I. Pendahuluan
Bab ini memperkenalkan latar belakang pemilihan algoritma genetika untuk menyelesaikan permasalahan Travelling Salesman Problem (TSP). Dipaparkan juga perumusan masalah, batasan penelitian, tujuan penelitian, tinjauan pustaka yang relevan, kontribusi penelitian, dan metodologi yang digunakan. Latar belakang menekankan relevansi TSP dalam konteks optimasi dan kemampuan algoritma genetika sebagai pendekatan heuristik untuk mengatasi kompleksitas TSP. Tinjauan pustaka mengkaji literatur-literatur yang membahas algoritma genetika dan aplikasinya dalam TSP, memberikan landasan teoritis bagi penelitian. Metodologi menjelaskan langkah-langkah penelitian secara sistematik, mulai dari pengumpulan data hingga implementasi dan analisis hasil.
1.1 Latar Belakang
Bagian ini membincangkan konteks permasalahan TSP dalam dunia nyata, seperti logistik dan perancangan rangkaian. Ia menerangkan kekurangan pendekatan konvensional dan kelebihan algoritma genetika dalam menangani masalah optimasi kombinatorial yang kompleks seperti TSP. Penjelasan tentang kecerdasan buatan (AI) dan soft computing sebagai bidang kajian yang relevan juga dibentangkan. Relevansi penggunaan Matlab sebagai alat pengkomputeran turut dibincangkan. Dengan menjelaskan latar belakang ini, pembaca dapat memahami relevansi kajian ini dengan dunia pendidikan tinggi, khususnya bagi pelajar yang mengambil jurusan sains komputer atau bidang yang berkaitan.
1.2 Perumusan Masalah
Perumusan masalah menfokuskan pada implementasi algoritma genetika untuk menyelesaikan TSP. Ia menggariskan objektif kajian untuk mencari penyelesaian optimum atau hampir optimum bagi masalah penentuan laluan terpendek yang melibatkan beberapa bandar. Ini menunjukkan keperluan pelajar untuk memahami permasalahan rumusan masalah sebelum memulakan proses penyelesaian masalah. Ia juga menekankan keperluan pelajar untuk mengetahui batasan dan skop kajian.
1.3 Batasan Masalah
Batasan masalah mendefinisikan skop kajian, misalnya dengan menetapkan jumlah bandar yang terlibat dan cara pengiraan jarak antara bandar. Batasan ini penting dalam konteks pendidikan kerana ia menunjukkan proses pengurusan dan pengoptimuman skop kajian, dan juga untuk mengelakkan kajian menjadi terlalu meluas. Ini menguji kebolehan pelajar untuk menguruskan sumber dan masa dalam menjalankan kajian.
1.4 Tujuan Penelitian
Tujuan penelitian secara jelas menyatakan objektif yang ingin dicapai, seperti implementasi algoritma genetika untuk mencari laluan terpendek dalam TSP menggunakan Matlab. Tujuan ini harus spesifik, terukur, dapat dicapai, relevan, dan terikat masa. Ia membimbing pelajar untuk mengenalpasti objektif kajian dan perancangan langkah-langkah untuk mencapai objektif tersebut. Pencapaian objektif ini menunjukkan kejayaan pelajar dalam menguasai konsep dan teknik yang dipelajari.
1.5 Tinjauan Pustaka
Tinjauan pustaka merangkum dan menganalisis karya-karya ilmiah yang berkaitan dengan algoritma genetika dan TSP. Ia menunjukkan pemahaman pelajar terhadap literatur sedia ada dan menghubungkan kajian ini dengan penyelidikan terdahulu. Ia juga menunjukkan bagaimana penyelidikan ini menyumbang kepada perkembangan bidang tersebut. Ini menguji keupayaan pelajar untuk melakukan tinjauan literatur yang komprehensif dan kritis.
1.6 Kontribusi Penelitian
Bahagian ini menerangkan sumbangan kajian ini kepada bidang pengetahuan, seperti menyediakan penyelesaian alternatif bagi masalah TSP dan menambah ilmu pengetahuan pelajar. Ia juga boleh merangkumi implikasi kajian kepada bidang lain atau cadangan penyelidikan lanjut. Ini menunjukkan kemampuan pelajar untuk menilai impak dan relevansi penyelidikan mereka.
1.7 Metodologi Penelitian
Metodologi menerangkan kaedah dan pendekatan yang digunakan dalam kajian ini, termasuk reka bentuk eksperimen, kaedah pengumpulan data, dan analisis data. Ia penting untuk menunjukkan ketelusan dan kebolehpercayaan kajian. Ini menunjukkan kemampuan pelajar untuk merancang dan melaksanakan kajian secara sistematik dan saintifik.
