PENERAPAN SKYLINE QUERY PADA PEMILIHAN RUTE

(STUDI KASUS JALAN RAYA KOTA BOGOR)

LILIS GUMILANG ASRI

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
INSTITUT PERTANIAN BOGOR
BOGOR
2019
 PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA

Dengan ini saya menyatakan bahwa skripsi berjudul Penerapan Skyline Query
pada Pemilihan Rute (Studi Kasus Jalan Raya Kota Bogor) adalah benar karya saya
dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun
kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari
karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan
dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, Maret 2019

Lilis Gumilang Asri

NIM G64164028
 ABSTRAK
LILIS GUMILANG ASRI. Penerapan Skyline Query pada Pemilihan Rute (Studi
Kasus Jalan Raya Kota Bogor). Dibimbing oleh ANNISA.

Pemilihan rute terbaik di jalan raya adalah permasalahan yang sangat penting.
Penelitian ini bertujuan memilih rute di kota Bogor sesuai dengan preferensi
pengguna. Permasalahan di jalan raya kota Bogor meliputi kemacetan, kondisi
kerusakan, jenis tutupan jalan, dan sebagainya. Konsep Skyline pada pemilihan rute
mencoba menjawab pada permasalahan tersebut. Skyline merupakan teknik
filtering dalam pemilihan objek yang dominan dari objek yang lain. Algoritme yang
digunakan dalam penelitian ini adalah algoritme Basic Route Skyline Computation
(BRSC) yang didasari oleh algoritma A*-search. Algoritme ini membangun semua
path secepat mungkin dan memangkas rute yang tidak berpotensi menjadi rute
skyline. Caranya adalah dengan menghitung nilai batas bawah dari sebuah rute
dengan menggunakan metode Lipschitz Embedding yang didasari oleh algoritme
Djikstra. Hasil percobaan menunjukkan bahwa rute Skyline yang dihasilkan sesuai
dengan preferensi pengguna.

Kata kunci: a*-search, BRSC, lipschitz embedding, rute skyline.

ABSTRACT

LILIS GUMILANG ASRI. Application of Skyline Query on Selection Route (The

Case Study of Bogor City Roadway). Supervised by ANNISA.

The best route selection on roadway is very important problem. The aim of this
research is to select route in Bogor City which suitable with user preferences.
Problems in Bogor roadways include traffic jam, road damage, and road surface
type, etc. Concept of skyline on route selection can answer the problems. Skyline
is filtering technique in selecting dominant object from other object. This study used
Basic Route Skyline Computation (BRSC) algorithm which based on A*-search.
This algorithm builds all paths as soon as possible and prune path which are not
potential to be rute Skyline. The method lower bound value from each route using
Lipschitz Embedding method based on Dijkstra algorithm. Experiment show that
rute Skylines are suitable for user with different preferences.

Keywords: a*-search, BRSC, lipschitz embedding, skyline route.

PENERAPAN SKYLINE QUERY PADA PEMILIHAN RUTE
(STUDI KASUS JALAN RAYA KOTA BOGOR)

Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer
pada
Departemen Ilmu Komputer

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
INSTITUT PERTANIAN BOGOR
BOGOR
2019
Penguji: 1 Dr Karlisa Priandana, ST MEng
2 Muhammad Asyhar Agmalaro, SSi MKom
Judul Skripsi : Penerapan Skyline Query pada Pemilihan Rute (Studi Kasus Jalan
Raya Kota Bogor)
Nama : Lilis Gumilang Asri
NIM : G64164028

Disetujui oleh

Dr Eng Annisa, SKom MKom

Pembimbing

Diketahui oleh

Prof Dr Agus Buono, MSi MKom

Ketua Departemen

Tanggal Lulus:
 PRAKATA

Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’alaa atas
segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang
dipilih dalam penelitian yang dilaksanakan sejak bulan Agustus 2018 ini ialah data
mining, dengan judul Penerapan Skyline Query pada Pemilihan Rute (Studi Kasus
Jalan Raya Kota Bogor).
Penulis menyadari bahwa dalam proses penulisan skripsi ini banyak
mengalami kendala dan masalah, namun berkat bantuan, bimbingan, kerjasama dari
bebagai pihak dan atas izin Allah subhanahu wa ta’alaa sehingga kendala dan
masalah yang dihadapi dapat diselesaikan dengan baik. Untuk itu, penulis
sampaikan ucapan terimakasih banyak kepada kedua orang tua yang sangat hebat,
panutan, dan selalu ada dalam kondisi apapun, yaitu Bapak Sambas dan Ibu
Endang, serta seluruh keluarga yang selalu memberi dukungan dan Ibu Dr Eng
Annisa, SKom MKom selaku pembimbing yang memberikan arahan dengan sabar,
ikhlas pada waktu luang dan tenaga pikiran dalam memberikan arahan juga
motivasi dan saran yang bermanfaat kepada penulis selama penyusunan skripsi.
Penulis juga menyampaikan terimakasih kepada:
1 Ibu Dr Karlisa Priandana, ST MEng dan Bapak Muhammad Asyhar Agmalaro,
SSi, MKom selaku penguji
2 Bapak Prof Dr Ir Agus Buono, MSi MKom selaku Ketua Departemen Ilmu
Komputer
3 Seluruh dosen, staf tata usaha, dan staf pegawai Departemen Ilmu Komputer IPB
4 Teman-teman alih jenis angkatan 11 yang telah mendukung dan berjuang
bersama-sama dalam cara betukar pikiran, semangat, dan saling mendukung satu
sama lain.

Bogor, Maret 2019

Lilis Gumilang Asri

 DAFTAR ISI

DAFTAR TABEL vi
DAFTAR GAMBAR vi
DAFTAR LAMPIRAN vi
PENDAHULUAN 1
Latar Belakang 1
Perumusan Masalah 2
Tujuan Penelitian 2
Manfaat Penelitian 3
Ruang Lingkup Penelitian 3
TINJAUAN PUSTAKA 3
Skyline Query 3
Algoritme Block-nested-loops (BNL) 4
Algoritme Basic Route Skyline Computation (BRSC) 5
Algoritme A*-search 5
Lipschitz Embedding 6
METODE 13
Data Penelitian 13
Tahapan Penelitian 14
Lingkungan Pengembangan 18
HASIL DAN PEMBAHASAN 19
Pengambilan Data 19
Praproses Data 19
Pencarian Rute Skyline 21
Rute Skyline 22
Input Preferensi 22
Eksperimen 23
SIMPULAN DAN SARAN 26
Simpulan 26
Saran 26
DAFTAR PUSTAKA 26
LAMPIRAN 28
RIWAYAT HIDUP 34
 DAFTAR TABEL
1 Contoh rute jalan raya 4
2 Atribut data kemacetan 13
3 Atribut data tata ruang dan kondisi 13
4 Atribut data penelitian macet (sumber DISHUB) 15
5 Atribut data penelitian kondisi dan tata ruang (sumber PUPR) 15
6 Perubahan nilai atribut jenis tutupan jalan 16
7 Perubahan nilai atribut jenis tutupan jalan 16
8 Atribut yang dipilih dan digabung dari sumber data 19
9 Perubahan nilai atribut jenis tutupan jalan 20
10 Perubahan nilai atribut kondisi permukaan jalan 20
11 Hasil praproses data jalan raya 20
12 Hasil preferensi (Simpang Pangrango – Simpang Narkoba (BORR)) 23
13 Rata-rata waktu eksekusi atribut 25

DAFTAR GAMBAR
1 Contoh Skyline 4
2 Contoh algoritme A*-search 6
3 Network graf embedding (Kriegel et al. 2007) 7
4 Contoh perhitungan Lipschitz Embedding 9
5 Pseudocode algoritme BRSC (Kriegel et al. 2010) 10
6 Flowchart algoritme BRSC 11
7 Contoh perhitungan algoritme BRSC 12
8 Alur tahapan penelitian 14
9 Contoh perhitungan bobot preferensi 17
10 Hasil perhitungan Lipschitz Embedding 21
11 Nilai atribut sub-rute dari node pertama 21
12 Hasil perhitungan rute Skyline 22
13 Peta Simp. Pangrango – Simp. Narkoba (BORR) 24
14 Rata-rata waktu eksekusi berdasarkan jumlah atribut 25

DAFTAR LAMPIRAN
1 Hasil pemetaan path yang diterapkan sesuai dataset 28
2 Hasil pemetaan path beserta simpang 29
3 Hasil rute Skyline (1) 30
4 Hasil rute Skyline (2) 31
5 Visualisasi rute preferensi (Simpang Pangrango – Simpang Narkoba
(BORR)) 32
 PENDAHULUAN

