OPTIMASI PERKIRAAN BAHAN BAKU MEBEL …etheses.uin-malang.ac.id/13899/1/13650009.pdfii halaman pengajuan optimasi perkiraan bahan baku mebel menggunakan metode algoritma genetika (studi
Post on 07-Aug-2019
228 Views
Preview:
Transcript
i
OPTIMASI PERKIRAAN BAHAN BAKU MEBEL MENGGUNAKAN
METODE ALGORITMA GENETIKA (STUDI KASUS: INDUSTRI
MEBEL RUMAHAN DI JOMBANG)
SKRIPSI
Oleh :
NUR KHOFIFAH
NIM. 1365009
JURUSAN TEKNIK INFORMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI MAULANA MALIK IBRAHIM
MALANG
2018
ii
HALAMAN PENGAJUAN
OPTIMASI PERKIRAAN BAHAN BAKU MEBEL MENGGUNAKAN
METODE ALGORITMA GENETIKA (STUDI KASUS: INDUSTRI
MEBEL RUMAHAN DI JOMBANG)
SKRIPSI
Diajukan kepada :
Fakultas Sains dan Teknologi
Universitas Islam Negeri Maulana Malik Ibrahim Malang
Untuk memenuhi Salah Satu Persyaratan dalam
Memperoleh Gelar Sarjana Komputer (S.Kom)
Oleh :
NUR KHOFIFAH
NIM. 13650009
JURUSAN TEKNIK INFORMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI MAULANA MALIK IBRAHIM
MALANG
2018
iii
HALAMAN PERSETUJUAN
OPTIMASI PERKIRAAN BAHAN BAKU MEBEL MENGGUNAKAN
METODE ALGORITMA GENETIKA (STUDI KASUS: INDUSTRI
MEBEL RUMAHAN DI JOMBANG
SKRIPSI
Oleh :
NUR KHOFIFAH
NIM. 13650009
Telah Diperiksa dan Disetujui untuk Diuji
Tanggal, .....................................
Pembimbing I
Fachrul Kurniawan, M.MT
NIP. 19771020 200912 1 001
Pembimbing II
M. Imamudin, Lc., MA
NIP. 19740602 200901 1 010
Mengetahui,
Ketua Jurusan Teknik Informatika
Fakultas Sain dan Teknologi
UIN Maulana Malik Ibrahm Malang
Dr. Cahyo Crysdian
NIP. 19740424 200901 1 008
iv
HALAMAN PENGESAHAN
OPTIMASI PERKIRAAN BAHAN BAKU MEBEL MENGGUNAKAN
METODE ALGORITMA GENETIKA (STUDI KASUS: INDUSTRI
MEBEL RUMAHAN DI JOMBANG
SKRIPSI
OLEH:
NUR KHOFIFAH
NIM. 13650009
Telah Dipertahankan Di Depan Dewan Penguji Skripsi Dan
Dinyatakan Diterima Sebagai Salah Satu Persyaratan Untuk
Memperoleh Gelar Sarjana Komputer (S.Kom)
Tanggal: Desember 2018
Susunan Dewan Penguji : Tanda Tangan
1. Penguji Utama : Hani Nurhayati, M.T
NIP. 19780625 200801 2 006
( )
2. Ketua Penguji : Dr. Muhammad Faisal, M.T
NIP. 19740510 200501 1 007
( )
3. Sekretaris Penguji : Fachrul Kurniawan, M.MT
NIP. 19771020 200912 1 001
( )
4. Anggota Penguji : M. Imamudin, Lc., MA
NIP. 19740602 200901 1 010
( )
Mengetahui,
Ketua Jurusan Teknik Informatika
Fakultas Sains dan Teknologi
Universitas Islam Negeri Maulana Malik Ibrahim Malang
Dr. Cahyo Crysdian
NIP. 19740424 200901 1 008
v
PERNYATAAN KEASLIAN TULISAN
Saya yang bertanda tangan dibawah ini :
Nama : Nur Khofifah
NIM : 13650009
Fakultas/Jurusan : Sains dan Teknologi/Teknik Informatika
Judul Penelitian : Optimasi Perkiraan Bahan Baku Mebel Menggunakan
Metode Algoritma Genetika (Studi Kasus: Industri Mebel
Rumahan Di Jombang)
Menyatakan dengan sebenar-benarnya bahwa hasil penelitian saya tidak
terdapat unsur-unsur duplikasi karya penelitian atau karya ilmiah yang pernah
dilakukan atau dibuat oleh orang lain, kecuali yang secara tertulis dikutip dalam
naskah ini dan dissebutkan dalam sumber kutipan dan daftar pustaka. Apabila
ternyata hasil penelitian ini terbukti hasil jiplakan, maka saya bersedia menerima
sanksi atas perbuatan tersebut.
Malang, Desember 2018
Yang membuat pernyataan
Nur Khofifah
NIM. 13650009
vi
MOTTO
BERUSAHA, BELAJAR, BERDOA, BERSYUKUR.
vii
HALAMAN PERSEMBAHAN
“Terima kasih untuk bapak, ibuk, dan keluarga”
Serta teman-teman semua
Khususnya
“UKM Taekwondo UIN Maliki Malang”
“Teman seperjuangan”
“Teman grup”
“Teman-teman sejurusan”
Kalian sungguh berharga.
Terima kasih untuk seluruh Dosen, dan staff Jurusan Teknik Informatika.
viii
KATA PENGANTAR
Assalamu’alaikum wr. wb.
Segala puji bagi Allah tuhan semesta alam, karena atas segala rahmat dah
karunia-Nya penulis mampu menyelesaikan skripsi dengan judul “Optimasi
Bahan Baku Mebel Menggunakan Metode Algortima Genetika (Studi Kasus:
Industri Mebel Rumahan Di Jombang)” dengan baik. Shalwat serta salam selalu
tercurah kepada tauladan terbaik Nabi Muhammad SAW yang telah membimbing
umatnya dari zaman kebodohan menuju Islam yang rahmatan lil alamiin.
Dalam penyelesaia skripsi ini, banyak pihak yang telah memberi baantuan
baik secara moril, semangat, maupun materiil. Atas segala bantuan tersebut,
penulis ingin menyampaikan doa dan ucapan terima kasih yang sedalam-
dalamnya kepada:
1. Bapak Fachrul Kurniawan, ST., M.MT. selaku dosen pembimbing I yang
telah meluangkan waktu untuk membimbing, mengarahkan, dan
memberikan masukan kepada penulis dalam pengerjaan skripsi.
2. Bapak M. Imamuddin, Lc., MA. Selaku dosen pembimbing II yang juga
senantiasa memberi masukan dan nasihat dalam penyusunan skripsi ini.
3. Bapak, ibuk serta keluarga yang selalu memberika doa dan dukungan yang
sangat luar biasa.
4. Bapak Dr. Cahyo Crysdian, selaku Ketua Jurusan Teknik Informatika
Universitasitas Islam Negeri Maulana Malik Ibrahim Malang.
5. Segenap Dosen dan staff Jurusan Teknik Informatika yang telah
memberikan bimbingan keilmuan, dan kelancaran dalam proses skripsi.
ix
6. Teman-teman UKM Taekwondo, Teknik Informatika, serta semua pihak
yang telah membantu. Terima kasih banyak.
Berbagai kekuranagn dan kesalahan pembaca temukan dalam penulisa
skripsi ini, untuk itu penulis menerima segala kritik dan saran dari pembaca.
Semoga apa yang menjadi kekurangan dapat disempurnakan oleh peneliti
selanjutnya dana semoga dapat memberi manfaat. Amin.
Wassalamu’alaikum wr. wb.
Malang, Desember 2018
Penulis
x
DAFTAR ISI
HALAMAN JUDUL ................................................................................................ i
HALAMAN PENGAJUAN .................................................................................... ii
HALAMAN PERSETUJUAN ............................................................................... iii
HALAMAN PENGESAHAN ................................................................................ iv
PERNYATAAN KEASLIAN TULISAN .............................................................. v
MOTTO ................................................................................................................. vi
HALAMAN PERSEMBAHAN ........................................................................... vii
KATA PENGANTAR ......................................................................................... viii
DAFTAR ISI ........................................................................................................... x
DAFTAR GAMBAR ............................................................................................ xii
DAFTAR TABEL ................................................................................................ xiii
ABSTRAK ........................................................................................................... xiv
ABSTRACT .......................................................................................................... xv
البحث ملخص .............................................................................................................. xvi
BAB I ...................................................................................................................... 1
1.1 Latar Belakang ............................................................................................... 1
1.2 Identifikasi Masalah....................................................................................... 4
1.3 Tujuan Penelitian ........................................................................................... 5
1.4 Batasan Penelitian .......................................................................................... 5
1.5 Manfaat Penelitian ......................................................................................... 6
1.6 Sistematika Penulisan .................................................................................... 6
BAB II ..................................................................................................................... 7
2.1 Industri Mebel dan Persediaan Bahan Baku .................................................. 7
2.2 Dasar Optimasi dan Metode-Metode Optimasi ........................................... 18
2.3 Integrasi Optimasi dengan Islam ................................................................. 21
2.4 Algoritma Genetika ..................................................................................... 25
2.4.1 Komponen-Komponen Algoritma Genetika ......................................... 27
2.4.2 Algoritma Genetika untuk Masalah Optimasi ...................................... 36
2.5 Penelitian Terkait ......................................................................................... 37
BAB III ................................................................................................................. 40
3.1 Studi Literatur .............................................................................................. 40
3.2 Analisis Kebutuhan Sistem ......................................................................... 41
xi
3.3 Pengumpulan Data ...................................................................................... 42
3.4 Perancangan Sistem ..................................................................................... 46
3.4.1 Desain Sistem ....................................................................................... 46
3.4.2 Algoritma Genetika .............................................................................. 48
3.5 Desain Hitung Manual ................................................................................. 52
3.5.1 Pembangkitan Populasi Awal ............................................................... 52
3.5.2 Crossover .............................................................................................. 53
3.5.3 Mutasi ................................................................................................... 54
3.5.4 Menghitung Nilai Fitness ..................................................................... 55
3.5.5 Seleksi ................................................................................................... 57
BAB IV ................................................................................................................. 59
4.1 Implementasi Interface ................................................................................ 59
4.1.1 Login Page (Halaman Login) ............................................................... 59
4.1.2 Halaman Register (Daftar) .................................................................... 59
4.1.3 Halaman Utama (Beranda) ................................................................... 60
4.1.4 Halaman Analisis .................................................................................. 61
4.2 Pengujian Sistem ......................................................................................... 66
4.2.1 Persiapan Data ...................................................................................... 67
4.2.2 Hasil dan Analisa .................................................................................. 67
4.2.3 Pengujian Ukuran Populasi ................................................................... 67
4.2.4 Pengujian Ukuran Crossover dan Mutasi ............................................. 69
4.2.5 Pengujian Data Produksi ....................................................................... 71
4.4 Integrasi Islam ............................................................................................. 78
BAB V ................................................................................................................... 81
5.1 Kesimpulan .................................................................................................. 81
5.2 Saran ............................................................................................................ 82
DAFTAR PUSTAKA .......................................................................................... 83
xii
DAFTAR GAMBAR
Gambar 2. 1 Siklus Algoritma Genetika ............................................................... 27
Gambar 2. 2 Contoh Seleksi Orang Tua Menggunakan Roulette-Wheel ............. 30
Gambar 2. 3 Contoh Pindah Silang Satu Titik ...................................................... 31
Gambar 2. 4 Contoh Pindah Silang Banyak Titik (lebih dari satu) ...................... 31
Gambar 2. 5 Contoh Pindah Silang Pola Seragam ................................................ 32
Gambar 2. 6 Contoh Mutasi Tingkat Kromosom.................................................. 33
Gambar 2. 7 Contoh Mutasi Tingkat Gen. Semua Bit dalam Satu Gen Berubah . 33
Gambar 2. 8 Contoh Mutasi Tingkat Bit. Hanya Satu Bit yang Berubah ............. 33
Gambar 3. 1 Alur Penelitian.................................................................................. 40
Gambar 3. 2 Desain Sistem ................................................................................... 46
Gambar 3. 3 Desain Kromosom ............................................................................ 48
Gambar 4. 1 Login Page........................................................................................ 59
Gambar 4. 2 Halaman Registrasi .......................................................................... 60
Gambar 4. 3 Notifikasi Berhasil Registrasi .......................................................... 60
Gambar 4. 4 Halaman Utama ................................................................................ 61
Gambar 4. 5 Halaman Tambah Analisis ............................................................... 61
Gambar 4. 6 Tombol Download Format ............................................................... 62
Gambar 4. 7 Format Excel Produk ........................................................................ 62
Gambar 4. 8 Halaman List Analisis ...................................................................... 63
Gambar 4. 9 Data Hasil Analisis ........................................................................... 65
Gambar 4. 10 Grafik Hasil Analisis ...................................................................... 65
Gambar 4. 11 Halaman Data Produk .................................................................... 66
Gambar 4. 12 Halaman Tambah Produk ............................................................... 66
Gambar 4. 13 List Uji Ukuran Populasi ................................................................ 68
Gambar 4. 14 Grafik Uji Coba Ukuran Populasi .................................................. 68
Gambar 4. 15 Uji Coba Crossover dan Mutasi ..................................................... 70
Gambar 4. 16 Grafik Hasil Uji Coba Crossover dan Mutasi ................................ 71
Gambar 4. 17 List Uji Produk ............................................................................... 72
xiii
DAFTAR TABEL
Tabel 2. 1 Tabel Kelompok Komersial Satu ........................................................... 8
Tabel 2. 2 Tabel Komersial Dua ........................................................................... 12
Tabel 3. 1 Tabel Modal ......................................................................................... 43
Tabel 3. 2 Tabel Kebutuhan Produksi ................................................................... 43
Tabel 3. 3 Tabel Permintaan Pembeli Bulan Januari – Juni 2017 ........................ 44
Tabel 3. 4 Tabel Permintaan Pembeli Bulan Juli – Desember 2017 ..................... 45
Tabel 3. 5 Rentang Pembangkitan Gen ................................................................. 52
Tabel 3. 6 Pembangkitan Populasi Awal .............................................................. 53
Tabel 3. 7 Tabel Hasil Crossover .......................................................................... 54
Tabel 3. 8 Tabel Hasil Mutasi ............................................................................... 55
Tabel 3. 9 Tabel Perhitungan Fitness .................................................................... 57
Tabel 3. 10 Tabel Hasil Seleksi............................................................................. 58
Tabel 4. 1 Hasil Uji Populasi 68
Tabel 4. 2 Hasil Uji Crossover dan Mutasi 70
Tabel 4. 3 Hasil Uji Data Permintaan Mebel UD. Sekar Jaya 73
Tabel 4. 4 Tabel Hasil Optimasi Bulan Januari – Juni 2017 76
Tabel 4. 5 Tabel Hasil Optimasi Bulan Juli – Agustus 2017 77
xiv
ABSTRAK
Khofifah, Nur. 2018. Optimasi Perkiraan Bahan Baku Mebel Menggunakan
Metode Algoritma Genetika Studi Kasus (Industri Mebel Rumahan di
Jombang). Skripsi. Jurusan Teknik Informatika Fakultas Sains dan Teknologi
Universitas Islam Negeri Maulana Malik Ibrahim Malang.
Pembimbing: (I) Fachrul Kurniawan, ST., M.MT., (II) M. Imamuddin, Lc., MA.
Kata Kunci: Optimasi, Bahan Baku, Mebel, Algoritma Genetika
Optimasi penentuan besarnya persediaan atau kebutuhan bahan baku merupakan
masalah yang penting bagi sebuah perusahaan. Seperti halnya perusahan-
perusahan yang lain, mebel juga merupakan perusahaan atau industri yang
megolah bahan dasar kayu menjadi perabot rumah tangga seperti lemari, meja,
kursi, dll.. Bahan baku mebel adalah kayu, dan ketersediaan kayu di pasar cukup
tinggi dan tidak selalu ada. Maka mebel perlu menyiasati dengan memerkirakan
kebutuhan bahan baku. Dengan sistem persediaan yang baik, mebel akan
mendapatkan keuntungan yang optimal. Algoritma Genetika diterapkan dalam
optimasi perkiraan bahan baku mebel untuk memberikan keuntungan yang
maksimal dengan penghematan biayan persediaan. Algoritma Genetika yang
digunakan metode extended intermediet crossover, mutasi, menghitung nilai
fitness dan seleksi. Pada penelitian ini terdapat 12 kromosm yang merupakan data
produksi mebel dalam kurun waktu 12 bulan. Representasi kromosom yang
digunakan adalah discrete decimal encoding. Dan masing-masing kromosom
memiliki gen 1-8 yang mana adalah jenis produk. Solusi optimal yang diperoleh
dari ukuran populasi sebanyak 100 populasi, kombinasi crossover dan mutasi
adalah 0.3 dan 0.3. Dengan nilai fitness teringgi yiatu 0.08.
xv
ABSTRACT
Khofifah, Nur. 2018. The estimated Optimization of raw material furniture
using Genetic Algorithm method case studies (furniture home industry in
Jombang). Thesis. Department of computer engineering faculty of science and
technology University of Islamic State Maulana Malik Ibrahim Malang.
Supervisor: (I) Fachrul Kurniawan, ST., M.MT., (II) M. Imamuddin, Lc., MA.
