Abstract
Malang raya is one of regions which becomes the main objective place to visit because it has many
tourism places. The thing which has to be noticed is determining the tourism schedule, every tourist
must choose the shortest distance and time to be able to reach that destination because they can save
the time. To reach that destination, it is used greedy algorithm with knapsack problem to assist the
optimation process against searching the shortest traveling time and how many tourism places which
can be visited from the possessed time. Time allocation which is possessed by the user to tour is used as
an integrity in calculating this application, while the traveling time at each tourism locations which are
also used as an integrity is time data which is gotten from google maps. With thats data, the application
with greedy algorithm will calculate the most optimal location to be visited with the time which belongs
to the user. According to the result of testing application with ten sample of problem cases gets accuracy
result 90% from two models of greedy algorithm calculation in searching location which can be visited
by the allocation time which is owned. While the result of optimal tour accuracy that is visited is 0%
from the first model of calculation and 80% from the second calculation.
Keywords : greedy algorithm, malang raya, tour planning.
tujuan karena dapat menghemat waktu, tenaga Jawa Timur. Wilayah Malang Raya dikenal
dan biaya (Priatmoko, 2014). sebagai salah satu tujuan wisata utama di
Salah satu algoritma yang dapat mencari Indonesia (Malang, 2015).
waktu tempuh terpendek adalah algoritma Dengan potensi alam yang dimiliki oleh
Greedy. Algoritma Greedy adalah algoritma Kota Malang, yaitu pemandangan alam yang
yang dapat memecahkan masalah langkah demi elok serta hawa yang sejuk, teduh dan asri serta
langkah dan merupakan salah satu metode dalam bangunan-bangunan kuno peninggalan Belanda,
masalah optimasi (Kurnia, 2006). Kota Malang menjadi tujuan wisata bagi
Pada penelitian terkait sebelumnya yang wisatawan dalam maupun luar negeri. Berbagai
menggunakan metode greedy meyimpulkan pilihan tempat perbelanjaan, baik yang bersifat
bahwa pencarian lintasan terpendek sangat tradisional maupun modern yang tersebar di
berguna untuk menentukan jalan tersingkat berbagai penjuru kota sangat menunjang Kota
untuk menuju suatu tempat (Hayati, E.N. & Malang sebagai Kota Pariwisata. Banyak sekali
Yohanes, 2014). lokasi wisata yang terdapat di kawasan Malang
Knapsack problem merupakan masalah di Raya. Berikut adalah sebagian beberapa wisata
mana orang dihadapkan pada persoalan optimasi menarik yang populer di kawasan Malang Raya
pada pemilihan benda yang dapat dimasukkan ke ini, baik wisata alam maupun buatan diantaranya
dalam sebuah wadah yang memiliki keterbatasan adalah:
ruang atau daya tampung. Dengan adanya A. Jatim Park 1
optimasi dalam pemilihan benda yang akan B. Batu Screet Zoo
dimasukkan ke dalam wadah tersebut C. Ecogreenpark
diharapkan dapat menghasilkan keuntungan D. Alun-Alun Batu
yang maksimum. Wadah yang dimaksud di sini E. Paralayang
juga memiliki nilai konstanta yang merupakan F. Coban Rondo
nilai pembatas untuk benda-benda yang akan G. Selecta
dimasukkan ke dalam wadah tersebut sehingga H. Sengkaling
harus diambil sebuah cara memasukkan benda- I. Hawai Water Park
benda tersebut ke dalam wadah sehingga J. Alun-Alun Malang
menghasilkan hasil optimum tetapi tidak
melebihi kemampuan wadah untuk 2.2. Optimasi
menampungnya (Kartina, 2010). Optimasi bisa berupa maksimasi atau
Dalam penelitian ini Knapsack Problem minimasi. Jika berkaitan dengan masalah
digunakan untuk mengoptimasi jumlah tempat keuntungan, maka keadaan optimum adalah
wisata yang dapat dikunjungi dari waktu yang keadaan yang memberikan keuntungan
dimiliki oleh wisatawan. Benda atau beban maksimum (maksimasi). Jika berkaitan dengan
dalam Knapsack diasumsikan dengan waktu, masalah pengeluaran/pengorbanan, maka
sedangkan wadah maksimum diasumsikan keadaan optimum adalah keadaan yang
dengan total waktu yang dimiliki oleh memberikan pengeluaran/pengorbanan
wisatawan. Algoritma Greedy digunakan untuk minimum (minimasi) (Kholisoh, 2008).
mendukung dalam optimasi dan perhitungan Dalam penelitian ini, optimasi digunakan
waktu yang paling singkat dari waktu perjalanan untuk mendapatkan rekomendasi rute wisata
dan waktu kunjung. Dari permasalahan diatas yang dikunjungi. Untuk mendapatkan hasil yang
maka penulis mengangkat judul Aplikasi optimal, maka pertimbangan yang digunakan
Perencanaan Wisata di Malang Raya dengan adalah sebagai berikut :
Algoritma Greedy. 1. Mengutamakan jumlah objek wisata yang
dapat dikunjungi dengan waktu yang ditentukan.