II. Landasan Teori
Bab ini membentangkan teori-teori dan konsep yang mendasari penelitian, termasuk algoritma genetika dan TSP. Penjelasan menyeluruh tentang algoritma genetika diberikan, meliputi sejarah, karakteristik, kelebihan, komponen-komponennya (pendefinisian individu, nilai fitness, seleksi, perkawinan silang, mutasi, elitisme, dan evaluasi solusi), dan mekanisme kerjanya. Konsep TSP dijelaskan secara detail, meliputi definisi, perwakilan grafik, dan kompleksitasnya. Penggunaan Matlab sebagai alat pengkomputeran juga dijelaskan, termasuk sintaks asas dan interaksi fail.
2.1 Algoritma Genetika
Subseksyen ini memberi penerangan terperinci tentang algoritma genetika, termasuk sejarah perkembangannya, ciri-ciri utama, kelebihan berbanding algoritma lain, dan komponen-komponen penting seperti pengkodan kromosom, fungsi kecergasan, operasi pemilihan, persilangan, dan mutasi. Ia juga membincangkan parameter genetik seperti saiz populasi, kadar persilangan, dan kadar mutasi, serta impaknya terhadap prestasi algoritma. Penerangan ini menunjukkan pemahaman pelajar terhadap konsep-konsep asas algoritma genetika dan kegunaannya dalam menyelesaikan masalah pengoptimuman.
2.2 Travelling Salesman Problem (TSP)
Subseksyen ini membincangkan secara mendalam tentang masalah TSP, termasuk definisi, perwakilan graf, dan pelbagai aplikasi di dunia nyata. Ia juga menerangkan kerumitan pengiraan TSP dan mengapa pendekatan heuristik seperti algoritma genetika diperlukan. Pembahasan ini menonjolkan relevansi TSP sebagai masalah pengoptimuman kombinatorial yang penting dan cabaran yang dihadapinya. Ia juga menghubungkan konsep TSP dengan teori graf dan algoritma lain yang berkaitan.
2.3 Matlab 6.1
Subseksyen ini menerangkan penggunaan perisian Matlab dalam melaksanakan algoritma genetika untuk menyelesaikan masalah TSP. Ia memberi tumpuan kepada aspek teknikal seperti sintaks pengaturcaraan, fungsi-fungsi yang berkaitan, dan kaedah pengurusan data. Ini menunjukkan kebolehan pelajar untuk mengaplikasikan pengetahuan pengaturcaraan dalam menyelesaikan masalah pengoptimuman. Penerangan tentang keupayaan Matlab dalam visualisasi data dan analisis juga perlu disertakan.
III. Analisis dan Perancangan Aplikasi
Bab ini menggariskan proses analisis dan reka bentuk aplikasi yang dibangunkan untuk menyelesaikan masalah TSP menggunakan algoritma genetika. Ia menerangkan keperluan input, proses, dan output aplikasi. Reka bentuk perisian termasuklah implementasi algoritma genetika dan diagram alir yang menunjukkan langkah-langkah pengiraan. Analisis keperluan sistem perisian dan perkakasan turut dibincangkan.
3.1 Analisis Kebutuhan
Subseksyen ini menganalisis keperluan-keperluan bagi pembangunan sistem, termasuk input (data bandar dan parameter algoritma genetika), proses (langkah-langkah dalam algoritma genetika), dan output (laluan terpendek dan visualisasi). Ia juga mengenal pasti keperluan perisian (Matlab) dan perkakasan. Ia menunjukkan keupayaan pelajar untuk melakukan analisis keperluan sistem secara sistematik dan komprehensif sebelum memulakan proses pembangunan.
3.2 Perancangan Perangkat Lunak
Subseksyen ini membincangkan reka bentuk perisian, iaitu bagaimana algoritma genetika diimplementasikan dalam Matlab. Ia termasuk penerangan terperinci tentang setiap langkah dalam algoritma, seperti pengekodan kromosom, pemilihan ibu bapa, operasi persilangan dan mutasi, serta kaedah penentuan penyelesaian terbaik. Diagram alir atau pseudocode boleh digunakan untuk menggambarkan langkah-langkah pengiraan dengan lebih jelas. Ia menunjukkan kebolehan pelajar untuk menterjemahkan konsep teori ke dalam reka bentuk perisian yang berfungsi.
IV. Hasil dan Pembahasan
Bab ini membentangkan hasil eksperimen dan analisis terperinci. Ia membincangkan setiap langkah algoritma genetika, termasuk pengkodan kromosom, inisialisasi populasi, penilaian individu, pemilihan roda roulette, persilangan, mutasi, dan penentuan laluan terbaik. Analisis grafik hasil eksperimen turut dibentangkan dan dibincangkan. Ia menunjukkan keupayaan pelajar untuk menganalisis data dan mentafsir hasil eksperimen.
