optimasi tata letak kendaraan penumpang kapal roro …repository.umrah.ac.id/1309/1/ageng midiatma...
Post on 04-Jan-2020
12 Views
Preview:
TRANSCRIPT
1
OPTIMASI TATA LETAK KENDARAAN PENUMPANG KAPAL RORO
DENGAN ALGORITMA PARTICLE SWARM OPTIMIZATION
(Studi Kasus PT. ASDP Tanjung Uban)
Ageng Midiatma1 , Martaleli Bettiza2 , Muhamad Radzi Rathomi3
agenggeek@gmail.com
Jurusan Informatika, Fakultas Teknik, Universitas Maritim Raja Ali Haji
ABSTRAK
Lalu lintas angkutan laut Batam – Tanjunguban mengggunakan kapal Roro yang
dikelola oleh PT.ASDP, terdiri dari berbagai macam jenis kendaraan yang
disebrangkan oleh kapal Roro tiap harinya. Pada musim gelombang laut tinggi,
keselamatan pengangkutan menjadi sangat penting. Penelitian ini dilakukan untuk
mengoptimasi tata letak kendaraan dengan memprioritaskan faktor keselamatan
kendaraan. Kendaraan berbeda jenis tidak akan diposisikan pada baris yang sama,
sehingga tidak terjadi kerusakan pada sebuah kendaraan akibat tertimpa kendaraan
lain yang lebih besar. Optimasi tata letak kendaraan ini dihitung dengan algoritma
PSO menggunakan jenis dan jumlah kendaraan. didapatkan solusi optimal dengan
data 5 MPV, 3 SUV, 3 Truk, dan 41 Sepeda Motor didapatkan nilai fitness terbaik
yaitu 1,0 dengan uji coba parameter nilai w = 0.9, C1 = 4 dan C2 = 3.5 dengan
menggunakan 20 partikel dan 50 iterasi.
Kata Kunci : Optimasi, Tata Letak, Kendaraan, Particle Swarm Optimization
PENDAHULUAN
Wilayah provinsi Kepulauan Riau adalah wilayah kepulauan yang dikelilingi
dari pulau-pulau kecil dan laut, diantaranya pulau bintan, batam, tanjung balai
karimun, dan lingga. Kepulauan Riau juga berbatasan dengan negara tetangga
seperi Singapura dan Malaysia. Dalam rangka memperlancar arus perdagangan
ekonomi di kepulauan riau diperlukan salah satu sarana dan prasarana yang
menunjang kelancaran dalam perekonomian tersebut. Mengenai hal infrastruktur,
pulau bintan sudah mempunyai sarana jalan yakni jalan raya tanjung pinang tujuan
tanjung uban dengan waktu tempuh 45 menit, selain itu juga terdapat angkutan
penyebrangan kendaraan antar pulau dari tanjung uban tujuan batam dan
sebaliknya, yang ditempuh dalam waktu 60 menit. Pelabuhan penyebrangan
kendaraan antar pulau dikelola oleh pihak PT.ASDP yang merupakan badan usaha
milik negara. Dalam rangka peningkatan lancarnya kegiatan ekonomi dalam
angkutan penyeberangan laut, pihak PT.ASDP sudah mengoprasikan kapal-kapal
penyeberangan guna mengangkut muatan kendaraan, baik lori, bus maupun
kendaraan pribadi dari tanjung uban tujuan Telaga Punggur dan sebaliknya.
2
Dalam hal melakukan muatan kendaraan penumpang kedalam kapal
dilakukan masih dengan cara manual dan cara itu belum sepenuhnya baik, dalam
segi keselamatan kendaraan penumpang pada lahan parkir kapal kendaraan
terdapat kendaraan yang tidak sejenis pada posisi parkir yang dapat
mengakibatkan jika terjadi gelombang air laut yang besar, maka akan berdampak
kendaraan yang berukuran lebih besar akan menimpa kendaran yang mempunyai
ukuran yang lebih kecil. guna mencapai tata letak kendaraan secara optimal, maka
oleh karena itu dibutuhkan sebuah penyusunan kendaraan secara optimal dengan
menggunakan algoritma PSO untuk membantu dalam proses pencapaian
penyusunan kendaraan yang baik, agar letak kendaraan di dalam kapal menjadi
optimal.
