TESIS
TESIS
Diajukan sebagai salah satu syarat untuk memperoleh gelar
Magister Ilmu Komputer (M.Kom)
ii
SURAT PERNYATAAN ORISINILITAS
iii
HALAMAN PENGESAHAN
Tesis ini diajukan oleh:
Nama : Dini Silvi Purnia
NIM : 14001672
Program Studi : Magister Ilmu Komputer
Jenjang : Strata Dua (S2)
Konsentrasi : Management Information System
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
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
v
SURAT PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH
UNTUK KEPENTINGAN AKADEMIS
Yang bertanda tangan di bawah ini, saya:
Nama : Dini Silvi Purnia
NIM : 14001672
Program Studi : Magsiter Ilmu Komputer
Jenjang : Strata Dua (S2)
Konsentrasi : Management Information System
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,
vi
ABSTRAK
vii
ABSTRACT
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
2
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.
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.
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.
T = Total fitness
fX(K) = fungsi fitness tiap individu
k = individu
pop_size = ukuran populasi
3. Probabilitas kumulatif
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
Kromosom Orangtua 2 11011111
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
Kromosom Orangtua 1 11001011
Kromosom Orangtua 2 11011111
Keturunan 11011111
c. Crossover seragam
Crossover seragam manghasilkan kromosom keturunan denganmenyalin bit-bit
secara acak dari kedua orangtuanya.
Tabel 2.3 Contoh Crossover seragam
Kromosom Orangtua 1 11001011
Kromosom Orangtua 2 11011111
Keturunan 11011111
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
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
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.
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
sudah membangun kampus milik sendiri di Jl. Tanuwijaya Empang Sari Tawang
No. 4 Tasikmalaya.
SENAT AKADEMIK
DIREKTUR
BINA SARANA INFORMATIKA
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
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.
Berdasarkan tabel 2.8 diatas maka terdapat 19 sekolah dengan alamat yang
berbeda-beda namun masih berada di Kota Tasikmalaya.
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
2. SMAN 2 TASIKMALAYA 35 75
3. SMAN 3 TASIKMALAYA 80 25
4. SMAN 4 TASIKMALAYA 30 40
5. SMAN 5 TASIKMALAYA 57 43
6. SMAN 6 TASIKMALAYA 20 85
7. SMAN 7 TASIKMALAYA 40 5
8. SMAN 8 TASIKMALAYA 50 50
9. SMAN 9 TASIKMALAYA 53 70
2. SMAN 1 TASIKMALAYA 57 35
3. SMAN 2 TASIKMALAYA 35 75
4. SMAN 3 TASIKMALAYA 80 25
5. SMAN 4 TASIKMALAYA 30 40
6. SMAN 5 TASIKMALAYA 57 43
7. SMAN 6 TASIKMALAYA 20 85
8. SMAN 7 TASIKMALAYA 40 5
9. SMAN 8 TASIKMALAYA 50 50
Gambar 2.5 Grafik Rute Perjalanan Promosi PMB AMIK BSI Tasikmalaya
Evaluasi Populasi
Menentukan kandidat
Perkawinan Silang
Menentukan Kandidat
Solusi
Mutasi
Menentukan Solusi
Terpilih
Rute Optimum
Perbandingan Algoritma
Hasil Perbandingan
30
31
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:
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
36
37
dab = ( xa − xb) 2 + ( ya − yb )2
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:
dab = ( xa − xb) 2 + ( ya − yb )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
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
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
5 0,40040 -
6 0,30920 -
7 0,68880 -
8 0,12345 √
9 0,87890 -
10 0,14590 √
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.
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
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.
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:
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
I-C = 2050 m
Jalur : I - J
5 I-E = 1780 m J
I-J = 1560 m
E-O= 3210 m
9 E-H= 3970 m Jalur : E-O O
E-K= 3860 m
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
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
Gambar 4.2 Grafik Posisi Koordinat AMIK BSI dan Sekolah-Sekolah di Kota
Tasikmalaya
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.
algoritma genetika dan algoritma greedy maka dapat diperoleh hasil perbandingan
dari kedua algoritma tersebut yang dapat dilihat pada table 4.7 dibawah ini.
1 8 2 4 12 16 19 7 11 9 10 18 17 14 6 5 15 13 3 1
Maka sesuai posisi tersebut dapat dilihat hasil grafiknya pada gambar 4.7 di
bawah ini:
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.
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.
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.
55