PENGIMPLEMENTASIAN PADA METODE NEARST-NEIGHBOARD

HEURISTIC UNTUK PERMASALAHAN TRAVELLING

SALESMAN PROBLEM

Disusun Oleh:

Fikri Ramadani 1910631140184

Fina Fadhila Achka 1910631140186
Firman Zuhuri Yanto 1910631140188
Khofifah Rahmah 1910631140190

UNIVERSITAS SINGAPERBANGSA
KARAWANG
TEKNIK INDUSTRI
TAHUN AKADEMIK 2021/2022
 KATA PENGANTAR

Puji syukur kepada Allah SWT yang senantiasa telah memberikan nikmat
iman, nikmat islam, dan nikmat sehat sehingga sampai sekarang masih diberikan
tenaga dan pikiran yang sehat dalam melakukan aktivitas. Atas karunianya yang
telah diberikan, kami dapat menyelesaikan makalah ini yang berjudul
“PENGIMPLEMENTASIAN ALGORITMA HEURISTIC DENGAN METODE
NEARST NEIGHBOARD HEURISTIC PADA PERMASALAHAN
TRAVELLING SALESMAN PROBLEM” dengan baik. Makalah ini dibuat untuk
memenuhi salah satu tugas Mata Kuliah Penelitian Operasional II.
Tidak lupa kami sampaikan ucapan terima kasih banyak, kepada Ibu Rianita
Puspa Sari, S.T., M.T. selaku Dosen Mata Kuliah Penelitian Operasional II yang
telah membimbing kami dalam penyusunan makalah ini.
Kami menginginkan penyusunan makalah ini agar bisa tersampaikan
dengan baik sesuai dengan pengetahuan yang telah kami dapat, baik selama
pengajaran di kelas dan juga dari berbagai referensi yang valid.
Kami sangat mengharapkan kritik dan saran untuk makalah ini, agar
menjadi lebih baik lagi kedepannya. Semoga makalah ini dapat memberikan atau
menambah ilmu pengetahuan bagi kita semua, khususnya untuk kami
sekelompok, dan umumnya untuk semua.

Karawang, 15 November 2021

Kelompok 7

i
 DAFTAR ISI

KATA PENGANTAR ............................................................................................. i

DAFTAR ISI ........................................................................................................... ii
DAFTAR GAMBAR ............................................................................................. iv
DAFTAR TABEL ................................................................................................... v
BAB I PENDAHULUAN ...................................................................................... 1
1.1 Latar Belakang........................................................................................ 1
1.2 Perumusan Masalah ................................................................................ 2
1.3 Maksud dan Tujuan Penelitian ............................................................... 2
1.4 Batasan Masalah ..................................................................................... 2
1.5 Asumsi Penelitian ................................................................................... 3
1.6 Sistematika Penelitian ............................................................................ 4
BAB II TINJAUAN PUSTAKA............................................................................ 6
2.1 State of Arts ............................................................................................ 6
2.2 Penelitian Operasional .......................................................................... 18
2.3 Travelling Salesman Problem .............................................................. 21
2.4 Algoritma Travelling Salesman Problem ............................................. 21
BAB III METODOLOGI PENELITIAN............................................................. 27
3.1 Langkah Penelitian ............................................................................... 27
3.2 Deskripsi Flowchart Langkah Penelitian ............................................. 27
3.3 Alur Berpikir ......................................................................................... 29
3.4 Parameter Penelitian ............................................................................. 30
3.5 Tahapan Pengumpulan Data ................................................................. 31
3.6 Model Acuan Penelitian ....................................................................... 32
3.7 Tahapan Pengolahan Data Penelitian ................................................... 32
3.8 Analisa .................................................................................................. 33
BAB IV PENGUMPULAN DAN PENGOLAHAN DATA ............................... 35
4.1 Pengumpulan Data ................................................................................ 35
4.2 Pengolahan Data ................................................................................... 35
BAB V ANALISA ............................................................................................... 39
5.1 Analisa Data Modifikasi dengan Jurnal Acuan .................................... 39

ii
 5.2 Analisa Hasil Setiap Metode................................................................. 40
BAB VI PENUTUP ............................................................................................. 41
6.1 Kesimpulan ........................................................................................... 41
6.2 Saran ..................................................................................................... 41
DAFTAR PUSTAKA ........................................................................................... 43

iii
 DAFTAR GAMBAR

Gambar 2.1 Rumus Arc Fitness Setelah Transisi Ke-n......................................... 22

Gambar 2. 2 Rumus Tahapan Forage ................................................................... 23
Gambar 2. 3 Rumus Skor Profitabilitas Lebah i ................................................... 24
Gambar 2. 4 Rumus Profitabilitas Rata-Rata Koloni Lebah ................................. 24
Gambar 2. 5 Rumus Dalam Tahapan Forage ....................................................... 24
Gambar 2. 6 Rumus Dalam Tahapan Forage ....................................................... 25
Gambar 3. 1 Flowchart Rangkaian Penelitian .......................................................27
Gambar 3. 2 Alur Berpikir Penyelesaian Kasus ................................................... 29
Gambar 4. 1 Grafik rute kunjungan .......................................................................37
Gambar 5. 1 Grafik rute kunjungan .......................................................................40

iv
 DAFTAR TABEL

Tabel 4. 1 Data jarak antar lokasi (Km) ................................................................ 35

Tabel 4. 2 Data jarak antar lokasi (Km) ................................................................ 36
Tabel 4. 3 Data Rute.............................................................................................. 36
Tabel 4. 4 Rute dan jarak ...................................................................................... 37
Tabel 5. 1 Lokasi dari Setiap Titik .........................................................................39
Tabel 5. 2 Data Rute.............................................................................................. 39
Tabel 5. 3 Penggunaan Metode Pada TSP di Jurnal Acuan .................................. 40
Tabel 5. 4 Analisa Hasil Setiap Metode ................................................................ 40

v
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Saat ini salah satu kegiatan manusia yang seringkali membutuhkan
perpindahan dari setiap tempat ke tempat yang lain. Biasanya kegitan
tersebut dilakukan secara bolak balik dengan cara berpindah dari tempat A
ke tempat B, dengan jarak yang tentunya akan berbeda-beda.
Travelling salesman problem (TSP) adalah permasalahan umum
dalam optimasi kombinatorial dimana seorang salesman harus mengujungi
sejumlah N kota, disyartakan setiap kota hanya dikunjungi sekali. Salesman
ini harus memilih rute sehingga jarak total yang dia tempuh minimum (Budi
Santoso, 2017). TSP dikenal sebagai suatu permasalahan optimasi yang
bersifat klasik dan dimana tidak ada penyelesaian yang paling optimal selain
mencoba seluruh kemungkinan penyelesaian yang ada. Permasalahan ini
melibatkan seorang Travelling Salesman yang harus melakukan kunjungan
sekali pada semua kota dalam sebuah lintasan sebelum dia kembali ketitik
awal, sehingga perjalanannya dikatakan sempurna.
Heuristic adalah suatu kegiatan yang menuntun untuk bisa
menemukan jalan dalam sebuah masalah dan menemukan solusi dari
masalah tersebut. Heuristic juga menjelaskan mengenai metoda coba-coba
yang terpaksa diambil ketika pendekatan algoritmik bersifat tidak praktis
(Winston, 2003). Metode heuristic yang cukup efektif yaitu Nearest
neighbor heuristic (NNH) karena salah satu contoh dari heuristik yang baik
untuk tujuan umum yang berguna untuk beragam kombinasi permasalahan
adalah nearest neighbour heuristic, yang bekerja dengan cara menyeleksi
alternatif yang paling tinggi secara lokal pada setiap langkahnya. Untuk
permasalahan perjalanan salesman. Sebuah fungsi heuristik mengevaluasi
keadaan permasalahan tersendiri dan menentukan bagaimana diperlukan
fungsi ini dalam memecahkan suatu permasalahan. Sebuah fungsi heuristik
adalah sebuah fungsi yang memetakan keadaan permasalahan, yang
mendeskripsikan daya tarik dan digambarkan dalam sebuah angka.

1
 2

1.2 Perumusan Masalah

Perumusan masalah ini dirancang agar fokus dari isi makalah ini tidak
terlalu melebar. Masalah yang telah disusun adalah sebagai berikut:
1. Apa tujuan dari model travelling salesman problem?
2. Bagaimana penyelesaian masalah travelling salesman problem dengan
menggunakan Metode Nearest neighbor heuristic?
3. Berapa jarak yang bisa dihasilkan dengan Metode Nearest neighbor
heuristic?
4. Apa saja perbedaan penggunaan metode Nearest Neightbor Heuristic
dengan metode lainnya dalam menyelesaikan masalah travelling
salesman problem?

1.3 Maksud dan Tujuan Penelitian

Perumusan maslah yang telah dirancang tentunya memiliki maksud
dan tujuan yang ingin dicapai dalam kelompokan ini. Maksud dan tujuannya
adalah sebagai berikut:
1. Untuk mengetahui dan memahami tujuan dari model travelling
salesman problem.
2. Untuk mengetahui dan memahami penyelesaian masalah travelling
salesman problem dengan menggunakan Metode Nearest neighbor
heuristic.
3. Untuk mengetahui dan memahami jarak yang bisa dihasilkan dengan
Metode Nearest neighbor heuristic.
4. Untuk mengetahui dan memahami perbedaan penggunaan metode
Nearest Neightbor Heuristic dengan metode lainnya dalam
menyelesaikan masalah travelling salesman problem.

