ISSN : 2302-450X
PROSIDING
PERTEMUAN DAN PRESENTASI KARYA ILMIAH
BALI, 28 JULI 2017
PEMBICARA UTAMA SEMINAR PARALEL DENGAN TEMA
“Internet of Things (IoT) & Big Data : Teknologi, Tantangan dan Peluang”
Dr. Nyoman Putra Sastra, ST.,MT.
Nugroho Gito
PENYUNTING AHLI
Dr. Anak Agung Istri Ngurah Eka Karyawati, S.Si,M.Eng.
Dr. H. Agus Zainal Arifin,S.Kom.,M.Kom.
Dr. I Ketut Gede Suhartana,S.Kom.,M.Kom
Dr.techn. Ahmad Ashari,M.Kom.
PELAKSANA SEMINAR
PELINDUNG
Rektor Universitas Udayana, Bali
PENANGGUNG JAWAB
Dekan Fakultas MIPA Universitas Udayana
Ketua Program Studi Teknik Informatika, FMIPA Universitas Udayana
PANITIA
I Gede Oka Gartria Atitama, S.Kom., M.Kom.
Gst. Ayu Vida Mastrika Giri,S.Kom., M.Cs.
Luh Arida Ayu Rahning Putri, S.Kom.,M.Cs.
Dewa Made Bayu Atmaja Darmawan, S.Kom., M.Cs.
I Putu Gede Hendra Suputra, S.Kom., M.Kom.
I Gede Arta Wibawa,S.T., M.Cs.
I Made Widiartha, S.Si., M.Kom.
I Gusti Agung Gede Arya Kadyanan, S.Kom., M.Kom.
I Gst. Ngurah Anom Cahyadi Putra, S.T., M.Cs.
I Wayan Supriana, S.Si.,M.Cs.
Dra. Luh Gede Astuti, M.Kom
Dr. I Ketut Gede Suhartana, S.Kom.M.Kom
Dr. A.A. I. N. Eka Karyawati, S.Si.,M.Eng.
I Gede Santi Astawa, S.T., M.Cs.
Made Agung Raharja, S.Si., M.Cs.
Ida Bagus Gede Dwidasmara, S.Kom.,M.Cs.
I Komang Ari Mogi, S.Kom., M.Kom.
Ida Bagus Made Mahendra, S.Kom., M.Kom.
KATA PENGHANTAR
Puji syukur kita panjatkan kehadirat Tuhan Yang Maha Esa, atas terselesainya penyusunan
Pro-siding SNATIA 2017 ini. Buku ini memuat naskah hasil penelitian dari berbagai bidang kajian yang telah
direview oleh pakar di bidangnya dan telah dipresentasikan dalam acara Seminar SNATIA tahun 2017
pada tanggal 28 Juli 2017 di Universitas Udayana kampus Bukit Jimbaran, Badung, Bali.
Kegiatan SNATIA 2017 merupakan agenda tahunan Program Studi Teknik Informatika, Jurusan
Ilmu Komputer, Universitas Udayana. SNATIA 2017 mengambil tema “Internet of Things (IoT) & Big
Da-ta : Teknologi, TanDa-tangan dan Peluang” dengan pembicara uDa-tama seminar yang terdiri dari
pakar-pakar peneliti dan pemerhati di bidang Teknologi Informasi, Internet of Things (IoT), dan Big Data.
Meskipun kegiatan seminar dan pendokumentasian naskah dalam prosiding ini telah
dipersiap-kan dengan baik, namun kami menyadari masih banyak kekurangannya. Panitia memohon maaf yang
sebesar-besarnya atas kekurangan yang ada. Kritik dan saran perbaikan sangat kami harapkan untuk
penyempurnaan di masa mendatang, yang dapat dikirimkan melalui e-mail
[email protected].Kepada semua pihak yang terlibat baik langsung maupun tidak langsung dalam penyelenggaraan
sem-inar dan penyusunan proceeding SNATIA 2017, panitia mengucapkan terima kasih.
Jimbaran, 28 Juli 2017
DAFTAR ISI
Kata Pengantar
Daftar Isi
Artificial Intelligence
Penentuan Jalur Distribusi Barang Melalui Jalur Laut Menggunakan Algoritma Genetika
Ketut Adi Praja Putra, I Gede Arta Wibawa ... 1
Penentuan Range Nilai Besaran Fisis Film Hasil Photo Sinar-X Mammografi Jenis C1, C2, C3, C4 dan C5
Tumor Payudara.
Dr. A. A. NGR Gunawan, MT. , Wayan Supardi ... 9
Personal Innovativeness, Social Presence, dan Motivasi Ekstrinsik-Intrinsik dalam Penerimaan Chatbot
Asri
Oktavianus Ken Manungkarjono, Paulus Insap Santosa, Wahyuni R ... 14
Bioinformatics
Implementasi Algoritma Genetika pada Rekomendasi Menu Diet Sehat
Kadek Eliskarini, I Wayan Santiyasa ... 21
Cloud Computing
Implementasi Line Chat Bot Rekomendasi Wisata Menggunakan Platform As A Service
I Made Adi Susilayasa, I Gede Oka Gartria Atitama ... 29
Otomatisasi Pembuatan Tenant, Network, Dan Vm Pada Openstack
I Putu Gede Surya Adiputra Pratama, I Gede Oka Gartria Atitama ... 35
Penerapan Haversine Formula Pada Line Chat Bot Untuk Mencari Lokasi Terdekat Pada Tempat Wisata
Sidin Rahman, I Gede Oka Gartria Atitama ... 41
Penerapan Metode Load Balancing Dengan Algoritma Least Connection Pada Virtual Private Server Cloud
Ida Bagus Rathu Eka Surya Wibawa, I Gede Oka Gartria Atitama ... 48
Computer Vision
Sistem Perhitungan Orang Berbasis Sensor Visual Dalam Lingkup Jaringan Sensor Nirkabel
Control Dan Rocotics
Pemilahan Buah Jambu Air Menggunakan Mikrokontroler ATMega328 Dan Sensor LDR
I Gede Andika, Christina Purnama Yanti ... 59
Perancangan Robot Pendeteksi Panas Berbasis Microcontroller Arduino R3
Bayu Putra Segara, I Gede Arta Wibawa ... 67
Purwa Rupa Pengontrol Mobil Menggunakan Remote Berbasis Controller Board
I Gede Tendy Ariyanto, I Gede Arta Wibawa ... 74
Data Mining
Implementasi Algortima C5.0 untuk Memprediksi Tingkat Kelulusan Mahasiswa Study Kasus Program
Studi Teknik Informatika Universitas Udayana
Kadek Dimas Anggarajaya, I Putu Gede Hendra Suputra ... 81
Klasifikasi Kanker Payudara Dengan K-Nearest Neighbor Dan Principal Component Analysis
I. K Surya Negara, I Made Widiartha ... 87
Penentuan Jurusan Calon Mahasiswa Baru Jurusan Ilmu Komputer FMIPA Universitas Udayana
Berdasar-kan Nilai Akademik MenggunaBerdasar-kan Metode FMADM ELECTRE
