Penyelesaian Kasus Secara Manual

Dalam proses penyelesaian kasus pengoptimalan rute ini akan digunakan algoritma genetika.
Untuk mempermudah ilustrasi algoritma genetika maka prosedur penyelesaiannya dapat
digambarkan pada flowchart di gambar berikut :

Gambar Flowchart Algoritma Genetika

No Kegiatan Waktu (hari) Selesai pada

1 Survei 2 2
2 Pembersihan lahan 2 4
3 Memancang lahan yang akan dibangun 7 11
4 Penggalian tanah disekitar pancang 1 12
5 Pembuatan tulangan 7 19
6 Pembobokan 3 22
7 Pembuatan lantai kerja 2 24
8 Pemasangan bekisting 7 31
Pemasangan tulangan – tulangan
9 7 38
pilecap
10 Pemasangan sloof 7 45
11 Pengecoran pilecap 3 48

1. Membangkitkan Populasi Awal

Proses membangkitkan populasi awal dimulai dengan melakukan pembangkitan
kromosom dengan membangkitkan gen-gen secara acak. Bangkitkan bilangan bulat
positif dari 1 sampai 11. Proses ini dilakukan sebanyak popsize. Hasil selengkapnya
akan disajikan dalam Tabel 4.4
Tabel 4.4 Hasil Pembangkitan Populasi
 X1 X2 X3 X4 X5 X6 X7 X8 X9 X1 X11
0
Kromosom 1 2 3 9 11 11 12 15 23 30 37 40
Kromosom 2 3 4 8 12 17 19 23 29 31 32 32
Kromosom 3 3 5 5 13 16 24 26 29 34 35 46
Kromosom 4 3 4 9 14 15 19 27 29 36 43 44
Kromosom 5 2 5 7 15 24 28 33 38 45 45 48
Kromosom 6 2 3 11 23 27 31 38 38 39 44 45
Kromosom 7 2 4 7 7 14 16 18 21 41 42 46
Kromosom 8 2 3 5 6 11 12 20 30 34 39 47

Dari tabel diatas untuk kromosom 1 terdiri dari kumpulan gen X1, X2, X3,… X11
berisi bilangan bulat positif yang merupakan saat pelaksanaan proyek. Pada kromosom
1 dapat dijelaskan bahwa gen X1 mempunyai nilai 1 menunjukkan bahwa kegiatan 1
maksimal akan selesai pada hari ke-2, gen X2 mempunyai nilai 3 menunjukkan bahwa
kegiatan 2 maksimal akan selesai pada hari ke-3, dan seterusnya sampai gen X11 yang
mempunyai nilai 40 yang menunjukkan bahwa kegiatan 11 maksimal akan selesai pada
hari ke-40. Demikian juga dengan kromosom ke 2 sampai kromosom 8.

2. Evaluasi (Menghitung Nilai Fitness)

Proses ini dilakukan dengan memperhatikan aturan (constraint) yang telah
ditetapkan sebelumnya. Setiap kromosom akan diperiksa satu persatu dan dibandingkan
dengan kromosom lainnya sesuai dengan constraint.
Maka diperoleh hasil nilai fitness untuk semua kromosom sebagai berikut:

Kromosom Fitness
Kromosom 1 1
Kromosom 2 05
Kromosom 3 0.17
Kromosom 4 0.25
Kromosom 5 0.125
 Kromosom 6 0.14
Kromosom 7 0.5
Kromosom 8 1

3. Seleksi
Pembentukan susunan kromosom pada suatu populasi baru dilakukan dengan
metode seleksi roulette-wheel. Sesuai dengan namanya, metode ini menirukan
permainan roulette-wheel dimana masing-masing kromosom menempati potongan
lingkaran pada roulette-wheel secara proporsional sesuai dengan nilai fitnessnya.
Kromosom yang memiliki nilai fitness lebih besar menempati potongan lingkaran
yang lebih besar dibandingkan dengan kromosom bernilai fitness rendah.
Langkah pertama metode ini adalah menghitung total nilai fitness seluruh
kromosom.

Kromosom Fitness
Kromosom 1 1
Kromosom 2 0.5
Kromosom 3 0.17
Kromosom 4 0.25
Kromosom 5 0.125

Kromosom 6 0.14

Kromosom 7 0.5

Kromosom 8 1

3.685

Total Nilai Fitness

 Langkah kedua adalah menghitung probabilitas setiap kromosom dengan cara
membagi nilai fitness tiap kromosom dengan nilai total fitness. Sehingga didapatkan
hasil sebagai berikut :

Kromosom Probabilitas
Kromosom 1 0.27
Kromosom 2 0.135
Kromosom 3 0.046
Kromosom 4 0.068
Kromosom 5 0.033
Kromosom 6 0.038
Kromosom 7 0.135
Kromosom 8 0.27
Total Probabilitas 1
Langkah kettiga adalah menempatkan masing-masing kromosom pada interval
nilai [0,1]

Kromoso Interval Nilai

m
1 0 - 0.27
2 0.28 – 0.405
3 0.406 – 0.451
4 0.452 – 0.519
5 0.52 – 0.552
6 0.553 – 0.59
7 0.6 – 0.725
8 0.726 - 1
Untuk menentukan susunan populasi baru hasil seleksi maka dibangkitkan
bilangan acak (random) antara [0,1]. Dimisalkan bilangan yang dibangkitkan adalah
 [ 0.12, 0.04, 0.46, 0.87, 0.93, 0.26, 0.65, 0.9] maka susunan kromosom populasi baru
hasil seleksi adalah :

