RANCANG BANGUN SISTEM PENDUKUNG KEPUTUSAN UNTUK OPTIMASI TRAVELLING SALESMAN PROBLEM BERBASIS SISTEM INFORMASI GEOGRAFIS DENGAN MENGGUNAKAN ALGORITMA GENETIKA SKRIPSI

(1)

ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA

RANCANG BANGUN SISTEM PENDUKUNG KEPUTUSAN

UNTUK OPTIMASI

TRAVELLING SALESMAN PROBLEM

BERBASIS SISTEM INFORMASI GEOGRAFIS DENGAN

MENGGUNAKAN ALGORITMA GENETIKA

SKRIPSI

GALIH GAHARDITAMA ANDAMORE

PROGRAM STUDI S1 SISTEM INFORMASI

FAKULTAS SAINS DAN TEKNOLOGI

(2)

RANCANG BANGUN SISTEM PENDUKUNG KEPUTUSAN

UNTUK OPTIMASI

TRAVELLING SALESMAN PROBLEM

(3)

(4)

PEDOMAN PENGGUNAAN SKRIPSI

Skripsi ini tidak dipublikasikan, namun tersedia di perpustakaan dalam lingkungan Universitas Airlangga, diperkenankan untuk dipakai sebagai referensi kepustakaan, tetapi pengutipan harus seizin penyusun dan harus menyebutkan sumbernya sesuai kebiasaan ilmiah.

(5)

(6)

KATA PENGANTAR

Puji syukur kehadirat Allah Subhanahu Wa Ta’ala, yang telah melimpahkan anugerah-Nya, hingga penulis dapat menyelesaikan proposal skripsi yang berjudul “Rancang Bangun Sistem Pendukung Keputusan Untuk Optimasi Travelling Salesman Problem Berbasis Sistem Informasi Geografis Dengan Menggunakan Algoritma Genetika” dengan baik, serta Sholatu Wa Salam semoga tetap terlimpahkan kepada Rasulullah Muhammad SAW yang mengantarkan pada sebuah kehidupan yang penuh keselamatan di dunia dan di akhirat.

Atas dukungan moral dan materil yang diberikan dalam penyusunan makalah ini, maka penulis mengucapkan banyak terima kasih kepada :

1. Taufik, S.T, M.Kom selaku dosen pembimbing I, 2. Ir. Dyah Herawatie, M.Si selaku dosen pembimbing II,

3. Keluarga dan teman-teman Sistem Informasi 2011, yang telah memberikan semangat dan dukungannya kepada penulis.

Penulis mengharapkan kritik dan saran yang bersifat membangun demi kesempurnaan proposal skripsi ini. Semoga proposal skripsi ini dapat memberikan manfaat dan wawasan yang berguna. Amin.

Surabaya, 15 Agustus 2016

(7)

UCAPAN TERIMAKASIH

Segala puji syukur kehadirat Tuhan Yang Maha Esa atas limpahan rahmat dan ridho-Nya, sehingga saya dapat menyelesaikan penyusunan skripsi dengan judul RANCANG BANGUN SISTEM PENDUKUNG KEPUTUSAN UNTUK OPTIMASI TRAVELLING SALESMAN PROBLEM BERBASIS SISTEM INFORMASI GEOGRAFIS DENGAN MENGGUNAKAN ALGORITMA GENETIKA.

Dalam pelaksanaan dan penyusunan skripsi ini, penulis banyak menemui kendala. Namun, dengan adanya bantuan dari berbagai pihak, akhirnya laporan penelitian ini dapat terselesaikan. Oleh karena itu, penulis tidak lupa mengucapkan terima kasih kepada:

1. Allah SWT yang senantiasa memberikan segala rahmat, hidayah, dan karunia-Nya serta Rasulullah Muhammad SAW yang selalu menjadi panutan dan suri tauladan terbaik dalam kehidupan penulis sehingga penulisan skripsi ini dapat terselesaikan dengan baik.

2. Joko Darmono dan Retno Poedjanti, selaku ayah dan ibu tercinta yang telah memberikan dukungan secara penuh dalam bentuk doa dan kasih sayang sekaligus menjadi penyemangat dan motivasi penulis untuk dapat menyelesaikan studi dan skripsi dengan baik.

3. B. Galuh R. T. A, selaku kakak kandung yang memberikan semangat dan doa kepada penulis untuk dapat menyelesaikan skripsi.

4. Taufik, S.T, M.Kom, selaku dosen pembimbing I yang senantiasa memberikan banyak masukan ilmu pengetahuan kepada penulis, dan dengan sabar membimbing dan membantu penulis dalam melakukan penelitian hingga terselesaikannya skripsi ini.

5. Ir. Dyah Herawatie, M.Si, selaku dosen pembimbing II yang dengan sabar membimbing, mengarahkan dan membantu memberikan ilmunya, sehingga penulis dapat menyusun skripsi ini dengan baik dan benar.

(8)

7. Seluruh dosen program studi S1 Sistem Informasi yang telah banyak memberikan ilmu sehingga penulisan skripsi dapat terselesaikan dengan baik.

8. Branch Manager PT. Sun Star Motor Cabang Surabaya, yang telah memberikan izin dan kemudahan penulis untuk melakukan penelitian di PT. Sun Star Motor. Serta kurir perusahaan yang telah membantu untuk pengambilan data penelitian sehingga penelitian ini dapat diselesaikan dengan baik.

9. Muhammad Shofi Al Baaqi, Imam Wicaksono, Achmad Agoeh, Hendra Hanggar Kusuma, Brahmantyo Noviansyah Putro Rahardjo, Diaz Mahardika Wibisono, Miqdad Hasan, Arya Bayu, Abdullah Fakih, M. Zaky Erdiansyah, Agustinus Kurniawan, Alief Arsalan, M. Fikri Ramadhan, Nur Ardista, Gading Arum, Nadia Lutfiyah Sari, Pascalina Rakhmasari Putri, Fachrian Anugerah, yang telah memberikan banyak bantuan, keceriaan, hiburan, dan memberikan motivasi dalam penulisan skripsi ini.

10. Dewi Nawang Palupi, yang telah memberikan semangat, motivasi, dorongan, keceriaan, hiburan dalam masa penelitian hingga terselesaikannya skripsi ini.

11. Teman-teman S1 Sistem Informasi Universitas Airlangga angkatan 2011 yang telah mendukung dan membantu dengan berbagi ilmu dan pengalaman selama masa perkuliahan hingga penulisan skripsi ini.

12. Staf TU program studi Sistem Informasi yang telah membantu dalam keperluan administrasi dan penjadwalan sidang.

(9)

Galih Gaharditama Andamore, 2016. Rancang Bangun Sistem Pendukung Keputusan untuk Optimasi Travelling Salesman Problem Berbasis Sistem Informasi Geografis dengan Menggunakan Algoritma Genetika. Skripsi ini dibawah bimbingan Taufik, S.T, M.Kom dan Ir. Dyah Herawatie, M.Si. Program Studi S1 Sistem Informasi. Fakultas Sains dan Teknologi, Universitas Airlangga.

ABSTRAK

PT. Sun Star Motor cabang Surabaya merupakan perusahaan bisnis dalam bidang jasa penjualan otomotif. Salah satu divisinya adalah kurir, yang bertugas untuk mengambil kelengkapan administrasi ke beberapa pelanggan yang belum diberikan. Hal ini sesuai dengan problematika Travelling Salesman Problem yang bertujuan untuk mengoptimasikan jarak tempuh. Oleh karena itu, tujuan dari penelitian ini adalah untuk mengoptimasikan rute perjalanan kurir berbasis Sistem Informasi Geografis dengan menggunakan Algoritma Genetika.

Rancang bangun sistem ini melalui beberapa tahap. Tahap pertama adalah pengambilan dan pengumpulan data dan informasi sebagai faktor yang mempengaruhi pengambilan keputusan. Pada pembangunan sistem ini menggunakan faktor jarak dan arah sebagai faktor yang mempengaruhi dalam pengambilan keputusan. Tahap kedua adalah pengolahan data dan informasi dengan menganalisa data yang telah didapat untuk mengetahui jarak antar lokasi dan lokasi awal dari perjalanan. Tahap ketiga adalah penentuan rute sub-optimal menggunakan Algoritma Genetika. Tahap keempat adalah perancangan sistem yang menggunakan use case diagram dan activity diagram, serta implementasi sistem dengan menggunakan bahasa java. Tahap kelima adalah pengujian sistem dengan menggunakan Black Box Testing dan evaluasi sistem untuk mengetahui apakah sistem telah berjalan sesuai dengan kebutuhan kurir.

Hasil pengujian parameter Algoritma Genetika dari data daftar kunjungan kurir yang mempunyai 5 lokasi tujuan diperoleh rata-rata fitness sebesar 40,84 kilometer dengan menggunakan parameter ukuran populasi sebesar 60, jumlah generasi 10, probabilitas crossover 0,5 dan probabilitas mutation 0,1. Sedangkan data daftar kunjungan kurir dengan 7 lokasi tujuan diperoleh rata-rata fitness yang paling kecil sebesar 57,42 kilometer dengan menggunakan parameter ukuran populasi 80, jumlah generasi 10, probabilitas crossover 0,3 dan probabilitas mutation 0,3. Secara keseluruhan hasil dari evaluasi sistem mempunyai tampilan yang interaktif, mudah digunakan dan sesuai dengan kebutuhan.

