1

ANALISA PENCARIAN RUTE TERPENDEK UNTUK
PERJALANAN PROMOSI PMB MENGGUNAKAN

ALGORITMA GENETIKA DAN ALGORITMA GREEDY
(STUDI KASUS PADA AMIK BSI TASIKMALAYA)
TESIS
DINI SILVI PURNIA

14001672
PROGRAM PASCASARJANA MAGISTER ILMU KOMPUTER

SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER
NUSA MANDIRI JAKARTA
2016
ANALISA PENCARIAN RUTE TERPENDEK UNTUK
PERJALANAN PROMOSI PMB MENGGUNAKAN
ALGORITMA GENETIKA DAN ALGORITMA GREEDY
(STUDI KASUS PADA AMIK BSI TASIKMALAYA)
TESIS
Diajukan sebagai salah satu syarat untuk memperoleh gelar
Magister Ilmu Komputer (M.Kom)
DINI SILVI PURNIA

14001672
PROGRAM PASCASARJANA MAGISTER ILMU KOMPUTER

SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER
NUSA MANDIRI JAKARTA
2016
ii
SURAT PERNYATAAN ORISINILITAS
Yang bertanda tangan di bawah ini:

Nama : Dini Silvi Purnia
NIM : 14001672
Program Studi : Magister Ilmu Komputer
Jenjang : Strata Dua (S2)
Konsentrasi : Management Information System
Dengan ini menyatakan bahwa tesis yang telah saya buat dengan judul: “Analisa
Pencarian Rute Terpendek untuk Perjalanan Promosi PMB Menggunakan
Algoritma Genetika dan Algoritma Greedy (Studi Kasus Pada AMIK BSI
Tasikmalaya)” adalah hasil karya sendiri, dan semua sumber baik yang dikutip
maupun yang dirujuk telah saya nyatakan dengan benar dan tesis belum pernah
diterbitkan atau dipublikasikan dimanapun dan dalam bentuk apapun.
Demikianlah surat pernyataan ini saya buat dengan sebenar-benarnya. Apabila
dikemudian hari ternyata saya memberikan keterangan palsu dan atau ada pihak
lain yang mengklaim bahwa tesis yang telah saya buat adalah hasil karya milik
seseorang atau badan tertentu, saya bersedia diproses baik secara pidana maupun
perdata dan kelulusan saya dari Program Pascasarjana Magister Ilmu Komputer
Sekolah Tinggi Manajemen Informatika dan Komputer Nusa Mandiri
dicabut/dibatalkan.
Jakarta, 16 Agustus 2016

Yang menyatakan,
Materai Rp. 6.000,-
Dini Silvi Purnia
iii
HALAMAN PENGESAHAN
Tesis ini diajukan oleh:
NIM : 14001672
Judul Tesis :“Analisa Pencarian Rute terpendek untuk Perjalanan
Promosi PMB Menggunakan Algoritma Genetika dan
Algoritma Greedy (Studi Kasus Pada AMIK BSI
Tasikmalaya)”
Telah berhasil dipertahankan dihadapan Dewan Penguji dan diterima sebagai
bagian persyaratan yang diperlukan untuk memperoleh gelar Magister Ilmu
Komputer (M.Kom) pada Program Pascasarjana Magister Ilmu Komputer Sekolah
Tinggi Manajemen Informatika dan Komputer Nusa Mandiri (STMIK Nusa
Mandiri).
Jakarta, 26 Agustus 2016
Pascasarjana Magister Ilmu Komputer
STMIK Nusa Mandiri
Direktur
Prof. Dr. Ir.R.Eko Indrajit, M.Sc, MBA
DEWAN PENGUJI
Penguji I : Dr.Sularso Budilaksono, M.Kom
Penguji II : Dr. Alimudin, MM,MT
Penguji III / : Dr. Dwiza Riana, S.Si,MM,M.Kom

Pembimbing
iv
KATA PENGANTAR
Puji syukur alhamdullillah, penulis panjatkan kehadirat Allah SWT, yang
telah melimpahkan rahmat dan karunia -Nya, sehingga pada akhirnya penulis
dapat menyelesaikan tesis ini tepat pada waktunya.
Penulis menyadari bahwa tanpa bimbingan dan dukungan dari semua
pihak dalam pembuatan tesis ini, maka penulis tidak dapat menyelesaikan tesis ini
tepat pada waktunya. Untuk itu ijinkanlah penulis pada kesempatan ini untuk
mengucapkan terima kasih yang sebesar -besarnya kepada:
1. Bapak Prof. Dr. Ir.R.Eko Indrajit, M.Sc, MBA selaku Direktur Pascasarjana
Magister Ilmu Komputer STMIK Nusa Mandiri.
2. Bapak H. Mochamad Wahyudi, M.M, M.Kom, M.Pd selaku ketua
Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri
3. Ibu Dr.Dwiza Riana, S.Si,MM,M.Kom selaku Dosen Pembimbing yang telah
membimbing dan membantu dalam penyelesaian tesis ini.
4. Bapak Ir. Naba Aji Notoseputro selaku Direktur AMIK BSI yang telah
mengijinkan penulis untuk menyelesaikan pendidikan S2
5. Orang tua, suami tercinta serta seluruh keluarga yang telah memberikan
dukungan material dan moral kepada penulis
6. Seluruh staf pengajar (dosen) Program Pascasarjana Magister Ilmu Komputer
Sekolah Tinggi Manajemen Informatika dan Komputer Nusa Mandiri yang
telah memberikan pelajaran yang berarti bagi penulis selama menempuh studi.
7. Seluruh staf dan karyawan Program Pascasarjana Magister Ilmu Komputer
Sekolah Tinggi Manajemen Informatika dan Komputer Nusa Mandiri yang
telah melayani penulis dengan baik selama kuliah.
Penulis menyadari bahwa penulisan tesis ini masih jauh dari sempurna, untuk itu
penulis mohon kritik dan saran yang bersifat membangun demi kesempurnaan
penulisan karya ilmiah yang penulis hasilkan untuk yang akan datang.
Akhir kata semoga tesis ini dapat bermanfaat bagi penulis khususnya dan
bagi para pembaca yang berminat pada umumnya.
Jakarta, Agustus 2016
Dini Silvi Purnia
v
SURAT PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH
UNTUK KEPENTINGAN AKADEMIS
Yang bertanda tangan di bawah ini, saya:
NIM : 14001672
Program Studi : Magsiter Ilmu Komputer
Jenis Karya : Tesis
Demi pengembangan ilmu pengetahuan, dengan ini menyetujui untuk
memberikan ijin kepada pihak Program Pascasarjana Magister Ilmu Komputer
Sekolah Tinggi Manajemen Informatika dan Komputer Nusa Mandiri (STMIK
Nusa Mandiri) Hak Bebas Royalti Non-Eksklusif (Non-exclusive Royalti-Free
Right) atas karya ilmiah kami yang berjudul : “Analisa Pencarian Rute Terpendek
untuk Perjalanan Promosi PMB Menggunakan Algoritma Genetika dan Algoritma
Greedy (Studi Kasus Pada AMIK BSI Tasikmalaya)” beserta perangkat yang
diperlukan (apabila ada).
Dengan Hak Bebas Royalti Non-Eksklusif ini pihak STMIK Nusa Mandiri
berhak menyimpan, mengalih-media atau bentuk-kan, mengelolaannya dalam
pangkalan data (database), mendistribusikannya dan menampilkan atau
mempublikasikannya di internet atau media lain untuk kepentingan akademis
tanpa perlu meminta ijin dari kami selama tetap mencantumkan nama kami
sebagai penulis/pencipta karya ilmiah tersebut.
Saya bersedia untuk menanggung secara pribadi, tanpa melibatkan pihak STMIK
Nusa Mandiri, segala bentuk tuntutan hukum yang timbul atas pelanggaran Hak
Cipta dalam karya ilmiah saya ini. Demikian pernyataan ini saya buat dengan
sebenarnya.
Jakarta, Agustus 2016
Yang menyatakan,
Dini Silvi Purnia
vi
ABSTRAK

NIM : 14001672
Judul Tesis : “Analisa Pencarian Rute Terpendek Untuk Perjalanan Promosi
PMB Menggunakan Algoritma Genetika dan Algoritma Greedy: Studi Kasus pada
AMIK BSI Tasikmalaya”.
Sebuah tim promosi yang melakukan promosi-promosi ke sekolah-sekolah dalam

penentuan rute perjalanan masih mengalami kesulitan karena harus mencari jarak
terdekat sekolah yang akan didatangi. Dalam penyelesaian rute yang efisien,
diperlukan sistem dengan metode yang dapat membantu dalam penentuan rute
tercepat. Metode yang dibandingkan adalah algoritma genetika dan algoritma
greedy karena algoritma genetika merupakan metode dengan memanfaatkan
variable kecepatan disetiap jalannya yang mempengaruhi waktu tempuh disetiap
jalan dan memanfaatkan proses seleksi alamiah yang dikenal dengan proses
evolusi, proses ini memiliki fungsi crossover, mutasi maupun perbaikan individu,
dengan menggunakan proses-proses yang sebagian besar dilakukan secara acak
maka dihasilkan solusi yang terbaik didalam proses pencarian rute tercepat. Telah
dilakukan penerapan Algoritma genetika dan algoritma greedy untuk menyusun
penentuan rute terpendek perjalanan promosi PMB AMIK BSI Tasikmalaya yang
menghasilkan rute yang paling optimal. Telah dilakukan perbandingan antara
algoritma genetika dan algoritma greedy dalam pencarian rute yang paling
optimal
Hasil perbandingan menunjukan bahwa algoritma genetika adalah algoritma yang
lebih pantas untuk menentukan rute perjalanan promosi tersebut dibanding
algoritma greedy.
Kata Kunci: algoritma genetika, algoritma greedy, rute Terpendek
vii
ABSTRACT

NIM : 14001672
Judul Tesis : “Analysis Search of Shortest route For Travel Promotion PMB
Using Genetic Algorithm and Greedy: Case Study on AMIK BSI
Tasikmalaya”.
A promotional team are doing promotions to schools in determining travel routes

