Anda di halaman 1dari 17

BAB 2

TINJAUAN PUSTAKA


2.1 Pengenalan Perencanaan Tata Letak Ruang

Perencanaan tata letak adalah satu tahap dalam perencanaan fasilitas yang bertujuan
untuk mengembangkan suatu sistem aliran yang efisien dan efektif. Perancangan tata
letak merupakan pengaturan tata letak fasilitas-fasilitas operasi dengan memanfaatkan
area yang tersedia untuk penentuan letak ruangan. Perancangan tata letak hendaknya
fleksibel untukmengantisipasi adanya perubahan permintaan yang akan mengubah tata
letak.
Perencanaan tata letak ruang bertujuan untuk menemukan satu set lokasi pada
serangkaian kegiatan sehingga tata letak yang dihasilkan memenuhi kedua persyaratan
antara aktivitas dan tujuan desain yang nyata, yang biasanya ditentukan oleh sebuah
prioritas. Selain itu, nuansa emosional bangunan, aliran ruang, transisi antara ruang,
filosofis dan teori desain (misalnya ritme, harmoni, variasi, prioritas, pola, tekstur dan
lain-lain) yang dipertimbangkan oleh desainer. Oleh karena itu, jelas bahwa sebuah
program komputer saja mungkin tidak cukup untuk menggabungkan banyak aspek
desain non-nyata untuk menghasilkan tata letak yang memuaskan. Sebelum
munculnya metode yang menggunakan komputer, pendekatan penentuan tata ruang
secara luas dianggap sebagai sebuah proses tiga kali lipat: pengumpulan informasi,
trial and error desain dan solusi presentasi.

2.1.1 Penentuan Kebutuhan Ruang
Untuk memperoleh suatu bentuk dan desain rumah tempat tinggal yang mempunyai
jumlah serta jenis ruang yang sesuai dengan kebutuhan, maka sebelum membangun
rumah sebaiknya tentukan terlebih dahulu kebutuhan-kebutuhan ruang yang akan
dimasukkan dalam rumah tinggal tersebut. Sebuah tahapan perencanaan untuk
6

mementukan kebutuhan ruang dalam rumah yang akan dibangun sangat mutlak,
karena perencanaan yang baik merupakan tahapan awal dan merupakan langkah
penting dalam proses untuk mendesain rumah.
Penentuan kebutuhan ruang dalam perencanaan rumah tinggal merupakan
langkah pertama yang harus dilakukan agar rumah yang akan dibangun tersebut bisa
berfungsi secara maksimal dan memberi kenyamananan terhadap seluruh penghuni.
Hal tersebut sangat penting dilakukan, karena penghuni seluruhnya yang bisa
memahami kebutuhan ruang.

2.1.2 Perencanaan dan Penataan Ruang
Untuk menciptakan keserasian hubungan dan kesatuan antar ruang dalam rumah,
maka perlu dilakukan perencanaan yang matang serta penataan ruang yang sesuai
dengan kegiatan dan aktivitas penghuni. Selain itu, penataan ruang juga bisa
menciptakan aksesibilitas pencapaian antar ruang yang merata antar ruang yang satu
dengan lainnya. Dengan meletakkan ruang-ruang berdasarkan karakter dan fungsinya
kemudian ditambah ruang pengikat yang berupa ruang bersama (ruang makan dan
ruang keluarga), maka akan menciptakan keserasian antara penghuni dengan ruang-
ruang yang dipakai, dan selanjutnya penghuni bisa merasa nyaman dan tenang, serta
betah untuk tinggal di dalamnya.
Untuk meningkatkan efisiensi dalam penataan ruang, sebaiknya ruang-ruang
yang mempunyai fungsi serupa, misalnya teras dan ruang tamu, ruang keluarga dan
ruang makan dapat disatukan atau ditempatkan dalam zona yang sama.
Menentukan zonasi ruang merupakan upaya untuk menciptakan komposisi
ruang yang menyatu berikut jalur sirkulasi yang tidak cross (terjadi benturan antar
penghuni) dalam rumah tinggal dan betul-betul ideal, karena susunan tatana ruang
yang tidak sesuai dengan kaidah dan kondisi seta sifat dan karakter penghuni akan
berdampak terhadap perubahan pola dan perilaku penghuni rumah.
Ada tiga pengelompokan aktivitas dalam perumahan antara lain:
1. Area Permukiman (Living Area)
Area ini merupakan kelompok ruang yang terdiri atas:
a. Ruang tamu, berfungsi sebagai tempat untuk menerima tamu. Ruang ini
menampung fungsi-fungsi sesuai dengan kebutuhan aktivitas penghuni,
misalnya untuk pertemuan atau perjamuan. Biasanya ruang ini terletak pada
7