Fajar Avianto Zainudin, Agus Muliantara, Ariyady Kurniawan... 92
Database Management
Implementasi Replikasi Basis Data Pada Private Cloud Computing
Gede Ariesta Krisnayana, I Gede Oka Gartria Atitama ... 99
Perancangan Sistem Basis Data Terdistribusi Untuk Pendataan Penduduk Di Wilayah Kecamatan Kuta
Dengan Metode Fragmentasi
Yogi Adi Wardana, I Gusti Agung Gede Arya Kadnyanan ... 106
Decision Support System
Perbandingan Sistem Pendukung Keputusan Pemilihan Mobil Bekas Dengan Metode Analytic Hierarcy
Process Dan Simple Additive Weight
I Gede Oka Sudiatmika ... 113
Sistem Pemetaan Kakak Dan Adik Asuh Dengan Metode Profile Matching Pada Komunitas Kakak Asuh
Bali
Ayu Nikki Asvikarini, I Made Widiartha ... 119
Sistem Pendukung Keputusan Dalam Menentukan Lokasi Pendirian Cabang Minimarket Dengan
Menggunakan Metode Analytic Hierarchy Process (Studi Kasus Minimarket Vidya)
Klasifikasi Musik Berdasarkan Genre Menggunakan Metode K-Nearest Neighbour
Gst Ayu Vida Mastrika Giri ... 217
Information Systems
Analisis Dan Pemetaan Kecocokan Lahan Tanaman Kakao Berbasis Sistem Informasi Geografis (Studi
Ka-sus Kabupaten Jembrana)
I Gede Agus Wahyudi, Made Agung Raharja ... 223
Analisis Dan Pemetaan Sistem Informasi Geografis Daerah Rawan Kebakaran Hutan Dan Lahan Di
Kabu-paten Buleleng
Made Gede Amrita Suastika, Ida Bagus Gede Dwidasmara ... 231
Analisis Dan Perancangan Sistem Informasi Geografis Daerah Rawan Penyebaran Penyakit Demam
Berdarah Dengue Di Kota Denpasar
Ni Made Ayudya Puspanegara, I Gusti Agung Gede Arya Kadyanan ... 238
Analisis Dan Perancangan Sistem Informasi Geografis Kesesuaian Lahan Untuk Tanaman Anggur Di
Ka-bupaten Buleleng
I Gede Eddy Anjasmara Putra, Made Agung Raharja ... 244
Analisis Dan Perancangan Sistem Informasi Geografis Kesesuaian Lahan Untuk Tanaman Jeruk Di
Kabu-paten Gianyar
I Made Teja Geni Astra, Made Agung Raharja ... 250
Analisis Kesesuaian Penambahan Tempat Pembuangan Sementara (Tps) Di Kota Denpasar Menggunakan
Sistem Informasi Geografis
Ni Luh Rika Aryanti, Agus Muliantara ... 258
Analisis Potensi Risiko Tanah Longsor Di Kabupaten Bangli Menggunakan Sistem Informasi Geografis
Anak Agung Sri Yuniawati, Ida Bagus Made Mahendra ... 267
Analisis Potensi Wilayah Rawan Banjir Menggunakan Aplikasi Sistem Informasi Geografis (Studi Kasus
Kota Bima, NTB)
Inggit Srie Hartina, I Wayan Supriana... 274
Aplikasi E-Voting Pemilu Raya Menggunakan Keamanan Secure Hash Algorithm-1 (Sha-1) Berbasis Web
I Komang Juniawan Saputra, I Gede Arta Wibawa ... 282
Aplikasi Mobile Hybrid Pencarian Rute Optimum Taksi Menggunakan Algoritma Dijkstra
A. A. Gde Ari Sudana, Made Agung Raharja, I Gede Santi Astawa ... 291
Desain Model Mapping Schema Data Center Pada Central Data Warehouse (Big Data) Untuk Mendukung
Integrasi Pelayanan Pasien Rujukan Asuransi Terdistribusi
Pengujian Tranfromasi Wavelet Haar Dalam Kompresi Citra Digital
Andrianus Putut Bagus Triwiyono, I Gede Arta Wibawa ... 305
Perancangan Aplikasi E-Template Surat Berbasis Web
A. A. Ngurah Agung Permana Agustara, I Komang Ari Mogi ... 310
Perancangan Aplikasi Pengaduan Mahasiswa (Udayana Motion) Berbasis Mobile
I Putu Yuda Juniantara Putra, I Gusti Ngurah Anom Cahyadi Putra ... 316
Rancang Bangun Dan Analisa Aplikasi Pengumpulan Point TAK Berbasis Android (Primakara GO)
Indra Oktava Rospita, I Putu Satwika ... 322
Rancang Bangun Sistem Rekomendasi Wisata Di Bali Menggunakan Metode Profile Matching
Wira Maharddhika Pradnyanna, I Made Widiartha ... 327
Sistem Informasi Geografis Analisis Dan Pemetan Kawasan Rawan Bencana Tanah Longsor Di Kabupaten
Bangli
Adam Rain Brawijaya, Luh Gede Astuti ... 336
Sistem Informasi Manajemen Komplain SIMADE Berbasis Web
Victor Boy Simamora, Meliana Christianti J ... 343
Sistem Informasi Pengelolaan Data Alumni pada PS. Farmasi FMIPA Udayana
I Gede Pramarta Sedana, I Gede Arta Wibawa ... 348
Sistem Pendukung Keputusan Pemilihan Mobil Baru Menggunakan Weighted Product (WP)
I Made Hariyogi, I Gede Arta Wibawa ... 356
Sistem Pendukung Keputusan Rekomendasi Tempat Wisata Di Bali Munggunakan Metode Profile
Match-ing
Andrean Susanto, I Made Widiartha ... 363
Sistem Penentuan Ketua SIC dengan menggunakan Metode Analytical Hierarchy Process (AHP)
Bryan Wahyu Krishnaputra, I Made Widiartha, Agus Muliantara ... 371
Sistem Penjadwalan Matakuliah Otomatis Dengan Algoritma Genetika
I Kadek Bayu Wana Permana, I Komang Ari Mogi... 380
Web-GIS Model Untuk Integrasi Data Epidemiologi DBD Terdistribusi Sebagai Pendukung Tatakelola
Sur-veilance dan Investigasi Wabah
Slamet Sudaryanto Nurhendratno, Sudaryanto, Maryani S ... 388
Machine Learning
Penerapan Neural Network Backpropagation Untuk Klasifikasi Pada Pengenalan Aktivitas Manusia
Multimedia Application
Identifikasi Citra Tanaman Rimpang Berdasarkan Ciri Tekstur Dan Warna Dengan Algoritma K-Nearest
Neighbor
Luh Gede Ayu Candrawati, I Dewa Made Bayu Atmaja Darmawan ... 401
Penerapan Metode Noise Reduction Pada Citra Digital Lontar Aksara Bali