Latar Belakang

Pemilihan rute terbaik di jalan raya adalah permasalahan yang sangat penting.
Umumnya dalam algoritme pencarian rute, antara lain algoritme Dijkstra, algoritme
Floyd-Warshall, dan algoritme Bellman-Ford (Fitria dan Triansyah 2011), rute
terbaik adalah rute yang memiliki jarak terpendek atau waktu tempuh tercepat.
Namun, dalam kehidupan sehari-hari, seringkali bukan hanya jarak dan waktu
tempuh yang penting untuk diperhitungkan dalam pemilihan rute terbaik. Misalkan,
seorang ibu hamil ingin pergi ke rumah sakit untuk memeriksakan kandungannya.
Rute dengan jarak terpendek ternyata melalui jalan yang kondisinya rusak parah.
Tentu saja rute ini sangat tidak dianjurkan untuk dilewati ibu hamil. Ibu tersebut
tentu akan lebih memilih melewati rute yang melewati jalan dengan kondisi baik
meskipun bukan merupakan rute terpendek. Contoh lainnya, seseorang melewati
sebuah rute dengan mengendarai mobil, namun ternyata jalan-jalan yang terdapat
pada rute tersebut kurang cocok untuk dilewati mobil karena lebar jalan yang sangat
sempit. Hal ini menunjukkan bahwa memilih rute tidak cukup hanya
memperhitungkan kecepatan dan jarak saja, namun juga perlu memperhatikan
aspek kenyamanan dan keamanan pengguna jalan.
Penelitian ini mencoba menjawab permasalahan pemilihan rute dengan
menggunakan multi-kriteria pada jalan raya di kota Bogor. Permasalahan jalan yang
tercatat di kota Bogor diantaranya meliputi kemacetan, kondisi permukaan jalan
raya yang rusak, jenis tutupan jalan, serta lebar jalan yang dilalui. Pengguna jalan
ingin menuju tempat tujuan dengan rute yang sesuai dengan preferensinya.
Preferensi pengguna merupakan kumpulan kriteria atau keinginan pengguna dalam
memilih jalan yang akan dilalui, misalnya pengguna lebih memilih rute yang
memiliki lebar jalan yang sesuai untuk mobil dan tidak rusak, dibandingkan jalan
yang lebih pendek tapi rusak parah. Penelitian mengenai pemilihan rute di kota
Bogor telah dilakukan oleh (Utari 2013), namun pada penelitian tersebut hanya
menggunakan kriteria jarak tempuh dan jarak terpendek saja.
Skyline query berusaha menemukan objek skyline, yaitu serangkaian solusi
optimal bagi pengguna untuk permasalahan multi-kriteria. Skyline adalah
sekumpulan objek-objek yang tidak didominasi oleh objek lain. Suatu objek tidak
didominasi objek lain jika sama baik atau lebih baik dalam semua kriteria dan lebih
baik setidaknya dalam satu kriteria (Borzsonyi et al. 2001). Misalkan untuk suatu
wilayah akan dicari rute-rute yang merupakan rute Skyline menggunakan kriteria
jarak terpendek dan kondisi kerusakan jalan. Terdapat tiga buah rute A, B, dan C.
Rute A memiliki jarak tempuh 10 km, B 20 km dan C 30 km. Diketahui bahwa jalan
yang dilalui pada rute A memiliki skala kerusakan 2, B memiliki skala 1, dan C
memiliki skala 3. Jika semakin besar skala kerusakan maka semakin parah
kerusakan jalan, dapat dikatakan bahwa rute C didominasi oleh rute A dan B, karena
memiliki jarak terjauh dan kerusakan jalan terparah. Rute A memiliki jarak tempuh
terpendek, sedangkan rute B memiliki kondisi jalan yang lebih baik. Kedua rute
tersebut dinamakan objek-objek yang incomparable karena keduanya tidak dapat
saling mendominasi. Dengan demikian, rute A dan rute B adalah rute Skyline pada
2

wilayah tersebut. Jika pengguna lebih mengutamakan jarak terpendek, rute A akan
menjadi pilihannya, jika pengguna lebih mengutamakan kondisi jalan, rute B yang
akan terpilih.
Konsep skyline pada pemilihan rute telah diimplementasikan oleh Kriegel et
al. (2010) pada algoritme Basic Route Skyline Computation (BRSC) yang didasari
oleh metode pencarian A*-search. A* merupakan metode pencarian heuristik dalam
keadaan optimal dan lengkap, yaitu menggunakan fungsi evaluasi path untuk
memilih path yang cocok melalui ruang pencarian (Coppin 2004). Algoritme ini
tidak membangun semua path yang mungkin lalu membandingkannya satu-per-
satu, melainkan secepat mungkin memangkas rute yang tidak berpotensi menjadi
rute Skyline. Caranya adalah dengan menghitung nilai batas bawah dari sebuah rute
dengan menggunakan metode Lipschitz Embedding (Kriegel et al. 2010) yang
didasari oleh algoritme Djikstra, untuk menentukan jalur terpendek antara dua
objek (Kriegel et al. 2007). Jika nilai batas bawah sebuah rute tidak didominasi oleh
rute yang lain, maka rute tersebut dapat diperluas.
Penelitian ini mencoba menerapkan algoritme Basic Route Skyline
Computation (BRSC) untuk menemukan rute Skyline pada jalan raya kota Bogor.
Kriteria yang digunakan meliputi nilai kemacetan jalan pada hari kerja dan hari
libur, ukuran panjang jalan, jenis tutupan jalan dan kondisi kerusakan pada
permukaan jalan. Nilai kemacetan merupakan perbandingan antara jumlah
kendaraan dibandingkan dengan kapasitas jalan raya. Pengguna dapat memasukkan
preferensi terhadap kelima atribut tersebut sesuai dengan kebutuhan dan
keinginannya. Hasil percobaan pada peta jalan raya kota Bogor dengan titik awal
Simpang Pangrango menuju Simpang Narkoba (BORR) dengan preferensi yang
berbeda menghasilkan dua rute yang berbeda pula. Jika pengguna lebih memilih
rute bebas macet, akan dianjurkan untuk melewati daerah Pandu Raya, sedangkan
jika pengguna lebih memilih rute terpendek, akan dianjurkan untuk melewati
daerah Warung Jambu.

Perumusan Masalah

Pemilihan rute dengan menggunakan multi-kriteria sangat penting untuk

menjamin agar rute yang dipilih sesuai dengan kebutuhan pengguna. Penelitian
tentang pemilihan rute menggunakan multi-kriteria di kota Bogor belum banyak
dilakukan. Penelitian ini mencoba menerapkan algoritme pencarian rute (Basic
Route Skyline Compuation (BRSC)) berbasis konsep skyline query menggunakan
berbagai kriteria pada jalan raya kota Bogor. Data kondisi jalan kota Bogor
diperoleh dari kantor Dinas Perhubungan (DISHUB) dan Pekerjaan Umum dan
Penataan Ruang (PUPR) kota Bogor.

Tujuan Penelitian

Tujuan dari penelitian ini adalah mencari rute terbaik di kota Bogor
berdasarkan preferensi pengguna dalam mengunjungi tempat tujuannya.
 3

Manfaat Penelitian

Manfaat penelitian ini adalah memberikan informasi dan solusi arah rute
kepada pengguna jalan raya di kota Bogor dalam mencapai tempat tujuannya sesuai
dengan keinginan dan kebutuhannya.

Ruang Lingkup Penelitian

Ruang lingkup penelitian ini adalah:

1 Penelitian ini dibatasi pada basis data jalan raya dan kemacetan jalan raya di
kota Bogor tahun 2017.
2 Pemilihan kriteria jalan raya yang digunakan adalah kemacetan (macet hari
kerja dan macet hari libur), ukuran panjang jalan raya, jenis tutupan jalan raya,
dan kondisi permukaan jalan raya.
3 Implementasi BRSC pada penelitian ini tidak memperhitungkan rute yang
membentuk cycles.

TINJAUAN PUSTAKA

Skyline Query

Konsep skyline operator diusulkan pada penelitian Borzsonyi et al. (2001) yang
pertama kali memperkenalkan operator skyline dari suatu basis data yang besar dan
mengusulkan tiga algoritme, yaitu Block-Nested-Loops (BNL), Divide-and-
Conquer (D & C), dan skema B-tree-based. Skyline query dapat melibatkan lebih
dari dua dimensi (Kalyvas dan Tzouramanis 2017). Skyline merupakan teknik
filtering objek yang dilakukan dengan cara memilih objek-objek yang dominan dari
seluruh objek sesuai dengan hubungan dominasi antar-objek (Shah et al. 2016).
Dominasi adalah penguasaan oleh pihak yang lebih kuat terhadap yang lebih
lemah (KBBI Daring 2016). Dominan adalah bersifat sangat menentukan karena
kekuasaan, pengaruh, dan sebagainya (KBBI Daring 2016). Skyline query
mengembalikan objek yang tidak dapat didominasi oleh objek lain, dalam kasus
dataset yang terdiri dari objek multi-dimensi, objek mendominasi objek lain jika
sama baik dalam semua dimensi dan lebih baik dalam setidaknya satu dimensi
(Tiakas et al. 2015).
4

Tabel 1 Contoh rute jalan raya 80

70
ID rusak panjang 60 r5 r1
r1 3 60
50 r6

panjang
r2 2 40
r3 3 20 40 r2 r4
r4 3 40 30
r5 2 60 20 r3
r6 1 50 10 r7
r7 3 10 0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
rusak

Gambar 1 Contoh Skyline

Algoritme Block-nested-loops (BNL)

Algoritme block-nested-loops adalah algoritme Skyline yang prinsipnya
memindai data dalam file dan menyimpan daftar kandidat objek Skyline di memori
utama, lalu membandingkan setiap objek dengan objek lainnya. Penelitian
Papadias et al. (2003) menjelaskan bahwa algoritme block-nested-loops bekerja
dengan baik ketika hasil Skyline relatif kecil. Hal tersebut karena BNL
membutuhkan ukuran memori terbatas yang sudah ditentukan.
Kalyvas dan Tzouramanis (2017) menjelaskan bahwa algoritme BNL
merupakan algoritme membaca data input dan setiap objek diambil dan
dibandingkan dengan objek-objek dalam buffer. Saat pertama dijalankan, tidak ada
objek yang ada di dalam buffer sehingga data pertama langsung dimasukkan ke
dalam buffer. Untuk proses berikutnya, jika objek yang diambil didominasi oleh
setidaknya satu objek dalam buffer maka objek tersebut dipangkas. Jika objek
tersebut tidak dapat dibandingkan atau tidak didominasi satu atau lebih objek dalam
buffer, objek-objek yang didominasi akan dihapus dari buffer dan objek baru
dimasukkan.
Tiga kasus dapat terjadi pada algoritme block-nested-loops:
1 Tidak dominan : Objek didominasi oleh objek lain di dalam memori. Objek
dihilangkan dan tidak akan dipertimbangkan dalam iterasi
yang akan datang.
2 Dominan : Objek tidak didominasi. Objek dimasukkan ke dalam
memori.
3 Incomperable : Objek tidak dapat dibandingkan dengan semua objek
lainnya di dalam memori. Jika ada cukup ruang di memori,
objek dimasukkan ke dalam memori. Jika tidak ada, objek
disimpan ke file sementara untuk diproses kembali yang
memungkinkan menjadi dominan.
Pada Tabel 1 terdapat 7 rute yang akan dicari rute Skyline-nya dengan
algoritme block-nested-loops. Proses objek pertama (r1) dengan objek lainnya yang
ada pada memori. Jika memori kosong, r1 dianggap tidak didominasi. Lalu r1
disimpan di dalam memori sementara. Bandingkan kembali dengan objek lainnya
yang ada pada dataset, yaitu r2. Jika objek tidak didominasi, simpan dalam memori
 5

dan objek yang tidak dominan (didominasi) dipangkas. Hasilnya pada Gambar 1
menunjukkan r2, r6, dan r7 adalah rute Skyline. Fungsi utama dari algoritme
blocked-nested-loops adalah membandingkan hubungan dominasi objek-objek lalu
disimpan dalam memori atau dilakukan pemangkasan. Objek-objek yang
dibandingkan akan dihitung kembali sesuai jumlah objek yang berada di dalam
basis data.

