Upload
ledien
View
232
Download
0
Embed Size (px)
Citation preview
1
Abstrak—Kecepatan adalah salah satu poin nilai yang
sangat penting dalam bisnis pengiriman barang. Semakin cepat
suatu barang sampai, maka nilainya akan semakin tinggi. Kurir
akan menerima surat perintah pengiriman dengan tujuan yang
diminta customer dan telah ditentukan oleh admin untuk
mendatangi tempat tersebut. Kurir akan kembali ke gudang
untuk mengambil surat jalan dan barang untuk diantarkan ke
customer. Artikel ini diharapkan menghadirkan sebuah solusi
optimal bagi perusahaan jasa atas permasalahan tersebut.
Algoritma genetika ini akan diimpelmentasikan terhadap
permasalahan klasik dalam dunia optimasi yaitu Travelling
Salesman Problem (TSP) sehingga diharapkan dapat memberikan
jalan tercepat dan tidak melewati tempat tujuan yang sama lebih
dari satu kali agar lebih efisien. Dalam uji coba yang dilakukan
hasilnya menunjukkan bahwa performa aplikasi ini ditentukan
oleh banyak sedikit tempat tujuan yang dikunjungi oleh kurir,
semakin banyak node atau tempat tujuan maka semakin lambat
performa aplikasi ini.
Kata Kunci—Android, kecepatan, kurir, TSP.
I. PENDAHULUAN
ebuah perusahaan jasa seperti pengantar barang dapat
memiliki banyak karyawan dengan banyak proses bisnis
di dalamnya. Salah satu proses bisnis yaitu penugasan kurir
untuk mengantar barang dari customer untuk diberikan ke
tempat tujuan. P erusahaan pengantar barang yang baik adalah
memberikan pelayanan terbaik dalam waktu yang cepat dan
tepat.
Kepala gudang atau admin akan mencetak surat jalan yang
berisi tempat tujuan. Kurir harus menerima surat jalan
tersebut agar dapat berangkat ke tempat tujuan yang sesuai
dengan perintah dari surat jalan tersebut. Kurir ke gudang
untuk menerima kembali surat jalan dari kepala gudang
selama jam kerja.
Di era teknologi informasi yang berkembang pesat saat ini
menawarkan berbagai macam pilihan teknologi. Perangkat
bergerak Android sangat diminati oleh masyarakat Indonesia
saat ini. Sistem operasi Android merupakan sistem operasi
piranti mobile yang mampu melakukan komputasi client-
server secara real time dan akurat dengan menggunakan
teknologi GPS.
Travelling Salesman Problem adalah suatu permasalahan
klasik dalam bisnis pengiriman barang. Pada TSP, optimasi
yang diinginkan agar ditemukan rute perjalanan paling
pendek untuk melewati sejumlah tempat tujuan dengan jalur
tertentu sehingga setiap tempat tujuan hanya terlewati satu
kali dan perjalanan diakhiri dengan kembali ke tempat awal
kurir. Kurir akan dapat melaksanakan tugas mengantar
barang secara cepat karena aplikasi mengeluarkan output
berupa arah berbentuk path ke tempat tujuan.
II. DASAR TEORI
A. Global Positioning System
Dalam pengerjaan artikel ini penggunaan teknologi Global
Positioning System (GPS) vital karena akan digunakan untuk
mendeteksi posisi dari suatu kendaraan kurir dan posisi
customer untuk mengantar barang ke tempat tujuan. Latitude
dan longitude menjadi nilai dari posisi yang akan digunakan
untuk menjadi variabel dalam perhitungan algoritma genetika
di proses selanjutnya. GPS menyediakan posisi dengan ketepatan akurasi hingga
15 meter dalam memberikan koordinat terhadap suatu lokasi
tertentu. Ketepatan GPS bergantung pada lokasi GPS receiver
dan halangan terhadap sinyal satelit GPS [1].
Penggunaan Google Maps di dalam artikel ini karena
memiliki fitur yang mendukung seperti fitur direction yang
berfungsi untuk menjadi navigator dan memberikan jalur
penyelesaian dari satu tempat tujuan ke tempat tujuan lain
secara akurat dan tepat. Pada permasalahan TSP, fungsi
direction digunakan untuk membentuk path dari satu tempat
tujuan ke tempat tujuan lainnya.
