Abstract:
Split Delivery Vehicle Routing Problem (SDVRP) merupakan bentuk variasi dari Vehicle Routing Problem dimana pada problem ini satu node dapat menerima muatan dari kendaraan yang berbeda. Hal ini berarti demand dari masing-masing node penerimaan tidak harus lebih kecil dibandingkan dengan kapasitas kendaraan, tetapi total demand dari masing-masing node penerimaan yang ditugaskan ke kendaraan tertentu tidak boleh melebihi kapasitas kendaraan tersebut. Tujuan dari model permasalahan ini adalah untuk meminimasi total jarak yang ditempuh oleh kendaraan. Di dunia nyata, model SDVRP banyak digunakan untuk alokasi pengantaran barang terkhususnya di bidang supply chain.
Pada penelitian ini, SDVRP diselesaikan dengan menggunakan Firefly Algorithm. Firefly Algorithm (FA) merupakan algoritma metaheuristik yang terinspirasi dari perilaku hidup kunang-kunang dalam menciptakan cahaya yang berkedip. Terdapat dua fungsi dasar dari cahaya berkedip ini, yaitu untuk menarik perhatian pasangan kawin (berkomunikasi), dan untuk menarik mangsa. Pergerakan ke arah kunang-kunang yang lebih terang menjadi faktor penentu posisi kunang-kunang dalam melakukan pencarian solusi.
Firefly Algorithm (FA) yang telah dirancang diimplementasikan pada 7 kasus benchmark SDVRP dengan 18 kombinasi nilai parameter dan pada untuk setiap kombinasi dilakukan 5 kali replikasi. Dari hasil implementasi yang telah dilakukan, diketahui bahwa pada penelitian ini, Firefly Algorithm memiliki performansi yang lebih jelek dari Genetic
Algorithm. Dari ketujuh kasus yang diselesaikan, Firefly Algorithm menghasilkan solusi dengan penyimpangan terbesar sebesar 163,29% dan penyimpangan terkecil sebesar 41,11 % dari best known solution. Terdapat 3 parameter Firefly Algorithm yang diuji pengaruhnya terhadap performansi algoritma, yaitu a (alfa), βo (beta nol), dan y (gamma). Hasil pengujian menunjukkan untuk semua parameter dan interaksi parameter kecuali parameter gamma, memiliki pengaruh terhadap performansi Firefly Algorithm di seluruh kasus benchmark yang diuji.
