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: ary.shiddiqi@cs.its.ac.id

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).