ALGORITMA EVOLUSI
Kelas C
Kelompok D
Disusun Oleh:
1. Risza Nurrachman
(115060801111002)
(115060800111021)
(115060801111046)
(115060801111086)
Dosen Pengampu:
Wayan Firdaus Mahmudy, Ph.D.
DAFTAR ISI
DAFTAR ISI.............................................................................................................i
DAFTAR GAMBAR..............................................................................................iii
DAFTAR TABEL...................................................................................................iv
DAFTAR PERSAMAAN........................................................................................v
BAB 1 PENDAHULUAN.......................................................................................1
1.1
Latar Belakang Masalah............................................................................1
1.2
Rumusan Masalah.....................................................................................2
1.3
Tujuan........................................................................................................2
1.4
Manfaat......................................................................................................2
1.5
Sistematika Penulisan................................................................................3
BAB II......................................................................................................................5
2.1 Algoritma Genetika........................................................................................5
2.2 Travelling Salesman Problem (TSP)..............................................................7
2.3 Laundry..........................................................................................................7
2.4 Rute Tercepat..................................................................................................8
BAB III....................................................................................................................9
3.1
Tahapan Kegiatan Penelitian.....................................................................9
3.1.1
Studi Literatur....................................................................................9
3.1.2
Pengambilan Data Sample.................................................................9
3.1.3
Analisis Kebutuhan............................................................................9
3.1.4
Perancangan Sistem.........................................................................10
3.1.5
Implementasi....................................................................................11
BAB IV..................................................................................................................12
4.1
Analisa Kebutuhan Perangkat Lunak......................................................12
4.1.1
Identifikasi Aktor.............................................................................13
4.1.2
Daftar Kebutuhan Sistem.................................................................13
4.1.3
Use Case Diagram............................................................................14
4.2
Perancangan Sistem.................................................................................15
4.2.1
Manajemen Data..............................................................................15
4.2.2
Basis Pengetahuan............................................................................15
4.2.3
Manajemen Model...........................................................................16
4.3
Implementasi...........................................................................................19
4.3.1
Spesifikasi Sistem............................................................................19
4.3.2
Batasan Implementasi......................................................................20
4.3.3
Implementasi Algoritma...................................................................21
4.3.3.1 Representasi Kromosom..................................................................21
4.3.3.2. Proses Crossover................................................................................21
DAFTAR GAMBAR
Gambar 4.1
Gambar 4.2
12
14
Gambar 4.3
Gambar 4.4
Gambar 4.5
Gambar 4.6
Gambar 4.7
Gambar 4.8
Laundry
Alur Kerja Algoritma Genetika TSP
Interface Halaman Awal
Interface Input Representasi Kromosom
Interface Perhitungan Crossover
Interface Perhitungan Mutasi
Interface Hasil Seleksi
16
25
26
26
27
27
DAFTAR TABEL
Tabel 4.1
Tabel 4.2
Tabel 4.3
Tabel 4.4
Tabel 4.5
Tabel 4.6
Tabel 4.7
Tabel 4.8
Tabel 4.9
Tabel 4.10
Tabel 4.11
Tabel 4.12
Tabel 4.13
Tabel 4.14
Identifikasi Aktor
Daftar Kebutuhan Fungsionalitas Sistem
13
13
16
17
17
18
19
20
20
21
21
22
24
24
DAFTAR PERSAMAAN
Persamaan 4-1
Persamaan Fitness
16
BAB 1
PENDAHULUAN
1.1
barang. Dalam mendsitribusikan suatu barang, faktor jarak tempuh dan waktu
tempuh menjadi hal penting untuk di perhatikan karena akan mempengaruhi
kegiatan lainnya.Salah satu contoh masalah pencarian rute terpendek yang ada
pada kehidupan sehari hari yaitu mencari jarak terpendek untuk laundry.
Berdasarkan hal itu maka di butuhkan suatu sistem untuk mencari rute
terpendek dalam sistem pendistribusian di laundry agar lebih menghemat waktu
dan jarak dengan metode traveling salesman problem(TSP). Metode traveling
salesman problem(TSP) dikenal sebagai suatu permasalah optimasi yang
bersifat
klasik
dan
(NPC),
dimana tidak ada penyelesaian yang paling optimal selain mencoba seluruh
kemungkinan penyelesaian
yang
ada.Tujuannya adalah
memilih
lintasan
tertutup yang total jaraknya paling minimum diantara pilihan dari semua
kemungkinan lintasan[ITS].