B. JSON
JSON (JavaScript Object Notation) adalah suatu bahasa
pemrograman standar yang berbasis text dan dirancang untuk
pertukaran data [2]. JSON disini digunakan untuk mengambil
data yang dihasilkan oleh maps.googleapis.com dan nilai jarak
dari suatu tempat tujuan ke tempat tujuan lain untuk digunakan
dalam pembentukan kromosom.
C. Android
Android adalah sistem operasi mobile berbasis Linux [3].
Banyak digunakan untuk perangkat bergerak di masyarakat
Indonesia. Pemakaian Android dalam artikel ini untuk
memudahkan penggunaan antarmuka kepada end user yang
Travelling Salesman Problem
Menggunakan Algoritma Genetika Via
GPS Berbasis Android Azmi Baharudin, Ary Mazharuddin Shiddiqi, Baskoro Adi Pratomo
Jurusan T.Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember (ITS)
Jl. Arief Rahman Hakim, Surabaya 60111
E-mail: [email protected]
S
2
sudah terbiasa dengan sistem operasi Android dan Google
Maps.
D. Algoritma Genetika
Algoritma genetika merupakan suatu penyelesaian bersifat
heuristis atau pendekatan yang memakai konsep dasar teori
evolusi yang dikembangkan oleh Darwin. Secara garis besar
langkah dalam prosedur ini dimulai dengan menetapkan suatu
set solusi potensial dan melakukan perubahan dengan beberapa
iterasi dengan algoritma genetika untuk mendapatkan solusi
terbaik.
Langkah pertama untuk menggunakan algoritma genetika
adalah menentukan gen untuk algoritma genetika. Definisi gen
disini yaitu node-node yang akan menjadi tujuan dari kurir.
Kumpulan dari gen akan membuat suatu populasi dari gen-gen
customer yang telah ditentukan oleh admin sehingga menjadi
solusi jalur penyelesaian. Proses populasi akan terbentuk
dengan melakukan tahap evaluasi terhadap semua individu
yang telah terbentuk.
Teknik Roullete-wheel digunakan untuk mencari nilai fitness
yang terbaik dari populasi tersebut. Sesuai dengan namanya,
metoda ini menirukan permainan roulette wheel di mana
masing-masing kromosom menempati potongan lingkaran
pada roda raulette secara proporsional sesuai dengan nilai
fitnessnya. Kromosom yang memiliki nilai fitness lebih besar
menempati lingkaran yang lebih besar dibandingkan dengan
kromosom bernilai fitness rendah. Kromosom yang mengalami
proses evaluasi diharapkan menghasilkan solusi paling optimal
atau terpendek.
Crossover adalah operator Algoritma genetika yang utama
karena beroperasi pada dua kromosom pada suatu waktu dan
membentuk individu baru dengan mengombinasikan dua
bentuk kromosom. Probabilitas crossover berfungsi untuk
menjadi patokan awal untuk bisa atau tidaknya crossover
dilakukan. Kromosom ini kemudian dikawinkan dengan
kromosom lain yang telah ditentukan sebelumnya dengan
probabilitas crossover. Proses crossover mempunyai harapan
memperoleh solusi optimasi yang lebih baik karena akan
menghasilkan suatu individu baru yang optimal karena hasil
crossover dari kromosom orang tua yang optimal.
Proses mutasi adalah proses terjadinya perubahan sifat gen
(susunan gen) di dalam kromosom sehingga menyebabkan
perubahan sifat yang akan diturunkan di perulangan berikutnya
sehingga menghasilkan individu yang benar-benar baru. Dalam
proses pemilihan individu dilakukan secara iterasi sesuai
asumsi awal untuk setiap generasi hingga diperoleh hasil yang
terpendek atau hasil yang dianggap pendek.
Penentuan nilai probabilitas crossover dan mutasi sangat
berpengaruh dengan tingkat kualitas kromosom. Semakin
tinggi probabilitas crossover dan probabilitas mutasi maka
hasil yang ditemukan semakin pendek [4].
III. METODE PENELITIAN
1. Proses Encoding
Skema encoding adalah cara menentukan nilai yang akan
dipakai untuk algoritma genetilka. Skema yang akan dipakai
adalah permutation encoding. Pada permutation encoding,
setiap kromosom terdiri atas deretan angka yang menyatakan
posisi dalam suatu urutan. Nilai dalam suatu lokasi yang ada
pada satu kromosom tidak boleh ada yang sama.