Algoritme Basic Route Skyline Computation (BRSC)

Algoritme Basic Route Skyline Computation (BRSC) merupakan algoritme

rute Skyline yang didasarkan pada pemangkasan ruang pencarian A*-search dengan
menggunakan forward estimation (perkiraan).

Algoritme A*-search
Algoritme A* adalah algoritme komputer yang digunakan secara luas dalam
graph traversal dan penemuan jalur serta proses perencanaan jalur yang bisa
dilewati secara efisien di sekitar titik-titik yang disebut node (Reddy 2013).
Algoritme A* memiliki prinsip mencari jalur terpendek dari sebuah node awal
menuju node tujuan dengan memperhatikan harga nilai yang diperoleh dari
penjumlahan nilai 𝑓(𝑛), yaitu jumlah nilai tiap node dalam jalur terpendek dari
node awal ke node selanjutnya dan jumlah nilai perkiraan terkecil dari sebuah node
ke node tujuan. A*-search secara signifikan dapat mengurangi jumlah node yang
harus dilalui untuk perhitungan jalur terpendek (Kriegel et al. 2010). Algoritme A*-
search dapat diperoleh dengan rumus:

𝑓(𝑛) = 𝑔(𝑛) + ℎ(𝑛) (1)

Keterangan:
𝑓(𝑛) = perkiraan biaya solusi terkecil melalui n
𝑔(𝑛) = biaya path dari titik awal ke titik n
ℎ(𝑛) = perkiraan biaya jalur terkecil dari n ke tujuan

Algoritme A*-search mengevaluasi node dengan menggabungkan 𝑔(𝑛) dan

ℎ(𝑛). Karena 𝑔(𝑛) memberikan biaya path dari titik awal ke titik n dan ℎ(𝑛) adalah
perkiraan biaya jalur terkecil dari n ke tujuan, maka 𝑓(𝑛) adalah perkiraan biaya
solusi terkecil melalui n. (Russel dan Norvig 2010)
Algoritme A* merupakan algoritme yang mirip dengan pencarian best-first–
search, tetapi menggunakan jalur heuristik yang agak rumit untuk memilih jalur
melalui hierarki (Coppin 2004). Algoritme A*-search merupakan algoritme yang
optimal dalam pencarian rute dengan memperhitungkan perkiraan biaya solusi
terkecil (perkiraan jarak). Contoh penerapan A*-search ditampilkan pada Gambar
2 merupakan graf berarah pada jaringan jalan raya. Node menggambarkan suatu
lokasi dan edge menggambarkan jalan yang harus dilalui dari satu lokasi ke lokasi
lainnya. Perluasan path pada A*-search memperhatikan bobot nilai yang dimiliki
pada setiap path. Bobot nilai yang terkecil merupakan pencarian path selanjutnya.
Jika node akhir dari path telah sampai pada node tujuan, path tersebut adalah rute
terbaik. Perhitungan 𝑓(𝑛) merupakan perkiraan biaya terkecil dari node awal yang
melalui node n. Perhitungan 𝑔(𝑛) merupakan total bobot nilai dari node awal ke
6

node n, sedangkan ℎ(𝑛) merupakan perkiraan jarak dari node n ke node akhir
(tujuan) menggunakan Euclidean sebagai jarak paling minimal antara 2 node,
karena tidak ada jarak terpendek selain garis lurus dari 2 node. Setiap bobot yang
dihasilkan 𝑓(𝑛) disusun dari yang terkecil hingga bobot yang terbesar. Bobot nilai
paling kecil akan diperluas selanjutnya. Bobot nilai sebelumnya yang belum
diproses tetap akan diproses pada perluasan selanjutnya (f(A) : g(A) + h(A) = f(A) :
2 + 6 = 8 dan f(B) : g(B) + h(B) = f(B) : 5 + 8 = 13). Ketika node akhir sampai
tujuan, maka path tersebut adalah path terbaik (f(T) : g(T) + h(T) = 8 + 0 = 8).

A Perluas S (sort bobot nilai):

f(C) : g(C) + h(C)
f(C) : 3 + 4 = 7
f(A) : g(A) + h(A)
C T f(A) : 2 + 6 = 8
5 f(B) : g(B) + h(B)
S f(B) : 5 + 8 = 13
3 Perluas SC (sort bobot nilai):
f(T) : g(T) + h(T) = 8 + 0 = 8
f(A) : g(A) + h(A)
f(A) : 2 + 6 = 8
5 f(D) : g(D) + h(D)
B D f(D) : 6 + 4 = 10
f(A) : g(A) + h(A)
f(A) : 5 + 6 = 11
f(B) : g(B) + h(B)
• node awal = S f(B) : 5 + 8 = 13
• node akhir = T
• Bobot nilai untuk h(n): A: 6, B: 8, C: 4, Karena sudah sampai ke
D: 4 tujuan (node akhir = T), maka
path terbaik adalah = SCT

Gambar 2 Contoh algoritme A*-search

Konsep A*-search digunakan pada BRSC untuk melakukan perluasan rute

pada setiap tahap dari node awal ke node tujuan. Namun pada BRSC, nilai perkiraan
biaya jalur terkecil dari node awal ke tujuan (ℎ(𝑛)) dicari dengan menggunakan
Lipschitz Embedding
.
Lipschitz Embedding
Lipschitz Embedding digunakan untuk mencari perkiraan jarak sampai tujuan
(distance estimation) dengan memanfaatkan node referensi. Penentuan perkiraan
jarak (batas bawah) ditentukan pada jarak antara nilai dari jarak Euclidean dan
algoritme Dijkstra pada 2 node. Euclidean sebagai jarak paling minimal antara 2
node, karena tidak ada jarak terpendek selain garis lurus dari 2 node dan algoritme
Dijkstra sebagai jarak terpendek pada rute. Bobot nilai batas bawah yang
 7

didapatkan tidak akan kurang dari jarak Euclidean-nya atau sama dan tidak akan
lebih dari jarak terpendeknya (perhitungan menggunakan algoritme Dijkstra) atau
sama. Prinsip tersebut dapat didefinisikan sebagai berikut:

𝑒𝑢𝑐𝑙𝑖𝑑𝑒𝑎𝑛 ≤ 𝑏𝑎𝑡𝑎𝑠 𝑏𝑎𝑤𝑎ℎ ≤ 𝑎𝑙𝑔𝑜𝑟𝑖𝑡𝑚𝑒 𝐷𝑖𝑗𝑘𝑠𝑡𝑟𝑎 (2)

Keterangan:
𝑒𝑢𝑐𝑙𝑖𝑑𝑒𝑎𝑛 = jarak minimal (garis lurus) antar-node
𝑏𝑎𝑡𝑎𝑠 𝑏𝑎𝑤𝑎ℎ = perkiraan jarak antar-node
𝑎𝑙𝑔𝑜𝑟𝑖𝑡𝑚𝑒 𝑑𝑖𝑗𝑘𝑠𝑡𝑟𝑎 = jarak terpendek antar-node

Kriteria setiap panjang ruas jalan mempertimbangkan perhitungan cost, solusi

sederhana untuk menghitung perkiraan batas bawah adalah menggunakan jarak
Euclidean pada metode A*-search. Sayangnya, Euclidean tidak dapat diperpanjang
untuk kriteria lain yang tidak berkorelasi kuat dengan jarak spasial. Dengan
demikian, untuk menerapkan A*-search pada fungsi preferensi yang
menggabungkan berbagai kriteria, maka perlu menggunakan pendekatan yang lebih
umum. Untuk mengatasi masalah ini, Lipschitz Embedding digunakan dengan cara
menggunakan kumpulan node referensi pada graf multi-kriteria. (Kriegel et al.
2010)
Batas bawah didapatkan dengan menggunakan node referensi sebagai atribut
vektor setiap node awal dan node akhir. Contoh node referensi pada path dapat
dilihat pada Gambar 3. N = <n8,n7> merupakan node referensi pada network graf.
Contohnya, G = (N, E, W) adalah grafik jaringan dan N’ = <nr1, ..., nrk> sebuah
subsekuen dari node (N’ ⊆ N) yang mengandung k ≥1 node disebut node referensi.

Gambar 3 Network graf embedding (Kriegel et al. 2007)

Node referensi ditentukan dengan cara memilih node (1…k) yang terletak di
luar path atau terletak di pusat path yang salah satunya dari O1 atau O2 (Gambar 3)
berada di dekat node awal atau tujuan. Setelah node referensi ditentukan, Lipschitz
Embedding dapat diperoleh menggunakan rumus:
8
′ ′
𝐷𝑙(𝑣𝑠, 𝑣𝑡) = max |𝐹𝑖(𝑣𝑠)𝑉 ,𝑙 − 𝐹𝑖(𝑣𝑡)𝑉 ,𝑙 | (3)
𝑖=1..𝑘

Keterangan:
𝐷𝑙(𝑣𝑠, 𝑣𝑡) = nilai maksimum dari batas bawah pada 𝑣𝑠 ke 𝑣𝑡 dengan
memperhatikan atributnya (perkiraan jarak (estimasi))
′ ,𝑙
𝐹𝑖(𝑣𝑠)𝑉 = Nilai terkecil (jarak terpendek (algoritme Dijkstra)) embedding
dari 𝑣𝑠 ke node referensi
′ ,𝑙
𝐹𝑖(𝑣𝑡)𝑉 = Nilai terkecil (jarak terpendek (algoritme Dijkstra)) embedding
dari 𝑣𝑡 ke node referensi
𝑚𝑎𝑥𝑖=1..𝑘 = maksimum nilai atribut vektor embedding yang diambil dari
|𝐹𝑖(𝑣𝑠)– 𝐹𝑖(𝑣𝑡)| dengan i = 1 hingga k atribut.

