Analisis Optimasi Multiple Travelling Salesman Problem Time Window Pada Algoritme Genetika Terhadap Pemilihan Rute Pengiriman Barang JT Express Surabaya

  

Vol. 2, No. 10, Oktober 2018, hlm. 3899-3905 http://j-ptiik.ub.ac.id

Analisis Optimasi Multiple Travelling Salesman Problem Time Window Pada

Algoritme Genetika Terhadap Pemilihan Rute Pengiriman Barang J&T

  

Express Surabaya

_{1 2 3} Eko Wahyu Hidayat , Agus Wahyu Widodo , Bayu Rahayudi

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya _{1 2}

  

Abstrak

  J&T Express merupakan sebuah perusahaan yang bergerak di bidang jasa pengiriman barang. Proses pengiriman barang pada J&T Express sangat mementingkan tingkat kecepatan, karena harus tepat waktu dalam melayani semua pelanggan dengan durasi waktu maksimal 1x24jam sampai 2x24jam. Pengiriman barang pada bidang jasa tidak selalu memenuhi target karena beberapa masalah non-teknis. Salah satu penyebabnya adalah tingkat kemacetan di beberapa kota yang membuat pengiriman barang terhambat. Penelitian ini memiliki tujuan untuk membuat sistem yang mampu menemukan jalur dengan tingkat kemacetan yang rendah dan mampu menemukan rute dengan waktu tempuh paling cepat yang dikunjungi sales lebih dari satu, permasalahan tersebut disebut dengan Multiple Travelling Salesman

  

Problem Time Window (MTSP-TW). Algoritme genetika merupakan salah satu metode yang dapat

  digunakan untuk menyelesaikan masalah MTSP-TW, sehingga dapat mancari rute dengan waktu tempuh paling cepat. Hasil pengujian pada analisis pemilihan rute pengiriman barang menunjukkan bahwa crossover one cut point dengan mutation insertion menghasilkan nilai fitness lebih baik daripada kombinasi reproduksi lain, dan hasil pemilihan rute dari sistem menghasilkan waktu lebih cepat daripada rute pilihan perusahaan.

  

Kata kunci: pengiriman barang, multiple travelling salesman problem, multiple travelling salesman problem time

window , algoritme genetika

  

Abstract

J&T Express is a company engaged in the service of shipping the goods. The process of delivery of the

goods on the J&T Express speed levels very seriously, because it has to be timely in serving all the

customers with the maximum time duration of 1x24 hours to 2x24 hours. Delivery of the goods on the

field do not always meet the target because some non technical issues. One of the reasons is the level of

congestion in some cities that make the delivery of goods is hampered. This research has the objective

to create a system that is able to find a line with a low level of congestion and are able to find routes

with the fastest travel time that you visit our sales more than one, that problem is called with Multiple

Travelling Salesman Problem Time Window (MTSP-TW). Genetic algorithms is one method that can be

used to solve the problem of MTSP-TW, so it can search through the route with a fastest journey time.

The test results on the analysis of the selection of shipping routes shows that the crossover one cut point

with mutation insertion produces a fitness better combination than other reproduction, and the results

of the selection of the route of the system generates a time faster than the route choice company.

  

Keywords: delivery of goods, multiple traveling salesman problems, multiple traveling salesman problems time

window, genetic algorithm .

  sebagai dasar dari sistemnya. Jaringan luas yang 1. dimiliki oleh J&T Express memfasilitasi

   PENDAHULUAN

  layanan-layanan ekspres untuk pelanggan di J&T Express merupakan perusahaan yang seluruh Indonesia. J&T Express melayani bergerak di bidang jasa pengiriman barang. J&T pengiriman dalam kota, antar kota, antar Express adalah perusahaan pengiriman ekspres provinsi, dan juga pelanggan e-commerce (J&T yang menerapkan perkembangan teknologi

  Express , jet.co.id). Dalam pengiriman J&T Fakultas Ilmu Komputer Universitas Brawijaya

  

3899

  Express sangat mementingkan kepada tingkat

  kecepatan dalam melakukan pengiriman barang, dengan maksimal waktu x24jam sampai 2x24jam (J&T Express, jet.co.id). Untuk pengiriman yang dilakukan di daerah Surabaya terdapat kurang lebih lima karyawan di setiap cabang yang ada. Dengan jumlah sales yang ada dan komitmen dalam pengiriman barang terlebih di kota besar seperti Surabaya, memerlukan pemilihan rute yang tercepat. Dalam pemilihan rute tercepat pun harus memperhatikan waktu tempuh untuk sampai ke tujuan, selain itu di kota besar seperti Surabaya juga harus memperhatikan tingkat kemacetan. Tingkat kemacetan di setiap tempat dan waktu pun berbeda-beda.