Pada permasalahan TSP (Travelling Salesman Problem),
dimana seorang sales harus mengantarkan barang dengan
melewati beberapa tempat tujuan. Syaratnya dia tidak boleh
melewati tempat tujuan yang sama. Seperti terlihat pada Tabel
3.1. Tabel 3.1.
Contoh kromosom hasil encoding
Kromosom [1] BCDE
Kromosom [2] BDEC
Kromosom [3] CBDE
Kromosom [4] EBDC
Kromosom [5] EDBC
Kromosom [6] DCEB
2. Proses Evaluasi dan Seleksi
Di dalam algoritma genetika, individu yang bernilai
fitness tinggi akan bertahan hidup. Sedangkan individu yang
bernilai fitness rendah akan mati.
Pengertian nilai fitness ini adalah nilai yang menyatakan
baik tidaknya suatu solusi (individu). Algoritma genetika
bertujuan 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.
Fitness[1] = AB+BC+CD+DE+EA = 4 + 2 + 6 + 3 + 5 = 20
Fitness[2] = AB+BD+DE+EC+CA = 9 + 7 + 8 + 2 + 5 = 31
Fitness[3] = AC+CB+BD+DE+EA = 3 + 7 + 2 + 6 + 8 = 26
Fitness[4] = AE+EB+BD+DC+CA = 4 + 8 + 7 + 5 + 9 = 33
Fitness[5] = AE+ED+DB+BC+CA = 9 + 3 + 7 + 2 + 2 = 23
Fitness[6] = AD+DC+CE+EB+BA = 5 + 4 + 4 + 8 + 7 = 28
Terdapat banyak metode seleksi untuk mendapatkan calon
induk baik, namun proses seleksi yang diimplementasikan
adalah roulette wheel. Metode ini menirukan permainan
roulette wheel dimana masing-masing kromosom menempati
lingkaran pada roda roulette secara proporsional sesuai dengan
nilai fitness.
Untuk memulai proses roulette wheel harus diketahui nilai
kumulatif dan nilai acak yang sudah dibangkitkan sebanyak
jumlah kromosom. kromosom dengan fitness yang lebih kecil
akan mempunyai probabilitas untuk terpilih kembali lebih
besar maka digunakan inverse. Tabel 3.2 berisi nilai kumulatif
dari nilai probabilitasnya dan Tabel 3.3 berisi nilai acak yang
akan dibandingkan.
3
Tabel 3.2.
Nilai kumulatif dari kromosom
Tabel 3.3.
Nilai acak dari kromosom
R[1] 0,314
R[2] 0,141
R[3] 0,242
R[4] 0,743
R[5] 0,221
R[6] 0,291
Proses roulete wheel adalah membangkitkan nilai acak R
antara 0-1. Rumus roullete wheel adalah R[k] < C[k] maka
kromosom ke-k sebagai induk, selain itu pilih kromosom ke-k
sebagai induk dengan syarat C[k-1] < R[k] < C[k]. Tabel 3.4
berisi hasil roullete wheel dari kromosom.
Tabel 3.4.
Hasil proses roullete wheel
Kromosom [1] BCDE
Kromosom [2] BDEC
Kromosom [3] CBDE
Kromosom [4] EDBC
Kromosom [5] EBDC
Kromosom [6] DCEB
3. Proses Crossover
Proses pindah silang pada aplikasi ini menggunakan skema
order crossover. Satu bagian kromosom dipertukarkan
dengan tetap menjaga urutan tempat tujuan yang bukan bagian
dari kromosom tersebut. Kromosom yang dijadikan orang tua
dipilih secara acak dan jumlah proses crossover kromosom
dipengaruhi oleh parameter crossover probability (ρc).
Setelah melakukan pemilihan induk, proses selanjutnya
adalah menentukan posisi crossover. Hal tersebut dilakukan
dengan membuat bilangan acak antara 1 sampai dengan
panjang kromosom. Dalam kasus TSP ini bilangan acaknya
adalah antara 1-3 karena hanya terdapat 4 gen dalam
kromosom. Jika diperoleh bilangan acaknya 1, maka gen yang
ke-1 pada kromosom pertama diambil kemudian ditukar
dengan gen pada kromosom kedua yang belum ada pada induk
pertama dengan tetap memperhatikan urutannya. Gambar 3.1
menunjukkan hasil proses crossover.
Kromosom[4] = Kromosom[4] >< Kromosom[5]
= [EDBC] >< [EBDC]
= [EDBC]
Kromosom[5] = Kromosom[5] >< Kromosom[6]
= [EBDC] >< [DCEB]
= [C D E B]
Kromosom[6] = Kromosom[6] >< Kromosom[4]
= [DCEB] >< [EDBC]
= [C D B E]
Gambar. 3.1. Hasil kromosom setelah mutasi yang dipengaruhi oleh
probabilitas crossover.
