Sistem Informasi Jalur Optimal Transportasi Umum (Taksi) Berbasis Mobile Menggunakan Metode Algoritma Genetika (Studi Kasus: Denpasar Utara).

SISTEM INFORMASI JALUR OPTIMAL

TRANSPORTASI UMUM (TAKSI) BERBASIS MOBILE

MENGGUNAKAN METODE ALGORITMA GENETIKA

(Studi Kasus: Denpasar Utara)

KOMPETENSI

REKAYASA PERANGKAT LUNAK

SKRIPSI

I WAYAN ADITYA SETIAWAN

NIM. 1208605057

PROGRAM STUDI TEKNIK INFORMATIKA JURUSAN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS UDAYANA

BUKIT JIMBARAN 2016

ii

SURAT PERNYATAAN KEASLIAN KARYA ILMIAH

Yang bertanda tangan di bawah ini menyatakan bahwa naskah Skripsi dengan judul:

……… ………

Nama : I Wayan Aditya Setiawan

NIM : 1208605057

Program Studi : Teknik Informatika

E-mail : iwayanaditya.setiawan@mhs.cs.unud.ac.id Nomor telp/HP : 089619920577

Alamat : Jalan Ahmad Yani No.379 Peguyangan Denpasar

Belum pernah dipublikasikan dalam dokumen skripsi, jurnal nasional maupun internasional atau dalam prosiding manapun, dan tidak sedang atau akan diajukan untuk publikasi di jurnal atau prosiding manapun. Apabila di kemudian hari terbukti terdapat pelanggaran kaidah-kaidah akademik pada karya ilmiah saya, maka saya bersedia menanggung sanksi-sanksi yang dijatuhkan karena kesalahan tersebut, sebagaimana diatur oleh Peraturan Menteri Pendidikan Nasional Nomor 17 Tahun 2010 tentang Pencegahan dan Penanggulangan Plagiat di Perguruan Tinggi.

Demikian Surat Pernyataan ini saya buat dengan sesungguhnya untuk dapat dipergunakan bilamana diperlukan.

Denpasar, Juni 2016 Yang membuat pernyataan,

Materai

(I Wayan Aditya Setiawan) NIM. 1208605057

iii

iv

Judul : Sistem Informasi Jalur Optimal Transportasi Umum (Taksi) Berbasis Mobile Menggunakan Metode Algoritma Genetika. Studi Kasus: Denpasar Utara.

Nama : I Wayan Aditya Setiawan

Nim : 1208605057

Pembimbing I : I Gede Santi Astawa, S.T., M.Cs.

Pembimbing II : I Dewa Made Bayu Atmaja Darmawan, S.Kom.,M.Cs.

ABSTRAK

Permasalahan yang dihadapi oleh sarana transportasi umum, khususnya taksi dalam mengantarkan penumpang adalah rute perjalanan yang dilalui tidak optimal dari posisi asal ke posisi tujuan. Dimana dalam pengoprasianya, taksi yang memiliki rute perjalanan yang tidak optimal, dapat menyebabkan waktu dan jarak tempuh menjadi tidak efisien, sehingga kenyamanan dan kelancaran penggunanya berkurang.

Terdapat beberapa metode yang digunakan untuk menyelesaikan masalah optimasi jalur, salah satunya adalah Algoritma Genetika. Dipilihnya algoritma genetika dalam penyelesaian permasalahan jalur optimal dikarenakan jarak yang dihasilkan serta waktu yang dibutuhkan untuk melakukan perhitungan lebih baik untuk jumlah kota (search space) yang banyak, yang disertai dengan pemilihan parameter input yang tepat.

Dari hasil pengujian yang telah dilakukan, metode algoritma genetika sudah mampu digunakan untuk memberikan jalur optimal berdasarkan waktu tempuh dari posisi asal ke posisi tujuan. Hal tersebut dilihat dari hasil pengujian akurasi algoritma genetika sebanyak 10 percobaan, di mana 8 dari 10 percobaan yang telah di lakukan dengan pemilihan parameter input untuk pop size adalah 60, probabilitas crossover (Pc) adalah 0.6, probabilitas mutasi (Pm) adalah 0.01, dan batas generasi untuk kriteria berhenti adalah 50, dapat diimplementasikan representasi jalur optimal yang diberikan telah sesuai dengan representasi jalur yang ada pada aplikasi pencarian Google Maps.

v

Title : Optimal Path Information System of Public Transport (Taxis) with Mobile-Based Method Using Genetic Algorithm. A Case Study: Northern Denpasar.

Name : I Wayan Aditya Setiawan Registration : 1208605057

First Supervisor : I Gede Santi Astawa, S.T., M.Cs.

Second Supervisor : I Dewa Made Bayu Atmaja Darmawan, S.Kom.,M.Cs.