Made Erna Susanti, I Dewa Made Bayu Atmaja Darmawan ... 409
Penerapan Metode Transform Hough Line Untuk Mengidentifikasi Jenis Kendaraan
Kadek Dwi Sukri Yanthi, I Dewa Made Bayu Atmaja Darmawan ... 418
Pengenalan Sandi Semaphore Dengan Metode Findcontour Dan Matchshape Pada Opencv Menggunakan
Bahasa Python
I Made Anggun Dwiguna, I Dewa Made Bayu Atmaja Darmawan ... 424
Segmentasi Citra Menggunakan Metode Watershed Transformation Untuk Menghitung Jumlah
Ken-daraan Bermotor
Geby Noverita Br Sebayang, I Dewa Made Bayu Atmaja Darmawan ... 431
Sistem Pemeriksaan Lembar Jawaban Komputer Dengan Metode Template Matching Dan Pemrosesan
Paralel
I Wayan Widarma Putra Pramana, I Gede Arta Wibawa ... 440
Sistem Untuk Mendeteksi Nilai Dan Menghitung Uang Koin Menggunakan Transform Hough Circle
Ida Ayu Putu Manik Sintiya Dewi, I Dewa Made Bayu Atmaja Darmawan ... 447
Networking and Security
Akuisisi Data Heart Rate Pada Miband Menggunakan Bluetooth Low Energy (BLE)
I Kadek Agus Darma Putra, I Gede Oka Gartria Atitama ... 454
Analisis Quality Of Service Pada Jaringan Internet Pusat Pemerintahan Kabupaten Badung
I Nyoman Arta Jaya, Dewa Made Wiharta, Nyoman Putra Sastra ... 461
Aplikasi Steganografi Untuk Menyembunyikan Pesan Teks Pada Gambar Dengan Metode Least
Signifi-cant Bit (LSB)
I Gusti Ngurah Agung Wisnu Arimurti, I Gede Arta Wibawa ... 468
Bahasa Pemrograman Python Untuk Pembuatan Aplikasi Packet Sniffer
I Putu Kuswara Adi Pradana, I Dewa Made Bayu Atmaja Darmawan ... 474
Clock Skew Sebagai Dasar Authentifikasi Keamanan Pada Jaringan Sensor Nirkabel
Nyoman Dita Krisnabayu, Nyoman Putra Sastra, Komang Oka Saputra, N.M.A.E.D. Wirastuti ... 481
Hybrid Network Untuk Pengembangan Internet Of Things
Implementasi High Availability Cluster Guna Mengurangi Downtime Server Studi Kasus Sintask.com
Almer Hafiz Wandalaksana, I Wayan Supriana ... 496
Otomatisasi Konfigurasi Mikrotik Router Menggunakan Software Ansible
I Made Bayu Swastika, I Gede Oka Gartria Atitama ... 503
Penerapan Snmpv3 Pada Network Performance Monitoring Solarwinds System Studi Kasus Pt. Freeport
Indonesia
Barneci Henderika Nuboba, I Komang Ari Mogi... 512
Perancangan Aplikasi Keamanan Data Transaksi Elektronik Pada Rfid Di Koprasi Serba Guna Dengan
Menggunakan Algoritma Rsa
Sidin Rahman, I Ketut Gede Suhartana ... 519
Perancangan Pengamanan Sms Gateway Dengan Algoritma Rsa Di Pt Xl
I Gede Bendesa Aria Harta, I Ketut Gede Suhartana ... 528
Perancangan Sistem Tanda Tangan Digital Dalam Transaksi Berbasis Online Pada Pt Asiana
Menggunakan Algoritma Rsa
William Ulrich Innocentius Sitinjak, I Ketut Gede Suhartana ... 534
Prototype Smart Building Data Center berbasis Jaringan Sensor NirkabelI Made Sastra Dwikiarta, Nyoman Putra Sastra, Dewa Made Wiharta ... 539
Rancang Bangun Jaringan Internet Menggunakan Simulasi Jaringan Network Simulator 3 Di Desa
Berangbang
I Komang Vijaya Adhyatma, I Gede Oka Gartria Atitama ... 546
Sistem Monitoring Private Cloud Computing Pada Openstack Menggunakan Ceilometer
Made Darma Narayana, I Gede Oka Gartria Atitama ... 552
Uji Performa Parallel Processing Pada Pengamanan Citra Digital
Faisal Achmad Failusufi, I Gede Arta Wibawa ... 560
Pattern Recognition
Komparasi Deteksi Tepi Canny Dan Watershed Transformation Untuk Segmentasi Area Manuskrip Dalam
Citra Lontar Aksara Bali
I Wayan Juliandika, I Dewa Made Bayu Atmaja Darmawan ... 566
Semantic Web
Rancang Bangun Fitur Pencarian Data Akademik Menggunakan Parser Noise Disposal
Penentuan Jalur Distribusi Barang Melalui Jalur Laut
Menggunakan Algoritma Genetika
Ketut Adi Praja Putra1, I Gede Arta Wibawa2
1,2Jurusan Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Udayana
Jalan Kampus Bukit Jimbaran, Badung, Bali. Kode Pos: 8036. Indonesia 1[email protected], 2[email protected]
Abstrak—
Indonesia merupakan negara kepulauan yang teridiri atas ribuan pulau. pengiriman barang membutuhkan transportasi yang dapat menyeberangi satu pulau ke pulau lainnya. Kapal laut merupakan alternatif untuk melakukan distribusi barang. Kapal laut dapat menampung barang jauh lebih banyak dan lebih hemat bahan bakar. Penentuan jalur distribusi barang dibutuhkan untuk membantu mendapatkan jalur yang akurat dan efisien. Algoritma genetika merupakan metode pencarian heuristik yang didasarkan atas mekanisme evolusi biologis sehingga dapat menghasilkan output jalur distribusi yang akurat dan efisien. Berdasarkan penelitian yang telah dilakukan, inputan dari sistem adalah data jarak dari satu pulau ke pulau lainnya. Iterasi algoritma genetika dilakukan sampai selisih jumlah fitnes awal dan akhir lebih kecil dari pada epsilon yang ditentukan diawal sistem. Penghentian iterasi ini berguna agar tidak terjadi iterasi yang tiada akhir dalam penentuan jalur distribusi. Setelah dilakukan pengujian black box, dapat disimpulkan aplukasi penentuan jalur distribusi berjalan sesuai dengan harapan.