Dalam hal tersebut, penulis melakukan penelitian yang berjudul “Optimasi
Tata Letak Kendaran Penumpang Dalam Kapal Roro Dengan Algoritma Particle
Swarm Optimization (PSO)”. Dalam algoritma ini, struktur dari partikel yang
digunakan yaitu memberikan sebuah data integer berupa jumlah kendaraan dan
posisi kendaraan, dimana setiap iterasi tersebut di update kecepatannya dan
posisinya berdasarkan dari nilai fitness. Fitness berupa jumlah kendaraan yang
masuk kedalam kapal yang meyisakan sedikit ruang kosong.
BAHAN DAN METODE
Dalam penunjang penilitian, jenis data yang digunakan dalam penelitian ini
merupakan data berupa jumlah kendaraan yang berangkat dalam waktu per-hari dan
data ukuran tempat parkir kendaraan di dalam kapal. Data jumlah kendaraan per-
hari didapatkan dari petugas ASDP cabang Tanjunguban. Untuk data ukuran tempat
parkir kendaraan didalam kapal penulis melakukan observasi lapangan dengan
mengukur lebar dan panjang masing-masing tempat parkir kendaraan didalam
kapal.
Particle Swarm Optimization (PSO) adalah teknik optimasi berbasis populasi
yang dikembangkan oleh James Kennedy dan Russel Eberhart pada tahun 1995
(J.Kennedy dan R.Eberhart,1995). Teknik ini terinspirasi oleh tingkah laku social
pada kawanan burung yang berduyun-duyun (birdflocking) atau gerombolan ikan
yang berenang berkelompok (fishschooling). Kecerdasan seperti inilah yang di
adopsi oleh kedua ilmuwan tersebut untuk membangun suatu teknik optimasi,yang
mereka namakan particle swarm optimization (optimasi kawanan partikel).Mereka
menyebutnya partikel karena pada dasarnya banyak makhluk hidup yang memiliki
kecerdasan seperti burung dan ikan, misalnya belalang,lebah dan sebagainya
(Suyanto,2010).
Dalam penelitian ini, variabel yang digunakan adalah data kendaraan dan data
kapal. Data kendaraan meliputi data panjang dan lebar kendaraan tersebut serta
panjang dan lebar parkir didalam kapal. Data yang diuji berjumlah 36 Mobil jenis
MPV, 7 Mobil jenis SUV, 7 Lori dan 122 Sepeda motor. berikut ini adalah langkah-
langkah proses PSO :
1. Inisialisasi posisi dari setiap particle (Xi) dan kecepatan dari setiap particle
(Vi), dimana posisi 𝑋𝑘𝑖 dan kecepatan 𝑉𝑘
𝑖 Dari kumpulan partikel dibangkitkan
3
secara acak menggunakan batas atas (Xmax) dan batas bawah (Xmin), dengan
rumus sebagai berikut:
Xki = 𝑋𝑚𝑖𝑛 + rand( 𝑋𝑚𝑎𝑥 − 𝑋𝑚𝑖𝑛)
Vki = 𝑋𝑚𝑖𝑛 + rand( 𝑋𝑚𝑎𝑥 − 𝑋𝑚𝑖𝑛)
Di mana:
𝑋01 = Posisi awal.
𝑉01 = Kecepatan awal.
𝑋𝑚𝑖𝑛 = Batas bawah.
𝑋𝑚𝑎𝑥 = Batas atas.
