INFORMATIKA, Vol.3 September 2016, pp.

299~313
ISSN: 2355-6579
E-ISSN: 2528-2247 299

PENCARIAN RUTE TERPENDEK PERJALANAN

PROMOSI MARKETING MENGGUNAKAN
ALGORITMA GENETIKA DAN
ALGORITMA GREEDY
Dini Silvi Purnia1 Dwiza Riana2
1STMIK Nusa Mandiri Jakarta

Jl. Salemba Raya No. 5 Jakarta Pusat

e-mail: [email protected]

2) STMIK Nusa Mandiri Jakarta

Jl. Salemba Raya No. 5 Jakarta Pusat
email: [email protected]

Abstract
A promotional team are doing promotions to schools in determining travel routes are still
having trouble of having to find the shortest distance of the school will be visited. In the
resolution of an efficient service, required a system with a method that can help in determining
the fastest route. Method of comparison is a genetic algorithm and greedy algorithm for the
genetic algorithm is a method by using variable speed in every way that affects travel time each
way and take advantage of the natural selection process that is known as an evolutionary
process, this process has the function of crossover, mutation and individual improvement, using
processes are largely carried out randomly then produced the best solution in the process of
finding the fastest route. Has made the application of genetic algorithm and greedy algorithm for
determining the shortest route compose a promotional trip PMB AMIK BSI Tasikmalaya which
generates the most optimal route. Has made a comparison between the genetic algorithm and
greedy algorithm in the most optimal route search The comparison showed that the genetic
algorithm is an algorithm that is more appropriate to determine the route of travel promotion
than the greedy algorithm.
.
Keywords: genetic algorithm, greedy algorithm, shortest path

1. Pendahuluan itu berbicara mengenai Marketing yang

Penyelenggarakan kegiatan Marketing efisiensi pembahasan tidak akan jauh dari
bagi Sebuah lembaga pendidikan Swasta bagaimana mengahsilkan Rute Terpendek
tentunya berpengaruh dari berbagai aspek, perjalanan Promosi dari banyak nya SMA
Salah satunya adalah jumlah mahasiswa, Sederajat di Kota Tasikmalaya sehingga
karena semakin jumlah mahasiswa nya Promosi yang dilakukan dapat efesiensi dari
banyak akan mempengaruhi pada segi waktu dan Biaya.
Kesejahteraan dan keberlangsunngan Banyaknya kemungkinan yang terjadi dalam
Lembaga pendidikan tersebut. Banyaknya penyelesaian pencarian rute yang terpendek
lembaga pendidikan swasta di Indonesia ini diperlukan sistem dengan metode yang
sangat mempengaruhi daya saing lembaga dapat membantu dalam penentuan rute
pendidikan tersebut sehingga perlunya tercepat. Metode yang digunakan adalah
adanya Konsep Marketing yang efisien dan algoritma genetika dan algoritma greedy.
tepat sasaran. Salahsatu dari banyaknya Pada penentuan rute perjalanan Promosi
lembaga pendidikan yang memiliki Misi AMIK BSI Tasikmalaya ini penulis
melakukan kegiatan Marketing yang efisiensi menggunakan perbandingan dua metode
dan Tepat sasaran adalah AMIK BSI yaitu pendekatan algoritma genetika dan
Tasikmalaya. Ratusan bahkan puluhan SMA algoritma greedy.
sederajat adalah sasaran dari Marketing Terdapat penelitian terdahulu tentang
AMIK BSI Tasikmalaya, berkaitan dengan hal penerapan algoritma genetika diantaranya

Diterima Agustus 9, 2016; Revisi Agustus 19, 2016; Disetujui Agustus 30, 2016
 300

penelitian karya Sharma dan Hurana pada n! (n  1)!

tahun 2013 berisikan kompleksitas metode  jalur yang mungkin
yang ada tidak layak untuk komputasi 2n 2
jaringan skala besar. Akibatnya, standar, .
tradisional, teknik optimasi sering tidak B. Algoritma Genetika
mampu memecahkan masalah ini, Menurut Zukhri (2014:17) algoritma
kompleksitas meningkat dengan usaha yang genetika merupakan teknik pencarian yang
disesuaikan dalam periode waktu yang dapat diadopsi dari proses evolusi alam. Proses
diterima. Terdapat penyelesaian dengan komputasi yang terjadi dalam algoritma ini
menggunakan algoritma djikstra, Algoritma analog dengan proses seleksi makhluk hidup
Greedy dan Algoritma Genetika. Hasilnya dalam sebuah populasi. Oleh karena itu,
Algoritma Genetika cocok untuk mengatasi proses pencarian dalam algoritma genetika
masalah ini, dan untuk mengembangkan dilakukan sekaligus atas sejumlah
sistem yang dapat memecahkan masalah- penyelesaian masalah yang mungkin.
masalah yang kompleks. Penelitian Menurut Haupt dan Haupt dalam
(Kustanto, 2011). Pada penelitian ini masalah Zainudin (2014:21), struktur dasar algoritma
optimasi yang dipilih adalah dalam bidang genetika terdiri atas beberapa langkah:
tansportasi distribusi tabung gas elpiji, a. Inisialisasi populasi.
dimana akan dicari optimasi dalam pencarian b. Evaluasi populasi.
rute terpendek, waktu tercepat dan hambatan c. Seleksi populasi yang akan dikenai
dalam perjalanan distribusi tabung gas elpiji operator genetika.
dari gudang Restu Ajimanunggal menuju d. Proses penyilangan pasangan
pelanggan dan kembali ke gudang lagi kromosom tertentu.
dengan algoritma Genetika. e. Proses mutasi kromosom tertentu.
Dengan membandingkan algoritma f. Evaluasi populasi baru.
tersebut diharapkan akan diperoleh optimasi g. Ulangi dari langkah 3 selama syarat
penentuan rute perjalanan yaitu kondisi berhenti belum terpenuhi.
dimana diperoleh nilai yang paling optimal
untuk penentuan rute terpendek untuk C. Algoritma Greedy
promosi ke sekolah-sekolah di sekitar Menurut Efendi (2016:9) Algoritma
Tasikmalay, inilah yang melatarbelakangi Greedy merupakan metode yang paling
penulis mengambil penelitian mengenai populer untuk memecahkan persoalan
Pencarian Rute Terpendek Perjalanan optimasi. Greedy sendiri diambil dari bahasa
Promosi Marketing Menggunakan Algoritma inggris yang artinya rakus, tamak atau
Genetika dan Algoritma Greedy . serakah .Prinsip algoritma greedy adalah:
“take what you can get now!”.
1.1. Kerangka Pemikiran Algoritma Greedy membentuk solusi langkah
A. Travelling Salesman Problem per langkah (step by step). Terdapat banyak
Menurut Dian (2013:2), Travelling pilihan yang perlu dieksplorasi pada setiap
Salesman Problem dikatakan ada 2 jenis, langkah solusi. Oleh karena itu, pada setiap
yaitu: langkah harus dibuat keputusan yang terbaik
1. Travelling Salesman Problem asimetris dalam menentukan pilihan. Keputusan yang
Pada Travelling Salesman Problem jenis telah diambil pada suatu langkah tidak dapat
ini, biaya dari kota 1 ke kota 2 tidak sama diubah lagi pada langkah selanjutnya.
dengan biaya dari kota 2 ke kota 1.
Dengan n kota, besarnya ruang pencarian D. Tinjauan Studi
adalah Terdapat penelitian-penelitian terdahulu
n! mengenai algoritma genetika dan algoritma
 (n  1)! jalur yang mungkin. greedy.
n
2. Travelling Salesman Problem simetris Tabel 1. Penelitian Terdahulu
Sedangkan pada Travelling Salesman No Peneliti Tahun Perbedaan
Problem jenis simetris, biaya dari kota 1 1 Akshata, 2013 Menitik beratkan
ke kota 2 adalah sama dengan biaya dari Vasudha pada penyebab
kota 2 ke kota 1. Apabila dengan n kota, dan terbesar dari
jumlah jalur yang mungkin adalah: Tanupriya masalah Algoritma
Genetika pada
masalah travelling