Kata kunci— Algoritma Genetika, Jalur Distribusi, heuristik, nilai fitnes, black box. Abstract—
Indonesia is an archipelago consisting of thousands of islands. Delivery of goods requires transportation that can cross one island to another. Ships are an alternative to distribution of goods. Ships can accommodate far more and more fuel-efficient goods. Determination of goods distribution channels is needed to help obtain accurate and efficient path. Genetic algorithm is a heuristic search method based on the mechanism of biological evolution so as to produce accurate and efficient aoutput distribution channels. Based on the research that has been done, input from the system is the distance data from one island to another. Iteration of genetic algorithm is done until the difference of initial and final fitness amount is smaller than the epsilon specified at the beginning of the system. The termination of this iteration is useful in order to avoid endless iterations in determining distribution channels. After the black box testing, it can be concluded that the appraisal of distribution path determination is in accordance with expectations.
Keywords— Genetic Algorithm, Distribution Line, heuristic, fitness value, black box.
I. PENDAHULUAN
Indonesia merupakan negara kepulauan terbesar di dunia dimana terdiri dari ribuan pulau yang di ketahui keberadaannya maupun yang masih belum diketahui. Indonesia sebagai negara kepulauan tentunya perlu adanya transportasi untuk penyeberangan dari satu pulau ke pulau lainnya. Transportasi laut merupakan salah satu alternatif Karena selain dapat menampung barang lebih banyak, juga lebih hemat bahan bakar. Distribusi barang adalah proses pengiriman barang atau jasa kepada konsumen. Dalam bidang usaha distribusi merupakan hal yang sangat penting. Segala upaya diusahakan agar barang cepat sampai pada konsumen dan bisa diterima dengan baik.
Algoritma genetika merupakan algoritma yang menggunakan konsep evolusi biologis yang dapat menghasilkan keluaran optimasi jalur terpendek transportasi laut.
Dengan dibuatnya sistem penetuan jalur terpendek distribusi barang ini diharapkan dapat membantu pihak-pihak terkait dalam menentukan jalur mana saja yang akan diambil dalam proses distribusi barang sehingga lebih menghemat biaya pengeluaran maupun pemakaian bahan bakar.
Pada penelitian wahyu widodo dan wayan firdaus membahas tentang penerapan algoritma genetika dalam penentuan wisata kuliner. Diberikan rute yang memiliki biaya paling murah
untuk dilalui pengunjung ke daerah wisata. Pemilihan rute dalam penelitian tersebut mencocokan pilihan wisata, kesesuaian selera tempat makan dan waktu perjalanan [12]. Penelitian oleh Lumbantobing, Hidayatno dan Darja membahas tentang penerapan algoritma genetika dalam perencanaan lintas kendaraan [9].
Tujuan dari penelitian ini adalah untuk menentukan jalur terpendek distribusi barang menggunakan jalur laut dengan menggunakan algoritma Genetika berbasis web.
A. Tinjauan Pustaka
1) Distribusi Barang: Distribusi barang adalah proses
pengiriman barang atau jasa ke konsumen. Pada proses distribusi terdapat beberapa dasar dalam prosesnya diantaranya waktu, tempat, dan pengalihan hal milik. Saluran distribusi adalah suatu organisasi yang mengatur pengiriman barang atau jasa untuk digunakan atau dikonsumsi [1].
2) Algoritma Genetika: algoritma genetika adalah metode
pen Algoritma genetika adalah algoritma pencarian heuristik yang didasarkan atas mekanisme evolusi biologis.Variasi dari kromosom adalah keberagaman pada evolusi. Algoritma ini didasari oleh konsep evolusi biologi, dan dapat memberikan solusi alternatif atas suatu masalah yang hendak diselesaikan. Algoritma genetika menawarkan suatu solusi pemecahan
masalah yang terbaik, dengan memanfaatkan metode seleksi, crossover, dan mutasi [7].
Algoritma genetika merupakan metode pencarian yang bersifat sochastic yang mana mirip dengan mekanisme seleksi alam dan genetik secara natural. Algoritma genetika telah banyak diaplikasikan untuk penyelesaian masalah dan pemodelan dalam bidang teknologi seperti optimasi, pemrograman otomatis dan machine learning. Pada implementasi program algoritma genetika dapat digunakan untuk mencari jalan terpendek bebas hambatan. Berbeda dengan teknik pencarian konvensional, tahap awal pencarian dalam algoritma genetika dimulai dari himpunan penyelesaian acak (random) yang disebut populasi [8].
Populasi ini terdiri dari kromosom-kromosom. Setiap kromosom merupakan gambaran solusi atas pemecahan masalah. Populasi yang telah dipilih tersebut akan menghasilkan keturunan baru yang sifatnya diharapkan lebih baik dari populasi sebelumnya. Populasi yang baik sifatnya akan memiliki peluang untuk terus dikembangkan agar menghasilkan keturunan populasi yang lebih baik selanjutnya. Dengan demikian, solusi terbaik yang diinginkan dapat dicapai dengan terus mengulang proses pencarian keturunan. Dalam proses tersebut, sebelum algoritma genetika dijalankan didefinisikan suatu fungsi fitness yang menyatakan tingkat keberhasilan sebuah populasi. Dengan melakukan perhitungan berdasarkan fungsi fitness, akan dapat ditentukan populasi yang akan dipertahankan untuk menghasilkan generasi selanjutnya. Proses ini biasa disebut sebagai proses seleksi. Proses ini merupakan salah satu tahap yang dirangkai dalam proses yang iteratif [3].
Proses lainnya adalah proses crossover. Pada proses ini, kromosom di silangkan atau perkawinan antar kromosom di satu generasi yang sama. Pada Populasi selanjutnya, kromosom berikutnya akan mewarisi induknya yang di harapkan memiliki sifat yang lebih baik. Selajutnya, proses mutasi yang mana merupakan proses pengubahan satu atau lebih nilai gen kromosom dalam satu populasi.
3) LCG (Linear Congruential Generator): Linear
Congruential Generator atau biasa di singkat LCG merupakan salah satu metode dalam membantu membangkitkan bilangan acak yang semu. Model matematis dari LCG dapat di jabarkan sebagai berikut.