are still having trouble of having to find the shortest distance of the school to be
visited .There are many possibilities in determining the route of travel to promote
BSI Tasikmalaya. One method that can be used is a genetic algorithm approach
and greedy algorithm. In the resolution of efficient service, required a system with
a method that can help in determining the fastest route. Method of comparison is
a genetic algorithm and greedy algorithm for the genetic algorithm is a method by
using variable speed in every way that affects travel time each way and take
advantage of the natural selection process that is known as an evolutionary
process, this process has the function of crossover, mutation and individual
improvement, using processes are largely carried out randomly then produced the
best solution in the process of finding the fastest route. Has made the application
of genetic algorithm and greedy algorithm for determining the shortest route
compose a promotional trip PMB AMIK BSI Tasikmalaya which generates the
most optimal route. Has made a comparison between the genetic algorithm and
greedy algorithm in the most optimal route search. The comparison showed that
the genetic algorithm is an algorithm that is more appropriate to determine the
route of travel promotion than the greedy algorithm. The concept and the
workings of genetic algorithms in the search for these promotional trip obtained
from several steps and produce solutions of every generation.. The concept and
the workings of the greedy algorithm in the search for a promotional trip gained
by trying one solution. Genetic algorithms produce the most optimal promotional
trip.
Key words: genetic algorithm, greedy algorithm, Short route
viii
DAFTAR ISI
Halaman
HALAMAN SAMPUL ............................................................................................ i
HALAMAN JUDUL ............................................................................................... ii
HALAMAN PERNYATAAN ORISINALITAS ................................................... iii
HALAMAN PENGESAHAN ................................................................................ iv
KATA PENGANTAR ............................................................................................ v
HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH
UNTUK KEPENTINGAN AKADEMIS .............................................................. vi
ABSTRAK ............................................................................................................ vii
ABSTRACT ......................................................................................................... viii
DAFTAR ISI ........................................................................................................... x
DAFTAR TABEL ................................................................................................. xii
DAFTAR GAMBAR ........................................................................................... xiii
BAB I PENDAHULUAN ....................................................................................... 1
1.1. Latar Belakang Penulisan ................................................................................. 2
1.2. Identifikasi Masalah ......................................................................................... 2
1.3. Tujuan Penelitian ............................................................................................. 3
1.4. Hipotesis........................................................................................................... 4
1.5. Sistematika Penulisan....................................................................................... 4
BAB II LANDASAN/KERANGKA PEMIKIRAN ............................................... 6
2.1. Tinjauan Pustaka .............................................................................................. 6
2.1.1. Travelling Salesman Problem ................................................................ 6
2.1.2. Algoritma Genetika ............................................................................... 6
2.1.3. Algoritma Greedy ................................................................................ 14
2.2. Tinjauan Studi ................................................................................................ 16
2.3. Tinjauan Organisasi/Objek Penelitian............................................................ 19
2.3.1. Tinjauan Organisasi ............................................................................. 19
2.3.2. Objek Penelitian .................................................................................. 22
BAB III METODOLOGI PENELITIAN.............................................................. 30
3.1. Tahapan Penelitian ......................................................................................... 30
3.2. Penjelasan Tahapan Penelitian ....................................................................... 31
BAB IV HASIL PENELITIAN DAN PEMBAHASAN ...................................... 36
4.2. Penerapan Algoritma Genetika ...................................................................... 36
4.2.1. Inisialisasi Populasi Awal .................................................................... 37
4.2.2. Evaluasi Populasi ................................................................................. 38
4.2.3. Seleksi Populasi ................................................................................... 38
4.2.4. Perkawinan Silang ............................................................................... 40
4.2.5.Mutasi ................................................................................................... 41
4.3. Penerapan Algoritma Greedy ......................................................................... 43
4.4. Hasil Percobaan.............................................................................................. 46
4.5. Perbandinga Algoritma .................................................................................. 50
BAB V PENUTUP ................................................................................................ 53
5.1. Kesimpulan .................................................................................................... 53
5.2. Saran............................................................................................................... 53
DAFTAR PUSTAKA
ix
DAFTAR RIWAYAT HIDUP
LEMBAR KONSULTASI
SURAT KETERANGAN RISET
x
DAFTAR TABEL
Halaman
Tabel 2.1 Contoh Crossover 1-titik ....................................................................... 11
Tabel 2.2 Contoh Crossover 2-titik ....................................................................... 11
Tabel 2.3 Contoh Crossover Seragam................................................................... 11
Tabel 2.4 Contoh Mutasi Pada Pengkodean Biner................................................ 12
Tabel 2.5 Contoh Mutasi Pada Pengkodean Permutasi ........................................ 13
Tabel 2.6 Instrumen Perangkat Keras dan Lunak ................................................. 29
Tabel 2.7 Daftar SMA Di Kota Tasikmalaya........................................................ 23
Tabel 2.8.Daftar Sekolah dan Alamat Sekolah ..................................................... 24
Tabel 2.9 Daftar Sekolah Peta Ke-1...................................................................... 26
Tabel 2.10. Daftar Sekolah Peta Ke-2................................................................... 26
Tabel 2.11 Posisi Koordinat Sekolah Sekolah Kota Tasikmalaya ........................ 27
Tabel 2.12 Posisi Koordinat AMIK BSI dan Sekolah di Tasikmalaya ................. 28
Tabel 4.1 Populasi Awal ....................................................................................... 36
Tabel 4.2 Fungsi Objektif dan Fungsi Fitness Populasi Pertama ......................... 37
Tabel 4.3 Permodelan Proses Seleksi Metode Roda Rollet .................................. 38
Tabel 4.4 Populasi Hasil Proses seleksi pada Populasi Pertama........................... 40
Tabel 4.5 Kromosom Induk dengan Probabilitas Penyilangan 25%..................... 40
Tabel 4.6 Populasi Hasil Proses Penyilangan pada Populasi Pertama .................. 41
Tabel 4.7 Populasi Hasil Proses Mutasi Pada Populasi Pertama .......................... 42
Tabel 4.8 Fungsi Objektif dan Fungsi Fitness Populasi Kedua ............................ 42
Tabel 4.9 Penyelesaian Algoritma Greedy............................................................ 44
Tabel 4.10 Perbandingan Algoritma Genetika dan Algoritma Greedy ................. 50
xi
DAFTAR GAMBAR
Halaman
Gambar 2.1. Seleksi dengan Roullete Wheel .......................................................... 9
Gambar 2.2. Struktur Organisasi........................................................................... 25
Gambar 3.1. Tahapan Penelitian ........................................................................... 27
Gambar 4.1. Lokasi Sekolah Ke-1 ........................................................................ 32
Gambar 4.2. Lokasi Sekolah Ke-2 ........................................................................ 32
Gambar 4.3. Grafik Rute Perjalanan Promosi PMB AMIK BSI Tasikmalaya ..... 37
Gambar 4.4. Ilustrasi Rute Perjalanan Promosi PMB AMIK BSI Tasikmalaya .. 44
Gambar 4.5. Grafik Posisi Koordinat ................................................................... 47
Gambar 4.6. Grafik Fungsi Objektif Generasi Pertama ........................................ 48
Gambar 4.7 Grafik Nilai Fitness Generasi Pertama .............................................. 49
Gambar 4.8 Grafik Fungsi Objektif Generasi Kedua............................................ 50
Gambar 4.9 Grafik Nilai Fitness Generasi Kedua ................................................ 51
xii
BAB I
PENDAHULUAN
1.1 Latar Belakang Penulisan

Terdapat banyak kemungkinan kombinasi rute perjalanan yang dapat
digunakan untuk mengoptimalkan waktu dan biaya perjalanan. Namun demikian,
tidak semua kombinasi rute perjalanan tersebut akan memberikan solusi terbaik.
AMIK Bina Sarana Informatika (BSI) Tasikmalaya merupakan salah satu
kampus di Kota Tasikmalaya. BSI Tasikmalaya menyelenggarakan pendidikan
untuk jenjang d3 dengan jurusan Manajemen Informatika. AMIK BSI
Tasikmalaya ini beralamat di Jl.Tanuwijaya no.4 Tasikmalaya 46113.
Penyelenggarakan kegiatan akademik di AMIK BSI Tasikmalaya tentunya
berpengaruh dari berbagai aspek. Salah satunya adalah jumlah mahasiswa. Jumlah
mahasiswa mempengaruhi keberadaan suatu kampus termasuk AMIK BSI
Tasikmalaya Tentunya diperlukan promosi untuk mendapatkan calon mahasiswa.
Promosi dapat dilakukan dengan berbagai cara, salah satunya dengan promosi
secara langsung mendatangi sekolah-sekolah, pusat keramaian atau pada suatu
acara. Promosi secara langsung dengan mendatangi setiap sekolah sudah menjadi
agenda rutin BSI Tasikmalaya setiap tahun. Sekolah-sekolah yang didatangi
berada di sekitar Kota Tasikmalaya dan Kabupaten Tasikmalaya.
Terdapat banyak kemungkinan dalam menentukan rute perjalanan untuk
mempromosikan BSI Tasikmalaya. Salah satu metode yang dapat digunakan
adalah pendekatan algoritma genetika dan algoritma greedy. Dalam penyelesaian
rute yang efisien, diperlukan sistem dengan metode yang dapat membantu dalam
penentuan rute tercepat. Metode yang digunakan adalah algoritma genetika dan
algoritma greedy.
Terdapat penelitian terdahulu tentang penerapan algoritma genetika
diantaranya penelitian karya Sharma dan Hurana pada tahun 2013 berisikan
kompleksitas metode yang ada tidak layak untuk komputasi jaringan skala besar.
Akibatnya, standar, tradisional, teknik optimasi sering tidak mampu memecahkan
masalah ini, kompleksitas meningkat dengan usaha yang disesuaikan dalam
periode waktu yang dapat diterima. Terdapat penyelesaian dengan menggunakan
1
2
algoritma djikstra, Algoritma Greedy dan Algoritma Genetika. Hasilnya

Algoritma Genetika cocok untuk mengatasi masalah ini, dan untuk
mengembangkan sistem yang dapat memecahkan masalah-masalah yang
kompleks. Penelitian Kustanto pada tahun 2011. Pada penelitian ini masalah
optimasi yang dipilih adalah dalam bidang tansportasi distribusi tabung gas elpiji,
dimana akan dicari optimasi dalam pencarian rute terpendek, waktu tercepat dan
hambatan dalam perjalanan distribusi tabung gas elpiji dari gudang Restu
Ajimanunggal menuju pelanggan dan kembali ke gudang lagi dengan algoritma
Genetika.
Dengan membandingkan algoritma tersebut diharapkan akan diperoleh
optimasi penentuan rute perjalanan yaitu kondisi dimana diperoleh nilai yang
paling optimal untuk penentuan rute terpendek untuk promosi ke sekolah-sekolah
di sekitar Tasikmalaya. Dengan demikian dibuatlah tesis tentang “Analisa
Pencarian Rute Terpendek Untuk Perjalanan Promosi PMB Menggunakan
Algoritma Genetika dan Algoritma Greedy. Studi Kasus pada AMIK BSI
Tasikmalaya”
1.2 Masalah Penelitian

1.2.1 Identifikasi Masalah
Sesuai dengan latar belakang masalah diatas maka dapat diidentifikasi
beberapa masalah pada penentuan Rute terpendek untuk perjalanan promosi PMB
BSI Tasikmalaya diantaranya:
1. Belum terdapatnya rute perjalanan promosi PMB BSI Tasikmalaya
2. Belum ditentukannya posisi koordinat untuk sekolah-sekolah di Kota
Tasikmalaya
3. Menerapkan algoritma genetika pada pencarian Rute terpendek
4. Menerapkan algoritma greedy pada pencarian Rute terpendek
5. Dilakukan perbandingan algoritma genetika dan algoritma greedy untuk
penentuan Rute terpendek
1.2.2 Batasan Masalah
Agar penelitian ini lebih fokus dalam menganalisis masalah, maka
penelitian ini hanya membahas:
Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri

3
1. Algoritma yang digunakan dalam penelitian ini hanya algoritma genetika da

algoritma greedy.
2. Penerapan Algoritma genetika dan algoritma greedy hanya untuk menyusun
penentuan rute terpendek perjalanan promosi PMB AMIK BSI Tasikmalaya
yang menghasilkan rute yang paling optimal
3. Sekolah yang digunakan adalah yang berada di Kota Tasikmalaya
4. Dilakukan perbandingan antara algoritma genetika dan algoritma greedy
dalam pencarian rute yang paling optimal
1.2.3 Rumusan Masalah
Rumusan masalah dalam penelitian ini adalah:
1. Bagaimana konsep dan cara kerja algoritma genetika dalam pencarian rute
perjalanan promosi?
2. Bagaimana konsep dan cara kerja algoritma greedy dalam pencarian rute
perjalanan promosi?
3. Algoritma manakah yang menghasilkan rute perjalanan promosi yang paling
optimal?
1.3 Tujuan dan Manfaat Penelitian

1.3.1 Tujuan Penelitian
Adapun tujuan dari penelitian ini diantaranya adalah sebagai berikut:
1. Untuk mengetahui bagaimana konsep dan cara kerja algoritma genetika
dalam pencarian rute perjalanan promosi.
2 Untuk mengetahui bagaimana konsep dan cara kerja algoritma greedy dalam
pencarian rute perjalanan promosi.
3 Untuk mengetahui algoritma manakah yang menghasilkan rute perjalanan
promosi yang paling optimal?
1.3.2. Manfaat Penelitian
a. Manfaat Praktis
Menghasilkan rute dan nilai yang paling optimal dalam perjalanan promosi
PMB AMIK BSI Tasikmalaya dengan membandingkan dari hasil algoritma
genetika dna algoritma greedy.
b. Manfaat Teoritis

4
Hasil dari penelitian ini merupakan bukti empiris atau hasil dari suatu
percobaan menggunakan algoritma genetika dan algoritma greedy untuk
menyusun penentuan rute perjalanan promosi AMIK BSI Tasikmalaya
1.4. Hipotesis
Hipotesis dari penelitian ini adalah sebagai berikut:
1. Algoritma genetika dapat diterapkan dalam penentuan rute perjalanan
promosi
2. Algoritma greedy dapat diterapkan dalam penentuan rute perjalanan promosi.
1.5. Sistematika Penulisan

Sistematika penulisan dari penelitian ini adalah:
BAB I PENDAHULUAN
Berisi penjelasan tentang latar belakang penulisan, masalah penelitian
yang berisi identifikasi permasalahan, batasan masalah dan rumusan
masalah, tujuan dan manfaat penulisan yang meliputi tujuan penelitian
dan manfaat penelitian, hipotesis serta sistematika penulisan.
BAB II LANDASAN/KERANGKA PEMIKIRAN
Bab ini berisikan tinjauan pustaka yang membahas tentang penjelasan
mengenai berbagai teori yang berkaitan dengan penelitian yaitu
tentang Travelling Salesman Problem dan algoritma genetika,
algoritma greedy. Tinjauan studi yang berisikan hasil penelitian-
penelitian terdahulu yang berkaitan tentang algoritma genetika dan
algoritma greedy. Selain itu dibahas tentang tinjauan objek penelitian
yang membahas tentang tempat penelitian yaitu AMIK BSI
Tasikmalaya
BAB III METODE PENELITIAN
Membahas mengenai tahapan-tahapan penelitian yang dilakukan pada
penelitian ini dan penjelasan dari setiap tahapan-tahapan tersebut.

5
BAB IV HASIL PENELITIAN DAN PEMBAHASAN

Membahas mengenai hasil dari penelitian yang berupa penentuan rute
perjalanan promosi paling optimum dengan menerapkan algoritma
genetika dan algoritma greedy serta hasil perbandingan dari kedua
algoritma tersebut
BAB V PENUTUP
Berisikan kesimpulan dari penelitian dan saran untuk penelitian
selanjutnya.