2. LANDASAN KEPUSTAKAAN
2. Waktu, banyak dihabiskan pada lokasi wisata
dari pada waktu perjalanan.
2.1. Wisata Malang Raya
Dengan pertimbangan diatas, maka tujuan
Malang Raya adalah wilayah metropolitan utama dalam penelitian menggunakan algoritma
yang merupakan gabungan dari tiga wilayah greedy adalah optimasi jumlah wisata yang
seperti Kota Batu, Kota Malang, dan Kabupaten dapat dikunjungi dengan waktu yang dimiliki
Malang Provinsi Jawa Timur. Kawasan Malang oleh pengguna. Kemudian, mencari rasio
Raya merupakan metropolitan terbesar kedua di optimal dari waktu dengan cara membandingkan
total waktu perjalanan dan total waktu kunjung Pada setiap langkah knapsack di isi dengan
pada lokasi. objek yang mempunyai pi/wi terbesar, dimana p
adalah keuntungan dan w adalah berat barang.
2.3. Algoritma Greedy Mencoba memaksimumkan keuntugan dengan
Algoritma Greedy merupakan metode yang memilih objek yang mempunyai density per unit
paling populer untuk memecahkan persoalan berat terbesar.
optimasi. Hanya ada dua macam persoalan Pertama kali yang dilakukan adalah
optimasi, yaitu maksimasi dan minimasi. program mencari nilai profit per berat tiap – tiap
Algoritma greedy membentuk solusi langkah per unit (density) dari tiap- tiap objek. Kemudian
langkah. Pada setiap langkah, terdapat banyak objek-objek tersebut diurutkan berdasarkan
pilihan yang perlu dieksplorasi. Oleh karena itu, density-nya. Kemudian baru diambil satu-
pada setiap langkah harus dibuat keputusan yang persatu objek yang dapat ditampung oleh
terbaik dalam menentukan pilihan. Pada setiap knapsack sampai knapsack penuh atau sudah
langkahnya merupakan pilihan, untuk membuat tidak ada objek lagi yang bisa dimasukkan
langkah optimum local dengan harapan bahwa (Rachmawati, 2013).
langkah sisanya mengarah ke solusi optimum
3. METODOLOGI DAN PERANCANGAN
global. Sesuai arti harafiah, Greedy berarti
tamak. Prinsip utama dari algoritma ini adalah
3.1. Perancangan Sistem
mengambil sebanyak mungkin apa yang dapat
diperoleh sekarang (Munir, 2005) Dalam Tahap alur aplikasi perecanaan
wisata di Malang Raya dengan algoritma greedy
2.4 Greedy dalam Knapsack Problem langkah-langkahnya adalah sebagai berikut :
Gambar 1 akan menjelaskan bagaimana
Salah satu penggunaan metode greedy
alur aplikasi menampilkan rute yang paling
adalah untuk menyelesaiakan permasalahan
optimal. Pada flowchart tersebut total alokasi
knapsack (knapsack problem). Pada
waktu yang digunakan untuk berwisata
penyelesaian Knapsack Problem terdapat 3 jenis
diasumsikan sebagai knapsack kemudian
algoritma Greedy yang dapat digunakan yaitu
perhitungan dimulai dari titik awal yang
(Rachmawati, 2013):
ditentukan oleh pengguna. Inisialisai matriks
A. Greedy By Weight
digunakan untuk mengidentifikasi apakah nilai
Pada setiap langkah pilih objek yang
yang dimiliki dari titik tersebut dihitung atau
mempunyai berat teringan. Mencoba
tidak. Setelah itu program berjalan dengan
memaksimumkan keuntungan dengan
perulangan while total waktu < knapsack.
memasukkan sebanyak mungkin objek ke dalam
Kemudian program dilanjutkan dengan
knapsack.
menginisialisasi matrik yang ditunjukkan pada
Pertama kali yang dilakukan adalah
Gambar 2 dan perhitungan waktu terpendek
program mengurutkan secara menaik objek-
yang akan ditunjukkan pada Gambar 3.
objek berdasarkan weightnya. Kemudian baru
Perhitungan berjalan sampai habis, jika total
diambil satu-persatu objek yang dapat
waktu lebih dari knapsack maka program akan
ditampung oleh knapsack sampai knapsack
menghapus rute terakhir dan jika tidak lebih dari
penuh atau sudah tidak ada objek lagi yang bisa
knapsack maka program akan menampilkan rute
dimasukkan.
optimal.
