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

Transkripsi

1 LOGO PENENTUAN KOMBINASI OPTIMUM JUMLAH, BERAT, DAN WAKTU TAMBAT KAPAL DI PT (PERSERO) PELABUHAN INDONESIA III GRESIK MENGGUNAKAN ALGORITMA GENETIKA Oleh : Aris Saputro Pembimbing : Dr. M. Isa Irawan, MT JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2010

2 ABSTRAK LALU LINTAS KAPAL SEMAKIN PADAT PENGELOLAAN DERMAGA PELABUHAN PENDAPATAN JASA TAMBAT YANG OPTIMAL ALGORITMA GENETIKA PENENTUAN KOMBINASI OPTIMUM JUMLAH,BERAT DAN WAKTU TAMBAT KAPAL

3 PENDAHULUAN LATAR BELAKANG PELABUHAN GRESIK PERHITUNGAN TARIF TAMBAT TUJUAN KEPADATAN LALU LINTAS KAPAL SEMAKIN PADAT KAPASITAS DERMAGA TERBATAS OPTIMASI PENGELOLAAN PELABUHAN PENDAPATAN JASA TAMBAT BELUM OPTIMAL

4 PENDAHULUAN LATAR BELAKANG PELABUHAN GRESIK PERHITUNGAN TARIF TAMBAT TUJUAN PELABUHAN GRESIK DERMAGA NUSANTARA ( 335 M ) DERMAGA TALUD TEGAK ( 310 M ) DERMAGA PELRA ( 670 M )

5 PENDAHULUAN LATAR BELAKANG PELABUHAN GRESIK PERHITUNGAN TARIF TAMBAT TUJUAN PERHITUNGAN TARIF TAMBAT KAPAL tarif jasa tambat = {Gross Tonage (GT) kapal. masa tambat I kapal (etmal). T. 100%} + {Gross Tonage (GT) kapal. masa tambat II kapal (etmal). T. 200% } T = tarif jasa tambat per GT kapal, dimana tarif saat ini adalah Rp. 38,00.

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

7 ANALISIS PROSES OPTIMASI KOMBINASI JUMLAH, BERAT, DAN WAKTU TAMBAT KAPAL DARI SUATU DERMAGA LURUS PEMBAGIAN DERMAGA FUNGSI OBYEKTIF ALGORITMA GENETIKA FLOWCHART OPTIMASI JUMLAH KAPAL Program optimasi ini dilakukan dengan membagi tiga dermaga berbeda yang terdapat di pelabuhan Gresik. Hal ini dikarenakan bentuk dermaga pelabuhan Gresik yang tidak beraturan. Adapun pembagian 3 dermaga tersebut antara lain : dermaga nusantara dermaga pelra(pelayaran rakyat) dermaga talud tegak Pengelompokan data kapal perlu dilakukan sebagai data masukan untuk melakukan optimasi suatu dermaga. Penggolongan kapal yang akan bertambat di suatu dermaga ditentukan berdasarkan jenis muatan dari kapal tersebut.

8 ANALISIS PROSES OPTIMASI KOMBINASI JUMLAH, BERAT, DAN WAKTU TAMBAT KAPAL DARI SUATU DERMAGA LURUS PEMBAGIAN DERMAGA FUNGSI OBYEKTIF ALGORITMA GENETIKA FLOWCHART OPTIMASI JUMLAH KAPAL Inisialisasi Variabel setiap kapal memiliki 3 variabel yang akan dijadikan parameter optimasi yaitu : x = panjang kapal / LOA (meter) y = berat kapal (ton) z = waktu tambat rata-rata kapal (etmal) Dan variabel yang lain : m = masa tambat I kapal c = tarif tambat kapal per GT kapal n = jumlah kapal Fungsi Obyektif Karena tarif tambat kapal per GT kapal berbanding lurus dengan berat dan waktu tambat, maka nilai produksi tambat kapal dapat diperoleh dengan menghapuskan variable tarif tambat kapal (c).