(10)

Galih Gaharditama Andamore, 2016. Design and Implementation of a Decision Support System for Optimization Travelling Salesman Problem Based on Geographic Information System using Genetic Algorithm. This undergraduate thesis was under guidance of Taufik, S.T, M.Kom and Ir. Dyah Herawatie, M.Si. Major of S1-Information System. Faculty of Science and Technology, Airlangga University.

ABSTRACT

Sun Star Motor Inc. Surabaya is a business enterprise in the field of automotive sales services. One of its divisions is a courier service, whose job is to take the administrative requirements to some customers who have not been granted. This is in accordance with the problematic of Travelling Salesman Problem which aims in optimize the mileage. Therefore, the purpose of this study was to optimize the route trip courier service based on Geographic Information Systems using Genetic Algorithms.

The design of this system is through several stages. The first stage is the retrieval and collection of data and information as a factor affecting the decision making. In the development of this system uses the distance and direction as the factors that influence the making of the decision. The second stage is the processing of data and information by analyzing the data that have been obtained to determine the distance between the location and the starting point of the trip. The third stage is the determination of the sub-optimal route by using Genetic Algorithm. The fourth stage is to design a system by using a use case diagrams and activity diagrams, as well as the implementation of the system by using the java’s language. The fifth stage is system testing by using the Black Box Testing and system’s evaluation to determine whether the system has been run in accordance with the needs of the courier.

The test results of the courier’s visit real data which has 5 locations of interest earned the average fitness of 40,84 kilometers using the parameters of population size of 60, maximal generation of 10, crossover probability of 0,5 and mutation probability of 0,1. While courier’s visit with 7 locations of interest earned the smallest average fitness of 57,42 kilometers using the parameters of population size of 80, maximal generation of 10, crossover probability of 0,3 and mutation probability of 0,3. The overall results of the evaluation system has an interactive design, easy to use and as needed.

(11)

DAFTAR ISI

Halaman

HALAMAN JUDUL ... i

LEMBAR PERNYATAAN ... ii

LEMBAR PENGESAHAN NASKAH SKRIPSI ... iii

LEMBAR PEDOMAN PENGGUNAAN SKRIPSI ... iv

SURAT PERNYATAAN TENTANG ORISINALITAS ... v

KATA PENGANTAR ... vi

UCAPAN TERIMAKASIH... vii

ABSTRAK ... ix

ABSTRACT ... x

DAFTAR ISI ... xi

DAFTAR GAMBAR ... xiv

DAFTAR TABEL ... xvi

DAFTAR LAMPIRAN ... xvii

BAB I PENDAHULUAN ... 1

1.1 Latar Belakang ... 1

1.2 Rumusan Masalah ... 4

1.3 Tujuan ... 4

1.4 Manfaat ... 5

1.5 Batasan Masalah ... 5

BAB II TINJAUAN PUSTAKA ... 6

2.1 Konsep Sistem Informasi ... 6

(12)

2.3 Google Maps API ... 7

2.4 Android ... 8

2.5 Sistem Informasi Geografi ... 9

2.6 Teori Graph ... 13

2.7 Optimasi Kombinatorial... 13

2.8 Travelling Salesman Problem ... 14

2.9 Algoritma Genetika ... 15

2.10 JSON (JavaScript Object Notation)... 25

BAB III METODE PENELITIAN ... 27

3.1. Lokasi dan Waktu Penelitian ... 27

3.2. Objek Penelitian ... 27

3.3. Tahapan Penelitian ... 27

3.4. Pengumpulan Data Dan Informasi ... 28

3.5. Pengolahan Data Dan Informasi ... 29

3.6. Penyelesaian Masalah dengan Algoritma Genetika ... 30

3.7. Perancangan Sistem ... 33

3.8. Implementasi Sistem ... 36

3.9. Pengujian Sistem ... 36

3.10. Evaluasi Sistem ... 36

BAB IV HASIL DAN PEMBAHASAN ... 38

4.1. Pengumpulan Data dan Informasi ... 38

4.2. Pengolahan Data dan Informasi ... 39

4.3. Penyelesaian Masalah dengan Algoritma Genetika ... 41

4.4. Perancangan Sistem ... 55

(13)

4.6. Pengujian Sistem ... 70

4.7. Evaluasi Sistem ... 90

BAB V KESIMPULAN DAN SARAN ... 92

5.1. Kesimpulan ... 92

5.2. Saran ... 93

DAFTAR PUSTAKA ... 94

(14)

DAFTAR GAMBAR

Gambar 2.1 Tampilan Google Maps ... 7

Gambar 2.2 Tampilan Map View Google Maps ... 8

Gambar 2.3 Tipe Data Titik ... 11

Gambar 2.4 Lokasi PT. Sun Star Motor di Jalan Ngagel, Surabaya ... 12

Gambar 2.5 Tipe Data Garis ... 12

Gambar 2.6 Lokasi Jalan Bali ... 12

Gambar 2.7 Contoh roulette-wheel dari tabel 2.2 ... 21

Gambar 3.1 Alur penelitian ... 28

Gambar 4.1 Tampilan directions pada Google Maps ... 42

Gambar 4.2 Gambaran Umum Sistem ... 56

Gambar 4.3 Use Case Diagram Optimasi Travelling Salesman Problem ... 57

Gambar 4.4 Activity Diagram Cari Alamat ... 59

Gambar 4.5 Activity Diagram Daftar Tujuan ... 60

Gambar 4.6 Rancangan Form Home ... 61

Gambar 4.7 Rancangan Form Cari Alamat ... 61

Gambar 4.8 Rancangan Form Daftar Tujuan ... 62

Gambar 4.9 Rancangan Form Tentang ... 62

Gambar 4.10 Algoritma Umum Optimasi Travelling Salesman Problem ... 63

Gambar 4.11 Psuedocode Input Lokasi Tujuan ... 64

Gambar 4.12 Psuedocode Menghitung jarak antar lokasi ... 65

Gambar 4.13 Psuedocode Perhitungan Algoritma Genetika ... 66

Gambar 4.14 Psuedocode Menampilkan Rute Hasil dari Algoritma Genetika .... 66

Gambar 4.15 Tampilan Awal Menu Home ... 69

Gambar 4.16 Tampilan Menu Cari Alamat... 69

Gambar 4.17 Tampilan Menu Daftar Tujuan ... 69

Gambar 4.18 Tampilan Rute Hasil Perhitungan Algoritma Genetika ... 69

Gambar 4.19 Tampilan Menu Tentang ... 69

Gambar 4.20 Gagal menampilkan menu Cari Alamat ... 73

Gambar 4.21 Gagal menampilkan menu Cari Alamat ... 73

(15)

Gambar 4.23 Tidak ditemukan hasil pencarian... 74

Gambar 4.24 Gagal menampilkan lokasi alamat ... 74

Gambar 4.25 Berhasil menampilkan lokasi alamat dengan tanda pada peta ... 74

Gambar 4.26 Berhasil menyimpan lokasi alamat ... 74

Gambar 4.27 Gagal menyimpan lokasi alamat ... 74

Gambar 4.28 Gagal menampilkan menu Daftar Alamat ... 75

Gambar 4.29 Gagal menampilkan menu Daftar Alamat ... 75

Gambar 4.30 Berhasil menampilkan menu Daftar Tujuan ... 75

Gambar 4.31 Gagal memproses perhitungan jarak antar lokasi ... 75

Gambar 4.32 Berhasil memproses perhitungan jarak antar lokasi ... 76

Gambar 4.33 Berhasil menampilkan rute dan lokasi pengguna ... 76

Gambar 4.34 Semua lokasi tujuan telah dikunjungi ... 76

Gambar 4.35 Konfirmasi apakah ingin menambah catatan ... 76

Gambar 4.36 Menampilkan catatan yang disimpan untuk diperbarui ... 76

Gambar 4.37 Konfirmasi apakah ingin menutup aplikasi ... 76

Gambar 4.38 Rute Perjalanan Pertama Untuk 5 Lokasi Tujuan ... 81

Gambar 4.39 Rute Perjalanan Kedua dan Ketiga... 81

Gambar 4.40 Rute Perjalanan Keempat dan Kelima ... 81

Gambar 4.41 Rute Perjalanan Terakhir ... 81

Gambar 4.42 Hasil Uji Coba Ukuran Populasi ... 84

Gambar 4.43 Hasil Uji Coba Maksimal Generasi ... 84

Gambar 4.44 Hasil Uji Coba Kombinasi Pc dan Pm ... 84

Gambar 4.45 Rute Perjalanan Pertama Untuk 7 Lokasi Tujuan ... 87

Gambar 4.46 Rute Perjalanan Kedua dan Ketiga... 87

Gambar 4.47 Rute Perjalanan Keempat dan Kelima ... 87

Gambar 4.48 Rute Perjalanan Keenam dan Ketujuh ... 88

Gambar 4.49 Rute Perjalanan Terakhir (Kembali ke Lokasi Awal) ... 88

Gambar 4.50 Rute Perjalanan Pertama dan Rute Perjalanan Kedua ... 90

(16)