BAB II
LANDASAN/ KERANGKA PEMIKIRAN
2.1 Tinjauan Pustaka

Traveliing salesman problem merupakan suatu permasalahan dalam
penentuan rute perjalanan seseorang yang diharuskan orang tersebut mengunjungi
suatu tempat dan kembali ke tempat awal. Sama halnya dengan team PMB BSI
Tasikmalaya yang seharusnya mengunjungi sekolah-sekolah di Kota Tasikmalaya
dan kembali ke AMIK BSI Tasikmalaya. Beberapa algoritma yang sering
digunakan dalam penentuan rute optimum adalah algoritma genetika dan
algoritma greedy. Kedua algoritma tersebut dianggap paling sering digunakan
untuk penentuan rute optimum seperti penelitian-penelitian yang telah dilakukan
sebelumnya.
2.1.1. Travelling Salesman Problem
Menurut Dian (2013:2), Travelling Salesman Problem dikatakan ada 2
jenis, yaitu:
1. Travelling Salesman Problem asimetris
Pada Travelling Salesman Problem jenis ini, biaya dari kota 1 ke kota 2 tidak
sama dengan biaya dari kota 2 ke kota 1.
Dengan n kota, besarnya ruang pencarian adalah
n!
= (n − 1)! Rute yang mungkin.
n
2. Travelling Salesman Problem simetris
Sedangkan pada Travelling Salesman Problem jenis simetris, biaya dari kota 1
ke kota 2 adalah sama dengan biaya dari kota 2 ke kota 1. Apabila dengan n
kota, jumlah Rute yang mungkin adalah:
n! (n − 1)!
= Rute yang mungkin.
2n 2
2.1.2. Algoritma Genetika

Menurut Zainudin (2014:17) algoritma genetika merupakan teknik
pencarian yang diadopsi dari proses evolusi alam. Proses komputasi yang terjadi

6
7
dalam algoritma ini analog dengan proses seleksi makhluk hidup dalam sebuah
populasi. Oleh karena itu, proses pencarian dalam algoritma genetika dilakukan
sekaligus atas sejumlah penyelesaian masalah yang mungkin.
Populasi awal dalam algoritma genetika dibentuk secara acak, sedangkan
populasi berikutnya dibentuk oleh operator-operator algoritma genetika selama
beberapa generasi. Generasi berikutnya dibentuk melalui serangkaian proses yang
mirip dengan proses alamiah. Sebagian dari generasi berikutnya dibentuk dari
kromosom-kromosom yang bertahan dari generasi sebelumnya, dan sebagian
lainnya merupakan kromosom-kromosom yang dilahirkan dari kromosom
generasi sebelumnya.
Pada setiap generasi, kromosom-kromosom akan mengalami proses
evaluasi dengan menggunakan alat ukur yang disebut dengan fungsi fitness
(kebugaran). Kromosom-kromosom yang dibentuk dari kromosom generasi
sebelumnya disebut sebagai anak (offspring). Demikian juga dengan pasangan
kromosom generasi sebelumnya juga disebut sebagai induk (parents). Proses
pembentukan anak dari induknya mirip dengan proses reproduksi yang dikenal
dengan istilah penyilangan (cross over). Dalam algoritma genetika juga dikenal
operator yang dapat mengubah gen-gen dalam kromosom yang disebut operator
mutasi (mutation).
Menurut Haupt dan Haupt dalam Zainudin (2014:21), struktur dasar
algoritma genetika terdiri atas beberapa langkah:
a. Inisialisasi populasi.
b. Evaluasi populasi.
c. Seleksi populasi yang akan dikenai operator genetika.
d. Proses penyilangan pasangan kromosom tertentu.
e. Proses mutasi kromosom tertentu.
f. Evaluasi populasi baru.
g. Ulangi dari langkah 3 selama syarat berhenti belum terpenuhi.
1. Pengkodean dalam Algoritma Genetika

Pengkodean merupakan bagian penting dalam algoritma genetika. Proses
ini diperlukan dalam kaitannya dengan peranan kromosom sebagai representasi

8
penyelesaian masalah. Pada prinsipnya, tidak ada aturan khusus mengenai

pengkodean ini, kromosom dapat dirancang dengan kode-kode tertentu, dengan
persyaratan dapat diproses oleh operator-operator genetika, dan merupakan
representasi penyelesaian masalah yang akan dioptimasi.
a. Kode Biner untuk Representasi Bilangan Bulat
Kode biner dapat digunakan untuk merepresentasikan bilangan bulat dengan
mudah jika banyaknya kemungkinan bilangan bulat yang akan
direpresentasikan (p) sebesar pangkat dua bilangan tertentu,misalnya
besarnya p adalah 2,4,8,16 dan seterusnya.
b. Kode Biner untuk Representasi Bilangan Riil
Kode biner juga dapat digunakan untuk merepresentasikan penyelesaian yang
berbentuk bilangan riil. Jika x merupakan bilangan riil di dalam interval xmin
sampai xmax, maka pengkodean biner dapat dilakukan dengan memetakan
biner terendah (00..0) untuk xmin dan biner tertinggi (11..1) untuk xmax.
c. Kode untuk Optimasi Kombinatorial
Optimasi yang melibatkan variabel yang mempunyai sejumlah variasi nilai
yang terbatas. Contohnya masalah optimasi rute perjalanan.
2. Seleksi dalam Algoritma Genetika
Dalam algoritma genetika, Seleksi merupakan proses pemilihan individu
terbaik untuk menjadi calon orang tua yang akan dilakukan proses selanjutnya.
Proses pemilihan tersebut biasanya dipilih berdasarkan probabilitas dari individu
yang terbaik dalam populasi. Individu yang terbaik ditentukan berdasarkan nilai
fitnes masing-masing dari tiap-tiap individu. Adapun langkah-langkah seleksi
sebagai berikut:
1. Pencarian nilai fitness
2. Nilai fitness yang diperoleh digunakan pada tahap seleksi selanjutnya
Ada beberapa metode seleksi yang digunakan pada algoritma genetik yaitu:
1. Roullete wheel
2. (µ + λ)
3. Tournament
4. Steady-state
5. Ranking and scaling

9
6. Sharing
a. Roullete Wheel
Roullete wheel atau juga sering dikenal dengan proportional selection,
dikatakan sebagai proportional selection karena setiap individu dibagi
berdasarkan proporsinya berdasarkan individu, individu yang terbaik akan
mendapatkan proporsi yang lebih besar daripada yang terburuk sehingga
probabilitas individu yang terbaik untuk dipilih lebih besar daripada individu yang
terburuk. Pemilihan individu diibaratkan seperti permainan pada roullete wheel.
Dimana seleksi akan dilakukan dengan cara memutar roda roulete sebanyak
jumlah kromosom yang ada dalam populasi. Calon orang tua dipilih berdasarkan
fitness yang terbaik mendapatkan kesempatan dipilih berulang-ulang. Sedangkan
luas sektor penempatan individu pada roullete wheel dimana akan sebanding
dengan nilai fitness dari masing-masing kromosom.
Gambar 2.1 Seleksi dengan roullete wheel

Berikut ini adalah langkah-langkah dalam pemilihan dengan menggunakan
metode roullete wheel :
1. Hitung total jumlah fitness semua kromosom
2. Hitung probabilitas seleksi tiap-tiap kromosom
3. Hitung probabilitas kumulatif kromosom
4. Berikan nilai random antara [0,1] untuk memilih kromosom
Secara matematis prosedur seleksi dengan roullete wheel dapat dijabarkan
sebagai berikut:

10
1. Total fitness semua kromosom m
T = Total fitness
fX(K) = fungsi fitness tiap individu
k = individu
pop_size = ukuran populasi
2. Probabilitas seleksi tiap kromosom (pk)
pk = probabilitas seleksi tiap kromosom
3. Probabilitas kumulatif
qk= probabilitas kumulatif
4. Hasilkan bilangan random r yang antara [0,1]

5. Jika r ≤ q1 maka pilih kromosom pertama namun kita tidak pilih kromosom
ke-k dimana 2 ≤ k ≤ pop_size sehingga qk-1< r ≤ qk
Dari langkah -langkah diatas ada dua probabilitas yang dipakai. Probabilitas
kumulatif merupakan probabilitas yang nantinya digunakan untuk menentukan
individu mana yang akan terpilih sebagai calon orang tua berdasarkan bilangan
random yang dibangkitkan.
3. Penyilangan dalam Algoritma Genetika
Crossover (perkawinan silang) bertujuan menambah keanekaragaman
stringdalam populasi dengan penyilangan antar-string yang diperoleh
darisebelumnya. Beberapa jenis crossover tersebut adalah:
a. Crossover 1-titik

11
Pada crossover dilakukan dengan memisahkan suatu string menjadi dua bagian
dan selanjutnya salah satu bagian dipertukarkan dengan salah satubagian dari
string yang lain yang telah dipisahkan dengan cara yangsama. Proses yang
demikian dinamakan operator crossover satu titikseperti diperlihatkan pada
tabel 2.1:
Tabel 2.1 Contoh Crossover 1-titik
Kromosom Orangtua 1 11001011
Keturunan 11001111
b. Crossover 2-titik
Proses crossover ini dilakukan dengan memilih dua titik crossover.Kromosom
keturunan kemudian dibentuk dengan barisan bit dari awalkromosom sampai
titik crossover pertama disalin dari orangtua pertama,bagian dari titik crossover
pertama dan kedua disalin dari orangtuakedua, kemudian selebihnya disalin
dari orangtua pertama lagi.
Tabel 2.2 Contoh Crossover 2-titik
Keturunan 11011111
c. Crossover seragam
Crossover seragam manghasilkan kromosom keturunan denganmenyalin bit-bit
secara acak dari kedua orangtuanya.
Tabel 2.3 Contoh Crossover seragam
Keturunan 11011111
4. Mutasi dalam Algoritma Genetika

Mutasi merupakan proses mengubah nilai dari satu atau beberapa gen dalam
suatu kromosom. Operasi crossover yang dilakukan pada kromosom
dengantujuan untuk memperoleh kromosom-kromosom baru sebagai kandidat

12
solusi pada generasi mendatang denganfitness yang lebih baik, dan lama-
kelamaanmenuju solusi optimum yang diinginkan. Akan tetapi, untuk mencapai
hal ini, penekanan selektif juga memegang peranan yang penting. Jika dalam
prosespemilihan kromosom-kromosom cenderung pada kromosom yang
memilikifitnessyang tinggi saja, konvergensi premature, yaitu mencapai solusi
yangoptimal lokal sangat mudah terjadi.
Untuk menghindari konvergensi premature tersebut dan tetap
menjagaperbedaan (diversity) kromosom-kromosom dalam populasi, selain
melakukan penekanan selektif yang lebih efisien, operator mutasi juga dapat
digunakan.Proses mutasi dalam system biologi berlangsung dengan mengubah isi
allelegen pada suatu locus dengan allele yang lain. Proses mutasi ini bersifat
acaksehingga tidak selalu menjamin bahwa setelah proses mutasi akan
diperolehkromosom dengan fitnessyang lebih baik.
Operator mutasi merupakan operasi yang menyangkut satu
kromosomtertentu. Beberapa cara operasi mutasi diterapkan dalam algoritma
genetikmenurut jenis pengkodean terhadap phenotype, antara lain:
a. Mutasi dalam Pengkodean Biner
Mutasi pada pengkodean biner merupakan operasi yang sangatsederhana.
Proses yang dilakukan adalah menginversi nilai bit padaposisi tertentu yang
terpilih secara acak (atau menggunakan skematertentu) pada kromosom, yang
disebut inverse bit.
Tabel 2.4 Contoh Mutasi pada pengkodean biner
Kromosom sebelum mutasi 10010111
Kromosom setelah mutasi 10010011
b. Mutasi dalam Pengkodean Permutasi

Proses mutasi yang dilakukan dalam pengkodean biner denganmengubah
langsung bit-bit pada kromosom tidak dapat dilakukan padapengkodean
permutasi karena konsistensi urutan permutasi harusdiperhatikan. Salah satu
cara yang dapat dilakukan adalah denganmemilih dua posisi (locus) dari
kromosom dan kemudian nilainya salingdipertukarkan.

13
Tabel 2.5 Contoh Mutasi pada pengkodean permutasi

Kromosom sebelum mutasi 123465879
Kromosom setelah mutasi 127465839
c. Mutasi dalam Pengkodean Nilai

Mutasi pada pengkodean nilai hampir sama dengan yang dilakukan
padapengkodean biner, tetapi yang dilakukan bukan menginversi nilai
bit.Penerapannya bergantung pada jenis nilai yang digunakan. Sebagaicontoh
untuk nilai riil, proses mutasi dapat dilakukan seperti yangdilakukan pada
pengkodean permutasi, dengan saling mempertukarkannilai dua gen pada
kromosom.
d. Mutasi dalam Pengkodean Pohon
Mutasi dalam pengkodean pohon dapat dilakukan antara lain dengancara
mengubah operator (+, -, *, /) atau nilai yang terkandung pada suatuverteks
pohon yang dipilih. Atau, dapat juga dilakukan dengan memilihdua verteks
dari pohon dan saling mempertukarkan operator ataunilainya.
5. Parameter Genetik
Pengoperasian algoritma genetik dibutuhkan 4 parameter yaitu:
a. Probabilitas Persilangan (Crossover Probability)
Menunjukkan kemungkinan crossover terjadi antara 2 kromosom. Jika tidak
terjadi crossover maka keturunannya akan sama persis dengan kromosom
orangtua, tetapi tidak berarti generasi yang baru akan sama persis dengan
generasi yang lama. Jika probabilitas crossover 100% maka semua
keturunannya dihasilkan dari crossover. Crossover dilakukan dengan harapan
bahwa kromosom yang baru akan lebih baik.
b. Probabilitas Mutasi (Mutation Probability)
Menunjukkan kemungkinan mutasi terjadi pada gen-gen yag menyusun sebuah
kromosom. Jika tidak terjadi mutasi maka keturunan yang dihasilkan setelah
crossover tidak berubah. Jika terjadi mutasi bagian kromosom akan berubah.
Jika probabilitas 100%, semua kromosom dimutasi. Jika probabilitasnya 0%,
tidak ada yang mengalami mutasi.
c. Jumlah Individu

14
Menunjukkan jumlah kromosom yang terdapat dalam populasi (dalam satu

generasi). Jika hanya sedikit kromosom dalam populasi maka algoritma
genetika akan mempunyai sedikit variasi kemungkinan untuk melakukan
crossover antara orangtua karena hanya sebagian kecil dari search space yang
dipakai. Sebaliknya jika terlalu banyak maka algoritma genetika akan berjalan
lambat.
d. Jumlah Populasi
Menentukan jumlah populasi atau banyaknya generasi yang dihasilkan,
digunakan sebagai batas akhir proses seleksi, persilangan dan mutasi.
2.1.3. Algoritma Greedy