Node referensi ditentukan secara umum dengan cara menempatkannya

sedekat mungkin ke objek data, sehingga setiap objek data berada setidaknya satu
node referensi agar mengurangi kesalahan dalam perhitungan perkiraan jarak
(Kriegel et al. 2007). Perhitungan perkiraan jarak (batas bawah) seperti pada rumus
(3) dan alurnya dijelaskan sebagai berikut:
1 Tentukan multi-atribut graf jaringan jalan raya.
2 Tentukan node awal dan node akhir (tujuan).
3 Pilih node referensi dengan cara setidaknya salah satu dekat dengan node
awal atau node akhir.
4 Hitung jarak terpendek menggunakan algoritme Dijkstra dari node awal ke
setiap node referensi dan dari node akhir ke setiap node referensi dengan
memperhatikan atributnya.
5 Hasil perkiraan jarak didapatkan dengan cara mengambil nilai maksimum
dari pengurangan nilai masing-masing jarak terpendek ke setiap node
referensinya dan dimutlakan supaya tidak ada nilai yang negatif.
6 Nilai yang maksimal adalah nilai perkiraan jarak sampai ke tujuan. Hasil nilai
sesuai dengan aturan batas bawah pada rumus (2).
Contoh perhitungan Lipschitz Embedding untuk mendapatkan batas bawah
ditampilkan pada Gambar 4 dengan graf dari penelitian Tian et al. (2009) yang
dimodifikasi menjadi path yang memiliki jalan raya berkelok-kelok.
 9

A Node T:
- atribut 1:
- algoritme dijkstra T ke B = 8
- algoritme dijkstra T ke C = 5
C <5,8> T - atribut 2:
- algoritme dijkstra T ke B = 12
S - algoritme dijkstra T ke C = 8

<3,6> Node S:
- atribut 1:
- algoritme dijkstra S ke B = 3
- algoritme dijkstra S ke C = 3
<4,5> - atribut 2:
B D - algoritme dijkstra S ke B = 5
- algoritme dijkstra S ke C = 6
Dp(S, T) = max |F(S) – F(T)|
= max |(3, 3) – (8, 5)|
= max |(-5, -2)| = 5
Perhitungan forward estimation (perkiraan): Dr(S, T) = max |F(S) – F(T)|
• <aribut1, atribut2> = <ukuran Panjang (p), = max |(5, 6) – (12, 8)|
kondisi permukaan rusak (r)> = max |(-7, -2)| = 7
• node tujuan = T Dpr(S, T) = (5, 7)
• node referensi = <B, C>

Node A: Node C:
- atribut 1: - atribut 1:
- algoritme dijkstra A ke B = 5 dan A ke C = 2 - algoritme dijkstra C ke B = 6 dan C ke C = 0
- atribut 2: - atribut 2:
- algoritme dijkstra A ke B = 7 dan A ke C = 2 - algoritme dijkstra C ke B = 9 dan C ke C = 0
Dp(A, T) = max |F(A) – F(T)| Dp(C, T) = max |F(C) – F(T)|
= max |(5, 2) – (8, 5)| = max |(6, 0) – (8,5)|
= max |(-3, -3)| = 3 = max |(-2, -5)| = 5
Dr(A, T) = max |F(A) – F(T)| Dr(C, T) = max |F(C) – F(T)|
= max |(7, 2) – (12,8)| = max |(9, 0) – (12,8)|
= max |(-5, -6)| = 6 = max |(-3, -8)| = 8
Dpr(S, T) = (3, 6) Dpr(C, T) = (5, 8)

Node B: Node D:
- atribut 1: - atribut 1:
- algoritme dijkstra B ke B = 0 dan B ke C = 6 - algoritme dijkstra D ke B = 4 dan D ke C = 3
- atribut 2: - atribut 2:
- algoritme dijkstra B ke B = 0 dan B ke C = 9 - algoritme dijkstra D ke B = 5 dan D ke C = 4
Dp(B, T) = max |F(B) – F(T)| Dp(D, T) = max |F(D) – F(T)|
= max |(0, 6) – (8, 5)| = max |(4, 3) – (8, 5)|
= max |(-8, 1)| = 8 = max |(-4, -2)| = 4
Dr(B, T) = max |F(B) – F(T)| Dr(D, T) = max |F(D) – F(T)|
= max |(0, 9) – (12, 8)| = max |(5, 4) – (12, 8)|
= max |(-12, 1)| = 12 = max |(-7, -4)| = 7
Dpr(B, T) = (8, 12) Dpr(D, T) = (4, 7)

Gambar 4 Contoh perhitungan Lipschitz Embedding

Alur tahapan algoritme BRSC dapat dicari setelah perkiraan jarak dari setiap
node ke node tujuan (batas bawah) sudah didapatkan menggunakan perhitungan
10

Lipschitz Embedding (Gambar 4). Setelah batas bawah dari masing-masing node
didapatkan, perhitungan algoritme BRSC bisa dilakukan.
Pseudocode algoritme BRSC ditampilkan pada Gambar 5. “Qcand” sebagai
tempat menyimpan kandidat-kandidat sub-rute secara ascending dan “Sroute”
mengatur semua rute yang merupakan temporary untuk kumpulan rute Skyline (list
dari rute Skyline). Algoritme BRSC diawali dengan memberi node awal (𝑣𝑠), node
akhir (𝑣𝑡), dan graf dengan multi-kriteria. Untuk memulai hal tersebut, A*-search
diimplementasikan ke dalam graf yang dimulai dari 𝑣𝑠. Prioritas queue “Qcand”
diinisialisasi dengan pseudo-path yang hanya terdiri dari node awal (𝑣𝑠).

BRSC(Node vs, Node vt, Emb_MAGraph G)

Qcand = 0;
Sroute = 0;
insert p0 = (vs) into Qcand;
WHILE Qcand not empty DO
p = Qcand.fetchtop();
IF p.lastnode = vt
IF p is not dominated by a route in Sroute THEN
Sroute.insert(p);
remove all routes in Sroute that are dominated by p;
END IF;
ELSE;
Compute attribute vector p.lb[]
IF p.lb[] is not dominated by any route in Sroute
vect.path = p.expand()
remove sub-routes in vecpath that include cycles;
insert sub-routes in vecpath into Qcand;
END IF;
END IF;
END WHILE;
report Sroute;

Gambar 5 Pseudocode algoritme BRSC (Kriegel et al. 2010)

Ketika “Qcand” tidak kosong, sub-rute paling atas diambil dan dicek apakah
sudah sama dengan node tujuan (sub-rute = 𝑣𝑡). Asumsi pertama, node akhir dari
sub-rute = 𝑣𝑡, rute telah selesai dalam pencarian dan global rute Skyline dalam
“Sroute” diperbaharui. Jika sub-rute didominasi dari rute lain di dalam “Sroute”,
maka sub-rute dipangkas. Jika sub-rute tidak didominasi dari rute lain di dalam
“Sroute”, sub-rute dimasukkan ke dalam “Sroute”. Asumsi kedua, sub-rute ≠ 𝑣𝑡
maka hitung batas bawah sub-rute kemudian dibandingkan dengan rute lain dalam
“Sroute” oleh algoritme skyline. Jika tidak didominasi dari kumpulan rute di dalam
“Sroute”, sub-rute diperluas (one hop) dalam setiap arah dengan menghindari cycle,
yaitu setiap node dalam sub-rute hanya terjadi sekali. Jika sub-rute didominasi, sub-
rute dipangkas dan tidak perlu melakukan perluasan lebih lanjut. Dengan demikian,
kriteria pemangkasan berdasarkan forward estimation dilakukan, yaitu batas
bawah atribut vector dapat diperoleh menggunakan rumus:
 11

𝑝. 𝑙𝑏[] = 𝑝. attr[] + (𝐷1 (𝑣𝑖, 𝑣𝑡) , … , 𝐷𝑑 (𝑣𝑖, 𝑣𝑡))𝑇 (4)

Keterangan:
𝑝. 𝑙𝑏[] = Sub-rute yang sudah diterapkan batas bawah
ditambah dengan atributnya
𝑝. attr[] = Bobot nilai atribut-atribut dari sub-rute
𝑇
(𝐷1 (𝑣𝑖, 𝑣𝑡) , … , 𝐷𝑑 (𝑣𝑖, 𝑣𝑡)) = Perkiraan jarak dari 𝑣𝑖 ke 𝑣𝑡 dengan
memperhatikan atribut (batas bawah)

Gambar 6 Flowchart algoritme BRSC

Gambar 6 merupakan flowchart algoritme BRSC. Node awal (𝑣𝑠) merupakan

source yang dimasukkan ke dalam “Qcand”. “Qcand” berfungsi sebagai tempat
menyimpan kandidat-kandidat sub-rute. “Qcand” bersifat ascending, yaitu nilai
paling kecil diurutkan paling atas. “Qcand” dicek seandainya tidak kosong, ambil
yang paling atas. Sub-rute yang sudah diambil dari “Qcand” dicek node akhirnya,
seandainya sama dengan 𝑣𝑡 (destination) berarti route complete atau selesai, kalau
tidak sama dengan 𝑣𝑡 berarti hitung 𝑝. 𝑙𝑏 (batas bawah path). Jika nilai
𝑝. 𝑙𝑏 mendominasi, sub-rute diperluas dan disimpan di dalam “Qcand”. Jika nilai
𝑝. 𝑙𝑏 tidak mendominasi, nilai 𝑝. 𝑙𝑏 dipangkas. Rute-rute dihasilkan dalam
“Sroute” (list dari rute Skyline). Tahapan algoritme BRSC harus dilakukan ketika
12

perkiraan jarak dari setiap node ke node tujuan telah didapatkan. Contoh
perhitungan algoritme BRSC ditunjukkan pada Gambar 7.