1.4 Batasan Masalah

Batasan masalah diperlukan agar permasalahan yang telah dibuat tidak
terlalu melebar dari permasalahan inti. Batasan masalahanya adalah sebagai
berikut:
1. Hanya membatasi tujuan dari model travelling salesman problem.
 3

2. Hanya membatasi penyelesaian masalah travelling salesman problem

dengan menggunakan Metode Nearest neighbor heuristic.
3. Hanya membatasi jarak yang bisa dihasilkan dengan Metode Nearest
neighbor heuristic.
4. Hanya membatasi perbedaan penggunaan metode Nearest Neightbor
Heuristic dengan metode lainnya dalam menyelesaikan masalah
travelling salesman problem.

1.5 Asumsi Penelitian

Asumsi merupakan anggapan dasar dalam suatu penelitian yang
diyakini kebenarannya oleh peneliti. Sebagai titik tolak dalam penelitian.
Asumsi dalam penelitian ini dilakukan pada 10 kasus studi literatur yang
kami cari, menjadi poin penting yang harus diperhatikan dengan baik karena
asumsi yang dilakukan tidak dapat begitu saja dilakukan. Sumber referensi
yang banyak dan acuan jurnal yang tepat menjadi salah satu hal yang harus
diperhatikan dalam melakukan penelitian.
Asumsi atau modifikasi data yang dilakukan berasal dari pembahasan
atau studi kasus jurnal acuan yaitu “TRAVELLING SALESMAN PROBLEM
DENGAN PENDEKATAN HEURISTIK ULFASARI RAFFLESIA”. Kami
memodifikasi metodenya dengan menambah dua metode dan
membandingkannya, hal ini dimaksudkan untuk melihat perbedaan jarak
optimum yang dihasilkan dalam mencapai tempat tujuan dengan metode
yang berbeda. Selain itu, tentunya kami juga dapat belajar dan
mengimplementasikan secara langsung mengenai perhitungan dengan
menggunakan Metode Naïve Solution dan Metode Nearest Neightbor
Heuristic. Hasil dari asumsi yang dilakukan tidak perlu dibuktikan
kebenarannya dan hanya digunakan sebagai acuan untuk memahami suatu
materi.
 4

1.6 Sistematika Penelitian

Sistematika kelompokan makalah penelitian ini terdiri dari VI bab
dengan bahasan yang berbeda setiap babnya, pembahasannya sebagai
berikut:
Bab I Pendahuluan
Pada bab ini berisikan latar belakang mengenai latar belakang dari
penelitian dan justifikasi pemilihan metode dalam penelitian yang
dilakukan. Sebelum melakukan pembahasan lebih lanjut dalam kelompokan
makalah, tentunya perlu di pahami dengan baik akan kebutuhan dari
penelitian yang dilakukan dengan penggunaan metode yang dipilih dari
sekian banyak pilihan metode lainnya, semua penjelasan tersebut terdapat
pada latar belakang yang telah dibuat. Rumusan masalah merupakan modal
untuk bahasan yang akan dibahas di makalah ini, tentunya mengacu kepada
poin penting dari latar belakang dilakukan pembuatan makalah ini. Maksud
dan tujuan penelitian merupakan penjelasan dari apa yang ingin didapatkan
dari pembuatan makalah ini. Batasan masalah merupakan pembatasan
permasalahan yang akan dibahas atau menjadi fokus permasalahan dari
makalah ini. Asumsi penelitian berkaitan dengan data yang dikumpulkan
atau diperoleh dari sumber referensi valid yang telah dicari, lalu
dimodifikasi untuk dijadikan bahasan pada permasalahan makalah ini.
Sistematika kelompokan merupakan ringkasan atau poin penting dari isi
setiap bab dan subbab yang ada pada makalah ini.
Bab II Landasan Teori
Pada bab ini berisikan definisi maupun sintesa yang bersal dari jurnal
acuan, buku dan sumber lainnya yang berhubungan dengan pembahasan
makalah. Definisi teori yang telah dikumpulkan dari berbagai referensi,
seperti jurnal, buku dan sebagainya disimpulkan kembali dengan analisa
secara mendalam. Selain itu, terdapat pula state of the art yaitu identitas dari
jurnal acuan yang kami pilih sebagai referensi dalam pembahasan yang
kami buat dalam makalah ini, kajian dari berbagai jurnal dilakukan untuk
memperkuat pembahasan pada makalah ini.
 5

Bab III Metodologi Penelitian

Pada bab ini berisikan tentang langkah – langkah penelitian, alur
berpikir dalam melakukan penelitian, parameter yang digunakan dalam
penelitian, tahapan pengumpulan data, model acuan, tahapan pengolahan
data, dan analisa mengenai keseluruhan dari BAB III. Bentuk pengerjaan
dari isi tersebut dilampirkan beberapa flowchart, ilustrasi, dan juga tabel
maupun gambar.
Bab IV Pengumpulan dan Pengelolaan Data
Pada bab ini berisikan tentang segala proses (tindak lanjut) yang
dilakukan terhadap data yang sudah dikumpulkan dan dianalisa. Pengerjaan
yang dilakukan pada BAB IV ini berpacu terhadap isi dari BAB III yang
telah dibuat sebelumnya mulai dari langkah pengerjaan awal sampai
ditariknya kesimpulan. Perbandingan modifikasi data dari jurnal acuan
dengan data aslinya, dibahas dalam bab ini.
Bab V Analisa dan Pembahasan
Berisikan analisa dalam bentuk alternatif keputusan, pengambilan
keputusan, dan analisa dari penelitian yang dilakukan. Penggambaran
melalui perbandingan tabel dilakukan agar hasil yang diberikan dapat
mudah dipahami.
Bab VI Penutup
Berisikan kesimpulan yang diperoleh dari fungsi tujuan yang telah
ditetapkan, selain itu terdapat saran mengenai kelemahan penelitian yang
telah dilakukan dimasa mendatang. Poin penting yang terdapat dalam bab
ini adalah manajerial implikasi dari pembahasan yang telah dilakukan,
dalam artian berfungsi atau ada pengaruhnya tidak metode yang telah
digunakan dalam penelitian ini.
 BAB II
TINJAUAN PUSTAKA

2.1 State of Arts

State of the art atau SOTA merupakan hal penting dalam proses
penelitian karena dapat memberikan gambaran, referensi, dan hasil
penelitian yang sudah dilakukan, serta memposisikan penelitian–penelitian
yang akan dilakukan. Dalam state of the art terdapat 10 jurnal, 3 jurnal
merupakan jurnal nasional dan 7 jurnal merupakan jurnal internasional,
yang berhubungan dengan Travelling Salesman Problem. Jurnal-jurnal
mengenai Travelling Salesman Problem diantaranya sebagai berikut;
Tabel 2.1 State of Art Travelling Salesman Problem
Judul Travelling Salesperson Problem dengan
Pendekatan Heuristik
Penulis Ulfasari Rafflesia
Tahun 2017
Variabel yang Terkait Travelling Salesperson Problem, Cheapest-
Insertion Heuristics
Hasil/Temuan Dalam menentukan rute terpendek yang harus
ditempuh oleh seorang kurir ekspedisi untuk
mengirim paket ke lima kota, solusi yang
diperoleh dengan menggunakan CIH (Cheapest-
Insertion Heuristics) merupakan suatu
penyelesaian tur yang optimal. Solusi optimal
ini sama dengan hasil yang diperoleh dengan
menggunakan Metode Branch and Bounch.
Persamaan Persamaan jurnal dengan makalah ini adalah
dalam penyelesaian permasalahan Travelling
Salesperson Problem dengan menggunakan
pendekatan heuristik.

6
 7

Perbedaan Untuk menyelesaikan masalah pada aplikasi

Travelling Salesman Problem pada jurnal
menggunakan Metode Cheapest-Insertion
Heuristics sedangkan pada makalah ini
menggunakan Metode Nearest-Neighbor
Heuristic.
Sumber: (Rafflesia, 2017)

Tabel 2.2 State of Art Travelling Salesman Problem

Judul Aplikasi Travelling Salesman Problem Dengan
Metode Artificial Bee Colony
Penulis Andri, Suyandi, WinWin
Tahun 2013
Variabel yang Terkait Travelling Salesman Problem, Artificial Bee
Colony, Rute Terpendek
Hasil/Temuan a) Semakin besar nilai koloni, iterasi dan α
(alpha) maka panjang jalur yang dihasilkan
akan semakin optimal.
b) Jika nilai K (faktor skalar), λ (lamda) dan β
(beta) yang diinput terlalu besar maka hasil
yang diperoleh berupa panjang jalur akan
kurang optimal.
c) Waktu proses dengan menggunakan
algoritma bee colony dalam menyelesaikan
kasus Travelling Salesman Problem jauh
lebih cepat dibandingkan menggunakan
proses manual.
Persamaan Persamaan jurnal ini dengan makalah yang
dibuat adalah pada keluaran yaitu mencari
panjang rute terpendek atau jalur optimum
dengan perhitungan beserta grafik dan rute
yang berbentuk graf.
 8

Perbedaan Untuk menyelesaikan masalah pada aplikasi

Travelling Salesman Problem pada jurnal
menggunakan Metode Artificial Bee Colony
sedangkan pada makalah ini menggunakan
Metode Nearest-Neighbor Heuristic.
Sumber: (Andri, Suyandi, & WinWin, 2013)

Tabel 2.3 State of Art Travelling Salesman Problem

Judul Pemanfaatan Algoritma Fuzzy Evolusi Untuk
Penyelesaian Kasus Travelling Salesman
Problem
Penulis Syafiul Muzid
Tahun 2008
Variabel yang Terkait Algoritma fuzzy evolusi, Travelling salesman
problem
Hasil/Temuan Setelah pengujian aplikasi algoritma fuzzy
evolusi untuk penyelesaian masalah TSP, dapat
diambil beberapa kesimpulan tentang
pemanfaatan algoritma fuzzy evolusi antara
lain:
a. Algoritma fuzzy evolusi dapat memberikan
nilai probabilitas rekombinasi dan mutasi
yang digunakan dapat algoritma genetika,
karena hal belum ditemukannya aturan
penentuan batasan untuk nilai kedua
parameter tersebut.
b. Metode ini dapat memberikan hasil yang
lebih optimum dalam suatu permasalahan
yang diselesaikan.
Persamaan Persamaan jurnal ini dengan makalah yang
dibuat adalah pada keluaran yaitu mencari jalur
rute terpendek atau jalur optimum dengan
 9

perhitungan beserta grafik dan jalur terpendek.