rand = nilai random antara rentang nilai 0 dan 1
Posisi dan kecepatan direpresentasikan dalam bentuk vektor dimana n
dimensi vektor merepresentasikan jumlah dari desain variabel partikel,
dengan menotasikan partikel ke i pada waktu ke k. Proses inisialisasi ini
maka kumpulan partikel dapat terdistribusi secara random pada desain ruang
(design space). Vektor seperti ditunjukkan di bawah ini:
𝑥𝑘𝑖 = (𝑥𝑘 ,
𝑖1 𝑥𝑘 , 𝑖2 … … . , 𝑥𝑘
𝑖𝑛 )
𝑣𝑘𝑖 = (𝑣𝑘 ,
𝑖1 𝑣𝑘 , 𝑖2 … … . , 𝑣𝑘
𝑖𝑛 )
2. Hitung nilai fitness dari setiap particle berdasarkan formula dan model yang
telah ditentukan sesuai dengan masalah optimasinya. Pada penelitian ini, nilai
yang dihasilkan oleh fungsi fitness merepresentasikan seberapa banyak sisa
kendaraan penumpang yang tidak dapat masuk ke dalam kapal. Berikut fungsi
yang digunakan untuk menghitung nilai fitness suatu partikel:
𝐹 =1
1+(𝑛𝑖𝑙𝑎𝑖 𝑂𝑏𝑗𝑒𝑘𝑡𝑖𝑓 𝑡𝑖𝑎𝑝 𝑔𝑜𝑙𝑜𝑛𝑔𝑎𝑛 𝑘𝑒𝑛𝑑𝑎𝑟𝑎𝑎𝑛)
3. Hitung kendaraan yang masuk dengan persamaan berikut :
𝐿𝑒𝑏𝑎𝑟 𝑘𝑎𝑝𝑎𝑙
𝐿𝑒𝑏𝑎𝑟 𝐾𝑒𝑛𝑑𝑎𝑟𝑎𝑎𝑛
𝑃𝑎𝑛𝑗𝑎𝑛𝑔 𝐾𝑎𝑝𝑎𝑙
𝑃𝑎𝑛𝑗𝑎𝑛𝑔 𝐾𝑒𝑛𝑑𝑎𝑟𝑎𝑎𝑛
4. Hitung sisa kendaraan yang tidak dapat masuk kedalam kapal dengan
persamaan, Jika jumlah inputan lebih besar dari kendaraan yang masuk
kedalam kapal, maka gunakan inputan kendaraan awal dan selanjutnya dengan
menggunakan persamaan seperti berikut :
𝐽𝑢𝑚𝑙𝑎ℎ 𝑖𝑛𝑝𝑢𝑡𝑎𝑛 − 𝑘𝑒𝑛𝑑𝑎𝑟𝑎𝑎𝑛 𝑦𝑎𝑛𝑔 𝑚𝑎𝑠𝑢𝑘 5. Dari nilai fitness dapat ditentukan partikel mana yang memiliki nilai global
terbaik (global best) pada swarm saat ini (𝑝𝑘𝑔
), dan juga dapat ditentukan
(local best) posisi terbaik dari tiap partikel pada semua waktu yang sekarang
dan sebelumnya (𝑝𝑖).
6. Berdasarkan persamaaan 4 dan 5 , kecepatan (Vi) dan posisi dari particle (Xi)
diubah. Perumusan update velocity mencakup beberapa parameter random
(rand), untuk mendapatkan cakupan yang baik pada design space, tiga
4
parameter yang mempengaruhi arah pencarian, yaitu inertia factor (w), self
confidence (𝑐1), swarm confidence (𝑐2) akan digabungkan dalam satu
penyajian.
Untuk rumus perubahan kecepatan dan penentuan inertia factor di gunakan
rumus modifkasi PSO
Rumus penentuan inertia factor (w) :
w = wmax-(wmax-wmin/imax)i
Dimana :
w = Inertia factor
wmax = Inertia factor maksimal
wmin = Inertia factor minimal
i = Iterasi
imax = Iterasi maksimal
Rumus perubahan kecepatan(Vi):
Vk+1i = w. VK
i (i − 1) + c1. rand. +c2. rand. (pkg
− XKi (i − 1))
Di mana:
w = inertia factor, digunakan untuk mengontrol pengaruh kecepatan
sebelumnya dikecepatan sekarang, mempengaruhi kemampuan
exploration (menjelajah) local dan global selama proses pencarian.
Nilai w memiliki rentang 0,4 – 0,9
𝑉𝑘 𝑖 = kecepatan sekarang.
𝑋𝑘 𝑖 = posisi sekarang.
𝑐1,𝑐2= self confidence (𝑐1), swarm confidence (𝑐2), merupakan learning
rates
untuk kemampuan individu dan pengaruh social (group). Parameters 𝑐1 dan
𝑐2 menunjukkan bobot dari posisi sebuah partikel terhadap posisi dari
kelompok (swarm). Nilai dari 𝑐1 dan 𝑐2 biasanya adalah 2,0 sehingga
perkalian 𝑐1𝑟𝑎𝑛𝑑𝑜𝑚 dan 𝑐2𝑟𝑎𝑛𝑑𝑜𝑚 memastikan bahwa partikel-partikel
akan mendekati target sekitar setengah selisihnya. Rentang nilai c1 dan c2
berkisar antara 0 sampai 4
𝑟1, 𝑟2= bilangan random yang memiliki range 0 – 1.