4. Proses Mutasi
Mutasi berfungsi untuk menggantikan gen yang hilang dari
populasi selama proses seleksi serta membentuk gen yang
tidak ada dalam populasi awal. Dalam proses ini dilakukan
mutasi atau penukaran pasangan gen yang telah dipilih secara
acak dalam satu kromosom.
Pada kasus TSP ini skema mutasi yang digunakan adalah
swapping mutation. Jumlah kromosom yang mengalami
mutasi dalam satu populasi ditentukan oleh nilai mutation rate
(ρm). Mutasi dilakukan dengan cara menukar gen yang dipilih
acak dengan gen sesudahnya. Jika gen tersebut berada di akhir
kromosom, maka ditukar dengan gen yang pertama. Tabel 3.5
berisi hasil mutasi dari kromosom.
Tabel 3.5.
Hasil mutasi dari kromosom
Kromosom [1] D B C E
Kromosom [2] B D E C
Kromosom [3] C E D B
Kromosom [4] E C B D
Kromosom [5] D B C E
Kromosom [6] E D B C
Pada 1 generasi telah terlihat bahwa terdapat nilai fitness
terkecil yang tidak berubah. Apabila perhitungan dilanjutkan
hingga ke generasi selanjutnya maka dipastikan bahwa nilai
fitness terendah tetap. Walaupun perhitungan cukup
dijabarkan hingga generasi ke-1 saja namun solusi yang
mendekati optimal telah didapatkan. Oleh karena itu, terbukti
bahwa algoritma genetika dapat menyelesaikan persoalan TSP
[5].
IV. PERANCANGAN SISTEM
A. Analisa Kebutuhan Sistem
Permasalahan-permasalahan di bawah ini sering dijumpai
di seluruh perusahaan jasa ekspedisi di seluruh indonesia.
Dalam Tabel 4.1 berisi solusi yang ditawarkan melalui
Algoritma genetika dan penggunaaan GPS pada Android.
C[1] 0,128
C[2] 0,317
C[3] 0,521
C[4] 0,781
C[5] 0,84
C[6] 1
4
Tabel 4.1.
Permasalahan dan Solusinya Permasalahan Solusi
Permasalahan menentukan lokasi
tempat tujuan.
Pembuatan antarmuka untuk admin
dengan menggunakan Google Maps
dan perangkat Android.
Pemborosan biaya pengiriman ke
tempat tujuan.
Penggunaan teknologi Global
Positioning System (GPS) dan
algoritma genetika untuk
menentukan lajur tercepat.
B. Perancangan Antarmuka
TSP Solver ini terdiri atas empat jenis buah rancangan
antarmuka, antara lain :
- Antarmuka kurir
Antarmuka kurir memiliki fitur-fitur yang membantu
kinerja kurir, yaitu :
a. Fitur pencarian lokasi yang digunakan untuk mencari
lokasi tempat tujuan.
b. Fitur pencarian jalan tercepat berfungsi membantu
kurir menemukan jalan terpendek ketika mengantar
barang ke tempat tujuan.
c. Fitur hapus tujuan berfungsi membantu kurir dalam
menghapus tempat tujuan yang telah diantarkan dan
diselesaikan.
- Antarmuka otentifikasi
Antarmuka otentifikasi ini berfungsi untuk membedakan
user yang ingin masuk sebagai admin atau kurir. Di dalam
antarmuka otentifikasi terdapat input text berupa username
dan password.
- Antarmuka admin
Antarmuka admin memiliki fitur-fitur yang membantu
kinerja admin, yaitu :
a. Fungsi surat jalan yang digunakan membuat surat
jalan dan menentukan posisi tempat tujuan yang
diinginkan customer.
b. Fungsi hapus surat digunakan untuk menghapus surat
jalan yang sudah selesai dikerjakan oleh kurir.
- Antarmuka peta
Antarmuka peta berfungsi untuk membantu kurir dalam
mengantar barang ke tempat tujuan. Kurir akan diberi
kemudahan melihat posisi tempat tujuan berupa node di
dalam peta dan terdapat lajur penyelesaian berupa path yang
menghubungkan antar tempat tujuan.
C. Perancangan Basis Data
Untuk merancang basis data (database) TSP Solver langkah
pertama adalah menentukan entitas yang akan dipakai oleh
aplikasi. Ada lima entitas utama yang mewakili fungsionalitas
TSP Solver yaitu entitas user untuk admin dan kurir, entitas
surat jalan, entitas node, entitas latitude, entitas longitude dan
entitas jarak.