B. Greedy by profit
Pada setiap langkah, pilih objek yang
mempunyai keuntungan terbesar. Mencoba
memaksimumkan keuntungan dengan memilih
objek yang paling menguntukan terlebih dahulu.
Pertama kali yang dilakukan adalah
program mengurutkan secara menurun objek-
objek berdasarkan profitnya. Kemudian baru
diambil satu-persatu objek yang dapat
ditampung oleh knapsack sampai knapsack
penuh atau sudah tidak ada objek lagi yang bisa
dimasukkan.
C. Greedy By Density
TAMPILKAN RUTE
SELESAI
NILAI = 1000;
TRUE
FOR ( i = 1 ; i <= 0 ; i ++ )
WAKTU TERPENDEK
i
END
SELESAI
Gambar 3 Flowchart Perhitungan Waktu Terpendek
Gambar 2 Flowchart Inisialisasi Matriks
Dari Gambar 3 maka dapat dilihat
Dari proses Gambar 2 membentuk nilai bagaimana alur proses perhitungan waktu
matriks yang ditunjukkan pada Tabel 1. Nilai terpendek. Data yang telah dimasukkan oleh
matriks ini digunakan untuk menginisialisasi pengguna yaitu titik awal digunakan untuk
apakah nilai yang ada pada matriks tersebut memulai baris pada matrik yang akan dihitung
dihitung dalam mencari optimasi rute atau tidak. terlebih dahulu. Nilai awal diasumsikan 1000
Pada awal perhitungan, semua nilai akan agar pada perhitungan awal bisa berjalan.
diinisialisasikan dengan nilai 1. Apabila nilai Kemudian dicari nilai terkecil dari kolom pada
tersebut sudah dihitung maka program akan baris matrik dengan perulangan tersebut. Hasil
merubahnya menjadi 0 dan tidak akan dihitung dari perhitungan tersebut akan menjadi rute
lagi dalam perhitungan selanjutnya. selanjutnya. Kemudian data akan dihitung pada
2. Keterangan rute wisata terpilih dari hasil Setelah mendapatkan hasil kombinasi dari
perhitungan aplikasi. perhitungan tersebut kemudian dicari nilai yang
3. Total waktu perjalanan dan waktu paling optimal sesuai dengan kriteria optimal
kunjung wisata dari hasil perhitungan yang sudah dijelaskan pada sub bab Optimasi.
aplikasi. Pada 10 contoh kasus ini menggunakan 4
kasus dengan 3 kombinasi, 3 kasus dengan 4
4. HASIL DAN PEMBAHASAN kombinasi dan 3 kasus dengan 5 kombinasi.
Hasil pengujian dari 10 contoh kasus yang
4.1. Contoh Antarmuka telah diuji ditunjukkan pada Tabel 2.
Ketika menjalankan program perencanaan Hasil akurasi bernilai 1 artinya keluaran
wisata ini, pengguna akan diberikan tampilan dari perhitungan sistem sama dengan
seperti Gambar 6 dibawah ini. Pengguna perhitungan kombinasi. Sebaliknya, hasil
diperlukan untuk mengisi total alokasi waktu akurasi bernilai 0 artinya hasil perhitungan
wisata, titik awal berangkat dan mengisi waktu sistem tidak sama dengan hasil perhitungan
masing-masing tempat wisata yang ingin kombinasi.
dikunjungi.
Tabel 2 Tabel Hasil Pengujian Perhitungan
Kedua Aplikasi dengan Hasil Perhitungan
Kombinasi.
Keterangan :
- H1 : Hasil aplikasi dengan perhitungan model
pertama
- H2 : Hasil aplikasi dengan perhitungan model
kedua
Gambar 7 Implementasi Halaman Hasil - HK : Hasil dari perhitungan kombinasi
- AJ1 : Akurasi jumlah wisata yang dapat
4.2. Hasil Pengujian dikunjungi dengan perhitungan model pertama
- AJ1 : Akurasi jumlah wisata yang dapat
Pada pengujian ini akan dilakukan
dikunjungi dengan perhitungan model kedua
percobaan sebanyak 10 kali. Pengujian ini
- AH1 : Akurasi tempat wisata yang dapat
dilakukan untuk mencari tingkat akurasi pada
dikunjungi dengan perhitungan model
jumlah wisata yang dapat dikunjungi dan tingkat
pertama
akurasi wisata yang dikunjungi. Pengujian
- AH2 : Akurasi tempat wisata yang dikunjungi
dilakukan dengan memberi contoh kasus yang
dengan perhitungan model kedua
akan dihitung dan mencari semua kemungkinan
yang terjadi dengan kombinasi pada setiap titik.