DAFTAR TABEL

Tabel 2.1 Populasi Kromosom ... 18

Tabel 2.2 Contoh kromosom hasil encoding... 19

Tabel 2.3 Contoh kromosom dengan nilai fitness-nya ... 21

Tabel 4.1 Daftar Kunjungan Kurir (7 Lokasi Tujuan) ... 40

Tabel 4.2 Kumpulan Data Alamat (1 Lokasi Awal dan 5 Lokasi Tujuan) ... 40

Tabel 4.3 Data Jarak Antar Titik ... 42

Tabel 4.4 Parameter Algoritma Genetika... 42

Tabel 4.5 Kromosom Hasil Encoding ... 43

Tabel 4.6 Kumulatif dari Probabilitas, Nilai acak [0, 1], Calon induk Crossover 48 Tabel 4.7 Bilangan acak R dan hasil proses seleksi untuk crossover ... 48

Tabel 4.8 Kumulatif dari Probabilitas, Nilai acak [0, 1], Calon induk mutation .. 49

Tabel 4.9 Bilangan acak R dan hasil proses seleksi untuk mutation ... 49

Tabel 4.10 Hasil Offspring dari crossover ... 51

Tabel 4.11 Hasil Offspring dari mutation ... 52

Tabel 4.12 Penggabungan populasi awal, anak crossover, anak mutation, dan nilai fitness ... 53

Tabel 4.13 Hasil penggabungan populasi berdasarkan nilai fitness-nya... 54

Tabel 4.14 Populasi untuk Generasi Berikutnya ... 54

Tabel 4.15 Kromosom terbaik dari populasi ... 55

Tabel 4.16 Pengujian Sistem dengan Black Box Testing ... 70

Tabel 4.17 Uji Coba Pengujian Ukuran Populasi ... 80

Tabel 4.18 Uji Coba Pengujian Maksimal Generasi ... 80

Tabel 4.19 Uji Coba Pengujian Pc dan Pm ... 80

Tabel 4. 20 Uji Coba Pengujian Ukuran Populasi ... 81

Tabel 4.21 Uji Coba Pengujian Maksimal Generasi ... 85

Tabel 4.22 Uji Coba Pengujian Pc dan Pm ... 85

(17)

DAFTAR LAMPIRAN

Lampiran 1 : Outline Wawancara dengan kurir Lampiran 2 : Kuesioner Evaluasi Sistem

(18)

BAB I

PENDAHULUAN

1.1 Latar Belakang

Melihat semakin pesatnya perkembangan teknologi dalam dunia bisnis sekarang ini, perusahaan-perusahaan berusaha untuk mampu bersaing dengan perusahaan lainnya. P.T. Sun Star Motor cabang Surabaya merupakan perusahaan bisnis yang bergerak dalam bidang jasa penjualan otomotif sejak tahun 1974, P.T. Sun Star Motor sudah mempunyai banyak cabang di kota-kota besar di Indonesia, seperti di Jakarta, Semarang, Solo, Malang, Denpasar, dan Surabaya. P.T. Sun Star Motor cabang Surabaya mempunyai banyak karyawan dengan berbagai macam divisi / bagian yang ada, salah satunya adalah kurir. Kurir dalam P.T. Sun Motor bukan untuk mengantar barang seperti halnya di perusahaan lain, melainkan, kurir membantu seorang salesman untuk mengambil kelengkapan administrasi pelanggan yang belum diberikan.

(19)

2 ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA

Dengan begitu, tugas seorang kurir sangat membantu bagi sales counter, yang dimana jika pelanggan belum memenuhi persyaratan administrasi dengan lengkap, maka pelanggan tidak perlu mengunjungi ke P.T. Sun Star Motor yang hanya untuk melengkapi syarat administrasi tersebut. Karena akan ada kurir yang mengunjungi tempat pelanggannya, dimana dalam hal ini tempat atau tujuan kurir tidak hanya satu tempat melainkan beberapa tempat setiap harinya sesuai dengan permintaan sales counter. Dan cukup dikunjungi satu kali untuk setiap pelanggannya.

Apabila terdapat 9 tempat/tujuan yang akan dikunjungi oleh kurir, maka terdapat 40.320 jalur yang mungkin. Hal ini yang menyebabkan kurir harus dapat mengatur urutan kunjungannya agar memperoleh jarak yang seminimum mungkin. Permasalahan yang sering terjadi adalah kurir terkadang menempuh jarak yang jauh dan terlalu berputar-putar untuk mengunjungi satu tempat ke tempat lainnya. Hal ini yang menyebabkan kurir menjadi kurang efisien dalam mengunjungi urutan tempat yang ingin ditujunya.

(20)

penyelesaian secara eksponensial untuk setiap bertambahnya dalam N. Dimana N dalam hal ini adalah jumlah kota.

Pada penelitian ini menggunakan metode heuristik yang merupakan suatu metode untuk menemukan penyelesaian masalah optimasi sebatas dalam kadar cukup baik dan masuk akal untuk diterima. Walaupun penyelesaian yang ditemukan bukanlah terbaik, tetapi sudah dapat untuk diterima karena sudah mencapai kadar 90 persen daripada penyelesaian optimum. (Zukhri, 2014).

Algoritma genetika merupakan sebuah algoritma yang meniru cara kerja proses genetika pada makhluk hidup, dimana terdapat proses seleksi, rekombinasi dan mutasi untuk mendapatkan kromosom terbaik pada suatu generasi. Dengan meniru teori evolusi, algoritma genetika dapat digunakan untuk mencari solusi permasalahan-permasalahan dalam dunia nyata. Sebelum algoritma dapat dijalankan, maka sebuah kode yang sesuai untuk permasalahan harus dirancang. Untuk masalah ini maka solusi yang layak dalam ruang permasalahan dikodekan dalam bentuk kromosom yang terdiri atas komponen genetika terkecil yaitu gen. Dengan teori evolusi dan teori genetika, di dalam penerapan algoritma genetika melibatkan beberapa operator, yaitu reproduksi, crossover, dan mutasi.

Sebelumnya, penerapan algoritma genetika pada permasalahan Travelling Salesman Problem pernah dilakukan oleh Lukas pada tahun 2005 yang berjudul Penerapan Algoritma Genetika Untuk Travelling Salesman Problem Dengan

(21)

Salesman Problem dengan menggunakan metode order crossover dan insertion mutation yang digunakan pada algoritma genetik.

Pada perancangan sistem yang akan dibuat, Sistem Informasi Geografis (SIG) berperan dalam penyampaian informasi kepada pengguna. Dengan menggunakan SIG sebagai media penyampaian informasi kepada pengguna, sistem juga dapat memberikan informasi mengenai jarak yang akan ditempuh, dapat membuat visualisasi rute yang akan ditempuh melalui SIG. Data yang akan diolah menjadi informasi ini adalah data geografis yaitu titik koordinat awal, dan beberapa titik koordinat tujuan.

Berdasarkan permasalahan yang telah dijabarkan tersebut, diharapkan dengan dibuatnya sistem ini dapat membantu permasalahan yang terjadi pada kurir PT. Sun Motor. Dan diharapkan sistem dapat membantu pengguna dalam menentukan urutan kunjungan yang akan dituju dengan jarak yang sub-optimal khususnya di wilayah Surabaya.

1.2 Rumusan Masalah

Berdasarkan latar belakang, maka rumusan masalah dari penelitian ini adalah bagaimana membuat suatu aplikasi Sistem Pendukung Keputusan dengan melibatkan Algoritma Genetika yang digunakan untuk membantu menyelesaikan persoalan Travelling Salesman Problem Berbasis Sistem Informasi Geografis pada kurir perusahaan di PT. Sun Motor cabang Surabaya?

1.3 Tujuan

(22)

Genetika yang digunakan untuk membantu menyelesaikan persoalan Travelling Salesman Problem Berbasis Sistem Informasi Geografis pada kurir perusahaan di PT. Sun Motor cabang Surabaya.

1.4 Manfaat

Dalam pembuatan sistem ini memberikan manfaat kepada pengguna diantaranya adalah:

1. Memberikan informasi kepada pengguna tentang informasi total jarak yang akan ditempuh.

2. Memberikan output kepada pengguna berupa urutan tempat yang akan dikunjungi.

1.5 Batasan Masalah

1. Rute yang digunakan adalah rute untuk wilayah kota Surabaya. 2. Faktor-faktor yang diperhatikan adalah jarak.

3. Jarak yang digunakan berasal dari perhitungan Google Maps dan jalur yang dipilih berdasarkan dari anjuran Google Maps.

(23)

BAB II

TINJAUAN PUSTAKA

2.1 Konsep Sistem Informasi

Menurut (Indrakarna, Sutanto, & Taufik, 2012), definisi sistem dapat dibagi menjadi dua pendekatan, yaitu pendekatan secara prosedur dan pendekatan secara komponen. Berdasarkan pendekatan prosedur, sistem didefinisikan sebagai kumpulan dari beberapa prosedur yang mempunyai tujuan tertentu. Sedangkan berdasarkan pendekatan komponen, sistem merupakan kumpulan dari komponen-komponen yang saling berkaitan mencapai tujuan tertentu.

Data adalah fakta-fakta atau kejadian-kejadian yang dapat berupa angka-angka atau kode-kode tertentu. Data masih belum mempunyai arti bagi penggunanya. Untuk dapat arti data diolah sedemikian rupa sehingga dapat digunakan oleh penggunanya. Hasil pengolahan data inilah yang disebut sebagai informasi. Secara ringkas, informasi adalah data yang telah diolah dan mempunyai arti bagi penggunanya. Sehingga sistem informasi dapat didefinisikan sebagai prosedur-prosedur yang digunakan untuk mengolah data sehingga dapat digunakan oleh penggunanya. (Indrakarna, Sutanto, & Taufik, 2012).

