PENENTUAN JARAK TERPENDEK PADA JALUR DISTRIBUSI BARANG

DENGAN MENGGUNAKAN ALGORITMA GENETIKA

MAKALAH ALGORITMA GENETIKA

Disusun Untuk Memenuhi Tugas KD IV Algoritma

Oleh :
1. HARI KUSUMA D.
2. SIGIT RIMBATMOJO
3. HENDRO NUR B.

(K1310035)
(K1310075)
(K1311040)

PROGRAM STUDI PENDIDIKAN MATEMATIKA

FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN
UNIVERSITAS SEBELAS MARET
SURAKARTA
2015
BAB I

PENDAHULUAN
A. Latar Belakang
Permasalahan

distribusi

barang

merupakan

permasalahan

optimasi

kombinatorial. Jika diberikan sejumlah kota (atau tempat) dan biaya perjalanan dari
satu kota ke kota lain. Deskripsi permasalahannya adalah bagaimana menemukan rute
perjalanan paling murah dari suatu kota dan mengunjungi semua kota lainnya.
Masing-masing kota hanya dikunjungi satu kali dan harus kembali ke kota asal
keberangkatan. Biaya perjalanan bisa berupa jarak, waktu, bahan bakar, dan
sebagainya.
Salah satu metode yang dapat dipakai untuk menyelesaikan permasalahan
distribusi barang ini dengan algoritma yang dapat menyelesaikan persoalan tersebut
dengan relatif cepat sehingga diperoleh solusi yang mendekati solusi optimal yaitu
salah satunya menggunakan algoritma genetika.
Algoritma genetika merupakan algoritma adaptive yang biasa digunakan
untuk memecahkan suatu pencarian nilai dalam sebuah masalah optimasi. Algoritma
ini didasarkan pada proses genetika yang ada dalam makhluk hidup yaitu
perkembangan generasi dalam sebuah populasi yang alami, secara lambat laun
mengikuti seleksi alam dengan prinsip siapa yang kuat, dia yang bertahan
(survive).Sebelum algoritma genetika dapat dijalankan, maka sebuah kode yang
sesuai (representatif) untuk permasalahan harus dirancang. Titik solusi dalam ruang
permasalahan dikodekan (encoding) dalam bentuk kromosom yang terdiri atas
komponen genetika terkecil yaitu gen. Dengan teori evolusi dan teori genetika, di
dalam penerapan algoritma genetika akan melibatkan proses seleksi (selection),
operator pindah silang (crossover) dan mutasi (mutation). Untuk memeriksa hasil
optimasi, dibutuhkan fungsi fitness yang menggambarkan hasil (solusi) yang sudah
dikodekan. Selama algoritma berjalan, induk harus digunakan untuk reproduksi,
pindah silang, dan mutasi untuk menciptakan keturunan. Proses terakhir adalah
mengambil makna dari hasil kromosom terbaik (decoding) untuk menjawab

permasalahan. Jika algoritma genetika didesain secara baik, populasi akan mengalami
konvergensi dan akan didapatkan sebuah solusi yang mendekati optimum.
Makalah ini membahas bagaimana algoritma genetika menentukan jarak
terpendek pada jalur distribusi barang dengan menggunakan metode Order Based
Crossover sebagai teknik rekombinasi dan metode swapping mutation sebagai teknik
mutasi.Untuk

mengetahui

bagaimana

penerapan

algoritma

genetika

dalam

menyelesaikan persoalan distribusi barang ini, dibuatkan sebuah visualisasi sederhana

dengan menggunakan Java Script.
B. Pembatasan Masalah
Pembatasan pada masalah ini dibatasi pada rute perjalanan pada persoalan
distribusi barang dari lima kota dari graf yang tak berarah, berbobot positif, dan
disajikan dalam matriks terhubung langsung. Serta penyelesaian persoalan TSP
menggunakan metode seleksi dengan mesin roulette, metode Order Based Crossover
sebagai teknik pindah silang, dan metode swapping mutation sebagai teknik mutasi.
C. Rumusan Masalah
Berdasarkan uraian di atas maka rumusan masalah dalam makalah ini
adalah:
1. Bagaimana langkah-langkah dalam algoritma genetika?
2. Bagaimana penerapan algoritma genetika untukmenentukan jarak terpendek pada
jalur distribusi barang?
D. Tujuan Masalah
Berdasarkan rumusan masalah di atas, maka tujuan penulisan makalah ini
antara lain:
1. Menjelaskan langkah-langkah dalam algoritma genetika.
2. Menerapkan algoritma genetika untuk menentukan jarak terpendek pada jalur
distribusi barang.
BAB II
PEMBAHASAN MASALAH
A. Algoritma Genetika