area yang mudah di akses oleh tamu dari arah luar. Pada umumnya ruang tamu
ini berada di bagian depan bangunan .
b. Ruang Makan, merupakan tempat untuk makan seluruh anggota keluarga.
Sesuai dengan fungsinya , ruang ini sebaiknya di letakkan berdekatan dengan
area persiapan makanan (dapur). Biasanya saat makan bersama maka seluruh
atau sebagian besar anggota keluarga berkumpul sehingga aktivitas ini juga
merupakan sarana interaksi antar anggota keluarga. Karenanya ruang makan
sebaiknya dapat menampung dua aktifitas tersebut.
c. Ruang Keluarga, merupakan tempat berkumpul dan berinteraksi antar anggota
keliuarga. Di ruang ini sering kali di lakukan aktivitas hiburan dan bersantai,
ruang ini merupakan area semi publik dan di rencanakan dengan suasana
akrab.

2. Area Peristirahatan (Sleeping Area)
Area ini merupakan kelompok ruang yang terdiri atas:
a. Ruang Tidur, merupakan ruang tempat beristirahat setalah seharian
beraktivitas. Karenanya ruang ini harus di rencanakan dengan perlengkapan
istirahat dan suasana santai serta tenang, agar penghuni dapat beristirahat
dengan yaman. Ruang ini harus di hindarkan dari kebisingan, polusi cukup
sinar mataharai dan memiliki sirkulasi udara yang lancar.
b. Kamar mandi, merupakan area untuk membersihkan diri.

3. Area Pelayanan (Service Area)
Area ini merupakan kelompok ruang yang terdiri atas:
a. Dapur, merupakan ruang untuk mempersiapkan makanan, Sirkulasi udara di
ruang ini harus di rencanakan dengan baik agar asap yang timbul dari aktivitas
memasak dapat secepat mungkin hilang.
b. Ruang Penyimpanan (Gudang), yang disediakan untuk menyimpan berbagi
peralatan dan perlengkapan rumah tangga, baik yang belum akan digunakan,
maupun yang sudah tidak digunakan lagi.
c. Garasi, yaitu area untuk menyimpan kendaraan. Area ini perlu di pisahkan
karena biasanya dekat denngan debu dan polusi dan pada umumnya terletak
pada bagian depan rumah.
8

Berdasarkan pengelompokan aktivitas dalam perumahan, kita dapat menyimpulkan
pengelompokan ruang adalah sebagai berikut :
Area Pelayanan Area Pemukiman Area Peristirahatan
Dapur
Garasi
Gudang
Ruang Tamu
Ruang Keluarga
Ruang Dapur
Kamar Tidur Utama
Kamar Mandi
Kamar Tidur Anak
Gambar 2.1 Pola Zonasi Ruang Berdasarkan Aktivitas
(Sumber : Suparman, 2012)

Berdasarkan hak akses setiap rumah memiliki 3 pengelompokan antara lain :
1. Area Publik
Pada area publik, aktifitas ruangan tergolong sibuk dan akses ruangan tergolong
bebas, tidak ada pembatasan akses sehingga setiap orang dibolehkan mengakses dan
menggunakan fungsi ruangan pada area ini.
2. Area Semi Publik
Pada area semi publik, aktifitas ruangan tergolong tidak terlalu sibuk dan akses
ruangan tergolong tidak terlalu bebas, ada pembatasan akses namun tidak terlalu kuat
sehingga ada batasan akses pada ruangan pada area ini.
3. Area Privat
Pada area privat, aktifitas ruangan tergolong tidak sepi dan akses ruangan tergolong
tidak bebas, ada pembatasan akses yang kuat sehingga tidak setiap orang dibolehkan
mengakses dan menggunakan fungsi ruangan pada area ini.

