Oleh : Desca Marwan Toni (G64050979) PENENTUAN RUTE OPTIMUM JALUR DISTRIBUSI DALAM SUPPLY CHAIN NETWORK MENGGUNAKAN ALGORITME GENETIKA Oleh : Desca Marwan Toni (G64050979) Pembimbing : Sony Hartono Wijaya, S.Kom.,M.Kom. 7 Agustus 2009

Persaingan Antar Jaringan LATAR BELAKANG VS Persaingan Antar Jaringan “Perusahaan Pizza”

LATAR BELAKANG … Setiap perusahaan di atas memiliki proses bisnis inti : Bahan Baku Produksi Distribusi

Supply Chain Management LATAR BELAKANG … Tiga Proses Tersebut Akan Lebih Efektif dan Efisien Jika dilakukan Integrasi Supply Chain Management PENGADAAN BAHAN BAKU PROSES PRODUKSI PROSES DISTRIBUSI

LATAR BELAKANG … Lokasi Produksi Proses Distribusi Add Your Text Lokasi Produksi Proses Distribusi Supply Chain Network

LATAR BELAKANG … Add Your Text Proses Distribusi Fokus Penelitian

LATAR BELAKANG … Proses Distribusi menjadi lebih efektif jika menggunakan jalur distribusi yang optimum. Faktor yang sangat penting. Berhubungan dengan penyebaran informasi, barang dan jasa dari produsen ke konsumen. Memperhatikan penentuan jalur distribusi yang tepat. Jalur distribusi yang tepat dapat meningkatkan kinerja perusahaan.

Implementasi Web Client LATAR BELAKANG … Oleh karena itu dibutuhkan perancangan Supply Chain Network yang baik yang dapat digunakan untuk mencari rute optimum yaitu rute dengan jarak terpendek dan waktu tempuh tercepat. Algoritme Genetika Implementasi Web Client

TUJUAN PENELITIAN Merancang supply chain network dengan menggunakan Algoritme Genetika untuk menentukan rute optimum.

MANFAAT PENELITIAN Manfaat yang dapat diperoleh dari penelitian ini adalah perancangan supply chain network yang dapat memberikan gambaran pemilihan rute optimum untuk mencapai lokasi tujuan.

RUANG LINGKUP Data yang digunakan meliputi data peta jalan kota Bogor. Menggunakan Algoritme Genetika untuk menentukan rute optimum. Implementasi supply chain network dalam web client.

TINJAUAN PUSTAKA

Supply Chain Management TINJAUAN PUSTAKA Supply Chain Management James B. Ayers 2001

TINJAUAN PUSTAKA … Supply Chain Network Supply Chain Network merupakan sebuah jaringan dan pilihan distribusi yang melakukan fungsi dalam upaya mendapatkan bahan baku, transportasi bahan baku sampai pada tempat produksi dan distribusi hasil produksi kepada konsumen (Ganeshan & Harrison 1995).

TINJAUAN PUSTAKA … Algoritme Genetika Algoritme Genetika merupakan suatu algoritme yang digunakan untuk pencarian, optimasi dan Machine Learning yang didasarkan pada mekanisme seleksi alam dan genetika alam. (Goldberg 1989)

TINJAUAN PUSTAKA … Tahapan Algoritme Genetika.

TINJAUAN PUSTAKA … TAHAPAN ALGORITME GENETIKA : 1. Pembentukan Populasi Awal: Populasi awal ini dibangkitkan secara acak sehingga didapatkan solusi awal. Representasi kromosom harus dilakukan sebelum inisialisasi populasi.

TINJAUAN PUSTAKA … 2. Membentuk Generasi Baru. Kromosom-kromosom akan mengalami proses evolusi melalui sejumlah iterasi, proses ini disebut Generasi. Pada setiap proses generasi, kromosom-kromosom akan dievaluasi menggunakan suatu fungsi yang disebut dengan fungsi fitness. Dari fungsi fitness akan dihasilkan nilai fitness.

TINJAUAN PUSTAKA … 2. Membentuk Generasi Baru … Proses pembentukan generasi baru ini dilakukan melalui tahap Seleksi. Melakukan proses Crossover dan Mutasi.

