Jurnal Penelitian dan Aplikasi Sistem dan Teknik Industri (PASTI) Vol.
No.
April 2026, 12-26 p-ISSN 2085-5869/ e-ISSN 2598-4853 Analisis Perbandingan Metode North West Corner (NWC).
Vogel.
Least Cost, dan Particle Swarm Optimization (PSO) pada Optimasi Distribusi Beras antar Provinsi di Indonesia Mega Purnamasari1*.
Harisma Sujani2.
Arvita Emarilis Intani3.
Muhammad Ibrahim AtsTsuri4, dan Hasyrani Windyatri5 1,2,3,4,.
1,2,3,4,.
Program Studi Teknik Industri.
Fakultas Teknik.
Univeritas Pelita Bangsa Jl.
Inspeksi Kalimalang.
Tegal Danas.
Kecamatan Cikarang Pusat.
Kabupaten Bekasi.
Jawa Barat Email: mega@pelitabangsa.
(Diterima: 01-04-2026.
Direvisi: 14-04-2026.
Disetujui: 15-04-2.
Abstrak Indonesia pada tahun 2025 dihadapkan pada permasalahan distribusi beras yang lambat, yang berdampak pada kelangkaan beras premium serta menyebabkan kenaikan harga yang Harga beras premium meningkat dari Rp68.
000 per 5 kg menjadi Rp90.
000Ae Rp130.
000 per 5 kg.
Meskipun stok beras di gudang BULOG melimpah, distribusi yang tidak optimal berpotensi menghambat ketahanan pangan, meningkatkan risiko kerusakan beras, serta menimbulkan kerugian negara.
Berdasarkan permasalahan tersebut, penelitian ini bertujuan untuk menentukan alokasi distribusi beras optimal dari supply area ke demand area berdasarkan jarak terpendek guna meminimalkan total jarak pengiriman.
Metode yang digunakan meliputi North West Corner (NWC).
Vogel Approximation Method (VAM).
Least Cost, dan Particle Swarm Optimization (PSO).
Penelitian ini memiliki kontribusi akademik dengan menghubungkan pendekatan optimasi transportasi dengan kebijakan distribusi pangan nasional.
Selain itu, kebaharuan penelitian ini terletak pada cakupan wilayah Indonesia secara nasional serta perbandingan empat metode optimasi dalam satu kerangka Hasil penelitian menunjukan bahwa metode Vogel merupakan solusi optimal dengan total jarak pengiriman 2,982,335.
63 km.
Kata kunci: beras.
Abstract In 2025.
Indonesia faces challenges related to slow rice distribution, resulting in shortages of premium rice and significant price increases.
The price of premium rice has risen from IDR 68,000 per 5 kg to IDR 90,000Ae130,000 per 5 kg.
Although rice stocks in BULOG warehouses are abundant, suboptimal distribution may hinder food security, increase the risk of rice spoilage, and lead to national economic losses.
Based on these issues, this study aims to determine the optimal allocation of rice distribution from supply areas to demand areas based on the shortest distance in order to minimize the total transportation distance.
The methods used in this study include the North West Corner (NWC).
Vogel Approximation Method (VAM).
Least Cost, and Particle Swarm Optimization (PSO).
This research contributes academically by linking transportation optimization approaches with national food distribution policies.
Furthermore, the novelty of this study lies in its national-scale coverage across Indonesia and the comparative analysis of four optimization methods within a single framework.
The results show that the Vogel method provides the optimal solution, with a total distribution distance of 2,982,335.
63 km.
Keywords: rice.
Jurnal PASTI.
Vol.
No.
April 2026, 12-26
PENDAHULUAN
Latar Belakang Indonesia pada tahun 2025 menghadapi permasalahan kelangkaan beras di ritel modern, khususnya beras premium, yang menyebabkan lonjakan harga secara signifikan (Tesaloni, 2.
Sebagai upaya penanggulangan, pemerintah melalui program Stabilisasi Pasokan dan Harga Pangan (SPHP) menargetkan penyaluran 1,3 juta ton beras oleh BULOG pada periode Juli hingga Desember 2025 (Toto, 2.
Aktualisasi dari proses distribusi SPHP tersebut masih jauh dari target.
Pada bulan Agustus, penyaluran beras tercatat hanya mencapai 38.
111 ton atau 2.