9 ANALISIS PROSES OPTIMASI KOMBINASI JUMLAH, BERAT, DAN WAKTU TAMBAT KAPAL DARI SUATU DERMAGA LURUS PEMBAGIAN DERMAGA FUNGSI OBYEKTIF ALGORITMA GENETIKA FLOWCHART OPTIMASI JUMLAH KAPAL

10 ANALISIS ALGORITMA GENETIKA INISIALISASI POPULASI FUNGSI FITNESS SELEKSI CROSS OVER MUTASI ELITISME Dalam Algoritma genetika ini setiap kromosom terdiri dari sejumlah gen. Kromosom mempresentasikan konfigurasi kapal yang memungkinkan bertambat pada suatu dermaga. Gen mempresentasikan nomor indeks kapal didalam data kapal yang akan bertambat di suatu dermaga. No indeks kapal dari data kapal

11 ANALISIS ALGORITMA GENETIKA INISIALISASI POPULASI FUNGSI FITNESS SELEKSI CROSS OVER MUTASI ELITISME nilai fitness dari optimasi ini didefinisikan sebagai fungsi berikut : Dimana : n = jumlah kapal masa tambat I kapal yang ke- i (etmal) = berat kapal (ton) = waktu tambat kapal rata-rata (etmal) Setiap kromosom selain memiliki nilai fitness juga menyimpan nilai sisa panjang dermaga dari setiap konfigurasi kapal di dermaga dari representasi didalam kromosom tersebut. Sedangkan perhitungan sisa panjang dermaga dari setiap konfigurasi kapal: Dimana : = panjang kapal / Length Over All / LOA (meter)

12 ANALISIS ALGORITMA GENETIKA INISIALISASI POPULASI FUNGSI FITNESS SELEKSI CROSS OVER MUTASI ELITISME Pada pembahasan tugas akhir ini, metode seleksi yang digunakan adalah roulette wheel Konstruksi Roulette wheel adalah sebagai berikut : Menghitung nilai fitness untuk tiap kromosom ( i = 1,.., popsize) Menghitung nilai total fitness, F popsize i 1 f ( Menghitung nilai probabilitas untuk setiap kromosom Pi f ( vi ) / F (i = 1, 2,..., popsize) Menghitung probabilitas komulatif untuk setiap kromosom v i ) Melakukan proses seleksi dengan tahapan sebagai berikut :» membangkitkan bilangan r secara acak (float) pada range [ 0,1] q 1» jika r < maka kromosom pertama akan terpilih» jika qi 1 r q i maka kromosom yang ke i yang terseleksi

13 ANALISIS ALGORITMA GENETIKA INISIALISASI POPULASI FUNGSI FITNESS SELEKSI CROSS OVER MUTASI ELITISME Pada tugas akhir ini akan digunakan metode Partial Mapped Crossover (PMX). Prosedur Partial Mapped Crossover (PMX) sebagai berikut : Menentukan posisi dua titik crossover sepanjang kromosom (string) secara random. Substring yang dibatasi oleh dua titik crossover disebut mapping section. Parent 1 Parent Sub string Mapping Section Sub string Memindahkan dua substring-substring antara dua orang tua (parents) untuk menghasilkan proto-child. Proto-child 1 Proto-child Menentukan mapping relationship antara dua mapping section Menentukan kromosom anak (offstring) berdasarkan mapping relationship. offstring 1 offstring

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

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

16 ANALISIS PENYELESAIAN TEKNIK OPTIMASI TEKNIK OPTIMASI DI DERMAGA NUSANTARA TEKNIK OPTIMASI DI DERMAGA TALUD TEGAK TEKNIK OPTIMASI DI DERMAGA PELRA OPTIMASI PADA DERMAGA LURUS 70 M OPTIMASI PADA DERMAGA LURUS 265 M HASIL OPTIMASI KOMBINASI DARI JUMLAH, BERAT, DAN WAKTU TAMBAT KAPAL DI DERMAGA NUSANTARA

17 ANALISIS PENYELESAIAN TEKNIK OPTIMASI TEKNIK OPTIMASI DI DERMAGA NUSANTARA TEKNIK OPTIMASI DI DERMAGA TALUD TEGAK TEKNIK OPTIMASI DI DERMAGA PELRA OPTIMASI PADA DERMAGA LURUS 210 M OPTIMASI PADA DERMAGA LURUS 100 M HASIL OPTIMASI KOMBINASI DARI JUMLAH, BERAT, DAN WAKTU TAMBAT KAPAL DI DERMAGA TALUD TEGAK

18 ANALISIS PENYELESAIAN TEKNIK OPTIMASI TEKNIK OPTIMASI DI DERMAGA NUSANTARA TEKNIK OPTIMASI DI DERMAGA TALUD TEGAK TEKNIK OPTIMASI DI DERMAGA PELRA OPTIMASI PADA DERMAGA LURUS (180-30)=150 M OPTIMASI PADA DERMAGA LURUS (180-30)=150 M OPTIMASI PADA DERMAGA LURUS 290 M (LOA KAPAL <=30 M) HASIL OPTIMASI KOMBINASI DARI JUMLAH, BERAT, DAN WAKTU TAMBAT KAPAL DI DERMAGA PELRA