ABSTRACT

Problems faced by means of public transport, especially taxis in taking their passengers are the inefficient routes taken from the home positions to the destination positions. In the operations, taxis which have inefficient travel routes can lead to inefficient time and mileage, so the convenience and speed of service will decline.

There are several methods used to solve optimization of path problems, one of which is through Genetic Algorithm. Genetic algorithms have in solving problems of optimal paths, due to the resulting distance and time needed to perform better calculation for the number of cities (search space), which is accompanied by the right input of parameter selection.

From the testing that has been carried out, the method of genetic algorithms has been able to provide an optimal path based on the travel time from the home position to the destination position. It can be seen from the results of testing the accuracy of the genetic algorithm as many as 10 experiments, in which 8 of the 10 experiments that have been done with the selection of input parameters to pop size was 60, the probability of crossover (Pc) was 0.6, the probability of mutation (Pm) was 0:01, and the limit generation for stopping criteria was 50, it can be implemented representations of the provided optimal path in line with the representation of the existing path in the search application of Google Maps. Keywords: Genetic Algorithm, Optimization of Path, Taxis

vi

KATA PENGANTAR

Puji syukur penulis panjatkan kehadapan Tuhan Yang Maha Esa, karena berkat rahmat dan karunia-Nya, Tugas Akhir yang berjudul “Sistem Informasi Jalur Optimal Transportasi Umum (Taksi) Berbasis Mobile Menggunakan Metode Algoritma Genetika. Studi Kasus : Denpasar Utara” ini dapat diselesaikan tepat pada waktunya. Secara khusus penulis mengucapkan terima kasih dan penghargaan kepada berbagai pihak yang telah membantu penelitian ini, yaitu :

1. Bapak I Gede Santi Astawa, ST, M.Cs selaku Pembimbing I yang telah meluangkan waktu untuk memberikan bimbingan, saran dan masukan dalam penyempurnaan Tugas Akhir ini.

2. Bapak I Dewa Made Bayu Atmaja Darmawan, S.Kom.,M.Cs selaku Pembimbing II yang telah banyak membantu dan meluangkan waktu untuk penyempurnaan Tugas Akhir ini.

3. Bapak Agus Muliantara, S.Kom., M.Kom. selaku Ketua Jurusan Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Udayana yang telah banyak memberikan masukan dan motivasi sehingga memperlancar dalam proses pelaksanaan penelitian ini.

4. Bapak-bapak dan Ibu-ibu dosen di Jurusan Ilmu Komputer yang telah memberikan masukan, saran, dan nasehat guna kelengkapan Tugas Akhir ini.

5. Bapak I Wayan Saniasa (Kepala) dan Dewa Putu Agus Widnyana (Staff) Rekayasa Lalu Lintas Dinas Perhubungan Kota Denpasar yang telah banyak membantu dalam proses penelitian data yang digunakan pada penelitian ini. 6. Seluruh rekan-rekan mahasiswa di Jurusan Ilmu Komputer yang telah

memberikan motivasi dan doa dalam proses penelitian ini.

7. I Wayan Pio Pratama, S,Kom., IGA Surya Darmana, S.Kom., Sista Pradjna Paramitha, S.Kom., Ratna Sri Andi Yani, S.Kom., Agus Winartha, Dedik Amijaya sebagai sahabat yang sudah banyak membantu dalam memberikan saran, kritik, dan pemecahan masalah selama proses pelaksanaan penelitian. 8. I Nyoman Suarcana, I Wayan Purniati, Ir. Sri. Suryadani, Siti Marlinda,

Adina Striratna, SH, Herry Dwi Suputra, Ayu Sri Laksmi sebagai keluarga yang terus memberikan doa, semangat dan dukungan dalam penyelesaian penelitian ini.

Penulis menyadari bahwa Tugas Akhir ini masih belum sempurna, untuk itu kritik dan saran yang bermanfaat demi kesempurnaan Tugas Akhir ini sangat dihrapakan.