Menurut Efendi (2015:9) Algoritma Greedy merupakan metode yang
paling populer untuk memecahkan persoalan optimasi. Greedy sendiri diambil
dari bahasa inggris yang artinya rakus, tamak atau serakah .Prinsip algoritma
greedy adalah: “take what you can get now!”.
Contoh masalah sehari-hari yang menggunakan Prinsip Greedy:
1. Memilih beberapa jenis investasi (penanaman modal)
2. Mencari Rute tersingkat dari Bandung ke Surabaya
3. Memilih jurusan di Perguruan Tinggi
4. Bermain kartu remi
Algoritma Greedy membentuk solusi langkah per langkah (step by step).
Terdapat banyak pilihan yang perlu dieksplorasi pada setiap langkah solusi. Oleh
karena itu, pada setiap langkah harus dibuat keputusan yang terbaik dalam
menentukan pilihan. Keputusan yang telah diambil pada suatu langkah tidak dapat
diubah lagi pada langkah selanjutnya.
Persoalan optimasi (optimization problems) adalah persoalan yang menuntut
pencarian solusi optimum. Persoalan optimasi ada dua macam: Maksimasi
(maximization) dan Minimasi (minimization) Solusi optimum (terbaik) adalah
solusi yang bernilai minimum atau maksimum dari sekumpulan alternatif solusi
yang mungkin. Elemen persoalan optimasi: kendala (constraints) dan fungsi
objektif (atau fungsi optimasi) Solusi yang memenuhi semua kendala disebut

15
solusi layak (feasible solution). Solusi layak yang mengoptimumkan fungsi

optimasi disebut solusi optimum.
Skema Umum Algoritma Greedy Persoalan optimasi dalam konteks
Algoritma Greedy disusun oleh elemen-elemen sebagai berikut:
1. Himpunan kandidat, C. Himpunan ini berisi elemen-elemen pembentuk
solusi. Pada setiap langkah, satu buah kandidat diambil dari himpunannya.
2. Himpunan solusi, S. Merupakan himpunan dari kandidat-kandidat yang
terpilih sebagai solusi persoalan. Himpunan solusi adalah himpunan bagian
dari himpunan kandidat.
3. Fungsi seleksi - dinyatakan sebagai predikat SELEKSI – merupakan fungsi
yang pada setiap langkah memilih kandidat yang paling mungkin untuk
mendapatkan solusi optimal. Kandidat yang sudah dipilih pada suatu langkah
tidak pernah dipertimbangkan lagi pada langkah selanjutnya.
4. Fungsi kelayakan (feasible) – dinyatakan dengan predikat LAYAK –
merupakan fungsi yang memeriksa apakah suatu kandidat yang telah dipilih
dapat memberikan solusi yang layak, yakni kandidat tersebut bersama-sama
dengan himpunan solusi yang sudah terbentuk tidak melanggar kendaara
yang ada.
5. Fungsi obyektif, merupakan fungsi yang memaksimumkan atau
meminimumkan nilai solusi. Kita berharap optimum global merupakan solusi
optimum dari persoalan. Namun, adakalanya optimum global belum tentu
merupakan solusi optimum (terbaik), tetapi dapat merupakan solusi sub-
optimum atau pseudo-optimum.
Hal ini dapat dijelaskan dari dua faktor berikut:
1. Algoritma Greedy tidak beroperasi secara menyeluruh terhadap semua
alternatif solusi yang ada.
2. Pemilihan fungsi SELEKSI: fungsi SELEKSI biasanya didasarkan pada
fungsi obyektif (fungsi SELEKSI bisa saja identik dengan fungsi obyektif).
Jika fungsi SELEKSI tidak identik dengan fungsi obyektif, kita harus
memilih fungsi yang tepat untuk menghasilkan nilai yang optimum. Karena
itu, pada sebagian masalah Algoritma Greedy tidak selalu berhasil

16
memberikan solusi yang benarbenar optimum. Tetapi, Algoritma Greedy

pasti memberikan solusi yang mendekati (approximation) nilai optimum.
2.2 Tinjauan Studi

2.2.1. Penelitian Terdahulu
Terdapat penelitian-penelitian terdahulu mengenai algoritma genetika dan
algoritma greedy. Beberapa penelitian terdahulu yang membahas mengenai
implementasi Algoritma Genetika dan algoritma greedy pada suatu kasus adalah
penelitian oleh Sharma dan Hurana pada tahun 2013 berisikan kompleksitas
metode yang ada tidak layak untuk komputasi jaringan skala besar. Akibatnya,
standar, tradisional, teknik optimasi sering tidak mampu memecahkan masalah
ini, kompleksitas meningkat dengan usaha yang disesuaikan dalam periode waktu
yang dapat diterima. Terdapat penyelesaian dengan menggunakan algoritma
djikstra, Algoritma Greedy dan Algoritma Genetika. Hasilnya Algoritma Genetika
cocok untuk mengatasi masalah ini, dan untuk mengembangkan sistem yang dapat
memecahkan masalah-masalah yang kompleks.
Selain itu penelitian karya Kustanto pada tahun 2011. Pada penelitian ini
masalah optimasi yang dipilih adalah dalam bidang tansportasi distribusi tabung
gas elpiji, dimana akan dicari optimasi dalam pencarian rute terpendek, waktu
tercepat dan hambatan dalam perjalanan distribusi tabung gas elpiji dari gudang
Restu Ajimanunggal menuju pelanggan dan kembali ke gudang lagi dengan
algoritma Genetika. Tujuan dari penelitian ini mengimplementasikan algoritma
Genetika dalam menentukan optimasi rute distribusi tabung gas elpiji di PT. Restu
Ajimanunggal Surakarta. Penelitian ini dilakukan dengan cara merancang model
graf sistem distribusi tabung gas elpiji sesuai dengan data yang diperoleh,
kemudian dari graf tersebut diberi bobot masing-masing berupa jarak dan
kecepatan standar penggunaan jalan antar simpul. Selanjutnya dihitung dan
disimulasikan oleh komputer untuk mendapatkan rute optimal sistem distribusi
tabung gas elpiji dengan menggunakan algoritma Genetika. Penelitian ini
menghasilkan informasi berupa waktu komputasi algoritma Genetika, nama-nama
jalan sebagai rute distribusi tabung gas elpiji yang disertai hambatan perjalanan
yang ada, jarak total tempuh perjalanan dan waktu tempuh total perjalanan

17
distribusi tabung gas elpiji dari gudang menuju pelanggan dan kembali lagi ke
gudang PT. Restu Ajimanunggal Surakarta yang disertai animasi rute optimal.
Berdasarkan hasil pengujian terlihat bahwa algoritma Genetika dapat
menghasilkan rute mendekati optimal dalam kasus sistem distribusi tabung gas
elpiji dibandingkan dengan hasil pencarian algoritma Greedy, algoritma Dijkstra
dan rute optimal rutinitas seorang driver PT. Restu Ajimanunggal Surakarta
sendiri.
Pada penelitian Al-Dulaimi & Ali tahun 2008 algoritma genetika
digunakan untuk menyelesaikan permasalahan TSP. Di mana TSP merupakan
permasalahan NP-Complete yang dikodekan dalam bentuk genetik. Algoritma
genetika digunakan untuk menentukan rute optimal dengan menghitung matriks
jarak Euclidean antar kota-kota yang akan dikunjungi dan urutan kota yang dipilih
secara acak sebagai populasi awal. Generasi baru dibuat secara berulang-ulang
sampai rute optimal dicapai. Aulia Fitrah, Achmad Zaky, dan Fitrasani pada tahun
2006 melakukan penelitian yang dapat disimpulkan adalah Algoritma Genetika
akan menghasilkan solusi yang lebih optimal. Kelebihan Algoritma Genetika
dibandingkan metode pencarian konvensional pada TSP yaitu pertama, solusi
dapat diperoleh kapanpun karena solusi dihasilkan pada generasi ke berapapun,
kedua, algoritma genetika tidak harus membutuhkan waktu yang lama karena
tidak semua kemungkinan dicoba, tergantung pada kriteria berakhirnya.
Buku yang berjudul Algoritma Genetika Metode Komputasi Evolusioner
Untuk Menyelesaikan Masalah Optimasi karangan Zainudin Zukhri penerbit andi
tahun 2014. Buku ini membahas tentang dasar-dasar algoritma genetika,
penggunaan algoritma genetika pada masalah optimasi dengan kendala, aplikasi
sederhana algoritma genetika. Selain itu dibahas aplikasi algoritma genetika pada
berbagai bidang dan implementasinya dalam bahasa C++.
Penelitian oleh Dwi Aries Suprayogi, Wayan Firdaus Mahmudy,
Muhammad Tanzil Furqon dari Program Teknologi Informasi dan Ilmu
Komputer, Universitas Brawijaya. Isi kjurnal tersebut adalah dalam sistem
optimasi rute antar jemput laundry menggunakan Algoritma Genetika jumlah
generasi yang optimum adalah 2000 generasi dengan rata-rata nilai fitnessadalah
0.002. Kombinasi probabilitas crossover dan mutasi yang terbaik pada penelitian

18
ini adalah probabilitas crossover 0.4 dan probabilitas mutasinya adalah 0.6 dengan
rata-rata nilai fitness0.00223. Dalam sistem optimasi rute antar jemput laundry
menggunakan Algoritma genetika jumlah populasi yang optimal adalah sebanyak
80 populasi dengan rata-rata nilai fitness adalah 0.00223.
2.2.2. Perbedaan Penelitian

Perbedaan dari masing-masing penelitian dapat dilihat pada tabel berikut:
Tabel 2.6. Perbedaan Penelitian
No Peneliti Tahun Perbedaan
1 Akshata, 2013 Menitik beratkan pada penyebab
Vasudha dan terbesar dari masalah Algoritma
Tanupriya Genetika pada masalah travelling
salesman problem
2 Kustanto 2013 Algoritma yang dibandingkan adalah 3
buah Algoritma yaitu algoritma Greedy,
genetika dan djiktra. Hasilnya
Algoritma Genetika yang hasilnya
paling optimal
2 Al-Dulaimi 2008 Terletak dari cara perhitungan dan
dan Ali matriks yang digunakan untuk
pencarian rute optimal
3 Fitrah, A. 2006 Menggunakan algoritma yang lain yaitu
,Zaky, A., algoritma greddy dan algoritma brute
Fitrasani force untuk menjadikan pembanding
dengan algoritma genetika
4 Zukhri 2014 lebih berfokus tentang pengenalan dan
konsep tentang algoritma genetika
sedangkan pada penelitian ini berfokus
pada pencarian rute yang optimal
dengan dilakukan percobaan
memaanfaatkan sebuah aplikasi.

19
5 Ahmed 2010 Pembahasan mengenai penggunaan

metode sequential constructive
crossover pada tahapan persilangannya.
6 Suprayogi, 2014 uji coba membandingkan metode
D., seleksi roulette wheel dan metode
Mahmudi, seleksi elitis, uji coba untuk
W., menentukan banyaknya generasi yang
Furqon,M optimal untuk proses algoritma genetika
TSP – TW, uji coba untuk mencari
kombinasi probabilitas mutasi dan
probabilitas crossover yang terbaik
untuk menyelesaikan permasalahan
TSP-TW, uji coba untuk menentukan
banyaknya populasi yang optimal untuk
proses algoritma genetika TSP – TW.
2.3. Tinjauan Organisasi/ Objek Penelitian

2.3.1. Tinjauan Organisasi
Akademi Manajemen Informatika dan Komputer (AMIK) BSI
Tasikmalaya mulai berdiri Tahun 2004 dengan awalnya Tiga Program Studi
yaitu, Program Studi Manajemen Informatika D-III, Program Studi Teknik
Informatika D-I, dan Program Studi Komputer Akuntansi D-I, AMIK BSI
Tasikmalaya ini kelanjutan dari Akademi Manajemen Informatika dan Komputer
(AMIK) Sukapura yang berdiri Tahun 1992 di bawah naungan Yayasan Sukapura.
AMIK Sukapura awalnya manajemennya baik dari tahun ke tahun
sebelumnya dengan ketiga program studi tersebut di atas yaitu Program Studi
Manajemen Informatika D-III, Program Studi Teknik Informatika D-I, Program
Studi Komputer Akuntansi D-I, di saat tahun 1999 – 2003 mulai merosot drastis
sehingga mahasiswanya hampir tidak ada sama sekali dan akhirnya tidak bisa
berjalan. Dengan manajemen seperti itu akhirnya AMIK Sukapura diambil alih
manajemennya oleh Bina Sarana Informatika mulai tahun 2004. Dengan promosi