  Algoritme genetika adalah Algoritme komputasi yang diinspirasi dari teori evolusi yang kemudian diadopsi menjadi Algoritme komputasi untuk mencari solusi suatu permasalahan dengan cara yang lebih alamiah (Widodo & Mahmudy, 2010). Solusi solusi yang ada pada Algoritme Genetika disebut sebagai

  chromosome, sedangkan kumpulan

  chromosome-chromosome tersebut disebut sebagai populasi. Sebuah chromosome dibentuk dari komponen-komponen penyusun yang disebut sebagai gen dan nilainya dapat berupa bilangan numerik, biner, simbol ataupun karakter tergantung dari permasalahan yang ingin diselesaikan. Kemudian dilakukan proses reproduksi dengan memilih individu-individu yang akan dikembangbiakkan. Penggunaan operator-operator genetik seperti pindah silang (crossover) dan mutasi (mutation) terhadap individu-individu yang terpilih dalam penampungan individu akan menghasilkan keturunan atau generasi baru.

  Pengiriman barang merupakan proses penting dalam suatu usaha. Kegiatan pengiriman barang yang baik sangat berpengaruh pada suatu usaha karena proses kegiatan usaha akan lebih efisien. Pengiriman barang merupakan kegiatan yang menyalurkan barang atau produk maupun jasa kepada konsumen secara menyeluruh dan merata. Proses pengiriman barang merupakan perantara yang menghubungkan transaksi kegiatan usaha maupun jasa agar dapat sampai ke tangan konsumen dengan aman. Pada proses pengiriman barang membutuhkan ketepatan tempat tujuan serta kecepatan waktu tempuh perjalanan.

  Strategi yang baik dalam proses pengiriman dapat berpengaruh pada kepuasan konsumen, sehingga membutuhkan kecepatan waktu pengiriman. Waktu pengiriman yang cepat sangat bermanfaat pada perusahaan maupun usaha bidang jasa yang melakukan pengiriman barang karena dapat mencapai sasaran tujuan yang diharapkan. Beberapa faktor yang dapat menyebabkan keterlambatan pada proses pengiriman barang yaitu:

  1. Proses pengangkutan barang dari gudang ke transportasi yang lama

  2. Jarak yang ditempuh jauh dan berbeda-beda 3.

  Kemacetan.

  2.2 Algoritme Genetika

  Algoritme Genetika adalah salah satu cabang evolutionary algorithms, yaitu suatu teknik optimasi yang didasarkan pada genetika alami. Dalam Algoritme genetika untuk menghasilkan suatu solusi optimal, proses pencarian dilakukan di antara sejumlah alternatif titik optimal berdasarkan fungsi probabilistik (Widodo & Mahmudy, 2010). Masalah utama pada Algoritme genetika adalah bagaimana memetakan satu masalah menjadi satu string kromosom. Langkah-langkah penyelesaian masalah menggunakan algoritme genetika adalah dengan pembuatan himpunan solusi baru (initialization) yang terdiri atas sejumlah string kromosom dan ditempatkan pada penampungan populasi. Kemudian dilakukan proses reproduksi dengan memilih individu-individu yang akan dikembangbiakkan. Penggunaan operator-operator genetik seperti pindah silang (crossover) dan mutasi (mutation) terhadap individu-individu yang terpilih dalam penampungan individu akan menghasilkan keturunan atau generasi baru (evaluasi). Setelah proses evaluasi untuk perbaikan populasi, maka generasi-generasi baru ini dilakukan seleksi sehingga dapat menggantikan himpunan populasi asal. Siklus ini akan berlangsung berulang kali sampai tidak dihasilkan perbaikan keturunan, atau sampai kriteria optimum ditemukan. Berikut tahap-tahap mengenai algoritme:

2. KAJIAN PUSTAKA

2.1 Pengiriman Barang

  1. Inisialisasi Populasi Awal adalah sebuah proses yang dilakukan untuk menentukan kumpulan individu-individu yang dibentuk dalam sebuah kromosom. Kromosom sendiri dibentuk dengan memanfaatkan fungsi

  Window sebagai waktu jam kerja (jam

  individu yang sudah terpilih tidak terpilih lagi.

