PENERAPAN ALGORITMA GENETIKA UNTUK OPTIMASI VEHICLE ROUTING PROBLEM PADA SISTEM DISTRIBUSI PT XYZ

Abstrak

Penelitian ini bertujuan untuk mengoptimalkan rute distribusi barang dalam sistem logistik PT XYZ, yang selama ini menghadapi inefisiensi dan potensi kerugian finansial akibat penentuan rute yang hanya mengandalkan pengalaman kurir. Untuk menemukan rute terbaik dan terpendek, penelitian ini menerapkan Algoritma Genetika (GA), sebuah metode pencarian heuristik yang meniru mekanisme evolusi biologis, untuk memecahkan Vehicle Routing Problem (VRP), yang berfokus pada perancangan rute kendaraan untuk meminimalkan total biaya operasional. Metode GA melibatkan serangkaian tahap evolusi inisialisasi populasi awal, evaluasi menggunakan fungsi kebugaran (yang mengukur kualitas solusi terhadap tujuan optimasi), seleksi, crossover, dan mutasi dengan parameter penting seperti Probabilitas Crossover dan probabilitas mutasi yang ditetapkan untuk menjaga keragaman dan kombinasi solusi. Hasil yang terverifikasi harus menunjukkan rute yang meminimalkan total biaya distribusi atau total jarak tempuh, memastikan bahwa setiap kendaraan membawa muatan sesuai kapasitas, semua lokasi dikunjungi, dan tidak ada kunjungan yang dikunjungi dua kali. Peningkatan kinerja sebesar 20,4% membuktikan bahwa GA berhasil menghasilkan rute yang jauh lebih efisien dibandingkan kondisi awal.

This study aims to optimize the distribution route of goods in the logistics system of PT XYZ, which has been facing inefficiencies and potential financial losses due to route determination that only relies on courier experience. To find the best and shortest route, this study applies Genetic Algorithm (GA), a heuristic search method that mimics the mechanism of biological evolution, to solve the Vehicle Routing Problem (VRP), which focuses on designing vehicle routes to minimize total operational costs. The GA method involves a series of evolutionary stages of initial population initialization, evaluation using a fitness function (which measures the quality of the solution against the optimization objective), selection, crossover, and mutation with important parameters such as Crossover Probability and mutation probability set to maintain the diversity and combination of solutions. Verified results should show a route that minimizes the total distribution cost or total distance traveled, ensuring that each vehicle carries the load according to capacity, all locations are visited, and no location is visited twice. The performance improvement of 20.4% proves that GA successfully produces a much more efficient route compared to the initial condition.