20
yang signifikan yaitu melalui brosur, spanduk, media elektronik, stiker, baligho,
presentasi melalui sekolah-sekolah akhirnya AMIK BSI mulai bangkit. Diawal
penerimaan mahasiswa/wi yaitu tahun 2004 setelah adanya pengambil alihan
AMIK Sukapura ke AMIK BSI telah merekrut mahasiswa 64 calon mahasiswa/i.
Selanjutnya dari tahun ke tahun terus ada peningkatan sehingga sampai saat
ini sudah mengeluarkan 680 orang mahasiswa/i yang bekerja di beberapa intitusi.
Seiring dengan perjalanan dari tahun ke tahun yaitu Tahun 2009 ada suatu aturan
yang menerangkan bahwa untuk Program D-I dimasukkan kedalam pendidikan
non formal sehingga untuk Program D-I yang ada di AMIK BSI
Tasikmalaya itu ditiadakan/dihapus, dan mulai Tahun 2010 di AMIK BSI
Tasikmalaya tidak menerima mahasiswa untuk Program D-I. Yang ada sampai
sekarang itu hanya satu Program Studi Manajemen Informatika D-III.
Seperti halnya Perguruan Tinggi yang lainnya Akademi Manajemen
Informatika dan Komputer BSI Tasikmalaya berfungsi mengembangkan
kemampuan dan membentuk watak serta peradaban bangsa yang bermartabat
dalam rangka mencerdaskan kehidupan bangsa, bertujuan untuk berkembangnya
potensi peserta didik agar menjadi manusia yang beriman dan bertakwa kepada
Tuhan Yang Maha Esa, berakhlak mulia, sehat, berilmu, cakap kreatif, mandiri
dan menjadi warga negara yang demokratis serta bertanggung jawab. “
Di bawah naungan Yayasan Bina Sarana Informatika merupakan
panggilan tugas yang awalnya adalah ikut serta mencerdaskan kehidupan bangsa,
menyediakan lapangan pekerjaan baru bagi masyarakat luas pada umumnya, dan
mengembangkan pendidikan komputer baik formal maupun informal yang
terjangkau bagi masyarakat luas.
Kepercayaan Pemerintah dan masyarakat di Tasikmalaya khususnya
semakin besar kepada BSI segera diimbangi dengan upaya-upaya penting seperti
penyempurnaan kurikulum, rekrutmen tenaga pengajar, perbaikan sistem
administrasi, manajemen, peningkatan sarana dan prasarana belajar mengajar
dengan menggunakan DLP (Digital Liquid Projector), ruangan ber AC,
Soundsystem dan Multimedia, Komputer 1 kelas satu komputer. Berdasarkan
Rencana Induk Pengembangan Yayasan Bina Sarana Informatika yang saat ini

21
sudah membangun kampus milik sendiri di Jl. Tanuwijaya Empang Sari Tawang
No. 4 Tasikmalaya.
Visi dan Misi

Berikut visi dan misi dari AMIK BSI Tasikmalaya:
VISI
Menjadi institusi pendidikan yang berbasis Teknologi dan Informasi
MISI
Menyelenggarakan pendidikan yang berbasis Teknologi dan Informasi dan
biaya terjangkau dan mutu yang baik
Berikut struktur organisasi dari AMIK BSI Tasikmalaya:

YAYASAN
BINA SARANA INFORMATIKA
SENAT AKADEMIK
DIREKTUR
BINA SARANA INFORMATIKA
PUDIR I PUDIR II PUDIR III

BIDANG AKADEMIK BIDANG KEUANGAN BIDANG KEMAHASISWAAN
LPMI
BAAK BAKU BTI BTR
AMIK BSI ASM BSI ABA BSI AKOM BSI AKPAR BSI AMK BSI
KETUA KETUA KETUA KETUA KETUA KETUA
JURUSAN JURUSAN JURUSAN JURUSAN JURUSAN JURUSAN
KOMPUTERIA MANAJEMEN
SEKRETARIS BAHASA PUBLIC PERHOTELAN
SI AKUNTANSI PERPAJAKAN
INGGRIS RELATION
MANAJEMEN USAHA AKUNTANSI
MANAJEMEN ADMINISTRAS BAHASA CINA BROADCASTI WISATA
INFORMATIK I NG
A
TEKNIK ADVERTISING
KOMPUTER
TEKNIK
Gambar 2.2.Susunan Organisasi Akademik
(Sumber: Bina Sarana Informatika)
Keterangan:
LPMI = Lembaga Penjamin Mutu Internal
BAAK = Biro Adiministrasi Akademik Kemahasiswaan
BAKU = Biro Administrasi Keuangan dan Umum

22
BTI = Biro Teknologi dan Informasi

BTR = Biro Training and Recruitment
2.3.2. Objek Penelitian

a. Rute
Rute merupakan jarak atau arah yang harus ditempuh, Pada setiap
perusahaan rute merupakan hal yang sangat penting hal ini berkaitan dengan
perjalanan marketing perusahaan dalam menyampaikan barang/Jasa. Rute
Optimum sangat dibutuhkan oleh perusahaan agar terbentuk efektif dan efektifitas
baik dalam segi waktu dan Biaya. Penelitian ini akan berfokus Pencarian rute
optimum perjalanan yaitu rute yang memiliki jarak tempuh terpendek dan waktu
tempuh tercepat dengan membandingkan Algoritma Genetika dan Algoritma
Greedy, sehingga nanti akan terlihat dari kedua algoritma tersebut mana yang
menghasilkan rute yang paling Optimum.
b. Google map
Google Maps adalah layanan pemetaan web yang dikembangkan oleh
Google. Layanan ini memberikan citra satelit, peta jalan, panorama 360°, kondisi
lalu lintas, dan perencanaan rute untuk bepergian dengan berjalan kaki, mobil,
sepeda (versi beta), atau angkutan umum. Google Maps dimulai sebagai program
desktop C++, dirancang oleh Lars dan Jens Eilstrup Rasmussen pada Where 2
Technologies. Pada Oktober 2004, perusahaan ini diakuisisi oleh Google, yang
diubah menjadi sebuah aplikasi web. Setelah akuisisi tambahan dari perusahaan
visualisasi data geospasial dan analisis lalu lintas, Google Maps diluncurkan pada
Februari 2005. Layanan ini menggunakan Javascript, XML, dan AJAX. Google
Maps menawarkan API yang memungkinkan peta untuk dimasukkan pada situs
web pihak ketiga, dan menawarkan penunjuk lokasi untuk bisnis perkotaan dan
organisasi lainnya di berbagai negara di seluruh dunia. Google Map
Maker memungkinkan pengguna untuk bersama-sama mengembangkan dan
memperbarui pemetaan layanan di seluruh dunia.

23
c. Data Objek Penelitian

Terdapat banyak sekali sekolah di Kota dan Kabupaten Tasikmalaya, akan
tetapi pada penelitian ini hanya mengambil SMA yang berada di Kota
Tasikmalaya. Berikut daftar SMA yang berada di Tasikmalaya:
Tabel 2.7 Daftar SMA di Kota Tasikmalaya
No Nama Sekolah
1 SMAN 1 TASIKMALAYA
11 SMA SILIWANGI
12 SMA TERPADU RIYADLUL ULUM
13 SMA ANGKASA
14 SMA BPK PENABUR
15 SMA PERWARI
16 SMA PASUNDAN
17 SMA SANTIYAMA
18 SMA AL MUTTAQIN FULL DAY SCHOOL
Masing-masing sekolah tersebut berada di lokasi yang berbeda-beda. Ada

yang berdekatan dan ada pula yang jauh jaraknya antar sekolah satu dengan yang
lainnya. Dengan demikian dicarilah rute optimum agar tim promosi BSI
Tasikmalaya dapat mengunjungi sekolah-sekolah tersebut dengan waktu
seminimal mungkin.

24
Tabel 2.8 Daftar Sekolah dan Alamat Sekolah di Kota Tasikmalaya

No Nama Sekolah Alamat
1 SMA ANGKASA JL. Garuda No. 26 Kota Tasikmalaya
2 SMA BPK PENABUR Jl. Selakaso No. 63 Tasikmalaya
3 SMAN 1 TASIKMALAYA Jl. Rumah Sakit No. 28 Tasikmalaya
Jl. Karikil Kp. Cibuyut Batu Lempar
Tasikmalaya
5 SMAN 2 TASIKMALAYA JL.RE.Martadinata no.261 Tasikmalaya
6 SMAN 3 TASIKMALAYA JL. Letkol Basir Surya No 89
Jl. Letkol RE. Djaelani Cilembang
Tasikmalaya
8 SMAN 5 TASIKMALAYA Jl.Tentara Pelajar No.58
JL.CIBUNGKUL
9 SMAN 6 TASIKMALAYA SUKAMAJUKALER INDIHIANG
TASIKMALAYA
Jalan Air Tanjung No.25 Kawalu
Tasikmalaya
11 SMAN 8 TASIKMALAYA Jalan Mulyasari No. 03
12 SMAN 9 TASIKMALAYA Jalan Leuwidahu No.61 Tasikmalaya
13 SMA PASUNDAN Jl. R. Dewi Sartika No. 18 Tasikmalaya
14 SMA PERWARI Jalan SKP N0.7 Sukasari Tasikmalaya
15 SMA SANTIYAMA Jl. Kapten Naseh Blk. No. 08
Jalan Sapta Marga No.54 .A
16 SMA SILIWANGI
Tasikmalaya
SMA TERPADU Komplek Pesantren Condong
17
RIYADLUL ULUM Setianagara Cibeureum
SMA AL MUTTAQIN Jalan Jendral Ahmad Yani no.140
18
FULL DAY SCHOOL Tasikmalaya Sukamanah Cipedes
Berdasarkan tabel 2.8 diatas maka terdapat 19 sekolah dengan alamat yang
berbeda-beda namun masih berada di Kota Tasikmalaya.

25
d. Lokasi Tempat Riset

Masing-masing sekolah mempunyai alamat yang berbeda-beda. Untuk
mengetahui posisi dari masing-masing sekolah digunakan alat bantu dengan
menggunakan google map. Jumlah sekolah yang dicari posisi/ lokasinya
berjumlah 18 dan posisi awal untuk rute promosi berada Bina Sarana Informatika
sehingga lokasinya menjadi 19 titik. Berikut gambar google map untuk lokasi-
lokasi tersebut:
Gambar 2.3 Lokasi sekolah ke-1
Gambar 2.4 Lokasi sekolah ke-2
Gambar-gambar diatas adalah lokasi dari 18 sekolah yang akan dikunjungi

oleh AMIK BSI Tasikmalaya. Dikarenakan pada google map terbatas hanya bisa

26
mencari 10 lokasi pada satu peta maka digambarkan dengan dua buah peta yang
masing-masing peta memiliki 9 buah sekolah. Berikut nama-nama sekolah
tersebut:
Tabel 2.9 Daftar Sekolah Peta Ke-1
Keterangan Nama Sekolah
A BINA SARANA INFORMATIKA
B SMAN 1 TASIKMALAYA
C SMAN 2 TASIKMALAYA
D SMAN 3 TASIKMALAYA
E SMAN 4 TASIKMALAYA
F SMAN 5 TASIKMALAYA
G SMAN 6 TASIKMALAYA
H SMAN 7 TASIKMALAYA
I SMAN 8 TASIKMALAYA
J SMAN 9 TASIKMALAYA
Tabel 2.10 Daftar Sekolah Peta Ke-2

Keterangan Nama Sekolah
A BINA SARANA INFORMATIKA
B SMAN 10 TASIKMALAYA
C SMA SILIWANGI
D SMA TERPADU RIYADLUL ULUM
E SMA ANGKASA
F SMA BPK PENABUR
G SMA PERWARI
H SMA PASUNDAN
I SMA SANTIYAMA
J SMA AL MUTTAQIN FULL DAY SCHOOL
Berdasarkan tabel-tabel diatas maka telah diketahui letak posisi untuk

masing-masing sekolah di Kota Tasikmalaya. Untuk posisi awal berada di AMIK

27
BSI Tasikmalaya. Apabila digambarkan dengan posisi koordinat maka didapat

posisi untuk masing-masing sekolah adalah seperti pada tabel 2.11 di bawah ini:
Tabel 2.11 Posisi Koordinat Sekolah di Kota Tasikmalaya

NO NAMA SEKOLAH POSISI X POSISI Y
1. SMAN 1 TASIKMALAYA 57 35
11. SMA SILIWANGI 60 15
12. SMA TERPADU RIYADLUL ULUM 70 7
13. SMA ANGKASA 80 30
14. SMA BPK PENABUR 50 20
15. SMA PERWARI 83 40
16. SMA PASUNDAN 78 45
17. SMA SANTIYAMA 65 57
18. SMA AL MUTTAQIN FULL DAY SCHOOL 85 65

28
Rute perjalanan promosi PMB AMIK BSI Tasikmalaya dimulai dari

AMIK BSI Tasikmalaya kemudian menuju sekolah-sekolah yang terdekat dan
harus kembali lagi ke AMIK BSI Tasikmalaya setelah semua sekolah dikunjungi.
Dengan demikian untuk penggambaran posisi koordinat AMIK BSI Tasikmalaya
dan sekolah-sekolah di Kota Tasikmalaya dapat dilihat pada tabel 2.12:
Tabel 2.12 Posisi Koordinat AMIK BSI dan Sekolah di Kota Tasikmalaya
NO NAMA SEKOLAH POSISI X POSISI Y
1. BINA SARANA INFORMATIKA 65 50
12. SMA SILIWANGI 60 15
13. SMA TERPADU RIYADLUL ULUM 70 7
14. SMA ANGKASA 80 30
15. SMA BPK PENABUR 50 20
16. SMA PERWARI 83 40

29
17. SMA PASUNDAN 78 45
18. SMA SANTIYAMA 65 57
19. SMA AL MUTTAQIN FULL DAY SCHOOL 85 65
Maka sesuai dengan titik koordinat tersebut, penggambaran posisinya

digambarkan pada grafik yang dapat dilihat pada gambar 2.5.
Gambar 2.5 Grafik Rute Perjalanan Promosi PMB AMIK BSI Tasikmalaya

BAB III
METODOLOGI PENELITIAN
3.1. Tahapan Penelitian

Tahapan-tahapan yang dilakukan dalam penelitian ini dapat dilihat pada
gambar 3.1 di bawah ini
Studi Pustaka dan Perumusan Masalah
Pengumpulan Data Sekolah di Kota Tasikmalaya

sebagai data yang akan diteliti
Menentukan Posisi Sekolah Pada Google Map dan

menentukan Koordinat X dan Y
Algoritma Genetika Algoritma Greedy
Inisialisasi Populasi Awal Menentukan Node Awal

dan Node Tujuan
Evaluasi Populasi
Menentukan kandidat
Perkawinan Silang
Menentukan Kandidat
Solusi
Mutasi
Menentukan Solusi
Terpilih
Rute Optimum
Perbandingan Algoritma
Hasil Perbandingan
Gambar 3.1 Tahapan Penelitian
30
31
3.2. Penjelasan Tahapan Penelitian

