OPTIMASI VEHICLE ROUTING PROBLEM DENGAN MENGGUNAKAN ALGORITMA GENETIKA UNTUK MEMINIMASI BIAYA PENGIRIMAN BARANG DI PT GLOBAL TRANS NUSA

Abstract

Vehicele Routing Problem (VRP) merupakan merupakan salah satu masalah optimasi dalam menentukan rute optimal kendaraan. Algoritma Genetika merupakan salah satu metode yang cukup baik digunakan untuk optimasi rute terutama untuk permasalahan distribusi yang menggunakan dua atau lebih kendaraan. Pencarian solusi direpresentasikan dengan kromosom yang diproses algoritma genetika melalui inisialisasi individu, nilai fitness, seleksi, crossover, dan mutasi. Hasil dari penerapan algoritma tersebut dapat mengoptimalkan rute pengiriman dan mengurangi jarak tempuh transportasi sebesar 106,7 km di bulan Januari, 100,4 km dibulan Februari, 164,6 km di bulan Maret, 64,4 di bulan April, 136,5 km di bulan Mei dan 57,1 km di bulan Juni. Dan mengurangi total biaya pengiriman sebesar 29,98% di bulan Januari, 31,84 di bulan Februari, 41,85% di bulan Maret, 20,03% di bulan April, 26,4% di bulan Mei, dan 26,4% di bulan Mei dan 26,4 % di bulan Juni dengan parameter algoritma yang digunakan adalah Probabilitas Crossove r= 0,9, Probabilitas Mutasi = 0,05, Maximum Generasi = 100 dan Jumlah Populasi = 60.

Abstrak. Vehicle Routing Problem (VRP) is one the optimization problems in determining the optimal vehicle route. Genetic Algrithm is a method that is quite good for route optimization, especialy for distribution problems that use two or more vehicles. The search for solutions is represented by chromoshomes which are processed by genetic algorithm through individual initialization, fitness values, selection, crossover and mutation. The results of the application of the algorithm can optimize delivery routes and reduce transportation mileage by 106,7 km in Januari, 100,4 km in February, 164,4 km in March, 64,4 in April, 136,5 km in May and 57,1 km in June. And reduce the total shipping cost by 229,98% in January, 31,84% in February, 26,4% in March, 20,03% in April, 26,4% in May and 26,4 in June ith the algorithm parameters used are Crossover Probability =0,9, Mutation Probability=0,05, Maximum Generation=100 and Total Population=60.