𝑝𝑙 = local best, posisi terbaik dari semua partikel (fitness terbaik masing-
masing partikel).
𝑝𝑘𝑔
= nilai global terbaik (global best) pada swarm saat ini (fitness terbaik
dari local best).
7. Langkah terakhir dari setiap iterasi adalah update posisi tiap partikel dengan
vektor velocity, seperti yang ditunjukkan pada persamaan berikut:
5
Rumus perubahan posisi(Xi):
𝑋𝑘+1𝑖 = 𝑋𝑘
𝑖 + 𝑉𝑘+1𝑖
Dimana :
𝑋𝑘+1𝑖 = Posisi setelah di update
𝑋𝑘𝑖 = Posisi saat ini
𝑉𝑘+1𝑖 = Kecepatan setelah di update
Selain dari langkah-langkah PSO diatas, dalam penelitian ini juga terdapat
langkah-langkah lainnya. berikut ini adalah flowchart proses PSO :
Gambar 1. Flowchart Optimasi Tata Letak Kendaraan Menggunakan Algoritma PSO
6
HASIL
1. Uji Coba Dengan Parameter 1
Percobaan dilakukan dengan cara mengoptimasikan tata letak kendaraan
menggunakan algoritma Particle Swarm Optimization (PSO). Percobaan ini
dilakukan pada lahan parkir KM.Barau yang dimiliki oleh perusahaan pengelola
jasa angkutan penyebrangan dan pengelola pelabuhan penyebrangan untuk
penumpang, kendaraan dan barang PT. ASDP Indonesia Ferry (Persero) di
Tanjunguban. Parameter yang digunakan pada uji coba ditunjukkan seperti pada
Tabel 1 :
Pada percobaan yang akan dilakukan dibawah ini terdapat inputan yang digunakan
yang ditunjukkan seperti pada Tabel 2. Data yang digunakan sebagai uji coba
pertama yaitu pada tanggal 4 Oktober 2016. Berikut ini merupakan tabel inputan
uji coba 1 yang dapat ditunjukan pada Tabel 2 :
Tabel 2. Tabel Data yang Digunakan
Uji coba 1 yang dilakukan pada pengujian optimasi tata letak kendaraan penumpang
kapal Roro menggunakan algoritma particle swarm optimization dilakukan dengan
menggunakan jumlah partikel sebanyak 5 dan 10 Pengujian pertama dilakukan
dengan menggunakan data tanggal 4 Oktober 2016 seperti pada Tabel 38. Langkah
pertama diujicoba dengan Inputan data Tanggal 4 dengan menggunakan 10, 20 dan
30 iterasi dengan dilakukan beberapa kali percobaan pada 3 macam data w, 𝑐1, 𝑐2
maka dihasilkan data-data seperti pada Tabel 3 :
Tabel 1. Tabel Uji Coba Parameter 1
No W 𝒄𝟏 𝒄𝟐 Iterasi maksimum
1 0,4 1,6 1,9 30
2 0,5 2,6 2,9 30
3 0,6 3,6 3,9 30
No Hari/Tanggal I II III IV
1 4 oktober 2016 5 3 3 41
7
Tabel 3. Tabel hasil Uji Coba 1 dengan 5 partikel
Berikut ini grafik yang merepresentasikan perbandingan hasil fitness uji coba 1
menggunakan jumlah partikel sebanyak 5 dan 10 berdasarkan 3 macam parameter
w, 𝑐1, 𝑐2 yang dapat ditunjukan pada Gambar 2 :
Gambar 2. Grafik Nilai Fitness dengan 5 Partikel
0.1
0.5
1
0.1
0.5
11 1 1
0
0.2
0.4
0.6
0.8
1
1.2
Iterasi 10 Iterasi 20 Iterasi 30
Nila
i Fit
ne
ss
Grafik Uji Coba 1 Dengan 5 Partikel
Parameter 1 w=0.4 C1=1.6 C2=1.9Parameter 2 w=0.5 C1=2.6 C2=2.9Parameter 3 w=0.6 C1=3.6 C2=3.9
Iterasi W C1 C2 fitness
10
0.4 1.6 1.9 0.1
0.5 2.6 2.9 0.5
0.6 3.6 3.9 1.0
20
0.4 1.6 1.9 0.1
0.5 2.6 2.9 0.5
0.6 3.6 3.9 1.0
30
0.4 1.6 1.9 1.0
0.5 2.6 2.9 1.0
0.6 3.6 3.9 1.0
8
Berikut ini hasil berdasarkan uji coba 1 yang dilakukan pada pengujian optimasi
tata letak kendaraan penumpang kapal Roro menggunakan algoritma particle
swarm optimization dilakukan dengan menggunakan jumlah partikel sebanyak 10.