Berdasarkan tahapan-tahapan penelitian yang dilakukan seperti pada
gambar 3.1 maka penjelasannya adalah sebagai berikut:
1. Studi pustaka dan perumusan masalah
Pada tahapan yang pertama ini adalah melakukan studi pustaka yaitu
dengan mencari bahan-bahan yang terkait dengan penelitian ini yaitu dari
berbagai sumber. Diantaranya dari buku-buku yang berkaitan dengan algoritma
genetika dan algoritma greedy, dari jurnal-jurnal penelitian terdahulu yang
membahas tentang algoritma genetika dan algoritma greedy yang diterapkan pada
suatu kasus. Selain itu studi pustaka dilakukan dari tesis penelitian yang
membahas tentang penerapan algoritma genetika dan algoritma greedy yang
diterapkan pada suatu kasus. Setelah itu dilakukan perumusan masalah.
Perumusan masalah ini digunakan sebagai awal dari penelitian. Perumusan
masalah pada penelitian ini intinya adalah bagaimana tim PMB BSI Tasikmalaya
dapat melakukan promosi ke sekolah-sekolah yang berada di Kota Tasikmalaya
tetapi dengan waktu yang paling optimal dengan menentukan rute yang paling
optimal.
2. Pengumpulan data sekolah yang berada di Kota Tasikmalaya
Sekolah-sekolah yang akan dikunjungi oleh tim promosi AMIK BSI
Tasikmalaya adalah sekolah yang hanya berada di Kota Tasikmalaya. Satu persatu
sekolah tersebut di data mulai dari nama sekolah, alamat dan letak posisi sekolah
tersebut. Telah didapatkan 18 buah sekolah yang berada di Kota Tasikmalaya. 18
sekolah tersebut memiliki lokasi yang berbeda-beda. Letaknya ada yang
berdekatan dan adapula yang berjauhan.
3. Menentukan posisi sekolah pada google map dan menentukan koordinat x dan
y
Letak dari masing-masing sekolah tersebut berbeda-beda. Telah
didapatkan alamat dan letak dari masing-masing sekolah yang berada di Kota
Tasikmalaya. Untuk mengetahui secara jelas posisi sekolah tersebut maka
menggunakan bantuan google map. Google Maps adalah layanan pemetaan
web yang dikembangkan oleh Google. Layanan ini memberikan citra satelit, peta
jalan, panorama 360°, kondisi lalu lintas, dan perencanaan rute untuk bepergian

32
dengan berjalan kaki, mobil, sepeda (versi beta), atau angkutan umum. Google
Maps dimulai sebagai program desktop C++, dirancang oleh Lars dan Jens
Eilstrup Rasmussen pada Where 2 Technologies. Pencarian lokasi dan
penggambaran lokasi sekolah-sekolah yang berada di Kota Tasikmalaya dapat
dilihat dengan menggunakan google map ini akan tetapi kita hanya bisa membuat
peta rute perjalanan tersebut terbatas hanya 10 lokasi/ titik saja. Dengan demikian
karena jumlah sekolahnya adalah 18 buah dan harus digambarkan awal dan akhir
rute yaitu AMIK BSI Tasikmalaya maka pencarian dan penggambaran rute
tersebut dibagi ke dalam dua buah gambar google map. Titik-titik lokasi pada
google map tersebut dapat dilihat dan diamati. Setelah itu titik-titik tersebut
diimplementasikan dan digambarkan pada sumbu koordinat yang nantinya lokasi
AMIK BSI Tasikmalaya dan sekolah-sekolah yang dikunjungi mempunyai titik
koordinat pada sumbu x dan pada sumbu y. Titik koordinat tersebut nantinya akan
digunakan untuk implementasi algoritma genetika dalam penentuan rute yang
optimum.
4. Penerapan algoritma genetika
Pencarian rute yang optimal dalam perjalanan promosi AMIK BSI
Tasikmalaya ke sekolah-sekolah digunakan dengan menggunakan algoritma
genetika. Berikut alur dari penyelesaian algoritma genetika tersebut:

33
Gambar 3.2 Alur Penyelesaian Algoritma Genetika

Menurut Haupt dan Haupt dalam Zainudin (2014:21), struktur dasar
algoritma genetika terdiri atas beberapa langkah:
a. Inisialisasi populasi.
b. Evaluasi populasi.
c. Seleksi populasi yang akan dikenai operator genetika.
d. Proses penyilangan pasangan kromosom tertentu.
e. Proses mutasi kromosom tertentu.
f. Evaluasi populasi baru.
g. Ulangi dari langkah 3 selama syarat berhenti belum terpenuhi.
Setelah tahapan-tahapan pada algoritma genetika dilakukan maka nantinya kan
diperoleh populasi baru untuk generasi kesekian kali sesuai yang akan dilakukan
dan populasi baru tersebut memiliki kromosom yang nilainya paling optimal yang
didapat dari hasil evaluasi, seleksi, penyilangan dan mutasi.
5. Penerapan algoritma greedy
Selain algoritma genetika maka diterapkan juga algoritma greedy pada
kasus penentuan rute yang paling optimum dalam perjalanna promosi AMIK BSI

34
Tasikmalaya. Menurut Efendi (2015:9) Algoritma Greedy merupakan metode

yang paling populer untuk memecahkan persoalan optimasi. Greedy sendiri
diambil dari bahasa inggris yang artinya rakus, tamak atau serakah .Prinsip
algoritma greedy adalah: “take what you can get now!”.
Algoritma Greedy membentuk solusi langkah per langkah (step by step).
Terdapat banyak pilihan yang perlu dieksplorasi pada setiap langkah solusi. Oleh
karena itu, pada setiap langkah harus dibuat keputusan yang terbaik dalam
menentukan pilihan. Keputusan yang telah diambil pada suatu langkah tidak dapat
diubah lagi pada langkah selanjutnya.
Apabila rute tersebut dicari dengan menggunakan algoritma greedy maka
cara kerjanya adalah:
1) Tentukan node awal dan node tujuan
2) Lakukan berulang-ulang:
a. Menentukan kandidat: periksa semua sisi yang terhubung langsung dengan
node awal
b. Menentukan kandidat solusi
• Pilih sisi dengan bobot yang paling kecil
• Hitung panjang lintasan sementara
c. Menentukan solusi terpilih
• Cek node akhir <> node tujuan
• set node awal = node akhir terpilih
3) Lakukan tahap no. 2 sampai node tujuan ketemu.
6. Melakukan perbandingan algoritma
Setelah kedua algoritma tersebut diterapkan pada kasus rute perjalanan tim
BSI Tasikmalaya dalam kegiatan promosi AMIK BSI Tasikmalaya maka
dilakukan perbandingan dari kedua algoritma tersebut. Perbandingan tersebut di
dapat dari hasil penerapan algoritma genetika dan algoritma greedy. Perbandingan
yang dilakukan bisa dari beberapa aspek. Bisa dilihat dari langkah-langkah yang
digunakan, hasil yang didapat dari masing-masing algoritma dan kelebihan
kekurangan dari masing-masing algoritma tersebut.
7. Hasil perbandingan kedua algoritma

35
Hasil perbandingan kedua algoritma tersebut bisa dijadikan acuan untuk

menentukan algoritma mana yang lebih cocok diterapkan pada kasus rute
perjalanan promosi AMIK BSI Tasikmalaya ke sekolah-sekolah yang berada di
Kota Tasikmalaya. Masing-masing algoritma tersebut sebenarnya sudah memiliki
hasil rute yang paling optimum yang didapatkan setelah menerapkan masing-
masing algoritma. Setelah didapat algoritma mana yang lebih cocok maka didapat
pula hasil rute perjalanan promosi AMIK BSI Tasikmalaya.

BAB IV
HASIL PENELITIAN DAN PEMBAHASAN
4.1. Penerapan Algoritma Genetika

4.1.1. Inisialisasi Populasi Awal
Sesuai dengan tabel yang telah dijelaskan sebelumnya maka dapat
ditentukan individu yang menyatakan urutan Rute Promosi PMB AMIK BSI
Tasikmalaya yang dinyatakan dalam nilai integer 1 sampai dengan 19 sebanyak
20 gen dengan ketentuan 19 gen urutan tempat dan 1 gen terakhir merupakan
duplikat dari gen pertama karena promosi PMB AMIK BSI Tasikmalaya dimulai
dari AMIK BSI Tasikmalaya kemudian menuju sekolah-sekolah dan kembali ke
AMIK BSI Tasikmalaya dengan demikian gen no 1 yaitu AMIK BSI Tasikmalaya
akan disebut kembali diakhir. Maka populasi awal yang dibangkitkan secara acak
dari sejumlah individu/ kromosom yang ada dapat dilihat pada tabel 4.1 di bawah
ini:
Tabel 4.1 Populasi Awal
No V
1 1 12 9 2 13 7 8 17 15 6 4 19 5 10 11 14 16 18 3 1
2 1 6 17 14 5 10 9 11 13 3 16 19 2 18 4 15 12 8 7 1
3 1 10 12 9 4 19 2 17 15 8 11 18 3 6 7 13 16 14 5 1
4 1 8 2 4 12 16 19 7 11 9 10 18 17 14 6 5 15 13 3 1
5 1 3 5 11 6 13 4 10 19 15 9 2 17 8 7 16 12 14 18 1
6 1 4 5 2 18 15 7 12 9 6 10 19 11 17 14 16 8 3 13 1
7 1 13 10 7 4 18 17 12 14 11 15 2 19 3 16 5 6 9 8 1
8 1 8 18 3 6 15 2 16 14 17 19 9 7 4 10 5 13 12 11 1
9 1 10 6 3 8 11 9 5 15 18 4 14 2 17 13 7 12 19 16 1
10 1 12 4 9 6 10 3 2 5 19 17 7 8 15 13 16 18 11 14 1
4.1.2. Evaluasi Populasi

Proses evaluasi merupakan proses untuk menghitung nilai fitness yang
menyatakan tingkat kualitas kromosom sebagai representasi penyelesaian
masalah. Fungsi fitness harus dipetakan dari fungsi objektifnya. Berikut tahapan
dan rumus dalam proses evaluasi dalam permasalahan rute promosi:
36
37
a. Dekode setiap representasi kromosom vi menjadi fi. Untuk mendapatkan nilai fi

perlu dihitung jarak antar kota satu dengan yang lain dengan menggunakan
persamaan jarak Euclidean berikut:
dab = ( xa − xb) 2 + ( ya − yb )2
b. Hitung nilai fungsi fitness untuk setiap kromosom berdasarkan rumus:
1
eval(v) =
f (v )
Berdasarkan rumus diatas maka dapat diketahui nilai fitness untuk masing-
masing populasi yang telah dibangkitkan secara acak sesuai dengan tabel 4.1
adalah:
Tabel 4.2 Fungsi Objektif dan Fungsi Fitness untuk Populasi Pertama
No f(v) eval (v)
1 1252,0 0,000798
2 1384,2 0,000723
3 1139,8 0,000807
4 1044,0 0,000958
5 1425,3 0,000702
6 1118,1 0,000894
7 1163,5 0,000859
8 1233,2 0,000811
9 1361,1 0,000735
10 1221,2 0,000819
Nilai f(v) didapat dari penjumlahan dari rumus dekode setiap representasi
kromosom vi menjadi fi untuk masing-masing lokasi. Nilai x dan y tersebut sesuai
dengan posisi dari masing-masing lokasi sesuai pada tabel 2.12. contoh
perhitungannya adalah:

38
Untuk kromosom pertama:

1 12 9 2 13 7 8 17 15 6 4 19 5 10 11 14 16 18 3 1
dab = ( xa − xb) 2 + ( ya − yb )2
( x1 − x12)2 + ( y1 − y12) 2 ) + ( x12 − x 9) 2 + ( y12 − y 9) 2

+
( x 9 − x 2)2 + ( y 9 − y 2) 2 ) + ( x 2 − x13) 2 + ( y 2 − y13) 2

+
( x13 − x 7) 2 + ( y13 − y 7 ) 2 ) + ( x 7 − x8) 2 + ( y 7 − y 8) 2

+
( x8 − x17) 2 + ( y 8 − y17) 2 ) + ( x17 − x15) 2 + ( y17 − y15)2

+
( x15 − x 6) 2 + ( y15 − y 6) 2 ) + ( x 6 − x 4) 2 + ( y 6 − y 4)2

+
( x 4 − x19) 2 + ( y 4 − y19) 2 ) + ( x19 − x 5) 2 + ( y19 − y 5) 2

+
( x5 − x10) 2 + ( y 5 − y10) 2 ) + ( x10 − x11) 2 + ( y10 − y11)2

+
( x11 − x14) 2 + ( y11 − y14)2 ) + ( x14 − x16) 2 + ( y14 − y16) 2

+
( x16 − x18) 2 + ( y16 − y18) 2 ) + ( x18 − x 3) 2 + ( y18 − y 3) 2

+
( x3 − x1)2 + ( y 3 − y1) 2 )
Maka hasilnya adalah = 1252,0
Kemudian dihitung nilai fungsi fitnessnya untuk masing-masing fungsi objektif
sesuai dengan rumus yang telah dijelaskan sebelumnya. Berdasarkan perhitungan
yang telah dilakukan maka penyelesaian terbaik sementara adalah yang didapat
dari kromosom ke-4 yang menghasilkan jarak total sebesar 1044,0 dan nilai
fitnessnya adalah 0,000958.
4.1.3. Seleksi Populasi
Seleksi merupakan proses dalam Algoritma Genetika untuk memilih
kromosom yang tetap bertahan dalam populasi. Seleksi ini dilakukan dengan
melibatkan nilai fungsi fitness yang telah didapat sebelumnya untuk masing-
masing kromosom. Seleksi populasi ini menggunakan metode Roda Rollet.
Metode seleksi roulette wheel (roda rollet) ini merupakan metode yang paling