Key words: Optimization, Raw Materials, Furniture, Genetic Algorithm.
For it the importance of doing an approximate optimization of raw materials in the
production process. As with the other functions of the company, the furniture is
also a company or industry that producing the raw material wood into furniture
such as cupboards, tables, chairs, etc. Because of the availability of wood on
market is high enough and not always exist, then the furniture need to get around
with estimated the needs of raw materials. With a good inventory system, the
furniture will be an optimal benefit. Genetic Algorithms applied in approximate
optimization of raw material of furniture to provide maximum benefit with saving
the cost of investory. Approximate optimization of raw material furniture using
the method of intermediate extended crossover, mutation, calculate the value of
fitness and selection. In this study there are 12 kromosm which is a furniture
production data within 12 months. Chromosome representation used is a serial
decimal encoding. And each chromosome has the gene 1-8 which is a type of
product. The optimal solution obtained from population size by as much as 100
population, a combination of crossover and mutation are 0.3 and 0.3. With the
highest fitness value is 0.08.
xvi
ملخص البحث
ية االستفادة المثلى من تقديرات المواد الخام لألثاث باستخدام أساليب الخوارزم. ٨١٠٢خفيفة ، نور.
أطروحة. قسم هندسة المعلوماتية بكلية العلوم. ( جومبانج دراسة حالة: صناعة األثاث المنزلي في جينية ال (
.والتكنولوجيا بالجامعة اإلسالمية في موالنا مالك إبراهيم ماالنج
( محمد إمام الدين، الماجستير٨( فخر الكرنياوان، الماجستير )٠: )تحت إشراف
: التحسين ، المواد الخام ، األثاث ، الخوارزميات الجينيةبحثالكلمات ال
ع لمواد الخام مشكلة مهمة للشركة. كما هو الحال ميعتبر تحسين تحديد كمية المخزون أو احتياجات ا
لمنزلي الشركات األخرى ، األثاث هو أيضا شركة أو صناعة تعالج المواد الخشبية األساسية في األثاث ا
سوق مثل الخزائن والطاوالت والكراسي ... الخ. المواد الخام لألثاث هي الخشب ، وتوافر الخشب في ال
ام. مع نظام ئما ، لذا يحتاج األثاث لاللتفاف عن طريق تقدير متطلبات المواد الخمرتفع جدا وغير متاح دا
تحسين تقدير المخزون الجيد ، سيحصل األثاث على الفوائد المثلى. يتم تطبيق الخوارزميات الجينية في
ثية االمواد الخام لألثاث لتوفير أقصى الفوائد من خالل توفير تكاليف المخزون. الخوارزمية الور
ار. في المتوسطة الممتدة ، والطفرة ، وحساب اللياقة البدنية وقيم االختي crossover المستخدمة من قبل
شهرا. تمثيل الكروموسوم ٠٨كروموسوم وهي بيانات عن إنتاج األثاث خالل ٠٨هذه الدراسة هناك
جات. الحل األمثل الذي جينات من أنواع المنت ٢–٠نفصل. ولكل كروموسوم المستخدم هو ترميز عشري م
. مع أعلى١٫٠و ١٫٠مجموعة ، ومزيج التبادل والتغير هو ٠١١تم الحصول عليه من حجم السكان هو
.١٫١٢قيمة لياقة
1
BAB I
PENDAHULUAN
1.1 Latar Belakang
Meningkatnya kebutuhan bahan baku kayu didorong dari tuntutan manusia
akan kebutuhan papan itu sendiri. Kayu yang diproduksi merupakan kayu jenis
kayu bulat dan kayu gergajian. Adapun kayu bulat adalah semua kayu bulat
(gelondongan) yang ditebang atau dipanen yang bisa dijadikan sebagai bahan
baku produksi pengolahan kayu hulu (IPKH). Sedangkan kayu gergajian
merupakan kayu hasil konservasi kayu bulat dengan menggunakan mesin gergaji,
mempunyai bentuk yang teratur dengan sisi-sisi sejajar dan sudut-sudutnya siku
dengan ketebalan tidak lebih dari 6 cm dan kadar air tidak lebih dari 18 persen.
Kayu gergajian diolah langsung dari kayu bulat.
Untuk produksi kayu hutan menurut jenis produksinya selalu naik disetiap
tahunnya, seperti kayu bulat pada tahun 2014 sebanyak 44.963.529 m3 menjadi
35.290.288 m3 pada tahun 2015. Kayu lapis pada tahun 2014 sebanyak 3.579.113
m3 menjadi 3.640.631 m3 pada tahun 2015. Dan kayu gergajian pada tahun 2014
sebanyak 1.458.624 m3 menjadi 1.765.080 m3 pada tahun 2015 (Badan Pusat
Statistik, 2015). Dari data tersebut menunjukkan bahwa kebutuhan akan kayu
memang tinggi. Dibanyak daerah banyak usaha kayu atau disebut dengan mebel.
Mebel sendiri sudah menjadi sebuah industri untuk pengolahan bahan baku kayu.
Industri mebel biasa memproduksi kayu untuk dijadikan parabot rumah tangga
seperti lemari, meja, kursi, jendela, pintu, dan banyak lainnya. Menurut Presiden
Joko Widodo ada 3 poin penting dalam industri mebel saat menghadiri peresmian
pembukaan Indonesia International Furniture Expo (IFEX) sabtu (11/3/2017) di
2
Kemayoran, Jakarta Pusat, "Industri ini menggunakan bahan baku 100% dari
Indonesia. Kedua, serap tenaga kerja banyak sekali. Ketiga, ekspor yang
menghasilkan devisa. Ini tiga hal penting di industri ini, mebel dan kerajinan.
Gede sekali".
Seperti di Kabupaten Jombang, tepatnya di Kecamatan Mojowarno, Desa
Wringinpitu. Terdapat banyak industri mebel. Para pengusaha mebel umumnya
masih menggunakan perhitungan secara manual dalam produksinya.
Kelangsungan proses produksi didalam suatu perusahaan akan dipengaruhi oleh
berbagai faktor antara lain: modal, teknologi, persediaan bahan baku, persediaan
barang jadi dan tenaga kerja. Sama halnya dengan proses produksi mebel juga
terdapat beberapa faktor yang berpengaruh diantaranya: persediaan bahan baku
kayu, jenis kayu, banyak pengarjin, permintaan pelanggan dan waktu pengerjaan.
Namun dalam menentukan jumlah bahan baku cukup sulit seiring dengan
ketersediaan kayu bulat yang ada di pasaran. Masalah persediaan
(inventory) dianggap sangat penting bagi perusahaan, khususnya dibidang industri
dan perdagangan, selain bidang tersebut persediaan juga mempunyai pengaruh
pada fungsi bisnis terutama fungsi operasi pemasaran dan keuangan, selain itu
persediaan juga merupakan kekayaan perusahaan yang memiliki peranan penting
dalam operasi bisnis dalam pabrik (manufacturing) yaitu persediaan bahan baku,
bahan pembantu, barang dalam proses, barang jadi dan persediaan suku cadang.
Penentuan besarnya persediaan bahan baku merupakan masalah yang penting
bagi perusahaan, karena sering kali terjadi kesalahan dalam menentukan besarnya
investasi (modal yang tertanam) dalam persediaan maka akan menekan
keuntungan perusahaan. Adanya persediaan bahan baku yang terlalu besar
3
dibandingkan dengan kebutuhan perusahaan akan menambah biaya pemeliharaan
dan penyimpanan. Selain itu kelebihan bahan baku akan menyebabkan
penyusutan dan kualitas bahan yang tidak dapat dipertahankan, sehingga akan
mengurangi keuntungan perusahaan. Demikian pula sebaliknya, persediaan bahan
baku yang terlalu kecil dalam perusahaan akan mengakibatkan kemacetan dalam
produksi, sehingga perusahaan akan mengalami kerugian yang dikarenakan tidak
dapat melayani permintaan pembeli. Maka diperlukan pengendalian persediaan
sehingga dapat menekan biaya produksi yang akan timbul atau terjadi. Secara
umum dapat dikatakan bahwa tujuan dari pengendalian adalah untuk menekan
biaya-biaya operasional seminimal mungkin sehingga akan mengoptimalisasikan
kinerja perusahaan.
Untuk melaksanakan pengendalian persediaan maka harus diperhatikan
berbagai faktor yang terkait dengan persediaan. Dengan begitu perlu adanya suatu
sistem yang dapat membantu dalam mengoptimalkan kebutuhan bahan baku kayu
yang dibutuhkan untuk proses produksi berikutnya. Optimasi dipilih karena
optimasi merupakan proses pencarian sesuatu yang terbaik berdasarkan kriteria,
alternatif, dan beberapa kendala-kendala tertentu. Dengan optimasi pada sebuah
sistem kita akan bisa berhemat dalam segala hal antara lain energi, waktu, biaya,
sumber daya (alam maupun pekerja) dan lain-lain, tanpa mengurangi fungsi
sistem tersebut.
Salah satu metode yang digunakan untuk optimasi adalah metode Algoritma
Genetika (AG). Algoritma Genetika adalah teknik pencarian yang di dalam ilmu
komputer untuk menemukan penyelesaian perkiraan untuk optimisasi dan masalah
pencarian. Algoritma genetik adalah kelas khusus dari algoritma evolusioner
4
dengan menggunakan teknik yang terinspirasi oleh biologi evolusioner seperti
warisan, mutasi, seleksi alam dan rekombinasi (atau crossover). Algoritma
Genetika memiliki kemampuan dalam menyelesaikan berbagai masalah kompleks
dalam menghadapi masalah optimasi (Mahmudy, 2013).
Menurut Haupt dan Haupt (2004) ada beberapa hal yang termasuk kelebihan
dari Algoritma Genetika adalah sebagai berikut: 1) Mengoptimalkan dengan
variabel kontinu atau diskrit, 2) Tidak memerlukan informasi deviratif, 3)
Bersamaan pencarian dari sebuah sampling yang luas pada permukaan biaya, 4)
berkaitan sejumlah besar variabel, 5) Mengoptimalkan permukaan variabel
dengan biaya yang sangat kompleks, 6) Memberikan daftar variabel yang optimal,
bukan hanya solusi tunggal, 7) Dapat menyandikan variabel sehingga optimasi
dilakukan dengan mengkodekan variabel, dan 8) Bekerja dengan data numeric
yang dihasilkan, data eksperimen, atau analitis fungsi.
Untuk itu metode Algoritma Genetika dipilih untuk aplikasi optimasi
perkiraan bahan baku kayu guna didapati hasil yang optimal berdasarkan data
persediaan dan data permintaan dari pembeli. Sehingga dapat membantu
pengusaha mebel dalam meminimalkan kekurangan bahan pokok kayu dalam
setiap produksinya.
1.2 Identifikasi Masalah
Berdasarkan latar belakang di atas, maka dapat diidentifikasi permasalahan yang
akan dibahas dalam penelitian ini yaitu:
1. Bagaimana merancang aplikasi yang dapat digunakan untuk optimasi
perkiraan bahan baku mebel.
5
2. Bagaimana menerapkan metode Algoritma Genetika dalam pembuatan
aplikasi optimasi perkiraan bahan baku mebel.
1.3 Tujuan Penelitian
Adapun tujuan dilakukannya penelitian sebagai berikut:
1. Membangun aplikasi optimasi perkiraan bahan baku mebel
berdasarkan jumlah permintaan pembeli.
2. Menerapkan metode Algoritma Genetika dalam aplikasi optimasi
perkiraan bahan baku mebel untuk perhitungan optimasi bahan baku
mebel.
1.4 Batasan Penelitian
Agar pembahasan penelitian ini tidak menyimpang dari apa yang telah
dirumuskan, maka diperlukan batasan-batasan dalam pengerjaannya. Berikut
batasan-batasan dalam penelitian ini:
1. Data yang digunakan merupakan data yang diperoleh dari pengusaha
mebel di Kabupaten Jombang. Khususnya daerah Selorejo, Gayam,
dan Wringinpitu di Kecamatan Mojowarno.
2. Data yang digunakan merupakan data permintaan peembeli dari mebel
UD. Sekar Jaya.
3. Data yang digunakan terhitung dari bulan Januari 2017 sampai
Desember 2017.
4. Data permintaan pembeli antara lain mencakup bangku sekolah, kusen,
daun pintu, lemari sekolah, lemari rumah tangga, kursi ruang tamu,
meja guru, dan jendela.
6
5. Bahan baku dan harga yang dihitung menyesuaikan jenis kayu, untuk
penelitian ini menggunakan kayu jati.
1.5 Manfaat Penelitian
Hasil dari penelitian ini nantinya diharapkan dapat bermanfaat dalam:
1. Memberikan kemudahan perhitungan untuk pengusaha mebel dalam
memperkirakan bahan baku produksi.
2. Membantu mengoptimalkan bahan baku produksi yang dibutuhkan
sehingga tidak terjadi kelebihan atau kekurangan bahan baku.
3. Menjadi salah satu referensi untuk penelitian sejenis.
1.6 Sistematika Penulisan
Penulisan proposal ini tersusun dalam 3 (tiga) bab dengan sistematika
penulisan sebagai berikut:
BAB I PENDAHULUAN
Pendahuluan, berisi tentang latar belakang masalah, rumusan masalah,
batasan masalah, tujuan, manfaat, dan sistematika penulisan skripsi.
BAB II KAJIAN PUSTAKA
Kajian pustaka, berisi tentang teori-teori yang melandasi penyusunan
skripsi.
BAB III METODE PENELITIAN
Menganalisan kebutuhan sistem untuk membuat sistem management
meliputi identifikasi kebutuhan dalam pembuatan sistem dan langkah-langkah
pembuatan sistem.
BAB IV IMPLEMENTASI DAN PEMBAHASAN
BAB V KESIMPULAN DAN SARAN
DAFTAR PUSTAKA
7
BAB II
TINJAUAN PUSTAKA
2.1 Industri Mebel dan Persediaan Bahan Baku
Industri mebel atau industri furnitur merupakan insdustri yang mengolah dan
menggunakan bahan setengah jadi dari kayu, papan, kulit dan bahan baku alami
lainnya yang sehingga menjadi produk yang mempunyai nilai tambah dan manfaat
lebih tinggi. Produk mebel biasa kita kenal dengan perabot rumah tangga, seperti
lemari, meja, kursi, jendela dan sebagainya. Ada beberapa macam mebel yang
secara umum kita ketahui, seperti mebel yang hanya menjual produk tetapi tidak
memroduksi sendiri, ada yang menjual dan memroduksi sendiri da nada yang
sudah berupa prabik atau (manufaktur) yang lebih canggih dalam pengolahan dan
produksinya.
Kayu yang digunakan untuk mebel adalah kayu gergajian, di mana kayu
gergajian merupakan olahan dari kayu bulat (gelondong) yang kemudian digergaji
sesuai dengan kebutuhan pembuatan produk. Dalam industri pengolahan kayu
dibagi menjadi dua kelompok industri. Yang pertama industri pengolahan kayu
hulu, yaitu industri yang mengolah kayu primer atau kayu bulat/log menjadi
sortimen kayu. Yang kedua industri pengolahan kayu hilir, yaitu industri yang
menghasilkan produk-produk dari kayu seperti pintu, jendela, moulding, dan
sejenisnya. Dari pengelompokan tersebut industri mebel masuk ke dalam
kelompok industri kayu hilir.
Menurut Soerianegara (2002) Indonesia memiliki sekitar 4.000 jenis pohon,
yang berpotensi untuk digunakan sebagai kayu bangunan. Akan tetapi hingga saat
8
ini hanya sekitar 400 jenis (10%) yang memiliki nilai ekonomi dan lebih sedikit
lagi, 260 jenis, yang telah digolongkan sebagai kayu perdagangan.
Berikut ini adalah daftar nama-nama kayu atau kelompok kayu menurut nama
perdagangannya, sesuai dengan Lampiran Keputusan Menteri Kehutanan Nomor:
163/Kpts-II/2003 tanggal 26 Mei 2003 tentang Pengelompokan Jenis Kayu
Sebagai Dasar Pengenaan Iuran Kehutanan; dengan beberapa penyesuaian.
1. Kelompok Jenis Meranti/Kelompok Komersial Satu
Tabel 2. 1 Tabel Kelompok Komersial Satu (Keputusan Menteri Kehutanan,
2003)
No.
Nama
Perdagangan Nama Ilmiah Nama-nama Daerah
1. Agatis Agathis spp.
Damar (Jw.), dama (Slw.),
damar bindang (Klm.),
damar sigi (Smt.). (Ingg.):
kauri pine.
2. Balau
Shorea spp.
(misalnya S.
materialis Ridl., S.
maxwelliana King,
S. scrobiculata
Burck);
Parashorea spp.
Damar laut (Smt.),
semantok (Aceh), amperok,
anggelam, selangan batu
(Klm.)
3. Balau merah
Shorea spp. (mis.
S. collina Ridl., S.
guiso (Blanco) Bl.)
Balau laut, damar laut
merah, batu tuyang, putang,
lempung abang. Ingg.: red
selangan.
4. Bangkirai
Shorea spp. (mis.
S. kunstleri King,
S. laevis Ridley, S.
laevifolia Endert);
Hopea spp. (mis.
H. celebica Burck,
H. semicuneata
Sym.)
Benuas, balau mata kucing,
hulo dereh, puguh, jangkang
putih, kerangan (Smt.),
bubuh (Bk.)