Perbedaan Untuk menyelesaikan masalah pada aplikasi
Travelling Salesman Problem pada jurnal
menggunakan algoritma Fuzzy sedangkan pada
makalah ini menggunakan Metode Nearest-
Neighbor Heuristic.
Sumber: (Muzid, 2008)

Tabel 2.4 State of Art Travelling Salesman Problem

Judul Solving Travelling Salesman Problem using
Firefly Algorithm
Penulis Sharad N. Kumbharan a, Prof. Gopal M. Pandey
Tahun 2013
Variabel yang Terkait Travelling Salesman Problem, Optimization,
Firefly Algorithm
Hasil/Temuan Pada jurnal ini, Firefly Algorithm (FA) dasar
diimplementasikan dengan beberapa modifikasi
dalam parameter untuk menyesuaikannya
dengan Traveling Salesman Problem (TSP)
yang terdiri dari membangun konversi yang
sesuai dari fungsi kontinu sebagaimana adanya.
Daya tarik, jarak dan gerakan, ke dalam fungsi
diskrit baru. Hasil eksperimen yang diperoleh
pada contoh TSP standar. Ini menunjukkan
bahwa Firefly Algorithm (FA) memberikan hasil
yang lebih baik daripada ACO, GA dan SA di
sebagian besar kasus. Hasil ini dapat lebih
ditingkatkan dengan menggunakan berbagai
metode pencarian lokal seperti Tabu Search,
lingkungan terdekat untuk solusi awal.
Persamaan Persamaan jurnal ini dengan makalah yang
dibuat adalah menyelesaikan Travelling
Salesman Problem dengan menggunakan
 10

pendekatan heuristik.
Perbedaan Untuk menyelesaikan Travelling Salesman
Problem pada jurnal menggunakan algoritma
Firefly sedangkan pada makalah ini
menggunakan Metode Nearest-Neighbor
Heuristic.
Sumber: (Kumbharana & Pandey, 2013)

Tabel 2.5 State of Art Travelling Salesman Problem

Judul Solving Travelling Salesman Problem with an
Improved Hybrid Genetic Algorithm
Penulis Bao Lin, Xiaoyan Sun, Sana Salous
Tahun 2016
Variabel yang Terkait Travelling Salesman Problem, Genetic
Algorithm
Hasil/Temuan Sebuah novel heuristik HGA yang
mengintegrasikan GA dan metode pencarian
lokal dalam perilaku simbiosis yang baik
diusulkan dan diilustrasikan untuk TSP
Euclidean dua dimensi yang simetris. HGA
yang diusulkan memberikan desain struktur
yang lebih masuk akal untuk mengimbangi
keseimbangan antara pencarian global dan lokal
berkontribusi untuk secara efisien meningkatkan
proses evolusi dalam hal tingkat konvergensi
dan kualitas solusi. Hasil eksperimen
menunjukkan bahwa HGA adalah algoritme
evolusi hibrid yang kuat untuk mencari solusi
optimal atau sub-optimal global dalam waktu
komputasi yang wajar. Sementara itu, HGA
berfungsi sangat baik pada instans TSP skala
menengah dan mengungguli GA lainnya.
Sebagai pekerjaan penelitian masa depan, ada
 11

banyak ruang untuk pengembangan di HGA

dengan TSP skala besar dan aplikasinya. Kami
juga berencana untuk menyelidiki ekstensi HGA
untuk masalah pengoptimalan kompleks
lainnya.
Persamaan Persamaan jurnal ini dengan makalah yang
dibuat adalah menyelesaikan Travelling
Salesman Problem dengan perhitungan dan
disajikan hasil grafik.
Perbedaan Untuk menyelesaikan Travelling Salesman
Problem pada jurnal menggunakan Metode
Genetic Algorithm sedangkan pada makalah ini
menggunakan Metode Nearest-Neighbor
Heuristic.
Sumber: (Lin, Sun, & Salous, 2016)

Tabel 2.6 State of Art Travelling Salesman Problem

Judul A Discrete Tree-Seed Algorithm For Solving
Symmetric Traveling Salesman Problem
Penulis Ahmet Cevahir Cinar, Sedat Korkmaz, Mustafa
Servet Kiran
Tahun 2020
Variabel yang Terkait Traveling salesman problem, Tree seed
algorithm, Discrete optimization
Hasil/Temuan Masalah pengoptimalan dibagi menjadi dua
kelompok utama menurut jenis variabel
keputusan. Ini adalah pengoptimalan yang
berkelanjutan dan terpisah. TSA adalah
algoritma pengoptimalan metaheuristik yang
baru diusulkan untuk memecahkan masalah
pengoptimalan berkelanjutan. Dalam literatur,
tidak ada versi TSA yang terpisah, sehingga
pada penelitian ini dikembangkan TSA versi
 12

terpisah yang kemudian diberi nama DTSA.

Proses diskritisasi ini dilakukan dengan operator
transformasi. Operator shift, swap, dan
transformasi simetri digunakan untuk
menciptakan solusi baru.
Persamaan Persamaan jurnal ini dengan makalah yang
dibuat adalah menyelesaikan Travelling
Salesman Problem dan mencari solusi optimal
masalah perjalanan.
Perbedaan Untuk menyelesaikan Travelling Salesman
Problem pada jurnal menggunakan Metode Tree
Seed Algorithm sedangkan pada makalah ini
menggunakan Metode Nearest-Neighbor
Heuristic.
Sumber: (Cinar, Korkmaz, & Kiran, 2019)

Tabel 2.7 State of Art Travelling Salesman Problem

Judul Travelling Salesman Problem using Genetic
Algorithm
Penulis Varshika Dwivedi, Taruna Chauhan, Sanu
Saxena, Princie Agrawal
Tahun 2012
Variabel yang Terkait Travelling Salesman Problem, Genetic
Algorithm
Hasil/Temuan Algoritma genetika tampaknya menemukan
solusi yang baik untuk Travelling Salesman
Problem, namun hal itu sangat bergantung pada
cara masalah dikodekan dan metode crossover
dan mutasi mana yang digunakan. Mengusulkan
operator crossover baru bernama untuk
algoritma genetik untuk Traveling Salesman
Problem (TSP). Di antara semua operator, hasil
eksperimen menunjukkan bahwa operator
 13

crossover yang kami usulkan (SCX) lebih baik

dalam hal kualitas solusi dan biaya serta waktu
solusi. Itu sebabnya, kami menggunakan teknik
pencarian lokal untuk meningkatkan kualitas
solusi. Juga, kami menetapkan di sini
probabilitas crossover tertinggi untuk
menunjukkan sifat yang tepat dari operator
crossover. Mutasi dengan probabilitas terendah
diterapkan hanya jika diperlukan. Kami
menyajikan studi perbandingan antara
pendekatan Greedy, pemrograman Dinamis dan
Algoritma Genetika untuk memecahkan TSP.
Sangat sulit untuk mengatakan bahwa instance
berukuran sedang apa yang tidak dapat
dipecahkan secara tepat oleh operator crossover
kami. Jadi penggabungan teknik pencarian lokal
yang baik ke algoritme dapat memecahkan
persis kasus lain, yang sedang dalam
penyelidikan kami dan dikategorikan dalam
pekerjaan mendatang.
Persamaan Persamaan jurnal ini dengan makalah yang
dibuat adalah menyelesaikan Travelling
Salesman Problem dan mencari solusi optimal
masalah perjalanan beserta grafiknya.
Perbedaan Untuk menyelesaikan Travelling Salesman
Problem pada jurnal menggunakan Metode
Genetic Algorithm sedangkan pada makalah ini
menggunakan Metode Nearest-Neighbor
Heuristic.
Sumber: (Dwivedi, Chauhan, Saxena, & Agrawal, 2012)