Gambar 2.2 Pola Zonasi Ruang Berdasarkan Hak Akses
9

2.2 Algoritma Genetika

Ide awal algoritma genetika berasal dari teori Charles Darwin tentang evolusi yang
berbasis pada konsep survival of the fittest yang menyatakan bahwa evolusi jenis-
jenis spesies makhluk hidup dan ekosistemnya terjadi karena seleksi alam. Semakin
tinggi kemampuan individu untuk beradaptasi, maka semakin tinggi kemungkinan
individu tersebut dapat bertahan dan memiliki keturunan. Keturunan dari individu-
individu tersebut akan mewarisi sifat-sifat induknya, dimana sifat-sifat tersebut dapat
mengalami perubahan yang disebabkan oleh pencampuran sifat kedua induk maupun
proses mutasi.
Algoritma Genetika ditemukan pertama kali pada tahun 1960. Algoritma
Genetika merupakan salah satu algoritma pemodelan evolusi (evolutionary modelling)
yang dikembangkan oleh John Holland pada dekade 1960 dan 1970-an dengan tujuan
memodelkan perkembangan kemampuan adaptasi sebuah sistem. Algoritma genetika
diimplementasikan sebagai simulasi yang berawal dari sebuah populasi yang
dihasilkan secara random dan terdiri dari kromosom-kromosom, seperti halnya
anggota tubuh makhluk hidup dan merepresentasikan solusi dari masalah. Populasi
tersebut akan menghasilkan keturunan populasi yang baru dan diharapkan lebih baik
dari populasi sebelumnya. Semakin baik kondisi suatu populasi, semakin besar
kemungkinan populasi itu untuk dikembangkan menjadi populasi selanjutnya.Kondisi
ini diulangi sampai mendapatkan kondisi yang diharapkan, dengan kata lain solusi
terbaik sudah diperoleh.
Untaian solusi merupakan analogi sebuah kromosom, dimana setiap
kromosom memiliki sebuah nilai fungsi obyektif yang bersesuaian dengan parameter
masalah yang disebut nilai fitnes (fitness value). Apabila sebuah kromosom dikatakan
unggul berarti memiliki nilai fitness yang tinggi (untuk masalah maksimasi) atau nilai
fitness yang rendah (untuk masalah minimasi). Nilai fitness menunjukkan kromosom
mana yang memiliki potensi terbaik untuk diturunkan pada generasi berikutnya. Satu
tahapan iterasi pada algoritma genetika disebut generasi, dan selama langkah
inistruktur dalam populasi saat itu akan dievaluasi untuk menentukan populasi pada
generasi berikutnya (Berlianty & Arifin 2010).
10

2.2.1 Aplikasi Algoritma Genetika
Ada 3 keuntungan utama dalam mengaplikasikan Algoritma Genetika pada masalah-
masalah optimasi (Samani, 2012) :
1. Algoritma Genetika tidak memerlukan kebutuhan matematis banyak mengenai
masalah optimasi.
2. Kemudahan dan kenyamanan pada operator-operator evolusi membuat Algoritma
Genetika sangat efektif dalam melakukan pencarian global.
3. Algoritma Genetika menyediakan banyak fleksibelitas untuk digabungkan dengan
metode heuristic yang tergantung domain, untuk membuat implementasi yang
efisien pada masalah-masalah khusus.
Algoritma genetika telah banyak diaplikasikan untuk penyelesaian masalah
dan pemodelan dalam bidang teknologi, bisnis dan entertainment (Samani, 2012)
antara lain:
1. Optimasi
Algoritma Genetika untuk optimasi numeric dan optimasi kombinatorial
seperti Traveling Salesman Problem (TSP), perancangan Intergrated Circuit
atau IC, job shop scheduling, optimasi video, dan suara.
2. Pemograman otomatis
Algoritma genetika telah digunakan untuk melakukan proses evolusi terhadap
program komputer untuk merancang struktur komputasional, seperti cellular
automatis dan sorting networks.
3. Machine learning
Algoritma genetika telah berhasil diaplikasikan untuk memprediksi struktur
protein. Algoritma genetika juga berhasil diaplikasikan dalam perancangan
neural networks (jaringan syaraf tiruan) untuk melakukan proses evolusi
terhadap aturan-aturan pada learning classifier systems atau symbolic
prosuction systems. Algoritma genetika juga digunakan untuk mengontrol
robot.
4. Model Ekonomi
Algoritma genetika telah digunakan untuk memodelkan proses-proses inovasi
dan pembangunan bidding strategis.
11