5. Damar
Araucaria spp.
(mis. A.
cunninghamii D.
Don, A. hunsteinii
K.Schum.)
Alloa, ningwik, pien (Pap.).
Ingg.: araucaria.
6. Durian Durio spp. Durian burung, lahong,
9
(terutama Durio
carinatus Mast.);
Coelostegia spp.
layung, apun, begurah,
punggai, durian hantu,
enggang
7. Gia
Homalium
tomentosum
(Roxb.) Benth.,
Homalium
foetidum (Roxb.)
Benth.
Delingsem (Jw.), kayu batu,
melunas, kayu kerbau,
momala (Slw.)
8. Giam
Cotylelobium spp.
(mis. C. burckii
Heim, C.
lanceolatum Craib,
C. melanoxylon
Pierre
Giam durian, resak bukit
tembaga; giam padi, resak
daun kecil, resak batu; giam
tembaga, resak daun lebar;
resak gunung
9. Jelutung Dyera spp. Pulai nasi, pantung gunung,
melabuai
10. Kapur
Dryobalanops spp.
(di antaranya D.
oblongifolia Dyer,
D. sumatrensis
(Gmelin) Kosterm.)
Kamper (kayu), kayu
kayatan, empedu, keladan
11. Kapur petanang Dryobalanops
oblongifolia Dyer
Kapur guras (Smt.), kapur
paya (Mly.), kelansau
(Swk.)
12. Kenari
Canarium spp.,
Dacryodes spp. ,
Santiria spp.,
Trioma spp.
Kerantai, ki tuwak, binjau,
asam-asam, kedondong
(kedundung), resung,
bayung, ranggorai, mertukul
13. Keruing
Dipterocarpus spp.
(mis. D. applanatus
V.Sl., D. baudii
Korth., D.
elongatus Korth.
dll.)
Keruing arong, kekalup;
Lagan sanduk, mara
keluang; Keruing tempudau;
tempurau, merkurang,
kawang, apitong
14. Kulim Scorodocarpus
borneensis Becc. Kayu bawang hutan (Klm.)
15. Malapari Pongamia pinnata
(L.) Pierre Malapari
16. Matoa
Pometia spp.; mis.
P. pinnata Forster
& Forster, P.
ridleyi King
Kasai, taun, kungki, hatobu,
kayu sapi (Jw.), tawan
(Mlku.), ihi mendek (Irian
Jaya)
17. Medang Cinnamomum spp.
Sintuk, sintok lancing, ki
teja, ki tuha, ki sereh,
selasihan
18. Meranti kuning Shorea spp. (di
antaranya: S.
Damar hitam, damar
kalepek; Damar hitam
10
acuminatissima
Sym., S.
balanocarpoides
Sym., S. faguetiana
Heim, S. gibbosa
Brandis, Shorea
scollaris V.Sl.;
katup; Bangkirai guruk,
karamuku; Damar buah,
mereng-kuyung; Damar
tanduk. Ingg.: yellow
seraya.
19. Meranti merah
Shorea spp. (di
antaranya: S.
johorensis Foxw.,
S. lepidota BI., S.
leprosula Miq., S.
ovalis BI., S.
palembanica Miq.,
S. platyclados V.Sl.
ex Foxw., S.
leptoclados Sym.,
dll.)
Majau, meranti merkuyung;
Meranti ketrahan; Meranti
tembaga, kontoi bayor;
Meranti kelungkung;
Tengkawang majau; Banio,
ketir; Seraya merah,
campaga, lempong,
kumbang, meranti ketuko,
cupang. Ingg.: red seraya,
red lauan.
20. Meranti putih
Shorea spp. (di
antaranya: S.
assamica Dyer, S.
bracteolata Dyer,
S. javanica K. et.
Val., S. lamellata
Foxw., S. ochracea
Sym., S. retinodes
V.SI., S. virescens
Parijs, S. koordersi
Brandis, dll.)
Damar mesegar; Bunyau,
damar kedontang; Damar
mata kucing, damar kaca,
damar kucing; Damar
tunam, damar pakit; Damar
kebaong, baong, bayong,
baung, belobungo, kontoi
tembaga; Balamsarai, damar
mansarai; Damar maja,
kontoi sabang; Kikir, udang,
udang ulang, damar hutan,
anggelam tikus, maharam
potong, pongin, awan
punuk, mehing (Smt., Kal.);
Damar lari-lari, lalari,
temungku, tambia putih
(Slw.), Damar tenang putih,
hili, honi (Mlku.). Ingg.:
white meranti.
21. Merawan
Hopea spp. (mis.
H. dasyrrachis
V.Sl., H. dyeri
Heim, H. sangal
Korth., dll.)
Tekam, tekam rayap;
Bangkirai tanduk, emang,
amang besi; Cengal,
merawan telor; Ngerawan,
cengal balau
22. Merbau
Intsia spp.
(terutama I. bijuga
O.K., I.
palembanica Miq.)
Merbau asam, ipi (NT.),
kayu besi (Papua); Ipil,
anglai, maharan; Tanduk
(Mlku.)
23. Mersawa Anisoptera spp.
(mis. A. laevis
Cengal padi, damar kunyit;
Masegar (Smt.), ketimpun
11
Ridl., A. marginata
Korth., A. thurifera
Bl.)
(Klm.), mersawa daun
besar; tabok, tahan
24. Nyatoh
Palaquium spp.,
Payena spp.,
Madhuca spp.
Suntai, balam, jongkong,
hangkang, katingan,
mayang batu, bunut,
kedang, bakalaung, ketiau,
jengkot, kolan
25. Palapi
Heritiera
(Tarrietia) spp.;
mis. H. javanica
(Bl.) Kosterm., H.
simplicifolia
(Mast.) Kosterm.,
H. littoralis Ait., H.
sylvatica S. Vidal
Mengkulang, teraling;
Dungun, talutung, lesi-lesi.
26. Penjalin Celtis spp.
Rempelas, ki jeungkil, ki
endog (Sd.), cengkek (Jw.),
pusu (Sumbawa)
27. Perupuk
Lophopetalum spp.;
mis. L. javanicum
(Zoll.) Turcz., L.
multinervium Ridl.,
L. subobovatum
King, L.
wightianum Arn.
Kerupuk (Smt.), pasana
(Klm.), mandalaksa (Jw.),
aras
28. Pinang Pentace spp. Melunak, ki sigeung, ki
sinduk, kelembing
29. Pulai
Alstonia spp. (di
antaranya A.
pneumatophora
Back., A. scholaris
R.Br., A. spatulata
Bl., A. macrophylla
Wall., A.
spectabilis R.Br.)
Kayu gabus, rita, gitoh,
bintau, basung, pule, pulai
miang. Ingg.: white
cheesewood, milkwood,
milky pine.
30. Rasamala Altingia excelsa
Noroña
Tulasan (Smt.), mandung
(Min.), mala (Jw.)
31. Resak
Vatica spp.; mis. V.
maingayi Dyer, V.
oblongifolia
Hook.f., V. rassak
Bl.
Damar along, resak putih
2. Kelompok Jenis Kayu Rimba Campuran/Kelompok Komersial Dua
12
Tabel 2. 2 Tabel Komersial Dua (Keputusan Menteri Kehutanan, 2003)
No. Nama
Perdagangan Nama Ilmiah Nama-nama Daerah
1. Bakau
Rhizophora spp. dan
Bruguiera spp
Tumu, Lenggadai, Jangkar,
Tanjang, Putut, Busing,
Mata buaya
2. Bayur
Balang, Walang, Wadang,
Wayu
3. Benuang
Octomeles sumatrana
Miq.
Benuang bini (Klm.),
winuang (Slw.)
4. Berumbung
Adina minutiflora
Val.); Pertusadina
spp.
Kayu lobang, Barumbung,
Kayu gatal
5. Bintangur
Calophyllum spp.;
mis. C. calaba L., C.
inophyllum L., C.
papuanum Lauterb.,
C. pulcherrimum
Wall.ex Choisy, C.
soulattri Burm.f.
Bintangor, penaga;
Nyamplung; Sulatri; Bunoh,
bintangur bunut
6. Bipa Pterygota spp. Kayu wipa
7. Bowoi
Serianthes minahassae
Merr. & Perry (Syn.
Albizia minahasae
Koord.)
Rayango, Merang,
Terangkuse
8. Bugis
Koordersiodendron
pinnatum Merr. Grepau
9. Cenge Mastixia rostrata BI. Cenge, Cingo
10. Duabanga Duabanga moluccana
BI.
Benuang laki, Takir, Aras,
Raju mas
11. Ekaliptus
Eucalyptus spp.; mis.
E. alba Reinw.ex Bl.,
E. deglupta Bl., E.
urophylla S.T. Blake
Kayu putih; Leda, aren
(Mlku.), tampai; Ampupu
(Timor),
12. Gelam Melaleuca spp. Kayu putih
13. Gempol Nauclea spp. Wosen, Klepu pasir, Anggrit
14. Gopasa Vitex spp. Teraut, Laban
15. Gerunggang/Deru
m
Cratoxylum spp.; mis.
C. arborescens (Vahl)
Bl., C. cochinchinense
(Lour.) Bl.
Madang baro; Mampat,
butun; kemutul, temau; edat
16. Jabon
Anthocephalus spp.
(A. chinensis (Lamk.)
Kelampayan (Mly.), laran
(Klm.), semama (Amb.).
13
A.Rich ex Walp. dan
A. macrophyllus
(Roxb.) Havil.)
Ingg.: cadamba.
17. Jambu-jambu Syzygium spp. Kelat, Ki tembaga, Jambu
18. Kapas-kapasan
Exbucklandia
populnea R. Brown
Hapas-hapas, Tapa-tapa,
Leman
19. Kayu kereta Swintonia spp. Rengas sumpung, Merpauh,
Bagel mirah
20. Kecapi Sandoricum spp. Papung, Kelam, Sentul
21. Kedondong Hutan Spondias spp. Coco, Kacemcem leuweung
22. Kelumpang Sterculia spp. Kepuh, Kalupat, Lomes
23. Kembang
semangkok
Scaphium
macropodum J. B.
Kepayang, merpayang
(Smt.)
24. Kempas
Koompassia
malaccensis Maing.
Hampas, impas, tualang
ayam
25. Kenanga Cananga sp. Kananga
26. Keranji
Dialium spp.; mis. D.
indum L., D.
platysepalum Baker,
D. procerum
(v.Steen.) Stey
Kayu lilin; Maranji
27. Ketapang Terminalia spp. Kalumpit, Klumprit,
Jelawai, Jaha
28. Ketimunan Timonius spp. Seranai, Temirit, Kayu reen
29. Lancat Mastixiodendron spp. Kundur, Modjiu, Raimagago
30. Lara
Metrosideros spp. dan
Xanthostemon spp. Lompopaito, Nani, Langera
31. Mahang Macaranga spp. Merkubung, Mara, Benua
32. Medang Litsea firma Hook f.;
Dehaasia spp.
Manggah, Huru kacang,
Keleban, Wuru, Kunyit
33. Mempisang
Mezzetia parviflora
Becc.; Xylopia spp.;
Alphonsea spp.;
Kandelia candel
Druce
Mahabai, Hakai rawang,
Empunyit, Jangkang,
Banitan, Pisang-pisang
34. Mendarahan
Myristica spp., Knema
spp.
Darah-darah, Tangkalak,
Au-au, Ki mokla, Kumpang,
Kayu luo, Huru
35. Menjalin Xanthophyllum spp. Lilin, Ki endog, Segi landak
36. Mentibu
Dactylocladus
stenostachys Oliv. Jongkong, merebung
37. Merambung Vernonia arborea Merambung, sembung
14
Han.
38. Punak
Tetramerista glabra
Miq.
Kayu malaka (Smt.), cerega
(Klm.)
39. Puspa
Schima spp.; terutama
S. wallichii Korth.
Seru (Jw.), simartolu (Smt.),
madang gatal (Klm.)
40. Rengas Gluta aptera (King)
Ding Hou Rengas tembaga, Rangas
41. Saninten
Castanopsis argentea
A. DC.
Sarangan (Jw.), ki hiur
(Sd.), kalimorot
42. Sengon Paraserianthes
falcataria (L) Nielsen
Jeungjing, Tawa kase, Sika
(Maluku)
43. Sepat
Berrya cordofolia
Roxb. Waru gunung, Kalong
44. Sesendok
Endospermum spp.;
mis. E. diadenum
(Miq.) Airy Shaw, E.
moluccanum (T & B)
Kurz, E. peltatum
Merr.
Sendok-sendok, kayu labuh
(Smt.), kayu bulan (Mly.),
garung (Klm.); Kayu raja
(Mlku.)
45. Simpur
Dillenia spp.; mis. D.
grandifolia Wall., D.
obovata Hoogl., D.
pentagyna Roxb.
Sempur, segel, janti, dongi
46. Surian Toona sureni Merr. Suren, kalantas
47. Tembesu
Fagraea spp.; mis. F.
fragrans Roxb., F.
sororia J.J. Sm.
Tomasu (Smt.), kulaki
(Slw.), malbira, ki tandu
48. Tempinis Sloetia elongata Kds. Damuli, Kayu besi
49. Tepis
Polyalthia glauca
Boerl.
Banitan, Pemelesian, Kayu
tinyang, Kayu bulan, Banet,
Kayu kalet
50. Tenggayun Parartocarpus spp. Buku ongko, Pejatai, Purut
bulu
51. Terap Artocarpus spp. Cempedak, Kulur, Tara,
Teureup
52. Terentang
Campnosperma spp.;
mis. C. auriculatum
(Bl.) Hook.f., C.
brevipetiolatum
Volkens, dll.
Tumbus (Smt.), pauh lebi
53. Terentang ayam Buchanania spp. Pauhan, Antumbus,
Talantang
54. T u s a m Pinus spp. Pinus, Damar batu, Uyam
15
55. Utup Aromadendron sp. U t u p
Menurut Freddy Rangkuty (2004) persediaan merupakan suatu aktiva yang
meliputi barang-barang milik perusahaan dengan maksud untuk dijual dalam suatu
periode usaha tertentu, atau persediaan barang-barang yang masih dalam
pengerjaan atau proses produksi, ataupun persediaan bahan baku yang menunggu
penggunaannya dalam suatu proses produksi. Persediaan memiliki beberapa
tujuan di dalam suatu operasi perusahaan, menurut Barry Render dan Jay Haizer
(2001) tujuan-tujuan persediaan dijelaskan sebagai berikut:
1. Untuk memberikan suatu stok barang agar dapat memenuhi
permintaan dari konsumen.
2. Untuk memasangkan produksi dengan distribusi.
3. Untuk mengambil keuntungan dari potongan jumlah, karena
pembelian dalam jumlah besar dapat secara, substansial menurunkan
biaya produk.
4. Untuk kelakukan hedging terhadap inflasi dan perubahan harga.
5. Untuk menghindari dari kekurangan stok, yang dapat terjadi dikarena
oleh cuaca, kekurangan pasokan, masalah mute atau pengiriman yang
tidak tepat.
6. Untuk menjaga kegiatan produksi dapat berjalan dengan baik.
Dilihat dari fungsi persediaan itu sendiri, menurut Sofjan Assauri (2004),
jenis-jenis persedian dibagi sebagai berikut:
a. Batch Stock (Lot Size Inventory)
16
Yaitu persediaan yang diadakan karena membeli atau membuat bahan-
bahan atau barang-barang dalam jumlah besar daripada jumlah yang
dibutuhkan saat itu.
b. Fluctuation Stock
Yaitu persediaan yang diadakan untuk mengahadapi fluktuasi
permintaan konsumen yang tidak dapat diramalkan.
c. Anticipation Stock
Yaitu persediaan yang diadakan untuk menghadapai fluktuasi
permintaan yang dapat diramalkan, berdasarkan pola musiman yang
terdapat dalam satu tahun dan untuk menghadapi penggunaan atau
penjualan permintaan yang meningkat.
Menurut Pardede (2005) biaya-biaya persediaan (inventory costs) adalah
segala biaya yang timbul sebagai akibat dari diadakannya persediaan. Dalam hal
ini perlu diperhatikan bahwa didalam perencanaan dan pengendalian persediaan,
tidak semua biaya harus dipertimbangkan melainkan hanya biaya-biaya yang
jumlahnya berubah dengan perubahan waktu atau titik pemesanan serta jumlah
pesanan. Apabila terdapat biaya yang harus dibayar untuk pengadaan persediaan,
tetapi jumlahnya tidak dipengaruhi oleh aturan kerja (waktu pemesanan dan
jumlah pesanan) maka biaya tersebut harus diabaikan dalam perhitungan.
Untuk meminimalkan modal atau biaya produksi perlu dilakukan suatu
pengendalian persediaan. Pengendalian adalah suatu tindakan agar aktifitas
dilakukan dengan sebaik-baiknya sesuai dengan rencana yang telah ditetapkan.
Suatu kegiatan memperkirakan kebutuhan persediaan bahan baku, baik secara
kulitatif maupun kuantitatif. Agar perusahaan dapat beroperasi seperti yang
17
direncanakan, jadi singkatnya bahwa arti dari perencanaan dan pengendalian
persediaan bahan baku, persediaan bahan setengah jadi dan persediaan barang
jadi. Secara keseluruhan diartikan sebagai upaya menentukan besarnya tingkat
perseiaan dan mengendalikannya dengan efisien dan efektif.
