BAB 2

LANDASAN TEORI

2.1

Traveling Salesman Problem

2.1.1

Definisi Traveling Salesman Problem

TSP merupakan suatu permasalahan dimana seorang salesman harus melewati

sejumlah kota tepat satu kali dan kembali ke kota awal, yang perlu dicari adalah rute
terpendek bagi salesman tersebut.
Biasanya permasalahan ini ditampilkan dalam bentuk graph. Pada sebuah
weighted graph, kota direpresentasikan sebagai verteks, dan jalurnya direprentasikan
sebagai edge. Untuk jarak atau biaya dari suatu node ke node yang lain
direpresentasikan sebagai weight.

Gambar 2.1 - Weighted graph

5
2.1.2

Kompleksitas Masalah
Solusi langsung dari TSP adalah dengan menggunakan metode brute force, yaitu

dengan mencoba semua kemungkinan yang ada (permutasi antara tiap kota). Metode ini
akan menghasilkan hasil yang optimal, namun metode ini memiliki kompleksitas yang
sangat tinggi yaitu O(n!). Dimana n adalah jumlah kota yang ingin ditempuh.

2.1.3

Metode Penyelesaian TSP

Metode penyelesaian TSP dibagi menjadi dua bagian, yaitu metode eksak dan

metode heuritsik. Metode eksak baik digunakan jika jumlah kota sedikit, karena metode
ini bekerja agak lambat. Jika jumlah kota banyak, lebih baik menggunakan metode
heuristik karena metode ini bekerja dengan sangat cepat. Walaupun hasilnya belum
tentu yang optimal, tetapi hasilnya kebanyakan mendekati optimal.

2.2

Algoritma Genetik
Algoritma genetik merupakan algoritma pencarian yang berdasarkan pada cara

kerja seleksi alam dan ilmu genetik (Goldberg, 1989, p1). Algoritma genetik pertama
kali dikembangkan oleh John Holland dari Universitas Michigan pada tahun 1975. John
Holland mengatakan bahwa setiap masalah yang berbentuk adaptasi (alami maupun
buatan) dapat diformulasikan dalam terminologi genetika. Algoritma genetik adalah
simulasi dari proses evolusi Darwin dan operasi genetika atas kromosom.
Algoritma genetik mengimplementasikan bentuk yang ampuh dari hill climbing
yang memelihara banyak solusi, membuang solusi yang tidak menjanjikan dan
meningkatkan solusi-solusi yang baik. Gambar 2.2 menunjukkan sejumlah solusi yang

6
bergerak menuju titik-titik yang optimal dalam ruang pencarian. Pada gambar ini axis
horisontal menunjukkan titik-titik yang mungkin menjadi solusi, sementara axis vertical
menunjukkan kualitas dari solusi tersebut. Pada awalnya solusi tersebar pada ruang dari
solusi-solusi yang mungkin. Setelah beberapa generasi, solusi-solusi tersebut cenderung
bergerak menuju ke area yang memiliki kualitas solusi yang lebih tinggi (Luger, 2002,
p479). Algoritma genetik tidak secara serta merta langsung membuang solusi yang
buruk, namun lewat operator genetik, bahkan solusi yang lemah pun bisa terus
memberikan kontribusi terhadap kandidat solusi yang akan datang.

Gambar 2.2 Algoritma genetik divisualisasikan sebagai paralel hill climbing

Pada algoritma genetik, teknik pencarian dilakukan atas sejumlah solusi yang
mungkin yang dikenal dengan istilah populasi. Individu yang terdapat dalam satu
populasi disebut dengan istilah kromosom. Populasi awal dibangun secara acak,
sedangkan populasi berikutnya merupakan hasil evolusi kromosom-kromosom melalui
iterasi yang disebut dengan istilah generasi. Pada setiap generasi, kromosom akan
melalui proses evaluasi dengan menggunakan alat ukur yang disebut dengan fungsi

7
fitness. Nilai fitness dari suatu kromosom akan menunjukkan kualitas kromosom
dalam populasi tersebut. Generasi berikutnya dikenal dengan istilah anak (offspring)
terbentuk dari gabungan dua kromosom generasi sekarang yang bertindak sebagai induk
(parent) dengan menggunakan operator penyilangan (crossover). Selain operator
penyilangan, suatu kromosom dapat juga dimodifikasi dengan menggunakan operator
mutasi. Populasi generasi yang baru dibentuk dengan cara menyeleksi nilai fitness dari
kromosom induk dan nilai fitness dari kromosom anak, serta menjaga agar ukuran
populasi konstan. Setelah melalui beberapa generasi, maka algoritma ini akan
konvergen ke kromosom terbaik.
Secara umum, cara kerja dari algoritma genetik terdiri dari langkah-langkah
berikut ini :
1.