5. Model Sistem Imunisasi
Algoritma genetika telah berhasil digunakan untuk memodelkan berbagai
aspek pada sistem imunisasi alamiah, termasuk somatic mulation selama
kehidupan individu dan menentukan keluarga dengan gen ganda (multi -gen
families) sepanjang waktu evolusi.
6. Model Ekologis
Algoritma genetika telah berhasil digunakan untuk memodelkan fenomena
ekologis seperti host-parasite co-evolutions, simbiosis dan aliran sumber daya
dalam ekologi.
7. Interaksi antara Evolusi dan Belajar
Algoritma genetika telah digunakan untuk mempelajari bagaimana proses
belajar suatu individu bisa mempengaruhi proses evolusi suatu species dan
sebaliknya.

2.2.2 Komponen Algoritma Genetika
Ada beberapa komponen algoritma genetika yang perlu diketahui sebelum pembuatan
program diantaranya yaitu:
A. Teknik Pengkodean
Teknik pengkodean adalah bagaimana mengodekan gen dari kromosom, dimana gen
merupakan bagian dari kromosom. Satu gen biasanya akan mewakili satu variable.
Agar dapat diproses melalui algoritma genetik, maka alternatif solusi tersebut harus
dikodekan terlebih dahulu kedalam bentuk kromosom. Masing-masing kromosom
berisi sejumlah gen yang mengodekan informasi yang disimpan didalam kromosom.
Gen dapat direpresentasikan dalam bentuk bit, bilangan real, daftar aturan,
elemen permutasi, elemen program atau representasi lainnya yang dapat
diimplementasikan untuk operator genetika.



12


Kromosom


Populasi

M = besar kromosom
N = panjang kromosom
Gambar 2.2 Pengkodean dengan Algoritma Genetika

B. Pengertian Individu
Individu menyatakan salah satu solusi yang mungkin. Individu dapat dikatakan sama
dengan kromosom, yang merupakan kumpulan gen. Beberapa definisi penting yang
perlu diperhatikan dalam membangun penyelesain masalah menggunakan algoritma
genetika. Istilah-istilah tersebut dapat disebutkan sebagai berikut (Berlianty & Arifin
2010):
1. Kromosom, merupakan tempat penyimpanan informasi gentika. Di dalam
algoritma genetika pada umumnya string dianalogikan sebagai kromosom.
2. Genotype(struktur), kombinasi satu atau beberapa kromosom yang membentuk
fungsi kerja suatu organisme. Interaksi sekumpulan kromosom disenut dengan
genotype. Di dalam algoritma gentika struktur dianalogikan sebagai genotype.
3. Phenotype (set parameter), interaksi di dalam struktur terjadi karena adanya proses
transformasi kode-kode genetika. Modifikasi ini disebut phenotype. Phenotype
tersebut merupakan representasi set parameter masalah yang sedang dihadapi.
Representasi kode dapat berupa numerik atau non numerik.
4. Genes, suatu kromosom yang dibentuk oleh beberapa gen.
5. Alleles (feature value), suatu feature yang memiliki nilai feature tertentu yang
disebut dengan allele.
6. Locus (positioning), letak gen dalam suatu kromosom. Setiap featurememiliki
urutan posisi di dalam string.
1 1 2 3 N
2 1 2 3 N
M-1 1 2 3 N
M 1 2 3 N
13

Hal-hal yang harus dilakukan dalam Algoritma Genetika yaitu:
1. Mendefinisikan individu, dimana individu menyatakan salah satu solusi
(penyelesaian) yang mungkin dari permasalahan yang diangkat.
2. Mendefinisikan nilai fitness, yang merupakan ukuran baik-tidaknya sebuah
individu baik-tidaknya solusi yang didapat.
3. Menentukan proses pembangkitan populasi awal. Hal ini biasanya dilakukan
dengan menggunakan pembangkitan acak seperti random-walk.
4. Menentukan proses seleksi yang akan digunakan.
5. Menentukan proses perkawinan silang (cross-over) dan mutasi gen yang akan
digunakan.
Hal penting yang harus diketahui dalam pemakaian Algoritma genetika:
1. Algoritma Genetika adalah algoritma yang dikembangkan dari proses pencarian
solusi menggunakan pencarian acak, ini terlihat pada proses pembangkitan
populasi awal yang menyatakan sekumpulan solusi yang dipilih secara acak.
2. Algoritma Genetika bekerja dengan bilangan acak pada kromosom awal, sehingga
memungkinkan kromosom terbaik tidak terlibat dalam proses.
3. Algoritma genetika menggunakan pembangkit bilangan random dalam setiap
pemilihan kromosom, baik induk, proses persilangan, maupun mutasi.
4. Solusi yang dihasilkan belum tentu merupakan solusi yang optimal, karena sangat
dipengaruhi oleh bilangan acak yang dibangkitkan.