X_(n+1)=((a×X_n )+b)mod m...(1) Keterangan :
X_(n+1) : Bilangan acak ke – n dari deretnya. X_n : Bilangan acak sebelumnya.
a : Faktor pengali. b : Penambah. m : Jumlah soal.
n : 0, 1, 2, 3, ... dan seterusnya.
Referensi [12] menunjukkan bahwa “LCG tidak dapat digunakan untuk kriptografi karena bilangan acaknya dapat diprediksi urutan kemunculannya”.
II. METODOLOGI PENELITIAN
A. Analisis Kebutuhan Sistem
Pada sistem penentuan jalur distribusi barang menggunakan kapal laut, dilakukan sebuah analisa kebutuhan sistem, guna dapat membuat rancangan dan implementasi sistem. Adapun hasil analisis kebutuhan dari sistem:
1. User mampu memasukkan data jarak antar kota lalu menyimpannya. Selain itu, juga dapat melakukan edit dan hapus data jarak antar kota.
2. User dapat melihat hasil optimasi halur distribusi barang. B. Data Jarak Antar Kota
Sistem penentuan jalur distribusi barang menggunakan kapal laut membutuhkan data jarak antar kota melewati laut. Data tersebut yang digunakan adalah data dummy yang didapatkan dari Google Map.
C. Pengguna Sistem
Dalam sistem penetuan jalur distribusi barang menggunakan kapal laut, yang dapat menggunakan sistem ini adalah Administrator.
D. Kebutuhan Fungsionalitas Sistem
Pada sistem penetuan jalur distribusi barang menggunakan kapal laut dilakukan analisa kebutuhan fungsional sistem, yang dijabarkan berdasarkan pengguna sistem. Berikut adalah fungsionalitas sistem berdasarkan pengguna sistem, yaitu sebagai berikut.
Tabel 1
Kebutuhan Fungsionalitas Sistem
No Pengguna Fungsionalitas 1 User 1. Input kota dan jarak
antar kota. 2. Memberikan
informasi pada kapal
yang akan
mengirimkan barang.
Dalam sistem ini, user bersifat terbuka Karena tidak menggunakan sistem login.
E. Kebutuhan Nonfungsionalitas Sistem
Berikut adalah kebutuhan nonfungsional dari sistem penentuan jalur distribusi barang menggunakan kapal laut.
1. Komputer terhubung dengan internet.
2. Web browser (sistem merupakan sistem berbasis web). 3. Minimal ram 2 Gb.
F. Flowchart Algoritma Genetika
Pada sistem sistem penetuan jalur distribusi barang menggunakan kapal laut, terdapat flowchart untuk melakukan penentuan jalur distribusi barang menggunakan ccckapal laut. Berikut adalah flowchart proses penentuan jalur distribusi menggunakan algoritma genetika.
ISSN : 2302-450X
Start
Input Pelabuhan_a
wal, Tujuan
Hitung Nilai Fitnes Jarak Pelabuhan Stop Proses Encoding Proses Seleksi Crossover Mutasi
Hitung Nilai Fitnes Jarak Pelabuhan Sekarang
(Fitnes(k) - Fitnes(k-1)) < Epsilon
No
Yes Bangkitkan Populasi Awal
Gbr 1 Flowchart diagram algoritma genetika
Gambar 1 menggambarkan flowchart dari proses algoritma genetika secara bertahap dari proses input data hingga pemrosesan di dalam sistem. Diawali dengan proses input data ke dalam sistem, kemudian dilakukan proses encoding untuk mempermudah pemrosesan didalam sistem. Langkah selanjutnya, dilakukan pembangkitan populasi awal kemudian masuk ke proses utama dalam algoritma genetika. Lalu, masuk ke proses penghentian iterasi sistem. Setelah iterasi selesai maka di dapatkan hasil optimasi dari algoritma genetika. G. ERD Sistem
Pada sistem penetuan jalur distribusi barang menggunakan kapal laut, dilakukan perancangan ERD untuk menggambarkan struktur penyimpanan data pada sistem. Berikut adalah perancangan ERD sistem penetuan jalur distribusi barang menggunakan kapal laut.
jarak_antar_pulau nama_pelabuhan id_jarak id_node_awal id_node_akhir jarak id_pelabuhan nama_pelabuhan Memiliki m m Mem nn id_jarak id_pelabuhan
Gbr 2 Perancangan ERD (entity relationship diagram) sistem
Gambar 2 menjelaskan gambaran basis data sistem dengan menggunakan erd. Terdapat 2 entitas pada erd tersebut yaitu
jarak antar pulau yang memiki atribut id jarak dan jarak antar tempat. Kemudian entitas nama pelabuhan yang mana untuk menampung nama-nama pelabuhan atau tempat tujuan. H. DFD (Data Flow Diagram)
Pada sistem penetuan jalur distribusi barang menggunakan kapal laut, dilakukan perancangan Data Flow Diagram sistem untuk menggambarkan arus dari data sistem.
0 Sistem Penentuan Jalur Distribusi Kapal
Laut
User Data jarak pelabuhan,Nama pelabuhan Data_pelabuhan Jalur distribusi
Data jarak pelabuhan, Nama pelabuhan
Gbr 3 DFD Level 0 Sistem
Gambar 3 menjelaskan rancangan sistem berupa data flow diagram. Terdapat 1 level user yang mana dapat memasukkan jarak pelabuhan dan nama pelabuhan. Kemudian, dapat melihat jalur ditribusi dan hasil optimasi jalur distribusi. Data jarak dan nama pelabuhan akan dimasukkan kedalam basis data dalam sistem.
I. Implementasi
Pada sistem penentuan jalur distribusi barang menggunakan kapal laut, dilakukan implementasi dari perancangan – perancangan yang sudah dilakukan sebelumnya. Implementasi dilakukan berbasiskan web. Berikut adalah hasil implementasi rancangan sistem, yaitu sebagai berikut.
Gbr 4 Hasil implementasi perancangan sistem penentuan jalur distribusi barang
J. Skenario Uji Coba
Menerapkan algoritma genetika pada kasus distribusi barang menggunakan kapal laut, dengan data dummy yang diambil dari google map dan melakukan pengujian menggunakan metode black box.
III. HASIL DANPEMBAHASAN
Pada tahap ini dilakukan penerapan algoritma genetika dalam penentuan jalur distribusi barang menggunakan kapal laut. Berikut adalah data jarak pelabuhan antar kota.