Start
Generate populasi yang terdiri dari n kromosom secara random.

2.

Fitness
Evaluasi fitness f(x) dari setiap kromosom x dalam populasi.

3.

New population
Ciptakan populasi baru dengan mengulangi langkah-langkah berikut sampai
populasi baru lengkap.
a. Selection
Pilih dua kromosom parent dari populasi berdasarkan nilai fitness. Semakin baik
nilai fitness, semakin besar kesempatan untuk terpilih menjadi parent.
b. Crossover
Crossover kedua parent yang terpilih untuk membentuk populasi baru.

8
c. Mutation
Mutasi offspring pada tiap locus (posisi pada kromosom).
4.

Replace
Gunakan populasi baru yang telah terbentuk untuk proses berikutnya.

5.

Test
Jika kondisi perhentian pada perulangan dipenuhi, proses berhenti dan kembalikan
solusi terbaik pada populasi sekarang.

6.

Loop
Kembali ke langkah 2.

2.2.1

Representasi Genetik dari Domain Solusi

Kromosom harus dapat merepresentasikan suatu solusi. Menurut Obitko (1998),

metode yang dapat digunakan untuk merepresentasikan kromosom adalah sebagai

berikut :
1. Representasi biner (binary encoding)
Pada representasi biner, setiap kromosom hanya terdiri dari bit 1 dan 0.
Kelemahan dari representasi ini adalah untuk beberapa masalah menjadi tidak
alami dan perbaikan harus dilakukan setelah crossover atau mutasi. Representasi
biner ditunjukkan pada Tabel 2.1.
Tabel 2.1 Contoh kromosom dengan representasi biner
Kromosom A
Kromosom B

10011001
00010001

9
2. Representasi permutasi (permutation encoding)
Pada representasi permutasi, kromosom merupakan string angka yang
merepresentasikan posisi dalam suatu urutan. Metode ini biasanya digunakan
untuk masalah pengurutan tugas seperti Travelling Salesman Problem (TSP).
Representasi permutasi ditunjukkan pada Tabel 2.2.
Tabel 2.2 Contoh kromosom dengan representasi permutasi
Kromosom A
Kromosom B

81675234
81243567

3. Representasi nilai (value encoding)

Pada representasi nilai, kromosom berisi urutan nilai-nilai. Nilai dapat berupa
angka, huruf, atau string. Metode ini biasanya digunakan untuk masalah khusus,
seperti menemukan bobot untuk neural network. Representasi nilai ditunjukkan
pada Tabel 2.3.
Tabel 2.3 Contoh kromosom dengan representasi nilai
Kromosom A
Kromosom B

1.89 2.34 1.68

ABBAADO

4. Representasi pohon (tree encoding)

Pada representasi pohon, kromosom adalah tree dari beberapa objek, seperti
function atau command dalam bahasa pemrograman. Representasi pohon
ditunjukkan pada Tabel 2.4.

10
Tabel 2.4 Contoh kromosom dengan representasi pohon
Kromosom Z

(*(-(AB))(+(*(CD))(/(EF))))

2.2.2

Inisialisasi
Ukuran populasi bergantung pada sifat dasar dari permasalahan, tetapi biasanya

terdiri dari ratusan hingga ribuan solusi yang mungkin. Setelah ukuran populasi
ditentukan, kemudian harus dilakukan inisialisasi terhadap kromosom yang terdapat
pada populasi tersebut. Inisialisasi kromosom dilakukan secara acak, namun harus tetap
memperhatikan domain solusi dan kendala permasalahan yang ada.

2.2.3

Fungsi Evaluasi dan Fungsi Fitness

Fungsi evaluasi digunakan untuk mengevaluasi nilai dari kromosom pada tiap

individu. Sedangkan fungsi fitness digunakan untuk mengukur seberapa baik solusi
dalam menyelesaikan TSP.
Jika masalah yang ingin dipecahkan adalah masalah optimisasi, dimana nilai
yang ingin dicari adalah nilai global maksimum, maka fungsi evaluasi dan fungsi fitness
berbanding lurus. Namun jika nilai yang ingin dicari adalah nilai global minimum

11
(seperti pada TSP), maka fungsi fitness dan fungsi evaluasi akan berbanding terbalik.
Sebagai contoh:
5

Mencari nilai global minimum dari fungsi

int( x ) . Dimana 0 < xi < 5.12 dan int(x)

i =1

adalah pembulatan kebawah.

5

Fungsi evaluasi untuk fungsi diatas sama dengan fungsi Feval = int( xi ) . Namun, ada
i =1

banyak cara untuk menghitung fungsi fitness, salah satu diantaranya F fitness = 1.5 ( Feval ) .
Dengan demikian, jika x adalah [5, 5, 5, 5, 5], maka Feval = 25 , dan F fitness = 0,0004

dan jika x adalah [1, 1, 1, 1, 1], maka Feval = 5 , dan F fitness = 0,1317 . Dari hasil fungsi
fitness diatas maka hasil yang terbaik adalah jika x adalah [1, 1, 1, 1, 1], karena
memiliki nilai fitness yang jauh lebih tinggi.