Bukit Jimbaran, Juni 2016 Penulis

vii

DAFTAR ISI

SURAT PERNYATAAN KEASLIAN KARYA ILMIAH ... ii

LEMBAR PENGESAHAN TUGAS AKHIR ... iii

ABSTRAK ... iii

ABSTRACT ... v

KATA PENGANTAR ... vi

DAFTAR ISI ... vii

DAFTAR TABEL ... ix

DAFTAR GAMBAR ... xii

DAFTAR LAMPIRAN ... xv

BAB I PENDAHULUAN ... 1

1.1Latar Belakang ... 1

1.2Rumusan Masalah ... 2

1.3Batasan Masalah ... 3

1.4Tujuan Penelitian ... 3

1.5Manfaat Penelitian ... 3

1.6Metodologi Penelitian ... 4

BAB II TINJAUAN PUSTAKA ... 7

2.1Graf….. ... 7

2.2Transportasi ... 8

2.3 Perlambatan Lalu Lintas ... 10

2.4Algoritma Genetika ... 12

2.5Kota Denpasar ... 20

2.6Sistem Operasi Android ... 21

2.7 Metode Pengembangan Perangkat Lunak Waterfall ... 23

2.8Strategi Pengujian Perangkat Lunak ... 24

2.9Tinjauan Studi ... 25

2.10Rangkuman Perbandingan Penelitian ……. ... 27

BAB III ANALISIS DAN PERANCANGAN ... 29

3.1Pemodelan Jalur Taksi ... 29

3.2Perancangan Sistem ... 33

viii

4.1Lingkungan Implementasi ... 69

4.2Implementasi Basis Data ... 69

4.3Implmentasi Algoritma Genetika ... 71

4.4Implementasi Antarmuka Sistem ... 85

4.5Pengujian ... 96

BAB V PENUTUP ... 144

5.1Kesimpulan ... 144

5.2Saran….. ... 144

DAFTAR PUSTAKA ... 145

ix

DAFTAR TABEL

Tabel 2.1 Pengkodean Biner ... 14

Tabel 2.2 Pengkodean Permutasi ... 15

Tabel 2.3 Pengkodean Nilai ... 15

Tabel 2.4 Tabel Tinjauan Studi ... 25

Tabel 3.1 Rata – Rata Kecepatan Kendaraan Umum ... 32

Tabel 3.2 Analisis Kebutuhan Fungsional ... 33

Tabel 3.3 Kecepatan Proses Pencarian Jalur Optimal ... 36

Tabel 3.4 Skenario Pengujian Blackbox Testing ... 67

Tabel 3.5 Skenario Pengujian Algoritma Genetika... 67

Tabel 3.6 Skenario Pengujian Akurasi Algoritma Genetika ... 68

Tabel 4.1 Source Code Proses Inisialisasi Populasi ... 71

Tabel 4.2 Source Code Proses Representasi Kromosom ... 72

Tabel 4.3 Source Code Proses Perbaikan Random ... 73

Tabel 4.4 Source Code Proses Evaluasi Fungsi Fitness ... 74

Tabel 4.5 Source Code Proses Menghitung Total Fitness ... 75

Tabel 4.6 Source Code Menghitung Probabilitas Kumulatif ... 75

Tabel 4.7 Source Code Proses Interval Kumulatif ... 76

Tabel 4.8 Source Code Proses Membangkitkan Bilangan Random ... 76

Tabel 4.9 Source Code Proses Penempatan Kromosom Menurut Interval ... 76

Tabel 4.10 Source Code Daftar Populasi Orang Tua ... 77

Tabel 4.11 Source Code Proses Crossover ... 78

Tabel 4.12 Source Code Proses Mutasi... 79

Tabel 4.13 Source Code Proses Validasi Jalur... 80

Tabel 4.14 Source Code Proses Pengabungan Kromosom Orang Tua dan Anak 81 Tabel 4.15 Source Code Proses Evaluasi Fitness, Pembentukan Populasi Baru .. 82