TINJAUAN PUSTAKA … 3. Evaluasi dan kriteria berhenti : Generasi Maksimum Stall Generation Elapsed Time

METODE PENELITIAN

METODE PENELITIAN

METODE PENELITIAN Pembentukan Data Pembentukan node Pembentukan edge

METODE PENELITIAN Data Node ID Node Nama Node Keterangan Node 1 Node 1 padjadjaran - ottoiskandar dinata 2 Node 2 padjadjaran - jalak harupat 3 Node 3 padjadjaran - pangarango - lodaya 1 4 Node 4 padjadjaran - salak - lodaya II 5 Node 5 salak - jalak harupat

METODE PENELITIAN Data Edge ID Edge Nama Edge Nama Jalan Node Awal Node Akhir Jarak (m) Waktu (detik) 1 E1 padjadjaran 6 390 49 2 E2 684 59 3 E3 ottoiskandar dinata 7 129 22 4 E5 26 269 24

Pengembangan Sistem GA METODE PENELITIAN Pengembangan Sistem GA 1. Representasi Kromosom

Pengembangan Sistem GA METODE PENELITIAN Pengembangan Sistem GA 2. Membentuk Generasi Baru Menentukan Fungsi fitness yang digunakan , yaitu : %D = Bobot Jarak x = Jarak %W = Bobot Waktu t = Waktu v = Kecepatan 3. Seleksi Metode yang digunakan Roullette Wheel

METODE PENELITIAN Pengembangan Sistem GA 4. Crossover (WMX)

METODE PENELITIAN Pengembangan Sistem GA Langkah-Langkah WMX : 1. Memilih titik potong dari dua kromosom hasil seleksi Kromosom satu : 23 39 42 5 38 1 7 24 25 30 16 26 15 41 11 17 44 2 27 29 19 20 37 8 4 35 3 28 21 43 12 40 10 22 31 13 9 36 18 6 34 33 32 14 Kromosom dua : 41 33 30 7 39 10 14 25 42 17 18 11 27 21 44 31 37 8 43 23 35 16 28 22 19 38 4 13 3 9 32 2 12 34 40 1 29 20 15 5 26 36 6 24

METODE PENELITIAN Pengembangan Sistem GA Langkah-Langkah WMX : 2. Menggantikan substring antara kromosom induk Kromosom satu : 23 39 42 5 38 1 7 24 25 30 16 26 15 41 11 17 44 2 27 29 19 20 37 8 4 35 3 28 21 43 12 40 10 22 31 13 9 36 18 6 | 26 36 6 24 Kromosom dua : 41 33 30 7 39 10 14 25 42 17 18 11 27 21 44 31 37 8 43 23 35 16 28 22 19 38 4 13 3 9 32 2 12 34 40 1 29 20 15 5 34 33 32 14

METODE PENELITIAN Pengembangan Sistem GA Langkah-Langkah WMX : 3. Mapping nilai gen pada posisi yang sesuai 26 36 6 24  6 24 26 36 34 33 32 14  14 32 33 34 6 ↔ 14 24 ↔ 32 26 ↔ 33 36 ↔ 34

METODE PENELITIAN Pengembangan Sistem GA Langkah-Langkah WMX : 4. Membangkitkan kromosom baru dengan menerapkan hubungan mapping Kromosom satu baru : 23 39 42 5 38 1 7 24 25 30 16 26 15 41 11 17 44 2 27 29 19 20 37 8 4 35 3 28 21 43 12 40 10 22 31 13 9 36 18 6 33 34 14 32 Kromosom dua baru : 41 33 30 7 39 10 14 25 42 17 18 11 27 21 44 31 37 8 43 23 35 16 28 22 19 38 4 13 3 9 32 2 12 34 40 1 29 20 15 5 36 26 24 6

Pengembangan Sistem GA METODE PENELITIAN Pengembangan Sistem GA 5. Mutasi ( Swap Mutation ).