2.2.4

Seleksi

Seleksi bertujuan untuk memberikan kesempatan reproduksi yang lebih besar

bagi anggota populasi yang paling fit. Seleksi akan menentukan individu-individu mana
saja yang akan dipilih untuk rekombinasi dan bagaimana anak terbentuk dari individuindividu terpilih tersebut.
Berbagai metode seleksi dapat digunakan untuk menentukan fitness dari tiap
solusi dan memilih solusi yang terbaik. Kebanyakan fungsi dirancang sehingga bagian
kecil dari solusi yang kurang sesuai masih dapat terpilih. Hal ini dapat menjaga
keragaman populasi serta mencegah solusi yang prematur dan seragam.

12
Ada beberapa metode seleksi, yaitu roulette-wheel selection, elitist selection, rank
selection, tournament selection, dan lain sebagainya. Salah satu metode seleksi yang
sesuai untuk penyelesaian TSP adalah tournament selection. Metode ini bekerja dengan
cara mengambil kelompok-kelompok individu yang diambil dari populasi, kemudian
setiap individu dalam kelompok saling berkompetisi, dan hanya satu individu dari setiap
kelompok yang akan dipilih untuk reproduksi. Langkah-langkah dari metode
tournament selection, yaitu sebagai berikut:
1.

Pilih k individu secara acak dari populasi, dimana nilai k = 2x

2.

Hanya terpilih 1 individu pemenang dari k individu yg terpilih. Cara pemilihan

individu ini bervariasi, yang akan penulis gunakan adalah membandingkan setiap
dua individu dengan probabilitas kemenangan p (sekitar 0.6-0.7) bagi individu yang
memiliki nilai fitness lebih baik. Pemenang akan ditandingkan lagi sampai tinggal
satu pemenang yang akan dimasukkan ke dalam mating pool.

3.

Kembali ke langkah 1, sampai jumlah populasi baru terpenuhi.

Metode tournament sangat dipengaruhi oleh ukuran dari sample k, semakin kecil

nilai k, semakin tinggi selection pressure-nya, sehingga individu yang memiliki fitness
rendah memiliki kemungkinan lebih kecil untuk terseleksi. Sebaliknya jika nilai k besar,
maka individu yang memiliki fitness kecil memiliki ksempatan untuk terseleksi, namun
menyebabkan kinerja melambat.

2.2.5

Crossover

Crossover / persilangan adalah proses pertukaran satu atau lebih gen antara
suatu kromosom dengan kromosom lain untuk menghasilkan kromosom anak.

13
Kromosom anak yang terbentuk akan mewarisi sebagian sifat kromosom induknya.
Adapun jenis-jenis crossover adalah sebagai berikut.
1.

One-point crossover
Pada metode ini, posisi penyilangan k (k=1,2,,N-1) dengan N adalah panjang
kromosom yang diseleksi secara random. Variabel-variabel ditukar antar kromosom
pada titik tersebut untuk menghasilkan anak. One-point crossover ditunjukkan pada
Gambar 2.3.

Gambar 2.3 One-point crossover

Contoh :
Misalkan ada 2 kromosom dengan panjang 12 :
Induk1 : 0 1 1 1 0 | 0 1 0 1 1 1 0
Induk2 : 1 1 0 1 0 | 0 0 0 1 1 0 1
Posisi penyilangan yang terpilih : misalkan 5
Setelah penyilangan ,diperoleh kromosom-kromosom baru :
Anak1 : 0 1 1 1 0 | 0 0 0 1 1 0 1
Anak2 : 1 1 0 1 0 | 0 1 0 1 1 1 0
2.

Two-point crossover
Pada metode ini, 2 posisi penyilangan diseleksi secara random, kedua posisi tersebut

14
tidak boleh sama dan diurutkan naik. Variabel-variabel ditukar antar kromosom pada titik
tersebut untuk menghasilkan anak. Two-point crossover ditunjukkan pada Gambar 2.4.

Gambar 2.4 Two-point Crossover

3.