C. Membangkitkan Populasi Awal
Kebanyakan metode optimasi klasik memasukkan urutan deterministik dan komputasi
berdasarkan gradien atau turunan dengan orde lebih tinggi dari fungsi objektif.
Metode ini diterapkan pada titik tunggal dalam space search. Pendekatan point to
point ini dapat menyebar pada lokal optimal. Algoritma genetika menampilkan
mutiple directional search dengan menjaga populasi dari solusi potensial (Berlianty &
Arifin 2010).
Membangkitkan populasi awal adalah proses membangkitkan sejumlah
individu secara acak atau melalui procedure tertentu. Ukuran untuk populasi
tergantung pada masalah yang akan diselesaikan dan jenis operator genetika yang
14

akan diimplementasikan. Setelah ukuran populasi ditentukan, kemudian dilakukan
pembangkitan populasi awal.
Teknik dalam pembangkitan populasi awal ini ada beberapa cara, diantaranya
adalah sebagai berikut:
1. Seperti pada metode random seach, pencarian solusi dimulai dari suatu titik uji
tertentu. Titik uji tersebut dianggap sebagai alternative solusi yang disebut sebagai
populasi.
2. Random Generator
Random generator adalah melibatkan pembangkitan bilangan random untuk nilai
setiap gen sesuai dengan representasi kromosom yang digunakan.
3. Pendekatan tertentu (memasukan nilai tertentu kedalam gen)
Cara ini adalah dengan memasukan nilai tertentu kedalam gen dari populasi awal
yang dibentuk.
4. Permutasi Gen
Cara ini adalah penggunaan permutasi josephus dalam permasalahan
kombinatorial seperti TSP.

D. Fungsi fitness
Suatu individu atau kromosom dievaluasi berdasarkan suatu fungsi tertentu sebagai
ukuran performasinya.Fungsi yang digunakan untuk mengukur nilai kecocokan atau
derajat optimalitas suatu kromosom disebut dengan fitness function.Nilai yang
dihasilkan dari fungsi tersebut menandakan seberapa optimal solusi yang diperoleh.
Nilai yang dihasilkan oleh fungsi fitness merepresentasikan seberapa banyak jumlah
persyaratan yang dilanggar, sehingga dalam kasus penjadwalan perkuliahan semakin
kecil jumlah pelanggaran yang dihasilkan maka solusi yang dihsilkan akan semakin
baik.
E. Seleksi
Setiap kromosom yang terdapat dalam populasi akan melalui proses seleksi untuk
dipilih menjadi orang tua. Sesuai dengan teori Evolusi Darwin maka kromosom yang
baik akan bertahan dan menghasilkan keturunan yang baru untuk generasi selanjutnya.
15

Ada beberapa metode seleksi, yaitu:
a. Seleksi Roulette Wheel
Model seleksi ini merupakan model yang paling besar variansinya. Munculnya
individu superior sering terjadi pada model ini, sehingga perlu strategi lain
menangani hal ini.
b. Seleksi Rangking
Seleksi ini memperbaiki proses seleksi yang sebelumnya yaitu roulette wheel
karena pada seleksi tersebut kemungkinan selain satu kromosom mempunyai
nilai fitness yang mendominasi hingga 90% bisa terjadi.Sehingga nilai fitness
yang lain akan mempunyai kemungkinan yang sangat kecil untuk terpilih.
Seleksi rangking dipakai untuk mengatasi masalah di atas, pertama-tama,
diurutkan seluruh kromosom berdasarkan bagus-tidaknya solusi berdasarkan
nilai fitness-nya.Setelah diurutkan, kromosom terburuk diberi nilai fitness baru
sebesar 1, kromosom kedua terburuk diberi nilai fitness baru sebesar 2, dan
seterusnya.Kromosom terbaik diberi nilai fitness baru sebesar n dimana n
adalah banyak kromosom dalam suatu populasi.
c. Seleksi Steady State
Metode ini tidak banyak digunakan dalam proses seleksi karena dilakukan
dengan mempertahankan individu yang terbaik. Pada setiap generasi, akan
dipilih beberapa kromosom-kromosom yang memiliki nilai fitness terburuk
akan digantikan dengan offspring yang baru. Sehingga pada generasi
selanjutnya akan terdapat beberapa populasi yang dipertahankan.
d. Seleksi Turnamen
Merupakan metode seleksi lainnya yang didasari fenomena alamiah seperti
turnamen antar individu dalam populasi.Dilakukan dengan memilih secara
acak beberapa kromosom dari populasi. Individu-individu yang terbaik dalam
kelompok ini akan diseleksi sebagai induk.