Tabel 2.8 State of Art Travelling Salesman Problem

Judul A Multilevel Approach to the Travelling
 14

Salesman Problem
Penulis Chris Walshaw
Tahun 2001
Variabel yang Terkait Travelling Salesman, Multilevel Refinement
Hasil/Temuan Kami telah menjelaskan dan menguji
pendekatan multilevel untuk Travelling
Salesman Problem. Pendekatan ini diturunkan
dari prinsip pertama; dengan memeriksa contoh-
contoh paradigma bertingkat yang ada dalam
tindakan dan mengekstraksi teknik 'generik',
kami telah dapat menerapkannya pada masalah
yang sama sekali berbeda. Algoritme multilevel
yang dihasilkan terbukti sangat meningkatkan
kualitas tur untuk algoritma Lin-Kernighan dan
Chained Lin-Kernighan, dalam kombinasi
heuristik juara TSP selama hampir 30 tahun.
Kami berspekulasi bahwa ini karena proses
bertingkat mengambil sampel ruang solusi dan
menghaluskan fungsi tujuan dan dengan
demikian dapat mendekati minimum global.
Dalam pengertian ini, kami menganggap
paradigma bertingkat sebagai jenis akselerator
optimasi yang di sini kami gunakan dalam
kombinasi dengan algoritma (C)LK daripada
sebagai peningkatan khusus untuk (C)LK saja.
Untuk instance dan konfigurasi kode yang diuji
di sini, sorotan dari hasilnya adalah:
a. Untuk 3 konfigurasi Cm LK yang berbeda
(untuk m = 0; N=10; N) prosedur bertingkat
memotong persentase kelebihan atas HKLB
sekitar sepertiga dengan imbalan
peningkatan runtime dua kali lipat.
 15

b. Untuk contoh di mana tur optimal diketahui,

MLCN LK memotong persentase kelebihan
selama tur optimal dua pertiga
dibandingkan dengan CN LK (dengan kata
lain CN LK 3 kali lebih jauh dari optimal).
c. Dalam dua kasus (m = N=2; N), mengingat
jumlah waktu eksekusi yang kira-kira sama,
konfigurasi bertingkat MLCm LK
memotong kelebihan persentase di atas
HKLB lebih dari seperempat dibandingkan
dengan konfigurasi tingkat tunggal C2m
LK.
d. Alternatif, untuk mencapai kualitas tur yang
sama, konfigurasi C2N LK mengambil alih
7 kali lebih lama dari MLCN=10LK.
e. Versi bertingkat cenderung lebih baik
secara signifikan pada masalah yang lebih
sulit dan berkelompok yang paling sulit
dihadapi oleh algoritma LK & CLK.
Persamaan Persamaan jurnal ini dengan makalah yang
dibuat adalah menyelesaikan Travelling
Salesman Problem dengan perhitungan dan
disajikan hasil grafik.
Perbedaan Untuk menyelesaikan Travelling Salesman
Problem pada jurnal menggunakan Metode
Multilevel Refinement sedangkan pada makalah
ini menggunakan Metode Nearest-Neighbor
Heuristic.
Sumber: (Walshaw, 2001)

Tabel 2.9 State of Art Travelling Salesman Problem

Judul Solving Travelling Salesman Problem Using
Genetic Algorithm Based On Heuristic
 16

Crossover and Mutation Operator

Penulis Kanchan Rani, Vikas Kumar
Tahun 2014
Variabel yang Terkait Travelling Salesman Problem, Genetic
Algorithm
Hasil/Temuan Mutasi heuristik memberikan hasil yang lebih
baik bila jumlah kota besar dan variasi baru
order crossover lebih cepat dibandingkan
dengan crossover variasi yang sudah ada yang
bergantung pada kecepatan crossover, mutasi
dan elitisme. Populasi awal paling penting untuk
GAs. Jadi, selanjutnya akan menggunakan
pencarian Tabu dan Algoritma Nearest-
Neighbor Heuristic yang mengatasi masalah
populasi awal.
Persamaan Persamaan jurnal ini dengan makalah yang
dibuat adalah menyelesaikan Travelling
Salesman Problem dengan Algoritma Nearest-
Neighbor Heuristic perhitungan dan disajikan
hasil grafik.
Perbedaan Hasil keluaran pada makalah ini hanya mencari
rute terpendek beserta jaraknya, sedangkan pada
jurnal juga mencari biaya optimal beserta
waktunya.
Sumber: (Rani & Kumar, 2014)

Tabel 2.10 State of Art Travelling Salesman Problem

Judul Learning Improvement Heuristics for Solving
the Travelling Salesman Problem
Penulis Yaoxin Wu, Wen Song, Zhiguang Cao, Jie
Zhang, Andrew Lim
Tahun 2019
Variabel yang Terkait Travelling Salesman Problem, Improvement
 17

Heuristics
Hasil/Temuan Dalam makalah ini, kami mengusulkan metode
heuristik peningkatan berbasis pembelajaran,
yang mengadopsi pembelajaran penguatan
mendalam dan model berbasis perhatian diri
untuk memandu operator lokal dalam mencari
solusi yang lebih baik. Hasil eksperimen ekstensif
menunjukkan bahwa metode kami mampu
mengungguli metode canggih, dan juga heuristik
konvensional. Selain itu, metode yang diusulkan
kuat untuk solusi awal dengan kualitas tinggi atau
buruk. Di masa depan, kami akan;
1) menerapkan metode kami untuk varian TSP,
misalnya, Capacitated Vehicle Routing
Problem (CVRP) dan multiple Traveling
Salesman Problem (mTSP);
2) merancang penghentian kondisi terminasi
cerdas daripada batas langkah yang
ditentukan sebelumnya T;
3) menggabungkan dengan skema pencarian
yang lebih kompleks, seperti yang
digunakan dalam pencarian tabu dan
simulasi anil.
Persamaan Persamaan jurnal ini dengan makalah yang
dibuat adalah menyelesaikan Travelling
Salesman Problem dengan Metode Heuristik
beserta perhitungan dan disajikan hasil
grafiknya.
Perbedaan Penyelesaian masalah pada jurnal menggunakan
Metode Heuristik berupa Learning Improvement
Heuristics, sedangkan pada makalah
menggunakan Metode Heuristik berupa
 18

Nearest-Neighbor Heuristic.
Sumber: (Yaoxin Wu, 2019)

2.2 Penelitian Operasional

Penelitian operasional adalah salah satu proses penyelesaian suatu
masalah atau metodologi penelitian yang bisa dilakukan oleh beberapa hal
yang bisa berhubungan dengan statistik, manajemen, peramalan, dan lain
sebagainya. Dengan adanya penelitian operasional ini biasanya selalu
berhubungan dengan mencari solusi layak dan solusi optimal untuk
melakukan kegiatan yang baik. Penelitian Operasional adalah pendekatan
ilmiah untuk pengambilan keputusan yang melibatkan operasi dan sistem
organisasional (Taha, 2007).
Penelitian operasinal dapat dikatakan sebagai riset operasi dimana
riset operasi ini berhubungan dengan masalah penelitian dan hal-hal yang
berhubungan dengan operasi serta sistem yang ada didalam operasi tersebut
dengan mengkaji teknik-teknik pemecahan masalah yang berorientasikan
sumber-sumber yang terbatas untuk mencapai hasil (outcomes) yang
optimum. Pendekatannya adalah dengan mengembangkan model-model
ilmiah dari sistem yang mencakup pengukuran atas faktor-faktor antara lain
peluang dan resiko, untuk memprediksi dan membandingkan hasil-hasil dari
berbagai alternatif dari keputusan, strategi dan kontrol (Taha, 1996).
Sejarah riset operasi pertama kali dikenalkan oleh beberapa kegiatan
atau kejadian yang berhubungan dengan proses kejadian yang sudah masa
lampai. Pada Perang Dunia II riset operasi ini digunakan untuk menentukan
utilisasi sumber daya militer yang efektif dan menetapkan alokasi peralatan
pada tempat-tempat yang strategis dan secara optimal, pada masa itu riset
operasi sangat dibutuhkan dan banyak dikalangan beberapa negara
menggunakan metode yang dinamakan riset operasi yang bertujuan untuk
strategi perang untuk melawan musuh, dengan demikian riset operasi ini
banyak digunakan dan disesuaikan dengan beberapa proses yang
berhubungan dengan strategi perang yang akan dilakukan.
Riset operasi juga dikenalkan pada tahun 1939 oleh G.A Robert dan
DR. E.C William dalam usaha untuk mengembangkan sistem komunikasi
 19

dengan proses pembentukan kelompok formal (OR) Inggris. Riset operasi

ini digunakan untuk mengetahui seberapa banyak pembentukan kelompok
tersebut dan dapat disesuaikan dengan hal yang nantinya dapat
menggunakan komunikasi dalam beberapa aspek tertentu. Kemudian
Amerika mengikuti dengan membentuk US NAVY yang bertujuan untuk
mengembangkan cara untuk memenangkan perang melawan Jepang.
Beberapa negara tersebut menggunakan OR atau Operational Research
bertujuan untuk meningkatkan kekuatan dirinya pada masa perang dunia
dan meningkatkan serta menjaga SDM (Sumber Daya Manusia) untuk
melawan musuhnya (Meflinda A, 2011).
Penelitian Operasinal berkembang sampai saat ini sehingga dapat
diterapkan untuk memecahkan masalah managerial dan operasional dan riset
operasi ini dapat berkembang hingga ke statistika, pengendalian kualitas
atau mutu, pemrograman dinamis, analisis queue, penentuan persediaan,
pemrograman geometris, simulasi, dan tujuan dari pemrograman. Pada saat
ini riset operasi digunakan diberbagai barang bidang seperti rumah sakit,
industri, sistem transportasi, dan lain sebagainya.
Menurut (Hasan, 2020) penerapan riset operasi diberbagai proses atau
diberbagai bidang adalah sebagai berikut;
1. Pemasaran
Beberapa penerapan yang berhubungan dengan riset operasi
adalah sebagai berikut;
a. Penentuan kombinasi produk terbaik berdasarkan permintaan pasar,
b. Akibat iklan dari berbagai media baik itu televisi, koran, internet,
dan lain sebagainya,
c. Penugasan tenaga penjual atau karyawan kewilayah pemasaran
secara efektif,
d. Penempatan lokasi gudang untuk meminimumkan biaya distribusi,
e. Evaluasi kekuatan pasar dan strategi pemasaran sesuai dengan
kebutuhan serta analisa pesaing,
f. Ramalan penjualan,
g. Intensitas kampanye dari proses periklanan,
 20