Multi-point crossover
Pada metode ini, m posisi penyilangan k (k=1,2,,N-1; i=1,2,,m) dengan N
i

adalah panjang kromosom yang diseleksi secara random dan tidak diperbolehkan
ada posisi yang sama serta diurutkan naik. Variabel-variabel ditukar antar
kromosom pada titik tersebut untuk menghasilkan anak.
Misalkan ada 2 kromosom dengan panjang 12 :
Induk1 : 0 1 1 1 0 0 1 0 1 1 1 0
Induk2 : 1 1 0 1 0 0 0 0 1 1 0 1
Posisi penyilangan yang terpilih : misalkan (m=3) : 2 6 10
Setelah penyilangan ,diperoleh kromosom-kromosom baru :
Anak1 : 0 1 | 0 1 0 0 | 1 0 1 1 | 0 1
Anak2 : 1 1 | 1 1 0 0 | 0 0 1 1 | 1 0
4.

Uniform crossover
Pada metode ini, setiap lokasi memiliki potensi sebagai tempat penyilangan.
Sebuah mask penyilangan dibuat sepanjang panjang kromosom secara random yang

15
menunjukkan bit-bit dalam mask yang mana induk akan memberikan bit-bit yang
ada kepada anak. Induk mana yang akan menyumbangkan bit ke anak dipilih secara
random dengan probabilitas yang sama. Anak1 akan dihasilkan dari induk1 jika bit
mask bernilai 1, atau sebaliknya, Anak1 akan dihasilkan dari induk2 jika bit mask
bernilai 0. Sedangkan anak2 dihasilkan dari kebalikan mask.
Misalkan ada 2 kromosom dengan panjang 12 :
Induk1 : 0 1 1 1 0 0 1 0 1 1 1 0
Induk2 : 1 1 0 1 0 0 0 0 1 1 0 1
Mask bit
Sampel1 : 1 0 0 1 1 1 0 0 1 1 0 1
Sampel2 : 0 1 1 0 0 0 1 1 0 0 1 0
Setelah penyilangan ,diperoleh kromosom-kromosom baru :
Anak1 : 0 1 0 1 0 0 0 0 1 1 0 0
Anak2 : 1 1 1 1 0 0 1 0 1 1 1 1
5.

Permutation crossover
Pada metode ini, kromosom anak diperoleh dengan cara memilih sub-barisan suatu
tour dari satu induk dengan tetap menjaga urutan dan posisi sejumlah kota yang
mungkin terhadap induk yang lainnya.
Misal :
Induk1 : ( 1 2 3 | 4 5 6 7 | 8 9 )
Induk2 : ( 4 5 3 | 1 8 7 6 | 9 2 )
Anak1 : ( x x x | 1 8 7 6 | x x )
Anak2 : ( x x x | 4 5 6 7 | x x )

16
dari sini diperoleh pemetaan :
1-4, 8-5, 7-6, 6-7.
Kemudian sisa gen di Induk1 di-copy ke Anak1 dengan menggunakan
pemetaan tersebut.
Anak1 : ( 1-4 2 3 | 1 8 7 6 | 8-5 9 )
Anak1 : ( 4 2 3 | 1 8 7 6 | 5 9 )
Hal serupa juga dilakukan untuk Anak2 :
Anak2 : ( 4-1 5-8 3 | 4 5 6 7 | 9 2 )
Anak2 : ( 1 8 3 | 4 5 6 7 | 9 2 )
6.

Order crossover
Pada metode ini, kromosom anak diperoleh dengan cara memilih sub-barisan suatu
tour dari satu induk, kemudian sisanya disalin dari kromosom induk yang lainnya.
Bila elemen yang akan disalin sudah terdapat pada kromosom anak maka elemen
tersebut tidak disalin, dan dilanjutkan ke elemen berikutnya.
Misal :
Induk1 : ( 1 2 3 | 4 5 6 7 | 8 9 )
Induk2 : ( 4 5 3 | 1 8 7 6 | 9 2 )
Anak1 : ( x x x | 4 5 6 7 | x x )
Anak2 : ( x x x | 1 8 7 6 | x x )
Kemudian sisa gen di Induk2 di-copy ke Anak1 mulai dari urutan akhir :
Anak1 : ( x x x | 4 5 6 7 | 9 2 )
Anak1 : ( 3 1 8 | 4 5 6 7 | 9 2 )

17
Hal serupa juga dilakukan untuk Anak2 :
Anak2 : ( x x x | 1 8 7 6 | 9 2 )
Anak2 : ( 3 4 5 | 1 8 7 6 | 9 2 )

2.2.6

Mutasi

Mutasi adalah operator genetik yang mengubah satu atau lebih gen dalam suatu
kromosom dari keadaan awalnya. Mutasi berperan untuk menggantikan gen yang hilang
dari populasi akibat proses seleksi yang memungkinkan munculnya kembali gen yang
tidak muncul pada saat inisialisasi populasi. Mutasi merupakan bagian yang penting dari
pencarian genetik yang dapat mencegah populasi berhenti pada solusi yang optimal
secara lokal.
Mutasi terjadi selama evolusi sesuai dengan peluang mutasi yang didefinisikan.
Sebaiknya peluang mutasi didefenisikan dengan nilai yang cukup rendah, misalnya 0.01,
karena peluang mutasi yang terlalu tinggi mengakibatkan pencarian berubah menjadi
pencarian primitif secara acak.
Ada beberapa tipe mutasi menurut Fang (1994, p59), yaitu :
1.