Tabel 4.16 Source Code Proses Kriteria Berhenti ... 83

Tabel 4.17 Source Code Proses Pemilihan Jalur Optimal... 84

Tabel 4.18 Checklist Kebutuhan Pengujian Black Box ... 96

Tabel 4.19 Pengujian Kebutuhan Input Persimpangan ... 97

Tabel 4.20 Pengujian Kebutuhan Input Wilayah ... 98

Tabel 4.21 Pengujian Kebutuhan Mencari Jalur Optimal ... 99

Tabel 4.22 Pengujian Proses Melihat Daftar Persimpangan ... 100

x

Tabel 4.24 Pengujian Validasi Input Proses Login ... 103

Tabel 4.25 Pengujian Proses Create Data Node ... 104

Tabel 4.26 Pengujian Proses Create Data Edge ... 105

Tabel 4.27 Pengujian Proses Create Data Jalan ... 106

Tabel 4.28 Pengujian Proses Create Data Wilayah ... 107

Tabel 4.29 Pengujian Proses Read Data Node ... 108

Tabel 4.30 Pengujian Proses Read Data Edge ... 108

Tabel 4.31 Pengujian Proses Read Data Jalan ... 109

Tabel 4.32 Pengujian Proses Read Data Wilayah ... 109

Tabel 4.33 Pengujian Proses Read Data Admin ... 109

Tabel 4.34 Pengujian Proses Update Data Node ... 110

Tabel 4.35 Pengujian Proses Update Data Edge ... 110

Tabel 4.36 Pengujian Proses Update Data Jalan ... 111

Tabel 4.37 Pengujian Proses Update Data Wilayah ... 112

Tabel 4.38 Pengujian Proses Update Data Admin ... 112

Tabel 4.39 Pengujian Proses Delete Data Node ... 113

Tabel 4.40 Pengujian Proses Delete Data Edge ... 113

Tabel 4.41 Pengujian Proses Delete Data Jalan ... 114

Tabel 4.42 Pengujian Proses Delete Data Wilayah ... 115

Tabel 4.43 Pengujian Proses Melihat Laporan ... 115

Tabel 4.44 Pengujian Agen Proses Representasi Kromosom ... 116

Tabel 4.45 Pengujian Agen Proses Inisialisasi Populasi ... 118

Tabel 4.46 Pengujian Agen Proses Menghitung Fungsi Fitness ... 120

Tabel 4.47 Pengujian Agen Seleksi Roullete Wheel ... 120

Tabel 4.48 Pengujian Agen Proses Crossover ... 124

Tabel 4.49 Pengujian Agen Proses Mutasi ... 127

Tabel 4.50 Pengujian Agen Proses Pembentukan Populasi Baru ... 130

Tabel 4.51 Percobaan 1 Pengujian Akurasi Algoritma Genetika ... 134

Tabel 4.52 Percobaan 2 Pengujian Akurasi Algoritma Genetika ... 135

Tabel 4.53 Percobaan 3 Pengujian Akurasi Algoritma Genetika ... 136

Tabel 4.54 Percobaan 4 Pengujian Akurasi Algoritma Genetika ... 137

Tabel 4.55 Percobaan 5 Pengujian Akurasi Algoritma Genetika ... 138

Tabel 4.56 Percobaan 6 Pengujian Akurasi Algoritma Genetika ... 139

Tabel 4.57 Percobaan 7 Pengujian Akurasi Algoritma Genetika ... 140

Tabel 4.58 Percobaan 8 Pengujian Akurasi Algoritma Genetika ... 140

xi

xii

DAFTAR GAMBAR

Gambar 2.1 Graf Sederhana ... 7

Gambar 2.2 Graf Tidak Berarah... 8

Gambar 2.3 Graf Berarah ... 8

Gambar 2.4 Diagram Standar Algoritma Genetika ... 14

Gambar 2.5 Pengkodean Pohon ... 15

Gambar 2.6 Activity Diagram Proses Probabilitas Crossover ... 18

Gambar 2.7 Activity Diagram Proses Probabilitas Mutasi ... 19

Gambar 2.8 Perspektif Kota Denpasar ... 21

Gambar 2.9 Metode Pengembangan Perangkat Lunak Waterfall ... 23

Gambar 3.1 Pemodelan Graf Denpasar Utara ... 31

Gambar 3.2 Use Case Diagram ... 38

Gambar 3.3 Activity Diagram Login Admin ... 40

Gambar 3.4 Activity Diagram Insert Data ... 41

Gambar 3.5 Activity Diagram Update Data ... 42

Gambar 3.6 Activity Diagram Delete Data ... 43

Gambar 3.7 Activity Diagram Melihat Report Data ... 44

Gambar 3.8 Activity Diagram Mencari Jalur Optimal... 45

Gambar 3.9 Activity Diagram Daftar Persimpangan ... 46

Gambar 3.10 Activity Diagram Melihat Panduan... 47

Gambar 3.11 Activity Diagram Algoritma Genetika ... 47

Gambar 3.12 Sequence Diagram Proses Login... 50

Gambar 3.13 Sequence Diagram Insert Data ... 51

Gambar 3.14 Sequence Diagram Update Data ... 51

Gambar 3.15 Sequence Diagram Delete Data... 52

Gambar 3.16 Sequence Diagram Mencari Jalur Optimal ... 53

Gambar 3.17 Sequence Diagram Melihat Daftar Persimpangan ... 54

Gambar 3.18 Sequence Diagram Melihat Panduan ... 55

Gambar 3.19 Class Diagram ... 56

Gambar 3.20 Entitiy Relationship Diagram ... 57

Gambar 3.21 Tampilan Halaman Login... 58

Gambar 3.22 Tampilan Header dan Home Screen... 59

Gambar 3.23 Tampilan Data Access dan Feature ... 60