2.2 Google Maps

(24)

Serta mengubah tampilan peta. Tampilan yang akan muncul pada situs Google Maps dapat dilihat pada Gambar 2.1.

Gambar 2.1 Tampilan Google Maps

Fasilitas yang terdapat pada Google Maps diantaranya adalah menjelajah peta, mencari lokasi tertentu, seperti hotel, perusahaan, tempat hiburan, dll. Google Maps juga menyediakan beberapa mode pada tampilan petanya. Pada gambar berikut, dapat dilihat tampilan dengan mode map. Mode map merupakan bentuk dasar, yang didalamnya terdapat informasi mengenai nama jalan, sungai, danau, dan lain-lain. Dapat dilihat pada gambar 2.2

2.3 Google Maps API

(25)

Gambar 2.2 Tampilan Map View Google Maps

API dapat dikatakan sebagai penghubung suatu aplikasi dengan aplikasi lainnya yang memungkinkan programmer menggunakan system function. Proses ini dikelola melalui operating system. Keunggulan dari API ini adalah memungkinkan suatu aplikasi dengan aplikasi lainnya dapat saling berhubungan dan berinteraksi. Bahasa pemrograman yang digunakan oleh Google Maps terdiri dari HTML, Javascript, dan AJAX serta XML. Memungkinkan untuk menampilkan peta Google Maps di website lain. (Nughroho, 2011). Dengan menggunakan Google Maps API, Google Maps dapat ditampilkan pada website/aplikasi eksternal. Agar aplikasi Google Maps dapat muncul di project tertentu, diperlukan adanya APIkey. APIkey merupakan kode unik yang digenerasikan untuk suatu website atau aplikasi tertentu, agar server Google Maps dapat mengenali proyek tersebut.

2.4 Android

(26)

dibentuklah Open Handset Alliance yang kemudian Open Handset Alliance mendukung dikembangkannya lagi standar terbuka di perangkat seluler. Tidak hanya itu saja, Google juga merilis kode-kode Android di bawah lisesnsi Apache, sebuah lisensi perangkat lunak dan standar terbuka perangkat seluler (Pratiwi, Shiddiqi, & Pratomo, 2012). Dalam pembuatan aplikasi ini, versi Android yang digunakan adalah Android versi 4.1.2. Versi ini telah memenuhi standar untuk aplikasi yang akan dibuat karena sudah mendukung Google Maps API yang dimana Google Maps API ini berfungsi agar pengguna dapat melihat posisi keberadaannya yang ditampilkan pada peta dan untuk menghitung jarak.

2.5 Sistem Informasi Geografi

Menurut (Husein, 2007), SIG (Sistem Informasi Geografis) merupakan sistem yang mengorganisir perangkat keras (hardware), perangkat lunak (software), dan data, serta dapat mendaya-gunakan sistem penyimpanan, pengolahan, maupun analisis data secara simultan, sehingga dapat diperoleh informasi yang berkaitan dengan aspek keruangan. SIG merupakan manajemen data spasial dan non-spasial yang berbasis komputer dengan tiga karakteristik dasar, yaitu:

1. Mempunyai fenomena aktual (variabel data non-lokasi) yang berhubungan dengan topik permasalahan di lokasi bersangkutan,

2. Merupakan suatu kejadian di suatu lokasi, 3. Mempunyai dimensi waktu.

(27)

1. Perangkat Keras (Hardware)

Sistem Informasi Geografis membutuhkan komputer untuk menyimpan data dan dalam melakukan pengolahan data. Semakin kompleks data yang ingin diolah, maka semakin besar juga kebutuhan memori dan kecepatan pengolah datanya.

2. Perangkat Lunak (Software)

Perangkat lunak dibutuhkan untuk memasukkan, menyimpan dan mengeluarkan data bila diperlukan. Perangkat lunak Sistem Informasi Geografis harus memiliki beberapa elemen seperti mampu melakukan input dan transformasi data geografis, sistem manajemen basis data, mampu mendukung query geografis, analisis dan visualisasi, dan memiliki Graphical User Interface (GUI) untuk memudahkan akses.

3. Data

(28)

memberikan identifikasi seperti alamat, kode pos, dan lain-lain. Dalam penelitian ini data yang digunakan adalah data spasial. Beberapa data spasial menurut (Nalloh, Sunandar, & Dimitra, 2013):

a. Titik

Titik merupakan representasi grafis yang paling sederhana. Representasi ini tidak memiliki dimensi tetapi dapat diidentifikasi di atas peta dan dapat ditampilkan pada layar monitor. Pada skala tertentu biasanya titik digunakan untuk menggambarkan letak suatu kota, letak suatu bangunan atau objek-objek lainnya. Format titik memiliki ciri-ciri yaitu koordinat tunggal, tanpa panjang, tanpa luasan. Contoh dari format titik: lokasi kecelakaan, letak pohon, lokasi gedung. Tipe data titik dapat dilihat pada Gambar 2.3.

Gambar 2.3 Tipe Data Titik

Pada Google Maps setiap titik memiliki koordinat yang berfungsi untuk menentukan lokasi titik berada. Misalnya letak Kantor PT. Sun Star Motor dapat di tunjukkan pada Google Maps dengan koordinat -7.28197, 112.74695 dapat dilihat pada Gambar 2.4.

b. Garis

(29)

mempunyai panjang, tanpa luasan. Tipe data garis dapat dilihat pada Gambar 2.5. Misalnya Jalan Bali dapat ditunjukkan pada Google Maps dengan dimulai dari titik A dengan koordinat -7.27449, 112.74681 dan diakhiri dengan titik B dengan koordinat -7.27495, 112.7495 yang dapat dilihat pada Gambar 2.6

Gambar 2.4 Lokasi PT. Sun Star Motor di Jalan Ngagel, Surabaya

Gambar 2.5 Tipe Data Garis

(30)

Manusia dibutuhkan untuk mengendalikan seluruh Sistem Informasi Geografis. Adanya koordinasi dalam Sistem Informasi Geografis sangat diperlukan agar informasi yang diperoleh menjadi benar, tepat, dan akurat. 2.6 Teori Graph

Graph merupakan suatu cabang ilmu yang memiliki banyak terapan. Banyak sekali struktur yang bisa direpresentasikan dengan graph, dan banyak masalah yang bisa diselesaikan dengan bantuan graph. Seringkali graph digunakan untuk merepresentasikan suatu jaringan. Misalkan, jaringan jalan raya dimodelkan graph dengan kota sebagai simpul (vertex/node) dan jalan yang menghubungkan setiap kotanya sebagai sisi (edge) yang bobotnya (weight) adalah panjang dari jalan tersebut. Misalkan simpul merepresentasikan kota, sisi merepresentasikan jalan yang memungkinkan, dan bobot dari setiap sisi adalah biaya yang dikeluarkan dalam perjalanan yang memungkinkan, dan bobot dari setiap sisi adalah jarak yang ditempuh dalam perjalanan tersebut. Graph G didefinisikan sebagai pasangan himpunan (V, E), ditulis dengan notasi G = (V, E), yang dalam hal ini V adalah himpunan tidak kosong dari simpul-simpul (vertices atau node) dan E adalah himpunan sisi (edges atau arcs) yang menghubungkan sepasang simpul. V tidak boleh kosong, sedangkan E boleh kosong. (Hayati & Yohanes, 2014).

2.7 Optimasi Kombinatorial

(31)

kategori. Kategori pertama terdiri dari masalah dengan variabel yang kontinu (terus-menerus). Masalah tersebut terkenal pada pelajaran matematika di sekolah. Contoh sedehana untuk menemukan fungsi minimum dari 𝑓: 𝑅 → 𝑅 dengan 𝑓(𝑥) = 𝑥2_{. Hal ini jelas bahwa x}₀_{= 0 ini adalah solusi yang unik dari} masalah ini. Dalam masalah optimasi kombinatorial, salah satu bertujuan meminimalkan atau memaksimalkan fungsi tujuan tertentu dibawah himpunan kendala. Secara formal, masalah optimasi kombinatorial dapat didefinisikan sebagai (𝑆, 𝑓, Ω) dimana S sebagai ruang pencarian, 𝑓 sebagai fungsi obyektif, yang harus dimaksimalkan atau diminimalkan dan Ω sebagai himpunan kendala yang harus dipenuhi untuk mendapatkan solusi yang layak. Tujuannya untuk menemukan solusi optimal secara global, pada kasus minimasi, mencoba untuk mendapatkan nilai obyektif yang terkecil pada kondisi bahwa semua kendala terpenuhi.

2.8 Travelling Salesman Problem

(32)

kota tepat satu kali dan kemudian kembali ke rumah, cari urutan dari tur sehingga total jarak (biaya) perjalanan adalah minimum. Biaya bisa menjadi jarak, waktu, energi, dll. Sebuah graf berbobot lengkap G = (N, E) dapat di gunakan untuk menggambarkan sebuah TSP, dimana N adalah kota dan E adalah sisi (jalur) yang secara lengkap menghubungkan semua kota. Setiap sisi (i,j) E adalah menerangkan biaya dij, dimana jarak antara kota i dan j.