Mutasi random
Mutasi random disebut juga mutasi gen. Pada mutasi random, gen yang mengalami
mutasi akan digantikan dengan gen lain dimana gen pengganti tersebut dipilih
secara acak.

2.

Mutasi exchange
Mutasi exchange disebut juga mutasi swap. Pada mutasi exchange, secara acak
dipilih 2 gen yang akan mengalami mutasi, kemudian posisi kedua gen tersebut

18
ditukar.
3.

Smart mutation
Smart mutation dapat mempercepat evolusi karena mutasi terjadi pada gen yang
mempunyai nilai fitness terbesar atau

penalty

terbesar.

Gen

tersebut

akan

digantikan dengan gen lain secara acak.

2.2.7

Elitisme

Tujuan elitisme adalah untuk menyimpan sedikit individu yang terbaik, agar
hasil di generasi berikutnya tetap bagus, atau bahkan lebih bagus. Individu yang
termasuk dalam golongan elit akan dijamin masuk ke generasi berikutnya tanpa perlu
melakukan persilangan dan mutasi. Elitisme sangatlah membantu meningkatkan hasil
dari algoritma genetik. Hal ini dikarenakan jika generasi berikutnya lebih buruk
daripada generasi sebelumnya, maka hasil yang didapatkan akan menjadi kurang
optimal.
Jumlah individu yang elit tidak boleh terlalu banyak, karena hasil yang dicapai
juga akan menjadi tidak optimal yang disebabkan oleh kurangnya persaingan antara
individu. Umumnya nilai elitisme diset sekitar 1-2 individu atau 1% dari populasi.

2.2.8

Parameter-parameter Algoritma Genetik

Algoritma genetik dapat memiliki parameter-parameter dalam menjalankan

prosesnya. Parameter-parameter tersebut akan mempengaruhi kinerja algoritma genetik
dalam proses pencarian solusi terbaik. Parameter-parameter yang dimaksud adalah
sebagai berikut :

19
a.

Ukuran populasi dan generasi

Ukuran populasi menentukan jumlah kromosom dalam suatu populasi. Jika jumlah

kromosom sedikit, maka ruang pencarian kecil dan peluang untuk memperoleh solusi
juga kecil. Sebaliknya, jika jumlah kromosom terlalu banyak, maka ruang pencarian
terlalu besar dan dibutuhkan waktu yang lebih lama untuk memperoleh solusi yang
diinginkan (Obitko, 1998).
Ukuran generasi berperan penting sebagai kondisi perhentian algoritma genetik.
Jumlah generasi haruslah cukup banyak sehingga individu-individu yang dihasilkan
bagus, dan jangan terlalu berlebihan, karena selain memperlambat kinerja, komputer
akan menghabiskan waktu untuk menghitung jauh lebih lama dengan perubahan yang
sedikit (tidak sebanding dengan cost untuk menghitung).
b.

Selection rate
Selection rate menunjukkan jumlah kromosom dalam suatu populasi yang diseleksi.

Selection rate 0% berarti tidak ada kromosom yang diseleksi, sedangkan selection rate
100% berarti semua kromosom pada populasi tersebut diseleksi. Selection rate yang
rendah akan mengakibatkan proses pencarian berjalan lambat karena pencarian banyak
berulang pada kromosom-kromosom yang bukan merupakan solusi. Sebaliknya,
selection rate yang tinggi akan mengakibatkan hilangnya kromosom-kromosom yang
berpotensi besar menjadi solusi sehingga waktu pencarian akan meningkat.
c.

Mutation rate
Mutation rate menentukan berapa banyak gen dalam kromosom yang akan

mengalami mutasi. Mutation rate 0% berarti tidak ada gen yang mengalami mutasi,
sedangkan mutation rate 100% berarti semua gen dalam kromosom akan mengalami

20
mutasi. Mutation rate yang terlalu rendah akan mengakibatkan kromosom-kromosom
yang mungkin berpotensi menjadi solusi tidak pernah dicoba dan algoritma genetik
dapat terjebak pada lokal minimum. Sebaliknya, mutation rate yang terlalu tinggi akan
mengakibatkan algoritma genetik cenderung bekerja seperti random search karena
algoritma tersebut tidak lagi mampu belajar dari sejarah pencariannya.