94% dari total target sementara di bulan Agustus seharusnya distribusi beras telah mencapai 213.
000 ton.
Hal ini menunjukkan bahwa proses distribusi beras belum berjalan optimal.
Permasalahan di lapangan meliputi ketidaksesuaian antara daerah kebutuhan dan pasokan, keterlambatan distribusi, sistem alokasi berbasis kuota yang belum mempertimbangkan data real time, serta belum adanya analisis alokasi distribusi yang Kondisi ini berpotensi menimbulkan berbagai risiko, seperti kenaikan harga akibat ketidakseimbangan pasokan, penurunan kualitas beras selama penyimpanan, serta peningkatan biaya distribusi (Toto, 2.
Penelitian-penelitian terdahulu telah menerapkan pendekatan klasik maupun metaheuristik dalam optimasi distribusi (Abera et al.
, 2025.
Adegoke, 2025.
Amiryousefi et , 2026.
Hejazi et al.
, 2026.
Martynez et al.
, 2.
Namun perbandingan antara kedua pendekatan tersebut dalam optimasi distribusi beras skala Nasional belum tersedia.
Oleh karena itu, diperlukan kajian lebih lanjut terkait analisis komparatif untuk menentukan metode terbaik dalam alokasi distribusi untuk meminimalkan total jarak yang ditempuh (Bahri et al.
, 2024.
Nurhalimah et al.
, 2025.
Putra et al.
, 2026.
Saragih, 2022.
Setiawan et , 2.
Terkait permasalahan tersebut, penelitian ini bertujuan untuk menentukan alokasi distribusi beras dari supply area menuju demand area berdasarkan jarak terpendek.
Harapannya, optimasi alokasi ini dapat berdampak pada meminimumkan jarak dan biaya pengiriman, meminimumkan kerugian karena beras rusak, serta mencegah kenaikan harga dipasar karena kelangkaan.
Penelitian ini memodelkan alokasi distribusi beras sebagai permasalahan transportasi dan menyelesaikannya dengan metode North West Corner (NWC).
Vogel Approximation Method (VAM).
Least Cost, dan Particle Swarm Optimization (PSO).
Metode transportasi klasik dibandingkan dengan metode metaheuristic untuk memberikan pengayaan informasi riset akademik berkelanjutan.
Di sisi lain, hasil penelitian ini harapannya dapat menjadi dasar pengembangan model distribusi pangan nasional yang lebih efisien berbasis pendekatan optimasi, sehingga menjembatani kesenjangan antara teori optimasi transportasi dan implementasi kebijakan logistik pangan.
Batasan pada riset kali ini adalah jarak antar provinsi berdasarkan garis lurus diasumsikan merepresentasikan kondisi perbandingan jarak antara satu provinsi dengan provinsi lain, serta fungsi objektif pada pemodelan transportasi kali ini adalah jarak akumulasi beras yang dikirimkan.
Model PSO yang digunakan adalah versi sederhana dengan mempertimbangkan random fisible solution.
METODE PENELITIAN
Metode Pemodelan dan Optimasi Penelitian ini membangun sebuah model transportation problem untuk kasus alokasi distribusi beras antar provinsi di Indonesia.
Model matematika yang dibangun terdiri dari Jurnal PASTI.
Vol.
No.
April 2026, 12-26 fungsi objektif, batasan, dan variabel keputusan.
Metode yang digunakan dalam menyelesaikan model transportation problem ini adalah North West Corner (NWC).
Least Cost Method (LCM).
VogelAos Approximation Method (VAM) dan Particle Swarm Optimization (PSO).
Lokasi dan Ruang Lingkup Penelitian Objek penelitian adalah distribusi beras antar 34 provinsi di Indonesia yang diklasifikasikan - Supply area .
rovinsi surplu.
- Demand area .
rovinsi defisi.
Ruang lingkup penelitian dibatasi pada:
- Distribusi antar provinsi - Minimasi total jarak distribusi .
on-kilomete.
- Tidak mempertimbangkan rute kendaraan atau jalur transportasi aktual - Tidak mempertimbangkan biaya operasional riil Data dan Sumber Data Data yang digunakan dalam penelitian ini meliputi:
- Data produksi dan konsumsi beras 34 provinsi - Selisih surplus dan defisit tiap provinsi - Jarak antar provinsi .
aris luru.