xiii

Gambar 3.25 Tampilan Halaman Datatable ... 61

Gambar 3.26 Tampilan Insert Data ... 62

Gambar 3.27 Tampilan Edit Data ... 62

Gambar 3.28 Tampilan Delete Data... 63

Gambar 3.29 Tampilan Halaman Report Data ... 63

Gambar 3.30 Tampilan Splash Screen dan Halaman Awal ... 64

Gambar 3.31 Tampilan Halaman Pencarian Rute Optimal ... 65

Gambar 3.32 Tampilan Halaman Daftar Persimpangan ... 66

Gambar 3.33 Tampilan Halaman Melihat Panduan ... 66

Gambar 4.1 Implementasi Basis Data ... 69

Gambar 4.2 Implementasi Halaman Login ... 86

Gambar 4.3 Implementasi Halaman Awal (Home)... 87

Gambar 4.4 Implementasi Halaman Datatable ... 89

Gambar 4.5 Implementasi Tampilan Pop-Up Insert Data ... 90

Gambar 4.6 Implementasi Tampilan Pop-Up Update Data ... 90

Gambar 4.7 Implementasi Tampilan Pop-Up Delete Data ... 91

Gambar 4.8 Implementasi Halaman Report Data ... 91

Gambar 4.9 Implementasi Splash Screen Dan Halaman Awal ... 92

Gambar 4.10 Implementasi Halaman Mencari Jalur Optimal ... 93

Gambar 4.11 Implementasi Halaman Simulasi Jalur Optimal ... 94

Gambar 4.12 Implementasi Halaman Daftar Persimpangan ... 94

Gambar 4.13 Implementasi Halaman Panduan ... 95

Gambar 4.14 Implementasi Tampilan Konten Menu Panduan ... 96

Gambar 4.15 Hasil Proses Membangkitkan Kromosom Acak ... 117

Gambar 4.16 Hasil Proses Perbaikan Random Kromosom ... 117

Gambar 4.17 Jalur Pada Kromosom Yang Valid ... 118

Gambar 4.18 Jalur Pada Kromosom Yang Tidak Valid ... 118

Gambar 4.19 Hasil Proses Inisialisasi Populasi ... 119

Gambar 4.20 Hasil Proses Menghitung Nilai Fitness ... 120

Gambar 4.21 Hasil Proses Total Nilai Fitness ... 122

Gambar 4.22 Hasil Proses Probabilitas Kumulatif ... 122

Gambar 4.23 Hasil Proses Interval Kumulatif ... 122

Gambar 4.24 Hasil Proses Membangkitkan Bilangan Acak ... 123

Gambar 4.25 Hasil Proses Pemetaan Kromosom Hasil Bilangan Random ... 123

Gambar 4.26 Daftar Populasi Orang Tua Terpilih ... 124

xiv

Gambar 4.28 Random Posisi Gen & Random PC ... 125

Gambar 4.29 Hasil Proses Crossover Tidak Valid... 125

Gambar 4.30 Hasil Proses Crossover Valid ... 126

Gambar 4.31 Daftar Hasil Proses Crossover... 127

Gambar 4.32 Hasil Proses Pemilih Kromosom Secara Acak ... 128

Gambar 4.33 Hasil Proses Pemilihan Dua Gen Secara Acak ... 128

Gambar 4.34 Hasil Proses Mutasi Valid ... 128

Gambar 4.35 Hasil Proses Mutasi Tidak Valid ... 129

Gambar 4.36 Daftar Hasil Proses Mutasi ... 129

Gambar 4.37 Hasil Proses Validasi Jalur Mutasi ... 130

Gambar 4.38 Daftar Populasi Orang Tua Dan Anak ... 132

Gambar 4.39 Hasil Nilai Fitness Populasi Orang Tua Dan Anak ... 132

Gambar 4.40 Daftar Populasi Untuk Generasi Pertama... 133

xv

DAFTAR LAMPIRAN

Lampiran A Daftar Nama Persimpangan (Node) Di Denpasar Utara... 149 Lampiran B Daftar Nama Edge (Bobot) Di Denpasar Utara ... 154

1

BAB I

PENDAHULUAN

1.1Latar Belakang

Bali sebagai salah satu destinasi wisata terkenal di Indonesia memiliki berbagai macam keunikan dan keindahan budaya yang menarik minat wisatawan untuk berwisata ke Bali. Dinas Pariwisata Pemerintah Provinsi Bali (Disparda Bali) menunjukan adanya peningkatan kedatangan wisatawan domestik dan internasional sejumlah 1.52 % pada tahun 2014. Mobilitas yang tinggi dari sektor pariwisata membuat setiap elemen yang mendukung kegiatan pariwisata berlomba-lomba untuk memberikan pelayanan dan kenyamanan untuk para wisatawan. Termasuk di dalamnya adalah sarana transportasi umum yang mengantarkan para wisatawan ke tempat tujuanya. Transportasi umum diharapkan akan menjadi solusi untuk kemacetan yang semakin meningkat. Salah satu transportasi umum yang digunakan oleh wisatawan di Bali khusunya di daerah Denpasar adalah taksi. Taksi banyak digunakan oleh wisatawan karena memiliki rute dan jadwal yang fleksibel dan nyaman (Warpani, 1990). Namun dalam pengoprasianya, taksi sering mengalami kendala dengan jalur atau rute yang dilalui tidak optimal, sehingga membuat waktu dan jarak tempuh menjadi masalah utama, sehingga menyebabkan kenyamanan dan kelancaran penggunanya berkurang.

