pendistribusian Beras Bersubsidi Menggunakan Algoritma Genetika (Studi Kasus Perum Bulog Sub Divre Cirebon) *
Reka Integra ISSN: 2338-5081 Jurusan Teknik Industri Itenas No.01 Vol.03 Jurnal Online Institut Teknologi Nasional Januari 2015 Penentuan Kendaraan dalam Pendistribusian Beras Bersubsidi (Studi Kasus Perum
Lebih terperinciUSULAN PERBAIKAN RUTE PENDISTRIBUSIAN ICE TUBE MENGGUNAKAN METODE NEAREST NEIGHBOUR DAN GENETIC ALGORITHM *
Reka Integra ISSN: 2338-508 Jurusan Teknik Industri Itenas No.04 Vol.03 Jurnal Online Institut Teknologi Nasional Oktober 205 USULAN PERBAIKAN RUTE PENDISTRIBUSIAN ICE TUBE MENGGUNAKAN METODE NEAREST NEIGHBOUR
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI. Program aplikasi rute pengiriman barang dengan algoritma Genetik ini dibuat
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Implementasi 4.1.1 Spesifikasi Perangkat Keras Program aplikasi rute pengiriman barang dengan algoritma Genetik ini dibuat dan diuji dengan menggunakan komputer dekstop
Lebih terperinciPembentukan Rute Distribusi Menggunakan Algoritma Clarke & Wright Savings dan Algoritma Sequential Insertion *
Reka Integra ISSN: 2338-508 Jurusan Teknik Industri Itenas No.02 Vol. 02 Jurnal Online Institut Teknologi Nasional Oktober 204 Pembentukan Distribusi Menggunakan Algoritma Clarke & Wright Savings dan Algoritma
Lebih terperinciPENERAPAN SIMULASI DAN RELIABILITAS PADA MODEL VEHICLE ROUTING PROBLEM (VRP) DENGAN PERMINTAAN PROBABILISTIK
PENERAPAN SIMULASI DAN RELIABILITAS PADA MODEL VEHICLE ROUTING PROBLEM (VRP) DENGAN PERMINTAAN PROBABILISTIK Ary Arvianto Fakultas Teknik, Program Studi Teknik Industri Universitas Diponegoro Email: aryarvi@gmail.com
Lebih terperinciBAB 1 PENDAHULUAN 1.1. Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang PT. Suzuki Indomobil Sales (PT. SIS) adalah Agen Tunggal Pemegang Merek (ATPM) sepeda motor merek Suzuki di Indonesia. PT. SIS selaku ATPM hanya melakukan proses produksi
Lebih terperinciPenentuan Rute Distribusi Es Balok Menggunakan Algoritma Nearest Neighbour dan Local Search (Studi Kasus di PT. X)*
Reka Integra ISSN: 2338-5081 Jurusan Teknik Industri Itenas No.02 Vol.02 Jurnal Online Institut Teknologi Nasional Oktober 2014 Penentuan Rute Distribusi Es Balok Menggunakan Algoritma Nearest Neighbour
Lebih terperinciUsulan Perbaikan Rute Pendistribusian Beras Bersubsidi Menggunakan Algoritma Genetika *
Reka Integra ISSN: 2338-5081 eknik Industri Itenas No.2 Vol.1 Jurnal Online Institut eknologi Nasional Oktober 2013 Usulan Perbaikan Rute Pendistribusian Beras Bersubsidi Menggunakan Algoritma Genetika
Lebih terperinciDAFTAR ISI ABSTRAK...
DAFTAR ISI ABSTRAK... i KATA PENGANTAR... iii DAFTAR ISI... v DAFTAR GAMBAR... vii DAFTAR TABEL... viii DAFTAR GRAFIK... x BAB I PENDAHULUAN... 1 1.1 Latar Belakang Masalah... 1 1.2 Rumusan Masalah...