Salah satu tujuan dari pengendalian persediaan adalah meminimalkan biaya-
biaya yang timbul akibat dari adanya persediaan tersebut. Adapun biaya-biaya
tersebut adalah:
a. Holding cost, adalah biaya yang ditimbulkan oleh penyimpanan persediaan
dalam gudang pada periode waktu tertentu, termasuk pula di dalamnya
biaya asuransi, penyusutan, bunga dan lain-lainnya.
b. Ordering/Setup cost. Ordering cost adalah biaya yang ditimbulkan oleh
adanya kegiatan pemesanan persediaan dalam sekali pesan, misal:
formulir, supplies, proses pemesanan dan administrasi; selama
bahan/barang belum tersedia untuk diproses lebih lanjut. Sementara setup
cost adalah biaya untuk mempersiapkan mesin atau proses produksi untuk
membuat suatu pesanan atau biaya-biaya yang dibutuhkan untuk
melakukan penyesuaian pada saat bahan/barang diproses. Secara
prinsip, setup cost adalah order cost pada saat bahan telah/sedang
diproses. Pada banyak kasus, setup cost sangat berkorelasi dengan setup
time (setup time dapat dieliminasi dengan inovasi mesin dan perbaikan
standard bahan baku).
c. Stock out cost, adalah kerugian akibat demand tidak terpenuhi pada periode
tertentu, seperti: kehilangan penjualan, kehilangan pelanggan, biaya
18
pemesan-an khusus, adanya selisih harga, terganggunya operasi, dan
tambahan pengeluaran kegiatan manajerial.
Secara umum model-model pengandalian persediaan adalah:
a. Model Pengendalian Deterministik
Model yang menganggap semua parameter telah diketahui dengan pasti.
Yang termasuk ke dalam model deterministic adalah EOQ (economic
order quantity), POQ (production oerder quantity), quantity discount, ELS
(economic lot size), dan back oerder inventory.
b. Model Pengendalian Probabilistik
Metode yang digunakan untuk pengendaliaan probabilistic adalah sistem
Q dan sistem P. Sistem Q (continuous riview method) memecahkan
persoalan persediaan probabilistik dengan memandang bahwa posisi
barang yang tersedia di gudang sama dengan posisi persediaan barang
pada sistem determistik dengan menambahkan cadangan pengaman (Safety
Stock). Sistem P (periodic riview method) adalah suatu sistem
pengendalian persediaan yang jarak waktu antar dua pesanan adalah tetap.
Persediaan pengaman dalam sistem ini tidak hanya dibutuhkan untuk
meredam fluktuasi permintaan selama lead time, tetapi juga untuk seluruh
konsumsi persediaan.
2.2 Dasar Optimasi dan Metode-Metode Optimasi
Optimasi adalah salah satu disiplin ilmu dalam matematika yang fokus untuk
mendapatkan nilai minimum atau maksimum secara sistematis dari suatu fungsi,
peluang, maupun pencarian nilai lainnya dalam berbagai kasus. Optimasi juga
dapat diartikan sebagai suatu bentuk mengoptimalkan sesuatu hal yang sudah ada,
19
ataupun merancang dan membuat sesusatu secara optimal (nilai efektif yang dapat
dicapai). Optimasi dalam matematika dasar sering dikaitkan dalam pencarian nilai
yang tertinggi atau nilai yang terendah bahkan niali yang terbaik dari suatu
persamaan yang dibentuk dari kendala-kendala yang ditentukan.
Optimasi sangat berguna dihampir semua bidang dalam rangka melakukan
usaha secara efektif dan efisien untuk mencapai target hasil yang diinginkan.
Tentunya hal ini sangat sesuai dengan prisnsip ekonomi yang menekan
pengeluaran untuk menghasilkan output atau hasil yang maksimal.
Pada kasus produksi barang, optimasi bahan baku akan memberikan pengaruh
besar terhadap keuntungan perusahaan. Optimasi bahan baku berpengaruh pada
sektor finansial karena dapat memperkirakan pembelanjaan bahan baku,
meminimalkan biaya produksi maupun biaya transportasi, serta persediaan
barang. Langkah-langkah optimasi secara umum adalah sebagai berikut:
1. Mengidentifikasi masalah
2. Memilih tujuan
3. Mendefinisi sistem
4. Kontruksi simulasi, simplikasi, dan verfikasi
5. Membuat fungsi tujuan dan kendala
6. Menyelesaikan degan metode pendekatan
Beberapa contoh kasus optimasi diantaranya adalah TSP (traveling salesmen
problem), MST (minimum spanning tree), dan knapsack problem. Untuk
menyeselesaikan kasus-kasus tersebut dibutuhkan teknik optimasi dalam
algoritmanya. Algortima tersebut harus bisa memilih salah satu solusi terbaik dari
sejumlah solusi pemecahan masalah yang ada. Metode-metode yang dapat
20
digunakan untuk menyelesaikan kasus optimasi diantaranya metode Brute Force,
Greddy, Dinamic Programming, dan Monte Carlo. Setiap metode memiliki sifat
dan ciri yang berbeda-beda misalnya metode Brute Force memiliki sifat optimal
akan tetapi lama dalam waktu running, Greddy memiliki sifat cepat tapi kurang
optimal, Dinamic Programming memiliki sifat optimal dan cukup cepat dalam
running, sedangkan Monte Carlo memiliki sifat mendekati optimal dan cepat.
Algoritma optimasi dibagi menjadi dua jenis, yaitu optimasi pendekatan
deterministic dan optimasi pendekatan probabilistic. Yang termasuk ke dalam
optimasi deterministic adalah State Space Search, Dynamic Programming, dan
Branc and Bound. Sedangkan algoritma yang termasuk optimasi probabilistic
adalah algoritma Monte Carlo dan Evolutionary Computation.
Evolutionary Computation adalah abstraksi dari teori evolusi biologis yang
digunakan untuk membuat prosedur atau metodologi optimasi. Dasar dari
algoritma ini yaitu bagaiman proses evolusi dapat terjadi pada mahluk hidup.
Yang menganggap bahwa hasil setiap evolusi itu menjadi lebih baik dan optimal.
Yang termasuk ke dalam algoritma Evolutionary Computation daintaranya adalah
swarn intellegnce. Algoritma ini didasarkan dari kecerdasan kelompok. Dengan
semakin banyak anggota kelompok dan terkumpulnya kecerdasan-kecerdasan
individual maka akan menyebabkan kecerdasan kelompok yang luar biasa.
Beberapa yang termasuk ke dalam algoritma swarm intelligent diantaranya
Particel Swarm Optimization, Ant Colony Optimization, dan Artificial Bee Colony
Optimization.
Selanjutnya Evoutionary Algorithm (EAs) adalah algoritma-algoritma yang
mengimplementasikan abstraksi Evolutionary Computation. Algoritma ini
21
terinspirasi dari suatu mekanisme dalam ilmu biologi tentang mutasi, pindah
silang (crossover), seleksi alam, dan kelangsungan hidup. Dan yang termasuk
kedalam agoritma ini adalah Genetic Algorithm (GA).
2.3 Integrasi Optimasi dengan Islam
Islam senantiasa mengajarkan untuk tidak berlebih-lebihan dalam segala hal.
Islam membawa manusia untuk berlaku adil dan tak melampaui batas. Karena
segala sesuatu yang melampaui batas itu buruk. Allah Swt. berfirman dalam surat
Al Isra ayat 27:
رينإن نٱلمبذ طين كانواإخو نوكانٱلش ي ٧٢كفوراۦلرب هٱلش يط
“Sesungguhnya pemboros-pemboros itu adalah saudara-saudara syaitan dan
syaitan itu adalah sangat ingkar kepada Tuhannya” (QS. Al Isra/17:27).
Surat di atas menjelaskan bahwa Allah melarang berlebih-lebihan dalam
berinfak, dan menyuruh melakukannya secara seimbang/pertengahan. Dengan
(perintah untuk) menjauhi tindakan mubadzir dan berlebih-lebihan. Yakni, dalam
hal itu mereka menjadi orang yang serupa dengan syaitan. Ibnu Mas’ud
mengatakan: “Tabdzir ialah infak yang tidak pada tempatnya.” Demikian pula
yang dikemukakan oleh Ibnu ‘Abbas (Ibnu Katsir, 2003).
Sama halnya dengan proses optimasi yang memiliki maksud mengoptimalkan
sesuatu guna mencapai hasil yang menguntungkan dan yang terbaik. Dalam
proses produksi suatu perusahaan mengharuskan mendapati bahan baku, biaya,
dan waktu yang paling optimal. Artinya, untuk proses produksi, bahan baku tidak
boleh berlebihan ataupun kurang. Sehingga inventori perusahaan tidak sampai
terjadi penimbunan bahan baku atau kurang bahan baku. Bahan baku juga harus
dipilih dan dipilah agar hasil produksi memiliki mutu yang bagus dan terbaik. Dan
22
kita sebagai muslim yang berakal hendaknya memilih sesuatu hal yang paling
baik. Allah Swt. berfirman dalam surat Az Zumar ayat 18:
ٱل ذين أحسنهٱلقوليستمعون ۥ فيت بعون ئك ٱل ذينأول هم هدى همٱلل ئك
وأول
بأولوا ٨١ٱللب
“Yang mendengarkan perkataan lalu mengikuti apa yang paling baik di
antaranya. Mereka itulah orang-orang yang telah diberi Allah petunjuk dan
mereka itulah orang-orang yang mempunyai akal” (QS. Az Zumar/39:18).
Dalam ayat di atas yang dimaksud “Mereka itulah orang-orang yang telah
diberi Allah petunjuk”, yaitu orang-orang yang telah diberi petunjuk oleh Allah di
dunia dan di akhirat. Mereka adalah yang mempunyai akal sehat dan fitrah yang
lurus (Ibnu Katsir, 2003). Jelas kita sebagai mahluk Allah yang telah diberikan
kesitimewaan berupa akal, hendaklah kita menjadi manusia yang tidak berbuat
rusak terhadap sesama, dan terlebih bumi tempat kita tinggal. Bukankah, orang
yang berakal itu ialah orang yang bisa membedakan yang baik dan yang buruk.
Untuk itu hendaklah kita tidak serta-merta merusak Bumi ini. Seperti halnya
penebangan liar dan ilegal, yang dapat mengakibatkan banyak bencana.
Khususnya bencana alam seperti yang sering kita jumpai, tanah longsor, banjir,
dan lain-lain.
Dalam keseharian manusia hendaklah selalu menggunakan akalnya dalam
menjaga dan melestarikan lingkungan. Terlebih lagi kita masuk di mana planet
bumi mengalami pemanasan global (global warming). Peristiwa pemanasan
global adalah meningkatnya suhu rata-rata atmosfer, laut, dan daratan bumi. Salah
satu penyebab terjadinya hal ini karena aktivitas manusia. Aktivitas-aktivitas itu
menyebabkan efek rumah kaca yang berlebihan sehingga berdampak buruk bagi
23
bumi. Di sini sebagai umat manusia, khususnya muslim yang berakal sehat dan
mempunyai fitrah kita sangat dianjurkan untuk menjaga kelangsungan dan
kelestarian bumi. Allah juga telah menunjukkan kekuasaan-Nya dengan
mendatangkan bencana alam, yang tidak lain merupakan akibat dari kemunkaran
sikap manusia. Dari bencana-bencana itu, hendaknya kita semakin sadar dan
peduli dengan apa kita perbuat dan dampaknya dikemudian hari.
Di zaman secanggih dan modern seperti sekarang dengan berkembangnya
ilmu pengetahuan, manusia sudah mempunyai cara atau pencegahan dalam hal-hal
yang sekiranya merugikan seperti di atas. Misal, dalam industri mebel dan jual
beli kayu. Pemerintah sudah menyediakan badan atau lembaga seperti Perhutani
untuk menyediakan berbagai jenis kayu. Sehingga kayu-kayu yang diperjual-
belikan melalui proses penebangan yang legal dan resmi. Kayu-kayu tersebut
memiliki surat izin tersendiri. Dan untuk menanggulangi kayu yang telah ditebang
tersebut, maka Perhutani juga melakukan tanam pohon kembali atau lebih dikenal
dengan reboisasi. Sama seperti kita menanam padi di sawah, padi yang sudah siap
untuk dipanen kita panen, yang selanjutnya kita tanami lagi sawah dengan padi
atau dengan tanaman lainnya.
Dalam Islam juga banyak anjuran untuk kita melestarikan alam. Para ahli ilmu
dan ulama mengatakan sedekah jariyah memiliki berbagai bentuk dan cara.
Seperti membangun tempat shalat berupa masjid atau musholla, membangun
jalan, membangun jembatan, menanam tumbuhan baik berupa pohon, biji-bijian,
atau tanaman pangan dan lain-lain. Seperti dalam hadis Rasulullah SAW.,
bersabda:
24
، ان أو ب، ةمي نس،ي أو إ رعا ف،ي،أك منه ط، ع ز، ،غرس غ،رسا أو ي،زر، ا من مسل ي م،
ق، د، به ص، ن، ل، لا ك، إ
“Tak ada seorang muslim yang menanam pohon atau tanaman, lalu burung
memakannya atau manusia atau hewan, kecuali ia akan mendapatkan sedekah
karenanya” (HR. Bukhori dan Muslim).
Hadis di atas menjelaskan bahwa, jika ada seorang muslim yang menanam
pohon atau tanaman, kemudian apa yang ditanam tadi dimakan manusia atau
hewan sekalipun, sudah termasuk bentuk sedekah. Dan manusia yang menanam
akan mendapat pahala sedekah darinya. Hal ini menunjukkan bahwa Allah adalah
sebaik-baiknya Dzat. Allah mengantinya dengan pahala sebagai balasannya. Hal
tersebut kalau kita umpamakan dalam kehidupan dapat berupa petani yang
bercocok tanam, bahkan kegiatan seperti reboisasi. Reboisasi atau menanam
kembali juga dapat kita kategorikan ke dalam hadis di atas. Reboisasi merupakan
upaya dan usaha kita dalam menjaga, melestarikan lingkungan dan untuk
invenstasi di masa depan. Tak heran Islam memerintahkan umatnya untuk
memanfaatkan tanah dan menanaminya sebagaimana disabdakan oleh Rasulullah
SAW.,
، ، ،ا ف، ، غرس، تا ي ،قوم، ح، اع، أن ل، ي ت،ط، ن إس ل، ف،ا دك ف،س ،د أح، ب اع، و، ت إلسا ن ق،ام،
إ
“Jika hari kiamat telah tegak, sedang ditangan seorang diantara kalian
terdapat bibit pohon korma; jika ia mampu untuk tidak berdiri sampai ia
menanamnya, maka lakukanlah” (HR. Ahmad).
Hadis di atas juga sudah jelas bahwa menanam pohon, biji dan lainnya
merupakan amal saleh dan bentuk kepedulian kita untuk bumi. Sebagai manusia
dan muslim yang berakal hendaknya memperhatikan hal-hal yang demikian.
Sudah banyak kampanye-kampanye atau gerakan tentang One Man One Tree
25
artinya satu orang menanam (paling sedikit) satu pohon. Gerakan semacam ini
dicanangkan oleh Presiden Susilo Bambang Yudhoyono di Hari Penanaman
Pohon Nasional, 28 November 2008. Diperkuat dengan Keppres RI Nomor 24
Tahun 2008 tentang Hari Menanam Pohon Nasional.
Dalam hal ini proses optimasi memiliki esensi yang sama, yaitu dengan
mengoptimalkan kebutuhan bahan baku yakni kayu dengan sebaik-baiknya. Tentu
sesuai dengan aturan-aturan yang telah ada. Melalui optimasi ini diharapkan agar
dikemudian hari dapat memberikan rekomendasi perkiraan bahan baku. Sehingga
bisa menjadi salah satu tolak ukur dipasar global kayu.
2.4 Algoritma Genetika
Algoritma Genetika (AG) pertama kali dikembangkan oleh John Holland
pada tahun 1970-an di New York, Amerika Serikat. John Holland beserta murid-
murid dan teman kerjanya berhasil membuat buku berjudul "Adaption in Natural
and Artificial Systems" pada tahun 1975. Melalui sebuah penelitian dan
dipopulerkan oleh salah satu muridnya, David Goldberg (1989) yang
mendefenisikan algoritma genetik ini sebagai metode algoritma pencarian
berdasarkan pada mekanisme seleksi alam dan genetik alam. Algoritma Genetika
adalah simulasi dari proses evolusi Darwin dan operasi genetika atas kromosom.
(Kusumadewi, 2010). Sehingga, Algoritma Genetika termasuk ke dalam
kelompok metode Evolutionary Algorithm.
Menurut Suyanto (2011), Algoritma Genetika adalah algoritma pencarian
yang didasarkan pada mekanisme seleksi alamiah dan genetika alamiah. Pada
awalnya, AG memang digunakan sebagai algoritma pencarian parameter-
26
parameter optimal. Tetapi, dalam perkembangannya, AG dapat diaplikasikan
dalam berbagai masalah lain, seperti learning, peramalan, pemrograman otomatis,
dan sebagainya. Pada bidang soft computing, AG banyak digunakan untuk
mendapatkan nilai-nilai parameter yang optimal pada JST (jaringan syaraf tiruan)
dan system fuzzy.