Qcand = SA, SB, SC. Sroute = {}

A p = SA : <2, 2>
C <5,8>
S Qcand: SB, SC, SAC
<3,6>
<4,5>
B D
• node awal = S
• node akhir = T
• <atribut1, atribut2> = <ukuran panjang,
kondisi permukaan rusak>
• Bobot nilai untuk batas bawah:
A: <3,6> ; B: <8,12> ; C: <5,8> ;
D: <4,7>
p = SAC : <4, 4>
- cek C = T?
- jika tidak, hitung:
SAC.lb = <4,4 >+ <5,8> = <9,12>
Jika SAC.lb < rute lainnya di Sroute
maka diperluas: SACT: <9, 12>
Qcand: SCD, SBD, SCT, SACT
p = SCD : <6, 10>
- cek D = T?
- jika tidak, hitung:
SCD.lb = <6,10> + <4,7> = <10,17>
Jika SCD.lb < rute lainnya dalam Sroute
maka diperluas: SCDB: <11, 15>,
SCDT: <11, 17>
Qcand: SBD, SCT, SACT, SCDT
p = SBD : <6, 10>
- cek D = T?
- jika tidak, hitung:
SBD.lb = <7,10> + <4,7> = <11,17>
Jika SBD.lb < p lainnya dalam Sroute
maka diperluas: SBDC: <10, 14>,
SBDT: <11, 17>
Qcand: SCT, SACT, SCDT, SBDC, SBDT
- cek A = T?
- jika tidak, hitung:
SA.lb = <2,2> + <3,6> = <5,8>
T Jika SA.lb < p lainnya di Sroute
maka diperluas: SAC: <4, 4>
p = SB : <3, 5>
- cek B = T?
- jika tidak, hitung:
SB.lb = <3,5> + <8,12> = <11,17>
Jika SB.lb < p lainnya di Sroute
maka diperluas: SBD: <7, 10>
Qcand: SC, SAC, SBD
p = SC : <3, 6>
- cek C = T?
- jika tidak, hitung:
SC.lb = <3,6> + <5,8> = <8,14>
Jika SC.lb < rute lainnya di Sroute
maka diperluas: SCT: <8, 14>, SCD:
<6,10>
Qcand: SAC, SCD, SBD, SCT
p = SCT : <8, 14>
- cek T = T?
- jika ya, bandingkan:
SCT dengan p lainnya dalam Sroute
Jika SCT < rute lainnya dalam Sroute
maka simpan SCT dalam Sroute
Qcand: SACT, SCDT, SBDC, SBDT
Sroute = SCT
p = SACT : <9, 12>
- cek T= T?
- jika ya, bandingkan:
SACT dengan rute lainnya di Sroute
Jika SACT < SCT : <9,12> < <8,14>
Jika ya, simpan SACT di Sroute =
SCT, SACT
Qcand: SCDT, SBDC, SBDT
Karena SCDT, SBDC dan SBDT
bobotnya lebih besar dari SCT dan
SACT. Maka sudah pasti dipangkas.
Rute Skyline = SCT: <8, 14>,
SACT: <9,12>

Gambar 7 Contoh perhitungan algoritme BRSC

 13

METODE

Data Penelitian

Data yang digunakan dalam penelitian ini adalah data kemacetan yang berasal
dari kantor Dinas Perhubungan (DISHUB) dan kantor Pekerjaan Umum dan
Penataan Ruang (PUPR) kota Bogor yang diambil tahun 2017. Data berisi 150
nama jalan raya data kemacetan yang berasal dari DISHUB yang memiliki atribut
seperti pada Tabel 2.

Tabel 2 Atribut data kemacetan

No Data Macet Tipe data

1 Nama jalan Varchar
2 Node awal Varchar
3 Node akhir Varchar
4 Tipe jalan Varchar
5 Kapasitas (smp/jam) Double
6 Volume Double
7 V/C Ratio Double
8 Kecepatan (km/jam) Double
9 Kepadatan (kend/km) Double

Tabel 3 merupakan data atribut tata ruang dan kondisi jalan yang berasal dari
kantor PUPR pada tahun 2017 yang merupakan data atribut berisi data jalan raya
yang berhubungan dengan kondisi dan tata ruang jalan. Dataset tersebut berisi 2082
records.
Tabel 3 Atribut data tata ruang dan kondisi

No Data Tata Ruang Jalan Raya Tipe data

1 No.urut Integer
2 No.ruas Varchar
3 Nama Jalan Varchar
4 Panjang Integer
5 Status Varchar
6 Fungsi Varchar
7 Laju/Arah Double
8 Lebar (m) Double
9 Perkerasan (jenis, type.konst., kondisi) Varchar
10 Trotoar Varchar
11 Saluran (jenis dan kondisi) Varchar
12 Saluran (lebar) Integer
13 Rute Angkut Berat Boolean
14 Rute Angkut Umum Varchar
15 Kondisi Permukaan Integer
16 Kecamatan Varchar
14

Tahapan Penelitian

Tahapan penelitian terdiri atas, studi literatur, pengambilan data, praproses

data yang berisi penggabungan data, pembersihan missing value, penggantian
keterangan atribut, pemetaan path, dilanjutkan pencarian rute Skyline. Pencarian
rute Skyline terdiri atas perhitungan Lipschitz Embedding yang didasari
perhitungan algoritma Dijkstra, setelah itu perhitungan algoritme BRSC yang
didasari perhitungan batas bawah, hasil yang diperoleh berupa rute Skyline, jika
pengguna ingin memasukkan inputan preferensi, rute Skyline akan diproses
kembali, tahap terakhir adalah eksperimen. Tahapan penelitian dapat dilihat pada
Gambar 8.

Gambar 8 Alur tahapan penelitian

Studi literatur
Tahapan ini dilakukan dengan mengumpulkan, membaca, dan mempelajari
literatur yang sesuai dengan topik dalam penelitian ini. Topik-topik yang ditemukan
berupa penelitian, teknik-teknik rute, dan algoritme rute Skyline yang sesuai
dengan studi kasus juga algoritme-algoritme pada pencarian rute.

Pengambilan Data
Tahapan ini dilakukan dengan pengambilan data pada 2 kantor resmi di kota
Bogor, yaitu Dinas Perhubungan (DISHUB) yang menangani kemacetan jalan raya
di kota Bogor tahun 2017 dan kantor Pekerjaan Umum dan Penataan Ruang (PUPR)
yang menangani tata ruang dan kondisi jalan raya kota Bogor tahun 2017. Atribut
panjang jalan diambil dari panjang jalan di Google Maps yang dikalkulasi oleh
Geometri $length pada QuantumGIS dengan satuan kilometer.
 15

Praproses Data
Tahap praproses data terdiri atas penggabungan data dari dua sumber
berbeda, pembersihan atribut yang mengandung missing value (atribut not a
number (nan)), penggantian keterangan atribut pada data, dan terakhir pemetaan
path.

1 Tahap penggabungan data

Tabel 4 Atribut data penelitian macet (sumber DISHUB)

No. Nama Atribut Keterangan

1 Nama Jalan
2 Node Awal
3 Node akhir
4 V/C ratio - Hari kerja
5 V/C ratio - Hari libur
Nama jalan raya yang sudah di survei, jalan
raya yang disurvei diasumsikan yang sering
terjadi macet.
Simpangan awal ujung jalan
Simpangan akhir ujung jalan
Volume/Capacity pada hari kerja
Volume/Capacity pada hari libur

Tabel 4 dan Tabel 5 berisi atribut yang dipilih untuk data penelitian yang akan
diproses. V/C ratio merupakan data untuk menentukan jalan raya tersebut macet
atau tidak. Rasio arus lalu-lintas terhadap kapasitas (derajat kejenuhan) menurut
(Direktorat Jendral Bina Marga 1997) adalah jika arus lalu-lintas mendekati
kapasitas (derajat kejenuhan > 0.75), kondisi arus tersendat (berhenti dan berjalan)
yang disebabkan oleh kemacetan menyebabkan bertambahnya asap dan juga
kebisingan jika dibandingkan dengan perilaku lalu-lintas yang stabil. Asap
kendaraan dan kebisingan berhubungan erat dengan arus lalu-lintas dan kecepatan.
Pada arus lalu-lintas yang tetap, asap berkurang dengan berkurangnya kecepatan
asalkan jalan tersebut tidak macet.

Tabel 5 Atribut data penelitian kondisi dan tata ruang (sumber PUPR)

No. Nama Atribut Keterangan

1 Nama Jalan Nama jalan raya yang sudah di survei, jalan raya
yang disurvei dan mengacu ke Google Maps.
2 Perkerasan Jenis Jenis tutupan jalan raya yang terdiri atas: Aspal,
(jenis tutupan jalan) Beton, Conblock, Batu, Tanah.
3 Perkerasan Kondisi Kondisi tata ruang permukaan jalan raya yang
(kondisi permukaan terdiri atas: Baik (B), Sedang(S), Rusak Ringan
jalan) (RR), Rusak (R), Rusak Berat (RB).

2 Tahap pembersihan missing value

Data yang dibersihkan adalah yang tidak memiliki nilai atribut (not a
number (nan)). Data diolah menggunakan bahasa pemograman R dan
Microsoft Excel.

3 Tahap penggantian keterangan atribut

16

a. Jenis tutupan jalan raya yang diperoleh, yaitu dapat dilihat pada Tabel 6:

Tabel 6 Perubahan nilai atribut jenis tutupan jalan

No Keterangan Keterangan (diubah)

1 Aspal 1
2 Beton 2
3 Conblox 3
4 Batu 4
5 Tanah 5

b. Kondisi permukaan jalan raya yang diperoleh dapat dilihat pada Tabel 7:

Tabel 7 Perubahan nilai atribut jenis tutupan jalan

No Simbol Keterangan Keterangan (diubah)

1 B Baik 1
2 S Sedang 2
3 RR Rusak Ringan 3
4 R Rusak 4
5 RB Rusak Berat 5

4 Tahap pemetaan path

Sebelum pencarian path dilakukan, pemetaan path digunakan untuk
mengecek path yang tidak terputus antar node dan mencari bobot jarak setiap
path-nya untuk atribut panjang jalan pada data. Pemetaan path dilakukan
dengan cara memetakan path dari dataset setelah tahap penggabungan,
penghilangan missing value, dan penggantian kriteria nilai atribut. Proses
pemetaan path menggunakan Quantum GIS (QGIS) dengan cara melakukan
digitasi menggunakan line layer dan Google Maps sebagai acuan path jalan
raya kota Bogor. Bobot nilai ukuran panjang jalan raya (jarak) didapatkan
menggunakan kalkulasi Geometri ($length/1000) dengan satuan kilometer
(km).
Hasil dari praproses data berupa file csv yang berisi atribut data yang memiliki
nilai-nilai. Hasil tersebut diproses pada pencarian rute Skyline.

Pencarian Rute Skyline

Proses pencarian rute Skyline didahului dengan pencarian batas bawah
menggunakan Lipschitz Embedding pada rute yang terdapat pada peta. Proses
pencarian tersebut seperti ditunjukkan pada Gambar 4 dengan contoh atribut
pertama adalah nilai ukuran panjang jalan dan atribut kedua adalah nilai kondisi
kerusakan jalan. Namun, pada penelitian ini ada 5 atribut yang diterapkan. Setelah
itu, pencarian rute Skyline dilanjutkan dengan mengimplementasikan algoritme
BRSC.
 17

Rute Skyline
Pada tahap ini telah dihasilkan kumpulan rute Skyline yang telah dihasilkan
oleh perhitungan algoritme BRSC. Rute Skyline merupakan kumpulan rute terbaik
dari banyak kemungkinan rute yang dicari oleh pengguna.

