Jurnal Sibernetika Vol.1 No.

2 Oktober, 2016

PENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN TRAVELLING

SALESMAN PROBLEM (TSP)
Mohamad Subchan
STMIK Muhammadiyah Banten
moh.subhan@gmail.com

ABSTRAK: Permasalahan pencarian rute terpendek dapat direpresentasikan menggunakan

graf berarah dan memiliki bobot dan disebut dengan TSP (Travelling Salesman Problem),
dimana melibatkan seorang salesman yang harus membuat simpul dari sejumlah kota yang
akan dilalui menggunakan jalur terpendek yang tersedia. Untuk meminimalkan rute
perjalanan ini menggunakan pendekatan algoritma genetika pada pemecahan masalah rute
jalur terpendek pada penyelesaian Travelling Salesman Problem (TSP). Pada penerapan
algoritma genetika, proses persilangan mempertukarkan sebagian atau seluruh kromosom
dan proses mutasi mempertahankan keragaman kromosom dalam populasi.

Kata kunci: Travelling Salesman Probelm (TSP), Algoritma Genetika

berturut-turut hanya sekali dilalui dan

akhirnya kembali ke node awal. Yaitu, n
1. PENDAHULUAN
kota diberikan {c1, c2, ... cn}, dan
Persoalan jalur terpendek (Shortest
permutasi, {σ1, σ2 ... σn} tujuannya
Path) merupakan suatu jaringan
adalah untuk memilih σi sedemikian rupa
pengarahan perjalanan dimana seseorang
sehingga jumlah dari jarak Euclidean
pengarah jalan ingin menentukan jalur
antara setiap node dan penerusnya
terpendek antara dua kota atau lebih yang
diminimalkan. Penerus dari node terakhir
akan dilalui berdasarkan jalur alternatif
dalam permutasi adalah yang pertama.
yang tersedia, dimana kota tujuan hanya
Euclidean jarak d, antara dua kota dengan
satu.
koordinat (x1, y1) dan (x2, y2) dihitung
Dari permasalahan pencarian rute
dengan:
terpendek maka diperlukan bantuan dari
d= ((x1 - x2)2 + (y1-y2)2 )1/2
algortima Genetika untuk mengoptimasi
penentuan parameter yang memiliki arah
2.2. Algoritma Genetika (Genetic
dan bobot dan disebut dengan TSP
algorithm)
(Travelling Salesman Problem).
Algoritma adalah prosedur langkah
demi langkah untuk memecahkan
2. TINJAUAN PUSTAKA
masalah. Algoritma genetika (GA)
2.1. Inisialiasi Travelling
didasarkan pada prinsip Genetika dan
Salesman
Evolusi. Algoritma Genetika adalah suatu
Dalam masalah permutasi dengan
algoritma pencarian heuristik yang
tujuan menentukan rute terpendek (atau
didasarkan atas mekanisme evolusi
biaya minimum) pada sebuah grafik yang
biologis.
mewakili suatu rute kota atau node yang
Sebuah solusi yang dibangkitkan
akan dikunjungi (dilalui). Travelling
dalam algoritma genetika disebut sebagai
Salesman dimulai pada satu node,
kromosom (chromosome), sedangkan
mengunjungi semua node lainnya

