No Nama Peneliti
Persamaan Perbedaan
dengan jumlah gen yang mengalami crossover.
5. Kusum Deep dan
Hadush Mebrahtu 2012
Penelitian ini sama seperti penelitian yang dilakukan oleh peneliti
membahas mengenai penerapan algoritma genetika di dalam
menyelesaikan permasalahan Traveling Salesman Problem
Penelitian ini membahas mengenai pembuatan variasi
pada partially mapped crossover dengan menentukan letak
kromosom dalam posisi acak dan tidak membahas mengenai kaitan
antara jumlah gen yang mengalami crossover dengan
performance atas metode arithmetic crossover
6. Stjepan Picek,
Domagoj Jakobovic dan
Marin Gloub 2013
Penelitian ini membahas mengenai perbandingan performance atas
metode arithmetic crossover dan beberapa metode crossover yang
lain Penelitian ini membandingkan
beberapa metode crossover di dalam menyelesaikan 24
permasalahan dengan menggunakan 16 metode
crossover, tetapi penelitian ini tidak membahas mengenai kaitan
antara jumlah gen yang mengalami crossover terhadap
performance dari crossover khususnya arithmetic crossover
7. Sri Melvani Hardi
2014 Penelitian ini membahas mengenai
pengaruh crossover di dalam performance algoritma genetika di
dalam menyelesaikan permasalahan Traveling Salesman Problem TSP
Penelitian ini pengaruh dari variasi terhadap performance dari
algoritma genetika dan tidak membahas mengenai kaitan antara
jumlah gen yang mengalami crossover dengan performance
dari algoritma genetika
2.7.3. Kontribusi yang Diberikan
Melalui penelitian ini diharapkan dapat diperoleh hasil analisis keterkaitan jumlah gen yang mengalami crossover dengan performance algoritma genetika dengan setiap
metode arithmetic crossover yang ada.
Universitas Sumatera Utara
BAB 3 METODOLOGI PENELITIAN
3.1. Pendahuluan
Traveling Salesman Problem termasuk ke dalam kelas permasalahan NP Non Deterministic Polynomial kategori sulit karena memiliki kompleksitas O n.
Permasalahan utama dari TSP adalah bagaimana seorang salesman dapat mengatur rute perjalanannya untuk mengunjungi sejumlah kota yang diketahui jarak satu kota
dengan kota lainnya sehingga jarak yang ditempuh merupakan jarak minimum di mana seorang salesman hanya dapat mengunjungi kota tersebut tepat satu kali. Salah
satu metode yang dapat digunakan di dalam menyelesaikan permasalahan TSP yaitu algoritma genetika. Crossover merupakan salah satu aspek penting di dalam algoritma
genetika untuk menghasilkan best fitness. Terdapat beberapa metode crossover yang dapat digunakan. Salah satu metode crossover yang dapat digunakan adalah metode
arithmetic crossover yang pada penelitian ini dibahas mengenai performance dari tiap metode arithmetic crossover yang ada, yang terdiri dari whole arithmetic crossover,
simple arithmetic crossover, dan single arithmetic crossover.
3.2. Data yang Digunakan
Data yang digunakan merupakan data benchmark yang diambil dari TSPLIB dimana TSPLIB merupakan library dari contoh data untuk permasalahan TSP dari berbagai
sumber dan bermacam tipe permasalahan TSP. Jenis data file .tsp yang digunakan sebagai data uji adalah data TSP simetris di mana jarak antara titik I ke titik J sama
dengan jarak titik J ke titik I. Adapun data yang digunakan yaitu data berlin52.tsp. Pada file berlin52.tsp terdapat sebanyak 52 kota yang tiap kota memiliki koordinat X
dan Y sehingga jarak tiap kota dapat dihitung dengan menggunakan persamaan euclidean 2 dimensi. Adapun persamaan dari euclidean 2 dimensi dapat dilihat pada
persamaan 3.1.
Universitas Sumatera Utara