Input Preferensi
Pemberian bobot diberikan oleh pengguna sesuai keinginannya (preferensi).
Fungsi preferensi adalah jumlah seluruh bobot dari semua atribut yang
dipertimbangkan dari nilai tiap atribut (Kriegel et al. 2010). Pengguna memasukkan
pilihannya dengan rentang 0-100%. Preferensi (𝜋) adalah Π = (𝜋1,.., 𝜋d) ⊆ ℝ𝑑 .
Fungsi preferensi dapat dihitung menggunakan rumus:

𝑃𝑟𝑒𝑓Π(𝑝) = ∑𝑑𝑙=1 𝜋𝑙 . 𝑐𝑜𝑠𝑡 𝑙 (𝑝) (5)

Keterangan:
𝑃𝑟𝑒𝑓Π(𝑝) = nilai rute Skyline setelah diberi input preferensi pengguna.
𝜋l = preferensi pengguna pada atribut l
l = atribut
𝑑 = jumlah dimensi atribut l
𝑐𝑜𝑠𝑡 𝑙 (𝑝) = bobot nilai dari atribut rute Skyline

Setelah didapatkan total bobot dari masing-masing rute Skyline, hasil nilai
rute Skyline yang sudah diberi input preferensi pengguna didapatkan. Rute yang
dipilih yang memiliki bobot nilai terkecil jika rute Skyline yang dihasilkan lebih
dari 1. Semakin besar presentase yang diboboti, maka hasil bobot yang dihasilkan
semakin sesuai dengan kebutuhan. Contoh perhitungan preferensi ditampilkan pada
Gambar 9.

1 Pengguna membutuhkan jarak yang dekat

(ukuran panjang yang pendek). Preferensi =
(90%, 10%)
• SACT
𝜋𝑝 . 𝑐𝑜𝑠𝑡 𝑝 (𝑆𝐴𝐶𝑇) = 0.9 x (2+2+5) = 8.1
𝜋𝑟 . 𝑐𝑜𝑠𝑡 𝑟 (𝑆𝐴𝐶𝑇) = 0.1 x (2+2+8) = 1.2
𝑃𝑟𝑒𝑓Π(𝑆𝐴𝐶𝑇) = 8.1 +1.2 = 9.3
• SCT
𝜋𝑝 . 𝑐𝑜𝑠𝑡 𝑝 (𝑆𝐶𝑇) = 0.9 x (3 + 5) = 7.2
𝜋𝑟 . 𝑐𝑜𝑠𝑡 𝑟 (𝑆𝐶𝑇) = 0.1 x (6 + 8) = 1.4
𝑃𝑟𝑒𝑓Π(𝑆𝐶𝑇) = 7.2 + 1.4 = 8.6
maka rute terbaik adalah SCT
2 Pengguna tidak ingin jalan yang rusak.
Preferensi = (10%, 90%)
• SACT
• Keterangan: 𝜋𝑝 . 𝑐𝑜𝑠𝑡 𝑝 (𝑆𝐴𝐶𝑇) = 0.1 x (2+2+5) = 0.9
<atribut1, atribut2> = <ukuran panjang (p), 𝜋𝑟 . 𝑐𝑜𝑠𝑡 𝑟 (𝑆𝐴𝐶𝑇) = 0.9 x (2+2+8) = 10.8
kondisi permukaan yang rusak (r) > 𝑃𝑟𝑒𝑓Π(𝑆𝐴𝐶𝑇) = 0.9 + 10.8 = 11.7
• SACT dan SCT merupakan rute Skyline. • SCT
𝜋𝑝 . 𝑐𝑜𝑠𝑡 𝑝 (𝑆𝐶𝑇 = 0.1 x (=3 + 5) = 0.8
𝜋𝑟 . 𝑐𝑜𝑠𝑡 𝑟 (𝑆𝐶𝑇) = 0.9 x (6 + 8) = 12.6
𝑃𝑟𝑒𝑓Π(𝑆𝐶𝑇) = 0.8 + 12.6 = 13.4
maka, rute terbaik adalah SACT

Gambar 9 Contoh perhitungan bobot preferensi

18

Ketika preferensi dimasukkan, bobot nilai terbaik dihitung dari rute Skyline
yang sesuai dengan kebutuhan pengguna. Jika bobot 𝑃𝑟𝑒𝑓Π(𝑝̌ ) ≤ 𝑃𝑟𝑒𝑓Π(𝑝),
𝑃𝑟𝑒𝑓Π(𝑝̌ ) merupakan rute Skyline yang dibutuhkan pengguna.

Eksperimen
Algoritme BRSC pada penelitian ini diuji dengan dua pengujian. Skenario
yang diujikan terdiri atas pemilihan rute berdasarkan perbedaan preferensi dan
waktu eksekusi pada jumlat atribut dalam satuan detik (d) dengan perangkat keras
dan perangkat lunak sesuai pada sub-bab Lingkungan Pengembangan:
1 Rute berdasarkan preferensi.
Preferensi yang diujikan berdasarkan perbandingan bobot preferensi yang
berbeda-beda bertujuan mendapatkan rute yang sesuai dengan kebutuhan
pengguna. Perhitungan preferensi sesuai dengan rumus (5).
2 Waktu eksekusi berdasarkan banyaknya atribut (kriteria).
Atribut yang diujikan sebanyak 5, 10, 20, 40, dan 80 atribut, yang menunjukkan
bahwa 5 atribut (kriteria) merupakan data asli dan atribut setelahnya merupakan
atribut yang dibangkitkan secara random dengan node awal Simpang Pangrango
dan node akhir Simpang Narkoba (BORR). Pengujian dilakukan sebanyak 10
kali. Rata-rata waktu eksekusi pada setiap atribut dapat dihitung menggunakan
rumus rataan:

1 (6)
𝑥̅ = ∑𝑛𝑖=1 𝑥1
𝑛

Lingkungan Pengembangan

Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk

penelitian ini adalah sebagai berikut:
1 Perangkat keras berupa laptop dengan spesifikasi sebagai berikut:
• Intel® Core™ i5 CPU @2.5 GHz
• Memori internal (RAM) 8 GB
• Media penyimpanan internal 500 GB HDD
• Intel HD Graphics 4000 1536 MB
2 Perangkat lunak berupa:
• Sistem operasi MacOS High Sierra
• Microsoft Office Excel 2016 untuk dataset dan praproses data.
• RStudio 1.1.456 dengan bahasa pemograman R 3.5.1 untuk praproses data.
• Quantum GIS (QGIS) 2.18.24 Palmas untuk pemetaan jalan raya dan
pengambilan data ukuran panjang jalan raya.
• Atom sebagai code editor.
• Bahasa pemograman Python 3.7.0 untuk implementasi pencarian rute
Skyline.
 19

HASIL DAN PEMBAHASAN

Penelitian ini dilakukan dengan beberapa tahap sesuai dengan ruang lingkup
dan metode. Berikut adalah tahapan-tahapan yang telah dilakukan:

Pengambilan Data

Data diambil pada tahun 2017 yang bersumber dari kantor Dinas
Perhubungan (DISHUB) yang berisi 150 nama jalan dengan atribut-atribut yang
ditunjukkan pada Tabel 2. Tabel 3 merupakan data jalan raya pada tahun 2017 yang
bersumber dari kantor Pekerjaan Umum dan Penataan Ruang (PUPR) yang berisi
data jalan raya yang berhubungan dengan kondisi dan tata ruang jalan. Dataset
tersebut berisi 2082 records dengan atribut-atribut yang dimiliki.

Praproses Data

Tahap praproses data merupakan tahap setelah data diambil. Tahap praproses
data terdiri atas:
1 Memilih dimensi atau atribut dari dataset kemacetan (DISHUB) dan dataset
kondisi tata ruang jalan raya (PUPR). Pertimbangan dari pemilihan data
dipilih dari skala penggabungan dataset kemacetan dan basis data kondisi tata
ruang jalan raya. Atribut-atribut yang dipilih, yaitu ada 7 atribut dapat dilihat
pada Tabel 8. Data digabungkan dari dua sumber data yang berbeda setelah
dipilih dimensi-dimensinya (atribut). Data yang telah digabung berdasarkan
atribut-atribut yang dipilih, yaitu nama jalan, node awal, node akhir, macet
hari kerja, macet hari libur, jenis tutupan jalan raya, kondisi permukaan jalan
raya. Penggabungan data dipilih berdasarkan nama jalan raya.

Tabel 8 Atribut yang dipilih dan digabung dari sumber data

No Dataset penggabungan Sumber data Keterangan (path)

1 Nama Jalan DISHUB, Nama
PUPR
2 Node awal DISHUB Simpang awal
3 Node akhir DISHUB Simpang akhir
4 Macet hari libur DISHUB Atribut bobot nilai (kriteria)
5 Macet hari kerja DISHUB Atribut bobot nilai (kriteria)
6 Jenis tutupan jalan raya PUPR Atribut bobot nilai (kriteria)
7 Kondisi permukaan PUPR Atribut bobot nilai (kriteria)
jalan raya

2 Pembersihan data dengan menghilangkan missing value. Data diolah

menggunakan bahasa R dan Microsoft Excel. Setelah missing value dihilangkan,
penggantian tipe data atribut dilakukan.
3 Penggantian atribut dengan menggantikan keterangan nilai-nilai dari atribut.
Hasil yang diperoleh ketika data sudah digabungkan dan dihilangkan yang
20

memiliki nilai missing value, atribut yang diganti keterangannya ditunjukkan

pada Tabel 9 dan Tabel 10.
a. Jenis tutupan jalan raya yang diperoleh:

Tabel 9 Perubahan nilai atribut jenis tutupan jalan

No Keterangan Keterangan (diubah)

1 Aspal 1
2 Beton 2
3 Conblox 3

b. Kondisi permukaan jalan raya yang diperoleh:

Tabel 10 Perubahan nilai atribut kondisi permukaan jalan

No Simbol Keterangan Keterangan (diubah)

1 B Baik 1
2 S Sedang 2
3 RR Rusak Ringan 3

4 Pemetaan path dilakukan dengan melihat arah-arah rute jalan raya pada data.
Nama jalan, node awal, dan node akhir dipetakan dengan standar alur nama jalan
raya dalam Google Maps. Hasil yang didapatkan berupa path yang diproses
dengan cara digitasi jalan raya menggunakan tools line layer pada QuantumGIS.
Jika path tidak saling terhubung, path dihilangkan. Hasil path yang saling
terhubung dikalkulasi menggunakan Geometri $length/1000 untuk mendapatkan
hasil jarak dalam satuan kilometer (km). Hasil dari praproses data berupa file csv
berisi atribut-atribut yang sudah dipilih dan memiliki nilai-nilai yang akan
diproses. Hasil praproses data untuk kriteria bobot nilai ditunjukkan pada Tabel
11. Hasil praproses data yang didapatkan menunjukkan bahwa semakin bobot
nilainya kecil, maka semakin baik kriteria data. Visualisasi hasil pemetaan path
dan simpang pada path ditampilkan pada Lampiran 1 dan Lampiran 2.