X1 X2 X3 X4 X5 X6 X7 X8 X9 X1 X11
0
Kromosom 1 3 4 8 12 17 19 23 29 31 32 32
Kromosom 2 2 3 9 11 11 12 15 23 30 37 40
Kromosom 3 2 5 7 15 24 28 33 38 45 45 48
Kromosom 4 2 3 5 6 11 12 20 30 34 39 47
Kromosom 5 2 3 5 6 11 12 20 30 34 39 47
Kromosom 6 3 5 5 13 16 24 26 29 34 35 46
Kromosom 7 2 4 7 7 14 16 18 21 41 42 46
Kromosom 8 2 3 5 6 11 12 20 30 34 39 47

4. Proses Pindah Silang (Crossover)

Pindah silang (Crossover) digunakan sebagai metode pemotongan kromosom

secara acak (random). Metode pindah silang yang paling umum digunakan adalah
pindah silang satu titik potong (one-point crossover). Suatu titik potong dipilih secara
acak (random), kemudian bagian pertama dari kromosom induk 1 digabungkan dengan
bagian kedua dari kromosom induk 2. Bilangan acak (random) yang dibangkitkan
untuk menentukan posisi titik potong adalah [1-N] dimana N merupakan banyaknya
jumlah gen dalam suatu kromosom. Untuk contoh ini ditentukan probabilitas
crossover (Pc) yaitu 0.5.

Dimisalkan dari contoh yang ada, nilai untuk kromosom 3, 4, 5, dan 6 kurang
dari probabilitas crossover (Pc) yang telah ditentukan serta bilangan acak (random)
untuk posisi titik potong adalah pada posisi gen ke-2, maka proses pindah silangnya
adalah

Tabel Kromosom induk

X1 X2 X3 X4 X5 X6 X7 X8 X9 X1 X11
 0
Kromosom 3 2 5 7 15 24 28 33 38 45 45 48

Kromosom 4 2 3 5 6 11 12 20 30 34 39 47

Kromosom 5 2 3 5 6 11 12 20 30 34 39 47

Kromosom 6 3 5 5 13 16 24 26 29 34 35 46

Tabel Kromosom hasil proses crossover

X1 X2 X3 X4 X5 X6 X7 X8 X9 X1 X11
0
Kromosom 3 2 3 5 6 11 12 20 30 34 39 47

Kromosom 4 2 5 7 15 24 28 33 38 45 45 48

Kromosom 5 2 5 5 13 16 24 26 29 34 35 46

Kromosom 6 3 3 5 6 11 12 20 30 34 39 47

Kromosom Fitness
3 1
4 0.125
5 0.2
6 0.5
Dari hasil crossover di atas, semua kromosom yang masih memiliki pelanggaran
yaitu kromosom 4, 5, dan 6 akan menjalani proses selanjutnya yaitu mutasi. Sedangkan
kromosom yang tidak memiliki pelanggaran yaitu kromosom 3 akan disimpan sebagai
kromosom yang baik yang nantinya akan digunakan untuk dibandingkan kromosom hasil
mutasi.

5. Mutasi

Untuk mendapatkan posisi gen yang akan dimutasi maka perlu dihitung jumlah total gen
dalam satu populasi yaitu Total gen = Jumlah gen dalam suatu kromosom x Jumlah
kromosom yang ada. Berdasarkan contoh yang ada maka total gen adalah 11 x 3 = 33.
Probabilitas mutasi umumnya diset antara [0,1], misalnya 0.3 maka diharapkan mutasi
yang terjadi adalah 0.2 x 33 = 6.6 = 7 gen yang akan mengalami mutasi. Pemilihan
mutasi gen yang akan dimutasi dilakukan secara acak. Diasumsikan gen yang
mendapatkan bilangan dibawah probabilitas mutasi adalah gen ke 4, 14, 17, 19, 22, 29,
dan 30. Nilai gen yang terkena proses mutasi nilainya akan diganti secara random.
Setelah proses berhenti, kromosom hasil mutasi akan dievaluasi.

Tabel Kromosom hasil proses mutasi

X1 X2 X3 X4 X5 X6 X7 X8 X9 X1 X11
0
Kromosom 4 2 5 7 12 24 28 33 38 45 45 48

Kromosom 5 2 5 11 13 16 22 26 31 34 35 48

Kromosom 6 3 3 5 6 11 12 24 31 34 39 47

Kromosom Fitness
4 0.142
5 0.25
6 0.5
Hasil dari perhitungan di atas kromosom 3 memiliki nilai fitness terbaik karena
tidak terdapat pelanggaran terhadap constraint yang telah ditetapkan. Maka kromosom 3
merupakan hasil yang terbaik dan solusi yang paling optimal.
 Tabel Koromosom terbaik

X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11

Kromosom 3 2 3 5 6 11 12 20 30 34 39 47

Pada kromosom 3 dapat dijelaskan bahwa gen X1 mempunyai nilai 2 menunjukkan

kegiatan 1 maksimal akan selesai pada hari ke- 2, gen X2 mempunyai nilai menunjukkan
nilai 3 menunjukkan bahwa kegiatan 2 maksimal akan selesai pada hari ke-3 dan
seterusnya sampai dengan X11 yang mempunyai nilai 47 yang menunjukkan bahwa
kegiatan 11 maksimal akan selesai pada hari ke-47.

4.2 Penyelesaian Kasus dengan Program

Dalam proses penyelesaian kasus pengoptimalan rute ini akan digunakan Software
WINQSB dan Program C++.