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
crossover merupakan probabilitas terjadinya crossover, probabilitas mutasi merupakan probabilitas terjadinya mutasi.
Percobaan dilakukan dengan mengubah nilai parameter probabilitas crossover, probabilitas mutasi, serta ukuran populasi dalam batas generasi yaitu, 50
untuk semua percobaan. Masalah pengujian menggunakan dua masalah yang didapat dari ORLibrary OR-Library, 2011. Kedua masalah pengujian dapat dilihat pada
Tabel 4.1. Tabel 4.1. Masalah Pengujian dari Or-Library
No File Jalur
Banyak Node
1 CCNFP10g2c
10 2
CCNFP12g1a 12
3 CCNFP15g1b
15 4
CCNFP19g1b 19
5 CCNFP25g1a
25 6
CCNFP30g3a 30
7 CCNFP40g3a
50 8
CCNFP50g2c 100
9 CCNFP50g2a
200
Percobaan pertama dilakukan dengan menggunakan batas generasi = 50, probabilitas crossover Pc = 0.75, probabilitas mutasi Pm = 0.25, dan ukuran populasi
nind yang berubah-ubah. Nilai nind yang digunakan adalah 10, 50, dan 200. Untuk masalah pengujian 1 samapai pengujian 10 masing-masing dilakukan percobaan
sebanyak 10 kali. Nilai solusi optimal ini yang akan digunakan untuk menentukan keoptimalan pada percobaan yang akan dilakukan dengan algoritma genetika.
4.3. Pembahasan
Kategori