Tabel 11 Hasil praproses data jalan raya

No Kriteria (jalan raya) Rentang nilai Keterangan

1 Macet hari kerja > 0.75 kondisi arus tersendat (berhenti
dan berjalan)
2 Macet hari libur > 0.75 kondisi arus tersendat (berhenti
dan berjalan
3 Ukuran panjang - Dalam satuan kilometer (km)
4 Jenis tutupan 1-3 Aspal (1), Beton(2), Conblox(3)
5 Kondisi permukaan 1-3 Baik(1), Sedang(2), Rusak
Ringan(3)
 21

Pencarian Rute Skyline

Tahapan pencarian rute digunakan setelah tahap praproses data dilakukan.

Tahapan pencarian rute Skyline terdiri atas beberapa implementasi algoritme.
Tahap pertama mencari forward estimation (perkiraan) dari setiap node
menggunakan Lipschitz Embedding dari macam-macam node dalam graf dengan
node awalnya Simpang Pangrango dan node akhir Simpang Narkoba (BORR).
Node referensi yang digunakan terdiri atas Simpang Marwan dan Simpang Tanah
Baru (Cimahpar). Hasil perhitungan batas bawah menggunakan Lispchitz
Embedding yang diimplementasikan oleh bahasa pemograman python ditampilkan
pada Gambar 10.

lipschitz embedding =
Simp. Pangrango: (0.90, 0.87, 2.42, 2, 2)
Simp. Marwan: (1.39, 1.40, 2.82, 3, 3),
Simp. Bantarjati: (0.92, 0.92, 1.93, 2, 2),
Simp. Warung Jambu: (0.47, 0.49, 0.59, 1, 1),
Simp. Talang: (0.61, 0.65, 0.50, 1, 1),
Simp. POMAD: (1.06, 1.03, 2.31, 2, 2),
Simp. Akses BORR: (0.87, 0.95, 2.16, 3, 2),
Simp. Tanah Baru (Cimahpar): (1.31, 1.28, 4.35, 3, 3),
Simp. T. Wiradireja (Pandu Raya): (0.83, 0.82, 3.74, 2, 2),
Simp. Jl. Kumbang: (0.37, 0.48, 2.46, 1, 1),
Simp. Diploma IPB: (0.90, 0.95, 2.73, 2, 1)

Gambar 10 Hasil perhitungan Lipschitz Embedding

Tahap kedua membaca sub-rute sub-rute ketika node awal pertama kali
dimasukkan ke dalam temporary kandidat sub-rute. Sub-rute dibaca berdasarkan
adjacency list dari node. Hasil sub-rute ditampilkan pada Gambar 11.

Simp. Pangrango, Simp. Jl. Kumbang: (0.54, 0.45, 0.1, 1, 1),

Simp. Pangrango, Simp. Marwan: (0.57, 0.54, 0.4, 1, 1)

Gambar 11 Nilai atribut sub-rute dari node pertama

Tahap ketiga adalah setiap sub-rute yang ada dalam temporary sub-rute
diproses untuk menentukan apakah path yang dihasilkan diperpanjang atau tidak.
Perhitungan menggunakan path batas bawah agar rute Skyline berhasil didapatkan.
Skyline query digunakan ketika melakukan perbandingan antara batas bawah
sebuah rute dengan kumpulan rute yang ada di temporary rute Skyline dan ketika
sebuah path telah mencapai node tujuan, lalu dibandingkan dengan rute-rute yang
ada di temporary rute Skyline. Pencarian rute Skyline akan berhenti ketika
temporary kandidat-kandidat sub-rute telah kosong.
22

Rute Skyline

Hasil rute Skyline yang didapatkan sebanyak 2 rute terbaik dari banyak
kemungkinan rute. Hasil perhitungan rute Skyline ditampilkan pada Gambar 12 dan
visualisasi arah rute ditampilkan pada Lampiran 3 dan Lampiran 4.

Rute Skyline
Node awal = Simp. Pangrango
Node tujuan = Simp. Narkoba (BORR)

Rute 1 = Simp. Pangrango, Simp. Jl. Kumbang, Simp. T. Wiradireja

(Pandu Raya), Simp. Warung Jambu, Simp. Narkoba (BORR): (1.94, 1.74,
5.12, 4, 4)

Rute 2 = Simp. Pangrango, Simp. Marwan, Simp. Bantarjati, Simp. Warung

Jambu, Simp. Narkoba (BORR): (1.96, 1.88, 3.22, 4, 4)

Gambar 12 Hasil perhitungan rute Skyline

Hasil perhitungan rute Skyline (Gambar 12) menunjukkan bahwa Rute 1

memiliki bobot nilai pada masing-masing atribut, yaitu (1.94, 1.74, 5.12, 4, 4) dan
Rute 2 memiliki bobot nilai, yaitu (1.96, 1.88, 3.22, 4, 4) yang berarti kedua bobot
tersebut dimiliki oleh rute terbaik yang mewakili dari banyak kemungkinan rute
untuk para pengguna jalan raya ketika node awalnya Simpang Pangrango dan node
tujuannya adalah Simpang Narkoba (BORR).

Input Preferensi

Bobot preferensi dimasukkan dalam bentuk persentase. Semakin besar

presentase, maka semakin baik bobot nilai pada kriteria atribut tersebut (dominan).
Rute Skyline yang diujikan adalah Simpang Pangrango – Simpang Narkoba
(BORR).
1 Preferensi 1 : Pengguna yang menghindari kemacetan.
Input preferensi = (50%, 50%, 0%, 0%, 0%) dengan urutan preferensi macet
hari kerja, macet hari libur, ukuran panjang jalan, jenis tutupan jalan, kondisi
permukaan jalan.
2 Preferensi 2 : Pengguna yang ingin melewati jarak jalan yang dekat.
Input preferensi = (10%, 10%, 80%, 0%, 0%) dengan urutan preferensi macet
hari kerja, macet hari libur, ukuran panjang jalan, jenis tutupan jalan, kondisi
permukaan jalan.

Bobot akhir dapat dicari menggunakan rumus (5). Perbandingan nilai

preferensi yang dihasilkan ditampilkan pada Tabel 12. Hasil pencarian rute Skyline
pada Tabel 12 membuktikan bahwa dari 2 rute Skyline yang terbaik untuk
preferensi pengguna yang menghindari kemacetan diambil dari bobot nilai terkecil,
yaitu bernilai 1.84 dan pengguna yang ingin melewati jarak dekat memiliki bobot
nilai terkecil 2.96.
 23

Tabel 12 Hasil preferensi (Simpang Pangrango – Simpang Narkoba (BORR))

Rute Nilai atribut Pref 1 Pref 2

(50%, 50%, (10%, 10%,
0%, 0%, 0%) 80%, 0%, 0%)

Simp. Pangrango ⇒ (1.94, 1.74, 1.84 4.46

Simp. Jl. Kumbang ⇒ 5.12, 4, 4)
Simp. T. Wiradireja
(Pandu Raya) ⇒ Simp.
Warung Jambu ⇒ Simp.
Narkoba (BORR).
Simp. Pangrango ⇒ (1.96, 1.88, 1.92 2.96
Simp. Marwan ⇒ Simp. 3.22, 4, 4)
Bantarjati ⇒ Simp.
Warung Jambu ⇒ Simp.
Narkoba (BORR).

Eksperimen

1 Rute berdasarkan preferensi.

Preferensi yang diujikan berdasarkan perbandingan bobot preferensi
yang berbeda-beda bertujuan mendapatkan rute yang sesuai dengan
kebutuhan pengguna. Pengujian dilakukan untuk melihat persamaan atau
perbedaan rute yang dihasilkan oleh perbedaan preferensi. Visualisasi rute
Skyline berdasarkan preferensi ditampilkan pada Lampiran 5.
Peta Simpang Pangrango – Simpang Narkoba (BORR) ditampilkan pada
Gambar 13. Bobot akhir dapat dicari menggunakan rumus (5). Perbandingan
nilai preferensi yang dihasilkan ditampilkan pada Tabel 12. Hasil pencarian
rute Skyline pada Tabel 12 membuktikan bahwa dari 2 rute Skyline yang
terbaik untuk preferensi pengguna yang menghindari kemacetan dan tidak
peduli seberapa jauh jarak jalan raya, jenis tutupan jalan, juga kondisi
permukaan jalan diambil dari bobot nilai terkecil, yaitu bernilai 1.84. Rute
tersebut adalah Simp. Pangrango ⇒ Simp. Jl. Kumbang ⇒ Simp. T.
Wiradireja (Pandu Raya) ⇒ Simp. Warung Jambu ⇒ Simp. Narkoba (BORR)
sedangkan pengguna yang ingin melewati jarak dekat dan kemacetan yang
sangat kecil, tetapi tidak peduli jenis tutupan jalan juga kondisi permukaan
jalan, yaitu bernilai 2.96 yang dimiliki oleh rute Simpang Pangrango ⇒
Simpang Marwan ⇒ Simp. Bantarjati ⇒ Simpang Warung Jambu ⇒ Simpang
Narkoba (BORR). Rute tersebut menunjukkan bahwa rute-rute terbaik dari
kedua preferensi pengguna yang berbeda.
24

Gambar 13 Peta Simp. Pangrango – Simp. Narkoba (BORR)

2 Waktu eksekusi berdasarkan banyaknya atribut (kriteria)

Pengujian kedua dilakukan untuk melihat waktu eksekusi algoritme BRSC
terhadap banyaknya atribut. Node awal adalah Simpang Pangrango dan node
akhir adalah Simpang Narkoba (BORR). Visualisasi kemungkinan rute yang
dapat dilalui ditampilkan pada Gambar 13. Atribut yang diujikan sebanyak 5,
10, 20, 40, dan 80 atribut, yang menunjukkan bahwa 5 atribut (kriteria)
 25

merupakan data asli dan atribut setelahnya merupakan atribut yang

dibangkitkan secara random. Hasil pengujian jumlah atribut dengan waktu
eksekusi ditunjukkan pada Tabel 13 dan Gambar 14. Tabel 13 menunjukkan
hasil pengujian jumlah atribut terhadap waktu eksekusi dilakukan sebanyak
10 kali. Gambar 14 menunjukkan bahwa hasil dari rata-rata waktu eksekusi
dalam satuan detik (d) menunjukkan peningkatan seiring dengan
bertambahnya jumlah atribut.