- Matriks biaya .
iasumsikan sama dengan jara.
Sumber data:
- Data produksi dan konsumsi diperoleh dari Badan Pusat Statistik (BPS) - Jarak antar provinsi diperoleh melalui Google Maps .
aris luru.
Variabel Penelitian Variabel keputusan:
Xij = jumlah beras yang dikirim dari i provinsi ke provinsi j Fungsi Tujuan:
ycAycnycu ycs = Ocyco ycn=1 Ocyc=1 ycUycnyc Oo ycaycnyc Ocycuyc=1 ycUycnyc = ycIycn Ocycuyc=1 ycUycnyc = yayc ycUycnyc Ou 0 Batasan:
Dimana:
Z = total akumulasi jarak pengiriman Cij = jarak dari provinsi i ke provinsi j Si = total beras yang akan di suplai Dj = total beras yang akan diterima (Hillier, 2.
Tahapan Penelitian Tahapan penelitian dilakukan sebagai berikut:
- Identifikasi provinsi surplus dan defisit - Penyusunan matriks supply, demand, dan jarak - Balancing model menggunakan dummy jika diperlukan Jurnal PASTI.
Vol.
No.
April 2026, 12-26 Penyelesaian Transportation Problem menggunakan:
- North West Corner - Least Cost - VogelAos Approximation Method - Particle Swarm Optimization - Perhitungan total jarak distribusi untuk masing-masing metode - Perbandingan hasil keempat metode - Analisis dan interpretasi hasil Particle Swarm Optimization (PSO) Implementasi pencarian alokasi optimum menggunakan metode PSO memiliki model matematika sama halnya dengan ketiga metode klasik pada penelitian ini.
Fungsi tujuan merupakan fungsi fitness yang digunakan sebagai penilaian untuk setiap partikel baru.
Parameter teknis proses simulasi, ditunjukan pada Tabel 1.
Tabel 1.
Parameter Simulasi PSO Parameter Nilai Keterangan Jumlah partikel Banyaknya solusi dalam populasi (Li et al.
, 2.
Iterasi maksimum Jumlah perulangan proses optimasi (Li et al.
, 2.
Mengontrol keseimbangan eksplorasi dan eksploitasi (Muhajir et al.
, 2.
Inertia weight (O) Cognitive coefficient .
Pengaruh pengalaman individu .
(Muhajir et al.
Social coefficient .
Pengaruh pengalaman global .
(Muhajir et al.
Dimensi partikel .
Matriks distribusi Persamaan update kecepatan:
= yc Oo ycycnyc yca1 yc1 .
cyycayceycycycnyc Oe ycuycnyc yca2 yc2 .
ciycayceycycycnyc Oe ycuycnyc Persamaan update posisi:
= ycuycnyc Dengan:
r1, r2 = bilangan acak .
Normalisasi baris .
ycuycnyc = ycuycnyc y Oc ycuycn ycn ycnyc Normalisasi kolom .
ycuycnyc = ycuycnyc y Oc ycuyc ycn ycnyc Alur algoritma PSO:
Inisialisasi partikel dan kecepatan Hitung fitness setiap partikel Tentukan:
- pbest .
est tiap partike.
- gbest .
est globa.
Ulangi hingga iterasi maksimum:
- Update velocity - Update posisi Jurnal PASTI.
Vol.
No.
April 2026, 12-26 - Repair solusi - Evaluasi fitness - Update pbest & gbest Hasil akhir = gbest Teknik Analisis Data Analisis dilakukan dengan:
- Menghitung total jarak distribusi setiap metode - Membandingkan nilai fungsi objektif - Menghitung selisih dan persentase efisiensi antar metode - Menganalisis pola alokasi distribusi Kesimpulan dan Rekomendasi Kesimpulan ditarik berdasarkan metode yang menghasilkan nilai fungsi objektif minimum.
Rekomendasi diberikan untuk penelitian lanjutan dengan mempertimbangkan:
- Biaya transportasi riil - Model Vehicle Routing Problem - Metaheuristik diskrit yang lebih kompleks HASIL DAN PEMBAHASAN Analisis Hasil Penelitian ini menggunakan data produksi dan konsumsi beras per provinsi tahun 2024 karena merupakan data terbaru yang telah dipublikasikan secara resmi dan lengkap oleh Badan Pusat Statistik.