Lebih terperinciBAB I PENDAHULUAN. (supply chain management). Hal ini sebagaimana disebutkan oleh Anatan dan
BAB I PENDAHULUAN 1.1 Latar Belakang Banyak cara dilakukan perusahaan untuk meningkatkan daya saingnya di tengah kompetisi dengan perusahaan pesaing. Salah satu upaya yang dapat dilakukan adalah pengurangan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pembangunan daerah perkotaan atau city development memiliki beberapa aspek penting salah satunya adalah logistik perkotaan atau city logistics. Alasan mengapa city
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI. Berikut ini merupakan spesifikasi perangkat keras dan perangkat lunak yang
BAB IMPLEMENTASI DAN EVALUASI. Implementasi Sistem Berikut ini merupakan spesifikasi perangkat keras dan perangkat lunak yang diperlukan agar program simulasi Tata Letak Tempat Sampah dengan Algoritma
Lebih terperinciBAB II KAJIAN TEORI. memindahkan barang dari pihak supplier kepada pihak pelanggan dalam suatu supply
BAB II KAJIAN TEORI Berikut diberikan beberapa teori pendukung untuk pembahasan selanjutnya. 2.1. Distribusi Menurut Chopra dan Meindl (2010:86), distribusi adalah suatu kegiatan untuk memindahkan barang
Lebih terperinciPenentuan Rute Kendaraan Distribusi Produk Roti Menggunakan Metode Nearest Neighbor dan Metode Sequential Insertion *
Reka Integra ISSN: 2338-5081 Jurusan Teknik Industri Itenas No.03 Vol.01 Jurnal Online Institut Teknologi Nasional Januari 2014 Penentuan Kendaraan Distribusi Produk Roti Menggunakan Metode Nearest Neighbor
Lebih terperinciOPTIMASI POLA DISTRIBUSI BBM PERTAMINA MENGGUNAKAN ALGORITMA HEURISTIK
OPTIMASI POLA DISTRIBUSI BBM PERTAMINA MENGGUNAKAN ALGORITMA HEURISTIK Oleh: Rif atul Khusniah 1209201715 Dosen Pembimbing: Subchan, M.Sc, Ph.D Dr. Imam Mukhlas, MT SPBU 1 Order Daily DEPO SPBU 2 SPBU
Lebih terperinciPENYELESAIAN VEHICLE ROUTING PROBLEM UNTUK MINIMASI TOTAL BIAYA TRANSPORTASI PADA PT XYZ DENGAN METODE ALGORITMA GENETIKA
ISSN : 2355-9365 e-proceeding of Engineering : Vol.3, No.2 Agustus 2016 Page 2566 PENYELESAIAN VEHICLE ROUTING PROBLEM UNTUK MINIMASI TOTAL BIAYA TRANSPORTASI PADA PT XYZ DENGAN METODE ALGORITMA GENETIKA
Lebih terperinciPENYELESAIAN VEHICLE ROUTING PROBLEM UNTUK MINIMASI TOTAL BIAYA TRANSPORTASI PADA PT XYZ DENGAN METODE ALGORITMA GENETIKA
PENYELESAIAN VEHICLE ROUTING PROBLEM UNTUK MINIMASI TOTAL BIAYA TRANSPORTASI PADA PT XYZ DENGAN METODE ALGORITMA GENETIKA Astri Desiana 1, AriYanuar Ridwan 2, Rio Aurachman 3 1, 2, 3 Program Studi Teknik
Lebih terperinciPenjadwalan Kapal dengan Menggunakan Insertion Heuristic
Penjadwalan Kapal dengan Menggunakan Insertion Heuristic Richard Wibisono 1, I Gede Agus Widyadana 2 Abstract: PT. X is a company that deals in ship voyage at Surabaya, Jawa Timur. PT. X has problems to
Lebih terperinciSIDANG TUGAS AKHIR MODEL PERENCANAAN PENGANGKUTAN DAN DISTRIBUSI SEMEN DI WILAYAH INDONESIA TIMUR. Oleh : Windra Iswidodo ( )
SIDANG TUGAS AKHIR MODEL PERENCANAAN PENGANGKUTAN DAN DISTRIBUSI SEMEN DI WILAYAH INDONESIA TIMUR Oleh : Windra Iswidodo (4107 100 015) Pembimbing : I G. N. Sumanta Buana, S.T., M.Eng. LATAR BELAKANG Pengembangan
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI
111 BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Implementasi Aplikasi otomatisasi penjadwalan yang dibuat merupakan aplikasi desktop. Dalam pengoperasiannya, dibutuhkan perangkat keras dan piranti lunak dengan