Algoritma genetika adalah algoritma pencarian heuristik yang didasarkan atas

mekanisme evolusi biologis. Keberagaman pada evolusi biologis adalah variasi dari
kromosom antar individu organisme. Algoritma ini didasari oleh konsep evolusi
biologi, dan dapat memberikan solusi alternatif atas suatu masalah yang hendak
diselesaikan. Algoritma genetika menawarkan suatu solusi pemecahan masalah yang
terbaik, dengan memanfaatkan metode seleksi, crossover, dan mutasi. Algoritma
genetika adalah suatu bentuk teknik pencarian secara stochastic, berdasarkan
mekanisme yang ada pada seleksi alam dan genetik secara natural. Algoritma
genetika telah banyak diaplikasikan untuk penyelesaian masalah dan pemodelan
dalam bidang teknologi seperti optimasi, pemrograman otomatis dan machine
learning. Pada implementasi program algoritma genetika dapat digunakan untuk
mencari jalan terpendek bebas hambatan. Berbeda dengan teknik pencarian
konvensional, tahap awal pencarian dalam algoritma genetika dimulai dari himpunan
penyelesaian acak (random) yang disebut populasi. Populasi ini terdiri dari
kromosom-kromosom. Setiap kromosom merupakan gambaran solusi atas pemecahan
masalah. Populasi yang telah dipilih tersebut akan menghasilkan keturunan baru yang
sifatnya diharapkan lebih baik dari populasi sebelumnya. Populasi yang baik sifatnya
akan memiliki peluang untuk terus dikembangkan agar menghasilkan keturunan
populasi yang lebih baik selanjutnya. Dengan demikian, solusi terbaik yang
diinginkan dapat dicapai dengan terus mengulang proses pencarian keturunan.
Dalam proses tersebut, sebelum algoritma genetika dijalankan didefinisikan
suatu fungsi fitness yang menyatakan tingkat keberhasilan sebuah populasi. Dengan
melakukan perhitungan berdasarkan fungsi fitness, akan dapat ditentukan populasi
yang akan dipertahankan untuk menghasilkan generasi selanjutnya. Proses ini biasa
disebut sebagai proses seleksi. Proses ini merupakan salah satu tahap yang dirangkai
dalam proses yang iteratif.
Proses lain yang termasuk pada rangkaian iterasi ini yaitu crossover. Pada
proses ini, dilakukan persilangan atau perkawinan antar kromosom yang berada
dalam satu generasi. Dengan demikian, kromosom yang terdapat pada populasi

selanjutnya mewarisi sifat kedua induknya. Kromosom ini diharapkan bersifat lebih
baik dibanding dengan generasi sebelumnya. Sedangkan proses mutasi merupakan
proses diubahnya satu atau lebih nilai gen kromosom dalam satu populasi. Nilai gen
tersebut akan digantikan dengan suatu nilai yang dipilih secara acak. Pada tahap ini,
terdapat kemungkinan perubahan sifat di luar sifat induk pada keturunan yang
dihasilkan.
Siklus dari Algoritma Genetika pertama kali dikenalkan oleh David Goldberg,
dimana gambaran siklus tersebut dapat dilihat pada gambar 1.
Populasi

Evaluasi

Seleksi

Awal

Fitness

Individu

Populasi

Reproduksi:

Baru

Cross-Over
Dan Mutasi

Gambar 1 Siklus Algoritma Genetika

a. Pengertian Individu
Individu menyatakan salah satu solusi yang mungkin. Individu bisa
dikatakan sama dengan kromosom, yang merupakan kumpulan gen. Gen ini bisa
biner, float, dan kombinatorial.
Beberapa definisi penting yang perlu diperhatikan dalam mendefinisikan
individu untuk membangun penyelesaian masalah dengan algoritma genetika
adalah sebagai berikut:
1) Genotype (Gen), sebuah nilai yang menyatakan satuan dasar yang
membentuk suatu arti tertentu dalam satu kesatuan gen yang
dinamakan kromosom. Dalam algoritma genetika, gen ini bisa
berupa nilai biner, float, integer, karakter, maupun kombinatorial.
2) Allele, nilai dari gen.
3) Kromosom, gabungan gen-gen yang membentuk nilai tertentu.