2.3 Algoritma Tabu Search

Tabu search merupakan suatu pendekatan meta-heuristik yang mendasari prosedur

pencarian heuristic lokal yang digunakan untuk mencari kemungkinan ditemukannya
solusi lain di luar tingkat optimalitas lokal atau untuk mencari solusi yang (mendekati)
optimal. Meta-heuristik sendiri berarti suatu master strategi yang mendasari dan
memodifikasi heuristik lainnya untuk menghasilkan solusi / kesimpulan, selain dari
yang biasanya diterapkan pada penelitian untuk mendapatkan tingkat optimalitas.
(Glover dan Laguna , 1997, p17)
Tabu search didasarkan pada kesimpulan bahwa penyelesaian masalah, untuk
memenuhi kualitas sebagai metode yang mempunyai kecerdasan, harus menggabungkan
adaptive memory dan responsive exploration. Kemampuan adaptive memory pada Tabu
search memungkinkan untuk mengimplementasikan prosedur yang mampu untuk
mencari lingkup solusi secara efisien dan ekonomis.
Pentingnya penggunaan responsive exploration pada Tabu search, baik yang diimplementasikan secara determinan atau probabilitas, diperoleh dari pengandaian
bahwa pemilihan strategi yang buruk dapat menghasilkan lebih banyak informasi
daripada sebuah pilihan baik yang diperoleh secara acak. Dalam sistem yang

21
menggunakan memori, sebuah pilihan buruk yang diambil berdasarkan strategi dapat
menyediakan kesimpulan yang berguna tentang bagaimana strategi dapat diubah untuk
menjadi lebih baik.
Responsive exploration menggabungkan prinsip dasar dari pencarian cerdas seperti
selalu berusaha mencari solusi terbaik selama mencari semua kemungkinan yang ada.
Tabu search selalu berusaha mencari cara yang baru dan lebih efisien dalam mengambil
keuntungan dari penggabungan mekanisme adaptive memory dan mekanisme
responsive exploration.

2.3.1

Cara Kerja Algoritma Tabu Search

Tabu search merupakan metode yang menggunakan memori untuk mengingat

langkah-langkah yang sudah diambil sebelumnya. Langkah-langkah sebelumnya
kemudian dianggap sebagai hal tabu yang tidak boleh dilakukan pada iterasi berikutnya.
Secara garis besar, tabu search bekerja sebagai berikut:
1.

Inisialisasi solusi awal Vc secara acak.

2.

Cari solusi baru Vn di dalam neighbourhood solusi Vc.

3.

Mengganti Vc dengan Vn jika Vn tidak melanggar daftar tabu.

4.

Memperbaharui daftar tabu.

5.

Kembali ke langkah 2 sampai jumlah iterasi tercapai.

2.3.2

Memori

Memori merupakan ide utama dari algoritma tabu search. Ada beberapa jenisjenis memori yang dapat digunakan dalam tabu search, antara lain recency-based,

22
frequency-based, influence-based dan quality-based memory. Memori yang akan
digunakan oleh penulis adalah memori recency-based. Memori recency-based bekerja
dengan cara menandai perubahan paling baru yang terjadi. Contoh berikut akan
memperjelas cara kerja memori ini.
Sebagai contoh, perhatikan masalah traveling salesman dengan menggunakan 6
kota. Solusi awal yang diberikan adalah (1,2,3,4,5,6). Setelah satu iterasi, solusi
berikutnya menjadi (1,2,6,4,5,3). Dengan demikian memori dalam tabu search sesuai
pada gambar 2.5.

1
2
3
4
5
6

1
0
0
0
0
0
0

2
0
0
0
0
0
0

3
0
0
0
0
0
0

4
0
0
0
0
0
0

5
0
0
0
0
0
0

6
0
0
0
0
0
0

1
2
3
4
5
6

1
0
0
0
0
0
0

2
0
0
0
0
0
0

3
0
0
0
0
0
5

4
0
0
0
0
0
0

5
0
0
0
0
0
0

6
0
0
5
0
0
0

Gambar 2.5 Keadaan memori pada solusi awal (kiri) dan solusi baru (kanan)

Dengan keadaan memori yang sekarang maka kota 3 dan kota 6 tidak boleh
ditukar selama 5 iterasi. Angka 5 sendiri merupakan horizon memori yang nilainya
dapat ditentukan sendiri oleh user. Setelah 5 iterasi, kota 3 dan kota 6 dapat ditukar
kembali.
Contoh lain adalah sebagai berikut; pada TSP yang memiliki 6 kota, setelah 20
iterasi memiliki keadaan memori sebagai berikut

