Implementasi Algoritma Genetika Untuk
Menentukan Rute Terbaik Jalur Bus Rapid Transit
(BRT)
Irmma Dwijayanti
Departemen Teknik Elektro dan
Teknologi Informasi
Universitas Gadjah Mada
Yogyakarta, Indonesia
irmma.dwijayanti@mail.ugm.ac.id
Abstrak- Bus Rapid Transit (BRT) merupakan angkutan
umum berbasis bus yang memiliki kapasitas dan kualitas tinggi
dalam pemberian layanannya. Salah satunya adalah adanya
jalur khusus bagi BRT dengan tujuan meningkatkan kecepatan
perjalanan bus. Sistem BRT sangat mengutamakan dalam
pelayanan penumpang namun tidak jarang juga adanya
penundaan atau keterlambatan kedatangan bus. Walaupun
sudah memiliki jalur khusus, kemacetan lalu lintas juga kerap
ditemukan. Oleh karena itu, dalam penelitian ini akan dilakukan
implementasi algoritma genetika untuk menentukan rute terbaik
jalur BRT. Algoritma genetika merupakan algoritma yang
menggunakan prinsip evolusi untuk mencari solusi
permasalahan .
Kata Kunci—Algoritma Genetika, Optimasi, Rute Terbaik,
Bus Rapid Transit, BRT,
I. PENDAHULUAN
Transportasi umum adalah salah satu kebutuhan
masyarakat yang sangat menunjang aktivitas sehari-hari
terutama di sebuah perkotaan yang semakin berkembang.
Pada umumnya, tranportasi umum sangat penting dalam
mendukung mobilitas masyarakat dari satu tempat ke tempat
lain. Selain itu juga dapat mengurangi penggunaan
kendaraan pribadi sehingga dapat mengurangi kemacetan
lalu lintas terutama di kota-kota besar.
Bus Rapid Transit (BRT) merupakan angkutan massal
berbasis bus dengan kapasitas dan kualitas tinggi untuk kota-
kota yang berkembang pesat. BRT memberikan pelayanan
mobilitas yang cepat, andal dan tidak memerlukan biaya
mahal untuk menggunakannya [1]. Setiap BRT memiliki
jalur khusus sehingga dapat meningkatkan kecepatan
perjalanan bus. Umumnya BRT di suatu kota memiliki
banyak armada dimana masing-masing armada memiliki rute
yang dilewati. Biasanya selang waktu kedatangan antarbus
sekitar 5-10 menit pada waktu normal dan 10-15 pada waktu
sibuk [2]. Sehingga bagi penumpang yang ingin melakukan
perjalanan menggunakan BRT harus berada di halte yang
sesuai dengan rute yang akan dituju karena apabila salah
halte atau terlambat maka penumpang harus menunggu
kedatangan bus selanjutnya. Walaupun memiliki jalur
khusus, setiap BRT juga harus memperhatikan resiko
penundaan yang disebabkan kemacetan lalu lintas,
pergerakan belok dan kendaraan yang diparkir [1]. Masalah
tersebut dapat mengganggu siklus perputaran bus.
Dengan memanfaatkan perkembangan teknologi,
masalah tersebut dapat diselesaikan dengan
mengimplementasikan algoritma genetika untuk
mendapatkan rute terbaik jalur BRT. Rute terbaik yang
dimaksud adalah rute terpendek melewati dari satu halte ke
halte yang lain. Algoritma genetika pertama kali
diperkenalkan oleh John Holland tahun 1975 melalui
bukunya yang berjudul “Adaption in Natural and Artificial
Systems” [3]. Algoritma genetika diartikan sebagai optimasi
algoritma, didasarkan pada pengkodean parameter yang
bertujuan untuk menemukan solusi melalui pencarian
random atau acak [4]. Metode ini sudah biasa digunakan
untuk menemukan solusi paling signifikan dan terbaik dalam
kumpulan data. Penggunaan algoritma genetika dapat
menghasilkan banyak solusi berdasarkan titik populasi dan
tidak hanya satu titik saja sehingga memiliki peluang lebih
kecil untuk terjebak pada optimal lokal [5].