Penentuan Jarak Pendistribusian Rute Terpendek Rokok Sampoerna
Dengan Metode Traveling Salesman Problem (Studi Kasus PT HM Sampoerna
Tbk Malang) yang di teliti oleh Rachma Februari Putri[RFP] dan metode
traveling salesman untuk menentukan lintasan terpendek pada daerah-daerah yang
teridentifikasi bahaya yaang di teliti oleh Aisyah Lestari[ITS] merupakan contoh
penelitian terkait dengan masalah pencarian rute terpendek dengan menggunakan
Traveling Salesman Problem (TSP). Penentuan Jarak Pendistribusian Rute
Terpendek Rokok Sampoerna Dengan Metode Traveling Salesman Problem di
ambil dari studi kasus dengan PT. Sampoerna dengan rute wilayah malang, batu
dan pasuruan. Sedangkan metode traveling salesman untuk menentukan lintasan
terpendek pada daerah-daerah yang teridentifikasi bahaya pada wilayah surabaya,
jakarta, dan bandung.
Rumusan Masalah
Berdasarkan latar belakang yang telah diuraikan diatas, maka didapat
Tujuan
Tujuan pembuatan laporan Implementasi Algoritma Genetika Untuk
Manfaat
Diharapkan dengan adanya laporan ini dapat bermanfaat bagi penulis agar
1.5
Sistematika Penulisan
Sistematika penulisan pada laporan ini secara keseluruhan terdiri dari atas
BAB V : PENUTUP
Memberikan
BAB II
DASAR TEORI
2.1 Algoritma Genetika
Algoritma genetika adalah teknik pencarian heuristik yang didasarkan
pada gagasan evolusi seleksi alam dan genetik. Algoritma ini memanfaatkan
proses seleksi ilmiah yang dikenal dengan proses evolusi. Dalam proses evolusi,
individu secara terus-menerus mengalami perubahan gen untuk menyesuaikan
dengan lingkungan hidupnya. Proses seleksi ilmiah ini melibatkan perubahan gen
yang terjadi pada individu melalui proses perkembangbiakan (Sutojo, Mulyanto
dan Suhartono, 2011).
Untuk mengimplementasikan algoritma genetika, ada 8 komponen utama
yang harus dilakukan (Sutojo, Mulyanto dan Suhartono, 2011).
1. Teknik Encoding/Decoding Gen dan Individu
Encoding (pengkodean) berguna untuk mengodekan nilai gen-gen
pembntuk individu. Nilai-nilai gen ini diperoleh secara acak. Ada 3
pengkodean yang paling umum digunakan, yaitu (Sutojo, Mulyanto dan
Suhartono, 2011) :
a. Pengodean Bilangan Real : nilai gen berada dalam interval [0,1]
b. Pengodean Diskrit Desimal : nilai gen berupa bilangan bulat
dalam interval [0.9]
c. Pengodean Biner : nilai gen berupa bilangan biner 0 atau 1
Decoding (pendekodean) berguna untuk mendekode gen-gen pembentuk
individu agar nilainya tidak melebihi range yang telah ditentukan dan
sekaligus menjadi nilai variabel yang akan dicari sebagai solusi permasalahan
(Sutojo, Mulyanto dan Suhartono, 2011).
2. Membangkitkan populasi awal
Sebelum membangkitkan populasi awal, terlebih dahulu harus menentukan
jumlah individu dalam populasi tersebut. Misalnya jumlah individu tersebut
N. setelah itu, membangkitkan populasi awal yang
individu. Untuk kode biner, mutasi dilakukan dengan cara membalik nilai bit 0
menjadi bit 1, sebaliknya bit 1 diubah menjadi bit 0 (Sutojo, Mulyanto dan
Suhartono, 2011).
8. Penggantian Populasi
Penggantian populasi dimaksudkan bahwa semua individu awal dari satu
generasi diganti oleh temporer individu hasil proses pindah silang dan mutasi
(Sutojo, Mulyanto dan Suhartono, 2011).
2.2 Travelling Salesman Problem (TSP)
Permasalahan TSP (Traveling Salesman Problem) adalah permasalahan
dimana seorang salesman harus mengunjungi semua kota dimana tiap kota hanya
dikunjungi sekali, dan dia harus mulai dari dan kembali ke kota asal. Tujuannya
adalah menentukan rute dengan jarak total atau biaya yang paling minimum.