23

1
2
3
4
5
6

1
0
3
0
0
0
0

2
3
0
0
4
1
0

3
0
0
0
2
0
5

4
0
4
2
0
0
0

5
0
1
0
0
0
0

6
0
0
5
0
0
0

1
2
3
4
5
6

1
0
2
0
0
0
0

2
2
0
0
0
3
0

3
0
0
0
0
2
4

4
0
3
2
0
0
0

5
0
0
0
0
0
5

6
0
0
5
4
5
0

Gambar 2.6 Keadaan memori pada solusi awal (kiri) dan solusi baru (kanan)
Pada gambar 2.6 dijelaskan bahwa kota 1 dan 2 tidak dapat ditukar, demikian
juga untuk kota 2 dan 4, kota 4 dan 3, kota 5 dan 2 dan kota 6 dan 3. Dan ketika solusi
baru ditemukan, jelaslah solusi baru menukar kota 5 dan kota 6. Hal ini dapat dilihat
dari nilai memori pada slot 5 dan 6, dimana nilai memori adalah 5, bukan 0. Solusi baru
ini juga memungkinkan kota 5 dan kota 2 untuk ditukarkan karena nilai di dalam
memori telah menjadi 0, bukan 1.

2.3.3

Aspiration Criterion

Cara kerja memori sendiri terkadang terlalu keras. Mungkin saja solusi yang
sangat baik ada di dalam neighborhood solusi sekarang namun karena isi dari memori
tidak memungkinkan solusi yang baru maka kita baru saja kehilangan solusi yang
sangat baik.
Untuk mengatasi hal ini, aspiration criterion dapat digunakan. Hal ini mirip
dengan keadaan sehari-hari, dimana jika seseorang melihat kesempatan yang sangat
baik, terkadang melupakan prinsip-prinsipnya. Jika solusi baru yang tabu merupakan
solusi yang sangatlah baik, maka tidak apa-apa jika kita melanggar prinsip tabu tersebut
dan menggunakan solusi baru yang lebih baik.

24
2.4 Interaksi Manusia dan Komputer

Dalam Interaksi Manusia dan Komputer terdapat aturan mengenai perancangan

sebuah user interface atau tampilan yang user friendly (atau mudah digunakan oleh
pengguna) yaitu Eight Golden Rules of User Interface.

2.4.1

Pengertian Interaksi Manusia dan Komputer

Interaksi Manusia dan Komputer (IMK) atau Human-Computer Interaction

(HCI) adalah disiplin ilmu yang berhubungan dengan perancangan, evaluasi, dan
implementasi sistem komputer interaktif untuk digunakan oleh manusia, serta studi
fenomena-fenomena besar yang berhubungan dengannya.

2.4.2

Eight Golden Rules of User Interface

Suatu sistem interaktif yang baik akan menghasilkan suatu rancangan yang baik
pula, sehingga pemakai dapat menggunakan sistem interaktif tersebut dengan lancar.
Sebaliknya, sistem interaktif yang kurang baik akan menghasilkan rancangan yang
kurang baik pula, sehingga menyebabkan pemakai mendapatkan kesulitan dalam
menggunakannya karena interface yang tidak user friendly.
Untuk membuat suatu interface dan yang user friendly, maka sebaiknya
menggunakan metode yang terdapat dalam Delapan Aturan Emas (Eight Golden Rules),
menurut Shneiderman (1998, p74-75), yaitu sebagai berikut:
1.

Berusaha untuk selalu konsisten

Penggunaan jenis font, warna, simbol, bentuk tombol harus tetaplah sama atau tidak
mengalami perubahan bila masih dalam konteks yang sama di seluruh bagian

25
program.
2.

Memungkinkan frequent users menggunakan shortcut.

Program menyediakan suatu tombol yang berfungsi untuk memasuki bagian yang
dituju secara langsung tanpa harus melalui bagian-bagian yang lainnya.

3.

Memberikan umpan balik yang informatif, sehingga tidak membingungkan

pemakai.

4.

Merancang dialog yang memberikan penutupan

(keadaan akhir), sehingga

pemakai tahu kapan awal dan akhir dari suatu aksi.

5.

Memberikan pencegahan kesalahan dan penanganan kesalahan yang sederhana.

Sistem harus dapat mendeteksi kesalahan dan dapat memberikan jalan keluar untuk
mengatasi kesalahan tersebut.

6.

Memungkinkan pembalikan aksi yang mudah.

Kesalahan yang dapat terjadi dapat dikembalikan pada aksi sebelum kesalahan
terjadi. Dengan adanya rancangan seperti ini kegelisahan dan rasa takut membuat
kesalahan pada pengguna dapat diatasi.

7.

Mendukung pusat kendali internal (internal locus of control).

Memberikan kesan bahwa pengguna mempunyai kuasa penuh atas sistem tersebut.
Pengguna yang berpengalaman menginginkan kuasa penuh terhadap sistem yang
mereka gunakan dan mengharapkan sistem memberikan tanggapan atas aksi yang
dilakukannya.

8.

Mengurangi beban ingatan jangka pendek (short-term memory).