Dalam penelitian ini bertujuan untuk dapat
mengimplementasikan Algoritma Genetika dalam
menghasilkan beberapa solusi mengenai rute terbaik yang
dapat digunakan oleh Bus Rapid Transit (BRT) agar dapat
meminimalkan penundaan perjalanan yang dapat
menyebabkan terganggunya perputaran waktu kedatangan
bus. Algoritma genetika dipilih karena algoritma ini tidak
memiliki kriteria khusus yang dijumpai pada algoritma
heuristik lainnya dalam menyaring kualitas solusi serta dapat
memberikan beberapa alternatif solusi tetapi memiliki nilai
obyektif yang sama [6].
II. METODE PENGEMBANGAN
Algoritma genetika merupakan perkembangan di dunia
komputer dalam bidang kecerdasan buatan atau Artificial
Intelligence (AI). Algoritma genetika adalah teknik
pencarian adaptif berdasarkan prinsip dan mekanisme seleksi
alam dan “survival of the fittest” dari evolusi alam yang
terinspirasi dari teori Darwin [7]. Algoritma genetika adalah
alat yang sangat cocok untuk digunakan sebagai algoritma
pencarian [7].
Alur proses algoritma genetika sederhana dalam
penelitian ini dapat dilihat pada Gambar 1. Terdapat 6
komponen utama dalam algoritma genetika yaitu Teknik
Penyandian, Pembangkitan Populasi Awal, Seleksi,
Crossover, Mutasi dan Elitism [8].
A. Teknik Penyandian
Teknik penyandian yang dimaksud adalah penyandian
gen dari individu. Gen adalah bagian dari individu, dalam
satu individu akan terdiri dari beberapa gen. Satu gen
biasanya akan mewakili satu variable [9]. Gen dapat
dinyatakan dalam bentuk bit, bilangan real, daftar aturan,
elemen permutasi, elemen program dan lainnya yang dapat
diimplementasikan untuk operator genetika [8]. Dalam
penelitian ini variabel akan direpresentasikan menggunakan
bilangan real.
B. Pembangkitan Populasi Awal
Tahap ini adalah proses yang digunakan untuk
membangkitkan populasi awal secara acak untuk
mendapatkan solusi awal [8]. Hasil dari pembangkitan
populasi ini yaitu terdiri dari sejumlah individu sebagai
solusi awal yang diinginkan. Terdapat beberapa Teknik
dalam pembangkitan populasi awal. Dalam penelitian ini
akan digunakan teknik permutasi gen.
C. Seleksi
Seleksi adalah proses pemilihan individu-individu dari
populasi awal yang akan dipilih untuk proses crossover dan
mutasi. Seleksi bertujuan untuk mendapatkan calon induk
yang baik. Induk yang baik dinilai dari nilai fitness suatu
individu, semakin tinggi nilai fitness yang dimiliki maka
semakin besar kemungkinan untu terpilih. Untuk itu,
sebelum dilakukan tahap seleksi maka perlu dilakukan
menghitung nilai fitness masing-masing individu. Terdapat
2 metode seleksi yaitu mesin roullete dan turnamen [8].
Dalam penelitian ini akan digunakan metode seleksi dengan
turnamen.
D. Crossover atau Perkawinan Silang
Crossover adalah proses kawin silang antara dua induk
(parent) terpilih dari proses seleksi sebelumnya yang
bertujuan untuk menambah individu baru (child). Proses
crossover dilakukan dengan probabilitas crossover yang
sudah ditentukan. Dalam penelitian ini akan digunakan
metode Partial-Mapped Crossover (PMX). PMX diciptakan
oleh Goldeberg dan Lingle yang merupakan rumusan
modifikasi dari pindah silang poin.
E. Mutasi
Proses selanjutnya adalah mutasi. Mutasi merupakan
proses memunculkan kembali gen yang mungkin hilang dari
populasi akibat dari proses seleksi dan menyediakan gen
yang tidak ada dalam populasi awal [8]. Individu anak
dimutasi dengan menambahkan nilai random yang sangat
kecil dan probabilitas yang rendah.
F. Elitism
Elitism merupakan proses menyeleksi individu terbaik
diambil dari populasi untuk disalin ke generasi berikutnya.
Elitism bertujuan untuk mempertahankan kualitas tertinggi
tidak hilang selama proses evolusi.