Permasalahan TSP merupakan permasalahan yang memang mudah untuk
diselesaikan dengan algoritma Brute Force, tetapi hal itu hanya dapat dilakukan
dengan jumlah kota atau simpul yang tidak banyak. Kompleksitas algoritma untuk
permasalahan TSP dengan algoritma Brute Force adalah O(n!) dengan catatan n
adalah jumlah kota atau simpul dan setiap kota atau simpul terhubung dengan
semua kota atau simpul lainnya [AML-13].
Dalam penyelesaian masalah TSP dapat membagi kedalam 2 metode, yaitu
metode optimal dan metode aproksimasi. Metode optimal akan menghasilkan
hasil yang optimal (minimum) sedangkan metode aproksimasi akan menghasilkan
hasil yang mendekati optimal [AML-13].
2.3 Laundry
Laundry adalah kata benda yang mengacu pada tindakan mencuci pakaian,
tempat mana yang mencuci dilakukan atau yang perlu, sedang, atau telah dicuci.
Cucian dapat dianggap sebagai ruang atau daerah, seperti di sebuah bangunan
rumah atau apartemen dan Toko. Dari tahun ketahun Usaha laundry merupakan
salah satu bidang usaha jasa yang semakin di butuhkan khususnya oleh
masyarakat di perkotaan. Hal ini disebabkan karena aktifitas masyarakat yang
tinggi. Dan diiringi dengan tingkat pendapatan yang memadai memperngaruhi
BAB III
METODOLOGI PENELITIAN
3.1
Studi Literatur
Studi Literatur merupakan metode yang digunakan untuk
Analisis Kebutuhan
Analisa kebutuhan merupakan suatu metode untuk menganalisis
kebutuhan yang akan dibuat meliputi spesifikasi media yang akan digunakan.
Metode analisis kebutuhan didapatkan dari proses wawancara sehingga perancang
10
Perancangan Sistem
Perancangan sistem merupakan tahapan di mana perancang mulai
11
3.1.5
Implementasi
Implementasi merupakan tahapan yang dilakukan untuk membuat aplikasi
BAB IV
PEMBAHASAN
Bab ini membahas mengenai perancangan sistem, implementasi, dan
pengujian sistem algoritma genetika menggunakan travelling salesman problem
(TSP). Tahap perancangan yang diperlukan terbagi menjadi dua tahapan, yaitu
perancangan kebutuhan perangkat lunak dan perancangan sistem pendukung
keputusan. Untuk lebih jelasnya dapat dilihat dalam pohon perncangan seperti
yang terlihat pada Gambar 4.1
4.1.1
Aktor
Perancangan
4.1
4.1.2
Daftar
Kebutuhan
Sistem
Perangkat Lunak
4.2
4.2.1
Perancanga
n Sistem
Manajemen data
4.2.2
Basis
Pengetahuan
4.2.3
Manajemen Model
yang akan
digunakan
dalam
tahapan
perancangan.
12
Analisa
13
kebutuhan sistem dan use case diagram. Berikut ini merupakan penjelasan dari
masing-masing tahapannya.
4.1.1
Identifikasi Aktor
Tahapan ini bertujuan untuk mengidentifikasi aktor-aktor yang nantinya
Aktor
User
Deskripsi Aktor
User merupakan aktor yang memberikan data inputan yang
Kebutuhan
Sistem harus dapat
menyediakan dan
memberikan akses
kepada user untuk
menginput data yang
diperlukan.
Aktor
Nama Entitas
User
14
Sistem harus
menyediakan antarmuka
untuk menampilkan
hasil iterasi kepada user
Sistem harus
menyediakan antarmuka
untuk menampilkan
tentang tim
pengembang dari
aplikasi.
Sumber: [Perancangan]
4.1.3
User
User
15
Manajemen Data
Manajemen data merupakan salah satu bagian terpenting pada penelitian.
Data yang digunakan dalam perhitungan adalah data yang diambil secara acak.
Data-data tersebut adalah data jarak laundry ke tempat lokasi pengantaran laundry.
Dimana ada lima lokasi pengantaran laundry. Pada tabel 4.4 memperlihatkan jarak
laundry ke lokasi-lokasi pengantaran.