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN APLIKASI
27 BAB 3 ANALISIS DAN PERANCANGAN APLIKASI 3.1 Analisis Pada subbab ini akan diuraikan tentang analisis kebutuhan untuk menyelesaikan masalah jalur terpendek yang dirancang dengan menggunakan algoritma
Lebih terperinciStudi inventory routing kapal pengangkut BBM PT.Pertamina berbasis Algoritma genetika
Studi inventory routing kapal pengangkut BBM PT.Pertamina berbasis Algoritma genetika Betty Ariani ),A.A.Dinariyana 2) ) mahasiswa PPSTK- ITS 2) Staf pengajar Jurusan Teknik Sistem Perkapalan FTK - ITS
Lebih terperinciPENJADWALAN DAN PENENTUAN RUTE KENDARAAN PADA INDUSTRI BAHAN KIMIA MENGGUNAKAN KOMBINASI METODE ALGORITMA GENETIKA DAN ALGORITMA PENCARIAN TABU
PRESENTASI TUGAS AKHIR KS091336 PENJADWALAN DAN PENENTUAN RUTE KENDARAAN PADA INDUSTRI BAHAN KIMIA MENGGUNAKAN KOMBINASI METODE ALGORITMA GENETIKA DAN ALGORITMA PENCARIAN TABU Oleh : Maya Sagita W. 5208
Lebih terperinciPenentuan Rute Distribusi Tabung Gas Menggunakan Metode (1-0) Insertion Intra Route (Studi Kasus di PT X) *
Reka Integra ISSN: 2338-508 Jurusan Teknik Industri Itenas No.0 Vol.03 Jurnal Online Institut Teknologi Nasional Januari 205 Penentuan Rute Distribusi Tabung Gas Menggunakan Metode (-0) Insertion Intra
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
1 BAB I PENDAHULUAN 1.1. Latar Belakang Distribusi merupakan proses penyaluran produk dari produsen sampai ke tangan masyarakat atau konsumen. Kemudahan konsumen dalam menjangkau produk yang diinginkan
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
12 BAB I PENDAHULUAN 1.1. Latar Belakang Distribusi suatu produk mempunyai peran yang penting dalam suatu mata rantai produksi. Hal yang paling relevan dalam pendistribusian suatu produk adalah transportasi
Lebih terperinciPANDUAN APLIKASI TSP-VRP
PANDUAN APLIKASI TSP-VRP oleh Dra. Sapti Wahyuningsih, M.Si Darmawan Satyananda, S.T, M.T JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN IPA UNIVERSITAS NEGERI MALANG 2016 0 Pengantar Aplikasi ini dikembangkan
Lebih terperinciPengembangan Model dan Algoritma Tabu Search untuk Penjadwalan Kapal Tanker dengan Memperhatikan Kompatibilitas Muatan
Pengembangan Model dan Algoritma Tabu Search untuk Penjadwalan Kapal Tanker dengan Memperhatikan Kompatibilitas Muatan Siti Nurminarsih dan Ahmad Rusdiansyah Teknik Industri, Fakultas Teknologi Industri,
Lebih terperinciBAB I PENDAHULUAN. lebih efektif dan efisien karena akan melewati rute yang minimal jaraknya,
BAB I PENDAHULUAN A. Latar Belakang Distribusi merupakan proses penyaluran produk dari produsen sampai ke tangan masyarakat atau konsumen. Kemudahan konsumen dalam mendapatkan produk yang diinginkan menjadi
Lebih terperinci2.2.1 Definisi VRP Model Matematis VRP Model Matematis Berbasis Travelling Salesman Problem
ABSTRAK Koperasi Peternak Sapi Bandung Utara (KPSBU) merupakan salah satu distributor dan produsen produk olahan susu sapi di Bandung. Pada bulan September 2015, KPSBU melayani 65 pelanggan produk olahan
Lebih terperinciPENERAPAN ALGORITMA GENETIK UNTUK PENYELESAIAN MASALAH VEHICLE ROUTING DI PT.MIF
92 Tanujaya : PENERAPAN ALGORITMA GENETIK UNTUK PENYELESAIAN MASALAH VEHICLE... PENERAPAN ALGORITMA GENETIK UNTUK PENYELESAIAN MASALAH VEHICLE ROUTING DI PT.MIF William Tanujaya 1), Dian Retno Sari Dewi