Gambar 1 Diagram Alur Algoritma Genetika [8]
III. IMPLEMENTASI ALGORITMA GENETIKA UNTUK
MENENTUKAN RUTE TERBAIK JALUR BRT
Algoritma genetika (AG) akan diimplementasikan untuk
menentukan rute terbaik jalur BRT supaya dapat
mempercepat perputaran bus. Jalur BRT didefinisikan
dengan studi kasus sebagai berikut: Sebuah BRT harus
melewati sejumlah n halte dalam setiap rute. Setiap halte
akan dilewati satu kali dalam satu putaran sehingga BRT
tidak boleh kembali. dari halte terakhir, BRT baru akan
kembali lagi ke halte awal. Dalam hal ini, untuk mengukur
rute digunakan kriteria jarak antara halte satu ke halte yang
lain. Tujuan yang ingin dicapai adalah mencari rute terbaik
agar dapat mempercepat perputaran BRT. AG akan
diimplementasikan menggunakan Google Colaboratory.
Dalam kasus ini akan digunakan 5 buah halte yang akan
dilewati: A, B, C, D, E. Masing-masing halte akan
dinyatakan dengan koordinat x dan y. Representasi yang
digunakan adalah representasi permutasi dimana urutan kota
akan merepresentasikan urutan halte yang dilewati.
Dikarenakan menggunakan bahasa pemrograman phyton
maka urutan akan dimulai dari 0,1,2,.. dan seterusnya.
A B C D E
(0,0 (2,4) (5,6) (7,4) (5,2)
A. Inisialisasi Populasi Secara Acak
Dalam inisialisasi populasi ini digunakan metode
random permutation untuk membangkitkan populasi
awal. Membangkitkan sejumlah individu dalam satu
populasi, misalnya 5 individu dibangkitkan dimana
masing-masing individu terdiri dari 5 gen sesuai dengan
jumlah halte.
[0 3 4 1 2]
[2 1 0 4 3]
[2 1 4 0 3]
[1 3 4 2 0]
[1 0 4 3 2]
B. Menentukan Fungsi Obyektif
Selanjutnya akan menilai kualitas rute yang dibentuk
menggunakan kriteria jarak. Menghitung jarak antar halte
akan diukur menggunakan jarak Euclidian dengan rumus
sebagai berikut:
Nilai fitness masing-masing individu akan dihitung
berdasarkan jarak antar halte dari satu halte ke halte yang
lain. Hasil fitness masing-masing individu sebagai
berikut:
C. Seleksi
Dalam kasus ini, proses seleksi menggunakan metode
turnamen yaitu menetapkan nilai ukuran turnamen untuk
individu yang dipilih secara random. Parameter yang
digunakan dalam metode turnamen adalah antara 2 sampai
N (jumlah individu dalam populasi) [8]. Untuk
implementasi ini menggunakan ukuran parameter 2 dan
jumlah parent yang dipilih adalah 2.

D. Croosover
Proses Crossover menggunakan metode Partial-Mapped
Crossover (PMX) yaitu dengan cara membagi parent
menjadi dua segment atau pemetaan secara acak. Kemudian
menukar substring diantara induk sehingga menghasilkan
child. Selanjutnya tentukan hubungan mapping pemetaan
untuk menentukan individu. Dikarenakan dalam kasus ini
menggunakan metode permutasi maka dalam satu individu
tidak boleh ada variabel yang sama.
Gambar 2 Halaman Fakta
IV. ANALISIS & HASIL
Pada bagian ini akan dijelaskan hasil dari proses
implementasi algoritma genetika untuk menentukan rute
terbaik jalur BRT. Untuk menguji hasil dari implementasi
maka perlu ditentukan parameter probabilitas crossover,
probabilitas mutasi, ukuran populasi dan maksimal generasi.
Hasil dari pengujian tersebut merupakan solusi yang
diberikan untuk rute terbaik jalur BRT. Rute terbaik
ditunjukan oleh individu yang memiliki nilai fitness paling
kecil. Beberapa solusi dapat dilihat pada Gambar 3-5.

E. Mutasi
Setelah melakukan crossover maka selanjutnya
melakukan mutasi. Mutasi menggunakan metode Swap,
dimana memilih 2 indeks halte kemudian keduanya ditukar
tempatnya. Pemilihan halte dilakukan secara random sampai
terpilih halte yang berbeda.