INFORMATIKA Vol. 3, September 2016: 299 – 313

 301

salesman problem mencari kombinasi

2 Kustanto 2011 Algoritma yang probabilitas mutasi
dibandingkan dan probabilitas
adalah 3 buah crossover yang
Algoritma yaitu terbaik untuk
algoritma Greedy, menyelesaikan
genetika dan permasalahan
djiktra. Hasilnya TSP-TW, uji coba
Algoritma Genetika untuk menentukan
yang hasilnya banyaknya
paling optimal populasi yang
2 Al-Dulaimi 2008 Terletak dari cara optimal untuk
dan Ali perhitungan dan proses algoritma
matriks yang genetika TSP –
digunakan untuk TW.
pencarian rute
optimal E. O bjek Penelitian
3 Fitrah, A. 2006 Menggunakan 1. Rute
,Zaky, A., algoritma yang lain Menurut Rudi Adipranata (2007:2) Tujuan
Fitrasani yaitu algoritma rute optimum adalah mendapatkan waktu
greddy dan
algoritma brute
tempuh secepat mungkin dari tempat asal ke
force untuk tujuan.Sehingga untuk menentukan rute
menjadikan optimum selain melihat jarak tempuh, juga
pembanding harus memperhatikan komponen lain seperti
dengan algoritma tingkat kemacetan. Misalkan terdapat dua
genetika rute yaitu rute pertama yang mempunyai
4 Zainudin 2014 lebih berfokus jarak tempuh pendek tetapi terjadi kemacetan
Zukhri tentang sehingga membutuhkan waktu tempuh satu
pengenalan dan jam, serta rute kedua yang mempunyai jarak
konsep tentang
tempuh lebih panjang tetapi tidak terjadi
algoritma genetika
sedangkan pada kemacetan sehingga membutuhkan waktu
penelitian ini tempuh hanya setengah jam. Maka rute
berfokus pada optimum adalah rute kedua karena waktu
pencarian rute tempuh secara keseluruhan lebih cepat dari
yang optimal rute pertama. Dengan mendapatkan waktu
dengan dilakukan tempuh yang tersingkat berarti konsumsi
percobaan bahan bakar juga akan menjadi lebih sedikit
memaanfaatkan dibanding rute yang mempunyai waktu
sebuah aplikasi.
tempuh lebih lama Penelitian ini akan
5 Zakir 2010 Pembahasan
berfokus Pencarian rute optimum perjalanan
H.Ahmed mengenai yaitu rute yang memiliki jarak tempuh
penggunaan terpendek dan waktu tempuh tercepat
metode sequential dengan membandingkan Algoritma Genetika
constructive dan Algoritma Greedy, sehingga nanti akan
crossover pada terlihat dari kedua algoritma tersebut mana
tahapan yang menghasilkan rute yang paling
persilangannya. Optimum.
6 Suprayogi, 2014 uji coba
D., membandingkan
Mahmudi, metode seleksi 2. Google map
W., roulette wheel dan Menurut Erma Susanti (2014:7) Google Maps
Furqon,M metode seleksi merupakan layanan web based mapping
elitis, uji coba untuk yang mana basis data layer dan atribut
menentukan
datanya dimiliki oleh Google. Semua data
banyaknya
generasi yang disimpan pada server Google dan pengguna
optimal untuk dapat menampilkan atau bahkan
proses algoritma menggunakan data tersebut secara kustom
genetika TSP – untuk membuat web mapping sendiri. Salah
TW, uji coba untuk satu kelebihan dari Google Maps adalah