Dengan terbatasnya kemampuan manusia untuk mengingat, tampilan pada sistem
hendaklah mudah untuk diingat dan sederhana.

26
2.5

Perangkat lunak

Menurut Pressman (2001, p6), perangkat lunak adalah :

1. Instruksi instruksi (program komputer) yang jika dijalankan akan
menyediakan fungsi yang diperlukan.
2. Struktur data yang memungkinkan program untuk memanipulasi informasi.
3. Dokumen yang menyatakan operasi dan kegunaan program.

2.5.1 Dasar Perancangan Perangkat Lunak

Menurut Mahyuzir (1991, p78), perancangan merupakan proses penerapan

bermacam-macam tehnik dan prinsip dengan tujuan untuk mendefinisikan peralatan,
proses atau system secara rinci. Perancangan dilakukan pada tahap awal pengembangan.
Tujuan

perancangan

adalah

menghasilkan

model

yang

akan

dibuat.

Perancangan perangkat lunak mengalami perubahan jika didapatkan metode yang baru,
analisis yang baik dan penyusunan pengertian yang lebih luas.

2.5.2 Fase Pengembangan Perangkat Lunak

Model fase pengembangan perangkat lunak yang digunakan adalah Waterfall

Model. Adapun fase-fase yang ada pada Waterfall model ini antara lain :
1.

Analisis Kebutuhan dan definisi masalah

Pada fase ini, kita menganalis apa yang menjadi kebutuhan dan yang menjadi
tujuan dari membuat perangkat lunak ini.

2.

Merancang Sistem dan perangkat lunak

27
Merancang sistem adalah membagi-bagi kebutuhan-kebutuhan tersebut pada
perangkat keras dan perangkat lunak. Yang kemudian keduanya saling
bersinkronisasi.
3.

Implementasi dan unit testing

Pada fase ini, rancangan perangkat lunak direalisasikan menjadi sekumpulan
unit/modul-modul program. Unit testing berguna untuk mengecek apakah suatu unit
tersebut sesuai dengan spesifikasi dan kegunaan yang diharapkan.

4.

Integrasi dan Tes Sistem

Modul-modul program tersebut kemudian diintegrasikan satu sama lain menjadi
satu kesatuan sistem yang utuh dan mengecek system tersebut apakah sesuai
dengan kebutuhan yang diinginkan. Setelah selesai dengan testing program, sistem
tersebut dapat dilepas ke klien.

5.

Penggunaan dan perawatan

Biasanya fase ini adalah yang paling lama. Perawatan perangkat lunak meliputi
perbaikan kesalahan yang tidak muncul pada tahan-tahap sebelumnya dalam
pembuatan perangkat lunak, mengembangkan perangkat lunak yang sudah ada
ketika ada kebutuhan yang baru.

28
Definisi Kebutuhan

Merancang Perangkat
Lunak dan Sistem
Implementasi dan
Testing Unit
Integrasi dan
Testing Sistem
Penggunaan dan
Perawatan
Gambar 2.7 Waterfall Model

2.4 Notasi Big O

Notasi Big O adalah notasi matematika yang digunakan untuk menggambarkan

tingkah laku asimtotik dari fungsi. Dalam dunia ilmu komputer ini berguna untuk
menganalisa kompleksitas dari suatu algoritma.
Terdapat 2 jenis penggunaan notasi Big O, yaitu :
1.

Infinite asymptotics

2.

Infinitesimal asymptotics

Perbedaan kedua jenis penggunaan notasi ini hanya pada aplikasi. Sebagai contoh, pada
infinite asymptotics dengan persamaan
T(n) = 2n2 -2n +2
Untuk n yang besar, pertumbuhan T(n) akan sebanding dengan n2 dan dengan
mengabaikan suku yang tidak mendominasi kita, maka kita tuliskan

29
T(n) = O(n2)
Pada infinitesimal asymptotics, Big O digunakan untuk menjelaskan kesalahan dalam
aproksimasi untuk sebuah fungsi matematika, sebagai contoh

Kesalahannya memiliki selisih

Berikut ini adalah daftar kelas fungsi yang umum dijumpai dalam menganalisa
algoritma. Semua ini diandaikan n mendekati tak terhingga. Urutan berdasarkan dari
kinerja yang tercepat ke yang terlambat.

Tabel 2.5 Daftar notasi Big O (Sumber: http://en.wikipedia.org/wiki/Big_Oh)

Notation
O(1)
O(log * n)
O(log n)
O([log n]c)
O(n)
O(n log n)
O(n2)
O(nc), c>1
O(cn)
O(n!)

Name
Constant
Iterative logarithmic
Logarithmic
Polylogarithmic
Linear
Linearithmic, loglinear, quasilinear or supralinear
Quadratic
Polynomial (algebraic)
Exponential (geometric)
Factorial (combinatorial)