Gambar 3 Hasil Implementasi I

F. Elitism
Hasil child yang didapatkan dari proses croosover
kemudian akan digunakan untuk proses replacement
menggunakan fungsi Elitism. Elitism yaitu proses
menggantikan individu yang lebih rendah kualitasnya dalam
populasi yang akan digantikan oleh childnya.

Gambar 4 Hasil Implementasi II

 DAFTAR PUSTAKA
[1] ITDP, “BUS RAPID TRANSIT,” The Institute for
Transportation & Development Policy, 2020. http://www.itdp-
indonesia.org/bus-rapid-transit/.
[2] Kompas.com, “Ada Rute Panjang dan Rute Pendek,” 2010.
https://health.kompas.com/read/2010/12/31/17350957/ada.rute.pa
njang.dan.rute.pendek.
[3] J. Holland, Adaption in Natural and Artifial Systems: An
Introducy Analysis with Applications to Biology, Control, and
Artificial Intelligence. MIT. MIT Press, 1992.
[4] T. Timucin and S. Birogul, “Implementation of Operating Room
Scheduling with Genetic Algorithm and the Importance of Repair
Gambar 5 Hasil Implementasi III
Operator,” ISMSIT 2018 - 2nd Int. Symp. Multidiscip. Stud.
V. KESIMPULAN Innov. Technol. Proc., pp. 0–5, 2018, doi:
10.1109/ISMSIT.2018.8566697.
Kesimpulan yang dapat diambil dari penelitian ini adalah
algoritma genetika dapat diimplementasikan untuk [5] H. P. Hariyadi, T. Widiyaningtyas, M. Z. Arifin, and S. Sendari,
menentukan rute terbaik jalur Bus Rapid Transit (BRT). “Implementation of Genetic Algorithm to academic scheduling
Sehingga dapat dihasilkan beberapa alternatif solusi untuk system,” IEEE Reg. 10 Annu. Int. Conf. Proceedings/TENCON,
permasalahan penundaan perjalanan yang dapat pp. 2013–2016, 2017, doi: 10.1109/TENCON.2016.7848378.
menyebabkan terganggunya perputaran waktu kedatangan [6] D. R. S. D. D. E. William Tanujaya, “Penerapan Algoritma
bus. Dalam implementasi yang sudah dilakukan, rute terbaik Genetik Untuk Penyelesaian Masalah Vehicle Routing Di
dapat dilihat dari nilai obyektif individu yang paling rendah.
Pt.Mif,” Widya Tek., vol. 10, no. 1, pp. 92–102, 2011.
Kriteria yang digunakan dalam menentukan rute adalah jarak
antara halte satu ke halte selanjutnya. Untuk itu penelitian [7] C. O. Escolano, E. P. Dadios, and A. M. Fillone, “An integrated
selanjutnya dapat mengembangkan menggunakan tambahan and optimal scheduling of a public transport system in metro
kriteria yang lain misalnya kriteria penumpang. Manila using genetic algorithm,” 2014 Int. Conf. Humanoid,
Nanotechnology, Inf. Technol. Commun. Control. Environ.
ACKNOWLEDGEMENT Manag. HNICEM 2014 - 7th HNICEM 2014 Jt. with 6th Int.
Penelitian implementasi algoritma genetika untuk Symp. Comput. Intell. Intell. Informatics, co-located with 10th
menentukan rute terbaik jalur BRT ini didukung oleh ERDT Conf., no. November, 2014, doi:
https://github.com/hpurnomo/Metaheuristics/blob/master/Ex 10.1109/HNICEM.2014.7016207.
ample_GA_TSP.ipynb
[8] E. Satriyanto, “Algoritma Genetika,” 2009.
https://github.com/Rakhid16/Python-
TPOT/blob/master/Algoritma Genetika.pdf (accessed Oct. 27,
2020).
[9] A. Laksono, M. Utami, and Y. Sugiarti, “Sistem Penjadwalan
Kuliah Menggunakan Metode Algoritma Genetika (Studi Kasus:
Fakultas Kedokteran Dan Kesehatan Universitas Muhammadiyah
Jakarta),” Stud. Inform. J. Sist. Inf., vol. 9, no. 2, pp. 177–188,
2018.