INFORMATIKA Vol. 3, September 2016: 299 – 313

 302

fungsi API (Application Programming Tasikmalaya

Interface) dimana programmer atau SMA BPK Jl. Selakaso No. 63
2
PENABUR Tasikmalaya
developer dapat merancang aplikasi yang SMAN 1 Jl. Rumah Sakit No. 28
mampu me-retrieve data dari basis data peta 3
TASIKMALAYA Tasikmalaya
di server Google. Intinya bahwa kita dapat 4
SMAN 10 Jl. Karikil Kp. Cibuyut
menggunakan data yang ada pada Google TASIKMALAYA Batu Lempar Tasikmalaya
Maps untuk membuat peta yang sesuai SMAN 2 JL.RE.Martadinata no.261
5
TASIKMALAYA Tasikmalaya
dengan keinginan. Selain itu, integrasi fungsi SMAN 3 JL. Letkol Basir Surya No
Google Maps API ini bisa dikolaborasikan 6
TASIKMALAYA 89
dengan teknologi pemrograman lain seperti 7
SMAN 4 Jl. Letkol RE. Djaelani
PHP, MySQL, Jquery, AJAX, dan lain TASIKMALAYA Cilembang Tasikmalaya
SMAN 5
sebagainya. 8
TASIKMALAYA Jl.Tentara Pelajar No.58
JL.CIBUNGKUL
3. Data Objek Penelitian 9
SMAN 6 SUKAMAJUKALER
Terdapat banyak sekali sekolah di Kota dan TASIKMALAYA INDIHIANG
TASIKMALAYA
Kabupaten Tasikmalaya, akan tetapi pada
SMAN 7 Jalan Air Tanjung No.25
penelitian ini hanya mengambil SMA yang 10
TASIKMALAYA Kawalu Tasikmalaya
berada di Kota Tasikmalaya. Berikut daftar SMAN 8
11
SMA yang berada di Tasikmalaya: TASIKMALAYA Jalan Mulyasari No. 03
SMAN 9 Jalan Leuwidahu No.61
12
TASIKMALAYA Tasikmalaya
Tabel 2. Daftar SMA di Kota Tasikmalaya Jl. R. Dewi Sartika No. 18
No Nama Sekolah 13 SMA PASUNDAN
Tasikmalaya
1 SMAN 1 TASIKMALAYA 14 SMA PERWARI
Jalan SKP N0.7 Sukasari
2 SMAN 2 TASIKMALAYA Tasikmalaya
Jl. Kapten Naseh Blk. No.
3 SMAN 3 TASIKMALAYA 15 SMA SANTIYAMA
08
4 SMAN 4 TASIKMALAYA Jalan Sapta Marga No.54
16 SMA SILIWANGI
5 SMAN 5 TASIKMALAYA .A Tasikmalaya
6 SMAN 6 TASIKMALAYA Komplek Pesantren
SMA TERPADU
17 Condong Setianagara
7 SMAN 7 TASIKMALAYA RIYADLUL ULUM
Cibeureum
8 SMAN 8 TASIKMALAYA SMA AL Jalan Jendral Ahmad Yani
9 SMAN 9 TASIKMALAYA 18 MUTTAQIN FULL no.140 Tasikmalaya
DAY SCHOOL Sukamanah Cipedes
10 SMAN 10 TASIKMALAYA
Sumber: Marketing Komunikasi BSI
11 SMA SILIWANGI
Tasikmalaya (2016)
12 SMA TERPADU RIYADLUL ULUM
13 SMA ANGKASA Berdasarkan tabel 3 diatas maka terdapat 18
14 SMA BPK PENABUR sekolah dengan alamat yang berbeda-beda
15 SMA PERWARI namun masih berada di Kota Tasikmalaya.
16 SMA PASUNDAN 4. Lokasi Tempat Riset
17 SMA SANTIYAMA Masing-masing sekolah mempunyai alamat
SMA AL MUTTAQIN FULL DAY yang berbeda-beda. Untuk mengetahui posisi
18
SCHOOL dari masing-masing sekolah digunakan alat
Sumber: Marketing Komunikasi BSI bantu dengan menggunakan google map.
Tasikmalaya (2016) Jumlah sekolah yang dicari posisi/ lokasinya
berjumlah 18 dan posisi awal untuk rute
Masing-masing sekolah tersebut berada di promosi berada Bina Sarana Informatika
lokasi yang berbeda-beda. Ada yang sehingga lokasinya menjadi 19 titik. Berikut
berdekatan dan ada pula yang jauh jaraknya gambar google map untuk lokasi-lokasi
antar sekolah satu dengan yang lainnya. tersebut:
Dengan demikian dicarilah rute optimum agar
tim promosi BSI Tasikmalaya dapat
mengunjungi sekolah-sekolah tersebut
dengan waktu seminimal mungkin.

Tabel 3. Daftar Sekolah dan Alamat

Sekolah di Kota Tasikmalaya
No Nama Sekolah Alamat Gambar 1. Lokasi sekolah ke-1
1 SMA ANGKASA JL. Garuda No. 26 Kota Sumber: (https://maps.google.co.id/)

INFORMATIKA Vol. 3, September 2016: 299 – 313

 303

Rute perjalanan promosi PMB AMIK BSI

Tasikmalaya dimulai dari AMIK BSI
Tasikmalaya kemudian menuju sekolah-
sekolah yang terdekat dan harus kembali lagi
ke AMIK BSI Tasikmalaya setelah semua
sekolah dikunjungi. Dengan demikian untuk
penggambaran posisi koordinat AMIK BSI
Tasikmalaya dan sekolah-sekolah di Kota
Gambar 2. Lokasi sekolah ke-2 Tasikmalaya dapat dilihat pada tabel 5.
Sumber: (https://maps.google.co.id/)
Tabel 5. Posisi Koordinat AMIK BSI dan
Berdasarkan Gambar diatas maka telah Sekolah di Kota Tasikmalaya
diketahui letak posisi untuk masing-masing No Nama Sekolah Posisi X Posisi Y
1 BINA SARANA INFORMATIKA 65 50
sekolah di Kota Tasikmalaya. Untuk posisi 2 SMAN 1 TASIKMALAYA 57 35
awal berada di AMIK BSI Tasikmalaya. 3 SMAN 2 TASIKMALAYA 35 75
4 SMAN 3 TASIKMALAYA 80 25
Apabila digambarkan dengan posisi koordinat 5 SMAN 4 TASIKMALAYA 30 40
maka didapat posisi untuk masing-masing 6 SMAN 5 TASIKMALAYA 57 43
7 SMAN 6 TASIKMALAYA 20 85
sekolah adalah seperti pada tabel 4. 8 SMAN 7 TASIKMALAYA 40 5
9 SMAN 8 TASIKMALAYA 50 50
10 SMAN 9 TASIKMALAYA 53 70
Tabel 4. Posisi Koordinat Sekolah di Kota 11 SMAN 10 TASIKMALAYA 5 15
12 SMA SILIWANGI 60 15
Tasikmalaya 13 SMA TERPADU RIYADLUL ULUM 70 7
No Nama Sekolah Posisi X Posisi Y 14 SMA ANGKASA 80 30
1 SMAN 1 TASIKMALAYA 57 35 15 SMA BPK PENABUR 50 20
2 SMAN 2 TASIKMALAYA 35 75 16 SMA PERWARI 83 40
3 SMAN 3 TASIKMALAYA 80 25 17 SMA PASUNDAN 78 45
4 SMAN 4 TASIKMALAYA 30 40 18 SMA SANTIYAMA 65 57
5 SMAN 5 TASIKMALAYA 57 43 19 SMA AL MUTTAQIN FULL DAY 85 65
6 SMAN 6 TASIKMALAYA 20 85 SCHOOL
7 SMAN 7 TASIKMALAYA 40 5
8 SMAN 8 TASIKMALAYA 50 50 Sumber: Hasil Penelitian (2016)
9 SMAN 9 TASIKMALAYA 53 70
10 SMAN 10 TASIKMALAYA 5 15
11 SMA SILIWANGI 60 15 Maka sesuai dengan titik koordinat tersebut,
12
13
SMA TERPADU RIYADLUL ULUM
SMA ANGKASA
70
80
7
30
penggambaran posisinya digambarkan pada
14 SMA BPK PENABUR 50 20 grafik yang dapat dilihat pada gambar 3.
15 SMA PERWARI 83 40
16 SMA PASUNDAN 78 45
17 SMA SANTIYAMA 65 57
18 SMA AL MUTTAQIN FULL DAY 85 65
SCHOOL
Sumber: Hasil Penelitian (2016)

Gambar 3. Grafik Rute Perjalanan Promosi PMB AMIK BSI Tasikmalaya

Sumber: Hasil Penelitian (2016)