Berikut ini merupakan tabel hasil uji coba 1 dengan 10 partikel yang dapat
ditunjukan pada Tabel 4 :
Tabel 4. Tabel hasil Uji Coba 1 dengan 10 partikel
Berikut ini grafik yang merepresentasikan perbandingan hasil fitness uji coba 1
menggunakan jumlah partikel sebanyak 10 yang dapat ditunjukan pada Gambar 3 :
2. Uji Coba Dengan Parameter 2
Pada percobaan yang akan dilakukan dibawah ini terdapat inputan yang digunakan
yang ditunjukkan seperti pada Tabel 2 Berikut ini merupakan data uji coba 2 yang
akan digunakan seperti yang ditunjukan oleh tabel 5 :
Iterasi W C1 C2 Fitness
10
0.4 1.6 1.9 0.1
0.5 2.6 2.9 0.5
0.6 3.6 3.9 1.0
20
0.4 1.6 1.9 0.1
0.5 2.6 2.9 0.5
0.6 3.6 3.9 1.0
30
0.4 1.6 1.9 1.0
0.5 2.6 2.9 1.0
0.6 3.6 3.9 1.0
0.1
0.5
1
0.1
0.5
1
0.5
1 1
0
0.2
0.4
0.6
0.8
1
1.2
Iterasi 10 Iterasi 20 Iterasi 30
Nila
i Fit
ne
ss
Grafik Uji Coba 1 Dengan 10 Partikel
Parameter 1 w=0.4 C1=1.6 C2=1.9Parameter 2 w=0.5 C1=2.6 C2=2.9Parameter 3 w=0.6 C1=3.6 C2=3.9
Gambar 3. Grafik Nilai Fitness dengan 10 Partikel
9
Tabel 5. Tabel Uji Coba Parameter 2
Uji coba 2 yang dilakukan pada pengujian optimasi tata letak kendaraan penumpang
kapal Roro menggunakan algoritma particle swarm optimization dilakukan dengan
menggunakan jumlah partikel sebanyak 15 dan 20 partikel. Pengujian kedua
dilakukan dengan menggunakan data tanggal 4 Oktober 2016 seperti pada Tabel
42. Langkah pertama diujicoba dengan Inputan data Tanggal 4 dengan
menggunakan 35, 45 dan 50 iterasi dengan dilakukan beberapa kali percobaan pada
3 macam data w, 𝑐1, 𝑐2 maka dihasilkan data-data seperti berikut yang dapat
ditunjukan pada Tabel 6 :
Tabel 6. Tabel hasil Uji Coba 2 dengan 15 partikel
Berikut ini grafik yang merepresentasikan perbandingan hasil fitness uji coba 2
menggunakan jumlah partikel sebanyak 15 dan berdasarkan 3 macam parameter w,
𝑐1, 𝑐2 yang dihasilkan yang dapat ditunjukan pada Gambar 4 :
No W 𝒄𝟏 𝒄𝟐 Iterasi maksimum
1 0,7 2 1,5 50
2 0,8 3 2,5 50
3 0,9 4 3,5 50
Iterasi W C1 C2 Fitness
35
0.7 2 1.5 0.1
0.8 3 2.5 1.0
0.9 4 3.5 0.5
45
0.7 2 1.5 0.5
0.8 3 2.5 0.5
0.9 4 3.5 0.6
50
0.7 2 1.5 0.1
0.8 3 2.5 0.5
0.9 4 3.5 1.0
Gambar 4. Grafik Nilai Fitness dengan 15 Partikel
0.1
1
0.50.5 0.50.6
0.1
0.5
1
0
0.5
1
1.5
iterasi 35 iterasi 45 iterasi 50
Nila
i Fit
ne
ss
Grafik Uji Coba 2 Dengan 15 Partikel