4) Individu, menyatakan satu nilai atau keadaan yang menyatakan

salah satu solusi yang mungkin dari permasalahan yang diangkat.
5) Populasi, merupakan sekumpulan individu yang akan diproses
bersama dalam satu siklus proses evolusi.
6) Generasi, menyatakan satu siklus proses evolusi atau satu iterasi di
dalam algoritma genetika.
b. Teknik Pengkodean
Teknik pengkodean adalah bagaimana mengkodekan gen dari
kromosom, dimana gen merupakan bagian dari kromosom. Satu gen biasanya
akan mewakili satu variabel.
Proses pengkodean untuk setiap permasalahan berbeda-beda karena
tidak semua teknik pengkodean cocok untuk setiap permasalahan. Proses
pengkodean menghasilkan string yang kemudian disebut kromosom. String
terdiri dari sekumpulan bit. Bit ini dikenal sebagai gen. Jadi satu kromosom
terdiri dari sejumlah gen. Beberapa teknik pengkodean antara lain adalah binary
encoding, permutation encoding, value encoding, serta tree encoding. Teknik
pengkodean yang digunakan pada permasalahan distribusi barang adalah
permutation encoding. Pada permutation encoding, kromosom-kromosom adalah
kumpulan angka yang mewakili posisi dalam sebuah rangkaian. Pada pencarian
jalur distribusi, kromosom mewakili urutan kota sebagai jalur distribusi. Jadi
apabila satu kromosom berbentuk sebagai berikut P1 = (X1, X2, X3, , Xn)
berarti distribusi barang bergerak dari kota bernomor X 1 ke X2, dan seterusnya
hingga ke kota Xn.
c. Membangkitkan Populasi Awal Dengan Teknik Random Permutasi
Inti dari cara ini adalah melibatkan pembangkitan gen secara random
dengan aturan tambahan dimana urutan gen diperhatikan dan tidak ada gen yang
diulang sesuai dengan representasi kromosom yang digunakan yakni representasi
permutasi.
Source Code :
boolean[] sudahAda = new boolean[x + 1];
Random rnd = new Random();
for (int j = 0; j <= x; j++) {

sudahAda[j] = false;
}
for (int i = 0; i < x; i++) {
int tmp;
do {
tmp = rnd.nextInt(x) + 1; //1 s/d x
} while (sudahAda[tmp]);
kromosom[i] = tmp;
sudahAda[tmp] = true;
}
d. Nilai Fitness
Nilai fitness adalah nilai yang menyatakan baik tidaknya suatu solusi
(individu). Nilai fitness ini yang dijadikan acuan dalam mencapai nilai optimal
dalam algoritma genetika. Algoritma genetika bertujuan mencari individu dengan
nilai fitness yang paling tinggi.
Dalam menentukan jalur terpendek, maka nilai fitnessnya adalah inversi
dari total jarak dari jalur yang didapatkan. Cara melakukan inversi
bisamenggunakan rumus 1/x atau 100000 x, dimana x adalah total jarak dari
jalur yang didapatkan.
Source code mengurutkan nilai fitness :
Individu tmpIdv = new Individu(nGen);
for (int i=0; i<((nIdv+nCr+nMt)-1); i++)
for (int j=i+1; j<(nIdv+nCr+nMt); j++) 30
{
if (pop[i].fitness<pop[j].fitness)
{
tmpIdv = pop[i];
pop[i] = pop[j];

pop[j] = tmpIdv;
}
}
e. Seleksi Dengan Mesin Roulette
Seleksi digunakan untuk memilih individu-individu mana saja yang
akan dipilih untuk proses kawin silang dan mutasi. Seleksi digunakan untuk
mendapatkan calon induk yang baik. Induk yang baik akan menghasilkan
keturunan yang baik. Semakin tinggi nilai fitness suatu individu semakin besar
kemungkinannya untuk terpilih.
Metode seleksi dengan mesin roulette ini merupakan metode yang
paling sederhana dan sering dikenal dengan nama stochastic sampling with
replacement. Cara kerja metode ini adalah sebagai berikut:
1) Menghitung nilai fitness dari masing-masing individu (fi,, dimana i
2)
3)
4)
5)
6)

adalah individu ke-1 s/d ke-n).

Menghitung total fitness semua individu.
Menghitung probabilitas masing-masing individu.
Dari probabilitas tersebut, menghitung nilai kumulatif.
Membangkitkan bilangan random antara 0 sampai 1.
Dari bilangan random yang dihasilkan, ditentukan individu mana
yang terpilih dalam proses seleksi.

f. Pindah Silang (Crossover) Untuk Representasi Kromosom Permutasi

Dengan Metode Order Based Crossover
Pindah silang atau proses rekombinasi atau yang lebih dikenal dengan
nama proses crossover adalah menyilangkan dua kromosom sehingga
membentuk kromosom baru yang harapannya lebih baik daripada induknya.
Tidak semua kromosom pada suatu populasi akan mengalami proses
rekombinasi. Kemungkinan suatu kromosom mengalami proses rekombinasi
didasarkan pada probabilitas crossover (Pc) yang telah ditentukan terlebih
dahulu. Probabilitas crossover menyatakan peluang suatu kromosom akan
mengalami crossover.