𝑵𝒊𝒍𝒂𝒊 𝒂𝒌𝒖𝒓𝒂𝒔𝒊
𝑱𝒖𝒎𝒍𝒂𝒉 𝒅𝒂𝒕𝒂 𝒂𝒌𝒖𝒓𝒂𝒕
= 𝒙 𝟏𝟎𝟎% (𝟏)
𝒋𝒖𝒎𝒍𝒂𝒉 𝒔𝒆𝒍𝒖𝒓𝒖𝒉 𝒅𝒂𝒕𝒂
𝟗
𝑵𝒊𝒍𝒂𝒊 𝒂𝒌𝒖𝒓𝒂𝒔𝒊 𝑨𝑱𝟏 = 𝒙 𝟏𝟎𝟎% = 𝟗𝟎%
𝟏𝟎
𝟗
𝑵𝒊𝒍𝒂𝒊 𝒂𝒌𝒖𝒓𝒂𝒔𝒊 𝑨𝑱𝟐 = 𝒙 𝟏𝟎𝟎% = 𝟗𝟎% Gambar 8 Grafik Pengujian Perhitungan Pertama
𝟏𝟎
𝟎
𝑵𝒊𝒍𝒂𝒊 𝒂𝒌𝒖𝒓𝒂𝒔𝒊 𝑨𝑯𝟏 = 𝒙 𝟏𝟎𝟎% = 𝟎% Melihat dari grafik yang ditunjukkan pada
𝟏𝟎
𝟖 Gambar 8 menunjukkan hasil yang tidak sesuai
𝑵𝒊𝒍𝒂𝒊 𝒂𝒌𝒖𝒓𝒂𝒔𝒊 𝑨𝑯𝟏 = 𝒙 𝟏𝟎𝟎% = 𝟖𝟎% dengan apa yang diharapkan, dimana dengan
𝟏𝟎
jumlah wisata yang dipilih semakin banyak akan
Dari perhitungan akurasi jumlah wisata mempengaruhi lama waktu komputasi
yang dapat dikunjungi, kedua model perhitungan perhitungan. Grafik menunjukkan pola
memiliki tingkat akurasi yang sama yaitu 90%. peningkatan dari 1 jumlah wisata sampai dengan
Sedangkan pada tingkat akurasi tempat wisata 4 jumlah wisata, tetapi mengalami penurunan
yang dapat dikunjungi, kedua perhitungan pada titik selanjutnya dan kemudian menjukkan
memiliki hasil akurasi yang sangat jauh berbeda hasil yang tidak stabil. Maka dapat disimpulkan
yaitu 0% pada model perhitungan pertama dan bahwa jumlah wisata yang digunakan untuk
80% pada model perhitungan kedua. aplikasi model perhitungan pertama tidak
Jadi dapat disimpulkan bahwa, kedua mempengaruhi waktu komputasi sistem.
model perhitungan memiliki tingkat akurasi
yang cukup baik dalam akurasi jumlah wisata 4.3.2 Model Perhitungan Kedua
yang dapat dikunjungi. Sedangkan untuk tingkat Pada Gambar 9 menunjukkan hasil waktu
akurasi tempat wisata yang dapat dikunjungi, komputasi perhitungan kedua yang didapatkan
model perhitungan pertama tidak memiliki nilai dengan mencari rata-rata dari 5 kali percobaan.
akurasi yang tepat dan hanya model perhitungan
kedua yang memiliki tingkat akurasi yang cukup
baik.
6. DAFTAR PUSTAKA
Defindal, IP., Ariesanda, B. dan Christoforus.,
2005. Algoritma Greedy untuk
Menentukan Lintasan Terpendek.
Laboratarium Ilmu dan Rekayasa
Komputasi Departemen Teknik
Informatika, Institut Teknologi
Bandung
Hayati, E.N. dan Yohanes, A. PENCARIAN
RUTE TERPENDEK
MENGGUNAKAN ALGORITMA
GREEDY. Seminar Nasional IENACO-
2014. ISSN: 2337-4349. Universitas
Stikubank Semarang.
Kartina, 2010. Penyelesaian Knapsack Problem