BAB I

PENDAHULUAN

A. Latar Belakang
Traveling Salesman Problem (TSP) merupakan sebuah permasalahan optimasi yang
dapat diterapkan pada berbagai kegiatan seperti routing (Samuel, dkk 2005).
Masalah optimasi TSP terkenal dan telah menjadi standar untuk mencoba algoritma
yang komputational. Pokok permasalahan dari TSP adalah seorang salesman harus
mengunjungi sejumlah kota yang diketahui jaraknya satu dengan yang lainnya. Semua kota
yang ada harus dikunjungi oleh salesman tersebut dan kota tersebut hanya boleh dikunjungi
tepat satu kali. Permasalahannya adalah bagaimana salesman tersebut dapat mengatur rute
perjalanannya sehingga jarak yang ditempuhnya merupakan rute yang optimum yaitu jarak
minimum terbaik. (Samuel, dkk 2005).
Banyak metode yang dapat dipakai untuk menyelesaikan TSP yaitu Hill Climbing
Method, Ant Colony System dan Dynamic Programming. (Samuel, dkk 2005).
Metode lain yang dapat dipakai untuk menyelesaikan TSP adalah algoritma genetik.
Algoritma genetik merupakan sebuah algoritma yang meniru cara kerja proses genetika pada
makhluk hidup, dimana terdapat proses seleksi, rekombinasi dan mutasi untuk mendapatkan
kromosom terbaik pada suatu generasi. Pada TSP ini digunakan metode order crossover
sebagai teknik rekombinasi dan metode insertion mutation sebagai teknik mutasi yang
digunakan pada algoritma genetik. (Samuel, dkk 2005).
Dalam program simulasi tersebut, traveling salesman problem yang akan digunakan
adalah symmetric traveling salesman problem dimana jarak kota A ke kota B adalah sama
dengan jarak kota B ke kota A.
Algoritma genetika adalah sebuah teknik optimasi yang berdasarkan pada proses
evolusi alam. Kromosom yang terbaik akan bertahan hidup sehingga generasi berikutnya akan
lebih baik karena kromosom pada generasi tersebut diturunkan dari orang tua yang baik pula.
Konsep yang sama dikembangkan untuk penyelesaian masalah dengan cara mencari himpunan
solusi terbaik yang bertahan hidup dan melakukan rekombinasi solusi yang kurang baik untuk
mendapatkan kromosom lain yang lebih baik pada generasi berikutnya. Proses algoritma
genetika terdiri dari beberapa langkah, yaitu pengkodean (encoding), seleksi (selection),
persilangan (crossover), mutasi (mutation) dan decoding. Pertama-tama, proses encoding
adalah suatu proses kodifikasi atas solusi dari permasalahannya. Hasil encoding adalah
berbentuk string yang merupakan representasi dari suatu kromosom. Proses selection
menentukan kromosom mana yang tetap tinggal pada generasi berikutnya. Proses crossover
akan menghasilkan kromosom baru yang merupakan pengganti dari kromosom yang hilang
sehinga total kromosom pada satu generasi
berjumlah tetap. Proses mutasi memungkinkan terjadinya kromosom baru secara
unpredictable. Proses terakhir adalah decoding yaitu mengambil makna dari hasil kromosom
terbaik untuk menjawab permasalahannya. (Samuel, dkk 2005).
Algoritma Genetika sebagai cabang dari Algoritma Evolusi didasarkan pada proses
genetik yang ada dalam makhluk hidup; yaitu perkembangan generasi dalam sebuah populasi
yang alami, secara lambat laun mengikuti prinsip seleksi alam atau "siapa yang kuat, dia yang
bertahan (survive)". Peletak prinsip dasar sekaligus pencipta algoritma genetika adalah John
Holland. (Fariza, dkk 2006).
Algoritma genetika menggunakan analogi secara langsung dari kebiasaan yang alami
yaitu seleksi alam. Algoritma ini bekerja dengan sebuah populasi yang terdiri dari individu-
individu, yang masing-masing individu mempresentasikan sebuah solusi yang mungkin bagi
persoalan yang ada.
 Dalam kaitan ini, individu dilambangkan dengan sebuah nilai fitness yang akan
digunakan untuk mencari solusi terbaik dari persoalan yang ada. (Fariza, dkk 2006).
Penyelesaian persoalan ini dengan pendekatan langsung adalah dengan menghitung
semua kemungkinan rute yang ada, kemudian dipilih satu rute yang terpendek. Jika ada n kota
yang harus dikunjungi maka ada n!/(2n) rute yang harus diselidiki. Dengan cara ini, jumlah
waktu komputasi yang diperlukan meningkat seiring dengan bertambahnya ukuran dari
persoalan, yaitu jumlah kota. (Fariza, dkk 2006).
Teknologi AI juga mampu mengakomodasi adanya ketidakpastian dan ketidak tepatan
dari data input. Dengan didasari pada teori himpunan, maka pada tahun 1965 muncul logika
Fuzzy. Kemudian pada tahun 1975 John Holland mengatakan bahwa setiap problem berbentuk
adaptasi (alami maupun buatan) secara umum dapat diformulasikan dalam terminologi
genetika. Algoritma genetika ini merupakan simulasi proses evolusi Darwin dan operasi
genetika atas kromosom. (Kusumadewi, 2003).