Lebih terperinciBAB 5 ANALISIS MODEL
BAB 5 ANALISIS MODEL 5.1. Solusi Model Model distribusi yang telah dikembangkan bertujuan untuk mencari alokasi logistik bencana ke setiap barak pengungsian, alokasi kendaraan yang digunakan, serta rute
Lebih terperinciUsulan Rute Distribusi Tabung Gas Menggunakan Algoritma Ant Colony Systems di PT. Limas Raga Inti
Prosiding Seminar Nasional Teknoin 2012 ISBN No. 978-979-96964-3-9 Usulan Rute Distribusi Tabung Gas Menggunakan Algoritma Ant Colony Systems di PT. Limas Raga Inti Fifi Herni Mustofa 1), Hari Adianto
Lebih terperinciBAB I PENDAHULUAN Latar Belakang Masalah
BAB I PENDAHULUAN Latar Belakang Masalah Peranan jaringan distribusi dan transportasi sangatlah vital dalam proses bisnis dunia industri. Jaringan distribusi dan transportasi ini memungkinkan produk berpindah
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Suatu sistem transportasi memegang peran penting dalam masalah pendistribusian, karena harus menjamin mobilitas produk di antara berbagai sistem dengan efisiensi tinggi
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah 1.2 Perumusan Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Masalah pemilihan lokasi usaha yang tepat merupakan salah satu faktor penunjang suksesnya suatu usaha. Dalam pemilihan lokasi usaha yang tepat diperlukan pertimbangan
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Spesifikasi Kebutuhan Program Untuk menjalankan aplikasi ini ada beberapa kebutuhan yang harus dipenuhi oleh pengguna. Spesifikasi kebutuhan berikut ini merupakan spesifikasi
Lebih terperinciBAB I PENDAHULUAN. Sebuah perusahaan melakukan proses produksi untuk menghasilkan
BAB I PENDAHULUAN 1.1. Latar Belakang Permasalahan Sebuah perusahaan melakukan proses produksi untuk menghasilkan produk yang siap jual. Setelah menghasilkan produk yang siap jual, maka proses selanjutnya
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI. : Intel T2130 (1.87GHz)
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Implementasi 4.1.1 Spesifikasi Perangkat Keras Spesifikasi perangkat keras minimum yang diperlukan untuk dapat menjalankan aplikasi adalah sebagai berikut. Processor
Lebih terperinciBAB 1 PENDAHULUAN. Pengiriman barang dari pabrik ke agen atau pelanggan, yang tersebar di berbagai
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Pengiriman barang dari pabrik ke agen atau pelanggan, yang tersebar di berbagai tempat, sering menjadi masalah dalam dunia industri sehari-hari. Alokasi produk
Lebih terperinciProsiding Seminar Nasional Manajemen Teknologi XIV Program Studi MMT-ITS, Surabaya 23 Juli 2011
PENGEMBANGAN ALGORITMA DIFFERENTIAL EVOLUTION UNTUK PENYELESAIAN PERMASALAHAN VEHICLE ROUTING PROBLEM SIMULTANEOUS DELIVERIES PICK-UP WITH TIME WINDOWS (VRPSDPTW) Heri Awalul, Budi Santosa, Stefanus Eko
Lebih terperinciSKRIPSI PERENCANAAN RUTE TRANSPORTASI TERPENDEK PADA PT. MITRA INTERTRANS FORWARDING (MIF) DENGAN MODEL VRPTW
1 SKRIPSI PERENCANAAN RUTE TRANSPORTASI TERPENDEK PADA PT. MITRA INTERTRANS FORWARDING (MIF) DENGAN MODEL VRPTW DISUSUN OLEH: MARTHA ANANTASIA S (5303005013) JURUSAN TEKNIK INDUSTRI FAKULTAS TEKNIK UNIVERSITAS
Lebih terperinciDASAR PELAKSANAAN. Undang-Undang Nomor 17 Tahun 2008 Tentang Pelayaran