Jurnal Sibernetika – STMIK Muhammadiyah Jakarta 43

 Jurnal Sibernetika Vol.1 No.2 Oktober, 2016

kumpulan kromosom tersebut disebut Struktur umum pada algoritma

sebagai populasi. Sebuah kromosom genetika terdiri atas:
dibentuk dari komponen-komponen  Populasi, istilah pada teknik
penyusun yang disebut sebagai gen dan pencarian yang dilakukan
nilainya dapat berupa bilangan numerik, sekaligus atas sejumlah solusi
biner, simbol ataupun karakter tergantung yang mungkin.
dari permasalahan yang ingin  Pendefinisian Kromosom,
diselesaikan. individu yang terdapat dalam
Kromosom tersebut akan berevolusi satu populasi yang terdapat
secara berkelanjutan yang disebut dengan dalam satu populasi dan
generasi. Dalam tiap generasi kromosom merupakan suatu solusi yang
tersebut dievaluasi tingkat keberhasilan masih berbentuk simbol.
nilai solusinya terhadap masalah yang  Generasi, populasi awal
ingin diselesaikan (fungsi_objektif) dibangun secara acak
menggunakan ukuran yang disebut sedangkan populasi selanjutnya
dengan fitness. Untuk memilih kromosom merupakan hasil evolusi
yang tetap dipertahankan untuk generasi kromosom-kromosom melalui
selanjutnya dilakukan proses yang disebut iterasi.
dengan seleksi. Proses seleksi kromosom  Fungsi Fitness, alat ukur yang
yang mempunyai nilai fitness tinggi akan digunakan untuk proses
memiliki peluang lebih besar untuk terpilih evaluasi kromosom. Nilai fitness
lagi pada generasi selanjutnya. dari suatu kromosom akan
Kromosom baru yang disebut menunjukan kualitas kromosom
dengan offspring, dibentuk dengan cara dalam populasi tersebut.
melakukan perkawinan antar kromosom  Generasi berikutnya dikenal
dalam satu generasi yang disebut sebagai dengan anak (offspring)
proses crossover. Jumlah kromosom terbentuk dari gabungan 2
dalam populasi yang mengalami kromosom generasi sekarang
crossover ditetukan oleh paramater yang yang bertindak sebagai induk
disebut dengan crossover_rate. (parent) dengan menggunakan
Mekanisme perubahan susunan unsur operator penyilang (crossover).
penyusun mahkluk hidup akibat adanya  Mutasi, operator untuk
faktor alam yang disebut dengan mutasi memodifikasi kromosom.
direpresentasikan sebagai proses
berubahnya satu atau lebih nilai gen
dalam kromosom dengan suatu nilai acak.
Jumlah gen dalam populasi yang
mengalami mutasi ditentukan oleh
parameter yang dinamakan mutation_rate.
Setelah beberapa generasi akan
dihasilkan kromosom yang nilai gen-
gennya konvergen ke suatu nilai tertentu
yang merupakan solusi terbaik yang
dihasilkan oleh algoritma genetika
terhadap permasalahan yang ingin
diselesaikan.

Jurnal Sibernetika – STMIK Muhammadiyah Jakarta 44

 Jurnal Sibernetika Vol.1 No.2 Oktober, 2016

Start dari satu kali jalur yang dilalui, tidak akan

berlaku.

Create initial random Population

Evaluate fitness for eash population
Store best individuals
Store best individuals
Create mating pool
3. METODOLOGI DAN
PERANCANGAN
Algoritma Genetika melalui tahap-
tahap kerja, yaitu pembentukan populasi
secara acak, reproduksi, persilangan,
mutasi dan seleksi. Proses ini akan
berulang hingga syarat tertentu dipenuhi,
seperti yang tampak pada gambar berikut:

Menganalisa tiap titik dan jalur untuk

membentuk populasi secara acak
Create next generation by applying
crossover

Memproduksi individu yang akan

diolah secara gentik dengan metode
Option solusi? Roulette Wheel

YES
NO

Melakukan persilangan beberapa

Stop Reproduce and ignore few individu berdasarkan peluang
populations
persilangan

Perform mutations

Melakukan mutasi beberapa gen dari

individu berdasarkan peluang mutasi
Gambar 1. Flowchart Algoritma Genetika

Meyeleksi individu yang akan

Untuk memastikan algoritma dianalisa lebih lanjut dengan metode
genetika memenuhi persyaratan, nilai elitisme

fitness semakin besar, makasistem yang

dihasilkan semakin baik. Operasi yang
dilakukan adalah reproduksi, crossover,
dan mutasi untuk mendapatkan sebuah
solusi menurut nilai fitness-nya.
Mengulangi proses di atas hingga
diperoleh individu yang memiliki jalur
paling optimal setelah perulangan
sebanyak 10 kali perulangan berturut-
turut atau batas generasi yang
diinginkan dipenuhi

2.3. Algoritma genetika pada

Gambar 2. bagan kerja algoritma genetika
penyelesaian Travelling Salesman
Problem
Untuk menemukan pemecahan 4. IMPLEMENTASI DAN UJICOBA
permasalahan Travelling Salesman
Problem menggunakan algoritma genetika Untuk memastikan algoritma
dengan cara khusus. Sebagai contoh, genetika dalam menyelesaikan masalah
pemecahaan masalah yang valid akan harus memenugi persyaratan jenis khusus
perlu untuk mewakili rute mana setiap diperlukan metode mutasi dan crossover.
lokasi yang setidaknya hanya sekali Pertama, metode mutasi
dilalui. Jika sebuah rute berisi berisi lebih seharusnya tidak pernah menambah atau