Ketut Adi Praja Putra. Penentuan Jalur Distribusi Barang Melalui Jalur Laut Menggunakan Algoritma Genetika Artificial Intelligence
Tabel II
Daftar Jarak Antar Pelabuhan
Pel a buh an A B C D E F G H I J A 10 36 20 19 19 6 15 64 17 08 21 78 36 12 37 05 48 17 B 10 36 99 5 84 4 11 81 19 95 11 61 25 90 32 35 37 93 C 20 19 99 5 18 29 21 66 19 36 95 9 14 03 20 18 26 02 D 19 6 84 4 18 29 13 75 16 27 19 89 34 24 40 45 46 29 E 15 64 11 81 21 66 13 75 28 87 17 57 34 80 41 01 46 85 F 17 08 19 95 19 36 16 27 28 87 31 68 59 7 12 19 18 03 G 21 78 11 61 95 9 19 89 17 57 31 68 90 8 15 23 21 07 H 36 12 25 90 14 03 34 24 34 80 59 7 90 8 62 3 12 07 I 37 05 32 35 20 18 40 45 41 01 12 19 15 23 62 3 79 7 J 48 17 37 93 26 02 46 29 46 85 18 03 21 07 12 07 79 7 Keterangan:
A = Benoa (Bali) F = Ternate B = Makassar G = Ambon C = Kendari H = Sorong D = Lembar (Mataram) I = Biak E = Tenau (Kupang) J = Jayapura A. Proses Encoding
Pada proses ini digunakan dua teknik Encoding, yaitu : permutation encoding dan value encoding.
Pada permutation encoding, kromosom-kromosom adalah kumpulan angka yang mewakili posisi dalam sebuah rangkaian. Pada pencarian jalur pelayaran kapal laut ini, kromosom mewakili urutan pelabuhan sebagai jalur yang akan dilewati. Jadi apabila satu kromosom berbentuk sebagai berikut P1 = (G1,G2,G3,..,Gn) berarti jalur akan bergerak dari pelabuhan bernomor G1 ke G2 dst hingga ke pelabuhan ke Gn.
Pada value encoding, pelabuhan diwakili oleh angka yang menjadi gen pada setiap kromosom. Setiap kromosom mempresentasikan kombinasi jalur distribusi barang.
Dimisalkan jalur pelabuhan yang akan di tempuh adalah benoa – makassar – kendari – lembar – tenau – ternate. Kemudian dilakukan teknik encoding dengan menginisialisasi pelabuhan-pelabuhan tersebut dengan angka yaitu : benoa(1) – makassar(2) – kendari(3) – lembar(4) – tenau(5) – ternate(6). B. Pembangkitan Populasi Awal
Membangkitkan populasi awal adalah proses membangkitkan sejumlah individu secara acak atau melalui prosedur tertentu. Ukuran unutk populasi tergantung pada masalah yang akan diselesaikan dan jenis operator genetika yang akan diimplementasikan. Setelah ukuran populasi
ditentukan, kemudian dilakukan pembangkitan populasi awal. Syarat-syarat yang di penuhi untuk menunjukkan suatu solusi harus benar-benar diperhatikan dalam pembangkitan setiap individunya.
Mula-mula user menginput pelabuhan asal dan pelabuhan akhir, sehingga gen pertama dan gen terakhir akan konsisten sama dari kromosom satu hingga kromosom akhir. Kemudian gen selain kedua itu akan di acak menggunakan metode LCG.
Misalkan user menginput pelabuhan asal adalah benoa dan pelabuhan akhir adalah Ternate. Maka populasinya adalah sebagai berikut.
Kromosom [1] : [benoa(1) – makassar(2) – kendari(3) – lembar(4) – tenau(5) – ternate(6)] atau [1 2 3 4 5 6 ]
Kromosom [2] : [benoa(1) – makassar(2) – kendari(3) – tenau(5) – lembar(4) –ternate(6)] atau [1 2 3 5 4 6]
Kromosom [3] : [benoa(1) – makassar(2) – lembar(4) – kendari(3) –tenau(5) – ternate(6)] atau [1 2 4 3 5 6]
Kromosom [4] : [benoa(1) – makassar(2) – lembar(4) – tenau(5) – kendari(3) –ternate(6)] atau [1 2 4 5 3 6]
Kromosom [5] : [benoa(1) – makassar(2) – tenau(5) - kendari(3) – lembar(4) –ternate(6)] atau [1 2 5 3 4 6 ]
Kromosom [6] : [benoa(1) – makassar(2) – tenau(5) – lembar(4) –kendari(3) –ternate(6)] atau [1 2 5 4 3 6]
C. Proses Seleksi
Proses seleksi adalah proses yang memegang peranan penting dalam algoritma genetika. Proses seleksi ini digunakan agar hanya kromosom-kromosom yang berkualitas yang dapat melanjutkan peranannya dalam proses algoritma genetika berikutnya. Ada bermacam-macam teknik untuk melakukan proses seleksi pada suatu permasalahan. Teknik seleksi yang akan digunakan tergantung pada permasalahan yang akan diselesaikan. Ada beberapa metode seleksi dari induk, diantaranya adalah Rank-based Fitness Assignment, Roulette Wheel Selection, Stochastic Universal Sampling, Local Selection, Truncation Selection, Tournament Selection [5]. Metode seleksi dengan mesin roulette yang akan kami gunakan dimana metode ini merupakan yang paling sederhana dan serin dikenal dengan nama stochastic sampling with replacement. Cara kerja metode ini adalah sebagai berikut :