4.2.2
Basis Pengetahuan
Basis pengetahuan adalah suatu jenis basis data yang dipergunakan untuk
16
Lokasi 1
Lokasi 2
Lokasi 3
Lokasi 4
Lokasi 5
Laundry
Lokasi 1
Lokasi 2
Lokasi 3
Lokasi 4
Lokasi 5
Sumber : [Perancangan]
4.2.3
Manajemen Model
Manajemen model merupakan tahapan proses penerapan model yang
Representasi
Kromosom
Crossover
Dan
Mutasi
Perhitungan
offspring
Seleksi
individu
17
6
780
325
700
1600
1150
Fitness = 10000/c
2.660
4.032
3.992
4.651
3.992
Langkah 3 : Crossover
Pada kasus ini, metode crossover yang digunakan adalah one-cut-point
yaitu dengan memilih dua parent dari representasi chromosome kemudian
menentukan titik potong antara ke dua parent tersebut. Kemudian untuk
18
mendapatkan child dengan mengambil segment kiri dari parent 1 dan segment
kanan didapatkan dari urutan gen tersisa dari parent 2.
Parent 1
Parent 2
[1 3 4 6 ]
[1 4 2 5 ]
Parent 1
Parent 2
[1 2 6 3 ]
[1 3 6 2 ]
Parent 1
Parent 2
[1 5 2 3 ]
[1 3 6 2 ]
Parent 1
Parent 2
[1 3 4 6 ]
[1 5 2 3 ]
C1
[1 3 4 2]
C2
[1 2 3 6]
C3
[1 5 3 6]
C4
[1 3 5 2]
Langkah 4 : Mutasi
Metode mutasi yang digunakan yaitu reciprocal exchange mutation.
Metode ini bekerja dengan memilih dua posisi (exchange point) secara random
kemudian menukarkan nilai pada posisi tersebut.
Parent
C5
[1 2 6 3 ]
[1 3 6 2 ]
Total Jarak
3760
2480
2505
2150
2505
2380
3155
2560
2105
2505
Fitness = 10000/c
2.6596
4.0323
3.9920
4.6512
3.9920
4.2017
3.1696
3.9063
4.7506
3.9920
Langkah 6 : Seleksi
Seleksi merupakan tahap terakhir dalam menentukan rute terpendek. Pada
tabel 4.9 terdapat hasil seleksi. Hasil seleksi dipilih lima teratas untuk melakukan
perhitungan ke generasi selanjutnya.
19
Cromosome
[1 3 5 2 ]
[1 4 2 5 ]
[1 3 4 2 ]
[1 5 2 3 ]
[1 2 6 3 ]
[1 3 6 2 ]
[1 3 6 2 ]
[1 5 3 6 ]
[1 2 3 6 ]
[1 3 4 6 ]
Total Jarak
2105
2150
2380
2480
2505
2505
2505
2560
3155
3760
Fitness = 10000/c
4.750593824
4.651162791
4.201680672
4.032258065
3.992015968
3.992015968
3.992015968
3.90625
3.169572108
2.659574468
Sumber : [Perancangan]
4.3 Implementasi
4.3.1
Spesifikasi Sistem
Hasil dari tahapan analisis dan perancangan system yang sebelumnya telah
dijelaskan digunakan sebagai acuan dalam mengimplementasikan system yang
dapat berfungsi sesuai kebutuhan.
4.3.1.1 Spesifikasi Perangkat Keras
Untuk mengembangkan system pendukung keputusan dalam diagnosis
diabetes maka digunakan sebuah komputer atau Laptop dengan spesifikasi
perangkat keras yang dijelaskan dalam Tabel 4.10.
Tabel 4.8 Spesifikasi Perangkat Keras
Nama Komponen
Spesifikasi
Prosesor
Intel(R) Core(TM) i5
Memori (RAM)
4Gb
Kartu Grafis
Intel(R) HD Graphics Family
Sumber: [Implementasi]
4.3.1.2 Spesifikasi Perangkat Lunak
Untuk mengembangkan system pendukung keputusan dalam diagnosis
diabetes maka digunakan sebuah komputer atau Laptop dengan spesifikasi
perangkat keras yang dijelaskan dalam Tabel 4.11.
20
Batasan Implementasi
Batasan-batasan yang digunakan dalam mengimplementasikan system
Output yang diterima user adalah berupa hasil iterasi setiap generasi.