D. Desain Arsitektur Sistem
Pada Gambar 4.1 menunjukkan kinerja aplikasi TSP
Solver dimana terdapat dua user yaitu admin dan kurir.
Dalam penggunaan aplikasi ini memerlukan jaringan internet
untuk mengakses data dari server dan penggunaan GPS.
memakai teknologi Global Positioning System (GPS) untuk
menentukan posisi tempat tujuan yang akan dituju dan
menggunakan fungsi direction untuk mencari jalur
penyelesaian yang menghubungkan ke tempat tujuan tersebut.
Admin hanya bertugas untuk menentukan posisi tempat tujuan
dalam surat jalan.
Gambar. 4.1. Arsitektur aplikasi TSP Solver yang menunjukkan alur
kerja.
Gambar. 4.2. Use Case diagram TSP Solver yang menggambarkan interaksi
antara pengguna dengan aplikasi.
Gambar 4.2 menjelaskan alur kerja dari aplikasi TSP
Solver ini. Terdapat dua aktor yaitu admin untuk menentukan
tempat tujuan dan kurir untuk mengantarkan barang ke tempat
tujuan. Kurir memiliki hak akses meminta jalur penyelesaian
tercepat kepada server dan dapat melakukan pencarian tempat
tujuan. Admin membuat surat jalan dengan menentukan posisi
dari tempat tujuan tersebut.
V. IMPLEMENTASI DAN PENGUJIAN
A. Implementasi Google Maps
Di dalam aplikasi ini penggunaan Google Maps sangat
penting karena membantu kurir dalam melaksanakan setiap
tugas yang diberikan oleh admin. Fitur penting dari Google
Maps di dalam aplikasi ini adalah fitur direction yang
digunakan untuk mencari jalan antar tempat tujuan yang telah
diatur. Penggunaaan fitur latitude dan longitude untuk
menentukan posisi dari tempat tujuan dan dapat mencari
jarak antar tempat tujuan.
5
B. Implementasi Android
Aplikasi TSP Solver ini berjalan di sistem operasi Android
GingerBeard 2.3. Pemakaian Android diharapkan memudahkan
user untuk beradaptasi dalam penggunaan aplikasi ini.
Pemilihan penggunaan Android dalam aplikasi ini untuk
memudahkan penerimaan data dari Google Maps yang
digunakan untuk mencari posisi dan jarak dalam Android.
C. Implementasi Algoritma Genetika
Dalam aplikasi ini pemakaian Algoritma genetika untuk
menyelesaikan permasalahan TSP. Algoritma genetika tidak
terlepas dengan adanya generasi, kromosom, evaluasi, mutasi
dan perkawinan silang.
Kromosom adalah suatu jalur penyelesaian yang didapat
dari kumpulan nilai dari latitude dan longitude. Jalur
penyelesaian yang nilai fitness terbesar di antara kromosom-
kromosom yang akan dipilih.
Mutasi digunakan untuk membentuk kromosom yang baik
dan unggul dengan merubah susunan gen yang terdapat di
dalam kromosom. Crossover digunakan untuk membentuk
kromosom baru yang unggul dari kromosom orang tua.
D. Metode Pengujian
Pengujian terhadap aplikasi dilakukan untuk menguji apakah
modul berfungsi sesuai yang diharapkan. Dengan adanya
pengujian, diharapkan semua bug (kelemahan dan kesalahan)
dalam aplikasi berkurang. Pengujian terhadap sistem ini
dilakukan dengan tiga metode, yakni :
1. Pengujian Antarmuka.
Pengujian antarmuka aplikasi ini akan dilakukan dengan
menjalankan aplikasi pada beberapa jenis perangkat Android
yang sering dipakai oleh pengguna dan mencoba menjadi user
admin maupun user kurir. Dari hasil uji coba tidak ditemukan
bug atau kesalahan dalam membuka semua pilihan dan fitur
yang berada di perangkat bergerak dan komputer.
2. Pengujian Instalasi Aplikasi.
Dalam pengujian instalasi aplikasi ini dilakukan dengan
mengimplementasikan aplikasi pada empat buah platform
Android yang berbeda dan bagaimana mengoperasikannya.
Jaringan internet diperlukan untuk penggunaan aplikasi ini.