39
sederhana serta paling banyak digunakan, dan sering juga dikenal dengan nama
stochastic sampling with replacement. Pada metode ini, orangtua dipilih
berdasarkan nilai fitnessnya, semakin baik nilai fitnessnya maka semakin besar
kemungkinannya untuk terpilih. Pemodelan proses seleksi dengan metode roda
rollet tersebut dapat dilihat pada tabel 4.3 di bawah ini.
Tabel 4.3 Pemodelan Proses Seleksi dengan Metode Roda Rollet
i
eval(vi) ∑ ev al ( v j )
j =1
Hasil
10
No eval(vi) ∑ ev al ( v j ) 10
r
j =1 ∑ ev al ( v j ) Seleksi
j =1
1 2 3 4 5 6
1 0,000798 0,098446 0,098446 0,4172 4
2 0,000723 0,089193 0,187639 0,8231 9
3 0,000807 0,099556 0,287195 0,1628 2
4 0,000958 0,118184 0,405379 0,7405 8
5 0,000702 0,086602 0,491981 0,3160 4
6 0,000894 0,110289 0,60227 0,5648 6
7 0,000859 0,105971 0,708241 0,8021 9
8 0,000811 0,100049 0,80829 0,2121 3
9 0,000735 0,090674 0,898964 0,4071 5
10 0,000819 0,101036 1,000000 0,3563 4
Pada Tabel 4.3 tersebut menggunakan perhitungan dengan menggunakan

fungsi fitness yang telah dihitung sebelumnya. Kemudian masing-masing fungsi
fitness tersebut dibagi dengan jumlah dari semua fungsi fitness yang ada. Jumlah
dari fungsi fitness tersebut adalah 0,008106. Maka hasilnya dapat dilihat pada
kolom ke-3. Nilai r pada kolom ke-5 adalah bilangan random yang dibangkitkan
secara acak. Sesuai dengan hasil seleksi pada kolom terakhir maka kromosom ke-
1, kromosom ke-7 dan kromosom ke-10 tidak bertahan dalam populasi. Akan
tetapi kromosom dengan fungsi fitness terbesar mendominasi populasi yaitu

40
kromosom ke-4 dengan nilai fitness sebesar 0,000958. Kromosom hasil seleksi ini
yang akan dikenai operator-operator algoritma genetika. Populasi baru hasil dari
proses seleksi yang telah dilakukan dapat dilihat pada tabel 4.4 di bawah ini.
Posisi dari kromosom tersebut berubah sesuai dengan hasil seleksi yang telah
dilakukan.
Tabel 4.4 Populasi Hasil Proses Seleksi pada Populasi Pertama
No V
1 1 8 2 4 12 16 19 7 11 9 10 18 17 14 6 5 15 13 3 1
2 1 10 6 3 8 11 9 5 15 18 4 14 2 17 13 7 12 19 16 1
3 1 6 17 14 5 10 9 11 13 3 16 19 2 18 4 15 12 8 7 1
4 1 8 18 3 6 15 2 16 14 17 19 9 7 4 10 5 13 12 11 1
5 1 8 2 4 12 16 19 7 11 9 10 18 17 14 6 5 15 13 3 1
6 1 4 5 2 18 15 7 12 9 6 10 19 11 17 14 16 8 3 13 1
7 1 10 6 3 8 11 9 5 15 18 4 14 2 17 13 7 12 19 16 1
8 1 10 12 9 4 19 2 17 15 8 11 18 3 6 7 13 16 14 5 1
9 1 3 5 11 6 13 4 10 19 15 9 2 17 8 7 16 12 14 18 1
10 1 8 2 4 12 16 19 7 11 9 10 18 17 14 6 5 15 13 3 1
4.1.4. Perkawinan Silang

Hasil dari proses seleksi tersebut kemudian dilakukan operator penyilangan.
Terlebih dahulu dilakukan pemilihan pasangan induk kromosom. Untuk
menentukan kromosom induk ini maka ditentukan terlebih dahulu probabilitas
penyilangan dan pembangkitan bilangan random. Kromosom yang dinyatakan
sebagai kromosom induk apabila bilangan random tersebut kurang dari
probabilitas penyilangan. Pemilihan kromosom induk tersebut tergantung dari
besar probabilitas penyilangannya. Hasil pemilihan kromosom induk dengan
probabilitas penyilangan sebesar 25% dapat dilihat pada tabel 4.5 di bawah ini:
Tabel 4.5 Kromosom Induk dengan Probabilitas Penyilangan 25%
I R Kromosom Induk
1 0,18728 √
2 0,79282 -
3 0,29092 -
4 0,19091 √

41
5 0,40040 -
6 0,30920 -
7 0,68880 -
8 0,12345 √
9 0,87890 -
10 0,14590 √
Berdasarkan hasil dari pemilihan kromosom induk dengan operator

penyilangan sebesar 25% maka kromosom induk yang terpilih adalah kromosom
1,4,8,dan 10. Kromosom-kromosom tersebut yang akan dilakukan penyilangan.
Kromosom 1 dengan kromosom 4 dan kromosom 8 dengan kromosom 10.
Populasi yang dilakukan penyilangan tersebut adalah populasi baru yang telah
dilakukan seleksi. Maka populasi baru yang telah dikenai operator penyilangan
dapat dilihat pada tabel 4.6 di bawah ini.
Tabel 4.6 Populasi Hasil Proses Penyilangan pada Populasi Pertama
No V
1 1 8 18 4 12 16 19 7 11 9 2 17 14 10 6 5 15 13 3 1
2 1 10 6 3 8 11 9 5 15 18 4 14 2 17 13 7 12 19 16 1
3 1 6 17 14 5 10 9 11 13 3 16 19 2 18 4 15 12 8 7 1
4 1 8 2 3 6 15 18 16 14 17 19 9 7 4 10 5 13 12 11 1
5 1 8 2 4 12 16 19 7 11 9 10 18 17 14 6 5 15 13 3 1
6 1 4 5 2 18 15 7 12 9 6 10 19 11 17 14 16 8 3 13 1
7 1 10 6 3 8 11 9 5 15 18 4 14 2 17 13 7 12 19 16 1
8 1 10 12 9 4 19 2 17 15 8 11 18 3 6 7 13 16 14 5 1
9 1 3 5 11 6 13 4 10 19 15 9 2 17 8 7 16 12 14 18 1
10 1 8 16 12 14 19 7 11 2 10 9 4 17 18 6 5 15 13 3 1
4.1.5. Mutasi
Kromosom-kromosom yang sudah dilakukan operator penyilangan tersebut
selanjutnya dilakukan mutasi. Gen-gen yang akan dilakukan mutasi adalah dipilih
secara acak/ random dari bilangan yang dibangkitkan secara acak. Pemilihan gen
tersebut dilakukan sejumlah gen dalam populasi yaitu 190 kali yang berasal dari
jumlah gen dikali jumlah kromosom yaitu 19 gen x 10 kromosom.

42
Sebelumnya kita tentukan terlebih dahulu probabilitas mutasinya (Pm).

Probabilitas mutasinya adalah 1%. Maka gen yang dilakukan mutasi adalah
0,01x190 = 1,9 dibulatkan menjadi 2 yang artinya terdapat 2 buah gen yang
dilakukan mutasi. Misalkan setelah kita bangkitkan bilangan acak terpilih posisi
gen 33 dan 186 yang mengalami mutasi. Kemudian gen tersebut dilakukan
mutasi. Setelah itu letak gen tersebut ditukar letaknya dengan gen yang lain yang
berada pada kromosom yang sama. Setelah proses mutasi selesai dilakukan maka
hasilnya pada tabel 4.7 di bawah ini.
Tabel 4.7 Populasi Hasil Proses Mutasi pada Populasi Pertama
No V
1 1 8 18 4 12 16 19 7 11 9 2 17 14 10 6 5 15 13 3 1
2 1 10 6 3 8 11 4 5 15 18 9 14 2 17 13 7 12 19 16 1
3 1 6 17 14 5 3 10 9 11 13 16 19 2 18 4 15 12 8 7 1
4 1 8 2 3 6 15 18 16 14 17 19 9 7 4 10 5 13 12 11 1
5 1 8 2 4 12 16 19 7 11 9 10 18 17 14 6 5 15 13 3 1
6 1 4 5 2 18 15 7 12 9 6 10 19 11 17 14 16 8 3 13 1
7 1 10 6 3 8 11 9 5 15 18 4 14 2 17 13 7 12 19 16 1
8 1 10 12 9 4 19 2 17 6 8 11 18 3 15 7 13 16 14 5 1
9 1 3 5 11 6 13 4 10 19 15 9 2 17 8 7 16 12 14 18 1
10 1 8 16 12 14 19 7 11 2 10 9 4 17 18 6 5 15 13 3 1
Setelah semua proses dilakukan maka fungsi objektif dan fungsi fitness
untuk populasi baru atau generasi kedua dapat dilihat pada tabel 4.8 di bawah ini
Tabel 4.8 Fungsi Objektif dan Fungsi Fitness untuk Populasi Kedua
No f(v) eval (v)
1 1196,7 0,000835
2 1244,2 0,000804
3 1217,9 0,000821
4 1137,9 0,000879
5 1043,9 0,000958
6 1118,1 0,000894

43
7 1361,1 0,000735
8 1441,7 0,000694
9 1424,5 0,000702
10 1144,1 0,000874
Berdasarkan fungsi objektif dan fungsi fitness yang dihasilkan pada generasi
kedua maka nilai yang dianggap paling optimal adalah kromosom ke-5 dengan
nilai 1043,9 dan nilai fitnessnya adalah 0,000958. Terlihat perbedaan dengan
generasi pertama nilainya lebih optimal yang sebelumnya 1044,0.
4.2. Penerapan Algoritma Greedy
Gambar 4.1 Ilustrasi Rute Perjalanan Promosi PMB AMIK BSI Tasikmalaya
Gambar diatas merupakan ilustrasi dari rute perjalanan promosi apabila
dilakukan secara urut dari AMIK BSI Tasikmalaya menuju sekolah-sekolah yang
akan tetapi rute tersebut belum tentu optimal. Apabila rute tersebut dicari dengan
menggunakan algoritma greedy maka cara kerjanya adalah:
1. Tentukan node awal dan node tujuan
2. Lakukan berulang-ulang:

44
a. Menentukan kandidat: periksa semua sisi yang terhubung langsung dengan

node awal
b. Menentukann kandidat solusi
1) Pilih sisi dengan bobot yang paling kecil
2) Hitung panjang lintasan sementara
c. Menentukan solusi terpilih
1) Cek node akhir <> node tujuan
2) set node awal = node akhir terpilih
3. Lakukan tahap no. 2 sampai node tujuan ketemu.
Pencarian rute promosi PMB AMIK BSI Tasikmalaya ke sekolah-sekolah di
Tasikmalaya berawal dari node A yaitu AMIK BSI Tasikmalaya ke node
tujuannya kembali ke A lagi.
Tentukan node awal : A
Tentukan node tujuan : A
Penyelesaian rute perjalanan promosi dengan algoritma greedy bisa dicoba
dengan langkah-langkah pada tabel 4.9 di bawah ini:
Tabel 4.9 Penyelesaian Algoritma Greedy
Looping Menentukan Kandidat Jalur Terpilih Solusi Terpilih
A-B = 567 m
A-F = 920 m Jalur : A-R
1 R
A-R = 410 m
A-Q = 820 m
R-J = 810 m
R-F = 620 m Jalur : R-F
2 F
R-Q = 820 m
R-S = 1530m
F-B = 420 m Jalur : F - B

3 B
F-I = 470 m
4 B-I = 760 m Jalur : B-I I

45
I-C = 2050 m
Jalur : I - J
5 I-E = 1780 m J
I-J = 1560 m
6 J-C= 1005 m Jalur : J-C C
7 C-G= 1040 m Jalur : C-G G
8 G-E= 4032 m Jalur : G-E E
E-O= 3210 m
9 E-H= 3970 m Jalur : E-O O
E-K= 3860 m
10 O-L= 523 m Jalur : O-L L
11 L-M= 678 m Jalur : L-M M
12 M-H= 2870 m Jalur : M-H H
13 H-K= 2907 m Jalur : H-K K
14 K-D= 5632 m Jalur : K-D D
15 D-N= 367 m Jalur : D-N N
16 N-P= 443 m Jalur : N-P P
17 P-Q= 515 m Jalur : P-Q Q
18 Q-S= 1007 m Jalur : Q-S S
19 S-A= 1920 m Jalur : S-A A
Berdasarkan tabel diatas maka rute terpendek yang dapat dilalui dengan
menggunakan algoritma greedy adalah:
A-R-F-B-I-J-C-G-E-O-L-M-H-K-D-N-P-Q-S-A
Atau

46
1-18-6-2-9-10-3-7-5-15-12-13-8-11-4-14-16-17-19-1
410 + 620 + 420 + 760 + 1560 + 1005 + 1040 + 4032 + 3210 +523 + 678
+ 2870 + 2907 + 5632 + 367 + 443 + 515 + 1007 + 1920 = 29.919 m =
29,919 km
4.3. Hasil Percobaan

Percobaan yang dilakukan untuk mencari rute terpendek dari promosi PMB
AMIK BSI Tasikmalaya ke sekolah-sekolah yang berada di Kota Tasikmalaya
yaitu menggunakan bantuan aplikasi Matlab 7.5.0. Dengan memanfaatkan
aplikasi Matlab ini maka dapat dibuat grafik diantaranya untuk mengetahui grafik
posisi AMIK BSI dan sekolah-sekolah di Kota Tasikmalaya, grafik untuk
mengetahui fungsi objektif pada generasi pertama, grafik nilai fitness generasi
pertama, grafik fungsi objektif generasi kedua, grafik nilai fitness generasi kedua.
Grafik yang menggambarkan posisi AMIK BSI dan sekolah-sekolah di Kota
Tasikmalaya dapat dilihat pada gambar 4.2. Posisi yang diambil berdasarkan nilai
koordinat fungsi x dan y sesuai dengan letak masing-masing tempat tersebut.
Gambar 4.2 Grafik Posisi Koordinat AMIK BSI dan Sekolah-Sekolah di Kota
Tasikmalaya

47
Sesuai dengan nilai fungsi objektif pada generasi pertama maka dapat
dilihat hasilnya pada gambar 4.3 di bawah ini. Terlihat kromosom ke 4 paling
rendah dan kromosom ke 5 paling tinggi. Nilai kromosom ke-4 adalah 1044,0
sedangkan kromosom ke-5 adalah 1425,3.
Gambar 4.3 Grafik Fungsi Objektif Generasi Pertama

Sedangkan untuk nilai fitness pada generasi pertama dapat dilihat pada
gambar 4.4 di bawah ini. Seperti yang terlihat pada grafik tersebut maka
kromosom ke-4 yang mempunyai nilai tertinggi sedangkan kromosom ke-5 yang
mempunyai nilai terendah. Kromosom ke-4 mempunyai nilai 0,000958 sedangkan
kromosom ke-5 mempunyai nilai 0,000702. Dengan demikian kromosom ke-4
adalah kromosom yang paling kuat untuk tetap bertahan dalam populasi.