Source code proses cross over:

for (int itr=1; itr<=nItr; itr++)
{
//CROSSOVER
for (int idCr=1; idCr<=nCr; idCr++)
{ 25
int idChd = (nIdv+idCr)-1; //index kromosom pada
populasi yang akan dijadikan child
//select parent
int p1,p2;
p1 = rnd.nextInt(nIdv); // 1 s/d nIdv
do {
p2 = rnd.nextInt(nIdv); // 1 s/d nIdv
} while (p2==p1);
str += " Cross"+idCr+": "+(p1+1)+" dengan "+(p2+1);
//sudahAda: variabel untuk mencegah redundancy pemilihan
gen
boolean[] sudahAda = new boolean[nGen+1];
for (int i=0; i<=nGen; i++)
{ sudahAda[i] = false; }
int cP = nGen / 2; //cP: cut Point
int idx = 0;
//copy dari P1 (sebelum cut Point)
for (int i=0; i<cP; i++)
{
int val = pop[p1].kromosom[i];
pop[idChd].kromosom[idx] = val;
idx++; sudahAda[val]=true;
}
//copy dari P2 (sebelum cut Point)
for (int i=0; i<cP; i++)
{
int val = pop[p2].kromosom[i];
if (sudahAda[val]==false)
{
pop[idChd].kromosom[idx] = val;
idx++; sudahAda[val]=true;
} 26
}

if (idx<nGen)
{
//copy dari P1 (setelah cut Point)
for (int i=cP; i<nGen; i++)
{
int val = pop[p1].kromosom[i];
if (sudahAda[val]==false)
{
pop[idChd].kromosom[idx] = val;
idx++; sudahAda[val]=true;
}
}
}
if (idx<nGen)
{
//copy dari P2 (setelah cut Point)
for (int i=cP; i<nGen; i++)
{
int val = pop[p2].kromosom[i];
if (sudahAda[val]==false)
{
pop[idChd].kromosom[idx] = val;
idx++; sudahAda[val]=true;
}
}
}
}
Pada gambar 2 diilustrasikan diagram alir penggunaan probabilitas crossover
pada proses crossover.
Induk 1
Induk 2
p = random[0,1]
p < probCO
ya
Cross Over

tidak

Gambar 2 Diagram Alir Proses Crossover

Operator crossover ini bergantung pada representasi kromosom.

Pada representasi kromosom permutasi dapat digunakan metode Order
Crossover, dimana satu bagian kromosom dipertukarkan dengan tetap menjaga
urutan kota yang bukan bagian dari kromosom tersebut. Kromosom yang
dijadikan induk dipilih secara acak dan jumlah kromosom yang dicrossover
dipengaruhi oleh probabilitas crossover (Pc).
g. Mutasi Dengan Teknik Swapping Mutation
Mutasi berperan untuk menggantikan gen yang hilang dari populasi
akibat proses seleksi yang memungkinkan munculnya kembali gen yang tidak
muncul pada inisialisasi populasi. Probabilitas mutasi (Pm) didefinisikan sebagai
presentasi dari jumlah total gen pada populasi yang mengalami mutasi.
Probabilitas mutasi mengendalikan banyaknya gen baru yang akan dimunculkan
untuk dievaluasi. Jika peluang mutasi terlalu kecil, banyak gen yang mungkin
berguna tidak pernah dievaluasi. Tetapi bila peluang mutasi ini terlalu besar,
maka akan terlalu banyak gangguan acak, sehingga anak akan kehilangan
kemiripan dari induknya, dan juga algoritma kehilangan kemampuan untuk
belajar dari histori pencarian.
Proses mutasi menggunakan metode swapping mutation dilakukan
dengan cara menukar gen yang dipilih secara acak dengan gen sesudahnya. Jika
gen tersebut berada di akhir kromosom, maka ditukar dengan gen yang pertama.
Sourch Code mutasi exchange point:
str = "";
int mP1,mP2,idxM; //mP1,m2: mutation Point 1 & 2, idxM:
27
kromosom yang akan dimutasi
mP1 = rnd.nextInt(nGen); // 0 s/d nGen-1
do {
mP2 = rnd.nextInt(nGen); // 0 s/d nGen-1
} while (mP2==mP1);
//sudahPilih: variabel untuk mencegah redundancy pemilihan
kromosom yang akan dimutasi
boolean[] sudahPilih = new boolean[nIdv+1];

for (int i=0; i<=nIdv; i++)