Parameter 1 w=0.7 C1=2 C2=1.5
Parameter 2 w=0.8 C1=3 C2=2.5
10
Berikut ini hasil berdasarkan uji coba 2 yang dilakukan pada pengujian optimasi
tata letak kendaraan penumpang kapal Roro menggunakan algoritma particle
swarm optimization dilakukan dengan menggunakan jumlah partikel sebanyak 20
yang dapat ditunjukan pada Tabel 7 :
Tabel 7. Tabel hasil Uji Coba 2 dengan 30 partikel
Berikut ini grafik yang merepresentasikan perbandingan hasil fitness uji coba 2
menggunakan jumlah partikel sebanyak 20 yang dapat ditunjukan pada Gambar 5 :
Gambar 5. Grafik Nilai Fitness dengan 20 Partikel
Analisa Hasil Percobaan
Dari ujicoba yang telah dilakukan diatas dapat dilakukan analisa terhadap data-data
uji coba yang digunakan. Analisa yang didapat sebagai berikut:
0.1
1
0.50.5
1 1
0.5
1 1
0
0.2
0.4
0.6
0.8
1
1.2
iterasi 35 iterasi 45 iterasi 50
Nila
i Fit
ne
ss
Grafik Uji Coba 2 Dengan 20 Partikel
Parameter 1 w=0.7 C1=2 C2=1.5Parameter 2 w=0.8 C1=3 C2=2.5Parameter 3 w=0.9 C1=4 C2=3.5
Iterasi W C1 C2 Fitness
35
0.7 2 1.5 0.1
0.8 3 2.5 1.0
0.9 4 3.5 0.5
45
0.7 2 1.5 0.5
0.8 3 2.5 1.0
0.9 4 3.5 1.0
50
0.7 2 1.5 0.1
0.8 3 2.5 1.0
0.9 4 3.5 1.0
11
1. Dari hasil ujicoba yang telah dilakukan, terdapat nilai fitness yang paling
optimal yaitu pada ujicoba 2 dengan nilai fitness 1,0 dengan data uji coba 2
dengan nilai w = 0.9, c_1 = 4 dan c_2 = 3.5 dengan menggunakan 20
partikel dan 50 iterasi.
2. Hasil dari analisa uji coba 2, bahwa nilai yang dinyatakan solusi apabila
terdapat nilai fitness yang bernilai besar. solusi yang memenuhi optimasi
tata letak kendaraan penumpang kapal Roro adalah nilai fitness yang
bernilai besar.
3. c_1 dan c_2 mempengaruhi dalam pencarian solusi optimal, dengan ujicoba
yang telah dilakukan, c_1 dan c_2 yang menghasilkan nilai fitness terbaik
adalah nilai dengan kisaran 3 sampai 4.
4. Jumlah partikel juga mempengaruhi pencarian solusi optimal, berdasarkan
ujicoba yang telah dilakukan jumlah partikel yang lebih banyak selalu
menghasilkan solusi yang optimal.
5. Jumlah iterasi yang besar sangat mempengaruhi solusi optimal dalam
optimasi tata letak kendaraan penumpang kapal Roro dengan menggunakan
algoritma PSO. Iterasi yang besar akan menghasilkan solusi yang optimal,
dikarenakan pada algoritma PSO setiap partikel di update secara acak
(random).