Terdapat dua istilah biologi yang sudah tidak asing lagi didengar dalam teori
evolusi. Berikut pembahasan mengenai kedua istilah tersebut.
1. Seleksi Alamiah
Secara sederhana diilustrasikan dalam kasus populasi jerapah.
Pada suatu kondisi dimana jumlah makanan sangat terbatas dan
berada di tempat yang tinggi, maka jerapah berleher panjang akan
hidup, karena dapat menjangkau makanan dan jerapah berleher
pendek akan mati. Dalam hal ini, jerapah berleher panjang dikatakan
sebagai individu yang unggul atau memiliki kualitas tinggi sehingga
lolos dari proses seleksi alamiah.
2. Genetika Alamiah
Sebuah mekanisme yang sangat rumit, dijelaskan dalam bidang
ilmu biologi sebagi sekumpulan individu yang sama (yang disebut
spesies) hidup, bereproduksi, dan mati dalam suatu area yang disebut
dengan populasi.
Proses seleksi alamiah ini melibatkan proses dasar yang menjadi
perhatian utama. Dalam AG prosedur pencarian hanya didasarkan
pada nilai fungsi tujuan, tidak ada pemakaian gradient atau teknik
kalkulus.
27
Berikut adalah siklus Algoritma Genetika:
Gambar 2. 1 Siklus Algoritma Genetika
2.4.1 Komponen-Komponen Algoritma Genetika
AG terdiri dari delapan komponen yaitu: sekema pengkodean, nilai fitness,
seleksi orang tua, pindah silang (crossover), mutasi, etilisme (untuk AG berjenis
generational replacement), penggantian populasi, dan kriteria penghentian.
1. Skema Pengkodean
Skema pengkodean atau inisialisasi merupakan proses awal yang
harus dilakukan untuk menciptakan individu-individu secara acak.
Individu atau populasi tersebut memiliki susunan gen (kromosom)
yang mewakili solusi dari permasalahan yang akan dipecahkan
(Mahmudy, 2013). Berbeda dengan teori genetika di dunia nyata yang
mempresentasikan gen sebagai deretan bases A, C, T, dan G, AG
mempresentasikan gen (buatan) secara umum, sebagai bilangan real,
decimal atau biner, yaitu:
Real-number encoding. Pada skema ini, nilai gen berada
dalam interval [0, R], dimana R adalah bilangan real positif
dan biasanya R=1.
28
Discrete decimal encoding. Pada skema ini, setipa gen bisa
berupa deretan bilangan bulat dalam interval [0, 9].
Binary encoding. Setaip gen bisa berupa deretan nilai 0 atau
1.
2. Pembentukan Populasi Awal
AG adalah algoritma heuristik yang bekerja pada populasi, yaitu
kumpulan kromosm atau solusi yang akan diperbaharui pada setiap
generasinya. Maka tahap pertama adalah pembentukan populasi awal
yang berisi kumpulan kromosom sebanyak ukuran populasi atau
popsize. Pembentukan populasi awal biasanya dilakukan secara acak.
Namun dalam perkembangannya, pembentukan populasi awal dapat
dilakukan dengan berbagai cara menjadi lebih cepat konvergen ke
solusi optimal. Misalnya menggunakan metode NEH yang
selanjutnya diteruskan metode Local Search.
3. Nilai Fitness
Pada evolusi di dunia nyata, individu bernilai fitness tinggi akan
bertahan hidup. Sedangkan individu bernilai fitness rendah akan mati.
Pada AG, suatu individu dievaluasi berdasarkan suatu fungsi tertentu
sebagai ukuran nilai fitness-nya. Pada masalah optimasi, jika solusi
yang dicari adalah memaksimalkan sebuah fungsi h (masalah
maksimasi), maka nilai fitness yang digunkan adalah nilai dari fungsi
h tersebut, yakni f = h (dimana f adalah niali fitness). Tetapi jika
masalahnya dalah meminimalkan fungsi h (masalah minimasi), maka
fungsi h tidak bisa digunakan secara langsung. Hal ini disebabkan AG
29
menggunakan suatu aturan bahwa individu yang memiliki nilai fitness
lebih tinggi akan memiliki kemampuan bertahan hidup lebih tinggi
dibandingkan individu yang berniali fitness rendah. Oleh karena itu,
nilai fitness untuk masalah minimasi adalah f = 1/h, yang artinya
semakin kecil nilai h semakin besar nilai f. tetapi fungsi ini akan
bermasalah jika h bisa bernilai o, yang megakibatkan f bisa bernilai
tak hingga. Untuk mengatasi masalah tersebut, h perlu ditambah
dengan sebuah bilangan yang dianggap sangat kecil, sehingga
formula fungsi fitness-nya menjadi , dimana a adalah
bilangan yang dianggap sangat kecil dan bervariasi sesuai dengan
masalah yang akan diselesaikan.
4. Seleksi Orang Tua
Proses pemilihan dua individu sebagai orang tua biasanya
dilakukan secara proposional berdasarkan nilai-nilai fitness-nya. Slah
satu metode seleksi yang umum digunakan adalah roulette-wheel.
Sesuai dengan namanya, metode ini umum digunakan roulette-wheel
dimana masing-masing individu menempati potongan lingkaran pada
roda roulette secara proposional sesuai dengan nilai fitness-nya.
Dapat dilihat pada halaman selanjutnya.
30
String Nilai Fitness
S1 0.6
S2 0.2
S3 0.6
S4 0.2
S5 0.8
S6 0.2
S7 0.2
S8 0.2
S9 0.2
Jumlah 3.3
Gambar 2. 2 Contoh Seleksi Orang Tua Menggunakan Roulette-
Wheel
Individu S5 bernilai fitness paling besar menempati seperempat
lingkaran roda roulette. Dengan demikian, S5 memiliki peluang
sebesar 0.25 untuk terpilih sebagai orang tua.
5. Pindah Silang
Pada proses pindah silang (crossover) terjadi kombinasi pewarisan
gen-gen dari induknya, gen-gen dari kedua induk dapat bercampur
sehingga dihasilkan susunan kromosom yang baru. Dari proses
tersebut akan dihasilkan variasi genetik. Dengan suatu skema tertentu,
dua individu dipilih sebagai orang tua. Setelah didapatkan dua
individu orang tua, selanjutnya ditentukan titik pindah silang secara
acak.
Jika diasumsikan L adalah panjang kromosom, maka titik pindah
silang berada antara 1 sampai L-1. Kemudian beberapa bagian dari
dua kromosom ditukar pada titik pindah silang yang dipilih. Titik
pindah silang adalah titik terjadinya pertukaran gen antar dua individu
31
orang tua. Pertukaran tersebut akan mengahsilkan dua individu anak.
Terdapat tiga skema pindah silang yang biasa digunakan, yaitu:
Pindah silang satu titik (single-point crossover)
Pindah silang ini merupakan skema pindah silang yang
paling sederhana. Titik pindah silang hanya satu dengan posisi
yang dibangkitkan secara acak.
Gambar 2. 3 Contoh Pindah Silang Satu Titik
Pindah silang banyak titik (multi-point crossover)
Pada suatu masalah tertentu dimana suatu individu terdiri
dari sangat banyak gen (misalkan 1000 gen), mungkin akan
memerlukan lebih dari satu titik pindah silang. Banyaknya
titik pindah silang ini mempengaruhi pola pertukaran gen-gen
antar individu orang tua.
Gambar 2. 4 Contoh Pindah Silang Banyak Titik (lebih dari
satu)
Dalam contoh ini terdapat dua titik pindah silang yang
dibangkitkan secara acak.
32
Pindah silang pola seragam (uniform crossover)
Dengan operasi pindah silang pola seragam maka
komposisi gen-gen tertentu pada suatu individu dapat
dipertahankan. Hal ini akan memudahkan proses pencarian
solusi.
Gambar 2. 5 Contoh Pindah Silang Pola Seragam
Dalam contoh ini pindah silang dilakukan berdasrkan suatu
pola tertentu. Pindah silang dilakukan jika pola berniali 0.
6. Mutasi
Mutasi diperlukan mengembalikan informasi bit yang hilang akibat
crossover. Mutasi diterapkan dengan probabilitas yang sangat kecil.
Jika mutasi dilakukan terlalu sering, maka akan mengahsilkan
individu yang lemah karena konsfigurasi gen pada individu yang
unggul akan dirusak. Berdasarkan bagian yang termutasi, proses
mutasi dapat dibedakan atas tiga bagian:
Mutasi pada tingkat kromosom: semua gen dalam kromosom
berubah.
33
Gambar 2. 6 Contoh Mutasi Tingkat Kromosom
Semua gen dalam kromosom berubah. Pada contoh di atas,
gen tang tadinya bernilai 0 berubah menjadi 1 dan gen yang
tadinya bernilai 1 berubah menjadi 0.
Mutasi pada tingkat gen: semua bit dalam satu gen akan
berubah. Misal gen 2 yang mengalami mutasi.
Gambar 2. 7 Contoh Mutasi Tingkat Gen. Semua Bit dalam
Satu Gen Berubah
Mutasi pada tingkat: hanya satu bit yang berubah.
Gambar 2. 8 Contoh Mutasi Tingkat Bit. Hanya Satu Bit yang
Berubah
Prosedur mutasi sangat sederhana. Untuk semua gen yang ada, jika
bilangan random yang dibangkitkan kurang dari probabilitas mutasi
(pmut) yang ditentukan maka ubah gen tersebut menjadi nilai
kebalikannya (dalam binary encoding, 0 diubah 1, dan 1 diubah 0).
biasanya pmut sebesar ini berarti mutasi hanya terjadi sekitar satu gen
saja. Nilai pmut yang besar akan tidak menguntungkan cenderung
merusak kromosom yang sudah bagus.
34
7. Elitisme
Karena seleksi dilakukan secara acak, maka tidak ada jaminan
bahwa individu berbilai fitness tertinggi akan selalu terpilih.
Kalaupun individu bernilai fitness tertinggi terpilih, mungkin saja
individu tersebut akan rusak karena proses pindah silang. Untuk
menjaga agar individu bernilai fitness tertinggi tidak hilang selama
evolusi, perlu dibuat satu atau dua kopinya. Prosedur ini dikenal
sebagai elitisme. Prosedur hanya digunakan pada AG berjenis
generational replacement.
8. Pengganti Populasi
Pada AG berjenis generational replacement, N individu pada suatu
generasi digantikan sekaligus oleh N individu baru hasil pindah silang
dan mutasi. Untuk mempertahankan individu terbaik, diperlukan
skema elitism seperti dijelaskan di atas.
Prosedur yang dapat digunakan pada skema penggantian populasi
pada AG berjenis steady-state:
Selalu mengganti individu yang memiliki nilai fitness terkecil.
Selalu mengganti individu yang paling tua.
Membandingkan anak dengan kedua orang tua. Apabila anak
memiliki nilai fitnass yang lebih baik daripada salah satu atau
kedua orang tua, maka anak menggantikan orang tua yang
memiliki nilai fitness terendah. Skema ini dapat menjaga
keanekaragaman yang lebih baik disbanding skema
sebelumnya. Dengan mengganti orang tua yang memiliki
35
Hamming Distance (beda bit) yang lebih sedikit, penggantian
tersebut dapat diharapkan tidak cepat menghilangkan
keragaman.
9. Kriteria Penghentian
Terdapat berbagai macam kriteria penghentian yang bisa
digunakan, tiga diantaranya adalah:
1. Memberikan batasan jumlah iterasi. Apabila batas iterasi
tersebut dicapai, iterasi dihentikan dan laporkan individu
bernilai fitness tertinggi sebagai solusi terbaik.
2. Memberikan batasan waktu proses AG. Kriteria ini digunakan
pada system-sistem waktu nyata (real time system), dimana
solusi harus ditemukan paling lama, misalkan ~ menit.
Dengan demikian, AG bisa dihentikan ketika proses sudah
berlangsung selama hampir 3 menit.
3. Menghitung kegagalan penggantian anggota populasi yang
terjadi secara berurutan sampai jumlah tertentu. Misalkan,
setelah 100 iterasi tidak ada penggantian individu dalam
populasi karena individu anak yang dihasilkan selalu memiliki
niali fitness yang lebih rendah daripada orangtuanya. Dalam
kondisi seperti ini, kita bisa menghentikan itersasi.
Secara sederhana, algoritma umum dari Algoritma Genetika ini
dapat dirumuskan menjadi beberapa langkah, yaitu:
1. Membentuk suatu populasi individual dengan keadaan acak.
36
2. Mengevaluasi kecocokan setiap individual keadaan dengan
hasil yang diinginkan.
3. Memilih individual dengan kecocokan yang tertinggi.
4. Bereproduksi, mengadakan pindah silang antar individual
terpilih diselingi mutasi.
5. Mengulangi langkah 2 - 4 sampai ditemukan individual
dengan hasil yang diinginkan.
2.4.2 Algoritma Genetika untuk Masalah Optimasi
Ketika kita mendapatkan suatu masalah optimasi yang dapat dikonversi
menjadi sebuah fungsi, maka kita dapat dengan mudah menyelesaikan masalah-
masalah tersebut menggunakan AG. Misalkan kita ingin memaksimalkan
keuntungan penjualan dua buah produk. Kedua produk harus diproduksi antara 3
sampai 10 buah. Produk ke-1 menghasilkan keuntungan sebesar 3 satuan,
sedangkan produk ke-2 menghasilkan kerugian 2 satuan. Meskipun menghasilkan
kerugian, produk ke-2 harus tetap diproduksi agar produk ke-1 tetap laku di
pasaran. Berapa jumlah produk ke-1 dan ke-2 yang harus diproduksi untuk
mendapatakan keuntungan maksimum? Permasalahan tersebut dapat dituliskan
sebagai sebuah fungsi h berikut:
dimana Sehingga, masalah yang ingin diselesaikan adalah
bagaimana menemukan dan yang membuat fungsi h menjadi maksimum?
Pada interval tersebut, fungsi h mencapai maksimum, yakni bernilai 24, pada saat
dan
37
Langkah pertama yang harus dilakukan adalah mengkonversi suatu solusi
menjadi sebuah individu (satu individu mneyatakan satu solusi). Untuk mencari
nilai dari variabel dan perlu mengkodekan kedua variabel tersebut menjadi
sebuah individu. Ada banyak cara untuk mempresentasikan solusi ke dalam suatu
individu sebagai berikut:
Pertama, bisa memandang setiap variabel sebagai satu gen, sehingga
menghasilkan satu individu dengan satu kromosom yang berisi dua gen
dan masing-masing gen berisi satu nilai (bilangan real, desimal, atau
biner) atau lebih.
Kedua, adalah dengan memandang setiap variabel sebagai satu
kromosom, sehingga kita mendapat satu individu yang memiliki dua
kromosom dan masing-masing kromosom berisi sejumlah gen.
Misalkan menggunakan cara kedua, pada skema real number encoding, setiap
individu memiliki dua kromosom yang setiap kromosom berisi satu gen yang
dikodekan dalam satu bilangan real. Pada skema descrete decimal encoding,
setiap individu memiliki dua kromosom yang masing-masing kromosom memiliki
dua gen yang dikodekan sebagai dua bilangan bualat dalam interval [0,9].
Sedangakan pada skema binary encoding, setiap individu memiliki dua kromosom
yang masing-masing kromosom berisi 10 gen yang dikodekan sebagai bilangan
biner.
2.5 Penelitian Terkait
Algoritma genetika sudah banyak diaplikasikan dan dikembangkan dalam
berbagai penelitian. Seperti dalam penelitian Fan-Hsun Tseng dan Xiaofei Wang
38
(2017) yang menggunakan multiobjektif Algoritma Genetika untuk
mengoptimalkan pemanfaatan sumber daya fisik mesin. AG yang mereka usulkan
memperkirakan kebutuhan sumber daya slot waktu berikutnya sesuai dengan data
historis di slot waktu sebelumnya. Penelitan tersebut mencapai hasil bahwa solusi
optimal untuk prediksi sumber daya di bawah stabil, dan tidak stabil yang
ditemukan oleh AG.
Penelitian selanjutnya membahas tentang penggunaan Algoritma Genetika
untuk perancangan jalur udara tak berawak atau unnamed aerial vehicle (UAV).
AG tersebut dikombinasikan dengan optimasi pencarian wilayah (OSR-HGA).
Algoritma digunakan untuk mengurangi area pencarian secara otomatis dengan
mengevalusi distribusi sumber ancaman di wilayah misi (Jinghua Li, 2017). Hasil
percobaan menunjukkan bahwa metode tersebut dapat meningkatkan stabilitas
algoritma perencanaan jalan dengan mencari jalur yang lebih pendek dengan
biaya lebih rendah dan mengurangi terjadinya jalan memutar secara efektif.
Di lain penelitian AG digunakan dalam sistem pengambilan keputusan medis.
AG tersebut digunakan untuk mengoptimalkan pemilihan fitur data set (Dan
Wang, 2017). Hasil penelitian disajikan pada beberapa tolak ukur yang
menggambarkan hubungan antara fitur dan penyakit yang dipilih.
