Flowchart Pembentukkan Rute terpendek dengan adanya lintasan terlarang Flowchart Perhitungan nilai fitnesss Flowchart Seleksi

3.7. Flowchart Pencarian Rute Terpendek dengan Adanya Lintasan Terlarang

menggunakan Algoritma Genetika

3.7.1. Flowchart Pembentukkan Rute terpendek dengan adanya lintasan terlarang

Gambar 3.8. Flowhcart Jalur Terpendek dengan adanya Lintasan Terlarang Universitas Sumatera Utara

3.7.2. Flowchart Perhitungan nilai fitnesss

Gambar 3.9. Flowchrat Perhitungan Nilai Fitness dalam pencarian rute terpendek dengan adanya forbidden path. Universitas Sumatera Utara

3.7.3. Flowchart Seleksi

Gambar 3.10. Flowchart Seleksi Universitas Sumatera Utara

BAB 4 HASIL DAN PEMBAHASAN

4.1. Pendahuluan

Pada bab ini akan dijelaskan mengenai hasil penelitian penulis terhadap beberapa permasalahan mengenai sebuah rute terpendek dengan adanya lintasan terlarang, dari hasil penelitian dapat ditarik suatu kesimpulan, apakah adanya sebuah penyelesaian tentang pengoptimalan untuk pencarian rute terpendek yang memiliki sebuah kendala yaitu sebuah lintasan terlarang dengan menggunakan algoritma genetika. Dalam penelitian ini yang akan dibahas adalah sebuah pencarian rute terpendek dengan adanya forbbiden path dari sumber ke tujuan. Forbidden path ini adalah sebuah kendala dalam proses pencarian optimasi pencarian rute terpendek, yang dimana tidak dapat menjadi bagian dari sebuah solusi dari pengoptimalan pencarian rute terpendek. Sehingga dapat dirumuskan dalam penyelesaian secara optimum dalam pencarian rute terpendek dengan adanya lintasan terlarang dengan menggunakan sebuah penyelesaian menggunakan algoritma genetika. Pada tahap atau proses ini sebenarnya dapat ditambahkan algoritma baru untuk proses pencarian lokal agar algoritma genetika dapat menjamin solusi optimum global. Karena itu penulis memberikan memberikan saran untuk pengembangan tesis ini pada akhir bab, yaitu perlu adanya tambahan algoritma untuk membangkitkan jalur yang mungkin valid dari node sumber ke node tujuan agar dapat muncul kromosom unggul pada populasi awal dan sebagai akibatnya dapat mengurangi waktu komputasi. 4.2.Data Uji Coba Dalam genetik algoritma terdapat beberapa parameter genetik, yaitu ukuran populasi, jumlah generasi, probabilitas, crossover, probabilitas mutasi. Dalam hal ini ukuran populasi berarti jumlah maksimum solusi yang bisa ditampung, jumlah generasi adalah jumlah iterasi yang akan dilakukan dalam satu kali running, probabilitas Universitas Sumatera Utara