19 ANALISIS PENJADWALAN KAPAL

20 PENGUJIAN SISTEM PENGUJIAN PROGRAM UJI COBA OPTIMASI DI DERMAGA NUSANTARA UJI COBA OPTIMASI DI DERMAGA TALUD TEGAK UJI COBA OPTIMASI DI DERMAGA PELRA EVALUASI Uji coba pada perangkat lunak dalam Tugas Akhir ini dilakukan pada data sekunder dari PT Pelindo III tentang data lalu lintas kapal di pelabuhan Gresik periode Januari 2008 hingga Agustus Dari data tersebut diperoleh data berat kapal (GT), data panjang (LOA) atau lebar kapal, waktu tambat kapal di pelabuhan. Sedangkan untuk memperoleh data waktu berlayar kapal dilakukan dengan memilih kapal yang pernah bertambat dua kali dari data lalu lintas kapal tersebut. Waktu berlayar kapal diambil dari rata-rata selisih waktu kapal keluar dari tambatan dan waktu kapal bertambat kembali. Tujuan dari uji coba ini untuk mendapatkan hasil kombinasi optimum dari jumlah, berat, dan waktu tambat kapal yang bertambat di masing-masing dermaga dengan melihat pendapatan jasa tambat yang diperoleh PT Pelindo ketika menggunakan penjadwalan kapal selama enam bulan.

21 PENGUJIAN SISTEM PENGUJIAN PROGRAM UJI COBA OPTIMASI DI DERMAGA NUSANTARA UJI COBA OPTIMASI DI DERMAGA TALUD TEGAK UJI COBA OPTIMASI DI DERMAGA PELRA EVALUASI Uji coba penjadwalan dilakukan menggunakan algoritma genetika dengan mengambil nilai-nilai parameter untuk inisialisasi populasi dan tarif jasa tambat sebagai berikut: Ukuran Populasi : 100 Jumlah Minimum Generasi : 1000 Tarif jasa tambat : Rp 38,00 Hasil Pendapatan jasa tambat dari proses penjadwalan kapal di dermaga nusantara selama 6 bulan pertama Bulan Pendapatan jasa tambat ke- nusantara 1 Rp ,00 2 Rp ,00 3 Rp ,00 4 Rp ,00 5 Rp ,00 6 Rp ,00

22 PENGUJIAN SISTEM PENGUJIAN PROGRAM UJI COBA OPTIMASI DI DERMAGA NUSANTARA UJI COBA OPTIMASI DI DERMAGA TALUD TEGAK UJI COBA OPTIMASI DI DERMAGA PELRA EVALUASI Uji coba penjadwalan dilakukan menggunakan algoritma genetika dengan mengambil nilai-nilai parameter untuk inisialisasi populasi dan tarif jasa tambat sebagai berikut: Ukuran Populasi : 100 Jumlah Minimum Generasi : 1000 Tarif jasa tambat : Rp 38,00 Hasil pendapatan jasa tambat dari proses penjadwalan kapal di dermaga talud tegak selama 6 bulan pertama Bulan Pendapatan jasa ke- tambat talud tegak 1 Rp ,00 2 Rp ,00 3 Rp ,00 4 Rp ,00 5 Rp ,00 6 Rp ,00

23 PENGUJIAN SISTEM PENGUJIAN PROGRAM UJI COBA OPTIMASI DI DERMAGA NUSANTARA UJI COBA OPTIMASI DI DERMAGA TALUD TEGAK UJI COBA OPTIMASI DI DERMAGA PELRA EVALUASI Uji coba optimasi dilakukan dengan algoritma genetika dengan mengambil nilai-nilai parameter untuk inisialisasi populasi dan tarif jasa tambat sebagai berikut: Ukuran Populasi : 100 Jumlah Minimum Generasi : 1000 Tarif jasa tambat : Rp 38,00 Hasil pendapatan jasa tambat dari proses penjadwalan kapal di dermaga pelra selama 6 bulan pertama. Bulan ke- Pendapatan jasa tambat pelra 1 Rp ,00 2 Rp ,00 3 Rp ,00 4 Rp ,00 5 Rp ,00 6 Rp ,00