Selanjutnya AG diusulkan dalam penelitian Low Dencity Parity Check
(LDPC). LDPC dianggap sebagai pertukaran yang masuk akal antara kerumitan
dan keandalan komputasi. Dalam penelitian ini algoritma optimasi kode LDPC
menggunakan AG dan Linear Programming (LP) untuk menentukan variabel
node dan memeriksa kelainan derajat distribusi. Hasil dari penelitian ini
39
menunjukkan hasil sesuai yang diinginkan tapi dengan biaya yang cukup mahal
dan lebih model yang kompleks. Dari berbagai contoh penelitian yang ada
menunjukkan bahwa metode Algoritma Genetika (AG) banyak digunakan dalam
permasalahan seperti optimasi.
40
BAB III
METODE PENELITIAN
Pada bab ini akan dijelaskan tentang beberapa hal, yaitu tahapan penelitian
yang akan dilakukan, kebutuhan sistem yang akan dibuat dan penyelesaian
masalah optimasi perkiraan bahan baku mebel denagan menggunakan metode
Algoritma Genetika. Tahapan metodologi penelitian dapat dilihat pada gambar
3.1.
Gambar 3. 1 Alur Penelitian
3.1 Studi Literatur
Literatur dari beberapa bidang ilmu yang berhubungan dengan pembuatan
sistem aplikasi optimasi perkiraan bahan baku mebel dengan menggunakan
Algoritma Genetika, diantaranya:
41
Industri mebel
Dasar optimasi
Optimasi dalam Islam
Algoritma genetika
Penelitian Terkait
Literatur tersebut didapatkan dari buku, jurnal internasional, penelitian
sebelumnya, dan dokumentasi projek.
3.2 Analisis Kebutuhan Sistem
Analisis kebutuhan system ini bertujuan untuk mengidentifikasi system yang
akan dibuat, yang meliputi perangkat lunak (software) serta perangkat keras
(hardware). Berikut ini merupakan penjelasan dari perangkat lunak dan perangkat
keras yang akan digunakan.
a. Perangkat Lunak (software)
Editor Sublime Text digunakan sebagai kodifikasi program bahasa
PHP
Microsoft Excel 2013
Browser (peramban) seperti Chrome dan Mozilla Firefox
Diagram modeler Edraw Max 7.9
Xampp v3.2.2
MySQL sebagai database management system
42
b. Perangkat Keras (hardware)
Perangkat keras yang digunakan untuk membangun sistem yang
akan dibuat dan dikembangkan diantaranya adalah:
Laptop dengan processor Intel Core i3-4030U 1.9GHz
RAM 4 GB
Monitor 14 inc
3.3 Pengumpulan Data
Metode pengumpulan data dalam penelitian ini dilakukan dengan cara berikut:
Wawancara (Interview)
Data primer merupakan data yang diperoleh dari pengamatan yang dilakukan
secara langsung. Data ini didapatkan melalui wawancara dengan pihak pengusaha
mebel tersebut.
Data yang akan diolah merupakan data primer yang diambil langsung dari
sumber yakni mendatangi atau mewawancarai langsung pengusaha mebel.
Selanjutnya data yang akan digunakan merupakan data produk dari mebel dan
data permintaan pembeli. Data yang akan dihitung adalah data permintaan
pembeli setiap bulannya, dimulai dari bulan Januari – Desember tahun 2017.
Adapun data yang dibutuhkan adalah jenis produk, biaya produk per item,
harga jual per item, laba penjualan per item, jumlah permintaan terendah, jumlah
permintaan tertinggi, harga bahan baku, dan maksimal biaya produksi yang
disediakan dalam satu bulan. Jumlah permintaan terendah dan jumlah permintaan
tertinggi akan digunakan sebagai batasan mengacak nilai gen dalam kromosom.
43
Data lain yang harus diperhitungkan adalah maksimal biaya produksi dalam satu
bulan. Data maksimal biaya prosukdi diperukan agar solusi yang dihasilkan
melalui proses optimasi menggunakan Algoritma Genetika tidak melebihi batas
maksimal modal yang disediakan.
Data yang dibutuhkan pada proses optimasi bahan baku mebel menggunakan
Algoritma Genetika ditunjukkan pada tabel-tabel berikut.
Tabel 3. 1 Tabel Modal
Bulan Total Produksi Modal (Rp)
Januari 305 Rp60,000,000
Februari 235 Rp50,000,000
Maret 240 Rp50,000,000
April 180 Rp30,000,000
Mei 180 Rp30,000,000
Juni 400 Rp80,000,000
Juli 570 Rp100,000,000
Agustus 550 Rp86,000,000
September 370 Rp70,000,000
Oktober 240 Rp50,000,000
November 340 Rp70,000,000
Desember 325 Rp70,000,000
Tabel 3. 2 Tabel Kebutuhan Produksi
No. banyak
pengrajin
waktu
pengerjaan (hr)
Kebutuhnan
kayu (m)
Kayu
(loging)
Keterangan
(batang)
1 5 1 424.5 212.25 2
2 4 1 450 150 2
3 4 1 590.6 196.8667 2
4 1 3 372 124 1
5 1 3 439.2 146.4 1
6 1 2 780 260 3
7 1 1 60.48 30.24 1
8 4 1 100 50 1
44
Tabel 3. 3 Tabel Permintaan Pembeli Bulan Januari – Juni 2017
JenisProduk Biaya
Produksi Harga Jual
Laba
Januari Februari Maret April Mei Juni
Perminataan
Perminataan
Perminataan
Perminataan
Perminataan
Perminataan
Render
tinggi
rendah
tinggi
Render
tinggi
Render
tinggi
rendah
tinggi
rendah
tinggi
Paket bangku sekolah
400000 400000 0 70 100 40 80 20 40 0 0 20 50 80 110
Kusen 115000 150000 35000 20 30 15 20 40 60 40 60 30 40 50 60
Daun pintu 600000 700000 10000
0 35 60 30 40 40 50 45 70 35 50 50 80
Lemari sekolah 1050000 154500
0 49500
0 8 15 5 10 5 10 0 0 0 0 30 35
Lemari rumah tangga
1405000 250000
0 10950
00 5 10 0 0 3 10 5 10 2 5 5 10
Kursi ruang tamu
2150000 300000
0 85000
0 10 15 2 5 0 0 2 5 5 10 15 20
Meja guru 595000 100000
0 40500
0 20 25 20 30 30 45 20 35 0 0 25 35
Jendela 125000 250000 12500
0 35 50 27 50 15 25 20 35 17 25 40 50
45
Tabel 3. 4 Tabel Permintaan Pembeli Bulan Juli – Desember 2017
JenisProduk Biaya
Produksi Harga Jual
Laba Juli Agustus September Oktober November Desember
Perminataan
Perminataan
Perminataan
Perminataan
Perminataan
Perminataan
Paket bangku sekolah
400000 400000 0 160 200 50 200 90 100 20 50 80 100 80 150
Kusen 115000 150000 35000 65 70 20 70 45 50 35 50 40 50 20 40
Daun pintu 600000 700000 10000
0 80 85 60 80 55 80 40 60 45 60 25 40
Lemari sekolah 1050000 1545000 49500
0 25 30 10 30 20 30 0 0 20 30 12 20
Lemari rumah tangga
1405000 2500000 10950
00 30 40 20 40 10 20 0 0 15 20 5 10
Kursi ruang tamu 2150000 3000000 85000
0 10 15 3 10 4 10 0 0 0 0 12 15
Meja guru 595000 1000000 40500
0 50 70 40 70 50 60 0 0 20 30 15 20
Jendela 125000 250000 12500
0 50 60 30 50 15 20 40 60 40 50 20 30
46
3.4 Perancangan Sistem
3.4.1 Desain Sistem
Berikut adalah rancangan desain sistem yang akan dibuat dalam penelitian
ini:
Gambar 3. 2 Desain Sistem
47
Dari desain sistem di atas (gambar 3.2) menggambarkan alur sistem dalam
garis besarnya. Dalam sistem yang akan dibangun, input yang digunakan adalah
data permintaan mebel dengan format atau tamplate yang telah disediakan seperti
tabel 3.3 dan tabel 3.4. Kemudian data tersebut diolah melalui serangkaian proses
metode Algoritma Genetika. Proses pertama yaitu pembangkitan populasi awal,
yang akan menghasilkan banyak populasi yang dinginkan. Selanjutnya dipilih
secara acak dua individu dari populasi awal untuk dijadikan parent dalam proses
crossover. Dari proses crossover menghasilkan offspring atau keturunan sejumlah
yang ditetapkan parameter. Proses selanjutnya adalah mutasi, pemilihan parent
(orang tua) dan offspring mutasi hampir sama dengan proses crossover, yaitu
dengan memilih secara acak satu individu dari populasi awal. Kemudian nilai satu
indek gen akan berubah secara acak dimasing-masing offspring. Setelah
didapatkan hasil proses crossover dan mutasi, semua populasi atau individu
dihitung nilai fitnessnya. Kemudian dilakukan seleksi menggunakan nilai fitness
tersebut. Yaitu dengan mengurutkan nilai fitness dari nilai terbesar. Individu yang
mempunyai nilai fitness terbesar adalah solusi terbaik yang dihasilkan dari metode
Algoritma Genetika.
Setalah didapatkan solusi atau kromosom terbaik, dilakukan proses optimasi.
Proses optimasi ini akan menghasilkan keluaran berupa rekomendasi perkiraan
bahan baku per produk, dan dashboard atau visualisasi dari rekomendasi tadi.
48
3.4.2 Algoritma Genetika
a. Desain Kromosom
Bentuk representasi kromosom pada permasalahan ini merupakan
representasi menggunakan skema pengkodean discrete decimal encoding
yakni setiap gen berupa deretan bilangan bulat atau integer. Representasi ini
dipilih karena setiap gen dalam kromosom mewakili jumlah item yang akan
diproduksi dalam waktu satu bulan dan angka dapat berulang dalam satu
individu.
Dari tabel data produksi di atas menunjukkan panjang kromosom yang
digunakan adalah 7, karena setiap individu akan mewakili masing-masing
jenis produk.
Gambar 3. 3 Desain Kromosom
Keterangan:
a1: Paket bangku sekolah
a2: Kusen
a3: Daun pintu
a4: Lemari sekolah
a5: Lemari rumah tangga
a6: Kursi ruang tamu
a7: Meja guru
a8: Jendela
49
Gambar 3.3 menjelaskan bahwa dalam satu kromosom memiliki 8 gen.
Dimana, setiap individu akan mewakili jumlah masing-masing item produksi.
b. Desain Fitness
Setelah didapatkan desain kromosom di atas, selanjutnya adalah
menghitung nilai fitnessnya. Sebelum menghitung nilai fitness, perlu
dilakukan perhitungan kendala. Fungsi kendala merupakan fungsi yang
membatasi masing-masing individu dan apabila dilanggar dapat menurunkan
nilai fitness individu tersebut. Jika dalam produksi mebel terjadi kekurangan
bahan baku produksi maka akan menjadi kendala atau penghambat dalam
proses produksi. fungsi kendala tersebut dirumuskan seperti persamaan
berikut:
Kendala 1:
400000a1 +115000a2 + 600000a3 + 1050000a4 + 1405000a5 + 2150000a6 +
595000a7 + 125000a8 ≤ modal
(1)
Kendala 2:
a1 + a2 + a3 + a4 + a5 + a6 + a7 + a8 ≤ banyak produksi
(2)
Keterangan:
Nilai 400.000 pada kendala 1 menunjukkan biaya produksi yang
dibutuhkan untuk satu set bangku sekolah.
Nilai 115.000 pada kendala 1 menunjukkan biaya produksi yang
dibutuhkan untuk satu kusen.
50
Nilai 600.000 pada kendala 1 menunjukkan biaya produksi yang
dibutuhkan untuk satu daun pintu.
Nilai 1.050.000 pada kendala 1 menunjukkan biaya produksi yang
dibutuhkan untuk satu lemari sekolah.
Nilai 1.405.000 pada kendala 1 menunjukkan biaya produksi yang
dibutuhkan untuk satu lemari rumah tangga.
Nilai 2.150.000 pada kendala 1 menunjukkan biaya produksi yang
dibutuhkan untuk satu kursi ruang tamu.
Nilai 595.000 pada kendala 1 menunjukkan biaya produksi yang
dibutuhkan untuk satu meja guru.
Nilai 125.000 pada kendala 1 menunjukkan biaya produksi yang
dibutuhkan untuk satu jendela.
Nilai 24.000.000 pada kendala 1 merupakan modal maksimal dalam satu
bulan yang dimiliki usaha mebel Sekar Jaya untuk produksi semua jenis
produksi.
Nilai 550 pada kendala 2 merupakan batas maksimal produksi per bulan.
Maka fungsi fitness dapat dicari dengan menurangi total yang didapatkan
dengan total pelanggaran (pinalti). Rumus yang digunakan ditunjukkan dalam
persamaan 3 berikut ini:
Fitness (x1, x2) – M (C1+C2) (3)
Keterangan:
Fitness (x1, x2) : Nilai fitness. Fungsi yang akan dioptimasi.
M : Bilangan positif sembarang yang cukup besar.
51
C1 dan C2 : fungsi kendala yang berkaitan dengan optimasi.
Pada persamaan 3 di atas memiliki kelemahan yaitu nilai fitness yang
dihasilkan terlalu besar. Misalkan kendala C1 dan kendala C2 bernilai 0,
maka nilai fitness akan memiliki nilai = f(x1, x2) atau sama dengan modal.
Jadi seberapa besarpun nilai M yang digunkan, jika nilai C1+C2 = 0, maka
pengurang yang dihasilkan tetap 0.
Dalam kasus ini dapat dilakukan modifikasi pada persamaan 3 dengan
cara membagi hasil pengurangan total laba dan total pinalti dengan
menggunakan angka yang cukup besar. Dengan tujuan agar nilai fitness yang
didapat tidak terlalu besar. Angka pembagi yang digunakan adalah 1000000.
Setelah dilakukan modifikasi atau penyesuaian perhitungan fitness, rumus
perhitungan fitness menjadi seperti persamaan 4 berikut:
(4)
Untuk menghitung niali C1 dan C2 dapat dihitung melalui persamaan 5 dan 6
berikut ini:
(5)
(6)
52
3.5 Desain Hitung Manual
Sebagai contoh perhitungan manual yang akan dilakukan di Excel, peneliti
menggunakan data produksi dari mebel UD. Sekar Jaya bulan Agustus 2017.
Dengan asumsi parameter-parameter seperti langkah berikut
3.5.1 Pembangkitan Populasi Awal
Pembangkitan populasi awal diperoleh dari parameter yang dimasukan oleh
pengguna. Misalkan parameter input yang digunakan sebagai berikut:
Banyak Produksi = 350
Modal = 50000000
Populasi = 3
Crossover = 0.5
Mutasi = 0.5
Jumlah iterasi = 2
Masing-masing individu akan dibangkitkan secara acak antara jumlah
permintaan terendah hingga jumlah permintaan tertinggi masing-masing item
produk mebel. Rentang pembangkitan gen dalam individu ditunjukkan pada tabel
berikut:
Tabel 3. 5 Rentang Pembangkitan Gen
Gen ke- Batas minimal
pembangkita nilai gen
Batas maksimal
pembangkita nilai gen
Gen 1 (a1) 50 200
Gen 2 (a2) 20 70
53
Gen 3 (a3) 60 80
Gen 4 (a4) 10 30
Gen 5 (a5) 20 40
Gen 6 (a6) 3 10
Gen 7 (a7) 40 70
Gen 8 (a8) 30 50
Berdasarkan tabel rentang pembangkit nilai gen di atas, selanjutnya
didapatkan individu awal seperti yang ditunjukkan tabel berikut:
Tabel 3. 6 Pembangkitan Populasi Awal
3.5.2 Crossover
Proses pindah silang dilakukan dengan metode extended intermediet
crossover, dimana dilakukan dengan memilih dua induk (parent) secara acak dari
populasi. Misalkan, setelah dipilih dua individu acak terpilih P1 dan P2 sebagai
induk. Untuk menentukan offspring atau anak keturunan dari crossover
didapatkan dari parameter populasi dan crossover. Yaitu nilai populasi dikalikan
nilai crossover, jadi 3 x 0.5 = 2 (hasil dibulatkan ke atas). Sehingga didapati 2
keturunan (offspring). Sehingga proses pindah silang berlangsung sebagai berikut:
P1 [122, 48, 80, 13, 28, 9, 46, 41] X P2 [53, 58, 45, 26, 36, 9, 39, 35]
Maka nilai offsring dapat dihitung sebagai berikut:
Individu A1 A2 A3 A4 A5 A6 A7 A8
P1 122 48 80 13 28 9 46 41
P2 53 58 45 26 36 9 39 35
P3 125 67 77 14 35 5 43 40
54
Nilia alpha dibangkitkan secara acak, misal didapatkan nilai alpha [0.5, 0.24,
1, -0.2, -0.25, 0.8, 1, 0.01]. Maka, gen pertama pada offsring C1 dapat dihitung
sebagai berikut:
A1C1 = A1P1+α (A1P2 – A1P1)
A1 C1= 153 + 0.5 (195 – 153)
A1 C1= 174
Pada perhitungan manual akan didapatkan nilai decimal. Karena
permasalahan ini digunakan representasi integer, maka hasil perhitunagn akan
dikonversi kebentuk integer dengan ketentuan pembulatan ke atas. Degan cara
yang sama dilakukan perhitugan terhadap A2C1, A3C1, A4C1, A5C1, A26C1, A7C1,
dan A8C1.