INFORMATIKA Vol. 3, September 2016: 299 – 313

 304

2. Metode Penelitian adalah sekolah yang hanya berada di

A. Tahapan Penelitian Kota Tasikmalaya. Satu persatu sekolah
Tahapan-tahapan yang dilakukan dalam tersebut di data mulai dari nama sekolah,
penelitian ini dapat dilihat pada gambar 4. alamat dan letak posisi sekolah tersebut.
Telah didapatkan 18 buah sekolah yang
berada di Kota Tasikmalaya. 18 sekolah
tersebut memiliki lokasi yang berbeda-
beda. Letaknya ada yang berdekatan dan
adapula yang berjauhan.
3. Menentukan posisi sekolah pada google
map dan menentukan koordinat x dan y
Letak dari masing-masing sekolah
tersebut berbeda-beda. Telah didapatkan
alamat dan letak dari masing-masing
sekolah yang berada di Kota Tasikmalaya.
Untuk mengetahui secara jelas posisi
sekolah tersebut maka menggunakan
bantuan google map.. Pencarian lokasi
dan penggambaran lokasi sekolah-
sekolah yang berada di Kota Tasikmalaya
dapat dilihat dengan menggunakan
google map ini akan tetapi kita hanya bisa
membuat peta rute perjalanan tersebut
Gambar 4. Tahapan Penelitian terbatas hanya 10 lokasi/ titik saja.
Sumber: Hasil Penelitian (2016) Dengan demikian karena jumlah
sekolahnya adalah 18 buah dan harus
Berdasarkan tahapan-tahapan penelitian digambarkan awal dan akhir rute yaitu
yang dilakukan seperti pada gambar 4 maka AMIK BSI Tasikmalaya maka pencarian
penjelasannya adalah sebagai berikut: dan penggambaran rute tersebut dibagi ke
1. Studi pustaka dan perumusan masalah dalam dua buah gambar google map.
Pada tahapan yang pertama ini adalah Titik-titik lokasi pada google map tersebut
melakukan studi pustaka yaitu dengan dapat dilihat dan diamati. Setelah itu titik-
mencari bahan-bahan yang terkait dengan titik tersebut diimplementasikan dan
penelitian ini yaitu dari berbagai sumber. digambarkan pada sumbu koordinat yang
Diantaranya dari buku-buku yang nantinya lokasi AMIK BSI Tasikmalaya
berkaitan dengan algoritma genetika dan dan sekolah-sekolah yang dikunjungi
algoritma greedy, dari jurnal-jurnal mempunyai titik koordinat pada sumbu x
penelitian terdahulu yang membahas dan pada sumbu y. Titik koordinat
tentang algoritma genetika dan algoritma tersebut nantinya akan digunakan untuk
greedy yang diterapkan pada suatu kasus. implementasi algoritma genetika dalam
Selain itu studi pustaka dilakukan dari penentuan rute yang optimum
tesis penelitian yang membahas tentang 4. Penerapan algoritma genetika
penerapan algoritma genetika dan Pencarian rute yang optimal dalam
algoritma greedy yang diterapkan pada perjalanan promosi AMIK BSI
suatu kasus. Setelah itu dilakukan Tasikmalaya ke sekolah-sekolah
perumusan masalah. Perumusan masalah digunakan dengan menggunakan
ini digunakan sebagai awal dari penelitian. algoritma genetika
Perumusan masalah pada penelitian ini Menurut Haupt dan Haupt (2016), struktur
intinya adalah bagaimana tim PMB BSI dasar algoritma genetika terdiri atas
Tasikmalaya dapat melakukan promosi ke beberapa langkah
sekolah-sekolah yang berada di Kota a. Inisialisasi populasi.
Tasikmalaya tetapi dengan waktu yang b. Evaluasi populasi.
paling optimal dengan menentukan rute c. Seleksi populasi yang akan dikenai
yang paling optimal. operator genetika.
2. Pengumpulan data sekolah yang berada d. Proses penyilangan pasangan
di Kota Tasikmalaya kromosom tertentu.
Sekolah-sekolah yang akan dikunjungi e. Proses mutasi kromosom tertentu.
oleh tim promosi AMIK BSI Tasikmalaya

INFORMATIKA Vol. 3, September 2016: 299 – 313

 305

f. Evaluasi populasi baru. 7. Hasil perbandingan kedua algoritma

g. Ulangi dari langkah 3 selama syarat Hasil perbandingan kedua algoritma
berhenti belum terpenuhi tersebut bisa dijadikan acuan untuk
5. Penerapan algoritma greedy menentukan algoritma mana yang lebih
Apabila rute tersebut dicari dengan cocok diterapkan pada kasus rute
menggunakan algoritma greedy maka perjalanan promosi AMIK BSI
cara kerjanya adalah: Tasikmalaya ke sekolah-sekolah yang
a. Tentukan node awal dan node tujuan berada di Kota Tasikmalaya. Masing-
b. Lakukan berulang-ulang masing algoritma tersebut sebenarnya
1) Menentukan kandidat: periksa sudah memiliki hasil rute yang paling
semua sisi yang terhubung optimum yang didapatkan setelah
langsung dengan node awal menerapkan masing-masing algoritma.
2) Menentukan kandidat solusi Setelah didapat algoritma mana yang
a) Pilih sisi dengan bobot yang lebih cocok maka didapat pula hasil rute
paling kecil perjalanan promosi AMIK BSI
b) Hitung panjang lintasan Tasikmalaya.
sementara
3) Menentukan solusi terpilih 3. Hasil Dan Pembahasan
a) Cek node akhir <> node A. Penerapan Algoritma Genetika
tujuan 1) Inisialisasi Populasi Awal
b) set node awal = node akhir Sesuai dengan tabel yang telah dijelaskan
terpilih sebelumnya maka dapat ditentukan individu
c. Lakukan tahap no. 2 sampai node yang menyatakan urutan Rute Promosi PMB
tujuan ketemu AMIK BSI Tasikmalaya yang dinyatakan
6. Melakukan perbandingan algoritma dalam nilai integer 1 sampai dengan 19
Setelah kedua algoritma tersebut sebanyak 20 gen dengan ketentuan 19 gen
diterapkan pada kasus rute perjalanan tim urutan tempat dan 1 gen terakhir merupakan
BSI Tasikmalaya dalam kegiatan promosi duplikat dari gen pertama karena promosi
AMIK BSI Tasikmalaya maka dilakukan PMB AMIK BSI Tasikmalaya dimulai dari
perbandingan dari kedua algoritma AMIK BSI Tasikmalaya kemudian menuju
tersebut. Perbandingan tersebut di dapat sekolah-sekolah dan kembali ke AMIK BSI
dari hasil penerapan algoritma genetika Tasikmalaya dengan demikian gen no 1 yaitu
dan algoritma greedy. Perbandingan yang AMIK BSI Tasikmalaya akan disebut kembali
dilakukan bisa dari beberapa aspek. Bisa diakhir. Maka populasi awal yang
dilihat dari langkah-langkah yang dibangkitkan secara acak dari sejumlah
digunakan, hasil yang didapat dari individu/ kromosom yang ada dapat dilihat
masing-masing algoritma dan kelebihan pada tabel 6.
kekurangan dari masing-masing algoritma
tersebut.
Tabel 6. Populasi Awal
No V
1 1 12 9 2 13 7 8 17 15 6 4 19 5 10 11 14 16 18 3 1
2 1 6 17 14 5 10 9 11 13 3 16 19 2 18 4 15 12 8 7 1
3 1 10 12 9 4 19 2 17 15 8 11 18 3 6 7 13 16 14 5 1
4 1 8 2 4 12 16 19 7 11 9 10 18 17 14 6 5 15 13 3 1
5 1 3 5 11 6 13 4 10 19 15 9 2 17 8 7 16 12 14 18 1
6 1 4 5 2 18 15 7 12 9 6 10 19 11 17 14 16 8 3 13 1
7 1 13 10 7 4 18 17 12 14 11 15 2 19 3 16 5 6 9 8 1
8 1 8 18 3 6 15 2 16 14 17 19 9 7 4 10 5 13 12 11 1
9 1 10 6 3 8 11 9 5 15 18 4 14 2 17 13 7 12 19 16 1