Menurut (Suyanto, 2014), TSP dibagi menjadi 2 yaitu TSP asimetris dan simetris. Pada TSP simetris, biaya dari kota 1 ke kota 2 sama dengan biaya dari kota 2 ke kota 1. Sedangkan pada TSP asimetris, biaya dari kota 1 ke kota 2 tidak sama dengan biaya dari kota 2 ke kota 1. Untuk TSP asimetris, jumlah jalur yang mungkin adalah permutasi dari jumlah kota yang harus dilalui dibagi dengan jumlah kota yang harus dilalui. Hal ini dapat dipahami karena secara siklus, sebuah jalur dengan urutan 2-3 adalah sama dengan jalur 2-3-1 dan jalur 3-2. Tetapi jalur dengan 1-2-3 tidaklah sama dengan jalur 3-2-1. Untuk TSP asimetris jumlah jalur yang mungkin dapat diperoleh dengan menggunakan Persamaan 2.1:

𝑛

𝑃

𝑘

=

𝑛!_𝑛 (2.1)

Keterangan:

𝑛

𝑃

𝑘 = jumlah jalur yang mungkin

n = jumlah kota 2.9 Algoritma Genetika

(33)

(34)

secara acak mengubah nilai dari gen pada kromosom induk. Eksploitasi bertujuan mengurangi keragaman dalam populasi dengan memilih setiap tahap individu dengan fitness paling tinggi. Seringkali strategi elitis diterapkan, dengan individu-individu yang terbaik dipasang untuk bertahan di generasi berikutnya jika mereka tidak bertahan. Proses evolusi dihentikan atas dasar beberapa kriteria konvergensi. Yang sering digunakan adalah jumlah generasi yang didefinisikan. Secara alternatif, proses Algoritma Genetika dihentikan ketika telah mencapai sejumlah generasi tanpa adanya perbaikan nilai fitness terbaik.

2.9.1.Komponen-komponen dalam Algoritma Genetika

Algoritma Genetika terdiri dari beberapa komponen yaitu sebagai berikut: 1. Populasi

(35)

ukuran populasi yang baik adalah bernilai antara 20 – 30 dalam satu populasi. Populasi hasil kombinasi dari berbagai kromosom dapat dilihat pada Tabel 2.1.

Tabel 2.1 Populasi Kromosom

Kromosom [1] BDEC

Kromosom [2] BEDC

Kromosom [3] EDCB

Kromosom [4] BEDC

2. Proses Encoding (Permutation Encoding)

(36)

permutasi dari indeks kota dan dapat dinyatakan sebagai vektor v, vi = [g1, g2, …, gn] dengan 1≤ i ≤ UkPop. Contoh pengkodean untuk TSP dapat dilihat pada Tabel 2.2.

Tabel 2.2 Contoh kromosom hasil encoding

Kromosom [1] BDEC

Kromosom [2] BEDC

3. Evaluasi dan Seleksi (Roulette Wheel)

Menurut (Baharuddin, Shididiqi, & Pratomo, 2012), di dalam algoritma genetika, individu yang bernilai fitness tinggi akan bertahan hidup. Sedangkan individu yang bernilai fitness rendah akan mati. Pengertian nilai fitness adalah nilai yang menyatakan baik tidaknya suatu solusi (individu). Algoritma genetika bertujuan untuk mencari individu dengan nilai fitness yang paling tinggi. Umumnya kromosom yang memiliki fitness tinggi akan bertahan dan berlanjut ke generasi berikutnya. Kromosom yang telah terbentuk akan berevolusi secara berkelanjutan yang disebut dengan generasi. Kromosom yang telah diketahui sebelumnya akan dicari nilai fitness masing – masing. Nilai fitness didapatkan dari jumlah perhitungan nilai dari tour yang telah di bentuk di dalam kromosom. Menurut (Fitrah, Zaky, & Fitrasani, 2006), karena pada TSP merupakan masalah pencarian nilai minimum, maka fungsi fitness menggunakan Persamaan 2.2.

𝐹(𝑣) =

_𝑓(𝑣)1 (2.2)

Keterangan:

(37)

Pada tahap ini, 𝑓(𝑣) merupakan nilai panjang ruas jalan setiap rute. Sehingga 𝑓(𝑣) dihitung dengan Persamaan 2.3:

𝑓(𝑣) = ∑

𝑛𝑖=1

𝑥

𝑖 (2.3)

Keterangan:

𝑓(𝑣)

=

nilai fitness

𝑥

𝑖

=

panjang ruas jalan

Sebelum memasuki tahap seleksi (roulette wheel), maka harus diketahui nilai probabilitas dari tiap kromosom, yang dapat menggunakan Persamaan 2.4:

𝑃[𝑖] =

_{∑ 𝐹(𝑖)}𝐹(𝑖) (2.4)

Keterangan:

𝑃[𝑖] = Probabilitas tiap kromosom

𝐹(𝑖) = Fungsi fitness

∑ 𝐹(𝑖) = Total nilai keseluruhan dari fungsi fitness (𝐹(𝑖))

Dalam tahap seleksi akan menentukan individu-individu mana saja yang akan dipilih untuk dilakukan rekombinasi dan bagaimana kromosom anak terbentuk dari individu-individu terpilih tersebut. Metode seleksi yang akan digunakan pada penelitian ini adalah roulette-wheel. Sesuai dengan namanya, metode ini menirukan permainan roulette-wheel dimana masing-masing individu menempati potongan lingkaran pada roda-roulette secara proposional sesuai dengan nilai fitness-nya. Kromosom yang mengalami proses evaluasi diharapkan menghasilkan solusi paling optimal. Contoh kromosom dengan nilai fitness-nya dapat dilihat pada Tabel 2.3.

(38)

persamaan (2.4) dalam interval [0,1]. Sebuah kromosom akan terpilih jika bilangan random yang dibangkitkan berada dalam interval akumulatifnya. Pada Gambar 2.7, K 1 menempati interval nilai kumulatif [0; 0,25], K 2 berada dalam interval (0,25; 0,75), K 3 dalam interval (0,75; 0,875), dan K 4 dalam interval (0,875; 1). Misalkan, jika bilangan random yang dibangkitkan adalah 0,6 maka kromosom K 2 terpilih sebagai orang tua. Tetapi jika bilangan random yang dibangkitkan adalah 0,99 maka kromosom K 4 yang terpilih. (Atiyatna, 2012).

Tabel 2.3 Contoh kromosom dengan nilai fitness-nya Kromosom Nilai Fitness

K 1 1

K 2 2

K 3 0,5

K 4 0,5

Jumlah 4

Gambar 2.7 Contoh roulette-wheel dari tabel 2.2

Dari pernyataan yang telah dijelaskan sebelumnya, menurut (Zukhri, 2014) ketentuan dalam terpilihnya kromosom dapat pula ditulis menjadi Persamaan 2.5.

Kromosom pertama yang terpilih, jika 𝑟 < 𝑃[1].

(39)

Menurut (Atiyatna, 2012), pindah silang (Crossover) dilakukan atas 2 kromosom untuk menghasilkan kromosom anak (offspring). Kromosom anak yang terbentuk akan mewarisi sebagian sifat kromosom induknya. Crossover dalam penelitian ini menggunakan skema order crossover. Pada crossover ada satu parameter yang penting yaitu peluang crossover (pc). Menurut (Obitko, 1998), merekomendasikan bahwa nilai pc secara umum harus bernilai tinggi untuk beberapa masalah sebesar 60% (0,6). Pc menunjukkan rasio dari offspring yang dihasilkan dalam tiap generasi dengan ukuran populasi. Misalkan ukuran populasi (popsize = 100), sedangkan peluang crossover (pc= 0,25), maka diharapkan ada 25 kromosom dari 100 kromosom yang ada pada populasi tersebut akan mengalami crossover.

(40)

tersebut dari kromosom itu. Jika tidak ada, maka gen tersebut dimasukkan ke dalam gen offspring yang masih belum terisi secara berurutan mulai dari kiri hingga kanan.

Sebagai contoh, bilangan acak 1= 2, bilangan acak 2=3. Dengan kromosom induk pertama dan kedua mempunyai gen sebagai berikut:

Induk 1 = ( 2 3 4 5 6 ) ; Induk 2 = ( 4 5 6 2 3 )

Kemudian, gen ke-2 dan ke-3 pada induk pertama akan diduplikasi ke kromosom anak sesuai dengan gen yang sama. Sehingga kromosom anak menjadi:

Induk 1 X Induk 2 Anak

2 3 4 5 6 X 4 5 6 2 3 = 0 3 4 0 0

Gen anak yang masih kosong diisi dengan induk 2, sehingga kromosom anak menjadi:

Induk 1 X Induk 2 Anak

2 3 4 5 6 X 4 5 6 2 3 = 5 3 4 6 2

5. Mutasi (Swap Mutation)

Jumlah kromosom yang mengalami mutation dalam satu populasi ditentukan oleh parameter probabilitas mutasi atau mutation rate (Pm). Menurut (Obitko, 1998), nilai Pm harus mempunyai nilai yang rendah antara 0,5% - 1% (0,05 – 0,1). Pada penelitian ini menggunakan skema swap mutation, sebagai proses mutation. Langkah yang dilakukan pada swap mutation adalah dengan cara memilih 2 posisi gen dalam kromosom secara acak, kemudian 2 posisi gen tersebut saling ditukarkan (Gen, Cheng, & Lin, 2008). Misalnya suatu kromosom {2, 3, 4, 1, 5, 6} dapat termutasi menjadi {4, 3, 2, 1, 5, 6}. Dalam hal ini gen ke-1 dan ke-3 dipilih secara acak, yang kemudian saling ditukarkan.