Tabel 3. 7 Tabel Hasil Crossover
PARENT OFFSPRING A1 A2 A3 A4 A5 A6 A7 A8
P1 >< P2 C1 88 50 45 10 26 9 39 41
C2 88 56 80 29 38 9 46 35
3.5.3 Mutasi
Langkah selanjutnya yaitu mutasi. Untuk menentukan offspring dari proses
mutasi sama seperti proses offspring pada crossover. Nilai dari parameter populasi
dikalikan nilai mutasi, jadi 3 x 0.5 = 2 (hasil dibulatkan ke atas) sehingga
didapatkan 2 offspring. Mutasi dipilih acak dari banyaknya populasi yang
terbentuk [P1, P2, P3]. Misal yang terpilih adalah populasi P2, selanjutnya dipilih
titik acak antara rentang 1 sampai 8. Misalkan terpilih indek 2 untuk offspring
yang pertama dan terpilih indek ke 7 untuk offspring yang kedua. Maka nilai gen
55
pada indek 2 dan indek 7 dibangkitkan secara acak sesuai dengan rentang masing-
masing gen. Maka, hasil mutasi ditunjukkan seperti pada tabel berikut:
Tabel 3. 8 Tabel Hasil Mutasi
P2 M1 53 30 45 26 36 9 39 35
M2 53 58 45 26 36 9 60 35
3.5.4 Menghitung Nilai Fitness
Setelah didapatkan individu awal dan individu hasil reproduksi (crossover
dan mutasi), barulah dilakukan perhitungan fitness. Perhitungan fitness mengacu
pada desain fitness yang telah dibahas pada subbab sebelumnya. Maka tahap-
tahap perhitungan nilai fitnessnya sebagai berikut:
a. Menghitung Nilai Fitness P1
Dari tabel populasi awal diketahui nilai individu P1 adalah [122, 48, 80, 13,
28, 9, 46, 41]. Maka perhitungan nilai fitness dapat dilakukan dengan langkah
sebagai berikut:
1. Nilai C1
Hitung nilai C1 dengan menggunakan persamaan 5. Langkah pertama yakni
mencari nilai kebenaran dari:
Jika kondisi benar (true) maka C1 sama dengan 0. Jika kondisi bernilai salah
(false), maka nilai C1 bernilai
.
56
Maka dapat dibuktikan sebagai berikut:
Karena 225900000 ≤ modal, maka persamaan di bawah ini:
Bernilai salah (false) maka nilai C1 sama dengan persamaan 5. Jadi C1 =
225900000 – 50000000 = 157155000.
2. Nilai C2
Untuk menghitung nilai C2 bisa menggunakan persamaan 6. Sama seperti mencari
nilai C1, yang pertama kali dilakukan yakni mencari nilai kebenaran dari
. Jika kondisi
bernilai benar (true), maka C2 sama dengan 0. Dan jika kondisi bernilai salah
(false), maka C2 bernilai:
.
Maka dapat dibuktikan sebaga berikut:
122+48+80+13+28+9+46+41 = 387
Karena 387≤350 bernilai salah, maka sama dengan persamaan di bawah ini:
Sehingga 387-
350 = 37, nilai C2 sama dengan 37.
3. Hitung Total Produksi dan Laba
Total laba didapatkan dari perkalian antara jumlah item yang diproduksi dengan
laba per item. Maka total laba individu P1 dapat dihitung sebagai berikut:
57
78180000
4. Hitung Nilai Fitness
Berdasarkan persamaan 4, maka nilai fitness individu P1 adalah sebagai berikut:
Untuk perhitungan nilai fitnees individu P2 – M4 sama seperti perhitungan
individu P1 di atas. Maka didapatkan hasil seperti tabel berikut ini:
Tabel 3. 9 Tabel Perhitungan Fitness
Individu A1 A2 A3 A4 A5 A6 A7 A8 C1 C2 total laba fitness
P1 122 48 80 13 28 9 46 41 157155000 37 78180000 -0.79
P2 53 58 45 26 36 9 39 35 129680000 338 86640000 -0.43
P3 125 67 77 14 35 5 43 40 159115000 357 81965000 -0.77
C1 88 50 45 10 26 9 39 41 112660000 364 68240000 -0.44
C2 88 56 80 29 38 9 46 35 174575000 339 96580000 -0.78
C3 124 53 77 13 26 6 43 41 145685000 33 72100000 -0.74
C4 124 62 80 14 37 8 46 40 170985000 61 88045000 -0.83
M1 53 30 45 26 36 9 39 35 126460000 304 85660000 -0.41
M2 53 58 45 26 36 9 60 35 142175000 245 95145000 -0.47
M3 53 58 45 5 36 9 39 35 107630000 0 76245000 -0.31
M4 53 58 45 26 36 9 39 10 126555000 0 83515000 -0.43
3.5.5 Seleksi
Selanjutnya dilakukan proses evaluasi yakni proses seleksi untuk menentukan
individu yang memiliki nilai fitness terbaik. setelah didapatkan hasil seperti pada
tabel, kemudian dilakukan proses seleksi dengan mengurutkan nilai fitness
tertinggi ke nilai fitness terendah.
58
Tabel 3. 10 Tabel Hasil Seleksi
Dari hasil pengurutan di atas, diambil individu dengan nilai fitness teratas.
Maka populasi yang memiliki nilai fitness terbaik yaitu populasi M3 dengan nilai
fitness sama dengan -0.31.
Individu A1 A2 A3 A4 A5 A6 A7 A8 C1 C2 total laba fitness
M3 53 58 45 5 36 9 39 35 107630000 0 76245000 -0.31
M1 53 30 45 26 36 9 39 35 126460000 304 85660000 -0.41
P2 53 58 45 26 36 9 39 35 129680000 338 86640000 -0.43
M4 53 58 45 26 36 9 39 10 126555000 0 83515000 -0.43
C1 88 50 45 10 26 9 39 41 112660000 364 68240000 -0.44
M2 53 58 45 26 36 9 60 35 142175000 245 95145000 -0.47
C3 124 53 77 13 26 6 43 41 145685000 33 72100000 -0.74
P3 125 67 77 14 35 5 43 40 159115000 357 81965000 -0.77
C2 88 56 80 29 38 9 46 35 174575000 339 96580000 -0.78
P1 122 48 80 13 28 9 46 41 157155000 37 78180000 -0.79
C4 124 62 80 14 37 8 46 40 170985000 61 88045000 -0.83
59
BAB IV
IMPLEMENTASI DAN PEMBAHASAN
4.1 Implementasi Interface
4.1.1 Login Page (Halaman Login)
Pada halaman ini, pengguna akan diminta untuk memasukkan sejumlah
informasi berupa username (nama pengguna) dan password. Setelah pengguna
berhasil masuk, pengguna akan terhubung dengan halaman utama aplikasi
(beranda).
Gambar 4. 1 Login Page
4.1.2 Halaman Register (Daftar)
Apabila seorang pengguna baru yang belum mempunyai akun, maka perlu
melakukan registrasi terlebih dahulu. Masuk ke halaman register dengan meng-
klik menu Register yang ada pada halaman Login di bawah tombol login.
Kemudian, isi data sesuai formulir yang ada pada halaman register.
60
Gambar 4. 2 Halaman Registrasi
Jika sudah terisi semua, selanjutnya klik tombol register. Jika proses berhasil
maka secara langsung akun baru tersebut akan masuk ke halaman beranda dan
terdapat notifikasi berhasil mendaftar.
Gambar 4. 3 Notifikasi Berhasil Registrasi
4.1.3 Halaman Utama (Beranda)
Pada halaman utama terdapat beberapa fitur atau menu untuk melakukan
optimasi. Menu-menu tersebut terletak pada bar navigasi (navbar) sebelah kiri
halaman, yang meliputi beranda dan menu analisis. Menu analisis merupakan
drop down menu, dimana ia memiliki dua sub menu lain yaitu Tambah Analisis
dan List Analisis.
61
Gambar 4. 4 Halaman Utama
4.1.4 Halaman Analisis
Pada halaman ini terdapat dua sub menu yaitu halamn Tambah Analisis, dan
List Analisis. Di Halaman ini berisi tentang proses optimasi, di mana terdapat
beberapa proses di antaranya:
1. Tambah Analisis
2. List Analisis
Gambar 4. 5 Halaman Tambah Analisis
62
Pada halaman Tambah Analisis pengguna akan memasukkan data yang
diperlukan untuk melakukan optimasi. Data-data tersebut di antaranya:
File Upload
Untuk mengisi ini, pengguna harus melakukan proses ungah data produk
dalam format excel. Pengguna juga dapat mengunduh format excel,
dengan mengklik tombol Download Format.
Gambar 4. 6 Tombol Download Format
Pada format excel produk terdapat beberapa data yang harus diisi, seperti
jenis produk, biaya prosuksi, harga jual, laba, permintaan terendah, dan
permintaan tertinggi. Dan format excel data produk seperti gambar berikut.
Gambar 4. 7 Format Excel Produk
Modal
Modal yang dimasukkan merupakan kisaran modal dalam hitungan per
bulan dalam proses produksi produk.
Banyak Produksi
Banyak produksi adalah jumlah total dari permintaan tertinggi.
63
Jumlah Iterasi
Jumlah iterasi adalah berapa banyak pengguna menginginkan
perulangan yang terjadi dalam proses optimasi. Semakin besar jumlah
iterasi maka akan semakin presisi hasilnya.
Popsize (Populasi)
Popsize adalah ukuran banyaknya populasi yang akan dibentuk dalam
proses algoritma genetika.
Crossover
Mutasi
Setelah form analisis terisi, selanjutnya data akan tersimpan pada halaman list
analisis.
Gambar 4. 8 Halaman List Analisis
Untuk melihat hasil proses dari algoritma genetika, klik pada tombol hijau
Analisis. Kemudian hasil dari algoritma genetika akan muncul seperti berikut.
64
65
Gambar 4. 9 Data Hasil Analisis
Gambar 4. 10 Grafik Hasil Analisis
Pengguna juga dapat menyunting data produk yang telah terunggah. Pada
halaman List Analisis klik tombol Detail Produk. Pengguna dapat melakukan edit
produk, hapus produk, dan menambahkan produk.
66
Gambar 4. 11 Halaman Data Produk
Untuk menambah produk pengguna akan dialihkan ke halaman tambah
produk.
Gambar 4. 12 Halaman Tambah Produk
4.2 Pengujian Sistem
Tahap selanjutnya yakni tahap pengujian sistem. Setelah tahap implementasi
selesai, selanjutnya dilakukan tahap pengujian sistem. Pengujian sistem dilakukan
untuk mengetahui kelayakan dan performa dari program yang dibangun.
67
Pengujian dalam program optimasi ini ada tiga tahap yaitu 1) Pengujian dengan
ukuran populasi, 2) Pengujian dengan nilai crossover dan mutasi, 3) Pengujian
dengan data produksi mebel sehingga dapat diketahui perkiraan kebutuhan bahan
baku untuk produksi selanjutnya.
4.2.1 Persiapan Data
Pada tahap ini data yang digunakan adalah data yang diperoleh dari hasil
wawancara dengan pengusaha mebel. Data yang digunakan merupakan data
permintaan peembeli yang berasal dari mebel UD. Sekar Jaya, terhitung dari bulan
Januari 2017 - Desember 2017. Data dapat dilihat pada bab 3 sub bab
pengumpulan data.
4.2.2 Hasil dan Analisa
Pada proses pengujian sistem akan dibagi beberapa uji coba, yang pertama
yaitu dilakukan pengujian dari beberapa parameter seperti banyaknya populasi, uji
coba kombinasi crossover dan mutasi dan terakhir pengujian pada seluruh data
produksi mebel UD. Sekar Jaya.
4.2.3 Pengujian Ukuran Populasi
Dalam pengujian parameter banyaknya populasi. Pengujian ini dilakukan
untuk mengetahui ukuran populasi yang optimal untuk menghasilkan rata-rata
nilai fitness yang tinggi. Ukuran populasi yang diujikan adalah kelipatan 10, mulai
dari 10, 20, 30, 40, 50, 60, 70, 80, 90 terakhir 100 populasi. Data produksi yang
digunakan untuk pengujian adalah data produksi mebel UD. Sekar Jaya bulan
Januari. Kemudian untuk parameter yang lain sama yaitu:
Modal = 60000000
68
Banyak Produksi = 310
Iteras = 2
Crossover = 0.2
Mutasi = 0.3
Gambar 4. 13 List Uji Ukuran Populasi
Dari proses pengujian tersebut didapatkan hasil dan grafik berikut ini.
Tabel 4. 1 Hasil Uji
Populasi
populasi Fitness
10 -0.17
20 -0.15
30 -0.18
40 -0.19
50 -0.19
60 -0.14
70 -0.18
80 -0.14
90 -0.14
100 -0.09
Gambar 4. 14 Grafik Uji Coba Ukuran Populasi
69
Dari tabel 4.1 dan gambar grafik di atas diperoleh hasil sebagai berikut:
Ukuran populasi 10 didapatkan nilai fitness sebesar -0.17.
Ukuran populasi 20 didapatkan nilai fitness sebesar -0.15.
Ukuran populasi 30 didapatkan nilai fitness sebesar -0.18.
Ukuran populasi 40 didapatkan nilai fitness sebesar -0.19.
Ukuran populasi 50 didapatkan nilai fitness sebesar -0.19.
Ukuran populasi 60 didapatkan nilai fitness sebesar -0.14.
Ukuran populasi 70 didapatkan nilai fitness sebesar -0.18.
Ukuran populasi 80 didapatkan nilai fitness sebesar -0.14.
Ukuran populasi 90 didapatkan nilai fitness sebesar -0.14.
Ukuran populasi 100 didapatkan nilai fitness sebesar -0.09.
Dan dari grafik dapat dilihat dengan jelas nilai fitness yang didapatkan naik
turun. Hal ini menjelaskan bahwa ukuran populasi memengaruhi nilai fitness yang
dihasilkan. Ukuran populasi juga berpengaruh dalam proses running sistem. Nilai
fitness terendah terdapat pada banyak populasi 40 dan 50 dengan fitness sebesar -
0.19. Sedangkan nilai fitness yang optimal terdapat dalam ukuran populasi 100
dengan fitness sebesar -0.09. Dari sini dapat disimpulkan juga semakin besar
ukuran populasi memengaruhi dalam pencarian solusi, semakin banyak populasi
maka semakin menjangkau solusi terbaik.
4.2.4 Pengujian Ukuran Crossover dan Mutasi
Setelah diketahui ukuran populasi yang optimal adalah 100 populasi dari
pengujian sebelumnya. Selanjutnya menghitung dan mencari fitness yang tertinggi
atau terbaik dengan menguji parameter crossover dan mutasi. Ukuran crossover
70
dan mutasi yang digunakan antara 0-1 (silang) dan ukuran 0.1-1 (sejajar). Dengan
parameter yang lain sebagai berikut:
Modal = 60000000
Banyak Produksi = 310
Iteras = 2
Populasi = 100
Gambar 4. 15 Uji Coba Crossover dan Mutasi
Tabel 4. 2 Hasil Uji Crossover dan Mutasi
Crossover Mutasi Fitness Crossover Mutasi Fitness
0 1 -0.15 0.1 0.1 -0.14
0.1 0.9 -0.15 0.2 0.2 -0.16
0.2 0.8 -0.16 0.3 0.3 -0.08
0.3 0.7 -0.13 0.4 0.4 -0.16
0.4 0.6 -0.14 0.5 0.5 -0.17
0.5 0.5 -0.18 0.6 0.6 -0.14
0.6 0.4 -0.17 0.7 0.7 -0.16
0.7 0.3 -0.16 0.8 0.8 -0.13
0.8 0.2 -0.17 0.9 0.9 -0.18
0.9 0.1 -0.14 1 1 -0.12
71
1 0 -0.15
Gambar 4. 16 Grafik Hasil Uji Coba Crossover dan Mutasi
Dari grafik di atas dapat dilihat bahwa nilai fitness terbaik yang didapatkan
pada kombinasi percobaan kedua yaitu crossover=0.3 dan mutasi=0.3. Dengan
nilai fitness yang didapat adalah -0.08. Sedangkan nilai fitness terbesar yaitu -0.18
merata di percobaan pertama dan kedua.
4.2.5 Pengujian Data Produksi
Data yang diujikan dalam pengujian produksi ini adalah data produksi dari
mebel UD. Sekar Jaya sejumlah dua belas data dalam format Excel. Dengan
72
parameter yang sama yaitu iterasi=2, crossover=0.3, mutasi=0.3, dan
populasi=100. Nilai masing-masing parameter didapat dari pengujian sebelumnya,
yaitu pengujian ukuran populasi dan pengujian nilai crossover dan mutasi. Hasil
pengujian produk sebagi berikut:
Gambar 4. 17 List Uji Produk
Dari pengujian data permintaan UD. Sekar Jaya didapatkan rekomendasi
perkiraan bahan baku terbaik disetiap bulannya. Dengan banyaknya unit produk
sesuai dengan banyak sedikitnya permintaan pembeli di bulan tersebut. Hasil
optimasi atau hasil rekomendasi dapat dilihat pada tabel berikut.