4.3.3
Implementasi Algoritma
Dalam subbab ini akan diimplementasikan hasil dari perancangan
$a = 0;
foreach ($kromosom as $row_kromosom) {
$parent_kromosom[$a] = $row_kromosom;
$node = explode(' ', $parent_kromosom[$a]);
$jarak = 0;
$fitness = 0;
for ($b=0; $b < 4 ; $b++) {
if ($b < 3) {
$sql_1 = "SELECT data.".$node[$b]." as
nilai FROM data WHERE data.node = ".$node[$b+1];
}
else {
$sql_1 = "SELECT data.".$node[$b]." as
nilai FROM data where data.node = ".$node[0];
}
$hasil_1 = mysql_query($sql_1);
while ($row_1 = mysql_fetch_array($hasil_1)) {
$jarak += $row_1['nilai'];
21
20.
21.
22.
23.
23.
24.
25.
26.
27.
28.
}
}
$fitness = round(10000/$jarak, 3);
$parent = "P".($a+1);
$sql_2 = "INSERT INTO populasi VALUES
('','$parent','$parent_kromosom[$a]','$jarak','$fitness','$
generasi')";
$hasil_2 = mysql_query($sql_2);
$a++;
}
Sumber : [Implementasi]
4.3.3.2. Proses Crossover
Tabel 4.11 Sourcecode Proses Crossover
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.
23.
24.
25.
26.
27.
28.
29.
30.
31.
32.
33.
34.
35.
36.
37.
38.
39.
$index = sizeof($parent_co1);
for ($c=0; $c < $index ; $c++) {
$sql_3 = "SELECT kromosom FROM populasi where
kode = '$co1[$c]' and generasi = '$generasi'";
$hasil_3 = mysql_query($sql_3);
$sql_4 = "SELECT kromosom FROM populasi where
kode = '$co2[$c]' and generasi = '$generasi'";
$hasil_4 = mysql_query($sql_4);
while ($row = mysql_fetch_array($hasil_3)) {
$x = $row['kromosom'];
}
while ($row = mysql_fetch_array($hasil_4)) {
$y = $row['kromosom'];
}
$node_parent1 = explode(' ', $x);
$node_parent2 = explode(' ', $y);
$node_anak[] = '';
$index_node = sizeof($node_parent1);
$node_anak[0] = $node_parent1[0];
$node_anak[1] = $node_parent1[1];
for ($e=0; $e < $index_node; $e++) {
if ($node_anak[0] != $node_parent2[$e] &&
$node_anak[1] != $node_parent2[$e]) {
$node_anak[2] = $node_parent2[$e];
break;
}
}
for ($f=0; $f < $index_node; $f++) {
if ($node_anak[0] != $node_parent2[$f] &&
$node_anak[1] != $node_parent2[$f] && $node_anak[2] !=
$node_parent2[$f]) {
$node_anak[3] = $node_parent2[$f];
break;
}
}
$child_kromosom = $node_anak[0]." ".
$node_anak[1]." ".$node_anak[2]." ".$node_anak[3];
$jarak = 0;
$fitness = 0;
22
40.
41.
42.
43.
44.
45.
46.
47.
48.
49.
50.
51.
52.
53.
54.
55.
56.
57.
58.
59.
60.
61.
62.
63.
Sumber : [Implementasi]
4.3.3.3 Proses Mutasi
Tabel 4.12 Sourcecode Proses Mutasi
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.
23.
24.
25.
$index = sizeof($parent_m);
for ($h=0; $h < $index ; $h++) {
$sql_7 = "SELECT kromosom FROM populasi where
kode = '$mut[$h]' and generasi = '$generasi'";
$hasil_7 = mysql_query($sql_7);
while ($row = mysql_fetch_array($hasil_7)) {
$z = $row['kromosom'];
}
$node_parent3 = explode(' ', $z);
$node_anak[] = '';
$index_node = sizeof($node_parent3);
$pos1 = rand(1,3);
$pos2 = rand(1,3);
if ($pos1 == $pos2) {
if ($pos2 == 1) {
$pos2 = 3;
}
elseif ($pos2 == 2) {
$pos2 = 1;
}
elseif ($pos2 == 3) {
$pos2 = 1;
}
}
$temp = $node_parent3[$pos1];
23
26.
27.
28.
29.
30.
31.
32.
33.
34.
35.
36.
37.
38.
39.
40.
41.