Pengembangan Sistem GA METODE PENELITIAN Pengembangan Sistem GA Mutasi ( Swap Mutation ). 23 39 42 5 38 1 7 24 25 30 16 26 15 41 11 17 44 2 27 29 19 20 37 8 4 35 3 28 21 43 12 40 10 22 31 13 9 36 18 6 33 34 14 32 Setelah proses swap mutation adalah : 23 39 42 5 34 1 7 24 25 30 16 26 15 41 11 17 44 2 27 29 19 20 37 8 4 35 3 28 21 43 12 40 10 22 31 13 9 36 18 6 33 38 14 32

Pengembangan Sistem GA METODE PENELITIAN Pengembangan Sistem GA 6. Evaluasi Berhenti Maksimum Generasi Stall Generation ( Tidak ada perubahan nilai objektif selama beberapa generasi tertentu ).

HASIL DAN PEMBAHASAN

HASIL DAN PEMBAHASAN Percobaan 1 Menentukan Parameter Optimal GA Untuk : Ukuran Populasi Crossover Probability Mutation Probability Stall Generation

HASIL DAN PEMBAHASAN Ukuran Populasi

HASIL DAN PEMBAHASAN Ukuran Populasi …

HASIL DAN PEMBAHASAN Crossover Probability

HASIL DAN PEMBAHASAN Crossover Probability

HASIL DAN PEMBAHASAN Mutation Probability

HASIL DAN PEMBAHASAN Mutation Probability

HASIL DAN PEMBAHASAN Stall Generation

HASIL DAN PEMBAHASAN Stall Generation

HASIL DAN PEMBAHASAN Percobaan 2 Node Awal Tujuan Rute Optimum Node14 Node 14 - Node 15 - Node 27 - Node 5 - Node 33 - Node 4 Node 1 Node 40 Node 1 - Node 2 - Node 3 - Node 40 Node 2 Node 27 Node 2 - Node 26 - Node 5 - Node 27 Node 12 Node 17 Node 12 - Node 8 - Node 11 - Node 13 - Node 16 - Node 17 Node 18 Node 24 Node 18 - Node 38 - Node 19 - Node 43 - Node 30 - Node 29 - Node 44 - Node 24

KESIMPULAN DAN SARAN

KESIMPULAN Perancangan supply chain network dalam menentukan rute optimum jalur distribusi dapat dilakukan dengan menggunakan Algoritme Genetika dan dapat diimplementasikan dalam bentuk web client. Kinerja Algoritme Genetika dalam menentukan rute optimum jalur distribusi akan mencapai optimal pada kombinasi nilai parameter untuk ukuran populasi, crossover probability, mutation probability, dan stall generation secara berurutan adalah 300, 0.6, 0.5 dan 5.

SARAN Mengembangkan sistem ini dengan mengakomodasi masalah kepadatan lalu lintas dengan membedakan antara waktu sibuk dan waktu tidak sibuk. Mengembangkan visualisasi sistem yang lebih baik Mempercepat proses eksekusi program Algoritme Genetika dengan memanfaatkan Algoritme Genetika parallel.

DAFTAR PUSTAKA Ayers James B. 2001. Handbook of Supply Chain Management. USA : st.Lucie Press. Gen M, Cheng R. 2000. Genetic Algorithm and Engineering Optimization. Canada. John Wiley & Sons, Inc. Gen M, Cheng R. 2008. Network Models and Optimization. London. Springer-Verlag London Goldberg, David E. 1989. Genetic Algorithms in Search, Optimization, and Machine Learning. England : Addison-Wesley Publishing Company. Hugos Michael . 2003. Essentials of Supply Chain Management. Canada : John Wiley & Sons, Inc.

DAFTAR PUSTAKA … Li Yinzhen, dkk.2006. Faster Genetic Algorithm For Network Paths. The Sixth International Symposium on Operations Research and Its Applications (ISORA’06). Xinjiang, China Priasa A. 2008. Perancangan Supply Chain Network Untuk Penentuan Lokasi Produksi dan Jalur Distribusi [skripsi]. Bogor. Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Sivanandam S, Deepa S. 2008. Introduction to Genetic Algorithms. New York. Springerverlag Berlin Heidelberg. Thiang, dkk. 2001.implementation of Genetic Algorithm on MCS51microcontroller for Finding the Shortest Path. Prosiding seminar of intelligent Technology and Its Aplication (SITIA 2001). ITS-Surabaya. Thiang, dkk. 2002. Pencarian rute terpendek menggunakan Algoritme Genetika. Jurnal teknik elektro Vol 2, No 2 September 78 – 83.

Terima Kasih