INFORMATIKA Vol. 3, September 2016: 299 – 313

 306

10 1 12 4 9 6 10 3 2 5 19 17 7 8 15 13 16 18 11 14 1
Sumber : Hasil Penelitian ( 2016)

2) Evaluasi Populasi Nilai f(v) didapat dari penjumlahan dari rumus

Proses evaluasi merupakan proses untuk dekode setiap representasi kromosom vi
menghitung nilai fitness yang menyatakan menjadi fi untuk masing-masing lokasi. Nilai x
tingkat kualitas kromosom sebagai dan y tersebut sesuai dengan posisi dari
representasi penyelesaian masalah. Fungsi masing-masing lokasi.contoh perhitungannya
fitness harus dipetakan dari fungsi adalah:
objektifnya. Berikut tahapan dan rumus Untuk kromosom pertama
dalam proses evaluasi dalam permasalahan 1 12 9 2 13 7 8 17 15 6 4 19 5 10 11 14 16
rute promosi: 18 3 1
a. Dekode setiap representasi kromosom vi
menjadi fi. Untuk mendapatkan nilai fi dab = ( x  x )2  ( y  y )2
a b a b
perlu dihitung jarak antar kota satu
dengan yang lain dengan menggunakan ( x1  x12)2  ( y1  y12)2
+ ( x  x )2  ( y  y )2
12 9 12 9

persamaan jarak Euclidean berikut:

( x 9  x 2)2  ( y 9  y 2)2
dab = ( xa  xb)2  ( ya  yb)2 + ( x  x )2  ( y  y )2
2 13 2 13

b. Hitung nilai fungsi fitness untuk setiap ( x13  x7)2  ( y13  y7)2 ( x 7  x8) 2  ( y 7  y 8) 2
kromosom berdasarkan rumus: +
1 ( x8  x17)2  ( y8  y17)2 ( x17  x15)2  ( y17  y15)2
+
eval(v) = f (v ) ( x15  x6)2  ( y15  y 6)2 ( x 6  x 4)2  ( y 6  y 4) 2
+
Berdasarkan rumus diatas maka dapat
( x4  x19)2  ( y 4  y19)2 ( x19  x5)2  ( y19  y 5)2
diketahui nilai fitness untuk masing-masing +
populasi yang telah dibangkitkan secara acak ( x5  x10)2  ( y5  y10)2
sesuai dengan tabel 7. + ( x10  x11)2  ( y10  y11)2
( x11  x14)2  ( y11  y14)2
Tabel 7 Fungsi Objektif dan Fungsi + ( x  x )2  ( y  y )2
14 16 14 16

Fitness untuk Populasi Pertama

( x16  x18)2  ( y16  y18)2
No f(v) eval (v) + ( x18  x3)2  ( y18  y 3)2
1 1252,0 0,000798 + ( x3  x1)2  ( y3  y1)2
2 1384,2 0,000723 Maka hasilnya adalah = 1252,0
3 1139,8 0,000807
4 1044,0 0,000958 Kemudian dihitung nilai fungsi fitnessnya
5 1425,3 0,000702
untuk masing-masing fungsi objektif sesuai
dengan rumus yang telah dijelaskan
6 1118,1 0,000894 sebelumnya. Berdasarkan perhitungan yang
7 1163,5 0,000859 telah dilakukan maka penyelesaian terbaik
8 1233,2 0,000811 sementara adalah yang didapat dari
9 1361,1 0,000735
kromosom ke-4 yang menghasilkan jarak total
sebesar 1044,0 dan nilai fitnessnya adalah
10 1221,2 0,000819
0,000958
Sumber : Hasil Penelitian (2016)

3) Seleksi Populasi

Tabel 8. Pemodelan Proses Seleksi dengan Metode Roda Rollet

i
 eval (vj )
eval(vi) j 1
10
No eval(vi)  eval (vj )
10 r Hasil Seleksi
 eval (vj )
j 1 j 1

1 2 3 4 5 6
1 0,000798 0,098446 0,098446 0,4172 4
2 0,000723 0,089193 0,187639 0,8231 9

INFORMATIKA Vol. 3, September 2016: 299 – 313

 307

3 0,000807 0,099556 0,287195 0,1628 2

4 0,000958 0,118184 0,405379 0,7405 8
5 0,000702 0,086602 0,491981 0,3160 4
6 0,000894 0,110289 0,60227 0,5648 6
7 0,000859 0,105971 0,708241 0,8021 9
8 0,000811 0,100049 0,80829 0,2121 3
9 0,000735 0,090674 0,898964 0,4071 5
10 0,000819 0,101036 1,000000 0,3563 4
Sumber: Hasil Penelitian (2016)

Pada Tabel 8. tersebut menggunakan hasil seleksi ini yang akan dikenai operator-
perhitungan dengan menggunakan fungsi operator algoritma genetika. Populasi baru
fitness yang telah dihitung sebelumnya. hasil dari proses seleksi yang telah dilakukan
Kemudian masing-masing fungsi fitness dapat dilihat pada tabel 9 di bawah ini. Posisi
tersebut dibagi dengan jumlah dari semua dari kromosom tersebut berubah sesuai
fungsi fitness yang ada. Jumlah dari fungsi dengan hasil seleksi yang telah dilakukan
fitness tersebut adalah 0,008106. Kromosom