Data tahun 2025 belum tersedia secara penuh dan masih berpotensi mengalami revisi sehingga tidak digunakan dalam penelitian ini.
Selanjutnya, data produksi dan konsumsi beras di setiap provinsi dihitung untuk menentukan apakah terjadi surplus atau defisit.
Provinsi yang mengalami defisit disajikan pada Tabel 2, sedangkan provinsi yang mengalami surplus disajikan pada Tabel 3.
Tabel 2.
Provinsi Defisit Beras Produksi (Ribu To.
Konsumsi (Ribu To.
Riau
129,61
587,75
Jambi
168,55
312,27
-143,72
Defisit
Bengkulu
156,76
199,34
-42,58
Defisit Kep.
Bangka Belitung (Babe.
44,84 140,13 -95,29 Defisit Kepulauan Riau (Kepr.
189,77 -189,57 Defisit DKI Jakarta (DKI JKT) 1,45 1251,44 -1249,99 Defisit Jawa Barat (Jaba.
Defisit DI Yogyakarta (DIY) 258,04 389,73 -131,69 Defisit Banten Defisit Bali 365,42 539,22 -173,8 Defisit Nusa Tenggara Timur (NTT) 414,06 663,66 -249,6 Defisit Kalimantan Barat (Kalba.
473,27 516,75 -43,48 Defisit Kalimantan Tengah (Kalten.
224,64 -31,56 Defisit Kalimantan Utara (Kalu.
62,28 -41,98 Defisit Sulawesi Utara (Sulu.
149,08 285,33 -136,25 Defisit Provinsi Sumatera Utara (Sumu.
Selisih
Keterangan Defisit
-458,14
Defisit Jurnal PASTI.
Vol.
No.
April 2026, 12-26 Tabel 2.
Provinsi Defisit Beras (Lanjuta.
Gorontalo (GTO) Produksi (Ribu To.
122,16 Konsumsi (Ribu To.
139,04 Maluku (MA) 49,98 Maluku Utara (MU) Provinsi
Selisih
Keterangan -16,88 Defisit
215,02
-165,04
Defisit
21,23
124,54
-103,31
Defisit Papua Barat (Paba.
13,62 107,03 -93,41 Defisit
Papua
128,68
-153,12
Defisit Tabel 3.
Provinsi Surplus Beras Produksi (Ribu To.
Konsumsi (Ribu To.
Selisih
Keterangan Aceh
946,71
637,03
309,68
Surplus Sumatera Barat (Sumba.
782,87 646,11 136,76 Surplus Sumatera Selatan (Sulse.
Surplus Lampung Surplus Jawa Tengah (Jaten.
Surplus Provinsi Jawa Timur (Jati.
Surplus Nusa Tenggara Barat (NTB) 872,81 670,34 202,47 Surplus Kalimantan Selatan (Kalse.
579,47 437,55 141,92 Surplus Sulawesi Tengah (Sulten.
448,52 357,22 Surplus Sulawesi Selatan (Sulse.
Surplus Sulawesi Tenggara (Sultr.
317,56 303,64 13,92 Surplus Sulawesi Barat (Sulba.
185,52 178,75 6,77 Surplus Dalam model penelitian ini, provinsi surplus berperan sebagai daerah pemasok .
, sementara provinsi defisit berperan sebagai daerah tujuan distribusi .
Berdasarkan data, total beras surplus adalah 6382,82 ribu ton sedangkan total beras defisit adalah 5529,41 ribu ton, dengan kata lain masih ada kelebihan sebesar 853,41 ribu ton.
Kondisi ini menunjukkan bahwa secara agregat kebutuhan beras nasional masih dapat Berdasarkan data pada tabel, wilayah yang mengalami surplus paling besar adalah wilayah Jawa Tengah dan Jawa Timur, sedangkan yang mengalami defisit paling besar adalah DKI Jakarta dan Jawa Barat.
Kondisi ini menggambarkan ketidakseimbangan antara produksi dan konsumsi di beberapa wilayah sehingga perlu pendistribusian untuk bisa memenuhi kebutuhan tersebut.
Oleh karena itu, perlu adanya upaya untuk melakukan optimasi alokasi distribusi antara wilayah supplier dan wilayah tujuan distribusi.