3. Interaksi user dan sistem.
Pengujian ini menunjukkan respon pengguna terhadap
aplikasi TSP Solver. Pengujian aplikasi ini dilakukan dengan
mengedarkan lembar kuesioner kepada beberapa teman dengan
menggunakan Google Docs. Hasil kuesioner menunjukkan
bahwa aplikasi ini memiliki fitur yang tidak kompleks untuk
kurir.
E. Hasil Pengujian Antarmuka
Aplikasi TSP Solver ini secara umum berjalan baik pada
beberapa perangkat Android yang berbeda dan emulator
Android di komputer. Penggunaan server berbentuk web juga
berjalan baik dalam mengolah database untuk diberikan
admin maupun kurir. Antarmuka TSP Solver masih terkesan
sederhana dan belum memiliki fitur yang lengkap untuk
menunjang kinerja kurir maupun admin. Seperti terlihat pada
gambar 5.1.
(a) (b) (c) (d)
Gambar. 5.1. (a) Antarmuka Login, (b) Antarmuka tempat tujuan yang akan
dicari, (c) Antarmuka pencarian jalan efisien, (d) Antarmuka menambah
kota yang akan dikunjungi.
TSP Solver ini berjalan sempurna pada Samsung Galaxy
Mini, Galaxy Gio, Sony Ericsson Xperia X10 dan Samsung
Galaxy S. Kecepatan koneksi Internet menentukan cepat lambat
dalam mengakses aplikasi TSP Solver ini.
F. Hasil Pengujian Instalasi Aplikasi
Pengujian instalasi Aplikasi TSP Solver ini dilakukan
dengan mengimplementasikan TSP Solver pada komputer
dan handphone. Beberapa hal yang menjadi syarat utama agar
TSP Solver bisa berjalan dengan lancar, yakni :
• Global Positioning System harus aktif pada perangkat
kurir mobile untuk menentukan posisi awal user.
• Memerlukan koneksi internet untuk handphone
maupun pada komputer ketika menggunakan aplikasi.
• Mempunyai potongan kode API Google Maps jika
ingin menggunakan emulator eclipse di komputer.
G. Hasil Interaksi User dan Sistem
Hasil pengujian interaksi user dan aplikasi TSP Solver
memberikan gambaran bahwa aplikasi ini mudah digunakan
tetapi kurang banyak fitur yang diberikan kepada kurir dan
admin. Beberapa kelemahan dan kekurangan nonteknis dan
teknis akan segera disempurnakan sejalan dengan proses
pengembangan aplikasi TSP Solver ini.
VI. KESIMPULAN
Sistem operasi Android dapat digunakan sebagai dasar
perancangan antarmuka aplikasi TSP Solver dan dapat
terintegrasi dengan web service. Kecepatan penyelesaian di
dalam penerimaaan data TSP berdasarkan banyaknya data
tempat tujuan. Hasil lajur penyelesaian yang dihasilkan oleh
algoritma genetika bergantung perubahan parameter mutasi,
generasi, dan crossover.
VII. SARAN
TSP Solver masih dalam tahap pengembangan dan sangat
mungkin dapat dikembangkan menjadi lebih sempurna dengan
penambahan fitur-fitur yang lebih kompleks.
Beberapa hal yang memungkinkan untuk dikembangkan
antara lain :
6
- Penyempurnaan antarmuka dan menambah fitur-fitur
pendukung untuk admin maupun kurir.
- Aplikasi dapat ditambahkan dengan fitur anti kemacetan
yang dapat memberitahukan kemacetan di suatu jalan
tertentu sehingga bisa menghindari jalan tersebut dan bisa
dimasukkan sebagai paramater di dalam algoritma
genetika.
DAFTAR PUSTAKA
[1] D. Scot, Google Maps API V2. Texas: Rayleigh (2009) 50-80.
[2] A. Eric, The Java Web Services Tutorial. Texas: Pearson Education.
(2005) 60-89.
[3] Murphy. Mark, Beginning Android 2. California: Appress (2009) 70-
135.
[4] L. Samuel, A. Toni, “Penerapan Algoritma Genetika Untuk Travelling
Salesman Problem dengan menggunakan metode order crossover dan
instertion mutation,” Scientific journal, Dept. Informatic. Eng., Institut
Teknologi Bandung., Bandung, Indonesia (2007).
[5] Rachmayadi. Teedy, “Pencarian Solusi TSP (Travelling Salesman
Problem) Menggunakan Algoritma Genetik,” Scientific journal, Dept.
Informatic. Eng., Institut Teknologi Bandung., Bandung, Indonesia
(2008).