B. Rumusan Masalah
Permasalahan yang dibahas adalah algoritma genetika untuk menyelesaikan Travelling
Salesman Problem yaitu mencari rute dengan jarak terpendek dengan hasil yang akurat dan
menghasilkan rute terbaik yang optimal dan mengkaji hubungan algoritma genetika dengan
TSP dalam menentukan rute dengan jarak terpendek yang optimal.
 BAB II
LANDASAN TEORI

A. Algoritma Genetika
Algoritma genetika adalah algoritma komputasi yang diinspirasi teori evolusi yang
kemudian diadopsi menjadi algoritma komputasi yang biasa digunakan untuk memecahkan
suatu pencarian nilai dalam sebuah masalah optimasi. Algoritma ini didasarkan pada proses
genetik yang ada dalam makhluk hidup; yaitu perkembangan generasi dalam sebuah populasi
yang alami, secara lambat laun mengikuti prinsip seleksi alam atau “siapa yang kuat, dia yang
bertahan (survive)”. Dengan meniru teori evolusi ini, algoritma genetika dapat digunakan untuk
mencari solusi permasalahan-pemasalahan dalam dunia nyata.
Ada 4 kondisi yang sangat mempengaruhi proses evolusi, yaitu :
1. Kemampuan organisme untuk melakukan reproduksi,
2. Keberadaan populasi organisme yang bias melakukan reproduksi,
3. Keberagaman organisme dalam suatu populasi dan
4. Perbedaan kemampuan untuk survive.
Algoritma genetika ditemukan oleh John Holland dan dikembangkan lagi oleh
muridnya David Goldberg. Selanjutnya David Goldberg memperkenalkan siklus dari algoritma
genetika pertama kali dimana bagan tersebut dapat dilihat pada gambar. (Basuki, Achmad.,
2003).

a. Populasi
Algoritma genetika dalam menyelesaikan masalah, dimulai dengan menginisialisasi
himpunan solusi yang dibangkitkan secara acak. Himpunan solusi ini dinamakan
populasi. Dalam setiap populasi terdapat individu yang disebut kromosom. Kromosom
merupakan representasi dari solusi.
b. Evaluasi fitness
Dari setiap generasi, nilai kromosom dievaluasi untuk memperoleh gen yang lebih baik
dari gen pada kromosom milik generasi sebelumnya. Kromosom dengan nilai fitness
yang baik, dijadikan anggota generasi selanjutnya.
c. Cross-over (kawin-silang)
Perkawinan silang adalah proses pertukaran gen dari dua individu. Kedua individu
tersebut dengan karakteristik yang berbeda, menghasilkan keturunan-keturunan dengan
karakteristik yang berbeda dari induknya.
d. Mutasi
Mutasi adalah proses perubahan materi genetik dari suatu spesies atau individu dalam
usaha penyesuaian (adaptasi) terhadap perubahan lingkungan. Penyesuaian ini terjadi
semata-mata supaya individu atau spesies dapat bertahan hidup. Perubahan pada mutasi
terjadi dalam nilai yang kecil. Hal ini dikarenakan perubahan ligkungan juga dalam
nilai yang kecil.
 e. Seleksi Individu
Seleksi merupakan proses pemilihan kromosom untuk dijadikan orang tua yang
nantinya akan melakukan proses reproduksi. Berdasarkan teori Darwin, kromosom
yang terbaik harusnya dapat bertahan hidup dan membentuk keturunan baru.

B. Travelling Salesman Problem

Travelling Salesman Problem (TSP) merupakan masalah kombinasi optimasi dalam
operasi penelitian dan teori ilmu komputer. Masalah ini digunakan sebagai patokan bagi
banyak metode optimasi. Permasalahan TSP sendiri dapat diterapkan pada banyak persoalan,
seperti jalur distribusi logistik, pendistribusian bahan baku bagi sebuah perusahaan, dan lain-
lain. Secara sederhana, permasalahan TSP merupakan permasalahan biaya perjalanan. Biaya
perjalanan dapat berupa waktu, jarak, dan lain-lain.
Travelling Salesman Problem (TSP) adalah problem untuk mengoptimasi dan
menemukan rute perjalanan yang paling pendek. TSP adalah problem menentukan urutan dari
sejumlah kota yang harus dilalui oleh salesman, setiap kota hanya boleh dilalui satu kali dalam
perjalanannya, dan perjalanan tersebut harus berakhir pada kota keberangkatannya dimana
salesman tersebut memulai perjalanannya, dengan jarak antara setiap kota satu dengan kota
lainnya sudah diketahui. Salesman tersebut harus meminimalkan pengeluaran biaya, dan jarak
yang harus ditempuh untuk perjalanannya tersebut.
 BAB III
METODE PENELITIAN