DASAR PELAKSANAAN Undang-Undang Nomor 17 Tahun 2008 Tentang Pelayaran Peraturan Presiden Nomor 106 Tahun 2015 Tentang Penyelenggaraan Kewajiban Publik Untuk Angkutan Barang di Laut Peraturan Menteri Perhubungan
Lebih terperinciBAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Dalam suatu universitas, salah satu analisis yang dapat dilakukan untuk melihat perkembangan prestasi akademik seorang mahasiswa adalah dengan memantau nilai
Lebih terperinciA STUDY OF FUEL PRODUCT SUPPLYING IN EAST REGION WITH MARINE INVENTORY ROUTING BASIC CONCEPT
A STUDY OF FUEL PRODUCT SUPPLYING IN EAST REGION WITH MARINE INVENTORY ROUTING BASIC CONCEPT Betty Ariani Program Studi Teknik Perkapalan Universitas Muhammadiyah Surabaya Email : betty.ariani@gmail.com
Lebih terperinciAPLIKASI VEHICLE ROUTING PROBLEM PADA PENENTUAN RUTE DISTRIBUSI AIR MINERAL CLUB DI KOTA BALIKPAPAN (Studi Kasus: PT Tirta Makmur Perkasa Balikpapan)
APLIKASI VEHICLE ROUTING PROBLEM PADA PENENTUAN RUTE DISTRIBUSI AIR MINERAL CLUB DI KOTA BALIKPAPAN (Studi Kasus: PT Tirta Makmur Perkasa Balikpapan) Hijri Virgiawan, Wahyuda, & Muriani Emelda Isharyani
Lebih terperinciBAB 1. PENDAHULUAN. Permasalahan pendistribusian barang oleh depot ke konsumen merupakan
BAB 1. PENDAHULUAN 1.1 Latar Belakang Permasalahan pendistribusian barang oleh depot ke konsumen merupakan komponen penting dalam sistem pelayanan depot suatu perusahaan, proses tersebut dapat terjadi
Lebih terperinciBAB I PENDAHULUAN. hingga ke luar pulau Jawa. Outlet-outlet inilah yang menjadi channel distribusi
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah PT. Indoberka Investama merupakan perusahaan nasional yang bergerak di bidang kontruksi, pabrikasi, dan distributor rangka atap. Bentuk badan usaha dari PT
Lebih terperinciSTRATEGIOPERASIONALISASIPERWUJUDANKAWASANANDALAN DI KEPULAUAN MALUKU
STRATEGIOPERASIONALISASIPERWUJUDANKAWASANANDALAN DI KEPULAUAN MALUKU 1. Kawasan Andalan Seram Pertanian Kehutanan Perkebunan Perikanan Pariwisata a. mengembangkan Kawasan Andalan Seramuntuk kegiatan pertanian,
Lebih terperinciPenentuan Rute Distribusi Air Mineral Menggunakan Metode Clarke-Wright Algorithm dan Sequential Insertion *
Reka Integra ISSN: 2338-5081 Teknik Industri Itenas.2 Vol.1 Jurnal Online Institut Teknologi Nasional Oktober 2013 Penentuan Rute Distribusi Air Mineral Menggunakan Metode Clarke-Wright Algorithm dan Sequential
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Tahapan Penelitian Metodologi penelitian digunakan sebagai pedoman dalam pelaksanaan penelitian agar hasil yang dicapai tidak menyimpang dari tujuan. Tahapan penelitian
Lebih terperinciPERENCANAAN RUTE DISTRIBUSI VCD PEMBELAJARAN KE GUDANG DENGAN MENGGUNAKAN METODE SAVINGS MATRIX UNTUK MEMINIMALKAN BIAYA
PERENCANAAN RUTE DISTRIBUSI VCD PEMBELAJARAN KE GUDANG DENGAN MENGGUNAKAN METODE SAVINGS MATRIX UNTUK MEMINIMALKAN BIAYA TRANSPORTASI DI CV. SURYA MEDIA PERDANA SURABAYA SKRIPSI Oleh : TRI PRASETYO NUGROHO
Lebih terperinciBAB I PENDAHULUAN. Alat transportasi merupakan salah satu faktor yang mendukung berjalannya
BAB I PENDAHULUAN A. Latar Belakang Masalah Alat transportasi merupakan salah satu faktor yang mendukung berjalannya kegiatan atau aktivitas manusia dalam kehidupan sehari-hari. Salah satu kegiatan manusia
Lebih terperinciBAB IV STUDI KASUS. Saparua. Kep. Tenggara. Gambar 4.1 Wilayah studi