h. Kapasitas sarana distribusi, dan

i. Pengaruh persaingan.
2. Operasi Produksi
Beberapa penerapan riset operasi pada operasi produksi adalah
sebagai berikut:
a. Penentuan bahan baku yang paling ekonomis untuk kebutuhan
pelanggan,
b. Meminimumkan persediaan atau inventori,
c. Penyeimbangan jalur perakitan dengan berbagai jenis operasi,
d. Jam mesin yang akan dilakukan harus sesuai dengan jam operasi,
e. Pengurutan yang spesifik dari operasi dan kerja mesin,
f. Jumlah produk cacat dapat dilakukan dengan proses pemantauan
dengan baik, dan
g. Laju inspeksi atau pemeriksaan dapat dilakukan dengan baik.
3. Optimasi Produksi
Beberapa penerapan riset operasi pada kegiatan optimasi industri
adalag sebagai berikut.
a. Penentuan jumlah produk yang akan dibuat berdasarkan bahan
baku yang tersedia,
b. Alokasi beban kerja untuk mesin dan manusia,
c. Pendistribusian produk dari sumber ke tujuan dengan total biaya
pendistribusian yang optimal, dan
d. Menentukan rute atau jarak yang optimal agar waktu yang
digunakan dapat dikatakan minimum dan biaya yang dikeluarkan
dapat minimum serta keuntungan dapat dikatakan maksimum.
4. Departemen dan Penyediaan Barang
Penyediaan bahan tersebut dapat dikatakan sebagai penerapan
riset operasi adalah sebagai berikut;
a. Penyedia bahan baku,
b. Laju pengiriman bahan yang akan dibeli, dan
c. Batasan penyimpanan bahan.
 21

2.3 Travelling Salesman Problem

Travelling Salesman Problem merupakan masalah klasik mencari rute
terpendek yang bisa dilalui salesman ketika ingin mengunjungi beberapa
kota tanpa harus mendatangi kota yang sama lebih dari satu kali.
Penyelesaian untuk TSP ini mengharuskan perhitungan terhadap semua
kemungkinan rute yang dapat diperoleh, kemudian memilih salah satu rute
yang terpendek (Wiyanti, 2013).
Operator yang bisa digunakan untuk masalah Travelling Salesman
Problem (TSP) adalah pencarian urutan semua lokasi dari satu lokasi ke
lokasi lain yang belum pernah dikunjungi sehingga dihasilkan rute
perjalanan yang paling optimal (rute terpendek) dari lokasi awal kemudian
ke semua lokasi yang terdaftar hingga kembali lagi ke lokasi awal. Konsep
permasalahan TSP memiliki aturan sebagai berikut;
1. Harus mengunjungi setiap titik/kota tepat satu kali
2. Dalam satu kali perjalanan, semua titik/kota harus dikunjungi
3. Perjalanan dimulai dan diakhiri pada titik/kota yang sama.

2.4 Algoritma Travelling Salesman Problem

Terterdapat beberapa algoritma yang dapat digunakan dalam
menentukan rute terpendek pada Travelling Salesman Problem (TSP)
diantaranya;
1. Algoritma Greedy
Algoritma greedy merupakan sebuah algoritma yang dapat
menentukan sebuah jalur terpendek antara node-node yang akan
digunakan dengan mengambil secara terus menerus dan
menambahkannya ke dalam jalur yang akan dilewati. Sehingga dengan
kata lain, dapat dikatakan bahwa langkah dari algoritma greedy ini
adalah mengambil pilihan yang terbaik yang dapat diperoleh pada saat
itu tanpa memperhatikan konsekuensi ke depan (Wiyanti, 2013)
2. Algoritma Artificial Bee Colony (ABC)
Pada algoritma ABC karena pendekatan yang digunakan
terinspirasi oleh perilaku cerdas kawanan lebah madu dalam mencari
 22

makanan yaitu pendekatan population-based metaheuristic. Adapun

langkah-langkah dalam menyelesaikan travelling salesman problem
dengan algoritma artificial bee colony adalah sebagai berikut;
a. Forage
Pada awalnya harus ditentukan jumlah lebah (N). Jumlah
lebah ini sama dengan jumlah kota pada masalah TSP. Setelah itu
dilanjutkan tahapan forage yaitu lebah melakukan pergerakan dari
suatu kota ke kota lain untuk membentuk sebuah jalur TSP. Ketika
semua lebah sudah menyelesaikan perjalanan (membentuk jalur),
maka dianggap lengkaplah siklus lebah. Karena pada siklus
pertama perjalanan, kawanan lebah tidak menari dalam
menentukan perjalanan ke kota berikutnya, maka mereka
melakukan perjalanan ke kota berikutnya secara acak. Berikutnya
lebah harus mengikuti aturan dalam membuat keputusan dalam
memilih kota kunjungan berikutnya. 𝑃𝑖𝑗, adalah besarnya
kemungkinan lebah bergerak dari kota i ke kota j setelah transisi
ke-n yang dirumuskan sebagai berikut (Andri, Suyandi, &
WinWin, 2013):

Gambar 2.1 Rumus Arc Fitness Setelah Transisi Ke-n

Sumber: (Wiyanti, 2013)

Keterangan:
𝜌𝑖𝑗,n : arc fitness dari kota i ke kota j setelah transisi ke-n.
𝑑𝑖 : jarak antara kota i dengan kota j
𝐴𝑖,n : deretan kota (yang belum dikunjungi) yang dapat dicapai dari
i pada transisi ke-n
𝛼, : parameter yang menentukan signifikan relatif dari arc fitness
dengan jarak heuristik.
𝜌𝑖𝑗,mengukur probabilitas sesuai keberadaan antara dua buah
kota. Secara alami, ketika lebah menemukan sumber makanan
 23

baru, mereka akan melakukan waggle dance. Jika lebah lain tertarik
dengan tarian tersebut, mereka cenderung melakukan forage
(mencari makanan) di daerah tersebut. Dalam algoritma Bee
Colony Optimization (BCO), hal ini dimodelkan melalui
implementasi sebuah preferred path yang dilambangkan dengan 𝜃.
𝜃 adalah sebuah permutasi gerakan dari seekor lebah untuk
melakukan pengamatan dari sarang lainnya. Jadi panduan dalam
tahapan forage didefinisikan dengan rumus berikut ini:

Gambar 2. 2 Rumus Tahapan Forage

Sumber: (Wiyanti, 2013)

Keterangan;
Λ : probabilitas dari sebuah kota yang diikuti dalam 𝜃
𝐹 : suatu himpunan yang berisi suatu kota yang lebih disukai oleh
lebah untuk berpindah dari pada transisi ke-n
b. Wagle Dance
Ketika lebah menemukan sumber makanan baru, lebah akan
melakukan waggle dance. Dalam algoritma BCO, tidak semua
lebah yang menyelesaikan jalur akan menari. Hanya lebah yang
menghasilkan panjang jalur terpendek dibandingkan dengan
panjang jalur terbaik sebelumnya yang diijinkan untuk menari. Jika
lebah menari, waggle dance berakhir selama durasi tertentu yang
dirumuskan dengan fungsi linear . Menurut fungsi linear, jika
lebah i memiliki 𝑃𝑓𝑖 yang lebih tinggi, maka akan diberikan
kesempatan untuk menari yang lebih lama (tarian muncul dengan
lebih banyak iterasi). Jika tidak, maka lebah menari hanya dalam
periode singkat. Profitabilitas lebah ke-i dapat ditunjukkan dengan
rumus sebagai berikut;
 24

Gambar 2. 3 Rumus Skor Profitabilitas Lebah i

Sumber: (Wiyanti, 2013)

Keterangan;
𝑃𝑓 : Skor Profitabilitas Lebah I
𝐿𝑖 : Tour Length
Profitabilitas rata-rata koloni lebah:

Gambar 2. 4 Rumus Profitabilitas Rata-Rata Koloni Lebah

Sumber: (Wiyanti, 2013)

Durasi Dance (menunjukkan waktu yang dibutuhkan lebah

untuk melalui suatu rute):

Gambar 2. 5 Rumus Dalam Tahapan Forage

Sumber: (Wiyanti, 2013)

