Search Result  ::  Save as CSV :: Back

"Penelitian ini bertujuan untuk menentukan lokasi SPBG CNG di wilayah DKIJakarta dengan memperhatikan sudut pandang investor dan konsumen. Fungsitujuan yang akan dicapai adalah meminimumkan nilai objective yang merupakanhasil perkalian jarak dengan jumlah permintaan dan biaya transportasi serta biayainvestasi dan operasional yang menjadi sudut pandang investor. Selain itu,penelitian ini akan dibandingkan dengan model P-Median yang hanyamemperhatikan faktor konsumen.Variabel keputusan dalam pembangunan SPBGCNG baru yang digunakan adalah binary integer linier programming. Terdapat 2variabel keputusan pada penelitian ini, yang pertama adalah penentuan lokasiSPBG dan yang kedua penentuan suplai CNG. Penelitian ini menggunakansoftware LINGO 10 untuk menentukan solusi penyelesainnya. Selain modeldasar, penelitian ini juga menggunakan 2 skenario; penentuan lokasi SPBG CNGdengan jumlah SPBG yang paling optimum; penentuan lokasi dan jumlah SPBGCNG yang sedikitnya harus dibangun di wilayah DKI Jakarta. Dari 46 kandidatlokasi, diperoleh hasil 11 lokasi SPBG baru untuk skenario dasar, sedikitnya 8lokasi SPBG baru harus dibangun untuk dapat memenuhi permintaan, dan 12SPBG baru untuk solusi skenario 2. Sedangkan untuk permasalahan p median,jumlah SPBG yang optimum dibangun berjumlah 16 SPBG.

---

This study aims to determine the location of CNG fueling station in Jakarta to

consider investor and consumer perspective. The objective function to be

achieved is to minimize the product of distance, the number of demands, and

transportation cost, also investment and operational cost from the investor

perspective. This study also be compared with the P-median models that only base

on consumer perspective. The decision variables in the construction of a new

CNG fueling station are binary integer linear programming. There are two

decision variables in this study, the first is the determination of the location and

the second determination of CNG supply. This study uses the Lingo software

version 10 to solve the models. This study also uses two scenarios; location of

CNG fueling station with the most optimum number fueling station; the least

number and location be built. From 46 candidate sites, the results are 11 new

locations CNG fueling station for the basic scenario, at least 8 new CNG fueling

station location should be built, and 12 new CNG fueling station for scenario 2.

And for the p median problem, optimum solution are 16 new CNG fueling station

must be built."

"Program Makan Bergizi Gratis (MBG) menargetkan 19,5 juta siswa pada 2025; untuk mencapainya, lokasi dapur produksi harus diatur secara efisien. Masalah penentuan lokasi ini dimodelkan sebagai capacitated p-median dengan kapasitas 3 500 porsi per dapur dan tujuan meminimalkan total jarak pengiriman. Studi kasus melibatkan 813 sekolah dasar di Kota Pekanbaru. Tiga pendekatan dibandingkan: greedy clustering, Genetic Algorithm (GA) murni, dan GA yang diinisialisasi dengan hasil greedy. Pendekatan ketiga—GA-greedy berpopulasi 10 dan 200 generasi—memberikan kinerja terbaik. Rata-rata jarak siswa ke dapur turun 31 persen, dari 1,4177 km menjadi 0,9787 km, sedangkan jarak maksimum berkurang 15 persen, dari 2,5591 km menjadi 2,1631 km. Seluruh kendala kapasitas terpenuhi, menghasilkan tingkat kelayakan 99,90 persen dengan hanya satu pelanggaran minor. Waktu komputasi 91,67 detik—sekitar 3,3 kali lebih cepat dibanding GA murni—dengan nilai fungsi tujuan akhir 214.559,27. Temuan ini menunjukkan bahwa kombinasi heuristik greedy dan algoritma evolusioner mampu menghasilkan konfigurasi dapur yang terukur, cepat dihitung, dan adaptif terhadap variasi spasial. Kerangka kerja ini layak dijadikan acuan perancangan logistik MBG tingkat nasional maupun program pangan publik sejenis.

---

The Free Nutritious Meals Program (MBG) aims to serve 19.5 million Indonesian students by 2025, requiring an efficient layout of production kitchens. The location problem is formulated as a capacitated p-median model with a kitchen capacity of 3.500 meals per day and the objective of minimizing total delivery distance. A case study was conducted on 813 primary schools in Pekanbaru City. Three solution approaches were evaluated: pure greedy clustering, pure Genetic Algorithm (GA), and a GA initialized with greedy results. The third approach—greedy-seeded GA with a population of 10 and 200 generations—delivered the best performance. Average student-to-kitchen distance fell by 31 percent, from 1.4177 km to 0.9787 km, while the maximum distance dropped by 15 percent, from 2.5591 km to 2.1631 km. All capacity constraints were satisfied, yielding 99.90 percent feasibility with only one minor violation. Computation time was 91.67 seconds, approximately 3.3 times faster than the pure GA, and the final objective value reached 214.559.27. These results demonstrate that combining greedy heuristics with evolutionary algorithms produces scalable, time-efficient kitchen configurations that adapt to spatial variation. The framework is suitable for nationwide MBG logistics planning and other public food distribution initiatives."