BAB IV STUDI KASUS 4.1 DESKRIPSI WILAYAH KAJIAN Wilayah kajian merupakan wilayah kepulauan yang berlokasi di propinsi Maluku. Pusat kegiatan akan diwakili oleh masing-masing pelabuhan di wilayah tersebut
Lebih terperinciUSULAN RANCANGAN RUTE PENDISTRIBUSIAN MINUMAN TEH KEMASAN BOTOL MENGGUNAKAN ALGORITMA NEAREST NEIGHBOUR DAN LOCAL SEARCH *
Reka Integra ISSN: 2338-5081 Jurusan Teknik Industri Itenas No.01 Vol.03 Jurnal Online Institut Teknologi Nasional Januari 2015 USULAN RANCANGAN RUTE PENDISTRIBUSIAN MINUMAN TEH KEMASAN BOTOL MENGGUNAKAN
Lebih terperinciBAB 4 DATA DAN DEFINISI MASALAH
BAB 4 DATA DAN DEFINISI MASALAH 4.1. Data Capacitated Vehicle Routing Problem Program CVRPLB yang dihasilkan diuji dengan data berupa contoh kasus yang disusun oleh peneliti terdahulu. Banyak contoh kasus
Lebih terperinciJURNAL TEKNIK NDUSTRI ITS Vol. 1, No. 1, (2013) 1-6 1
JURNAL TEKNIK NDUSTRI ITS Vol. 1, No. 1, (2013) 1-6 1 PENGEMBANGAN ALGORITMA HYBRID CROSS ENTROPY-GENETIC ALGORITHM DALAM PENYELESAIAN MULTI-PRODUCT INVENTORY SHIP ROUTING PROBLEM DENGAN HETEROGENEOUS
Lebih terperinciBAB IV IMPLEMENTASI DAN HASIL PENGUJIAN
BAB IV IMPLEMENTASI DAN HASIL PENGUJIAN Pada Bab IV ini, implementasi dari metode AM dan GRASP untuk menyelesaikan PFSP dibahas pada Subbab 4.1. Pengujian dilakukan dengan melakukan percobaan terhadap
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
BAB 4 HASIL DAN PEMBAHASAN 4.1 Pengumpulan Data Data aktual konsumsi bahan bakar minyak solar oleh alat-alat berat dan produksi yang dipergunakan PT. Pamapersada Nusantara adalah data konsumsi bahan bakar
Lebih terperinciBAB I PENDAHULUAN. aplikasinya di berbagai area telah meningkat pesat. Hal ini ditandai dengan
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dalam beberapa tahun terakhir, penelitian mengenai transportasi dan aplikasinya di berbagai area telah meningkat pesat. Hal ini ditandai dengan banyaknya studi
Lebih terperinciGambar 1.1 Contoh Ilustrasi Kasus CVRP 13
BAB I PENDAHULUAN 1.1. Latar Belakang Vehicle Routing Problem (VRP) merupakan konsep umum yang digunakan untuk semua permasalahan yang melibatkan perancangan rute optimal untuk armada kendaraan yang melayani
Lebih terperinciKata Kunci - Ship Scheduling and Assignment, NP - Hard Problem, Metode Meta-heuristik, Simple Iterative Mutation Algoritm, Minimum requirement draft
1 Pengembangan Simple Iterative Mutation Algorithm (SIM-A) untuk Menyelesaikan Permasalahan Ship Scheduling and Assignment (Studi Kasus: Distribusi Semen Curah Pada PT. X) Ketut Hendra Harianto, Nyoman
Lebih terperinciBAB III PEMBAHASAN. Berikut akan diberikan pembahasan mengenai penyelesaikan CVRP dengan
BAB III PEMBAHASAN Berikut akan diberikan pembahasan mengenai penyelesaikan CVRP dengan Algoritma Genetika dan Metode Nearest Neighbour pada pendistribusian roti di CV. Jogja Transport. 3.1 Model Matetematika
Lebih terperinciIMPLEMENTASI ALGORITMA BWAS PADA APLIKASI SISTEM INFORMASI TRANSPORTASI UNTUK PERENCANAAN DISTRIBUSI YANG OPTIMAL
IMPLEMENTASI ALGORITMA BWAS PADA APLIKASI SISTEM INFORMASI TRANSPORTASI UNTUK PERENCANAAN DISTRIBUSI YANG OPTIMAL Ary Arvianto 1*, Singgih Saptadi 1, Prasetyo Adi W 2 Program Studi Teknik Industri, Universitas
Lebih terperinciBAB I PENDAHULUAN. Dinas lingkungan Hidup (DLH) Kota Yogyakarta adalah dinas