24 PENGUJIAN SISTEM PENGUJIAN PROGRAM UJI COBA OPTIMASI DI DERMAGA NUSANTARA UJI COBA OPTIMASI DI DERMAGA TALUD TEGAK UJI COBA OPTIMASI DI DERMAGA PELRA EVALUASI Pendapatan jasa tambat hasil optimasi untuk penjadwalan kapal 6 bulan pertama Bulan ke- Pendapatan jasa tambat pelra Pendapatan jasa tambat nusantara Pendapatan jasa tambat talud tegak Total jasa pendapatan jasa tambat 1 Rp ,00 Rp ,00 Rp ,00 Rp ,00 2 Rp ,00 Rp ,00 Rp ,00 Rp ,00 3 Rp ,00 Rp ,00 Rp ,00 Rp ,00 4 Rp ,00 Rp ,00 Rp ,00 Rp ,00 5 Rp ,00 Rp ,00 Rp ,00 Rp ,00 6 Rp ,00 Rp ,00 Rp ,00 Rp ,00 nilai pendapatan jasa tambat maksimal per bulan selama periode Januari Agustus 2009 adalah Rp ,00. Sedangkan pendapatan jasa tambat maksimal dari hasil optimasi adalah Rp ,00. Sehingga seharusnya kalau metode ini digunakan akan didapatkan kenaikan keuntungan setelah dioptimasi adalah Rp ,00 untuk bulan pertama. 1 Dari tabel pendapatan jasa tambat hasil optimasi selama enam bulan menunjukkan nilai pendapatan jasa tambat hasil optimasi masih lebih besar dibandingkan dengan nilai pendapatan jasa tambat PT Persero Pelabuhan Indonesia II Gresik selama Januari 2008-Agustus

25 PENUTUP KESIMPULAN SARAN 1 Algoritma genetika dapat digunakan sebagai metode dalam menentukan kombinasi optimum dari jumlah, berat, dan waktu tambat kapal dalam suatu dermaga. Dengan mengambil memberikan nilai ukuran populasi dan jumlah pembangkitan generasi, sistem optimasi ini akan berjalan dengan mengaplikasikan algoritma genetika berulang kali mengoptimasi dermaga sampai didapatkan sisa panjang dermaga yang minimal hingga tidak dapat dipakai sebagai tambatan kapal. 2 hasil pendapatan dari proses optimasi lebih besar dari nilai maksimal dari data pendapatan PT Pelindo cabang Gresik.

26 PENUTUP KESIMPULAN SARAN 1 Salah satu kelemahan algoritma genetika adalah waktu perhitungan yang relatif lama, sehingga proses optimasi jumlah, berat dan waktu tambat kapal yang menggunakan algoritma genetika berulang-ulang membutuhkan running time cukup lama. Jadi saran untuk pengembangan Tugas Akhir ini adalah penggunaan metode nondeterministik yang lain untuk proses optimalisasi. 2 Diharapkan untuk penelitian selanjutnya dapat dikembangkan untuk mengoptimasi waktu tambat setiap kapal yang akan bertambat di dermaga.

27 DAFTAR PUSTAKA 1) Dahuri, R Pengelolaan Sumber Daya Wilayah Pesisir dan Lautan Secara Terpadu, Edisi Revisi. Pradnya Paramita. Jakarta. 2) Nasution, N.M Manajemen Transportasi. Edisi Kedua, Ghalia Indonesia. Jakarta. 3) Gen, Mitsuo., Cheng, R Genetic Algorithms and Engineering Design. John Wiley and Son. NewYork. 4) Hermawanto, D. Tutorial Algoritma Genetika. 5) Suyanto Algoritma Genetika dalam MATLAB. Penerbit ANDI. Yogyakarta. 6) Direksi PT (Persero) Pelabuhan Indonesia III Keputusan Direksi Nomor: KEP.13/PJ.5.03/P.III-2000 tentang Tarif Pelayanan Jasa Kapal di Lingkungan PT (Persero) Pelabuhan Indonesia III. Surabaya. 7) PT (Persero) Pelindo III. Profil Pelabuhan Gresik. 8) Clark, J.R Integrated Management of Coastal Zones. FAO Fisheries Technical Paper. No Rome, Italy. 9) Louis J. Sushi Genetic Algorithm as a Computational Tool for Design. 10) Goldstein M. Jonathan Genetic Algorithm Simulation of the SHOP Schedulling Problem. ICMS/Shell Oil Business Consultancy 11) Aswoyo B Aplikasi Algoritma Genetika dalam Optimasi Pancaran Link Radio Komunikasi Berbasis Antena Array Empat Elemen. Seminar Ilmiah Nasional Komputer dan Sistem Intelejen (KOMMIT 2006). Depok. 12) Widyastutik N, Ratnawati A, Nurcahyani R Optimasi Penjadwalan Kegiatan Belajar Mengajar Dengan Algoritma Genetika. Skripsi Jurusan Matematika Universitas Sebelas Maret Surakarta. 13) Ridwan. September Priok Masih Terancan Stagnan, Kepadatan Peti Kemas diatas 90%. <URL:

28 LOGO Terima Kasih