1. Hitung probabilitas kumulatif dari masing-masing kromosom
2. Kemudian bangkitkan bilangan random untuk masing-masing kromosom
3. Dari probabilitas tersebut buat jatah masing-masing individu dari angka 0 – 1
4. Dari bilangan random yang dihasilkan, didapatkan hasil setelah di lihat dari jatah masing-masing individu.
Tabel III
Menghitung Total Fitness
Kromosom Nilai Fitnes Kromosom 1 8122 Kromosom 2 7199 Kromosom 3 8762 Kromosom 4 7357 Kromosom 5 7587 Kromosom 6 7357 ISSN : 2302-450X 4
Total Nilai Fitnes 46384
Tabel IV
Menghitung Probabilitas dan Probabilitas Kumulatif
Kromosom Probabilitas Probabilitas Kumulatif Kromosom 1 0,18 0,18 Kromosom 2 0,16 0,18 + 0,16 = 0,33 Kromosom 3 0,19 0,33 + 0,19 = 0,52 Kromosom 4 0,16 0,52 + 0,16 = 0,68 Kromosom 5 0,16 0,68 + 0,16 = 0,84 Kromosom 6 0,16 0,84 + 0,16 = 1 Total 1 Tabel V
Menghitung Probabilitas Kumulatif Kromosom
Kromosom Probabilitas Kumulatif Kromosom 1 0,18 Kromosom 2 0,33 Kromosom 3 0,52 Kromosom 4 0,68 Kromosom 5 0,84 Kromosom 6 1
Kemudian bangkitkan nilai Random untuk masing-masing Individu adalah Kromosom 1 : 0,94 Kromosom 2 : 0,69 Kromosom 3 : 0,24 Kromosom 4 : 0,5 Kromosom 5 : 0,07 Kromosom 6 : 0,65
Setelah perbandingan dilakukan, didapatkan populasi yang terbaru : Kromosom 1 : [6] : [1 2 5 4 3 6] Kromosom 2 : [5] : [1 2 5 3 4 6] Kromosom 3 : [2] : [1 2 3 5 4 6] Kromosom 4 : [3] : [1 2 4 3 5 6] Kromosom 5 : [1] : [1 2 3 4 5 6] Kromosom 6 : [4] : [1 2 4 5 3 6] D. Proses Crossover
Proses crossover adalah menyilangkan dua kromosom sehingga membentuk kromosom baru yang harapannya lebih baik dari pada induknya. Tidak semua kromosom pada suatu populasi akan mengalami proses rekombinasi. Kemungkinan suatu kromosom mengalami proses rekombinasi didasarkan pada probabilitas crossover (PC) yang telah ditentukan terlebih dahulu. Probabilitas crossover menyatakan peluang suatu kromosom akan mengalami crossover. Ada beberapa teknik rekombinasi yang dapat digunakan untuk menyelesaikan masalah seperti ini, antara lain adalah partially mapped crossover (PMX), order crossover dan cycle crossover [7].
Metode crossover yang digunakan adalah crossover satu titik, dimana teknik ini biasanya digunakan untuk represenrasi dalam biner tapi di sini memakai bilangan bulat. Pada crossover satu titik, posisi crossover k (k= 1,2,3,…N-1) dengan N = panjang kromosom diseleksi secara random. Variable-variabel ditukar antar kromosom pada titik tersebut untuk menghasilkan anak.
Pertama PC adalah 0,5, setelah itu bangkitkan bilangan random sebanyak individu.
Kromosom 1 : 0,75 Kromosom 2 : 0,12 Kromosom 3 : 0,07 Kromosom 4 : 0,10 Kromosom 5 : 0,53 Kromosom 6 : 0,89
Kemudian, dicari dengan kategori kromosom ke-k yang dipilih sebagai induk jika lebih kecil dari PC. Maka yang akan dijadikan induk adalah kromosom 2, 3, 4. Proses selanjutnya adalah menentukan posisi crossover. Dilakukan dengan bilangan acak antara 1 sampai dengan panjang kromosom-1. (6-1 = 5)
Dari hasil pembangkitan bilangan acak, di dapatkan indukan yang akan di crossover:
Kromosom 2 : 3 Kromosom 3 : 2 Kromosom 4 : 4
Maka, proses crossovernya adalah sebagai berikut : Kromosom 2 x kromosom 3 = [1 2 5 3 4 6] x [1 2 3 5 4 6] = [1 2 5 3 4 6] Kromosom 3 x Kromosom 4 = [1 2 3 5 4 6] x [1 2 4 3 5 6] = [1 2 3 4 5 6] Kromosom 4 x Kromosom 2 = [1 2 4 3 5 6] x [1 2 5 3 4 6] = [1 2 4 3 5 6]
Sehingga didapatkan populasi setelah dicrossover : Kromosom 1 : [1 2 5 4 3 6] Kromosom 2 : [1 2 5 3 4 6] Kromosom 3 : [1 2 3 4 5 6] Kromosom 4 : [1 2 4 3 5 6] Kromosom 5 : [1 2 3 4 5 6] Kromosom 6 : [1 2 4 5 3 6] E. Proses Mutasi
Proses mutasi ini dilakukan setelah proses rekombinasi dengan cara memilih kromosom yang akan dimutasi secara acak, dan kemudian menentukan titik mutasi pada kromosom tersebut secara acak pula. Banyaknya kromosom yang akan mengalami mutase dihitung berdasarkan probabilitas mutasi yang telah ditentukan terlebih dahulu.
Apabila probabilitas mutasi adalah 100% maka semua kromosom yang ada pada populasi tersebut akan mengalami mutasi. Sebaliknya, jika probabilitas mutasi yang digunakan adalah 0% maka tidak ada kromosom yang mengalami mutasi pada populasi tersebut.
Ada bermacam-macam teknik mutasi yang dapat digunakan untuk menyelesaikan suatu masalah dengan algoritma genetika.
Ketut Adi Praja Putra. Penentuan Jalur Distribusi Barang Melalui Jalur Laut Menggunakan Algoritma Genetika Artificial Intelligence
Seperti pada teknik rekombinasi, teknik mutasi juga dirancang untuk digunakan pada suatu masalah yang spesifik sehingga tidak setiap teknik mutasi dapat diterapkan pada suatu masalah yang akan diselesaikan. Selain itu, teknik mutase yang digunakan juga harus sesuai dengan teknik encoding yang digunakan untuk menyelesaikan permasalahan tersebut. Beberapa teknik mutasi yang dapat digunakan dalam penyelesaian masalah ini adalah inversion mutation, insertion mutation, swapping mutation dan reciprocal mutation.
Pada kasus ini, skema mutasi yang digunakan adalah swapping mutation. Jumlah kromosom yang mengalami mutasi dalam satu populasi ditentukan oleh parameter mutation rate (PM). Proses mutasi dilakukan dengan cara menukar gen yang dipilih secara acak dengan gen sesudahnya. Jika gen tersebut berada di akhir kromosom, maka ditukar dengan gen yang pertama.
Langkah pertama adalah memilih posisi gen yang akan mengalami mutasi. Misalkan ditentukan PM(probabilitas Mutasi) adalah 0,2. Maka, jumlah gen yang akan dimutasi adalah PM * banyaknya gen = 0,2 * 36 = 7,2 = 7 Gen. kemudian bangkitkan 7 bilangan acak untuk melakuka mutasi. Posisi gen yang akan di mutase setelah dilakukan pembangkitan bilangan acak adalah 20, 28, 34, 9, 21, 23, 4. Setelah posisi gen yang akan dimutasi sudah ditentukan selanjutnya proses mutasi dilakukan dengan cara menukar gen yang telah terpilih dengan gen yang setelahnya.