(41)

parameter ukuran populasi. Kemudian, bilangan acak yang sudah dibangkitkan, dibandingkan dengan pm. Jika bilangan acak kurang dari pm, maka kromosom tersebut akan mengalami mutasi, apabila tidak ada kromosom yang mengalami mutasi maka tidak akan mendapatkan anak hasil dari mutasi.

6. Penggantian Populasi

Menurut (Sastry, Goldberg, & Kendall, 2005), penggantian populasi dilakukan setelah keturunan baru dibuat menggunakan crossover dan mutation, perlu untuk memperkenalkan kedalam populasi lama. Kromosom induk dipilih berdasarkan nilai fitness-nya, sehingga yang diharapkan kromosom anak (offspring) lebih baik daripada kromosom induk. Pada tahap ini menggunakan steady-state untuk skema penggantian populasinya dengan cara mengurutkan kromosom parent dengan kromosom offspring berdasarkan nilai fitness-nya mulai dari yang terbaik sampai yang terburuk. Kromosom yang menempati urutan teratas akan menjadi populasi untuk generasi berikutnya, yang diambil sesuai dengan parameter ukuran populasi.

7. Kriteria Penghentian

Menurut (Suyanto, 2014), proses-proses pada Algoritma Genetika akan terus berulang sampai mencapai suatu kriteria berhenti tertentu. Kriteria penghentian Algoritma Genetika yang digunakan adalah generations, yaitu Algoritma Genetika akan berhenti setelah mencapai batas generasi yang telah ditentukan, yang kemudian melaporkan individu dengan nilai fitness yang terendah sebagai solusi terbaik.

(42)

Menurut (Sivanandam & Deepa, 2008) secara garis besar algoritma genetika dapat dilakukan dengan langkah-langkah sebagai berikut:

1. Inisiasi Populasi, populasi acak sebanyak n kromosom (solusi untuk masalah),

2. Evaluasi kromosom, menghitung evaluasi fitness tiap kromosom,

3. Populasi baru, membuat populasi baru dengan mengulangi langkah-langkah berikut sampai populasi baru selesai.

a. Selection, pilih 2 kromosom induk dari populasi menurut nilai fitness-nya,

b. Crossover, dengan Pc (crossover probability), kawin silangkan kromosom induk untuk membentuk kromosom anak. Jika tidak ada yang dikawin silangkan, kromosom anak sesuai dengan kromosom induk,

c. Mutation, dengan Pm (mutation probability), mutasi gen tiap kromosom anak (posisi dalam kromosom),

d. Accepting, kromosom anak menempati populasi baru,

4. Replace, gunakan populasi baru untuk langkah algoritma selanjutnya,

5. Test, jika kriteria penghentian sudah tercapai, berhenti dan menampilkan solusi yang terbaik/kromosom dengan nilai fitness yang terendah. Jika tidak, ulangi langkah ke-2.

2.10 JSON (JavaScript Object Notation)

(43)

JSON berbasis teks, ringan, dan formatnya mudah dibaca oleh manusia untuk pertukaran data antara klien dan server. JSON berasal dari JavaScript dan hampir sama dengan JavaScript objects, tetapi tidak tergantung dengan JavaScript. JSON merupakan bahasa-independen, dan dukungan format data JSON tersedia dalam semua bahasa pemrograman yang populer, seperti C#, PHP, Java, C++, Python, dan Ruby. JSON dapat digunakan pada aplikasi berbasis web untuk transfer data. Sebelum JSON, XML dipilih sebagai format pertukaran data. Untuk menguraikan XML diperlukan sebuah implementasi XML DOM pada sisi klien yang akan memperlambat respon XML, kemudian XPath digunakan untuk merespon query yang bertujuan untuk mengakses dan mengambil data.

(44)

BAB III

METODE PENELITIAN

Metodologi penelitian merupakan cara atau prosedur besera tahapan-tahapan yang jelas dan sistematis untuk menyelesaikan suatu masalah yang sedang diteliti dengan landasan ilmiah.

3.1. Lokasi dan Waktu Penelitian

Tempat yang digunakan pada penelitian adalah PT. Sun Star Motor yang lokasinya berada di Jalan Sulawesi nomor 33 – 37 Surabaya, Jawa Timur. Penelitian dilakukan mulai dari bulan November 2015 sampai dengan bulan April 2016. 3.2. Objek Penelitian

Dalam penelitian ini yang menjadi subjek penelitian adalah peneliti, sedangkan yang menjadi objek penelitian adalah PT. Sun Star Motor cabang Surabaya.

3.3. Tahapan Penelitian

(45)

Gambar 3.1 Alur penelitian 3.4. Pengumpulan Data Dan Informasi

Dalam penelitian ini dilakukan pendekatan kualitatif sehingga teknik pengumpulan data dan informasi yang digunakan adalah studi literatur dan wawancara.

1. Studi literatur untuk mengetahui dan memahami lebih mendalam bagaimana Algoritma Genetika dapat menentukan jarak sub-optimal dalam Travelling Salesman Problem.

2. Wawancara adalah merupakan suatu metode pengumpulan data dan informasi dengan cara bertanya langsung kepada pengguna. Wawancara

Pengumpulan data dan informasi melalui studi literatur dan wawancara

Analisis data hasil wawancara

Pengolahan data dan informasi

Perancangan sistem

Implementasi sistem

Pengujian sistem

Evaluasi sistem

(46)

dilakukan dengan seorang kurir PT. Sun Star Motor cabang Surabaya, pengumpulan data melalui wawancara tersebut bertujuan untuk:

a. Mengetahui kendaraan yang digunakan. b. Mengetahui titik awal dari perjalanan kurir. c. Kendala yang dihadapi oleh kurir

d. Mengetahui jumlah tempat paling banyak yang pernah dikunjungi dalam satu hari.

3. Pengambilan data daftar kunjungan kurir PT. Sun Star Motor melalui wawancara.

3.5. Pengolahan Data Dan Informasi

Data yang telah terkumpul selanjutnya akan diproses melalui tahap pengolahan data. Pengolahan data dilakukan melalui kegiatan sebagai berikut:

1. Hasil dari studi pustaka akan digunakan dalam langkah-langkah perhitungan Algoritma Genetika.

2. Menganalisis hasil wawancara dan pengambilan data untuk menentukan data lokasi awal dan data lokasi tujuan. Data lokasi awal merupakan data yang menunjukkan lokasi awal dari perjalanan, beberapa data lokasi tujuan merupakan data yang menunjukkan lokasi tempat/tujuan yang dijadikan sebagai tujuan pengguna.

(47)

3.6. Penyelesaian Masalah dengan Algoritma Genetika

Proses analisis ini dilakukan dengan menggunakan Algoritma Genetika dengan menganalisis Algoritma Genetika, yaitu:

1. Memasukkan data berupa jarak antar kota / tempat.

2. Menginisiasi parameter Algoritma Genetika; ukuran populasi, pc, pm, dan maksimal generasi.

3. Inisiasi populasi kromosom dengan setiap kromosomnya menyatakan urutan kota/tempat yang harus dikunjungi, teknik inisiasi ini menggunakan permutation encoding sebanyak ukuran populasi.

4. Melakukan proses evaluasi kromosom, dengan menghitung nilai fitness dari tiap kromosom dengan Persamaan 2.3 yang telah dibuat,

5. Melakukan penyeleksian kromosom dengan operasi seleksi menggunakan roulette wheel.

a. Hitung nilai fungsi fitness di setiap kromosom dengan Persamaan 2.2. b. Hitung nilai probabilitas tiap kromosom dengan Persamaan 2.4. c. Membuat nilai kumulatif dari probabilitas dengan interval [0,1] d. Membuat bilangan acak riil r yang bernilai antara 0 sampai 1. e. Melakukan seleksi tiap kromosom dengan ketentuan Persamaan 2.5. f. Ulangi langkah “d” sampai n kali, dimana n adalah ukuran populasi. g. Maka akan terbentuk calon induk kromosom crossover.

(48)

i. Membandingkan bilangan random (r) dengan probabilitas penyilangan (pc),

j. Kromosom ke-i terpilih jika bilangan random ke-i kurang dari probabilitas penyilangan,

k. Jika kromosom yang terpilih berjumlah genap, maka dapat dipasangkan satu sama lain. Jika kromosom yang terpilih berjumlah ganjil, maka kromosom yang paling akhir diabaikan/dibuang,

l. Maka akan terbentuk induk kromosom untuk proses crossover,

m.Untuk menentukan calon induk kromosom mutation, mengulangi langkah dari “d” hingga “f”.

n. Maka akan terbentuk calon induk kromosom mutation.

o. Kemudian melakukan proses seleksi untuk mutation, dengan cara membuat bilangan acak (R) antara 0 sampai dengan 1 sebanyak parameter dari ukuran populasi.

p. Membandingkan bilangan acak (R) dengan probabilitas mutasi (pm), q. Kromosom ke-i terpilih jika bilangan random ke-i kurang dari probabilitas

mutasi,

r. Maka akan terbentuk induk kromosom untuk proses mutation.