Metode yang diterapkan untuk optimasi alokasi distribusi tersebut adalah NWC, least cost, vogel, dan PSO.
Pada data yang tersedia, total beras yang akan di supply tidak sebanding dengan total kebutuhan beras wilayah distribusi, sehingga perlu adanya penambahan dummy pada penerapan keempat metode optimasi tersebut untuk dapat menyeimbangkan antara jumlah supply dan demand.
Hasil North West Corner (NWC) Metode NWC dilakukan dengan mencari feasible solution awal dalam menentukan alokasi distribusi dari wilayah supplier ke wilayah tujuan distribusi.
Langkah yang dilakukan dengan mengalokasikan distribusi di cell pojok kiri atas, yang kemudian dilanjut ke baris Jurnal PASTI.
Vol.
No.
April 2026, 12-26 atau kolom selanjutnya jika kapasitas cell yang diduduki saat ini sudah penuh, begitu selanjutnya sampai seluruh supply terdistribusi ke wilayah tujuan.
Pada metode ini tidak dipertimbangkan mengenai jarak tempuh yang dilalui sehingga total hasil akumulasi jarak atau nilai fungsi objektif pada penelitian kali ini adalah sebagai berikut:
ZNWC= 3,233,548.
73 km.
ribu ton
Dummy Papua
Pabar
GTO
Sulut
Kaltim
Kalteng
Kalsel
NTT
Bali 6,05 Banten
37,93
135,87
DIY
164,54
245,46
Jabar
647,15
131,69
DKI JKT
657,14
592,85
542,85
Kepri
96,71
92,86
Babel
95,29
Bengkulu
42,58
Jambi
143,72
Riau
36,44
309,68
100,32
NTB
Kalsel Jatim Jateng Lampung Sumsel Sumbar Aceh Asal\ Tujuan Sumut Tabel 4.
Alokasi Beras dengan Metode NWC Jurnal PASTI.
Vol.
No.
April 2026, 12-26
Dummy Papua
832,72
13,92
6,77
Pabar
153,12
93,41
103,31
GTO
165,04
Sulut
16,88
Kaltim
136,25
Kalteng
41,98
Kalsel
31,56
NTT
43,48
Bali 152,25 Banten
DIY
Jabar
DKI JKT
Kepri Babel Bengkulu Jambi Riau Sultra Total Biaya Sulbar Sulsel Sulteng Asal \ Tujuan Sumut Tabel 4.
Alokasi Beras dengan Metode NWC (Lanjuta.
3,233,549 Hasil Least Cost Metode Least Cost dilakukan dengan mencari feasible solution awal berdasarkan pada jarak paling minimum dalam menentukan alokasi distribusi dari wilayah supplier ke wilayah tujuan distribusi sehingga total hasil akumulasi jarak atau nilai fungsi objektif pada penelitian kali ini adalah sebagai berikut:
ZNWC= 4,596,690.
ribu ton
Dummy 309,68 136,76 Papua
Pabar
GTO
Sulut
Kaltim
Kalteng
Kalsel
NTT
Bali Banten
DIY
Jabar
DKI JKT
Kepri Babel Bengkulu Jambi Riau Aceh Sumbar Asal\ Tujuan Sumut Tabel 5.
Alokasi Beras dengan Metode Least Cost
151,12
103,31
93,41
153,12
13,92
97,04
54,26
458,14
Sulsel
Sultra
16,88
32,44
41,98
Sulteng
31,56
43,48
66,88
Kalsel
28,67
NTB
81,69
798,55
39,76
Jatim
131,69
1108,31
Jateng
108,31
Lampung
406,97
111,44
95,29
42,58
143,72
Sumsel
Dummy Papua
Pabar
GTO
Sulut
Kaltim
Kalteng
Kalsel
NTT
Bali Banten
DIY
Jabar
DKI JKT
Kepri Babel Bengkulu Jambi Riau Asal\ Tujuan Sumut Jurnal PASTI.
Vol.
No.
April 2026, 12-26 Tabel 5.
Alokasi Beras dengan Metode Least Cost (Lanjuta.
Jurnal PASTI.
Vol.
No.