Solusi Optimum
Berdasakan hasil ujicoba yang dilakukan dengan menggunakan data ujicoba yang
penulis gunakan pada penelitian ini yaitu pada Tabel 40, didapatkan solusi optimal
dengan data 5 MPV, 3 SUV, 3 Truk, dan 41 Sepeda Motor didapatkan nilai fitness
terbaik yaitu 1,0 dengan uji coba parameter nilai w = 0.9, c_1 = 4 dan c_2 = 3.5
dengan menggunakan 20 partikel dan 50 iterasi. Berikut ini merupakan jumlah
kendaraan yang masuk kedalam parkiran yang dapat ditunjukan pada Tabel 8 :
Tabel 8. Tabel Jumlah Kendaraan yang Masuk
Golongan
Kendaraan
Jumlah yang di
Input
Jumlah
Kendaraan
yang masuk
Sisa
Kendaraan
1 5 5 0
4 41 34 7
12
Tabel 9. Tabel Lanjutan
Pada Tabel 8 dapat dijelaskan bahwa posisi kendaraan yang terlebih dahulu masuk
kedalam parkiran adalah golongan kendaraan 1, 4, 3 dan 2. Terdapat 6 posisi parkir
pada KMP.Barau, dimana pembagian posisi tersebut mempunyai ukuran panjang
dan lebar berbeda beda yang dapat dilihat pada Gambar 2.3 Untuk proses
menentukan jumlah kendaraan yang masuk pad tiap-tiap masing posisi adalah
dengan membagi lebar posisi parkir dengan lebar kendaraan, maka didapatkan
berpa jumlah baris yang akan masuk kedalam parkir. Berikut ini merupakan gambar
tata letak kendaraan berdasarkan hasil Ujicoba 2 yang dapat ditunjukan pada
Gambar 6 :
Golongan
Kendaraan
Jumlah yang di
Input
Jumlah
Kendaraan
yang masuk
Sisa
Kendaraan
3 3 3 0
2 3 3 0
Gambar 6. Hasil Uji Coba Tata Letak Kendaraan
13
KESIMPULAN
Setelah dilakukan uji coba dan analisa terhadap tugas akhir ini, maka didapatkan
kesimpulan sebagai berikut :
1. Algoritma Particle Swarm Optimization (PSO) dapat digunakan untuk
mengoptimasi tata letak kendaraan di kapal Roro Tanjung Uban – Batam.
2. Dalam penelitian yang dilakukan oleh penulis mengenai Tata Letak
Kendaran di Kapal Roro, didapatkan hasil optimal penyusunan letak
kendaraan dengan menggunakan Algoritma Particle Swarm Optimization
yaitu dengan nilai fitness 1,0 dengan jumlah 46 kendaraan yang terdiri dari
5 MPV, 34 Sepeda Motor, 3 Truk dan 3 SUV. Hasil tersebut terdapat pada
uji coba 2 dengan nilai nilai w sebesar 0.9, 𝑐1 sebesar 4 dan 𝑐2 sebesar 3.5
dengan menggunakan 20 partikel dan 50 iterasi.
DAFTAR PUSTAKA
Amir, H.H, dan Suriayati, B.C., 2015, Task Scheduling Algorithm Based On
Particle Swarm Optimization (Pso) And Invasive Weed Optimization To
Execute Tasks In Overloaded Situation For Preemptive System , APRN
Journal of Engineering and Applied Sciences.
Budi. 2011, Tutorial Particle Swarm Optimization, Jurnal ITS Graha Ilmu
Surabaya 2011.
Ari, K., Retno, N.D., dan Agung, T.W., 2010, Optimasi Tata Letak Barang Pada
Ruang Tiga Dimensi Dengan Menggunakan Algoritma Genetika, Tugas
Akhir 2010 Telkom University.
Damastuti N., dan Aulia,S.A., 2015, Simulasi Penjadwalan Kapal Tambat Untuk
Pencapaian Zero Witing Time Di Dermaga Jamrud Utara Dengan
Optimasi Algoritma Sequential Searching, Jurnal Narodroid..
Erny, 2013, Optimasi Pola Penyusunan Barang dalam Peti Kemas Menggunakan
Algoritma Particle Swarm Optimization, Jurnal Matematika, Komputasi
Unhas 2013.
Guerriche, K.R., dan Bouktir, T., 2015, Optimal Allocation and Sizing of
Distributed Generation with Particle Swarm Optimization Algorithm for
Loss Reduction, Revue des Sciences et de la Technologie – RST.
Raisha, R.A., Dadang, dan S., Rika, P.S., 2012, Analisa dan Penerapan Metode
Particle Swarm Optimization Pada Optimasi Penjadwalan Kuliah, Jurnal
Teknik Informatika.
Wang, Xiaolin., dan Qiu, Xun., 2013, Application Of Particle Swarm
Optimization For Enhanced Cyclic Steam Stimulation In A Offshore Heavy
Oil Reservoir, International Journal of Information Technology, Modeling
and Computing (IJITMC).
14
Zerda, E.R., 2009, Analisis dan Penerapan Algoritma Particle Swarm
Optimization (PSO) pada Optimasi Penjadwalan Sumber Daya Proyek,
Teknik Informatika Telkom 2009.
Thoriq, Aziz. 2012. Pengertian PSO. http://thoriqaziz. blogspot. co.id/ 2012 /01
/particle- swarm- optimization.html
15
top related