• – 19.00). Sedangkan untuk nilai cost akan dilakukan dengan menjumlahkan waktu tempuh antar alamat pengiriman barang yang didapatkan langsung dari J&T Express yang dikalikan dengan nilai tingkat kemacetan sebagai pinalty. = ∑ ( ∗ (1 + ′ )

  2. Proses reproduksi sendiri dibagi menjadi dua yaitu Crossover dan Mutation. Crossover merupakan sebuah proses untuk menemukan kromosom baru, dengan menukarkan gen pada beberapa kromosom sehingga menghasilkan kromosom baru. Mutation merupakan proses yang dilakukan untuk menghasilkan kromosom baru hanya dengan memilih salah satu dari kromosom awal.

  3. Evaluasi adalah proses yang di lakuakan dengan menggabungkan kromosom awal dengan kromosom baru hasil dari reproduksi.

  4. Seleksi adalah proses yang dilakukan dengan mengurutkan hasil dari perhitungan nilai

  fitness pada proses evaluasi. Sehingga

  kromosom dengan nilai fitness yang lebih baik akan diproses untuk generasi selanjutnya, dan untuk kromosom dengan nilai fitness yang kurang baik akan dihapus.

  (3) X = Nilai waktu tempuh antar daerah W` = Nilai kemacetan normalisasi W = Nilai tingkat kemacetan 3.

  ∑ =0

  (2) ′ =

  =0

  random yang ada pada java, sehingga

  keberangkatan sales) yang dimiliki oleh sales yaitu sepuluh jam (berangkat jam 09.00

  Nilai tersebut dipilih sebagai role dari Time

METODOLOGI PENELITIAN

2.3 Multiple Travelling Salesman Problem-

  (1) Nilai konstanta yang digunakan adalah 600.

  dilakukan dengan melakukan pengurangan antara nilai konstanta (c) dengan nilai cost. Nilai konstanta adalah nilai maksimal yang mungkin terjadi (Widodo, AW & Mahmudy, WF 2010). Sedangkan untuk nilai cost adalah nilai hasil persamaan pada setiap metode untuk setiap individu. Sehingga dari penjelasan tersebut didapatkan sebuah rumus perhitungan pada persamaan (1). = ∑ −

  Travelling Salesman Problem Time Window

  permasalahan TSP dan MTSP yang digabungkan dengan Time Window. TSP merupakan sebuah permasalahan dalam mengunjungi n tempat dalam sekali perjalanan oleh seorang sales dan berakhir pada tempat asal (Suprayogi & Mahmudy, 2015). Sedangkan Time Window adalah permasalahan dimana setiap daerah yang dikunjungi memiliki kendala terhadap waktu (Widodo & Mahmudy, 2010). Pada penelitian ini, proses evaluasi atau perhitungan nilai fitness untuk menyelesaikan permasalahan Multiple

  Time Window Multiple Travelling Salesman Problem Time Window adalah sebuah pengembangan dari

  Pada tahapan penelitian ini akan menjelaskan tentang tahapan-tahapan yang perlu dilakukan dalam penelitian. Setiap tahapan yang ada harus dilakukan setelah tahapan sebelumnya telah dilakukan. Tahapan-tahapan tersebut, ditunjukan pada Gambar 1.

  Pada tahan Studi Literatur akan membahas tentang literature yang diambil dari buku, jurnal, karya tulis ilmiah website dan penelitian sebelumnya. Sedangkan pada point pengumpulan data dilakukan diwilayah Kota Surabaya, yang melibatkan salah satu Perusahaan di bidang jasa pengiriman barang untuk dalam kota dan domestik yaitu J&T Express. Data yang didapatkan berupa data pengiriman barang selama satu bulan. Data tersebut akan dianalisiss pada point Analisiss dan Pengolahan Data. Data waktu tempuh didapat dari Google Maps, yang diasumsikan bahwa jalur yang didapat dengan menggunakan mobil, karena walau untuk pengiriman J&T Express menggunakan sepeda motor akan tetapi dibagian belakang jok terdapat sebuah tambahan barang sehingga membuat ukuran lebar sepeda motor menjadi mendekati ukuran lebar mobil.

  =0 dalam percobaan adalah: 1.

  C1: crossover one cut point.

