Penerapan Elephant Herding Optimization untuk menyelesaikan Vehicle Routing Problem with Time Windows

Abstract

Dalam dunia industri salah satu permasalahan yang sering muncul terkait dengan proses pemenuhan kebutuhan konsumen adalah pada proses distribusi. Pemilihan suatu rute pengiriman (distribusi) akan mempengaruhi jarak tempuh yang dilalui, dan hal tersebut akan mempengaruhi biaya transportasi yang harus dikeluarkan. Selain itu, kendaraan yang digunakan juga memiliki batasan kapasitas yang tidak bisa dilanggar dan apabila konsumen yang akan dilayani juga memiliki batasan waktu penerimaan barang maka permasalahan tersebut dapat dimodelkan menjadi kasus Vehicle Routing Problem with Time Windows (VRPTW).

Pada penelitian ini permasalahan VRPTW diselesaikan dengan menggunakan Elephant Herding Optimization (EHO). EHO merupakan salah satu metaheuristik yang terinspirasi dari perilaku mengembala dari gajah. Algoritma ini menggunakan dua jenis operasi yaitu clan updating dan clan separating dalam menggambarkan perilaku gajah yang mengembala mencari tempat hidup yang lebih baik. Pada EHO terdapat empat parameter yang ada, yaitu Alfa, Beta, Jumlah Clan, dan nKEL. Dari keempat parameter EHO yang diuji pengaruhnya untuk performansi dari EHO, Alfa menandakan seberapa besar pengaruh gajah matriach terhadap gajah didalam clan nya, Beta menandakan seberapa besar pengaruh posisi tengah clan terhadap matriach, Jumlah Clan menandakan jumlah clan yang ada, dan nKEL menandakan jumlah gajah terbaik yang akan disimpan untuk digunakan diakhir generasi. Nilai parameter yang diuji adalah 0,1, 0,5, dan 0,9, untuk Alfa dan Beta, 5, dan 10 untuk Jumlah Clan, dan 10, dan 20 untuk nKEL.

Pada penelitian ini dilakukan implementasi EHO terhadap enam kasus benchmark dari VRPTW dan ternyata EHO menghasilkan solusi yang cukup baik dalam kasus yang diuji. Terdapat dua dari enam kasus yang diuji menghasilkan nilai yang sama dengan best known solution yang ada. EHO dibandingkan dengan dua metaheuristik yang pernah menyelesaikan VRPTW juga, yaitu Evolutionary Algorithm dan Hybrid Evloutionary Algorithm. Perbandingan ini mengindikasikan EHO dapat melakukan performansi yang lebih baik di beberapa kasus. Hasil penelitian ini juga menunjukkan bahwa terdapat pengaruh interaksi antar nilai parameter terhadap performansi EHO untuk seluruh kasus benchmark, tetapi hasil tersebut hanya berlaku untuk nilai-nilai parameter yang diuji.