Tabel 9. Populasi Hasil Proses Seleksi pada Populasi Pertama

No V

1 1 8 2 4 12 16 19 7 11 9 10 18 17 14 6 5 15 13 3 1

2 1 10 6 3 8 11 9 5 15 18 4 14 2 17 13 7 12 19 16 1

3 1 6 17 14 5 10 9 11 13 3 16 19 2 18 4 15 12 8 7 1

4 1 8 18 3 6 15 2 16 14 17 19 9 7 4 10 5 13 12 11 1

5 1 8 2 4 12 16 19 7 11 9 10 18 17 14 6 5 15 13 3 1

6 1 4 5 2 18 15 7 12 9 6 10 19 11 17 14 16 8 3 13 1

7 1 10 6 3 8 11 9 5 15 18 4 14 2 17 13 7 12 19 16 1

8 1 10 12 9 4 19 2 17 15 8 11 18 3 6 7 13 16 14 5 1

9 1 3 5 11 6 13 4 10 19 15 9 2 17 8 7 16 12 14 18 1

10 1 8 2 4 12 16 19 7 11 9 10 18 17 14 6 5 15 13 3 1

Sumber: Hasil Penelitian (2016)

4) Perkawinan Silang 2 0,79282 -

Hasil dari proses seleksi tersebut kemudian 3 0,29092 -
dilakukan operator penyilangan. Terlebih 4 0,19091 √
dahulu dilakukan pemilihan pasangan induk 5 0,40040 -
kromosom. Untuk menentukan kromosom 6 0,30920 -
induk ini maka ditentukan terlebih dahulu 7 0,68880 -
probabilitas penyilangan dan pembangkitan 8 0,12345 √
bilangan random. Kromosom yang dinyatakan 9 0,87890 -
sebagai kromosom induk apabila bilangan 10 0,14590 √
random tersebut kurang dari probabilitas Sumber: Hasil Penelitian (2016)
penyilangan. Pemilihan kromosom induk
tersebut tergantung dari besar probabilitas Berdasarkan hasil dari pemilihan kromosom
penyilangannya. Hasil pemilihan kromosom induk dengan operator penyilangan sebesar
induk dengan probabilitas penyilangan 25% maka kromosom induk yang terpilih
sebesar 25% dapat dilihat pada tabel 10. adalah kromosom 1,4,8,dan 10. Kromosom-
Tabel 10 Kromosom Induk dengan kromosom tersebut yang akan dilakukan
Probabilitas Penyilangan 25% penyilangan. Kromosom 1 dengan kromosom
I R Kromosom Induk 4 dan kromosom 8 dengan kromosom 10.
1 0,18728 √ Populasi yang dilakukan penyilangan

INFORMATIKA Vol. 3, September 2016: 299 – 313

 308

tersebut adalah populasi baru yang telah telah dikenai operator penyilangan dapat
dilakukan seleksi. Maka populasi baru yang dilihat pada tabel 11.

Tabel 11. Populasi Hasil Proses Penyilangan pada Populasi Pertama

No V
1 1 8 18 4 12 16 19 7 11 9 2 17 14 10 6 5 15 13 3 1
2 1 10 6 3 8 11 9 5 15 18 4 14 2 17 13 7 12 19 16 1
3 1 6 17 14 5 10 9 11 13 3 16 19 2 18 4 15 12 8 7 1
4 1 8 2 3 6 15 18 16 14 17 19 9 7 4 10 5 13 12 11 1
5 1 8 2 4 12 16 19 7 11 9 10 18 17 14 6 5 15 13 3 1
6 1 4 5 2 18 15 7 12 9 6 10 19 11 17 14 16 8 3 13 1
7 1 10 6 3 8 11 9 5 15 18 4 14 2 17 13 7 12 19 16 1
8 1 10 12 9 4 19 2 17 15 8 11 18 3 6 7 13 16 14 5 1
9 1 3 5 11 6 13 4 10 19 15 9 2 17 8 7 16 12 14 18 1
10 1 8 16 12 14 19 7 11 2 10 9 4 17 18 6 5 15 13 3 1

Sumber: Hasil Penelitian (2016)

5) Mutasi mutasinya adalah 1%. Maka gen yang

Kromosom-kromosom yang sudah dilakukan dilakukan mutasi adalah 0,01x190 = 1,9
operator penyilangan tersebut selanjutnya dibulatkan menjadi 2 yang artinya terdapat 2
dilakukan mutasi. Gen-gen yang akan buah gen yang dilakukan mutasi. Misalkan
dilakukan mutasi adalah dipilih secara acak/ setelah kita bangkitkan bilangan acak terpilih
random dari bilangan yang dibangkitkan posisi gen 33 dan 186 yang mengalami
secara acak. Pemilihan gen tersebut mutasi. Kemudian gen tersebut dilakukan
dilakukan sejumlah gen dalam populasi yaitu mutasi. Setelah itu letak gen tersebut ditukar
190 kali yang berasal dari jumlah gen dikali letaknya dengan gen yang lain yang berada
jumlah kromosom yaitu 19 gen x 10 pada kromosom yang sama. Setelah proses
kromosom. mutasi selesai dilakukan maka hasilnya pada
Sebelumnya kita tentukan terlebih dahulu tabel 12.
probabilitas mutasinya (Pm). Probabilitas

Tabel 12. Populasi Hasil Proses Mutasi pada Populasi Pertama

No V
1 1 8 18 4 12 16 19 7 11 9 2 17 14 10 6 5 15 13 3 1
2 1 10 6 3 8 11 4 5 15 18 9 14 2 17 13 7 12 19 16 1
3 1 6 17 14 5 3 10 9 11 13 16 19 2 18 4 15 12 8 7 1
4 1 8 2 3 6 15 18 16 14 17 19 9 7 4 10 5 13 12 11 1
5 1 8 2 4 12 16 19 7 11 9 10 18 17 14 6 5 15 13 3 1
6 1 4 5 2 18 15 7 12 9 6 10 19 11 17 14 16 8 3 13 1
7 1 10 6 3 8 11 9 5 15 18 4 14 2 17 13 7 12 19 16 1
8 1 10 12 9 4 19 2 17 6 8 11 18 3 15 7 13 16 14 5 1
9 1 3 5 11 6 13 4 10 19 15 9 2 17 8 7 16 12 14 18 1
10 1 8 16 12 14 19 7 11 2 10 9 4 17 18 6 5 15 13 3 1

Sumber: Hasil Penelitian (2016)

Setelah semua proses dilakukan maka Tabel 13. Fungsi Objektif dan Fungsi
fungsi objektif dan fungsi fitness untuk Fitness untuk Populasi Kedua
populasi baru atau generasi kedua dapat No f(v) eval (v)
dilihat pada tabel 13. 1 1196,7 0,000835
2 1244,2 0,000804
3 1217,9 0,000821
4 1137,9 0,000879
5 1043,9 0,000958
6 1118,1 0,000894

INFORMATIKA Vol. 3, September 2016: 299 – 313

 309

7 1361,1 0,000735 Gambar 5 merupakan ilustrasi dari rute

8 1441,7 0,000694 perjalanan promosi apabila dilakukan secara
9 1424,5 0,000702 urut dari AMIK BSI Tasikmalaya menuju
10 1144,1 0,000874 sekolah-sekolah yang akan tetapi rute
Sumber: Hasil Penelitian (2016) tersebut belum tentu optimal.
Penyelesaian rute perjalanan promosi
Berdasarkan fungsi objektif dan fungsi fitness dengan algoritma greedy bisa dicoba dengan
yang dihasilkan pada generasi kedua maka langkah-langkah pada tabel 14.
nilai yang dianggap paling optimal adalah
kromosom ke-5 dengan nilai 1043,9 dan nilai
fitnessnya adalah 0,000958. Terlihat
perbedaan dengan generasi pertama nilainya
lebih optimal yang sebelumnya 1044,0.