  Mulai Studi Literatur Selesai Pengumpulan Data

  Analisa Data Perancangan Sistem Implementasi Pengujian Sistem

  Analisis dan Kesimpulan

  Gambar 1. Alur Metode Algoritme Genetika Selain itu data tingkat kemacetan diambil dari data kemacetan beberapa hari di hari kerja, akan tetapi pada sistem ini data tingkat kemacetan diasumsikan sebagai rata-rata tingkat kemacetan yang terjadi di setiap hari. Selain itu untuk rute jalan tidak melewati jalur tol. Sedangkan data rute dari perusahaan, didapatkan dari kuesioner yang diisi oleh kurir J&T Express, kuesioner berisikan 100 alamat pengiriman yang harus diselesaikan oleh 3 sales (kurir). Kuesioner diberikan kepada 5 kurir J&T Express, dengan masing-masing kurir menentukan 10 rute pengiriman.

  Crossover Mutation Nilai Fitness C1 & M1 C1 & M2 C2 & M1 C2 & M2

  Tabel 1. Rata-Rata Pengujian Reproduksi

  Pada nilai fitness sendiri terdapat nilai negatif dan nilai positif, nilai tersebut memperlihatkan seberapa besar tingkat kemacetan yang dimiliki oleh rute, semakin kecil nilai fitness maka tingkat kemacetan atau waktu tempuh pada rute. Dari keseluruhan percobaan akan dihitung nilai rara-rata pada masing-masing kombinasi untuk mengetahui jenis kombinasi terbaik.

  4. M2: insertion mutation.

  3. M1: exchange mutation.

  2. C2: crossover two cut point.

  mutation rate adalah sebesar 0,2 dan 0,1. Selain

  itu, pengujian akan dilakukan sebanyak sepuluh kali percobaan, dan untuk jenis crossover dan

  Mutation serta simbol yang akan digunakan

• 924,07 65,85
• 350,03 61,38
• 1000 -500 500 c1 dan m1 c1 dan m2 c2 dan m1 c2 dan m2

  Masing-masing kombinasi akan diambil nilai fitness terbaik pada kromosom akhir yang terpilih. Untuk ukuran populasi dan generasi maksimum menggunakan nilai sebesar 10 dan 1000, dan untuk nilai crossover rate dan

  Travelling Salesman Problem Time Window .

  Pada pengujian untuk hasil Reproduksi dapat dilihat dari nilai fitness masing-masing kombinasi. Proses perhitungan untuk nilai fitness sendiri menggunakan metode Multiple

  pengujian validasi.

  Multiple Traveling Salesman Problem Time Window. Setelah itu akan dilakukan proses

  Pada penelitian ini dilakukan beberapa pengujian yaitu terhadap proses reproduksi pada algoritme genetika (Crossover dan Mutation) setelah itu hasil dari pengujian tersebut akan digunakan untuk menguji hasil dari metode

  Gambar 2. Grafik Pengujian Reproduksi Berdasarkan Gambar 2 menunjukkan bahwa kombinasi dari Crossover One Cut Point dengan

  Mutation Insertion dapat menghasilkan nilai fitness yang stabil, dan lebih baik dari kombinasi

  yang lain. Akan tetapi pada kombinasi

  Crossover Two Cut Point dengan Mutation Insertion juga stabil menghasilkan nilai fitness

  Hasil Reproduksi

4. PENGUJIAN DAN ANALISISS

4.1 Pengujian Crossover dan Mutation (Reproduksi)

  yang baik dan tidak jauh berbeda dari pada pada perusahaan J&T Express. Walau pada kombinasi Crossover One Cut Point dengan beberapa percobaan menghasilkan waktu

  

Mutation Insertion . tempuh yang melebihi waktu pengiriman sales,

  tetapi jika dihitung nilai rata-rata waktu tempuh

  4.2

  setiap sales tetap menghasilkan waktu yang

   Pengujian Multiple Travelling Salesman Problem Time Window kurang dari jam pengiriman.