6. Dari hasil proses seleksi untuk crossover, dapat dilakukan operasi crossover menggunakan skema order crossover,

(49)

b. Dari bilangan acak yang didapat, maka gen pada kromosom induk pertama mulai dari k1 sampai k2 disalin pada offspring pertama dengan posisi yang sama,

c. Gen-gen yang kosong pada offspring pertama diisi oleh gen-gen kromosom induk kedua mulai dari posisi gen yang pertama sampai dengan yang terakhirdan yang belum ada pada offspring secara berurutan mulai dari kiri ke kanan,

d. Pada offspring kedua, dapat mengulangi langkah f namun dengan peran kromosom induk yang terbalik, jumlah offspring sebanyak kromosom yang terpilih,

e. Maka akan mendapatkan kromosom anak hasil dari crossover.

7. Dari hasil proses seleksi untuk mutation, dilakukan operasi mutation menggunakan skema swap mutation,

a. Pada kromosom yang terpilihakan dipilih 2 gen secara acak, kemudian saling ditukarkan.

b. Maka akan mendapatkan kromosomanak hasil dari proses mutation. c. Apabila tidak ada kromosom yang terpilih, maka tidak mendapatkan

kromosom anak dari proses mutation.

(50)

posisi atas akan diambil sebanyak dari parameter ukuran populasi untuk dijadikan populasi awal pada generasi berikutnya.

9. Jika jumlah generasi sudah tercapai, maka melaporkan hasil GA dengan nilai fitness yang terbaik (terendah).

10. Jika jumlah generasi belum tercapai, maka melakukan langkah nomor 4. Hasil dari perhitungan dengan Algoritma Genetika memberikan output berupa urutan kunjungan tempat dengan jarak yang sub-optimal.

3.7. Perancangan Sistem

Sebelum pembuatan aplikasi, dibuatnya rancangan sistem terlebih dahulu. Pembuatan rancangan ini diharapkan agar aplikasi tersebut dapat berfungsi seperti apa yang diharapkan yaitu dapat membantu permasalahan yang terjadi pada travelling kurir pada perusahaan.

1. Pemanfaatan Google Maps API pada Sistem Informasi Geografis

(51)

2. Perancangan Proses

Perancangan proses adalah dimana peneliti akan mendesain suatu sistem dengan berbagai diagram. Pada tahap ini akan dibuat berbagai diagram untuk membantu pembangunan aplikasi. Dalam perancangan proses ini terdiri atas beberapa diagram yang dilakukan, yaitu pembuatan use case diagram, activity diagram, dan rancangan input dan output.

A. Use Case Diagram

Dengan pembuatan use case diagram digunakan untuk mengetahui fungsi apa saja yang ada di dalam sebuah sistem dan siapa saja yang berhak menggunakan fungsi-fungsi tersebut. Fungsi-fungsi tersebut diantaranya adalah:

1. Mencari alamat 2. Melihat tujuan B. Activity Diagram

Activity diagram menggunakan bagaimana alur sistem mulai berjalan hingga sistem berakhir. Pembuatan activity diagram digunakan menunjukkan langkah-langkah proses dalam aliran kerja dan titik keputusan dalam aliran kerja.

C. Rancangan Input dan Output

(52)

1. Rancangan Form Home

Form home merupakan tampilan berupa menu utama pada aplikasi yang akan dibuat, terdapat beberapa pilihan fitur utama, yaitu mencari alamat yang digunakan untuk mencari alamat yang akan dituju, melihat tujuan yang digunakan untuk daftar tujuan yang telah dipilih, Tentang yang berisikan tentang informasi pembuat. 2. Rancangan Form Cari Alamat

Form cari alamat merupakan sebuah fitur pada aplikasi yang akan dibuat yang berguna untuk mencarikan alamat yang akan dituju. Pengguna diminta untuk mencari alamat yang ingin dituju dengan mengklik sebuah tombol, untuk mencari tujuannya, kemudian pengguna diminta untuk menekan suatu tombol untuk menyimpan lokasi tersebut. Jika masih ada lokasi yang ingin dicari, maka pengguna dapat mencari kembali. Jika sudah selesai, pengguna dapat kembali ke menu utama. 3. Rancangan Form Daftar Tujuan

Form daftar tujuan merupakan form yang berisikan alamat-alamat yang akan dituju oleh pengguna. Pengguna dapat menambahkan tujuan dengan menekan sebuah tombol tambah, yang kemudian akan kembali ke halaman pencarian alamat. Dan pengguna dapat menghapus daftar tujuan dengan menekan dan tahan lokasi yang ingin dihapus, atau menekan tombol hapus untuk menghapus semua tujuan. Kemudian, jika sudah selesai maka pengguna dapat menekan tombol proses untuk melakukan proses pencarian rute yang hasilnya akan ditampilkan oleh sistem pada peta.

(53)

Form Tentang merupakan form yang berisikan mengenai informasi pembuat aplikasi dan beberapa informasi mengenai aplikasi.

3.8. Implementasi Sistem

Pada penelitian ini akan dibuat suatu aplikasi yang dapat memberikan pandangan kepada pengguna dalam memilih rute dengan jarak yang sub-optimal yang akan dilaluinya. Aplikasi ini dapat dijalankan melalui platform android mobile dengan menggunakan bahasa Java sebagai bahasa pemrogramannya, SQLite Expert sebagai sistem manajemen database, Google Maps API digunakan untuk mengambil koordinat, mencari alamat, menghitung jarak antar lokasi, menggambar rute.

3.9. Pengujian Sistem

Uji coba sistem dilakukan untuk menguji kinerja sistem yang telah dibuat. Pada penelitian ini pengujian sistem dilakukan dengan menguji parameter pada algoritma genetika yaitu ukuran populasi, kombinasi probabilitas crossover dan probabilitas mutation, dan jumlah generasi dengan cara mengubah parameter algoritma genetika secara bervariasi untuk mengetahui hasil dari algoritma genetika, serta menggunakan black box testing dengan menguji tiap fitur-fitur yang dimiliki sistem. Pengujian dengan black box testing terfokus pada implementasi dari sebuah aplikasi, untuk memastikan fungsional pada sistem telah terpenuhi dan sesuai dengan yang diinginkan.

3.10. Evaluasi Sistem

(54)

(55)

BAB IV

HASIL DAN PEMBAHASAN

4.1. Pengumpulan Data dan Informasi

Pengumpulan data dan informasi dilakukan pada bagian atau divisi kurir di PT. Sun Star Motor, Surabaya. Pengumpulan data dan informasi ini dilakukan dengan melakukan studi pustaka, wawancara, dan pengambilan data.

Studi pustaka adalah berupa tinjauan pustaka yang diambil dari buku referensi, jurnal, skripsi, dan thesis yang diterbitkan oleh beberapa universitas di Indonesia mengenai teori, Google Maps API, Optimasi, Travelling Salesman Problem, Algoritma Genetika. Hasil studi pustaka yang dilakukan adalah diperolehnya langkah-langkah perhitungan Algoritma Genetika, dan data-data yang dibutuhkan untuk melakukan perhitungan optimasi Travelling Salesman Problem.

(56)

Setelah melakukan wawancara, tahap selanjutnya adalah tahap pengambilan data melalui wawancara yang dilakukan pada bulan Maret 2016. Wawancara pengambilan data dapat dilihat pada Lampiran 3. Data yang dipakai dalam penelitian ini yaitu data daftar kunjungan kurir pada tanggal 22 Maret dan 24 Maret 2016. Data daftar kunjungan pada tanggal 22 Maret diketahui terdapat 5 lokasi tujuan. Sedangkan data daftar kunjungan pada tanggal 24 Maret terdapat 7 lokasi tujuan.

4.2. Pengolahan Data dan Informasi

Data yang didapatkan dari hasil wawancara yaitu data alamat perusahaan yang berada di Jalan Sulawesi No. 33 – 37, Surabaya. Data alamat perusahaan ini berfungsi sebagai titik awal dan titik akhir dari perjalanan kurir. Kemudian, data yang didapatkan dari hasil pengambilan data adalah data daftar kunjungan kurir, yang berfungsi sebagai titik tujuan kurir selama perjalanannya. Terdapat 2 data daftar kunjungan kurir yaitu pada tanggal 22 Maret yang mempunyai 5 lokasi tujuan dan pada tanggal 24 Maret yang mempunyai 7 lokasi tujuan. Data daftar kunjungan dengan 7 lokasi tujuan dapat dilihat pada Tabel 4.1. Data daftar kunjungan yang mempunyai 5 lokasi tujuan diolah secara manual untuk contoh perhitungan manual dan juga pengujian sistem. Kemudian data daftar kunjungan yang mempunyai 7 lokasi tujuan dijadikan hanya sebagai pengujian sistem.

4.2.1.Persiapan Data untuk Penyelesaian Masalah dengan Algoritma

Genetika

(57)

Kemudian dari data-data alamat yang terdapat pada Tabel 4.2 dan informasi yang telah didapat akan diolah dengan menggunakan Google Maps untuk mencari jarak masing-masing antar tempat mulai dari alamat perusahaan sampai lokasi tujuan yang terakhir.