B. Penerapan Algoritma Greedy

Gambar 5. Ilustrasi Rute Perjalanan

Promosi PMB AMIK BSI Tasikmalaya
Sumber: Hasil Penelitian (2016)

Tabel 14 Penyelesaian Algoritma Greedy

Looping Menentukan Kandidat Jalur Terpilih Solusi Terpilih

1 A-B = 567 m A-F = 920 m A-R = 410 m A-Q = 820 m Jalur : A-R R

2 R-J = 810 m R-F = 620 m R-Q = 820 m R-S = 1530m Jalur : R-F F

3 F-B = 420 m F-I = 470 m Jalur : F – B B

4 B-I = 760 m Jalur : B-I I

5 I-C = 2050 m I-E = 1780 m I-J = 1560 m Jalur : I – J J

6 J-C= 1005 m Jalur : J-C C

7 C-G= 1040 m Jalur : C-G G

8 G-E= 4032 m Jalur : G-E E

9 E-O= 3210 m E-H= 3970 m E-K= 3860 m Jalur : E-O O

10 O-L= 523 m Jalur : O-L L

11 L-M= 678 m Jalur : L-M M

12 M-H= 2870 m Jalur : M-H H

13 H-K= 2907 m Jalur : H-K K

14 K-D= 5632 m Jalur : K-D D

15 D-N= 367 m Jalur : D-N N

INFORMATIKA Vol. 3, September 2016: 299 – 313

 310

16 N-P= 443 m Jalur : N-P P

17 P-Q= 515 m Jalur : P-Q Q

18 Q-S= 1007 m Jalur : Q-S S

19 S-A= 1920 m Jalur : S-A A

Sumber: Hasil Penelitian (2016)

Berdasarkan tabel 14 maka rute terpendek

yang dapat dilalui dengan menggunakan
algoritma greedy adalah:
A-R-F-B-I-J-C-G-E-O-L-M-H-K-D-N-P-Q-S-A Atau
-18-6-2-9-10-3-7-5-15-12-13-8-11-4-14-16-17-19-
1.

C. Hasil Percobaan
Percobaan yang dilakukan untuk mencari
rute terpendek dari promosi PMB AMIK BSI
Tasikmalaya ke sekolah-sekolah yang
berada di Kota Tasikmalaya yaitu
menggunakan bantuan aplikasi Matlab 7.5.0.

Gambar 7. Grafik Fungsi Objektif Generasi

Pertama
Sumber: Hasil Penelitian (2016)

Sedangkan untuk nilai fitness pada generasi

pertama dapat dilihat pada gambar 8. di
bawah ini. Seperti yang terlihat pada grafik
tersebut maka kromosom ke-4 yang
mempunyai nilai tertinggi sedangkan
kromosom ke-5 yang mempunyai nilai
terendah. Kromosom ke-4 mempunyai nilai
0,000958 sedangkan kromosom ke-5
mempunyai nilai 0,000702. Dengan demikian
Gambar 6 Grafik Posisi Koordinat AMIK kromosom ke-4 adalah kromosom yang
BSI dan Sekolah-Sekolah di Kota paling kuat untuk tetap bertahan dalam
Tasikmalaya populasi.
Sumber: Hasil Penelitian (2016)

Sesuai dengan nilai fungsi objektif pada

generasi pertama maka dapat dilihat hasilnya
pada gambar 7 di bawah ini. Terlihat
kromosom ke 4 paling rendah dan kromosom
ke 5 paling tinggi. Nilai kromosom ke-4
adalah 1044,0 sedangkan kromosom ke-5
adalah 1425,3.

Gambar 8 Grafik Nilai Fitness Generasi

Pertama
Sumber: Hasil Penelitian (2016)

INFORMATIKA Vol. 3, September 2016: 299 – 313

 311

Berbeda dengan hasil dari generasi pertama, yang paling tinggi adalah kromosom ke-5
maka setelah dilakukan seleksi dan dikenai dengan nilai 0,000958 dan kromosom ke-8
operator genetika yaitu mengalami kawin adalah kromosom yang paling rendah
silang dan mutasi maka kromosom ke-5 dengan nilai 0,000694.
adalah kromosom yang mempunyai nilai
terendah dan kromosom ke-8 mempunyai
nilai tertinggi. Untuk sementara kromosom
ke-5 yang lebih unggul dibanding dengan
kromosom lain. Kromosom ke-5 mempunyai
nilai 1043,9 sedangkan kromosom yang
mempunyai nilai tertingi adalah kromosom
ke-8 dengan nilai 1441,7. Fungsi objektif dari
generasi pertama dan generasi kedua
berbeda nilainya, nilainya akan semakin
menurun. Maka semakin banyak generasi
kemungkinan akan menghasilkan kromosom
yang lebih rendah. Hasilnya dapat dilihat
pada gambar 9. Gambar 10. Grafik Nilai Fitness Generasi
kedua
Sumber: Hasil Penelitian (2016)

D. Perbandingan Algoritma
Berdasarkan Hasil percobaan untuk
menentukan rute perjalanan promosi PMB
AMIK BSI Tasikmalaya ke sekolah-sekolah
dengan menggunakan algoritma genetika
dan algoritma greedy maka dapat diperoleh
hasil perbandingan dari kedua algoritma
tersebut yang dapat dilihat pada table 15.

Gambar 9. Grafik Fungsi Objektif Generasi

kedua
Sumber: Hasil Penelitian (2016)

Pada gambar 10. menjelaskan tentang grafik

nilai fitness untuk generasi kedua. Semakin
besar nilai fitness maka semakin besar
kemungkinan kromosom tersebut yang lebih
unggul dan akan tetap bertahan. Nilai fitness
.
Tabel 15. Perbandingan Algoritma Genetika dan Algoritma Greedy
No Algoritma Genetika Algoritma Greedy
1. Solusi dapat Prinsip pencarian lintasan terpendek memakai fungsi ” Seleksi” dan itu
diperoleh kapanpun berguna untuk menentukan jalan tersingkat untuk menuju suatu
karena solusi tempat.Sehingga, kita dapat sampai tepat waktu menuju tempat tujuan
dihasilkan pada
generasi ke
berapapun

2. Algoritma genetika Hasil analisis berdasarkan bobot-bobot yang berbeda, menunjukkan

tidak harus bahwa semakin banyak bobot yang diberikan, maka semakin akurat pula
membutuhkan waktu datayang dihasilkan. Sehingga menghasilkan waktu yang efisien
yang lama karena
tidak semua
kemungkinan dicoba,
tergantung pada
kriteria
berakhirnya.