{ sudahPilih[i] = false; }
for (int idMt=1; idMt<=nMt; idMt++)
{
//pilih kromosom yang akan dimutasi
do {
idxM = rnd.nextInt(nIdv); // 0 s/d nIdv-1
} while (sudahPilih[idxM]);
sudahPilih[idxM] = true;
int idChd = (nIdv+nCr+idMt)-1; //index kromosom pada
populasi yang akan dijadikan child (hasil mutasi)
pop[idChd].kromosom[mP1] =
pop[idxM].kromosom[mP2];
pop[idChd].kromosom[mP2] =
pop[idxM].kromosom[mP1];
str += " Mutation"+idMt+": "+(idxM+1)+" pada posisi
"+(mP1+1)+" & "+(mP2+1);

B. Pembahasan Masalah
1. Langkah-Langkah Algoritma Genetika

Struktur umum dari suatu algoritma genetika dapat didefinisikan dengan

langkah-langkah sebagai berikut:
a. Membangkitkan populasi awal secara random.
b. Membentuk generasi baru dengan menggunakan tiga operasi yaitu:
operasi reproduksi, operasi crossover (persilangan), dan operasi mutasi
secara berulang-ulang sehingga diperoleh kromosom yang cukup untuk
membentuk generasi baru sebagai representasi dari solusi baru.
c. Evolusi solusi yang akan mengevaluasi setiap populasi dengan
menghitung nilai fitness setiap kromosom hingga kriteria berhenti
terpenuhi. Bila kriteria berhenti belum terpenuhi maka akan dibentuk
lagi generasi baru dengan mengulang langkah 2. Beberapa kriteria
berhenti yang sering digunakan antara lain:
Berhenti pada generasi tertentu
Berhenti setelah dalam beberapa generasi berturut-turut didapatkan
nilai fitness tertinggi/terendah (tergantung persoalan) yang tidak

berubah.
Berhenti bila dalam n generasi berikutnya tidak diperoleh nilai fitness
yang lebih tinggi/rendah.

2. Contoh Penerapan Algoritma Genetika Pada Persoalan Menentukan Jarak

Terpendek Dari Jalur Distribusi Barang
Penerapan algoritma genetika pada persoalan menentukan jarak terpendek
dari jalur distribusi barang akan lebih jelas jika diterapkan dalam contoh kasus
berikut.
Dimisalkan jalur distribusi yang akan ditempuh adalah Kediri Malang Semarang
Rembang Solo. Kemudian dilakukan teknik encoding dengan menginisialisasi
kota-kota tersebut yaitu Kediri(X0) Malang(X1) Semarang(X2) Rembang(X3)
Solo(X4). Didapatkan gennya adalah Malang(X1) Semarang(X2) Rembang(X3)
Solo(X4), Kediri(X0) tidak dimasukkan kedalam gen karena asumsinya adalah bahwa
kota asal adalah juga merupakan kota akhir tujuan distribusi barang. Jarak antar kota
diperlihatkan pada tabel di bawah ini:

X0

X1

X2

X3

X4

X0

X1

X2

X3

X4

Persoalan tersebut akan diselesaikan dengan menggunakan algoritma genetika.

Kriteria berhenti ditentukan terlebih dahulu yaitu apabila setelah dalam generasi
berturut-turut diperoleh nilai fitness yang tertinggi tidak berubah. Pemilihan nilai
fitness yang tertinggi sebagai syarat karena nilai tersebut yang mempresentasikan
jarak terpendek yang dicari pada persoalan ini.
Ada 4 kota yang akan menjadi gen dalam kromosom yaitu kota-kota selain kota asal.
a. Inisialisasi
Misalkan kita menggunakan 6 buah populasi dalam satu generasi yang dibangkitkan
menggunakan random permutasi, yaitu
Kromosom[1] = [X1 X3 X4X2]
Kromosom[2] = [X3X1X4X2]
Kromosom[3] = [X2 X1X3X4]
Kromosom[4] = [X4 X1X2X3]
Kromosom[5] = [X4X2X1X3]
Kromosom[6] = [X2X3X4X1]
b. Evaluasi kromosom
Kita akan menghitung jarak total (X)dari tiapkromosom yang telah dibangkitkan:
X[1] = X0X1+X1X3 +X3X4 +X4X2+X2X0 = 7 + 2 + 6 + 3 + 5 = 23
X[2] = X0X3 +X3X1+X1X4 +X4X2+X2X0 = 9 + 2 + 8 + 3 + 5 = 27
X[3] = X0X2+X2X1+X1X3 +X3X4 +X4X0 = 5 + 7 + 2 + 6 + 9 = 29
X[4] = X0X4 + X4X1+X1X2+X2X3 +X3X0 = 9 + 8 + 7 + 4 + 9 = 37