Tabel 4.1 Daftar Kunjungan Kurir (7 Lokasi Tujuan)

No. Nama Tempat Alamat

1. Mulyati Guyadi Jalan Bumi Marina Emas Selatan E82 2. Hadi Ciputra Jalan Darmahusada Indah III / L-50

3. Suharsono Lasa Jalan Tidar No. 194

4. Indriaty Latief Jalan Villa Bukit Emas N-8 5. PT. Rimba Ria Rekawira Jalan Kedinding Tengah II/6 6, PT. Artha Dinamis _Sentosa Jalan Anjasmoro No. 64 7. PT. Wira Bhumi Sejati Jalan Tenggilis Timur VI.1 (AA-25)

Tabel 4.2 Kumpulan Data Alamat (1 Lokasi Awal dan 5 Lokasi Tujuan)

No. Nama Tempat Alamat

1. PT. Sun Star Motor Jl. Sulawesi Nomor 33 – 37, Surabaya 2. P.T. Mikatasa Agung Jl. Rungkut Industri No. 2 – 4, Surabaya 3. P.T. Superindo Utama Jl. Arief Rahman Hakim No. 139, Surabaya 4. P.T. Wira Bhumi Sejati Jl. Tenggilis Timur VI/1 (AA-25), Surabaya 5. CV. Wonokusumo Indah Jl. HR. Muhammad No. 49 – 55, Surabaya 6. P.T. Alvindo Jl. Margorejo Indah XIV/C-603, Surabaya

(58)

driving, serta terdapat pilihan opsi hindar (avoid) yang dipilih yaitu avoid highways, dan avoid tolls. Setelah pilihan kendaraandan opsi hindar dipilih, maka dapat diketahui jaraknya, yang dapat dilihat pada Gambar 4.1. Pada Gambar 4.1 dapat dilihat bahwa terdapat 3 jalur yang dianjurkan oleh Google Maps, akan tetapi Google Maps lebih menyarankan untuk melewati jalur pertama dengan jarak sebesar 9,2 kilometer. Pada anjuran inilah yang dijadikan pilihan untuk mendapatkan jarak masing-masing antar lokasi.

Setelah semua jarak antar titik dicari dengan Google Maps, maka dapat dijadikan tabel seperti pada Tabel 4.3, pada Tabel 4.3 dapat dilihat terdapat 2 kolom yaitu kolom awal dan kolom tujuan, kolom awal merupakan asal perjalanan, dan kolom tujuan merupakan tempat yang dituju. Pada kolom awal terdapat beberapa angka yang merupakan representasi angka dari Tabel 4.3, misalnya pada kolom awal terdapat angka 1 dan kolom tujuan terdapat angka 2, maka dapat diartikan bahwa angka 1 yang merupakan tempat PT. Sun Star Motor dengan alamat Jl. Sulawesi No. 33 – 37 menuju ke angka 2 yang merupakan tempat PT. Mikatasa Agung dengan alamat Jl. Rungkut Industri No. 2 – 4 mempunyai jarak 9,2 kilometer. Setelah tabel terisi semua, kemudian dapat diselesaikan dengan Algoritma Genetika untuk mendapatkan hasil yang sub-optimal.

4.3. Penyelesaian Masalah dengan Algoritma Genetika

(59)

dapat dilihat pada Tabel 4.3. Kemudian, menentukan parameter-parameter dalam algoritma Genetika, sebagai contoh parameter yang digunakan untuk perhitungan manual ini dapat dilihat pada Tabel 4.4.

Gambar 4.1 Tampilan directions pada Google Maps

Tabel 4.3 Data Jarak Antar Titik

Awal ₁ ₂ ₃Tujuan ₄ ₅ ₆

1 0 9.2 6.7 8.3 7.5 6.7

2 10.4 0 8.7 4 13.6 6.3

3 5.3 8.9 0 7.1 12.9 7.2

4 8.5 2.3 7.9 0 13 2.8

5 9.4 12.6 14.7 13.1 0 10.1 6 7.4 5.9 10.2 6.2 10.1 0

Tabel 4.4 Parameter Algoritma Genetika

Parameter Algoritma Genetika Nilai

Ukuran Populasi 20

pc (probabilitas Crossover) 0.6

pm (probabilitas Mutation) 0.1

(60)

Pada proses ini merupakan pembentukan kromosom-kromosom pada populasi, dimana setiap kromosom-kromosomnya berisi angka-angka atau disebut juga dengan gen, gen-gen tersebut merupakan representasi dari rangkaian suatu perjalanan kurir. Pembentukan gen-gen tiap kromosom dilakukan secara acak tetapi, di dalam setiap kromosomnya tidak boleh ada gen yang kembar dengan gen lainnya. Pada satu populasi terdapat beberapa kromosom yang dibentuk, jumlah kromosom yang dibentuk tergantung dari parameter ukuran populasi yang sudah ditentukan, dalam hal ini terdapat 20 buah kromosom dalam satu populasi. Hasil pembentukan kromosom dapat dilihat pada Tabel 4.5. Pada tabel tersebut tidak terdapat angka 1, yang merupakan representasi dari titik awal (PT. Sun Star Motor). Hal ini disebabkan karena titik awal merupakan tempat yang pasti dan tidak berubah-ubah dimana kurir akan berangkat untuk mengunjungi titik tujuannya.

Tabel 4.5 Kromosom Hasil Encoding

(61)

mengetahui total jarak dari tiap-tiap kromosom. Contoh perhitungan nilai fitness pada kromosom 1 adalah sebagai berikut:

Kromosom 1 berisi gen-gen: 2 3 4 5 6, yang berarti titik awal / titik nomor 1 akan mengunjungi titik nomor 2, kemudian dari titik nomor 2 akan mengunjungi titik nomor 3, kemudian dari titik nomor 3 akan mengunjungi titik nomor 4, kemudian dari titik nomor 4 akan mengunjungi titik nomor 5, kemudian dari titik nomor 5 akan mengunjungi titik nomor 6, kemudian dari titik nomor 6 akan mengunjungi titik nomor 1 atau kembali lagi ke titik nomor 1. Pada titik 1 ke titik 2 yang terdapat pada Tabel 4.5, mempunyai jarak 9,2 km, titik 2 ke titik 3 mempunyai jarak 8,7 km, dan seterusnya sampai kembali ke titik 1. Langkah ini diulang-ulang sampai semua kromosom pada populasi terhitung nilai fitness-nya. Yang dapat dituliskan sebagai berikut:

Kromosom 1: 9,2 + 8,7 + 7,1 + 13 + 10,1 + 7,4 = 55,5 Kromosom 2: 8,3 + 2,3 + 8,7 + 7,2 + 10,1 + 9,4 = 46 Kromosom 3: 9.2 + 8,7 + 12,9 + 13,1 + 2,8 + 7,4 = 54,1 …

Kromosom 20: 6,7 + 10,1 + 13,1 + 2,3 + 8,7 + 5,3 = 46,2 4.3.3. Proses Seleksi (Roulette Wheel)

(62)

rendah. Maka fungsi fitness yang digunakan seperti pada Persamaan 2.2. Yang dapat dilakukan perhitungan sebagai berikut:

F(1) = 1

55,5 = 0,018018018

F(2) = 1

46

=

0,02173913

F(3) = _54,11

=

0,018484288 …

F(20) = 1

46,2= 0,021645022

Setelah semua fungsi fitness dihitung, maka menjumlahkan semua fungsi fitness-nya, hasilnya adalah 0,391412846. Kemudian, selanjutnya menghitung probabilitas tiap kromosom dengan menggunakan Persamaan 2.3, dapat dilakukan perhitungan sebagai berikut:

P[1] = 0,018018018_0,391412846= 0,046033282

P[2] = _0,3914128460,02173913 = 0,055540156

P[3] = 0,018484288_0,391412846 = 0,047224532

…

(63)

Setelah semua probabilitas diketahui, maka langkah selanjutnya menghitung nilai kumulatif dari probabilitas kromosom, dapat dilakukan perhitungan sebagai berikut:

K1 = 0 + 0,046033282 = 0,046033282

K2 = K1 (0,046033282 ) + 0,055540156 = 0,101573438 K3 = K2 (0,101573438 ) + 0,047224532 = 0,14879797 …

K20 = K19 (0,944700278) + 0,055299722 = 1

Setelah nilai kumulatif diketahui, maka langkah selanjutnya adalah proses menentukan calon induk crossover dan mutation dengan cara:

Langkah 1: Membuat bilangan acak R dengan interval [0, 1]

Langkah 2: membandingkan nilai kumulatif dari probabilitas, dengan syarat seperti pada Persamaan 2.5.

Langkah 3: kromosom yang terpilih merupakan calon kromosom induk. Langkah 4: mengulangi langkah 1, sebanyak n. Dimana n merupakan nilai

ukuran populasi.

(64)

(PC). Jika bilangan acak R lebih rendah daripada PC (0.6), maka kromosom tersebut terpilih sebagai induk, sebaliknya jika bilangan acak lebih besar daripada PC, maka kromosom tersebut tidak terpilih sebagai induk. Bilangan acak R dan hasil proses seleksi untuk crossover dapat dilihat pada Tabel 4.7. Kromosom yang tidak terpilih, dapat diabaikan saja. Jika jumlah induk berjumlah ganjil, maka induk yang paling terakhir dihapus, dalam hal ini kromosom yang dihapus adalah k14. Dari hasil seleksi untuk crossover ini, kromosom-kromosom tersebut akan dikenakan proses genetika, yaitu proses crossover.

(65)

Tabel 4.6 Kumulatif dari Probabilitas, Nilai acak [0, 1], Calon induk Crossover Bilangan

Acak ke- Kumulatif dari Probabilitas Nilai Acak R Calon Induk Crossover

1 0,046033 0,547599367 k12

Tabel 4.7 Bilangan acak R dan hasil proses seleksi untuk crossover