Keterangan;
K : faktor skalar
N : jumlah lebah yang ada pada dance list
3. Algoritma Cheapest Insertion Heuristics (CIH)
Algoritma CIH biasanya dikombinasikan dengan basis data.
Dimana basis data digunakan sebagai penyimpanan data proses
sehingga pengambilan informasi jarak minimal dari beberapa alternatif
yang ada dapat dilakukan dengan mudah yaitu dengan menggunakan
query. Konsep CIH sendiri memiliki algoritma sebagai berikut;
a. Penelusuran Dimulai dari sebuah kota pertama yang dihubungkan
dengan sebuah kota terakhir.
b. Dibuat hubungan subtour Sebuah hubungan subtour dibuat antara 2
kota tersebut. Yang dimaksud subtour adalah perjalanan dari kota
pertama dan berakhir di kota pertama.
 25

c. Mengganti arah hubungan Salah satu arah hubungan (arc) dari dua
kota diganti dengan kombinasi dua arc, yaitu arc (i,j) dengan arc
(i,k) dan arc (k,j), dengan k diambil dari kota yang belum masuk
subtour, dan dengan tambahan jarak terkecil. Jarak diperoleh dari:

Gambar 2. 6 Rumus Dalam Tahapan Forage

Sumber: (Wiyanti, 2013)

Keterangan:
𝑐𝑖 : jarak dari kota i ke kota k
𝑐𝑘 : jarak dari kota k ke kota j
𝑐𝑖 : jarak dari kota i ke kota j
d. Ulangi langkah 3 sampai seluruh kota masuk dalam subtour.
4. Algoritma Genetika
Algoritma genetika adalah salah satu dari bentuk algoritme
evolusi yang banyak digunakan dalam pemecahan permasalahan yang
kompleks (Mahmudy, 2013). Pendekatan yang diambil oleh algoritme
genetika adalah dengan menggabungkan secara acak berbagai pilihan
solusi terbaik di dalam suatu populasi untuk mendapatkan generasi
solusi terbaik yaitu pada suatu kondisi dengan nilai fitness yang paling
tinggi (Raditya & Dewi, 2017). Secara umum proses penyelesaikan
masalah menggunakan algoritme genetika yaitu:
a. Inisialasi merupakan proses yang dilakukan untuk membangkitkan
himpunan solusi baru secara random ke dalam sebuah populasi.
Populasi yang dibentuk disesuaikan dengan masalah yang ingin
dipecahkan. Pada tahap ini, ukuran populasi (popsize) harus
ditentukan terlebih dahulu berdasarkan banyaknya individu yang
ingin ditampung.
b. Crossover adalah proses kawin silang antara dua individu yang
terpiih secara acak dengan menentukan cut point terlebih dahulu.
Tujuan dari proses crossover ini adalah untuk memperoleh
keturunan yang otomatis akan memperbanyak variasi individu pada
populasi tersebut.
 26

c. Mutation adalah suatu proses untuk mengubah secara acak bit

kromosom dengan cara memilih 2 titik secara acak, kemudian
antara kedua titik gen tersebut akan ditukarkan posisinya. Proses
mutasi berfungsi untuk menjadikan individu-individu yang ada
dalam populasi semakin bervariasi.
d. Evaluasi merupakan proses pengumpulan semua individu dalam
populasi. Pada proses ini dilakukan pencarian nilai fitness dari
setiap individu. Nilai fitness yang diperoleh akan mewakili kualitas
solusi dari individu yang terbentuk.
e. Seleksi merupakan proses pemilihan individu terbaik dari semua
alternatif solusi untuk diambil beberapa individu yang memiliki
nilai fitness yang diharapkan.
 BAB III
METODOLOGI PENELITIAN

3.1 Langkah Penelitian

1. Flowchart Rangkaian Penelitian
Adapun rangkaian atau langkah-langkah penelitian yang akan
dilakukan akan dijelaskan pada gambar 3.1 sebagai berikut:

Gambar 3. 1 Flowchart Rangkaian Penelitian

Sumber: (Hasil Pengolahan Kelompok 7, 2021)

3.2 Deskripsi Flowchart Langkah Penelitian

Pada flowchart disajikan proses-proses sesuai dengan prosedur yang
terdapat dalam sistem dan metode penelitian, dengan tujuan memudahkan
dan memperjelas sehingga dapat memberikan solusi yang dapat

27
 28

dipertanggungjawabkan. Penjelasan langkah penelitian yang telah disusun

sebagai berikut:
a. Mulai
Dalam melakukan penelitian studi kasus memulai dengan
persiapan yangdibutuhkan.
b. Perumusan Masalah
Setelah melihat studi kasus yang diketahui, serta dilihat berdasar
kondisi kelompok dapat menentukan rumusan masalah sebagai salah
satu bagian terpenting yang bertujuan untuk mengetahui penelitian yang
dilakukan sesuai atau tidaknya dengan permasalahan.
c. Menentukan Fungsi Tujuan
Fungsi dan tujuan ini adalah sebagai landasan penyelesaian dari
studi kasus yang dihadapi sehingga penelitian dapat bermanfaat bagi
kelompok dan pembaca.
d. Menentukan Batasan Masalah
Batasan masalah ini sangat diperlukan dalam sebuah penelitian
agar setiap permasalahan yang telah dirumuskan, tidak terlalu melebar
kepada hal yang tidak terlalu penting.
e. Studi Literatur
Studi literatur digunakan untuk mencari solusi yang tepat dalam
permasalahan yang diangkat.
f. Pengambilan Data
Data yang dikumpulkan berdasarkan studi literatur yang
kelompok cari dari berbagai jurnal nasional dan internasional. Data
yang dikumpulkan adalah data sesuai dengan permasalahan yang ada
pada makalah ini.
g. Pengolahan Data
Proses pengolahan data ini dilakukan ketika data sudah terpenuhi
dan sesuai dengan apa yang akan dibahas. Pengolahan data yang kami
lakukan ini pada kasus TSP yang menggunakan Metode Naïve Solution
dan algoritma heuristic dengan Metode Nearst Neighboard Heuristic.
 29

h. Penarikan Kesimpulan
Setelah data yang telah diolah selanjutnya ditarik kesimpulannya.
Penarikan kesimpulan ini berdasar hasil akhir dari rute perjalanan
paling minimal/ murah terhadap seluruh perjalanan yang telah
dilakukan dari ke masing-masing kota berbeda. Hasil dari penelitian ini
diharapkan dapat diimplementasikan secara langsung pada kasus
pemilihan rute terbaik pada jurnal acuan maupun untuk kedepannya
ketika memiliki permasalahan yang sama.
i. Selesai
Kegiatan dikatakan selesai ketika sudah melalui proses-proses
tersebut. Output-Output yang didapatkan berupa laporan penelitian oleh
kelompok.

3.3 Alur Berpikir

Garis besar dari penyusunan makalah ini dijabarkan melalui alur
berpikir, yang bertujuan agar penjelasan mengenai hubungan kasus, metode,
dan penyelesaian masalahnya dapat diketahui arahnya sesuai dengan alur
pemikiran kami, yang digambarkan pada gambar 3.2 dengan ilustrasi
sebagai berikut:

Gambar 3. 2 Alur Berpikir Penyelesaian Kasus

Sumber: (Hasil Pengolahan Kelompok 7, 2021)

Penjelasan mengenai alur berpikir penyelesaian kasus tersebut dijelaskan

sebagai berikut diantaranya:
1. Kasus
Suatu studi kasus bisa menjadi landasan dalam pembuatan
makalah ini. Masalah yang di bahas pun harus sesuai dengan penelitian
pada makalah ini.
 30

2. Metode
Penyelesaian dalam sebuah kasus, tentunya harus dilakukan
dengan menggunakan metode, dan dapat dilakukan dengan berbagai
metode. Pada masalah ini kelompok menggunakan algoritma heuristic
dengan metode tetangga terdekat terbaik atau (nearst neighboard
heuristic dan metode naïve solution.
3. Penyelesaian Masalah
Berikut ini merupakan tahapan penyelesaian masalah atau alur
pada jurnal acuan yang dilakukan oleh peneliti terhadap penelitiannya
yang sedang dikaji pada makalah ini, diantaranya:
a. Menetapkan jurnal acuan untuk mendapatkan data dan dimodifikasi
sesuai arahan yang diberikan. Dan didapatkan jurnal yang berkaitan
dengan Pendekatan Heuristik.
b. Permasalahan pada penelitian ini yang ada pada jurnal acuan adalah
menentukan rute perjalanan terpendek.

c. Memodifikasi data dan melakukan pengolahan data sesuai dengan

metode yang digunakan peneliti untuk menemukan rute terpendek.

d. Melakukan Analisa dan Menarik Kesimpulan.

3.4 Parameter Penelitian

Sebagai suatu landasan yang menjadi titik tolak ukur terhadap nilai atau
kondisi dalam menentukan segala aturan, maka diberlakukan parameter
penelitian dalam penelitian oprasional ini sebagai berikut:
1. Perumusan Masalah
a. Apa tujuan dari model travelling salesman problem?
b. Bagaimana penyelesaian masalah travelling salesman problem
dengan menggunakan Metode Nearest neighbor heuristic?
c. Berapa jarak yang bisa dihasilkan dengan Metode Nearest neighbor
heuristic?
d. Apa saja perbedaan penggunaan metode Nearest Neightbor
Heuristic dengan metode lainnya dalam menyelesaikan masalah
travelling salesman problem?
 31

2. Maksud Dan Tujuan Penelitian

a. Untuk mengetahui dan memahami tujuan dari model travelling
salesman problem.
b. Untuk mengetahui dan memahami penyelesaian masalah travelling
salesman problem dengan menggunakan Metode Nearest neighbor
heuristic.
c. Untuk mengetahui dan memahami jarak yang bisa dihasilkan
dengan Metode Nearest neighbor heuristic.
d. Untuk mengetahui dan memahami perbedaan penggunaan metode
Nearest Neightbor Heuristic dengan metode lainnya dalam
menyelesaikan masalah travelling salesman problem.
3. Batasan Masalah
a. Hanya membatasi tujuan dari model travelling salesman problem.
b. Hanya membatasi penyelesaian masalah travelling salesman
problem dengan menggunakan Metode Nearest neighbor heuristic.
c. Hanya membatasi jarak yang bisa dihasilkan dengan Metode
Nearest neighbor heuristic.
d. Hanya membatasi perbedaan penggunaan metode Nearest
Neightbor Heuristic dengan metode lainnya dalam menyelesaikan
masalah travelling salesman problem.