X[5] = X0X4 +X4X2+X2X1+X1X3 +X3X0 = 9 + 3 + 7 + 2 + 9 = 30

X[6] = X0X2+X2X3 +X3X4 + X4X1+X1X0 = 5 + 4 + 6 + 8 + 7 = 30
c. Seleksi kromosom
Oleh karena persoalan pada penentuan jarak terpendek yang diinginkan yaitu
kromosom dengan jarak total yang lebih kecil akan mempunyai probabilitas untuk
terpilih kembali lebih besarmaka digunakan nilai fitness berupa inversi dari total jarak
dari jalur yang didapatkan.
Fitness[i] =

1
X [i]

Fitness[1] =

1
23

= 0,043

Fitness[2] =

1
27

= 0,037

Fitness[3] =

1
29

= 0,034

Fitness[4] =

1
37

= 0,027

Fitness[5] =

1
30

= 0,033

Fitness[6] =

1
30

= 0,033

Total = 0,043+0,037+0,034+0,027+0,033+0,033= 0,207

Source Code menghitung fitness :
for (int idK=0; idK<(nIdv+nCr+nMt); idK++)
{
int idA, idB, minAdd, minTotal;

Date wkt = new

SimpleDateFormat("HH:mm").parse("07:00");
minTotal = 0; minAdd = 0; idA = 0;
String wktAkhir = "";
for (int i=0; i<nGen; i++)
{
if (i==0)
{
idA = pop[idK].kromosom[i]-1;
minAdd = costMatrix.awal[idA] +
spot.waktu[idA];
}
else if (i>0)
{
idB = pop[idK].kromosom[i]-1;
minAdd = costMatrix.mtr[idA][idB] +
spot.waktu[idB];
idA = idB;
}
minTotal += minAdd;
wkt.setTime(wkt.getTime()+ minAdd *60000);
wktAkhir = spot.tutup[idA];
}
Date jamAkhir = new
SimpleDateFormat("HH:mm").parse(wktAkhir);
long selisih = ((wkt.getTime()/60000) (jamAkhir.getTime()/60000));
int penalti = 0;
if (selisih>0) { penalti = (int) selisih;

minTotal += penalti; }
pop[idK].fitness = 1/(double) minTotal;
Untuk mencari probabilitas kita menggunakan rumus berikut:
P[i] =

Fitness [i]
Total

P[1] =

0,043
0,207

= 0,208

P[2] =

0,037
0,207

= 0,179

P[3] =

0,034
0,207

= 0,164

P[4] =

0,027
0,207

= 0,130

P[5] =

0,033
0,207

= 0,159

P[6] =

0,033
0,207

= 0,159

Dari probabilitas di atas dapat terlihat bahwa kromosom ke-1 mempunyai fitness
paling besar maka probabilitas untuk terpilih pada generasi selanjutnya lebih besar
dari kromosom lainnya.
Untuk proses seleksi kita menggunakan mesin roulette, untuk itu terlebih dahulu
mencari nilai kumulatif dari probabilitasnya.
C[1] = 0,028
C[2] = 0,028+0,179 = 0,387
C[3] = 0,387+0,164 = 0,551
C[4] = 0,551+0,130 = 0,681

C[5] = 0,681+0,159 = 0,840

C[6] = 0,840+0,159 = 1
Proses mesin rouletteadalah membangkitkan nilai acak R antara 0-1. Jika R[k]<C[k]
maka kromosom ke-k yang dipilih sebagai induk, selain itu pilih kromosom ke-k
sebagai induk dengan syarat C[k-1] < R[k] < C[k]. Kita putar mesin
roulettesebanyak jumlah kromosom yaitu 6 kali (membangkitkan bilangan acak R).
R[1] = 0,314
R[2] = 0,111
R[3] = 0,342
R[4] = 0,743
R[5] = 0,521
R[6] = 0,411
Setelah itu, populasi baru akan terbentuk yaitu:
Kromosom[1] = [2] = [X3X1X4 X2]
Kromosom[2] = [1] = [X1X3 X4 X2]
Kromosom[3] = [3] = [X2X1X3X4]
Kromosom[4] = [5] = [X4X2X1X3]
Kromosom[5] = [4] = [X4X1X2X3]
Kromosom[6] = [6] = [X2X3 X4X1]
Source Code untuk menampilkan hasil populasi:
model3.setColumnCount(nGen+2); //set col count
model3.setNumRows(nIdv+nCr+nMt+1); //set row count
DefaultTableCellRenderer centerRenderer = new
DefaultTableCellRenderer();
centerRenderer.setHorizontalAlignment(SwingConstants.CENTER)
;
for (int i=0; i<=nGen; i++)
{