Banyak penelitian yang sudah dilakukan untuk meyelesaikan masalah optimasi jalur dengan menggunakan beberapa algortima seperti Algoritma Genetika, Algoritma Exhaustive dan Algoritma Jaringan Syaraf Tiruan Hopfield.

Pada optimasi jalur yang dilakukan terdapat hasil yang berbeda dengan menggunakan ketiga algoritma tersebut. Pada algoritma JST Hopfield kurang dapat memberikan jalur yang optimal, karena diperlukan pemilihan parameter

input yang tepat agar rute yang dihasilkan adalah yang paling optimal. Kemudian untuk algoritma Exhaustive ditinjau dari waktu proses, algoritma ini membutuhkan waktu proses yang lama, sehingga sulit untuk memberikan jalur yang optimal secara cepat. Sedangkan ditinjau dari jarak yang dihasilkan serta

2

waktu yang dibutuhkan untuk melakukan perhitungan, Algoritma Genetika lebih baik daripada kedua algoritma di atas untuk jumlah kota yang banyak, namun perlu juga dilakukan pemilihan parameter input yang tepat.

Dalam penelitian ini masalah optimasi yang dipilih adalah masalah optimasi transportasi umum, yaitu taksi. Optimasi yang dicari adalah pencarian rute optimal untuk sebuah jalur perjalanan dari posisi awal menuju posisi tujuan pada wilayah Denpasar Utara yang menggunakan Algoritma Genetika. Kelebihan Algoritma Genetika dibandingkan metode pencarian konvensional atau metode lainya pada optimasi yaitu pertama, dapat digunakan pada optimasi masalah dengan ruang pencarian (search space) yang sangat luas dan kompleks (Gen & Cheng 1997) lalu kedua, menghasilkan himpunan solusi optimal yang sangat berguna pada peyelesaian masalah dengan banyak obyektif (Mahmudy & Rahman 2011). Dengan beberapa kelebihan tersebut, maka Algoritma Genetika diharapkan dapat di implementasikan untuk pencarian jarak atau rute optimum dari taksi, sehingga waktu tempuh dan jarak yang dihasilkan menjadi lebih efisien.

Sistem akan dirancang dan di implementasikan dari data yang diperoleh melalui kerja sama dengan Dinas Perhubungan Kota Denpasar. Dari data tersebut akan di buat pemodelan jalur yang dapat dilalui oleh taksi di Denpasar Utara. Kemudian solusi diperoleh dengan menggunakan Algoritma Genetika untuk mendapatkan jalur optimum dari posisi asal ke posisi tujuan yang diimplementasikan seperti aplikasi pencarian rute optimum Google Maps atau Waze. Selanjutnya sistem akan di implementasikan secara mobile yang dapat diakses oleh penggunanya melalui perangkat telepon seluler, sehingga kenyaman dan kelancaran penggunaanya tetap terjaga.

1.2Rumusan Masalah

Berdasarkan latar belakang masalah tersebut dapat dirumuskan suatu permasalahan yaitu :

a. Bagaimana pemodelan jalur taksi sebagai transportasi umum di daerah Denpasar Utara?

b. Bagaimana merancang sistem aplikasi perangkat lunak dengan menggunakan Algoritma Genetika untuk optimasi jalur pada transportasi umum taksi?

3

1.3Batasan Masalah

Adapun batasan masalah yang terdapat pada penelitian ini yaitu:

a. Optimasi jalur yang dilakukan adalah optimasi jalur di daerah Denpasar, khususnya Denpasar Utara.

b. Pembobotan pada model graf ditentukan pada waktu tempuh taksi.

c. Pencarian jalur optimal tidak memperhatikan perlambatan lalu lintas yang terjadi.

d. Objek penelitian ini hanya pada jalan raya, yaitu jalan umum yang dapat dilalui oleh transportasi umum seperti taksi.

e. Data pada penelitian ini menggunakan acuan kendaraan roda empat yang didapatkan dari Dinas Perhubungan Kota Denpasar.

1.4Tujuan Penelitian

Tujuan penelitian ini adalah untuk membuat sistem informasi jalur optimal transportasi umum taksi yang berbasis mobile dengan menggunakan metode Algoritma Genetika di Denpasar Utara.

1.5Manfaat Penelitian

Adapun manfaat dari penelitian ini adalah: 1.5.1 Bagi Instansi atau Pemerintah

1. Harapanya dapat menjadi gambaran dan tolak ukur jalur yang digunakan oleh transportasi umum seperti taksi.

2. Harapanya dapat menjadi solusi untuk mengatasi kemacetan dan untuk efisiensi sumber daya yang digunakan.

1.5.2 Bagi Wisatawan atau Masyarakat

1. Harapanya dapat menjadi solusi untuk mengefisienkan jarak dan waktu tempuh untuk mencapai tempat tujuan.

2. Harapanya dapat menjadi solusi untuk mengurangi kemacetan, sehingga kenyamanan, keamanan dan kelancaran pengangkutan dapat tercapai. 1.5.3 Bagi Penulis

1. Sebagai media pembelajaran untuk lebih memahami penggunaan dan pengimplementasian Algoritma Genetika dalam penerapan studi kasus.