3.5 Tahapan Pengumpulan Data

Data didapatkan berdasarkan data modifikasi terhadap jurnal yang
dilakukan oleh kelompok, berasarkan informasi-informasi dari jurnal acuan
sehingga didapatkan data yang mampu diolah kelompok dalam
menyelesaikan masalah yang dihadapi. Berdasarkan teori yang telah
dipahami kelompok melakukan hipotesis untuk membuktikan penerapan
hasil pembelajaran riset operasi, berikut merupakan tahapan pengumpulan
yang kelompok lakukan sebagai berikut:
1. Mencari jurnal yang di dalamnya terdapat informasi-informasi yang
dibutuhkan penulis dengan mengutamakan metode yang sesuai dengan
tujuan utama penulis.
 32

2. Menganalisa dan memilih kasus yang dihadapi sesuai standar yang telah
ditentukan berdasarkan prosedur pembuatan makalah.
3. Data yang telah kumpulkan berdasarkan jurnal acuan lalu dilakukan
perhitungan hingga mendapatkan hasil sesuai yang diinginkan penulis.

3.6 Model Acuan Penelitian

Model acuan yaitu acuan atau sebagai dasar konseptual dilakukannya
penelitian, apakah kegiatan pembelajaran dapat dicapai secara efektif dan
efisien. Pada laporan ini penulis menggunakan permasalahan pada studi
kasus suatu jurnal travelling salesman problem dengan pendekatan
Heuristik dalam mencari rute perjalanan terpendek yang akan ditempuh
seorang kurir ekspedisi untuk mengirim sejumlah paket ke lima kota sebagai
acuan dari pembuatan makalah, dan juga penulis memanfaatkan
ketersediaan jurnal lainnya baik nasional maupun internasional yang sudah
terpercaya dan sesuai standar prosedur yang ditentukan dalam pembuatan
makalah sebagai acuan dalam memahami metode-metode yang terdapat
pada mata kuliah Oprational Research II ini, dengan jurnal berkaitan
dengan masalah yang sedang penulis hadapi dalam penyusunan makalah ini.

3.7 Tahapan Pengolahan Data Penelitian

Setelah melakukan pengumpulan data maka data yang sebagai
informasi akan diolah dengan proses pengolahan data, yaitu sebagai berikut:
1. Memodifikasi permasalahan dari data jurnal dengan memodifikasi
metode yang akan penulis gunakan penyusunan makalah ini.
2. Memformulasikan permasalahan kebentuk sistematika untuk dilakukan
proses perhitungan.
3. Melakukan perhitungan dengan masalah travelling salesman problem
yang menggunakan metode naïve solution dan metode nearst
neighboard heuristic, dan setiap memilih rute harus memperhatikan
setiap tahapannya.
4. Melakukan penarikan kesimpulan setelah melakukan perhitungan, maka
dilakukan penarikan kesimpulan mengenai hasil akhir dari perhitungan
 33

untuk mendapatkan rute perjalanan terpendek yang akan ditempuh

seorang kurir ekspedisi untuk mengirim sejumlah paket ke lima kota.

3.8 Analisa
Dilakukan penganalisaan terhadap pengumpulan dan pengolahan data
berdasarkan yang telah dipahami dari jurnal yang menjadi acuan penulis,
dapat dilihat sebagai berikut:
1. Alur Pemikiran
Data yang didapatkan diolah oleh penulis dengan melakukan
perhitungan yang sesuai dengan fokus metode pilihan penulis, dengan
penulis mendapatkan hasil sesuai dengan apa yang diinginkan. Pada
kondisi ini, penulis dituntut untuk berfikir secara kritis terhadap
permasalahan yang akan di hadapi sehingga dapat membentuk kosep
serta kerangka penyelesaian dari kasus yang diteliti.
2. Penggunaan Metode
Berdasarkan prosedur pembuatan makalah, penulis mengambil
langkah pemilihan metode terlebih dahulu sehingga penulis dapat
menetapkan metode yang sesuai dengan keinginan penulis yaitu dengan
model masalah travelling salesman problem penulis memilih metode
naïve solution dan metode nearst neighboard heuristic. Pada
pengimplementasian model permasalahan serta metode ini efektif untuk
mengetahui rute prjalanan ke seluruh kota dengan biaya atau jarak
seminimal mungkin.
3. Penarikan Kesimpulan
Ketika segala prosedur dan setiap proses yang ditetapkan dalam
penelitian telah dilakukan, maka dapat dilakukan langkah terakhir
dalam penelitian yaitu pengambilan keputusan dengan berbagai
pertimbangan berdasar penelitian serta perhitungan yang telah
dilakukan dari data-data yang diperoleh, serta tinjauan pustaka pada
berbagai jurnal guna memahami metode sebagai referensi dalam
melakukan penelitian ini. Penarikan kesimpulan sebagai tahap akhir ini
merupakan jawaban dari permasalahan yang telah dibuat sebelumnya
 34

sehingga dalam kesimpulan yang didapatkan ini dapat memuat tujuan

dari dilakukannya penelitian.
 BAB IV
PENGUMPULAN DAN PENGOLAHAN DATA

4.1 Pengumpulan Data

1. Studi Kasus untuk Modifikasi Data
Jurnal acuan yang berjudul “Penentuan Rute Pengiriman Barang
Dengan Metode Nearest Neighbor” yang disusun oleh Ulfasari
Rafflesia, diidentifikasi memiliki studi kasus permasalahan mengenai
penentuan rute terpendek yang harus ditempuh oleh seorang kurir
ekspedisi untuk mengirim sejumlah paket ke lima kota Berikut
merupakan data yang diperoleh dari jurnal acuan:
Tabel 4. 1 Data jarak antar lokasi (Km)
Lokasi 1 2 3 4 5
1 ∞ 120 210 160 50
2 120 ∞ 285 190 75
3 210 285 ∞ 110 300
4 160 190 110 ∞ 196
5 50 75 300 196 ∞
Sumber: (Rafflesia, 2017)

2. Modifikasi Data Jurnal

Data-data yang akan digunakan pada modifikasi data jurnal ini
merupakan data yang sama pada jurnal acuan yang kelompok 7 pakai.
Modifikasi yang dilakukan yaitu dengan mengubah metode penentuan
jalur paling optimal dengan menggunakan metode faktorial dan metode
Nearest-Neighbor Heuristic.

4.2 Pengolahan Data

Setelah mendapatkan data-data dari jurnal yang akan diolah dan
menentukan metode yang akan digunakan, selanjutnya yaitu melakukan
pengolahan data. Pengolahan data dilakukan dengan melakukan perhitungan
manual dengan metode nearest-neighbor heuristic dan faktorial. Untuk
menentukan jalur optimum yang harus ditempuh oleh seorang kurir
ekspedisi untuk mengirimkan sejumlah paket ke lima kota. Berikut
merupakan perhitungan pengolahan data yang dilakukan:

35
 36

1. Metode Nearest-Neighbor Heuristic

Metode Nearest Neighbor adalah metode heuristik yang
digunakan untuk menyelesaikan masalahr ute. Metode penyelesaian
masalah dimulai dari titik awal kemudian mencari titik terdekat.
Pemilihan rute akan dimulai dari yang memiliki jarak paling minimum
setiap daerah, lalu pilih daerah yang belum dikunjungi berikutnya
dengan nilai terkecil. Berikut ini adalah data dan pengolahan data
menggunakan metode NNH:
Tabel 4. 2 Data jarak antar lokasi (Km)
Lokasi 1 2 3 4 5
1 ∞ 120 210 160 50
2 120 ∞ 285 190 75
3 210 285 ∞ 110 300
4 160 190 110 ∞ 196
5 50 75 300 196 ∞
Sumber: (Rafflesia, 2017)

Tabel 4. 3 Data Rute

Lokasi Rute Jarak (Km)
a. Mulai dari lokasi 1 1–5–2–4–3–1 635
b. Mulai dari lokasi 2 2–5–1–4–3–2 680
c. Mulai dari lokasi 3 3–4–1–5–2–3 680
d. Mulai dari lokasi 4 4–3–1–5–2–4 635
e. Mulai dari lokasi 5 5–1–2–4–3–5 770
Total Jarak 3400
Sumber: (Rafflesia, 2017)

Hasil yang didapatkan rute paling optimum yaitu 1–5–2–4–3–1

dan 4 – 3 – 1 – 5 – 2 – 4 dengan jarak 635 Km.
2. Faktorial
Faktorial adalah perkalian semua bilangan asli yang kurang dari
atau sama dengan n. Dalam Travelling salesman problem, faktorial
digunakan untuk menentukan jumlah jalur yang diperoleh dari jumlah
node atau jumlah kota yang dikunjungi. Berikut ini adalah data dan
perhitungan serta pengolahan datanya:
 37