tbPop1.getColumnModel().getColumn(i).setPreferredWidth(30);
tbPop1.getColumnModel().getColumn(i).setCellRenderer(centerR
enderer);
}
tbPop1.getColumnModel().getColumn(nGen+1).setPreferredWidth(
80);
tbPop1.getColumnModel().getColumn(nGen+1).setCellRenderer(ce
nterRenderer);
for (int i=0; i<nGen; i++)
{ model3.setValueAt(i+1, 0, i+1); }
model3.setValueAt("Fitness", 0, nGen+1);
for (int i=0; i<nIdv; i++)
{ model3.setValueAt("P"+(i+1), i+1, 0); }
for (int i=0; i<(nCr+nMt); i++)
{ model3.setValueAt("C"+(i+1), (nIdv+i+1), 0); }
for (int i=1; i<=nIdv+nCr+nMt; i++)
{
for (int j=1; j<=nGen; j++)
{ model3.setValueAt(pop[i-1].kromosom[j-1], i, j);
}
model3.setValueAt(String.format("%.5f", pop[i1].fitness), i, nGen+1);
}

d. Crossover (kawin silang)

Kawin silang pada persoalan penentuan jarak terpendek pada jalur distribusi barang
ini diimplementasikan dengan metode order crossover.
Misal kita tentukan Pc = 50%, maka diharapkan dalam 1 generasi ada 50% (3
kromosom) dari populasi yang mengalami crossover.
Pertama kita bangkitkan bilangan acak R sebanyak jumlah populasi yaitu 6 kali.
R[1] = 0,451
R[2] = 0,211
R[3] = 0,302
R[4] = 0,877
R[5] = 0,771
R[6] = 0,131
Kromosom ke-k yang dipilih sebagai induk jika R[k] <Pc, maka yang akan dijadikan
induk adalah kromosom[2], kromosom[3], kromosom[6].
Setelah melakukan pemilihan induk, proses selanjutnya adalah menentukan posisi
crossover. Hal tersebut dilakukan dengan membangkitkan bilangan acak antara 1
sampai dengan panjang kromosom-1. Dalam kasus TSP ini bilangan acaknya adalah
antara 1-3. Misal diperoleh bilangan acaknya 1, maka gen ke-1 pada kromosom induk
pertama akan diambil kemudian ditukar dengan gen pada kromosom induk kedua
yang belum ada pada induk pertama dengan tetap memperhatikan urutannya.
Bilangan acak untuk 3 kromosom induk yang akan di-crossover:
C[2] = 2
C[3] = 1
C[6] = 2
Proses crossover :
Kromosom[2] = Kromosom[2] ><Kromosom[3]
= [X1X3X4 X2] >< [X2X1X3X4]
= [X1X3 X2X4]
Kromosom[3] = Kromosom[3] ><Kromosom[6]

= [X2X1X3X4] >< [X2X3X4X1]

= [X2X3X4X1]
Kromosom[6] = Kromosom[6] ><Kromosom[2]
= [X2X3X4X1] >< [X1X3X4 X2]
= [X2X3X1X4]
Populasi setelah di-crossover :
Kromosom[1] = [X3X1X4 X2]
Kromosom[2] = [X1X3 X2X4]
Kromosom[3] = [X2X3X4X1]
Kromosom[4] = [X4 X2X1 X3]
Kromosom[5] = [X4X1 X2X3]
Kromosom[6] = [X2X3X1X4]
e. Mutasi
Pada kasus penentuan jarak terpendek pada jalur distribusi barang ini skema mutasi
yang digunakan adalah swapping mutation. Jumlah kromosom yang mengalami
mutasi dalam satu populasi ditentukan oleh parameter mutation rate(Pm).
Pertama kita hitung dulu panjang total gen yang ada pada satu populasi:
Panjang total gen

= jumlah gen dalam 1 kromosom * jumlah kromosom

=4*6
= 24

Untuk memilih posisi gen yang mengalami mutasi dilakukan dengan membangkitkan
bilangan acak antara 1 panjang total gen yaitu 1- 24. Misal kita tentukan P m = 20 %.
Maka jumlah gen yang akan dimutasi adalah

= 0,2*24
= 4,8
=5

5 buah posisi gen yang akan dimutasi, setelah diacak adalah posisi 3, 7, 10, 20, 24.
Proses mutasi :