Jurnal Sibernetika – STMIK Muhammadiyah Jakarta 45

 Jurnal Sibernetika Vol.1 No.2 Oktober, 2016

menghapus lokasi dari rute, jika tidak 1 2 3 4 5 6 7 8 9

maka akan beresiko menciptakan
penyelesaian yang tidak valid. Salah satu
jenis metode mutasi kita bisa 9 8 7 6 5 4 3 2 1
menggunakan swap mutasi.
Dengan swap mutasi dua lokasi di
rute yang dipilih secara acak kemudian Offspring:
posisi mereka hanya bertukar. Sebagai
contoh, jika menerapkan pertukaran 6 7 8
mutasi ke daftar berikut, [1, 2, 3, 4, 5, 6, 7,
8, 9] kemungkinan akan berakhir dengan,
[1, 2, 8, 4, 5, 6, 7, 3, 9]. Disini posisi 3 dan 9 5 4 3 2 6 7 8 1
5 dialihkan membuat daftar baru dengan
persis nilai yang sama hanya urutannya
yang berbeda.
Berikut keterangan bagian dari rute
Karena swap mutasi hanya menukar
yang diambil dari induk pertama [6, 7, 8]
nilai-nilai yang sudah ada, itu tidak akan
dan ditambahkan ke rute keturuan itu.
membuat daftar yang hilang atau
Selanjutnya, lokasi rute hilang
menggandakan nilai bila dibandingkan
menambahkan dari induk kedua. Lokasi
dengan aslinya, dan itulah apa yang kita
pertama di rute induk kedua adalah 9
inginkan untuk permasalahan Travelling
yang tidak di rute keturunan (offspring)
Salesman Problem.
sehingga itu ditambahkan di posisi
pertama yang tersedia. Posisi berikutnya
1 2 3 4 5 6 7 8 9 di rute induk (parents) adalah posisi 8
yang di rute keturunan (offspring) itu
dilewati.
1 2 8 4 5 6 7 3 9
Proses ini berlanjut sampai keturunanya
tidak memiliki sisa nilai kosong. Jika
Setelah menentukan metode mutasi, diterapkan dengan benar akhirnya harus
selanjutnya memilih metode crossover menjadi rute yang berisi semua posisi
yang dapat menciptakan nilai yang valid yang dilakukan parents itu tanpa ada
dalam suatu kendala yang sama. posisi yang hilang atau digandakan.
Salah satu metode crossover yang
mampu menghasilkan rute yang valid.
Dalam metode crossover ini perlu memilih
200
subset dari induk pertama (parents),
180
kemudian menambahkan bagian itu untuk
160
keturuannya. Nilai-nilai yang hilang
140
kemudian menambahkan keturuan dari 120
induk kedua agar mereka ditemukan. 100
Untuk membuat penjelasan ini lebih 80
jelas sedikit pertimbangankan contoh 60
berikut: 40
20
Parents: 0

0 20 40 60 80 100 120 140 160 180 200

Jurnal Sibernetika – STMIK Muhammadiyah Jakarta 46

 Jurnal Sibernetika Vol.1 No.2 Oktober, 2016

Initial distance: 1996 minimal sama dengan generasi

Finished sebelumnya dan tidak akan
Final distance: 940 dibawah generasi sebelumnya.
Solution:  Generasi yang terbaik (terpilih)
|60, 200|20, 160|40, 120|60, 80|20, 40|20, akan mewarisi gen dari induk
20|60, 20|100, 40|160, 20|200, 40|180, (parents), sehingga dapat
60|120, 80|140, 140|180, 100|200, diperoleh hasil lebih variatif.
160|180, 200|140, 180|100, 120|100,
160|80, 180|

200
180 DAFTAR PUSTAKA
160 Alamsyah, Pemanfaatan Metode Heuristik
140 Pada Pencarian Jalur Terpendek
120 dengan Algoritma Genetika. Jurnal
100 SMARTek, Vol. 8 No. 4. Nopember
80 2010: 307 - 316.
60 Robandi, Imam. 2006. Desain sistem
40 tenaga modern: optimisasi, logika
20 fuzzy, algoritma genetika.
0 Andi, Yogyakarta.
0 20 40 60 80 100 120 140 160 180 200 Setemen, Komang, 2008, Optimasi
generate jadwal mata kuliah
Keterangan: menggunakan algoritma genetika
Titik biru menandakan awal dari lintasan dan tabu serch, Universitas
rute, arah panah menunjukan arah awal Pendidikan Ganesha Singaraja, Bali
dari titik 0 lintasan. Suarga. 2006. Algoritma Pemrograman.
Andi, Yogyakarta.
5. KESIMPULAN
 Pada penerapan Algoritma
Genetika dalam memberikan
pemecahan masalah mengenai
menentukan rute jarak
terpendek tidak memerlukan
informasi derivatif atau
menurunkan kualitas dari suatu
informasi.
 Dengan bantuan algoritma
Genetika penentuan rute jarak
terpendek pada Travelling
Salesman Problem akan
memberikan respon sistem
yang optimal.
 Algortima Genetika ini akan
selalu menunjukan kenaikan
fitness atau kata lain generasi
selanjutnya lebih baik atau

Jurnal Sibernetika – STMIK Muhammadiyah Jakarta 47