Gambar 4. 1 Grafik rute kunjungan

Sumber: (Hasil Pengolahan Kelompok 7, 2021)

Terdapat 5 Nodes maka faktorialnya adalah (5 – 1)! = 4! = 4 x 3 x

2= 24, maka rute yang didapatan yaitu sebanyak 24 rute.
Tabel 4. 4 Rute dan jarak
Rute Jarak
1–3–2–4–5–1 931 Km
1–3–4–5–2–1 711 Km
1–3–5–4–2–1 1016 Km
1–3–2–5–4–1 926 Km
1–3–4–2–5–1 635 Km
1–3–5–2–4–1 935 Km
1–2–3–4–5–1 761 Km
1–2–3–5–4–1 1061 Km
1–2–4–5–3–1 1061 Km
1–2–4–3–5–1 770 Km
1–2–5–4–3–1 711 Km
1–2–5–3–4–1 765 Km
1–5–2–3–4–1 680 Km
1–5–3–2–4–1 985 Km
1–5–2–4–3–1 635 Km
1–5–3–4–2–1 770 Km
1–5–4–3–2–1 761 Km
1–5–4–2–3–1 931 Km
1–4–3–2–5–1 680 Km
1–4–3–5–2–1 765 Km
1–4–5–2–3–1 926 Km
1–4–5–3–2–1 1061 Km
1–4–2–5–3–1 935 Km
1–4–2–3–5–1 985 Km
Sumber: (Hasil Pengolahan Kelompok 7, 2021)
 38

Maka solusi yang didapatkan adalah 1 – 3 – 4 – 2 – 5 – 1 dan 1 –

5 – 2 – 4 – 3 – 1 dengan jarak rute 635 Km.
 BAB V
ANALISA

5.1 Analisa Data Modifikasi dengan Jurnal Acuan

Modifikasi jurnal yang mengacu pada jurnal yang dibuat oleh
(Rafflesia, 2017) bertujuan untuk membandingkan atau mencari hasil rute
yang optimal dengan penggunaan metode yang berbeda dalam permasalahan
Traveling Salesman Problem (TSP) lebih tepatnya permasalahan seorang
kurir ekspedisi yang mengirim sejumlah paket ke lima kota. Berikut
merupakan data lokasi dan data metodeyang telah digunakan pada jurnal:
1. Metode Nearest-Neighbor Heuristic
Tabel 5. 1 Lokasi dari Setiap Titik

Sumber: (Rafflesia, 2017)

Tabel 5. 2 Data Rute

Sumber: (Rafflesia, 2017)

39
 40

2. Faktorial

Gambar 5. 1 Grafik rute kunjungan

Sumber: (Hasil Pengolahan Kelompok 7, 2021)

Tabel 5. 3 Penggunaan Metode Pada TSP di Jurnal Acuan

Metode

Nearest-Neighbor Heuristic
Faktorial
Sumber: (Rafflesia, 2017)

5.2 Analisa Hasil Setiap Metode

Pada permasalahan TSP yang diselesaikan dengan beberapa metode,
terdapat beberapa hasil yang dapat disimpulkan. Hasil setiap metodenya
adalah sebagai berikut:
Tabel 5. 4 Analisa Hasil Setiap Metode
Metode Rute Total Jarak
Metode Nearest-Neighbor 1-5-2-4-3-1
635 Km
Heuristic 4-3-1-5-2-4
1-3-4-2-5-1
Faktorial 635 Km
1-5-2-4-3-1
Sumber: (Hasil Pengolahan Kelompok 7, 2021)

Hasil yang dapat disimpulkan, pada metode modifikasi dihasilkan rute

yang sama dan ada penambahan alternatif rute lain. Akan tetapi, pada rute
yang sama jumlah dari total jarak yang dihasilkan berbeda. Hal ini dapat
dipengaruhi oleh sistem penyelesaiannya dari setiap metodenya. Jika, dilihat
dari segi total jaraknya kedua metode tersebut sama-sama optimal Nearst
Neighboard Heuristic dan Faktorial.
 BAB VI
PENUTUP

6.1 Kesimpulan
Kesimpulan yang didapat dari pembahasan yang telah dilakukan
kelompok kami dalam penelitian makalah ini adalah sebagai berikut:
1. Hasil perhitungan yang didapatkan menggunakan metode NNH dan
Faktorial lebih optimal. Nilai jarak yang didapatkan menggunakan
metode NNH dan Faktorial yaitu 635 Km.
2. Penentuan rute pada metode nearest neighbor heuristic dimulai pada
lintasan terpendek pada kota yang akan dilalui dan selanjutnya memilih
kota yang yang belum dikunjungi dengan pemilihan rute jarak
minimum.
3. Metode faktorial lebih mudah digunakan dalam menentukan jumlah
banyaknya rute yang akan dilalui dengan cara menghitung jumlah node
yang akan dikunjungi.

6.2 Saran
Saran yang dapat kelompok kami berikan setelah melakukan
penelitian ini yaiitu:
1. Banyaknya masalah yang telah diteliti dari berbagai jurnal tentunya
menjadikan sebuah pilihan, bagi peneliti yang menggunakan studi
litaratur dalam mencari permasalahan yang sesuai dengan metode yang
digunakan. Untuk itu analisa yang baik diperlukan dalam menyesuaikan
masalah dengan metode yang digunakan.
2. Memodifikasi data penelitian yang telah ada tentunya sama halnya
dengan membuat asumsi data baru. Untuk itu perlu ketelitian dan
asumsi yang tepat berdasarkan sumber refensi yang valid agar
penyelesaian masalah akhirnya sesuai dengan kondisi lapangan atau
masuk akal.
3. Penelitian dengan menggunakan studi literatur saja, tentunya membatasi
data–data yang akan diolah. Dalam artian hanya terbatas pada referensi

41
 42

jurnal yang tersedia di internet. Untuk itu fokus yang harus diarahkan
hanya pada penggunaan metode yang dilakukan terhadap penyelesaian
sebuah permasalahan.
 43

DAFTAR PUSTAKA

Andri, Suyandi, & WinWin. (2013). Aplikasi Travelling Salesman Problem

Dengan Metode Artificial Bee Colony. JSM STMIK Mikroskil, 59-68.
Budi Santoso. (2017). Pengantar Metaheuristik: Implementasi dengan Matlab .
Surabaya: ITS Tekno Sains.
Cinar, A. C., Korkmaz, S., & Kiran, M. S. (2019). A Discrete Tree-Seed
Algorithm for Solving Symmetric Traveling Salesman Problem.
Engineering Science and Technology, an International Journal, 879-890.
Dwivedi, V., Chauhan, T., Saxena, S., & Agrawal, P. (2012). Travelling Salesman
Problem using Genetic Algorithm. IJCA Proceedings on Development of
Reliable Information Systems, Techniques and Related Issues (DRISTI
2012), 25-30.
Hasan, I. (2020). Modified Surrogate Cutting Plane Algorithm (MSCPA) for
Integer Linear Programming Problems. Emirates Journal or Engineering
Research, 1-5.
Hasil Pengolahan Kelompok 7. (2021). Grafik rute kunjungan. Karawang:
Universitas Singaperbangsa .
Kumbharana, S. N., & Pandey, P. G. (2013). Solving Travelling Salesman
Problem using Firefly Algorithm. International Journal for Research in
Science & Advanced Technologies, 53-57.
Lin, B., Sun, X., & Salous, S. (2016). Solving Travelling Salesman Problem with
an Improved Hybrid Genetic Algorithm. Journal of Computer and
Communications, 98-106.
Mahmudy, W. F. (2013). Algoritma Evolusi. Malang: Program Teknologi
Informasi dan Ilmu Komputer, Universitas Brawijaya.
Meflinda A, d. M. (2011). Operations Research (Riset Operasi). Pekanbaru: UR
PRESS Pekanbaru.
Muzid, S. (2008). Pemanfaatan Algoritma Fuzzy Evolusi Untuk Penyelesaian
Kasus Travelling Salesman Problem. Seminar Nasional Aplikasi Teknologi
Informasi 2008 (SNATI 2008), 33-38.
 44

Raditya, P. M., & Dewi, C. (2017). Optimasi Multiple Travelling Salesman

Problem (M-TSP) Pada Penentuan Rute Optimal Penjemputan Penumpang
Travel Menggunakan Algoritme Genetika. Jurnal Pengembangan
Teknologi Informasi dan Ilmu Komputer, 3560-3567.
Rafflesia, U. (2017). Travelling Salesperson Problem dengan Heuristik. Jurnal
Gradien 2,1171-1174.
Rani, K., & Kumar, V. (2014). Solving Travelling Salesman Problem Using
Genetic Algorithm Based On Heuristic Crossover And Mutation Operator.
International Journal of Research in Engineering & Technology, 27-34.
Taha. (2007). Perancangan Sistem Kerja. Jurnal Ilmiah, 13-17.
Taha, A. (1996). Riset Operasi. Jakarta: Binarupa Aksara.
Walshaw, C. (2001). A Multilevel Approach to the Travelling Salesman Problem.
Operations Research, 1-21.
Winston. (2003). Operation Research Application and Algorithms. California:
Duxbury Press.
Wiyanti, D. T. (2013). Algoritma Optimasi Untuk Penyelesaian Travelling
Salesman Problem. Jurnal Transformatika, 1-6.
Yaoxin Wu, W. S. (2019). Learning Improvement Heuristics for Solving the
Travelling Salesman Problem.