Kromosom[1] = [X3X1X2X4]
Kromosom[2] = [X1X3X4X2]
Kromosom[3] = [X2X4X3X1]
Kromosom[4] = [X4X2X1X3]
Kromosom[5] = [X3X1X2X4]
Kromosom[6] = [X4X3X1X2]
Proses algoritma genetik untuk 1 generasi telah selesai. Maka nilai fitness setelah 1
generasi adalah:
Fitness[1] = 1/(X0X3 +X3X1+X1X2+X2X4 +X4X0) = 1/(9 + 2 + 7 + 3 + 9) = 1/30 =
0,033
Fitness[2] = 1/(X0X1+X1X3 +X3X4 +X4X2+X2X0) = 1/(7 + 2 + 6 + 3 + 5) = 1/23 =
0,043
Fitness[3] = 1/(X0X2+X2X4 +X4X3 +X3X1+X1X0) = 1/(5 + 3 + 6 + 2 + 7) = 1/23 =
0,043
Fitness[4] = 1/(X0X4 +X4X2+X2X1+X1X3 +X3X0) = 1/(9 + 3 + 7 + 2 + 9) = 1/30 =
0,033
Fitness[5] = 1/(X0X3 +X3X1+X1X2+X2X4 +X4X0) = 1/(9 + 2 + 7 + 3 + 9) = 1/30 =
0,033
Fitness[6] = 1/(X0X4+ X4X3 +X3X1+X1X2+X2X0) = 1/(9 + 6 + 2 + 7 + 5) = 1/29 =
0,034
Sebelumnya telah ditentukan kriteria berhenti yaitu bila setelah dalam beberapa
generasi berturut-turut diperoleh nilai fitness yang tertinggi tidah berubah. Pada 1
generasi telah terlihat bahwa terdapat nilai fitness tertinggi yang tidak berubah.
Apabila perhitungan dilanjutkan hingga ke generasi ke-N maka disimpulkan bahwa
nilai fitness yang terendah tetap tidak akan berubah. Walaupun perhitungan cukup
dijabarkan hingga generasi ke-1 saja namun solusi yang mendekati optimal telah
didapatkan. Oleh karena itu, terbukti bahwa algoritma genetika dapat menyelesaikan
persoalan menentukan jarak terpendek pada jalur distribusi barang.

BAB III
Kesimpulan
Berdasarkan perancangan dan implementasi Aplikasi Optimasi Rute
Pengiriman Barang Menggunakan Algoritma Genetika, maka didapatkan kesimpulan
sebagai berikut:
1. Penentuan jumlah individu dan banyaknya iterasi berpengaruh kepada hasil
fitness.
2.

Aplikasi

Optimasi

Rute

Pengiriman

Barang

Menggunakan

Algoritma

Genetika telah dibuat sesuai dengan perancangan dan dapat digunakan dalam
merekomendasikan rute terdekat dalam pengiriman barang

Daftar Pustaka
Lukas, S., Anwar, T., Yuliani, W., 2005, Penerapan Algoritma Genetika untuk
Traveling Salesmen Problem dengan Menggunakan Metode Order
Crossover dan Insertion Mutation, Seminar Nasional Aplikasi
Teknologi

Informasi.

http://repository.usu.ac.id/bitstream/123456789/21086/2/Reference.p
df di akses pada 20 Mei 2015 pukul 19.30
Lumbantobing, H., Hidayatno, A., Darjat, 2011, Penerapan Algoritma Genetika pada
Perencanaan Lintas Kendaraan, Undergraduate Thesis, Universitas
Diponegoro.
http://eprints.undip.ac.id/view/divisions/sch=5fecs/2011.html

di

akses pada 20 Mei 2015 pukul 20.30

Fitrah, A., Zaky, A., Fitrasani, 2006, Penerapan Algoritma Genetika pada Persoalan
Pedagang Keliling (TSP), Sekolah Tinggi Elektro Dan Informatika
ITB.
http://www.researchgate.net/profile/Dewa_Adi/publication/23595719
4_PENENTUAN_JARAK_TERPENDEK_PADA_JALUR_DISTRI
BUSI_BARANG_DI_PULAU_JAWA_DENGAN_MENGGUNAK
AN_ALGORITMA_GENETIKA/links/00b7d514c220dc207b000000
.pdf di akses pada 20 Mei 2015 pukul 21.00
http://www.academia.edu/9543928/Algoritma_Genetika di akses pada 20 Mei 2015

http://www.researchgate.net/profile/Dewa_Adi/publications di akses pada 20 Mei

2015 pukul 20.00