  Pada pengujian untuk hasil nilai fitness

  Multiple Travelling Salesman Problem Time Window akan dilakukan dengan melihat nilai

  4.3 Pengujian Validasi

  waktu tempuh setiap sales yang ada. Pada Pengujian ini dilakukan untuk mengetahui pengujian ini, jenis crossover mutation yang apakah hasil dari sistem yang dibuat berhasil dipilih adalah Crossover One Cut Point dengan memperoleh rute yang lebih baik dari rute

  Mutation Insertion . Jenis reproduksi tersebut

  perusahaan. Rute dari perusahaan sendiri, dipilih berdasarkan hasil dari pengujian didapatkan dengan memberikan studi kasus 100

  Reproduksi sebelumnya. Hasil pengujian pengiriman kepada lima kurir dimana setiap tersebut dapat dilihat pada Tabel 2 dan Gambar kurir akan memilih rute sebanyak sepuluh.

  3. Sedangkan untuk sistem akan menggunakan hasil pengujian terbaik pada pengujian Tabel 2. Pengujian Waktu Tempuh MTSP-TW

  Nilai Rata-rata reproduksi yaitu hasil waktu tempuh yang Percobaan ke- Setiap Sales

  didapat dari proses reproduksi dengan kombinasi

  1 549,00 Crossover One Cut Point dengan Mutation

  2 565,33 Insertion. 3 565,67 4 556,00 5 582,00 Tabel 3. Rata-Rata Waktu Tempuh 6 560,33 Rata-rata Waktu

  Pilihan Rute ke- 7 551,00

  Tempuh Sales 8 515,67 1 580,87 9 564,00 2 661,40

  10 570,67 3 708,00 4 648,00 5 678,47 6 578,80 7 696,33

  Rata Rata Hasil Waktu 8 615,53 9 632,60

  Tempuh 10 631,60

  Multiple Travelling Salesman Problem Time 600

  Pada Tabel 3 merupakan rata-rata waktu

  580 Window

  560

  tempuh untuk sales yang ada dalam satuan nilai

  540

  waktu. Sedangkan untuk hasil dari rata-rata

  520

  semua kurir disetiap pilihan akan dibandingkan

  500

  dengan hasil rute terbaik sistem berdasarkan

  480

  pengujian sebelumnya, yaitu rute yang didapat dari hasil kombinasi reproduksi Crossover One

  Cut Point dan Mutation Insertion. Hasil

  perbandingan tersebut dapat dilihat pada Gambar 4. Gambar 3. Grafik Pengujian Waktu Tempuh

  Berdasarkan Gambar 4, dapat dilihat bahwa MTSP-TW hasil rute yang didapatkan oleh sistem stabil lebih baik dibandingkan dengan hasil rute yang

  Berdasarkan Tabel 2 dan Gambar 3 didapatkan dari perusahaan. Selain itu hasil rute menunjukkan bahwa nilai waktu tempuh (dalam yang didapat dari perusahaan terlihat tidak stabil. hitungan menit) tiap sales menghasilkan nilai rata-rata yang kurang dari jam kerja tiap sales

  Gambar 4. Pengujian Validasi 5.

  Pada penelitian mengenai pencarian rute pada pengiriman baran J&T Express dengan menggunakan Algoritme Genetika masih belum sempurna dan memiliki banyak kekurangan. Saran yang diberikan untuk penelitian selanjutnya adalah untuk lebih dikembangkan lagi variabel yang digunakan untuk memperhitungkan rute, seperti menambahkan titik-titik traffic light (lampu merah) yang ada dalam rute. Selain itu untuk penelitian selanjutnya juga bisa dikembangkan dalam optimasi yang bisa menghasilkan jarak tempuh terpendek dan waktu tempuh tercepat (dengan memperhitungkan jarak, waktu, tingkat kemacetan).

  Perbandingan Rute Waktu Tempuh Sistem Waktu Tempuh Perusahaan

  200 400 600 800

KESIMPULAN DAN SARAN

  menghasilkan nilai fitness yang baik dan tidak jauh berbeda dari pada kombinasi Crossover

  04. Gen, M. & Cheng, R., 1997. Genetic Algorithms and Engineering Design,. John Wiley & Sons ed. New York: Inc. Haupt, R. & Haupt, S. E., 2004. Practical

  Crossover One Cut Point dengan Mutation Insertion dapat menghasilkan nilai fitness yang

  stabil, dan lebih baik dari kombinasi yang lain. Akan tetapi pada kombinasi Crossover Two Cut

  Optimasi fungsi multi-obyektif berkendala menggunakan algoritme

  Mahmudy, W. F. & Rahman, M., 2011.

  Evolusi. Malang: Program Teknologi Informasi dan Ilmu Komputer.