e. Truncation Random
Metode ini lebih mudah diterapkan jika dibandingkan dengan metode Roulette
Wheel, pemilihan kromosom dilakukan secara acak tetapi tidak semua
kromosom mendapatkan kesempatan tersebut, hanya kromosom terbaik saja
yang berpeluang.
16

F. Cross-Over atau Kawin Silang
Proses kawin silang adalah salah satu operator penting dalam algoritma genetika,
metode dan tipe crossover yang dilakukan tergantung dari encoding dan permasalahan
yang diangkat. Ada beberapa cara yang bisa digunakan untuk melakukan crossover
sesuai dengan encodingnya sebagai berikut:
a. Binary Encoding
i. Single Point Crossover
Memilih satu titik tertentu, selanjutnya nilai biner sampai titik crossovernya dari induk
pertama digunakan dan sisanya dilanjutkan dengan nilai biner dari induk kedua.

Gambar 2.3 Single Point Crossover dengan Representasi Bit
ii. Two Point Crossover
Memilih dua titik tertentu, lalu nilai biner sampai titik crossover pertama pada induk
pertama digunakan, dilanjutkan dengan nilai biner dari titik sampai titik kedua dari
induk kedua, kemudian sisanya dilanjutkan nilai biner dari titik kedua induk pertama
lagi.

Gambar 2.4 Two Point Crossover dengan Representasi Bit
iii. UniformCrossover
Nilai biner yang digunakan dipilih secara random dari kedua induk.

Gambar 2.5 Uniform Crossover dengan Representasi Bit
17

iv. Arithmetic Crossover
Suatu operasi aritmatika digunakan untuk menghasilkan offspring yang baru.

Gambar 2.6 Arithmetic Crossover dengan Representasi Bit
b. Permutation Encoding
Memilih satu titik tertentu, nilai permutation sampai titik crossover. Pada induk
pertama digunakan lalu sisanya dilakukan scan terlebih dahulu, jika nilai permutasi
pada induk kedua belum ada pada offspring nilai tersebut ditambahkan.
(123456789) + (453689721) = (123456 7 89)
c. Value Encoding
Semua metode crossover pada binary crossover bisa digunakan.
d. Tree Encoding
Memilih satu titik tertentu dari tiap induk, dan menggunakan tree dibawah titik pada
induk pertama dan tree dibawah induk kedua.

Gambar 2.7 Crossover dengan Representasi Tree
G. Mutasi
Mutasi merupakan proses mengubah nilai dari satu atau beberapa gen dalam suatu
kromosom. Mutasi ini berperan untuk menggantikan gen yang hilang dari populasi
akibat seleksi yang memungkinkan munculnya kembali gen yang tidak muncul pada
18

inisialisasi populasi. Beberapa cara operasi mutasi yang diterapkan dalam algoritma
genetika, antara lain:
a. Mutasi Kromosom dengan Representasi bit.
Caranya dengan memilih bit dan kemudian dibalikkan, apabilatadinya 0 maka
dibalikkan menjadi 1, dan sebaliknya.