April 2026, 12-26
Dummy Papua
Pabar
6,77
GTO
Sulut
Kaltim
Banten
Kalteng
DIY
Jabar
Kalsel
DKI JKT
Kepri
NTT
Babel Bengkulu Bali Jambi Riau Total Biaya Asal\ Tujuan Sumut Sulbar Tabel 5.
Alokasi Beras dengan Metode Least Cost (Lanjuta.
4,596,691 Hasil Vogel Metode Vogel dilakukan dengan mencari feasible solution awal dalam menentukan alokasi distribusi dari wilayah supplier ke wilayah tujuan distribusi dengan cara menghitung nilai selisih dari biaya terkecil pertama dan biaya terkecil kedua.
Solusi dari metode ini mendekati optimal karena disetiap tahapannya diberlakukan sistem penalti.
Hasil dari metode Vogel ini ditunjukan sebagai berikut:
ZNWC= 2,982,335.
63 km.
ribu ton
Dummy Papua
Pabar
GTO
Sulut
Kaltim
Kalteng
Kalsel
NTT
Bali Banten
DIY
Jabar
DKI JKT
Kepri
189,57
Babel
2,43
Bengkulu
42,58
Jambi
143,72
Riau
36,44
309,68
100,32
Sumsel Lampung Sumbar Aceh Asal\ Tujuan Tujuan Sumut Tabel 6.
Alokasi Beras dengan Metode Vogel
Total
Biaya
13,92
6,77
Sultra
Sulbar
853,41
153,12
93,41
103,31
151,12
61,83
35,21
43,01
25,98
Sulsel
31,56
43,48
66,88
Kalsel
16,88
74,42
Sulteng
28,67
NTB
131,69
788,31
Jatim
330,01
909,99
Jateng
Dummy Papua
Pabar
GTO
Sulut
Kaltim
Kalteng
Kalsel
NTT
Bali Banten
DIY
Jabar
DKI JKT
Kepri Babel Bengkulu Jambi Riau Asal\ Tujuan Tujuan Sumut Jurnal PASTI.
Vol.
No.
April 2026, 12-26 Tabel 6.
Alokasi Beras dengan Metode Vogel (Lanjuta.
2,982,336 Hasil PSO Metode PSO yang digunakan adalah versi sederhana dengan mempertimbangkan random fisible solution.
PSO melakukan pencarian solusi dengan mempertimbangkan:
- Posisi terbaik individu .
- Posisi terbaik global .
- Parameter kecepatan dan iterasi
995,385
155,558
Kalsel
Sulteng
136,25
601,173
NTB
153,12
1249,99
Jatim
103,31
16,88
41,98
742,615
1027,02
95,29
Jateng
93,41
43,48
143,72
Lampung
171,632
42,58
Sumsel
667,995
31,56
Sumbar
458,14
Aceh
Dummy Papua
Pabar
GTO
Sulut
Kaltim
Kalteng
Kalsel
NTT
Bali Banten
DIY
Jabar
DKI JKT
Kepri Babel Bengkulu Jambi Riau Asal\ Tujuan Tujuan Sumut Jurnal PASTI.
Vol.
No.
April 2026, 12-26 Hasil dari metode PSO ini ditunjukan sebagai berikut:
ZNWC= 4,542,298.
ribu ton Tabel 7.
Alokasi Beras dengan Metode PSO Jurnal PASTI.
Vol.
No.
April 2026, 12-26
Dummy Papua
786,611
Pabar
GTO
Sulut
Kaltim
Kalteng
165,04
Kalsel
NTT
Bali 118,508 Banten
DIY
Jabar
742,059
DKI JKT
Kepri
131,69
Babel
Bengkulu
189,57
Jambi Riau Sumut Sultra Total Biaya Sulbar Sulsel Asal\ Tujuan Tabel 7.
Alokasi Beras dengan Metode PSO (Lanjuta.
4,542,299 Perbandingan Hasil Jika dibandingkan antara keempat metode yang digunakan pada penelitian kali ini, maka didapatkan hasil sebagai berikut:
Tabel 8.
Perbandingan Hasil Optimasi
Metode North West Corner
Least Cost
Vogel
PSO
Total Jarak .
ribu to.
3,233,548.
4,596,690.
2,982,335.
4,542,298.
Selisih dari Vogel 251,213.
1,614,354.
1,559,963.
Lebih Mahal Metode Vogel memiliki nilai Total Jarak paling minimum dibandingkan dengan metode optimasi lainnya yaitu sebesar 2,982,335.