INFORMATIKA Vol. 3, September 2016: 299 – 313

 312

3. Tidak selalu Algoritma greedy tidak beroperasi secara menyeluruh terhadap semua
menemukan alternatif solusi yang ada
optimum global yang
pasti

4. Setiap generasi kita Pemilihan fungsi SELEKSI: Mungkin saja terdapat beberapa
bisa memperoleh fungsi SELEKSI yang berbeda, sehingga kita harus memilih fungsi yang tepat jika kita
solusi ingin algoritma bekerja dengan benar dan menghasilkan solusi yang benar-
benar optimum. Karena itu, pada sebagian masalah algoritma Greedy tidak
selalu berhasil memberikan solusi yang benar-benar optimum

5. Banyak sekali Algoritma greedy bukanlah mendapatkan solusi paling optimum, karena
langkah-langkah tidak menghitung keseluruhann dari total nilai yang ada
yang harus dilakukan
untuk memperoleh
solusi
Sumber: Hasil Penelitian (2016)

Dengan demikian hasil yang dapat diperoleh menghasilkan rute yang paling pendek di
dengan melakukan pencarian rute perjalanan bandingkan Greedy dengan rute BSI - SMA7
promosi PMB AMIK BSI Tasikmalaya - SMA1 - SMA3 - SMA SILIWANGI - SMA
menggunakan algoritma genetika dan PERWARI - SMA ALMUTTAQIN - SMA6 –
algoritma greedy adalah algoritma genetika SMA 10 – SMA 8 – SMA 9 - SMA
lebih tepat digunakan untuk pencarian rute SANTIYAMA - SMA PASUNDAN - SMA
tersebut karena menghasilkan beberapa ANGKASA – SMA 5 – SMA 4 - SMA BPK
solusi dalam penentuan rute tersebut. Rute PENABUR - SMA RIYADLUL ULUM – SMA
yang diusulkan dengan menggunakan 2 – BSI.
algoritma genetika adalah Algoritma Genetika dapat
1 8 2 4 12 16 19 7 11 9 10 18 17 14 6 5 15 diimplementasikan pada kasus pencarian
13 3 1 rute terpendek, rute terpendek yang
Maka sesuai posisi tersebut dapat dilihat dihasilkan sangat berguna untuk menentukan
hasil grafiknya pada gambar 11. jalan tersingkat untuk menuju suatu tempat.
Sehingga, kita dapat sampai tepat waktu
menuju tempat tujuan. Beberapa saran yang
dapat disampaikan pada penelitian yang
akan datang dikemudian hari yaitu sebagai
berikut.
a. Sebaiknya objek penelitian tidak hanya
mencakup satu kota saja tetapi bisa di
tambahkan dengan kota-kota yang lain
yang ada diwilayah Marketing Promosi
BSI Tasikmalaya.
b. Pada Penelitian Selanjutnya sebaiknya
Gambar 11. Posisi Rute yang diusulkan dikembangkan sebuah system yang di
Sumber: Hasil Penelitian (2016) bangun pada sebuah aplikasi yang dapat
dengan mudah di gunakan [ada [encarian
Urutan sekolahnya adalah: rute.
BSI – SMA 7 – SMA 1 – SMA 3 – SMA c. Sebaiknya kembangkan system tidak
SILIWANGI – SMA PERWARI – SMA hanya menentukan jarak terdekat
ALMUTAQIN – SMA 6 – SMA 10 – SMA 8 – melainkan dikembangkan system untuk
SMA 9 – SMA SANTIYAMA – SMA menentukan waktu tercepat dan biaya
PASUNDAN – SMA ANGKASA – SMA 5 – terhemat.
SMA 4 – SMA BPK PENABUR – SMA
RIYADLUL ULUM- SMA 2 – BSI. Referensi
Adipranata, R. (2007). Aplikasi Pencari Rute
4. Kesimpulan Optimum Pada Peta Guna
Perbandingan Antara Algoritma Genetika Meningkatkan Efisiensi Waktu
dan Greedy dalam penentuan rute terpendek Tempuh Pengguna Jalan Dengan
menghasilkan bahwa Algoritma genetika

INFORMATIKA Vol. 3, September 2016: 299 – 313

 313

Metode A* Dan Best First Search. Mahasiswa PTIIK Universitas

Journals Informatic , 2. Brawijaya Volume 3, Number 12.

Ahmed, Z. H. (2010). Genetic Algorithm for Tanupriya, A. V. (2013). Open Loop

the Traveling Salesman Problem Travelling Salesman Problem using
using Sequential Constructive. Genetic Algorithm. International
International Journal of Biometrics & Journal of Innovative Research in
Bioinformatics (IJBB). Computer and Communication
Engineering.
Al-Dulaimi B.F, A. (2008). Enhanced
Traveling Salesman Problem Solving Zukhri, Z. (2014). Algoritma Genetika Metode
by Genetic Algorithm Technique Komputasi Evolusioner untuk
(TSPGA). World Academy of Menyelesaikan Masalah Optimasi.
Science. Yogyakarta: Andi Publishing.

Dian. (2013). Algoritma Optimasi Untuk

Penyelesaian Travelling Salesman
Problem (Optimization Algorithm For
Solving Travelling Salesman
Problem). Jurnal Transformatika, 2.

Efendi, I. (2016, July thursday). Diambil

kembali dari www.it-jurnal.com:
http://www.it-jurnal.com/pengertian-
algoritma-greedy/

Erma Susanti, D. A. (2014). Web SIG

(SISTEM INFORMASI GEOGRAFIS)
Untuk Fasilitas Umum (Studi Kasus
di Kota Yogyakarta). Prosiding
Seminar Nasional Aplikasi Sains &
Teknologi (SNAST) 2014ISSN: 1979-
911X (hal. 7). Yogyakarta: IST
AKPRIND Yogyakarta.

Fitrah, A., F. Z. (2006). Penerapan Algoritma

Genetika pada Persoalan Pedagang
Keliling. Jurnal Program Studi
Informatika.

Haupt, H. d. (2016, December 5). About Us:

Digital Librari Unila. Diambil kembali
dari Digital Librari UNILA:
http://digilib.unila.ac.id/12925/129/BA
B%20II.pdf

Kustanto. (2011). Optimasi Rute Distribusi

Tabung Gas Elpiji Menggunakan
Algoritma Genetika. Yogyakarta:
Universitas Gadjah Mada .

Suprayogi, D. M. (2014). Optimasi Rute Antar

Jemput Laundry dengan Time
Windows (TSPTW) Menggunakan
Algoritma Genetika. Jurnal

INFORMATIKA Vol. 3, September 2016: 299 – 313