Gambar 2.8 Mutasi Kromosom dengan Representasi Bit
b. Mutasi Kromosom dengan Representasi Integer.
Caranya dengan melakukan penukaran urutan dengan memilih dua titik dan
menukarkan posisinya.
(1 2 3 4 5 6 7 8 9) => (1 8 3 4 5 6 7 2 9)
c. Mutasi Kromosom dengan Representasi Floating Point.
Caranya dengan melakukan penambahan bilangan kecil untuk pengkodean bilangan
rill.
(1,43 1,29 4,61 9,01 6,94) => (1,43 1,19 4,51 9,01 6,94)
d. Mutasi dalam pengkodean pohon
Mutasi dalam pengkodean pohon dapat dilakukan antara lain dengan cara mengubah
operator ( +, -, *, / ) atau nilai yang terkandung dalam suatu verteks pohon yang
dipilih.

Gambar 2.9 Mutasi dalam Representasi Tree
19

H. Kondisi Selesai
Jika kondisi telah terpenuhi, maka algoritma genetika akan menghentikan proses
pencariannya, tetapi jika belum terpenuhi maka algoritma genetika akan kembali ke
evaluasi fitness.
2.3 Penelitian Sebelumnya
Beberapa penelitian melibatkan optimasi menggunakan algoritma genetika dilakukan
oleh Purnomo & Kusumadewi (2005) Aplikasi Algoritma Genetika untuk Penentuan
Tata Letak Mesin yang menggunakan algoritma genetika untuk menentukan tata letak
mesin pada suatu gudang dengan memperhatikan aktifitas penggunaan mesin,
Manahan (2004) Perencanaan Tata Guna Lahan dengan Algoritma Genetika di Kota
Bandung yang menggunakana algoritma genetika dalam penyusunan tata guna lahan,
Dewi (2009) Algortima Genetika untuk Permasalahan Pengaturan Box Pada
Kontainer yang menggunakan algoritma genetika dalam penyusunan box yang bersifat
homogen pada sebuah kontainer, Prasetio (2010) yang menggunakan algoritma
genetika dalam penentuan rute optimal di kota Bandung, Abdullah (2009) Analisis
dan Implementasi Algoritma Genetika pada Penjadwalan Mata Kuliah yang
menggunakan algoritma genetika dalam penentuan jadwal mata kuliah dengan
parameter jam sibuk dan jam kosong. Secara ringkas dapat dilihat dalam Tabel 2.1














20

Tabel 2.1 Penelitian Optimasi Menggunakan Algoritma Genetika
No Judul / Tahun Peneliti Kelebihan / kekurangan
1 Aplikasi Algoritma
Genetika untuk
Penentuan Tata
Letak Mesin, 2005
Hari Purnomo, Sri
Kusumadewi
Kelebihan :Sistem dapat
mengahasilkan fitness area
yang cenderung tinggi karena
bersifat homogen.
Kekurangan : Penentuan
parameter terlalu sedikit
2 Perencanaan Tata
Guna Lahan dengan
Algoritma
Genetika di Kota
Bandung, 2004
Manahan P
Siallagan, S.Si, M.T,
Santi Novani, S.Si,
Yogie Cudiyanto
Kelebihan : Sistem dapat
memudahkan hubungan antar
bagian kota
Kekurangan : solusi pada
untaian kromosom dapat
divisualisasikan dalam bentuk
Peta pada Sistem Informasi
Geografis.
3 Algortima Genetika
untuk Permasalahan
Pengaturan Box
Pada Kontainer,
2009
Indra Kurnia Dewi Kelebihan : Sistem dapat
mengahasilkan fitness area
yang cenderung tinggi karena
bersifat homogeny.
Kekurangan: Sistem hanya
sedikit parameter optimasi.
4 Decision Suport
System of Optimal
Route in Bandung
City with Genetic
Algorithm, 2010
Kristian Prasetio Kelebihan : Sistem dapat
memanfaatkan variabel
kecepatan di setiap jalannya
yang mempengaruhi waktu
tempuh di setiap jalan
Kekurangan : -
5 Analisis Dan
Implementasi Algori
tma Genetika pada
Penjadwalan Mata
Kuliah, 2009
Ihsan Sani Abdullah Kelebihan : -
Kekurangan :Penetapan
parameter soft constraint
sangat mempengaruhi
hasil jadwal.
21

Berdasarkan penelitian terdahulu, maka dalam penelitian ini, penulis akan
menerapkan Algoritma Genetika dalam Penentuan Tata Letak Ruang, dan diharapkan
dapat menghasilkan satu set Tata Letak Ruang yang dapat memenuhi permintaan.