4.1 Pengkodean Kromosom
Penerangan tentang bagaimana data bandar dikodkan sebagai kromosom dalam algoritma genetika. Ini termasuk kaedah pengekodan yang digunakan dan rasionalnya. Ia menunjukkan kebolehan pelajar untuk memilih dan melaksanakan kaedah pengekodan yang sesuai dengan masalah TSP.
4.2 Inisialisasi Populasi
Penjelasan tentang bagaimana populasi awal dijana secara rawak. Ini termasuk kaedah penjanaan rawak yang digunakan dan saiz populasi yang dipilih. Ia menunjukkan kebolehan pelajar untuk menjana populasi awal yang pelbagai dan mewakili ruang penyelesaian.
4.3 Evaluasi Individu
Penerangan tentang bagaimana fungsi kecergasan digunakan untuk menilai setiap individu dalam populasi. Ini termasuk formula fungsi kecergasan yang digunakan dan rasionalnya. Ia menunjukkan kebolehan pelajar untuk memilih dan melaksanakan fungsi kecergasan yang sesuai untuk masalah TSP.
4.4 Roulette Wheel Selection
Penjelasan tentang bagaimana kaedah pemilihan roda roulette digunakan untuk memilih ibu bapa untuk operasi persilangan. Ini termasuk penerangan terperinci tentang mekanisme pemilihan dan kebarangkalian pemilihan setiap individu. Ia menunjukkan kebolehan pelajar untuk melaksanakan kaedah pemilihan yang sesuai untuk algoritma genetika.
4.5 Perkawinan Silang (Crossover)
Penerangan tentang bagaimana operasi persilangan digunakan untuk menghasilkan keturunan baru daripada ibu bapa yang terpilih. Ini termasuk kaedah persilangan yang digunakan dan kadar persilangan yang dipilih. Ia menunjukkan kebolehan pelajar untuk melaksanakan operasi persilangan yang berkesan untuk menghasilkan keturunan yang pelbagai.
4.6 Mutasi
Penjelasan tentang bagaimana operasi mutasi digunakan untuk meningkatkan kepelbagaian dalam populasi. Ini termasuk kaedah mutasi yang digunakan dan kadar mutasi yang dipilih. Ia menunjukkan kebolehan pelajar untuk melaksanakan operasi mutasi yang sesuai untuk masalah TSP.
4.7 Penentuan Jalur Terbaik
Penerangan tentang bagaimana laluan terbaik dikenal pasti daripada populasi akhir. Ini termasuk kriteria yang digunakan untuk menentukan laluan terbaik dan analisis prestasi algoritma. Ia menunjukkan kebolehan pelajar untuk mentafsir hasil dan menilai kejayaan algoritma genetika dalam menyelesaikan masalah TSP.
4.8 Analisa Grafik
Analisis grafik hasil eksperimen, seperti grafik kecergasan purata setiap generasi, untuk menilai prestasi algoritma. Ia menunjukkan kebolehan pelajar untuk memvisualisasikan data dan mentafsir hasil secara grafik. Ini juga menunjukkan pemahaman pelajar tentang konvergensi algoritma dan keupayaannya untuk mengenal pasti parameter optimum.
V. Kesimpulan dan Saran
Bab ini merumuskan kesimpulan kajian dan memberikan saran untuk penyelidikan masa hadapan. Ia meringkaskan penemuan utama dan sumbangan kajian kepada bidang pengetahuan. Saran diberikan berkaitan dengan penambahbaikan algoritma atau kajian lanjut yang boleh dijalankan. Ia menunjukkan keupayaan pelajar untuk menilai hasil kajian dan mencadangkan hala tuju penyelidikan yang lebih lanjut.
5.1 Kesimpulan
Kesimpulan merumuskan penemuan utama kajian, termasuk kejayaan atau kegagalan algoritma genetika dalam menyelesaikan masalah TSP. Ia juga menyatakan implikasi penemuan ini terhadap bidang berkaitan. Ini menunjukkan kebolehan pelajar untuk merumuskan kesimpulan yang tepat berdasarkan hasil kajian.
5.2 Saran
Saran memberikan cadangan untuk penyelidikan atau pembangunan masa hadapan, seperti penambahbaikan algoritma genetika, penggunaan kaedah pengekodan yang berbeza, atau kajian terhadap set data yang lebih besar. Ia juga boleh termasuk cadangan untuk aplikasi praktikal algoritma genetika dalam menyelesaikan masalah TSP di dunia nyata. Ini menunjukkan kebolehan pelajar untuk berfikir secara kritis dan mencadangkan hala tuju penyelidikan yang lebih baik.