Hal ini menunjukkan bahwa pendekatan penalti dalam Vogel lebih efektif dalam mengalokasikan distribusi pada jalur dengan biaya rendah serta menghindari alokasi jarak jauh yang tidak efisien.
Metode North West Corner tidak mempertimbangkan biaya dalam proses alokasi sehingga menghasilkan biaya yang lebih tinggi.
Metode Least Cost bersifat greedy lokal sehingga tidak selalu menghasilkan solusi global optimal.
Sementara itu.
PSO yang digunakan dalam penelitian ini merupakan versi sederhana berbasis random feasible solution sehingga belum mampu mengungguli metode heuristik klasik.
Kinerja PSO yang kurang optimal dalam penelitian ini dapat disebabkan oleh beberapa faktor.
Pertama, implementasi PSO yang digunakan masih bersifat sederhana, yaitu hanya berbasis random feasible solution tanpa menerapkan strategi hybrid initialization.
Dalam pendekatan yang lebih baik, hasil dari metode heuristik seperti Least Cost.
Vogel, dan NWC seharusnya dapat digunakan sebagai bagian dari inisialisasi partikel, bersama dengan partikel lain yang dibangkitkan secara acak.
Jurnal PASTI.
Vol.
No.
April 2026, 12-26 Kedua, parameter PSO yang digunakan belum dioptimasi secara khusus untuk karakteristik permasalahan distribusi beras.
Parameter yang digunakan dalam penelitian ini dipilih berdasarkan kombinasi antara referensi literatur dan pertimbangan efisiensi Nilai-nilai tersebut merupakan nilai moderat yang umum digunakan dalam penelitian PSO (Harrison et al.
, 2.
Dengan demikian, dapat disimpulkan bahwa rendahnya performa PSO dalam penelitian ini bukan disebabkan oleh kelemahan metode PSO secara umum, melainkan karena implementasi yang masih sederhana serta belum adanya penyesuaian terhadap karakteristik permasalahan transportasi.
Oleh karena itu, pengembangan lebih lanjut seperti hybrid PSO atau adaptive parameter sangat direkomendasikan untuk meningkatkan performa metode ini.
PENUTUP
Simpulan Penerapan empat metode optimasi, yaitu North West Corner (NWC).
Least Cost.
Vogel, dan Particle Swarm Optimization (PSO), dalam alokasi distribusi beras antar provinsi telah berhasil dilakukan.
Hasil penelitian menunjukkan bahwa metode Vogel menghasilkan nilai total jarak distribusi paling minimum, yaitu sebesar 2,982,335.
63 km.
ribu ton, sehingga dapat dikatakan sebagai metode yang paling efisien pada kasus yang dikaji.
Secara akademik, penelitian ini menunjukkan bahwa metode heuristik klasik seperti Vogel masih memiliki performa yang sangat kompetitif, bahkan mampu mengungguli metode metaheuristik seperti PSO apabila PSO tidak diimplementasikan dengan strategi yang tepat.
Hal ini menegaskan bahwa pemilihan metode optimasi tidak hanya bergantung pada kompleksitas algoritma, tetapi juga pada kesesuaian metode dengan karakteristik permasalahan.
Dari sisi praktis, hasil penelitian ini memberikan implikasi bahwa pendekatan berbasis optimasi dapat digunakan sebagai dasar dalam perencanaan distribusi beras nasional, khususnya dalam meminimalkan jarak tempuh distribusi antar wilayah surplus dan defisit.
Dengan demikian, metode Vogel dapat dijadikan sebagai alternatif awal dalam menentukan pola distribusi yang lebih efisien.
Saran Penelitian selanjutnya dapat mempertimbangkan penggunaan jarak dan biaya aktual antar provinsi agar hasil yang diperoleh lebih mencerminkan kondisi nyata.
Selain itu, penerapan inisialisasi hybrid juga penting untuk meningkatkan kualitas solusi awal.
Penelitian berikutnya juga dapat mengkaji penggunaan adaptive parameter guna meningkatkan fleksibilitas dan kinerja algoritma.
Terakhir, perlu dilakukan perbandingan dengan metode metaheuristik lainnya untuk mengetahui keunggulan dan efektivitas metode yang digunakan.
DAFTAR PUSTAKA