Kromosom sebelum mutasi Kromosom 1 : [1 2 5 4 3 6] Kromosom 2 : [1 2 5 3 4 6] Kromosom 3 : [1 2 3 4 5 6] Kromosom 4 : [1 2 4 3 5 6] Kromosom 5 : [1 2 3 4 5 6] Kromosom 6 : [1 2 4 5 3 6] Kromosom hasil mutasi : Kromosom 1 : [1 2 5 3 4 6] Kromosom 2 : [1 2 3 5 4 6] Kromosom 3 : [1 2 3 4 5 6] Kromosom 4 : [1 4 3 2 6 5] Kromosom 5 : [1 2 3 5 4 6] Kromosom 6 : [1 2 4 3 5 6]
Setelah proses ini selesai kemudian dihitung kembali nilai fitness dari masing-masing kromosom. Berikut adalah perhitungan nilai fitness untuk iterasi pertama.
Kromosom 1 : [1 2 5 3 4 6] = 7839 Kromosom 2 : [1 2 3 5 4 6] = 7199 Kromosom 3 : [1 2 3 4 5 6] = 8122 Kromosom 4 : [1 4 3 2 6 5] = 7902 Kromosom 5 : [1 2 3 5 4 6] = 7199 Kromosom 6 : [1 2 4 3 5 6] = 8762
Setelah proses algoritma selesai, Nilai fitness yang terkecil merupakan hasil yang akan dipakai untuk jalur distribusi pada system yang pada iterasi pertama adalah Kromosom 2 atau 3 bisa di pilih sebagai jalur terpendek. Kondisi untuk menghentikan iterasi genetika adalah dengan membandingkan
GHQJDQQLODLį$SDELODQLODLILWQHVOHELKEHVDUGDULQLODLįPDND iterasi Genetika akan diulang lagi. Namun, apabila sebaliknya maka proses genetika selesai.
F. Tampilan Antarmuka Sistem
1) Maintenance Data Nama Pelabuhan : Pada halaman ini
berguna untuk melakukan maintenance data seperti create, read, update, delete data nama pelabuhan yang digunakan untuk penentuan jalur distribusi barang menggunakan algoritma genetika.
Gbr 5 Data Nama Pelabuhan
2) Maintenance Data Jarak Antar Kota: Pada halaman ini berguna untuk melakukan maintenance data seperti create, read, update, delete data jarak antar pelabuhan yang digunakan untuk penentuan jalur distribusi barang menggunakan algoritma genetika.
Gbr 6 Data Jarak Antar Kota
3) Proses Penentuan Jalur Distribusi Barang Dengan
Algoritma Genetika: Pada halaman ini berguna untuk
melakukan penentuan pelayaran yang dilakukan dari pelabuhan awal sampai dengan pelabuhan akhir. Pertama dilakukan input node pelabuhan awal sampai dengan node pelabuhan akhir. Untuk parameter – parameter yang digunakan algoritma genetika sudah di berikan nilai secara default, jadi diperbolehkan untuk melakukan perubahan nilai parameter maupun tidak. Setelah itu tekan tombol Submit data, maka proses optimasi dilakukan, sampai dengan hasil optimasi tampil dihalaman ini.
ISSN : 2302-450X
Gbr 7 Proses Algoritma Genetika
G. Pengujian
Proses selanjutnya melakukan pengujian terhadap sistem yang dibuat, dimana pengujian disini menggunakan pengujian Black Box. Berikut adalah tabel hasil pengujian
Tabel VI
Hasil Pengujian Sistem dengan Metode Black Box
No Skenario Keluaran Hasil Kesim pulan 1 Admin memasukkan nama-nama pelabuhan yang menjadi gen pada setiap kromosom Sistem mampu melakukan masukkan berupa nama pelabuhan Sesuai dengan harapan Valid 2 Admin memasukkan jarak antar pelabuhan kedalam sistem Sistem mampu menampilkan tabel jarak antar pelabuhan Sesuai dengan harapan Valid 3 Admin memasukkan pelabuhan mana saja yang harus di singgahi Sistem menampilkan hasil jarak terpendek dari penghitungan jarak Sesuai harapan Valid IV. KESIMPULAN
Berdasarkan dari penelitian yang telah dilakukan maka dapat disimpulkan bahwa, penggunaan algoritma genetika dapat digunakan dalam penentuan jalur distribusi barang menggunakan kapal laut.
REFERENSI
[1] Amstrong, G., Philip, & Kotler. (2002). Dasar-dasar Pemasaran. Jakarta: Prenhalindo.
[2] Banks, J., John S. Carson, I., & L.Nelson, B. (1996). Discrete-Event
System Simulation Second Edition. Englewood Cliffs, NJ: Prentice-Hall.
[3] Fitrah, A., Zaky, A., & Fitrasani. (2006). Penerapan ALgoritma
Genetika Pada Persoalan Pedagang Keliling (TSP). Bandung: Sekolah
Tinggi Elektro dan Informatika ITB.
[4] Hernowo, P. A. (2008). Tinjauan Umum Pelayaran dan Nahkoda. Jakarta: Universitas Indonesia.
[5] Knuth, D. (1981). The Art of Computer Programming (2nd ed.). Canada: Addison-Wesley Publishing Company, Inc.
[6] Kusumadewi, S. (2003). Artificial Intelligence (Teknik dan Aplikasinya). Yogyakarta: Graha Ilmu.
[7] Lukas. (2005). Penerapan Algoritma Genetika untuk Traveling Salesmen Problem dengan Menggunakan Metode Order Crossover dan Insertion Mutation. Bandung: Seminar Nasional Aplikasi Teknologi Informasi.
[8] Lukas. (2005). Penerapan Algoritma Genetika untuk Traveling Salesmen Problem dengan Menggunakan Metode Order Crossover dan Insertion Mutation. Bandung: Seminar Nasional Aplikasi Teknologi Informasi.
[9] Lumbantobing, H., Hidayatno, A., & Darja. (2011). Penerapan
Algoritma Genetika pada Perencanaan Lintas Kendaraan. Semarang:
Universitas Diponegoro.
[10] S, S., Z, V., & M, K. (2012). Preparing Initial Population of Genetic Algorithm for Region Growing Parameter Optimization. 4th IEEE
International Symposium on Logistics and Industrial Informatics (LINDI), 47-54.
[11] Wahyudi, R., & Pasaribu, H. H. (2015). Perancangan Aplikasi Quiz Menggunakan Metode Pengacakan Linear Congruantial Generator (LCG) Berbasis Android. Riau Journal Of Computer Science, 17-26. [12] Widodo, A. W., & ,Mahmudy, W. F. (2010). Penerapan Algoritma
Genetika Pada Sistem Rekomendasi. Jurnal Ilmiah Kursor. 205-211. Ketut Adi Praja Putra. Penentuan Jalur Distribusi Barang
Melalui Jalur Laut Menggunakan Algoritma Genetika Artificial Intelligence