BAB I PENDAHULUAN A. Latar Belakang Dinas lingkungan Hidup (DLH) Kota Yogyakarta adalah dinas pemerintahan yang bergerak di bidang lingkungan hidup daerah yang meliputi kegiatan dalam melakukan pengawasan,
Lebih terperinciUsulan Perbaikan Rute Distribusi Menggunakan Metode Clarke Wright Savings Algorithm (Studi Kasus : PT Pikiran Rakyat Bandung) *
Reka Integra. ISSN; 2338-5081 Jurusan Teknik Industri Itenas No.01 Vol. 02 Jurnal Online Institut Teknologi Nasional Juli 2014 Usulan Perbaikan Rute Distribusi Menggunakan Metode Clarke Wright Savings
Lebih terperinciBAB I PENDAHULUAN. kehidupan sehari-hari dan juga merupakan disiplin ilmu yang berdiri sendiri serta
BAB I PENDAHULUAN A. Latar Belakang Matematika adalah cabang ilmu pengetahuan yang dapat digunakan dalam kehidupan sehari-hari dan juga merupakan disiplin ilmu yang berdiri sendiri serta tidak merupakan
Lebih terperinciUSULAN RANCANGAN RUTE TRANSPORTASI MULTI TRIP
USULAN RANCANGAN RUTE TRANSPORTASI MULTI TRIP UNTUK MEMINIMASI BIAYA TRANSPORTASI DENGAN HETEROGENEOUS FLEET DAN TIME WINDOW MENGGUNAKAN METODE ALGORITMA GENETIKA DI PT.XYZ Muhammad Zuhdi Aiman Anka 1,
Lebih terperinciBAB I PENDAHULUAN. Pemerintah Pusat hingga Pemerintah Daerah, salah satu program dari
BAB I PENDAHULUAN A. Latar Belakang Masalah Peningkatan kesejahteraan dalam memenuhi kebutuhan pangan masyarakat berpendapatan rendah merupakan program nasional dari Pemerintah Pusat hingga Pemerintah
Lebih terperincicommit to user BAB II TINJAUAN PUSTAKA 2.1 Dasar Teori Vehicle Routing Problem (VRP)
BAB II TINJAUAN PUSTAKA 2.1 Dasar Teori 2.1.1 Vehicle Routing Problem (VRP) Di dalam VRP setiap rute kendaraan dimulai pada depot, melayani semua pelanggan pada rute tersebut, dan kembali ke depot. Rute
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Sistem distribusi/trasportasi adalah salah satu hal yang penting bagi perusahaan, karena berkaitan dengan pelayana kepada konsumen. Dalam sistem distribusi/trasportasi
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Pendistribusian suatu barang merupakan persoalan yang sering dijumpai dalam kehidupan sehari-hari baik oleh pemerintah maupun oleh produsen. Dalam pelaksanaannya
Lebih terperinciBAB I PENDAHULUAN an berkembang algoritma genetika (genetic algorithm) ketika I. Rochenberg dalam bukunya yang berjudul Evolution Strategies
BAB I PENDAHULUAN A. Latar Belakang Perkembangan teori graf sangat pesat dari tahun ke tahun, pada tahun 1960-an berkembang algoritma genetika (genetic algorithm) ketika I. Rochenberg dalam bukunya yang
Lebih terperinciManual Penggunaan Algoritma Evolusi Diferensial untuk Mengoptimasikan Rute Kendaraan Akhmad Hidayatno Armand Omar Moeis Komarudin Aziiz Sutrisno
Manual Penggunaan Algoritma Evolusi Diferensial untuk Mengoptimasikan Rute Kendaraan Akhmad Hidayatno Armand Omar Moeis Komarudin Aziiz Sutrisno Laboratorium Rekayasa, Simulasi dan Pemodelan Sistem Departemen
Lebih terperinciRancangan dan analisis penjadwalan distribusi pada rantai pasok bahan bakar minyak menggunakan Petri Net
Rancangan dan analisis penjadwalan distribusi pada rantai pasok bahan bakar minyak menggunakan Petri Net dan Aljabar Max-Plus Widdya P. Sierliawati, Subiono Widdya P. Sierliawati 1 *, Subiono 2 Institut
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI
BAB 4 IMPLEMENTASI DAN EVALUASI BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Spesifikasi Sistem Spesifikasi perangkat lunak dan perangkat keras yang digunakan dalam pengembangan aplikasi adalah sebagai berikut