  Mahmudy, W. F., 2015. Dasar-Dasar Algoritme

  Seminar Nasional Basic Science V.

  Mahmudy, W. F., 2008. Optimasi Multi Travelling Salesman Problem (M-TSP) Menggunakan Algoritme Genetika.

  Program Teknologi Informasi dan Ilmu Komputer. Universitas Brawijaya, Malang.

  Mahmudy, W. F., 2013. Algoritme Evolusi.

  FMIPA , 21 February.

  Mahmudy, W. F., 2009. Optimasi fungsi tak berkendala menggunakan algoritme genetika terdistribusi dengan pengkodean real'. Seminar Nasional Basic Science VI

  Genetic Algorithms. USA: John Wiley & Sons.

  Institut Teknologi Nasional, 03(2015), p.

  One Cut Point dengan Mutation Insertion. Selain

  Cahyaningrum, D. T. I. I. M., Santoso, P. B. & Tantrika, C. F. M., 2015. Usulan Perbaikan Rute Pendistribusian Ice Tube Menggunakan Metode Nearest Neighbour dan Genetic Algorithm. Jurnal Online

  Berdasarkan hasil pengujian reproduksi, dapat disimpulkan bahwa kombinasi dari

  Point dengan Mutation Insertion juga stabil

  kesimpulan bahwa metode tersebut bisa menghasilkan rute dengan waktu tempuh yang kurang dari waktu operasional pengiriman barang dari perusahaan. Walau pada beberapa percobaan terdapat salah satu sales yang mendapatkan rute dengan waktu tempuh diatas waktu operasional, nilai rata rata pada percobaan tersebut masih menghasilkan waktu dibawah jam operasional pengiriman. Selain itu dari hasil validasi pengujian pada 2 dapat dilihat bahwa hasil waktu tempuh yang didapatkan dari perusahaan bisa menghasilkan waktu yang lebih cepat dari jam operasional pengiriman, akan tetapi disetiap pilihan yang ada tidak bisa menghasilkan waktu yang stabil lebih cepat. Dan pada Tabel 3 dapat dilihat rata-rata waktu tiap pilihan rute memiliki rata-rata yang melebihi waktu operasional pengiriman. Pada Gambar 4 juga menunjukan bahwa hasil rute dari sistem stabil menghasilkan waktu yang lebih baik dari rute pilihan kurir

  Salesman Problem Time Window dapat diambil

  Berdasarkan pengujian Multiple Travelling

  untuk bisa menghasilkan nilai fitness yang lebih baik lagi.

  Two Cut Point juga memiliki kemungkinan

  dapat disimpulkan juga bahwa proses Crossover

  Mutation Exchange . Dari kesimpulan tersebut

  dilihat bahwa Crossover Two Cut Point bisa memperbaiki dan mendapatkan hasil yang lebih baik dari pada Crossover One Cut Point dengan

  Point dengan Mutation Exchange juga bisa

  itu, dari hasil kombinasi Crossover Two Cut

  6. DAFTAR PUSTAKA genetika adaptif dengan pengkodean real.

  Kursor, 6(1), pp. 19-26.

  Sari, R. N. & Mahmudy, W. F., 2015.

  Penyelesaian Multiple Travelling

  Sales person Problem (M-Tsp) Dengan

  Algoritme Genetika. Repository Jurnal

  Mahasiswa PTIIK Universitas Brawijaya, Volume 5, p. 14.

  Sulistiyorini, R. & Mahmudy, W. F., 2015.

  Penerapan Algoritme Genetika Untuk Permasalahan Optimasi Distribusi Barang Dua Tahap. Repository Jurnal

  Mahasiswa PTIIK Universitas Brawijaya, Volume 5.

  Suprayogi, D. & Mahmudy, W. F., 2015.

  Penerapan Algoritme Genetika Travelling

  Salesman Problem with Time

  Window:Studi Kasus Rute Antar Jemput Laundry. Jurnal Buana Informatika, Volume 6, pp. 121-130.

  Widodo, A. W. & Mahmudy, W. F., 2010.

  Penerapan Algoritme Genetika Pada Sistem Rekomendasi Wisata Kuliner.

  Jurnal Ilmiah KURSOR, 5(0216-0544), pp. 205-211.

  Zukhri, Z., 2014. Algoritme Genetika Metode

  Komputasi Evalusioner untuk Menyelesaikan Masalah Optimasi,

  Yogyakarta: C. Vandi Offset.