42.
43.
44.
45.
46.
47.
48.
49.
50.
51.
52.
53.
54.
55.
56.
57.
58.
59.
60.
$node_parent3[$pos1] = $node_parent3[$pos2];
$node_parent3[$pos2] = $temp;
$node_anak[0] = $node_parent3[0];
$node_anak[1] = $node_parent3[1];
$node_anak[2] = $node_parent3[2];
$node_anak[3] = $node_parent3[3];
$child_kromosom = $node_anak[0]." ".
$node_anak[1]." ".$node_anak[2]." ".$node_anak[3];
$jarak = 0;
$fitness = 0;
for ($i=0; $i < 4 ; $i++) {
if ($i < 3) {
$sql_8 = "SELECT data.".
$node_anak[$i]." as nilai FROM data WHERE data.node = ".
$node_anak[$i+1];
}
else {
$sql_8 = "SELECT data.".
$node_anak[$i]." as nilai FROM data where data.node = ".
$node_anak[0];
}
$hasil_8 = mysql_query($sql_8);
while ($row_8 =
mysql_fetch_array($hasil_8)) {
$jarak += $row_8['nilai'];
}
}
$fitness = round(10000/$jarak, 3);
$child = "C".($c+1);
$sql_9 = "INSERT INTO mutasi VALUES
('','$mut[$h]','$z','$child','$child_kromosom','$jarak','$f
itness','$generasi')";
$hasil_9 = mysql_query($sql_9);
$c++;
}
Sumber : [Implementasi]
4.3.3.4 Perhitungan Fitness
Tabel 4.13 Sourcecode Perhitungan Fitness
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
24
Sumber : [Implementasi]
4.3.3.5 Proses Seleksi Individu
Sumber : [Implementasi]
4.3.3
Implementasi Antarmuka
25
26
27
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Dari hasil uji analisis yang dilakukan. Dapat diambil kesimpulan antara lain :
1. Algoritma Genetika dapat diimplementasikan untuk menyelesaikan
permasalahan rute antar laundry.
2. Dalam sistem pengantaran laundry menggunakan Algoritma Genetika
dengan metode Travelling Salesman Problem (TSP) dengan rata-rata
fitness pada generasi ke 0 adalah 3.93
3. Dalam sistem pengantaran laundry menggunakan Algoritma Genetika
dengan metode Travelling Salesman Problem (TSP) dengan rata-rata
fitness pada generasi ke 1 adalah 4.18
5.2 Saran
Saran yang diberikan untuk pengembangan penelitian selanjutnya, antara lain :
1. Sistem pengantaran laundry menggunakan Algoritma Genetika dengan
metode Travelling Salesman Problem (TSP) bisa dimanfaatkan untuk
sistem antar jemput selain untuk pengantaran laundry yang mencari rute
terpendek pada setiap tujuannya.
2. Sistem pengantaran laundry menggunakan Algoritma Genetika dengan
metode Travelling Salesman Problem (TSP) menggunakan data jarak antar
pelanggan secara acak dan dapat dikembangkan dengan menggunakan
data jarak yang diambil secara real time.
28
DAFTAR PUSTAKA
[RFP]
[ITS]
Lestari,
Aisyah.
Menentukan
2010.
Lintasan
Metode
Terpendek
Traveling
Pada
Salesman
Untuk
Daerah-Daerah
Yang
[ANO-13] Anonimous. (2013, 9). Antar Jemput Laundry Kiloan. Dipetik 4 2014,
dari
Jasa
Antar
Jemput
Secuter:
http://antarjemputsecuter.wordpress.com/
[PPW-05] Purwanto, Y., Purwitasari, D., & Wibowo, W. A. (2005).
IMPLEMENTASI DAN ANALISIS ALGORITMA PENCARIAN
RUTE TERPENDEK DI KOTA SURABAYA. Jurnal Penelitian dan
Pengembangan TELEKOMUNIKASI, 10, 1.
[GTA-99] Gambardella, L. M., Taillard, E., & Agazzi, G. (1999). A MULTIPLE
ANT COLONY SYSTEM FOR VEHICLE ROUTING PROBLEMS
WITH TIME WINDOWS. New Ideas in Optimization, 3.
[AML-13] Aulia, R ; Mukhamad Ikhsan. ; Lastika Wibisono (2013). Traveling
Salesman Problem.
Teknologi Bandung.
29