Lebih terperinciPenjadwalan Job Shop pada Empat Mesin Identik dengan Menggunakan Metode Shortest Processing Time dan Genetic Algorithm
Jurnal Telematika, vol.9 no.1, Institut Teknologi Harapan Bangsa, Bandung ISSN: 1858-251 Penjadwalan Job Shop pada Empat Mesin Identik dengan Menggunakan Metode Shortest Processing Time dan Genetic Algorithm
Lebih terperinciTOPIK BAHASAN POTRET KINERJA LOGISTIK INDONESIA KEBIJAKAN UMUM TRANSPORTASI LAUT ARMADA TRANSPORTASI LAUT LALU LINTAS ANGKUTAN LAUT
DUKUNGAN KEBIJAKAN DALAM MENGOPTIMALKAN KAPASITAS, KUALITAS DAN DAYA SAING INDUSTRI PELAYARAN NIAGA DAN PELAYARAN RAKYAT SERTA INFRASTRUKTUR PENDUKUNGNYA DALAM MEWUJUDKAN KONEKTIVITAS NASIONAL DAN NORMALISASI
Lebih terperinciBAB 4 IMPLEMENTASI DAN HASIL PENELITIAN. Pada bab 4 ini akan dijelaskan hasil rancangan sistem aplikasi optimizer, yaitu
BAB 4 IMPLEMENTASI DAN HASIL PENELITIAN Pada bab 4 ini akan dijelaskan hasil rancangan sistem aplikasi optimizer, yaitu implementasi sistem tersebut dan juga evaluasi dari implementasi sistem untuk mengetahui
Lebih terperinciPERANCANGAN KONFIGURASI JARINGAN DISTRIBUSI PRODUK BISKUIT MENGGUNAKAN METODE ALGORITMA GENETIKA (Studi Kasus: PT. EP)
PERANCANGAN KONFIGURASI JARINGAN DISTRIBUSI PRODUK BISKUIT MENGGUNAKAN METODE ALGORITMA GENETIKA (Studi Kasus: PT. EP) Rezki Susan Ardyati dan Dida D. Damayanti Program Studi Teknik Industri Institut Teknologi
Lebih terperinciBAB I LATAR BELAKANG
BAB I LATAR BELAKANG 1.1 Latar Belakang Masalah Masalah transportasi merupakan aspek penting dalam kehidupan seharihari. Transportasi juga merupakan komponen yang sangat penting dalam manajemen logistik
Lebih terperinciGambar 1.1 Provinsi Dengan Kepadatan Penduduk Tertinggi Tahun 2014 (Badan Pusat Statistik, 2015)
BAB I PENDAHULUAN 1.1 Latar Belakang Provinsi Daerah Istimewa Yogyakarta dan Provinsi Jawa Tengah merupakan provinsi dengan kepadatan penduduk tertinggi ke-4 dan ke-5 se- Indonesia (Badan Pusat Statistik,
Lebih terperinciOptimasi Rute Pengangkutan Sampah Dengan Metode Vehicle Routing Problem With Time Window Menggunakan Binary Integer Programming
Optimasi Rute Pengangkutan Sampah Dengan Metode Vehicle Routing Problem With Time Window Menggunakan Binary Integer Programming Dwi Sutrisno 1, M. Adha Ilhami 2, Evi Febianti 3 1, 2, 3 Jurusan Teknik Industri
Lebih terperinciLABORATORIUM SISTEM PENDUKUNG KEPUTUSAN DAN INTELIGENSIA BISNIS
LABORATORIUM SISTEM PENDUKUNG KEPUTUSAN DAN INTELIGENSIA BISNIS Latar Belakang Pelayanan terpusat di satu tempat Antrian pemohon SIM yg cukup panjang (bottleneck) Loket berjauhan Sumber daya terbatas Lamanya
Lebih terperinciIMPLEMENTASI HETEROGENEOUS FLEET VEHICLE ROUTING PROBLEM PADA PENDISTRIBUSIAN MULTIPLEK DI UD. GARUDA
IMPLEMENTASI HETEROGENEOUS FLEET VEHICLE ROUTING PROBLEM PADA PENDISTRIBUSIAN MULTIPLEK DI UD. GARUDA TUGAS AKHIR Diajukan untuk memenuhi sebagian persyaratan Mencapai derajat Sarjana Teknik Industri ADRIANUS
Lebih terperinciMANAJEMEN LOGISTIK & SUPPLY CHAIN MANAGEMENT KULIAH 10 & 11: MANAJEMEN TRANSPORTASI & DISTRIBUSI
MANAJEMEN LOGISTIK & SUPPLY CHAIN MANAGEMENT KULIAH 10 & 11: MANAJEMEN TRANSPORTASI & DISTRIBUSI By: Rini Halila Nasution, ST, MT PENDAHULUAN Kemampuan untuk mengirimkan produk ke pelanggan secara tepat
Lebih terperinci