Tabel 13 Rata-rata waktu eksekusi atribut

Jumlah Atribut
Waktu eksekusi (d)
5 10 20 40 80
1 0,08 0,10 0,14 0,22 0,73
2 0,09 0,09 0,25 0,45 0,78
3 0,07 0,09 0,31 0,57 0,78
4 0,07 0,07 0,30 0,57 0,77
5 0,07 0,11 0,30 0,56 0,77
6 0,10 0,14 0,31 0,57 0,78
7 0,12 0,14 0,31 0,58 0,77
8 0,12 0,14 0,31 0,57 0,78
9 0,12 0,14 0,31 0,56 0,79
10 0,13 0,14 0,31 0,57 0,79
Total 0,97 1,16 2,85 5,22 7,74
Rata-rata 0,10 0,12 0,29 0,52 0,77

1.0
waktu eksekusi (d)

0.8

0.6

0.4

0.2

0.0
5 10 20 40 80
jumlah atribut

Gambar 14 Rata-rata waktu eksekusi berdasarkan jumlah atribut

26

SIMPULAN DAN SARAN

Simpulan

Penerapan skyline query pada pemilihan rute untuk studi kasus jalan raya kota
Bogor telah berhasil dilakukan. Hasil yang diperoleh adalah kumpulan rute terbaik
untuk pengguna dalam mencapai tempat tujuannya (rute Skyline). Kumpulan rute
Skyline akan memilihkan rute terbaik sesuai dengan preferensi yang diinginkan dan
dibutuhkan. Tahap eksperimen membuktikan bahwa preferensi yang dimasukkan
pengguna jika berbeda-beda kebutuhannya, rute yang dilaluinya akan berbeda.
Waktu eksekusi pada algoritme BRSC pada jumlah atribut sebanyak 80
menunjukkan bahwa kecepatan algoritme ini tidak terlalu tergantung dari banyak
atribut yang diberikan karena hasil perhitungan waktu yang diperoleh masih kurang
dari 1 detik.

Saran

Penelitian selanjutnya perlu mempertimbangkan tambahan penentuan node

referensi menggunakan algoritme penentuan node referensi, karena penelitian ini
masih menentukan node referensi secara manual. Data untuk ukuran panjang jalan
dari penelitian ini masih menggunakan hasil kalkulasi dari software QuantumGIS,
sebaiknya data dihasilkan dari keadaan real agar tingkat akurasi ukuran panjang
jalan lebih tepat.

DAFTAR PUSTAKA

Borzsonyi S, Kossmann D, Stocker K. 2001. The skyline operator. Di dalam: Proc.

17th International Conference on Data Engineering (ICDE). 2001 Apr 2-6;
Heidelberg, Germany. Heidelberg(DE): IEEE. hlm 421–430.
Coppin B. 2004. Artificial Intelligence Illuminates. Massachusetts(US): Jones &
Barlett.
Direktorat Jendral Bina Marga. 1997. Manual Kapasitas Jalan Indonesia (MKJI).
Jakarta(ID): Sweroad dan PT Bina Karya.
Fitria, Triansyah A. 2013. Implementasi Algoritme Dijkstra Dalam Aplikasi untuk
menentukan Lintasan Terpendek Jalan Darat Antar Kota di Sumatera Bagian
Selatan. [Internet]. [diunduh pada 2018 Sept 2]. Tersedia pada:
https://ejournal.unsri.ac.id/index.php/jsi/article/view/840
[KBBI Daring]. 2016. Kamus Besar Bahasa Indonesia. Badan Pengembangan dan
Pembinaan Bahasa. Kementerian Pendidikan dan Kebudayaan Republik
Indonesia [Internet]. [diakses Feb 5]. Tersedia pada:
https://kbbi.kemendikbud.co.id.
Kalyvas C, Tzouramanis T, penghimpun. 2017. A Survey of Skyline Query
Processing [bibliografi]. Ithaca(NY): ArXiv.
 27

Kriegel HP, Kröger P, Kunath P, Renz M, Schmidt T. 2007. Proximity Queries in

Large Traffic Networks. Di dalam: Proc. 15th ACM Int. Symp. on Advances
in Geographic Information Systems (GIS ‘07). 2007 Nov 7-9; Seattle,
Washington. Seattle(WA): ACM.
Kriegel HP, Renz M, Schubert M. 2010. Route skyline queries: A multi-preference
path planning approach. Di dalam: IEEE 26th International Conference on
Data Engineering (ICDE 2010). 2010 Mar 1-6; Long Beach, California. Long
Beach(CA): IEEE.
Munir R. 2010. Matematika Diskrit. Bandung(ID): Informatika Bandung. Ed ke-3
Novandi RAD. 2007. Perbandingan algoritme Dijkstra dan algoritme Floyd-
Warshall dalam penentuan lintasan terpendek: single pair shortest path
[makalah]. Bandung(ID): Institut Teknologi Bandung.
Papadias D, Tao Y, Fu G, Seeger B. 2003. An Optimal and Progressive Algorithm
for Skyline Queries. Di dalam: Proceedings of the 2003 ACM SIGMOD
international conference on Management of data (ACM SIGMOD ’03). 2003
Jun 9-12; San Diego, California. San Diego(CA): ACM. hlm 467-478.
Reddy, H. 2013. PATH FINDING - Dijkstras and A* Algorithms [makalah].
[Internet]. [diunduh 2018 Des 5]. Tersedia
pada://cs.indstate.edu/hgopireddy/algor.pdf
Russel S dan Norvig P. 2010. Artificial Intelligence A Modern Approach Third
Edition, New Jersey(US): Pearson Education.
Shah S, Thakkar A, Rami S. 2016. A Survey Paper on Skyline Query using
Recommendation System. Gujrat(IN): Charotar University of Science &
Technology Charusat. [Internet]. [diunduh 2018 Agu 9]. Tersedia pada:
https://www.researchgate.net/publication/299488452_A_Survey_Paper_on_
Skyline_Query_using_Recommendation_System
Tiakas E, Papadopoulos AN, Manolopoulos Y. 2015. Skyline Queries: an
Introduction. Di dalam: 2015 6th International Conference on Information,
Intelligence, Systems and Applications (IISA). 2015 Jul 6-8; Corfu, Greece.
Corfu(GR): IEEE.
Tian Y, Lee KCK, Lee W-C. 2009. Finding Skyline Paths in Road Networks. Di
dalam: Proceedings of the ACM SIGSPATIAL International Conference on
Advances in Geographic Information Systems (GIS ’09). 2009 Nov 4-6;
Seattle, Washington. Seattle(WA): ACM. hlm 444-447.
Utari RS. 2013. Penentuan Jalur Tercepat dan Terpendek Berdasarkan Kondisi Lalu
Lintas di Kota Bogor Menggunakan Algoritme Dijkstra dan Algoritme Floyd-
Warshall [skripsi]. Bogor(ID): Institut Pertanian Bogor.
28

Lampiran 1 Hasil pemetaan path yang diterapkan sesuai dataset

LAMPIRAN
 29

Lampiran 2 Hasil pemetaan path beserta simpang

Simp. POMAD

Simp. Talang

Simp. Narkoba (BORR)

Simp. Warung Jambu Simp. Akses BORR

Simp. Bantarjati

Simp. Marwan
Simp. Diploma IPB
Simp. Tanah Baru (Cimahpar)

Simp. T. Wiradireja (Pandu Raya)

Simp. Jl. Kumbang
Simp. Pangrango
30

Lampiran 3 Hasil rute Skyline (1)

Simp. Narkoba (BORR)

Simp. Warung Jambu

Simp. Jl. Kumbang

Simp. T. Wiradireja (Pandu Raya)

Simp. Pangrango
 31

Lampiran 4 Hasil rute Skyline (2)

Simp. Narkoba (BORR)

Simp. Warung Jambu

Simp. Bantarjati

Simp. Marwan

Simp. Pangrango
32

Lampiran 5 Visualisasi rute preferensi (Simpang Pangrango – Simpang Narkoba

(BORR))

1 Pengguna yang menghindari kemacetan

Rute Jalan Rute Skyline (Simpang)

Jl. Lodaya 1 ⇒ Jl. Bogor Baru Simp. Pangrango ⇒ Simp. Jl. Kumbang ⇒
(Tegallega) ⇒ Jl. Tumenggung Simp. T. Wiradireja (Pandu Raya) ⇒
Wiradireja 1 ⇒ Jl. H. Achmad Simp. Warung Jambu ⇒ Simp. Narkoba
Adnawijaya ⇒ Jl. KS. Tubun 1 (BORR)

Simp. Narkoba (BORR)

Simp. Warung Jambu

Simp. Jl. Kumbang

Simp. T. Wiradireja (Pandu
Raya)
Simp. Pangrango
 33

2 Pengguna yang ingin melewati jarak jalan yang dekat.

Rute Jalan Rute Skyline (Simpang)

Jl. Pajajaran 4 ⇒ Jl. Pajajaran 5 ⇒ Simp. Pangrango ⇒ Simp. Marwan ⇒

Jl. Pajajaran 6 ⇒ Jl. KS. Tubun 1 Simp. Bantarjati ⇒ Simp. Warung Jambu ⇒
Simp. Narkoba (BORR)

Simp. Narkoba (BORR)

Simp. Warung Jambu

Simp. Bantarjati

Simp. Marwan

Simp. Pangrango
34

RIWAYAT HIDUP

Penulis dilahirkan di Kota Bogor pada tanggal 16 Oktober 1995. Penulis

adalah anak keenam dari enam bersaudara, anak dari pasangan bapak Sambas dan
Ibu Endang Sri Rahayu.
Penulis menempuh pendidikan Sekolah Menengah Atas di SMA Insan Kamil
Bogor pada tahun 2010 hingga 2013. Kemudian penulis melanjutkan pendidikan di
Institut Pertanian Bogor Program Diploma (D3) pada tahun 2013 hingga 2016.
Kemudian penulis melanjutkan pendidikan Program Sarjana Alih Jenis (S1) di
Institut Pertanian Bogor Fakultas Matematika dan Ilmu Pengetahuan Alam
Departemen Ilmu Komputer.