48
Gambar 4.4 Grafik Nilai Fitness Generasi Pertama

Berbeda dengan hasil dari generasi pertama, maka setelah dilakukan seleksi
dan dikenai operator genetika yaitu mengalami kawin silang dan mutasi maka
kromosom ke-5 adalah kromosom yang mempunyai nilai terendah dan kromosom
ke-8 mempunyai nilai tertinggi. Untuk sementara kromosom ke-5 yang lebih
unggul dibanding dengan kromosom lain. Kromosom ke-5 mempunyai nilai
1043,9 sedangkan kromosom yang mempunyai nilai tertingi adalah kromosom ke-
8 dengan nilai 1441,7. Fungsi objektif dari generasi pertama dan generasi kedua
berbeda nilainya, nilainya akan semakin menurun. Maka semakin banyak generasi
kemungkinan akan menghasilkan kromosom yang lebih rendah. Hasilnya dapat
dilihat pada gambar 4.5 di bawah ini.

49
Gambar 4.5 Grafik Fungsi Objektif Generasi kedua

Pada gambar 4.6 menjelaskan tentang grafik nilai fitness untuk generasi
kedua. Semakin besar nilai fitness maka semakin besar kemungkinan kromosom
tersebut yang lebih unggul dan akan tetap bertahan. Nilai fitness yang paling
tinggi adalah kromosom ke-5 dengan nilai 0,000958 dan kromosom ke-8 adalah
kromosom yang paling rendah dengan nilai 0,000694.

50
Gambar 4.6 Grafik Nilai Fitness Generasi kedua
4.4. Perbandingan Algoritma

Berdasarkan Hasil percobaan untuk menentukan rute perjalanan promosi
PMB AMIK BSI Tasikmalaya ke sekolah-sekolah dengan menggunakan
algoritma genetika dan algoritma greedy maka dapat diperoleh hasil perbandingan
dari kedua algoritma tersebut yang dapat dilihat pada table 4.7 dibawah ini.
Tabel 4.7 Perbandingan Algoritma Genetika dan Algoritma Greedy
No Algoritma Genetika Algoritma Greedy

1. Solusi dapat diperoleh Prinsip pencarian lintasan terpendek
kapanpun memakai fungsi ” Seleksi” dan itu
karena solusi dihasilkan pada berguna untuk menentukan jalan
generasi ke tersingkat untuk menuju suatu
berapapun tempat.Sehingga, kita dapat sampai
tepat waktu menuju tempat tujuan
2. Algoritma genetika tidak harus Hasil analisis berdasarkan bobot-bobot

51
membutuhkan waktu yang yang berbeda, menunjukkan

lama karena tidak semua bahwa semakin banyak bobot yang
kemungkinan dicoba, diberikan, maka semakin akurat pula
tergantung pada kriteria datayang dihasilkan. Sehingga
berakhirnya. menghasilkan waktu yang efisien
3. Tidak selalu menemukan Algoritma greedy tidak beroperasi
optimum global yang pasti secara menyeluruh terhadap semua
alternatif solusi yang ada
4. Setiap generasi kita bisa Pemilihan fungsi SELEKSI: Mungkin
memperoleh solusi saja terdapat beberapa fungsi SELEKSI
yang berbeda, sehingga kita harus memilih
fungsi yang tepat jika kita ingin algoritma
bekerja dengan benar dan menghasilkan
solusi yang benar-benar optimum.
Karena itu, pada sebagian masalah
algoritma Greedy tidak selalu berhasil
memberikan solusi yang benar-benar
optimum
5. Banyak sekali langkah-langkah Algoritma greedy bukanlah
yang harus dilakukan untuk mendapatkan solusi paling optimum,
memperoleh solusi karena tidak menghitung keseluruhann
dari total nilai yang ada
Dengan demikian hasil yang dapat diperoleh dengan melakukan pencarian

rute perjalanan promosi PMB AMIK BSI Tasikmalaya menggunakan algoritma
genetika dan algoritma greedy adalah algoritma genetika lebih tepat digunakan
untuk pencarian rute tersebut karena menghasilkan beberapa solusi dalam
penentuan rute tersebut. Rute yang diusulkan dengan menggunakan algoritma
genetika adalah
1 8 2 4 12 16 19 7 11 9 10 18 17 14 6 5 15 13 3 1

52
Maka sesuai posisi tersebut dapat dilihat hasil grafiknya pada gambar 4.7 di
bawah ini:
Urutan sekolahnya adalah:
BSI-SMA7-SMA1-SMA3- SILIWANGI-SMA PERWARI-SMA

ALMUTTAQIN-SMA6-SMA10-SMA8-SMA9-SMA SANTIYAMA-SMA
PASUNDAN-SMA ANGKASA-SMA5-SMA4-SMA BPK PENABUR-SMA
RIYADLUL ULUM-SMA 2-BSI

BAB V
PENUTUP
5.1. Kesimpulan
Kesimpulan yang dapat diambil dari penelitian ini adalah:
1. Telah diidentifikasi bahwa permasalahan yang ada pada perjalanan promosi
PMB AMIK BSI adalah penentuan rute perjalanan promosi AMIK BSI yang
paling optimum
2. Metode yang digunakan pada kasus ini adalah algoritma genetika dan
algoritma greedy.
3. Telah dilakukan penerapan Algoritma genetika dan algoritma greedy untuk
menyusun penentuan rute terpendek perjalanan promosi PMB AMIK BSI
Tasikmalaya yang menghasilkan rute yang paling optimal
4. Telah dilakukan perbandingan antara algoritma genetika dan algoritma
greedy dalam pencarian rute yang paling optimal
5. Hasil perbandingan menunjukan bahwa algoritma genetika adalah algoritma
yang lebih pendek untuk menentukan rute perjalanan promosi tersebut
dibanding algoritma greedy.
6. Rute yang optimum berdasarkan peta yang dibuat menggunakan algoritma
genetika adalah
BSI-SMA7-SMA1-SMA3- SILIWANGI-SMA PERWARI-SMA
ALMUTTAQIN-SMA6-SMA10-SMA8-SMA9-SMA SANTIYAMA-SMA
PASUNDAN-SMA ANGKASA-SMA5-SMA4-SMA BPK PENABUR-SMA
RIYADLUL ULUM-SMA 2-BSI
5.2. Saran
Algoritma genetika dan algoritma greedy telah diterapkan dalam penentuan
rute perjalanan promosi PMB akan tetapi ada beberapa hal yang harus
ditambahkan agar hasilnya lebih optimal:
1. Pada penelitian selanjutnya akan dikembangkan dalam menguji ulang model
penelitian dengan menambahkan kemungkinan-kemungkinan yang terjadi.
53
54
2. Untuk menambah ketelitian dan akurasi algoritma, akan lebih baik apabil
dibandingkan dengan algoritma lain.

DAFTAR PUSTAKA
Adewole, P., Akinwale., & Otunbanowo, K. (2011). A Genetic Algorithm for

Solving Travelling Salesman Problem. International Journal of Advanced
Computer Science and Applications,Vol. 2, No.1.
Al-Dulaimi B.F, and Ali H.A., (2008). Enhanced Traveling Salesman Problem
Solving by Genetic Algorithm Technique (TSPGA), World Academy of
Science, Engineering and Technology 38.
Akshata, P.S., Vasudha, Tanupriya. (2013). Open Loop Travelling Salesman

Problem using Genetic Algorithm. International Journal of Innovative
Research in Computer and Communication Engineering Vol. 1, Issue 1.
Dian. (2013). Algoritma Optimasi Untuk Penyelesaian Travelling Salesman

Problem (Optimization Algorithm For Solving Travelling Salesman
Problem). Jurnal Transformatika. Jurusan Teknologi Informasi Fakultas
Teknologi Informasi dan Komunikasi, Universitas Semarang. Volume 11,
No.1, Juli.
Efendi, Ilham. Algoritma Greedy (2015). Diambil dari: http://www.it-
jurnal.com/pengertian-algoritma-greedy/. (21 Juli 2016)
Fitrah, A.,Zaky, A., Fitrasani. (2006). Penerapan Algoritma Genetika pada

Persoalan Pedagang Keliling. Jurnal Program Studi Informatika, Sekolah
Teknik Elektro dan Informatika, Institut Teknologi Bandung.
Kustanto. 2013. Optimasi Rute Distribusi Tabung Gas Elpiji Menggunakan

Algoritma Genetika. Tesis
Suprayogi, D., Mahmudi, W., Furqon,M. (2014). Optimasi Rute Antar Jemput
Laundry dengan Time Windows (TSPTW) Menggunakan Algoritma
Genetika. Jurnal Mahasiswa PTIIK Universitas Brawijaya Volume 3,
Number 12.
Teddy Rachmayadi, T. (2008). Pencarian Solusi TSP (Travelling Salesman

Problem) Menggunakan Algoritma Genetik. Jurnal Teknik Informatika
Institut Teknologi Bandung.
Zukhri, Z.(2014). Algoritma Genetika Metode Komputasi Evolusioner untuk

Menyelesaikan Masalah Optimasi. Yogyakarta: Andi Publishing.
55

1

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

1

Diunggah oleh

Hak Cipta:

Format Tersedia

ANALISA PENCARIAN RUTE TERPENDEK UNTUK

PERJALANAN PROMOSI PMB MENGGUNAKAN

DINI SILVI PURNIA

PROGRAM PASCASARJANA MAGISTER ILMU KOMPUTER

DINI SILVI PURNIA

PROGRAM PASCASARJANA MAGISTER ILMU KOMPUTER

Yang bertanda tangan di bawah ini:

Jakarta, 16 Agustus 2016

Materai Rp. 6.000,-

Dini Silvi Purnia

Penguji II : Dr. Alimudin, MM,MT

Penguji III / : Dr. Dwiza Riana, S.Si,MM,M.Kom

Dini Silvi Purnia

Dini Silvi Purnia

Nama : Dini Silvi Purnia

Sebuah tim promosi yang melakukan promosi-promosi ke sekolah-sekolah dalam

Kata Kunci: algoritma genetika, algoritma greedy, rute Terpendek

Nama : Dini Silvi Purnia

A promotional team are doing promotions to schools in determining travel routes

Key words: genetic algorithm, greedy algorithm, Short route

1.1 Latar Belakang Penulisan

algoritma djikstra, Algoritma Greedy dan Algoritma Genetika. Hasilnya

1.2 Masalah Penelitian

Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri

1. Algoritma yang digunakan dalam penelitian ini hanya algoritma genetika da

1.3 Tujuan dan Manfaat Penelitian

Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri

1.5. Sistematika Penulisan

Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri

LANDASAN/ KERANGKA PEMIKIRAN

2.1 Tinjauan Pustaka

2.1.2. Algoritma Genetika

Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri

1. Pengkodean dalam Algoritma Genetika

Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri

penyelesaian masalah. Pada prinsipnya, tidak ada aturan khusus mengenai

Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri

Gambar 2.1 Seleksi dengan roullete wheel

Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri

1. Total fitness semua kromosom m

2. Probabilitas seleksi tiap kromosom (pk)

pk = probabilitas seleksi tiap kromosom

qk= probabilitas kumulatif

4. Hasilkan bilangan random r yang antara [0,1]

Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri

4. Mutasi dalam Algoritma Genetika

Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri

b. Mutasi dalam Pengkodean Permutasi

Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri

Tabel 2.5 Contoh Mutasi pada pengkodean permutasi

c. Mutasi dalam Pengkodean Nilai

Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri

Menunjukkan jumlah kromosom yang terdapat dalam populasi (dalam satu

2.1.3. Algoritma Greedy

Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri

solusi layak (feasible solution). Solusi layak yang mengoptimumkan fungsi

Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri

memberikan solusi yang benarbenar optimum. Tetapi, Algoritma Greedy

2.2 Tinjauan Studi

Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri

Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri

2.2.2. Perbedaan Penelitian