BAB I
PENDAHULUAN
1.1. Latar Belakang Masalah
Travelling Salesman Problem TSP merupakan sebuah permasalahan optimasi yang dapat diterapkan pada berbagai kegiatan seperti routing. Masalah optimasi
TSP terkenal dan telah menjadi standar untuk mencoba algoritma yang komputational. Pokok permasalahan dari TSP adalah seorang salesman harus
mengunjungi sejumlah kota yang diketahui jaraknya satu dengan yang lainnya. Semua kota yang ada harus dikunjungi oleh salesman tersebut dan kota
tersebut hanya boleh dikunjungi tepat satu kali. Permasalahannya adalah bagaimana salesman tersebut dapat mengatur rute perjalanannya sehingga jarak
yang ditempuhnya merupakan rute yang optimum yaitu jarak minimum terbaik. Larranaga et.al 1999.
Banyak metode yang dapat dipakai untuk menyelesaikan TSP yaitu Hill Climbing Method, Ant Colony System dan Dynamic Programming, Simulated
Annealing, Tabu Search. Metode lain yang dapat dipakai untuk menyelesaikan TSP adalah algoritma genetik. Algoritma genetik 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. Salah satu aspek yang mempunyai peranan yang penting dalam
menggunakan metode Algoritma Genetika adalah penentuan rekombinasi yang melibatkan crossover point dan mutasi. Biasanya dalam Algoritma Genetika,
individu diwakili oleh sejumlah bit string dan rekombinasi diimplementasikan melalui operator crossover yang beroperasi pada pasangan individu orangtua
Universitas Sumatera Utara
untuk menghasilkan string baru anak dengan persilangan segmen-segmen dari kedua orang tua tersebut. Secara tradisional, jumlah crossover point yang
menentukan berapa banyak segmen yang dipertukarkan telah ditentukan pada one point atau two point. Holland, 1975.
Dalam beberapa penelitian yang telah dilakukan oleh peneliti yang dituliskan dalam jurnal atau karya ilmiah tentang penggunaan
Walaupun telah banyak penelitian yang dilakukan dalam penyelesaian traveling salesman problem menggunakan partially mapped crossover algoritma
genetika, namun penentuan crossover point dalam partially mapped crossover belum pernah diketahui pada berapa probabilitas crossover yang paling optimal.
Oleh karenanya perlu dilakukan penelitian yang mendalam untuk mencari probabilitas crossover tersebut.
algoritma genetika yang telah dilakukan antara lain : Hannawati et.al 2002, memaparkan tentang
pengunaan algoritma genetika dalam menyelesaikan masalah optimasi yang kompleks dalam mencari rute paling optimum dari titik asal ke titik tujuan. Ada
dua jenis crossover yang dipergunakan yaitu one cut point crossover dan two cut point crossover. Sarwadi et.al 2004, penerapan algoritma genetika pada
penyelesaian masalah vehicle routing problem. Proses crossover point yang dipergunakan adalah Order Crossover OX. Samuel Lukas et.al 2005,
penerapan Algoritma Genetika untuk travelling salesman problem dengan menggunakan metode order crossover dan insertion mutation, Buthainah Fahran
Al-Dulaimi, et.al 2008, penyelesaian travelling salesman problem dengan membandingkan antara partially mapped crossover PMX, Order Crossover
OX, Cycle Crossover CX dengan menggunakan 1, 30, 70 dan 100. Naef Taher Al Rahedi, et.al 2009, penerapan algoritma genetika pada
penyelesaian traveling salesman problem dengan menggunakan New Crossover Operator dan menggunakan kromosom Upper Triangle Matrix.
Universitas Sumatera Utara
1.2. Perumusan Masalah