73
Tabel 4. 3 Hasil Uji Data Permintaan Mebel UD. Sekar Jaya
Bulan Bangku Sekolah
Kusen Daun Pintu
Lemari Sekolah
Lemari Rumah Tangga
Kursi Ruang Tamu
Meja Guru
Jendela Total Laba Fitness
Januari 54 23 49 6 6 10 24 36 37,965,000 -0.04
Februari 44 20 30 5 0 2 25 43 23,375,000 0.06
Maret 20 43 42 6 6 0 31 15 29,675,000 0.06
April 0 48 45 0 9 2 0 27 21,110,000 -0.02
Mei 29 34 36 0 2 5 0 25 14,355,000 -0.09
Juni 80 51 61 32 10 15 29 47 65,045,000 -0.32
Juli 160 65 83 25 33 11 56 56 98,115,000 -0.6
Agustus 51 52 61 22 27 5 66 41 84,480,000 -0.09
September 93 48 60 20 13 4 58 17 60,830,000 -0.27
Oktober 25 38 42 0 15 0 0 46 27,705,000 0.11
November 86 42 45 20 17 0 20 50 48,835,000 -0.1
Desember 81 35 30 13 6 12 17 20 36,815,000 -0.08
74
Keterangan:
Di bulan Januari total rekomendasi perkiraan bahan baku kayu sebanyak
354 batang dengan total laba sebesar Rp.37.965.000 dan perolehan nilai
fitness sama dengan -0.04.
Di bulan Februari total rekomendasi perkiraan bahan baku kayu sebanyak
267 batang dengan total laba sebesar Rp.23.375.000 dan perolehan nilai
fitness sama dengan 0.06.
Di bulan Maret total rekomendasi perkiraan bahan baku kayu sebanyak
268 batang dengan total laba sebesar Rp.29.675.000 dan perolehan nilai
fitness sama dengan 0.06.
Di bulan April total rekomendasi perkiraan bahan baku kayu sebanyak 228
batang dengan total laba sebesar Rp.21.110.000 dan perolehan nilai fitness
sama dengan -0.02.
Di bulan Mei total rekomendasi perkiraan bahan baku kayu sebanyak 240
batang dengan total laba sebesar Rp.14.355.000 dan perolehan nilai fitness
sama dengan -0.09.
Di bulan Juni total rekomendasi perkiraan bahan baku kayu sebanyak 547
batang dengan total laba sebesar Rp.65.045.000 dan perolehan nilai fitness
sama dengan -0.32.
Di bulan Juli total rekomendasi perkiraan bahan baku kayu sebanyak
batang 819 dengan total laba sebesar Rp.98.115.000 dan perolehan nilai
fitness sama dengan -0.6.
75
Di bulan Agustus total rekomendasi perkiraan bahan baku kayu sebanyak
499 batang dengan total laba sebesar Rp.84.480.000 dan perolehan nilai
fitness sama dengan -0.09.
Di bulan September total rekomendasi perkiraan bahan baku kayu
sebanyak 522 batang dengan total laba sebesar Rp.60.830.000 dan
perolehan nilai fitness sama dengan -0.27.
Di bulan Oktober total rekomendasi perkiraan bahan baku kayu sebanyak
217 batang dengan total laba sebesar Rp.27.705.000 dan perolehan nilai
fitness sama dengan 0.11.
Di bulan November total rekomendasi perkiraan bahan baku kayu
sebanyak 453 batang dengan total laba sebesar Rp.48.835.000 dan
perolehan nilai fitness sama dengan -0.1.
Di bulan Desember total rekomendasi perkiraan bahan baku kayu
sebanyak 384 batang dengan total laba sebesar Rp.36.815.000 dan
perolehan nilai fitness sama dengan -0.08.
76
Tabel 4. 4 Tabel Hasil Optimasi Bulan Januari – Juni 2017
Jenis Produksi
kebutuhan kayu
Januari Februari Maret April Mei Juni
(loging) Unit
kayu (log)
unit
kayu (log)
unit
kayu (log)
Unit
kayu (log)
unit
kayu (log)
unit
kayu (log)
Paket bangku sekolah
2 54 108 44 88 20 40 0 0 29 58 80 160
Kusen 2 23 46 20 40 43 86 48 96 34 68 51 102
Daun pintu 2 49 98 30 60 42 84 45 90 36 72 61 122
Lemari sekolah 1 6 6 5 5 6 6 0 0 0 0 32 32
Lemari rumah tangga
1 6 6 0 0 6 6 9 9 2 2 10 10
Kursi ruang tamu 3 10 30 2 6 0 0 2 6 5 15 15 45
Meja guru 1 24 24 25 25 31 31 0 0 0 0 29 29
Jendela 1 36 36 43 43 15 15 27 27 25 25 47 47
Total 354 267 268 228 240 547
77
Tabel 4. 5 Tabel Hasil Optimasi Bulan Juli – Agustus 2017
Jenis Produksi
kebutuhan kayu
Juli Agustus September Oktober November Desember
(loging) unit
kayu (log)
unit
kayu (log)
unit
kayu (log)
Unit
kayu (log)
unit
kayu (log)
unit
kayu (log)
Paket bangku sekolah
2 160
320 51 102 93 186 25 50 86 172 81 162
Kusen 2 65 130 52 104 48 96 38 76 42 84 35 70
Daun pintu 2 83 166 61 122 60 120 42 84 45 90 30 60
Lemari sekolah 1 25 25 22 22 20 20 0 0 20 20 13 13
Lemari rumah tangga
1 33 33 27 27 13 13 15 15 17 17 6 6
Kursi ruang tamu 3 11 33 5 15 4 12 0 0 0 0 12 36
Meja guru 1 56 56 66 66 58 58 0 0 20 20 17 17
Jendela 1 56 56 41 41 17 17 46 46 50 50 20 20
Total 819 499 522 271 453 384
78
Dari tabel 4.4 dan 4.5 dapat dilihat hasil rekomendasi kebutuhan bahan
baku mebel setiap produk. Rekomendasi bahan baku kayu terbesar terjadi pada
bulan Juli dengan hasil keseluruhan sebanyak 819 batang kayu. Sedangkan
rekomendasi bahan baku kayu terkecil terjadi pada bulan April dengan total
keseluruhan 228 batang kayu. Dari perhitungan optimasi di atas dapat diketahui
bahwa setidaknya dalam kurun waktu satu bulan mebel UD. Sekar Jaya dapat
menggunakan 2 sampai 5 kubik kayu. Dengan estimasi kayu satu panjang (p),
lebar (l), dan tinggi (t) yaitu 3, 5, 5. Menggunakan rumus 10000/(pxlxt)
didapatkan hasil satu kubiknya yaitu 10000/(3x5x5) = 133.333. Dengan
pembulatan ke atas maka hasil satu kubik kayu sama dengan 133 batang kayu.
4.4 Integrasi Islam
Pada bab sebelumnya telah diberikan sedikit penjelasan tentang integrasi
antara Islam dengan Sains yakni optimasi itu sendiri pada sub bab 2.3. Dalam
Islam kelak di hari akhir (hari kiamat) manusia akan dibangkitkan kembali dan
dikumpulkan di Padang Mahsyar. Di sana nantinya manusia akan ditimbang amal
perbuatan selama di Bumi atau yang disebut Yaumul Mizan. Allah telah banyak
menunjukkan tentang adanya Mizan dalam Al-Quran salah satunya dalam firman
QS. Al Anbiya’ berikut:
زينونضع مةليومٱلقسطٱلمو نفلتظلمنفسشيٱلقي ث وإنكانثققالحب ةم ا
سبين بناح ٧٢خردلأتينابهاوكفى
“Kami akan memasang timbangan yang tepat pada hari kiamat, maka
tiadalah dirugikan seseorang barang sedikitpun. Dan jika (amalan itu) hanya
seberat biji sawipun pasti Kami mendatangkan (pahala) nya. Dan cukuplah
Kami sebagai pembuat perhitungan” (QS. Al Anbiya’/21:47).
79
Ayat di atas menjelaskan bahwa Allah telah memasang timbangan keadilan
pada hari Kiamat kelak. Pendapat terbanyak menyatakan bahwa timbangan itu
hanya satu timbangan. Kalimatnya jamak, ditinjau dari banyaknya amal-amal
yang akan ditimbang di dalamnya (Ibnu Katsir, 2003). Maka, pada hari itu, tidak
akan ada seorang pun yang dicurangi dengan pengurangan kebaikannya atau
penambahan kejelekannya. Meskipun perbuatannya hanya seberat biji sawi, akan
Kami datangkan dan akan Kami perhitungkan. Cukuplah Kami sebagai
penghitung, maka tak seorang pun akan dirugikan. Ayat ini mengisyaratkan
betapa ringannya biji sawi (khardzal) itu. Melalui penelitian dapat diketahui
bahwa satu kilogram biji sawi terdiri atas 913.000 butir. Dengan demikian, berat
satu butir biji sawi hanya sekitar satu per seribu gram, atau ± 1 mg, dan
merupakan biji-bijian teringan yang diketahui umat manusia sampai sekarang.
Oleh karena itu, biji ini sering digunakan untuk menimbang berat yang sangat
detil dan halus (Quraish Shihab, 2002).
Timbangan amal ini dapat kita umpamakan seperti petani yang menanam padi
di sawah. Dapat diketahui apakah petani itu merawat atau membiarkan padi yang
ia tanam. Setelah masa panen, kemudian padi-padi tersebut akan dijual ke
tengkulak. Tengkulak selanjutnya menimbang dan memberikan harga padi sesuai
dengan kualitas dan kuantitas padi-padi tadi. Dari situ, dapat diketahui apakah
padi tersebut dirawat dengan baik seperti diberi pupuk secara berkala, dicabut
rumput atau gulma yang mengganggu pertumbuhan padi, bahkan apakah padi
dibiarkan sampai akhirnya dapat dipanen. Sama dengan kehidupan kita, apakah
kita menjaga diri kita dari perbuatan kufur, dan munkar atau membiarkan hidup
kita kalah dengan nafsu dan godaan-godaan. Entah, kita meninggal sebelum atau
80
bertepatan hari kiamat. Segala amal perbuatan manusia yang dilakukan selama di
bumi akan ditimbang kelak di hari pembangkitan.
Allah yang maha bijaksana lagi maha penyanyang telah memberikan kita
berbagai petunjuk baik di dalam al Quran, hadis, ijma’ dll. Agar kita khususnya
muslim senantiasa mengingat terlebih dahulu sebelum melakukan hal. Kehidupan
kita bisa terlepas dari hitung-menghitung, dan Allah telah menyiapkan para
Malaikat untuk mencatat dan menghitung sekecil dan sehalus apapun amal kita.
Yang kelak menjadi sebuah balasan baik (surga) dan buruk (neraka). Sama halnya
pada penelitian ini, dalam berdagang khususnya usaha mebel juga memerlukan
perhitungan. Perhitungan dalam penelitian ini dititik beratkan pada perkiraan
kebutuhan bahan baku. Perhitungan dilakukan untuk pencegahan pada sistem
inventori. Dengan sangat hati-hati dan teliti diharapakan program ini dapat
memberikan hasil optimal dan maksilmal. Dengan menghindari kesalahan-
kesalahan (errors) yang terjadi. Sehingga didapatkan hasil rekomendasi perkiraan
bahan baku yang baik dan optimal.
81
BAB V
PENUTUP
5.1 Kesimpulan
Program optimasi perkiraan bahan baku mebel dapat berjalan sesuai dengan
kebutuhan. Pengguna terlebih dahulu menyiapkan data permintaan produk dalam
satu bulan dengan format file Excel sesuai dengan tamplate yang disediakan.
Langkah selanjutnya mengisi semua parameter, dan mengunggah data. Data
unggahan menghasilkan rekomendasi perkiraan bahan baku setiap produk dalam
bentuk tabel dan visualisasi grafik.
Metode Algoritma Genetika menggunakan representasi kromosom discrete
decimal encoding atau membangkitkan bilangan bulat (integer). Parameter ukuran
populasi, crossover, mutasi, dan fungsi kendala mempengaruhi besar kecilnya
nilai fitness. Dari ketiga pengujian mendapatkan nilai fitness yang optimal pada
ukuran populasi = 100, crossover = 0.3, dan mutasi = 0.3. Pada pengujian data
permintaan UD. Sekar Jaya menghasilkan nilai fitness paling besar di bulan
Oktober 2017 dengan nilai fitness 0.11. Dan rekomendasi perkiraan bahan baku
menujukkan sebanyak 819 batang kayu, atau sekitar membutuhkan 6 kubik kayu
untuk produksi dalam bulan tersebut dengan perkiraan total laba terbesar yaitu
Rp98.115.000.
82
5.2 Saran
Berdasarkan penelitian yang dilakukan, terdapat beberapa sarang yang dapat
memperbaiki penelitian ini untuk penelitian selanjutnya agar hasil menjadi lebih
baik adalah sebagai berikut:
1. Penelititan selanjutnya dapat menambahkan kriteria yang lebih spesifik
seperti, jenis kayu yang akan digunakan dalam produksi agar diperoleh hasil
yang maksimal dan optimal.
2. Proses crossover, mutasi, dan seleksi yang digunakan dalam penelitian ini
terbatas dalam satu metode. Sehingga dalam penelitian selanjutnya dapat
menambahkan metode lainnya dalam prosesnya agar diperoleh variasi hasil
dan solusi.
83
DAFTAR PUSTAKA
Ahyari, A. (2003). Efisiensi Persediaan Bahan. Yogyakarta: BPFE.
Alamendah. Gerakan One Man One Tree. 10 Desember 2018.
https://alamendah.org/2009/11/05/gerakan-one-man-one-tree/
Amirzadeh, A., Taieb, M. H., & Chouinard, J.-Y. (2017). On the Design of Good
LDPC Codes with Joint Genetic Algorithm and Linear Programming
Optimization. IEEE.
Assauri, Sofjan. (2004). Manajemen Produksi dan Operasi. Jakarta: Fakultas
Ekonomi Universitas Indonesia.
Badan Pusat Statistik. 2015. Produksi Kayu Hutan Menurut Jenis Produksi (m3).
Kementrian Lingkungan Hidup dan Kehutanan.
Gen, M., & Cheng, R. (2000). Genetic Algorithm ang Engineering Optimization.
Canada: John Wiley & Sons Inc.
Haupt, Rendy L., & Haupt, Sue Ellen. (2004). Practical Genetic Algorithms
Second Edition. Canada: John Wiley & Sons Inc.
Jordan, Ray. 3 Poin Penting Industri Mebel dan Kerajinan Menurut Jokowi. 26
November 2017. https://finance.detik.com/industri/d-3444396/3-poin-penting-
industri-mebel-dan-kerajinan-menurut-jokowi
Katsir, Ibnu. (2003). Tafsir Ibnu Katsir Jilid 5. Terjemahan oleh Ghoffar, M.
Abdul dan Mu’thi, Abdurrahim. Bogor: Pustaka Imam asy-Syafi’i.
Katsir, Ibnu. (2003). Tafsir Ibnu Katsir Jilid 7. Terjemahan oleh Ghoffar, M.
Abdul dan Mu’thi, Abdurrahim. Bogor: Pustaka Imam asy-Syafi’i.
84
Kumar, S., Meenu, & Satsangi, P. S. (2012). A Genetic Algorithm Approach for
Optimization of Surface Roughness Prediction Model in Turning Using UD-
GFRP Composite. IEEE, 386-396.
Li, J., Huang, Y., Xu, Z., Wang, J., & Chen, M. (2017). Path Planning of UAV
Based on Hierarchical Genetic Algorithm with Optimized Search Region. IEEE.
Mahmudy, W. (2013). Algoritma Evolusi. Malang: Universitas Barwijaya.
Mahmudy, W., Marian, R., & Luong, L. (2013). Optimization of Part Type
Selection and Loading Problem with Alternative Production Plans in Flexible
Manufacturing System Using Hybrid Genetic Algorithm. 5th International
Conference on Knowledge and Smart Technology (KST). Thailand.
Pardede, P. M. (2005). Manajemen Operasi dan Produksi: Teori, Model dan
Kebijakan. Yogyakarta: Andi.
Rangkuty, Freddy. (2004). Analisis SWOT Teknik Membedah Kasus Bisinis.
Jakarta: PT. Garmedia
Render, B., & Heizer, J. (2001). Prinsip-Prinsip Manajemen Operasi. Jakarta:
Salemba Empat.
Republik Indonesia, Keputusan Mentri Kehutanan Nomor: 163/Kpts-II/2003
tentang Pengelompokan Jenis Kayu Sebagai Dasar Pengenaan Iuran Kehutanan.
Shihab, M. Quraish. (2002). Tafsir Al Misbah (Pesan, Kesan dan Keserasian al-
Quran). Jakarta: Lentera Hati.
Soerianegara, I., & Lemmens. (2002). Sumber Daya Nabati Asia Tenggara 5(1):
Pohon Penghasil Kayu Perdagangan yang Utama. Jakarta: Balai Pustaka.
85
Suyanto. (2011). Artificial Intelligence Searching Reasoning Planning and
Learning. Bandung: Informatika.
Tseng, F.-H., Wang, X., & Chou, L.-D. (2017). Dynamic Resource Prediction and
Allocation for Cloud Data Center Using the Multiobjective Genetic Algorithm.
IEEE.
Wang, D., Wan, S., Zhang, Y., & Guizani, N. (2017). Design of Improved
Probability Neural Network Classifiers for Medical Decision Making with the Aid
of Genetic Optimization Algorithm. IEEE, 530-535.
Watson, M. (2008). Practical Artificial Intelligence Programming with Java.
top related