4

1.6 Metodologi Penelitian

Menurut Maddison, R.N metodologi merupakan suatu formula dalam penerapan penelitian yang terdapat langkah-langkah dan juga hasil penelitian di dalamnya. Metodologi penelitian dalam Ilmu Komputer merupakan langkah-langkah atau tahapan perencanaan dengan bantuan metode, teknik, tools dan dokumentasi untuk meminimalkan resiko kegagalan dan menekankan pada proses penelitian di bidang Ilmu Komputer. (Dalam buku Metodologi Penelitian Pada Bidang Ilmu Komputer dan Teknologi Informasi, Hasibuan, 2007:14) Berikut akan dijelaskan mengenai tahapan-tahapan yang akan dilakukan saat penelitian nantinya. Adapun sub bab bahasan yang akan dijelaskan adalah desain penelitian, pengumpulan data, pengolahan data awal, dan metode yang digunakan.

1.6.1 Desain Penelitian

Penelitian ini mengambil judul “Sistem Informasi Jalur Optimal

Transportasi Umum (Taksi) Berbasis Mobile Menggunakan Metode Algoritma

Genetika. Studi Kasus: Denpasar Utara”.

Dalam penelitian ini, metode yang digunakan dalam penelitian ini adalah metode kualitatif dengan tipe studi kasus. Menurut Sugiyono (2009:9) penelitian kualitatif adalah metode penelitian yang digunakan untuk meneliti pada kondisi objek yang alamiah.

Sementara itu, menurut Bogdan dan Biklen (dalam Syamsudin, 2009:175) studi kasus merupakan pengujian secara rinci terhadap satu latar atau satu orang subjek atau satu tempat penyimpanan dokumen atau satu peristiwa tertentu. Sementara, Surachman (dalam Syamsudin, 2011:19) membatasi pendekatan studi kasus sebagai suatu pendekatan dengan memusatkan perhatian pada suatu kasus secara intensif dan rinci.

Alasan menggunakan metode ini karena penelitian ini akan meneliti jalur optimal yang dapat dilalui oleh transportasi umum secara alamiah dalam hal ini adalah taksi dalam mengantarkan penumpangnya ke lokasi tujuan. Dalam penelitian ini, penulis akan menelusuri jalur optimal yang dapat dilalui oleh taksi yang dijadikan sebagai objek penelitian. Selanjutnya, penulis akan menggunakan metode Algoritma Genetika sebagai solusi permasalahan yang akan diimplementasikan dalam sistem informasi berbasis mobile yang dapat

5

digunakan oleh penggunanya untuk mengakses jalur optimal dari titik asal ke titik tujuan.

1.6.2 Pengumpulan Data

Tahap pengumpulan data bertujuan untuk mengetahui data apa saja yang dibutuhkan untuk menyelesaikan permasalahan ini.

Dalam penelitian ini, objek yang di jadikan bahan studi disini adalah taksi. Dari objek tersebut diperoleh data–data yang akan digunakan pada penelitian ini. Data tersebut adalah data jalan atau jalur yang akan dilewati oleh taksi. Pada data tersebut terdapat, kecepatan dan jarak dari setiap jalan yang dilalui oleh taksi. Data kecepatan pada penelitian ini di tinjau dari lebar jalan, kondisi jalan dan lingkungan sekitar dari jalan.

Jenis data yang digunakan pada penlitian ini dari cara memperolehnya di dapat data dengan kategori data primer (primery data). Data primer adalah data yang diambil langsung dari objek penelitian atau merupakan data yang berasal dari sumber asli atau pertama. Data primer tersebut harus dicari melalui narasumber atau responden yaitu orang yang dijadikan objek penelitian atau orang yang dijadikan sebagai sarana informasi maupun data (Hasibuan, 2007).

Data primer pada penelitian ini diperoleh dari hasil wawancara dengan Dinas Perhubungan Kota Denpasar mengenai jarak tempuh, jalan dan juga data kecepatan di setiap jalan di daerah Denpasar Utara.

1.6.3 Pengolahan Data

Setelah data penelitian didapat, kemudian dilakukan langkah pengolahan data. Pengolahan data yang pertama adalah mengolah data yang didapat dari Dinas Perhubungan Kota Denpasar untuk menentukan waktu tempuh dari setiap jalan yang dilalui oleh taksi. Untuk mendapatkan data waktu tempuh, maka dapat digunakan rumus:

=_��………..(1.1)

Dimana:

t = Waktu tempuh s = Jarak

6

Dengan menggunakan rumus tersebut maka akan didapat data waktu tempuh dari setiap jalan yang dilalui oleh taksi. Data tersebut kemudian akan dijadikan sebagai bobot (edge) dalam Graf yang kemudian akan dilakukan perhitungan dengan menggunakan metode Algoritma Genetika untuk mencari jalur optimal.

Data kecepatan di tinjau dari lebar jalan, kondisi jalan, dan lingkungan sekitar, seperti sekolah, kantor dan pasar yang sifatnya dinamis. Pengolahan data kecepatan yang meliputi kondisi jalan, dan lingkungan sekitar di lakukan dengan melakukan wawancara di Dinas Perhubungan Kota Denpasar. Data kecepatan pada Dinas Perhubungan Denpasar didapat dengan menggunakan observasi langsung atau disebut on board survey. Disini penulis melakukan wawancara guna mendapatkan rata – rata kecepatan di setiap ruas jalan di Denpasar Utara. Sebagai acuan, pihak Dinas Perhubungan juga menyarankan referensi aplikasi Google Maps sebagai acuan untuk melihat data kecepatan dan juga jarak atau panjang jalan agar informasi data lebih bersifat real dan juga

valid.

1.6.4 Metode Yang Digunakan

Pada penelitian ini, metode yang digunakan untuk mencari jalur optimal pada transportasi umum taksi adalah Algoritma Genetika dengan masalah optimasi. Tahapan dari algoritma genetika yaitu pertama membentuk suatu populasi awal, kemudian populasi tersebut dievaluasi dengan fungsi fitness yang telah ditentukan, selanjutnya populasi tersebut diproses (direkombinasi) dengan menggunakan operator-operator genetika seperti, seleksi, crossover, dan mutasi sehingga menghasilkan populasi baru untuk generasi berikutnya. Proses atau tahapan-tahapan tersebut diulang hingga mencapai kriteria berhenti tertentu yang pada akhirnya akan menghasilkan jalur optimal yang dapat dilalui oleh taksi. Sedangkan untuk metodologi pengembangan perangkat lunak yang digunakan adalah Metode Waterfall.

7

BAB II

TINJAUAN PUSTAKA

2.1Graf

2.1.1 Definisi Graf

Teori graf merupakan pokok bahasan yang memiliki banyak terapan sampai saat ini. Graf digunakan untuk merepresentasikan objek-objek diskrit dan hubungan dengan objek-objek tersebut. Secara matematis graf didefinisikan sebagai pasangan himpunan (V, E), ditulis dengan notasi G = (V, E) yang dalam hal ini V adalah himpunan tidak kosong dari simpul-simpul (vertex atau node) dan E adalah himpunan sisi (edge) yang menghubungkan sepasang simpul (Munir, 2005).

Simpul (vertex) pada graf dapat dinyatakan dengan huruf, bilangan atau gabungan keduanya. Sedangkan sisi-sisi yang menghubungkan simpul u dengan simpul v dinyatakan dengan pasangan (u, v) atau dinyatakan dengan lambang e1, e2, e3 dan seterusnya. Dengan kata lain, jika e adalah sisi yang menghubungkan simpul u dengan simpul v, maka e dapat dituliskan sebagai e = (u, v).

Gambar 2.1 Graf Sederhana 2.1.2 Jenis-Jenis Graf

Klasifikasi pada graf cukup luas, klasifikasi tersebut bergantung pada faktor-faktor yang membedakannya. Berdasarkan orientasi arah pada sisinya, maka secara umum graf dibedakan atas dua jenis sebagai berikut

8

1. Graf Tidak Berarah (undirected graph)

Graf yang sisinya tidak memiliki orientasi arah disebut graft tida berarah. Pada graf tidak berarah, urutan pasangan simpul yang dihubungkan oleh sisi tidak diperhatikan. Jadi, (u, v) = (v, u) adalah sisi yang sama.

Gambar 2.2 Graf Tidak Berarah

2. Graf Berarah (directed graph)

Graf yang setiap sisinya diberikan orientasi arah disebut graf berarah, pada graf berarah (u, v) dan (v, u) menyatakan dua buah sisi yang

berbeda. Dengan kata lain dapat ditulis (u, v) ≠ (v, u).

Gambar 2.3 Graf Berarah

2.2 Transportasi

2.2.1 Definisi Transportasi

Menurut Steenbrink (1974), transportasi adalah perpindahan orang atau barang dengan menggunakan alat atau kendaraan dari dan ke tempat-tempat yang terpisah secara geografis. Sedangkan menurut Bowersox (1981) transportasi adalah perpindahan barang atau penumpang dari suatu tempat ke tempat lain, dimana produk dipindahkan ke tempat tujuan dibutuhkan. Secara

9

umum transportasi adalah suatu kegiatan memindahkan sesuatu dari suatu tempat ke tempat lain, baik dengan atau tanpa sarana.

Penyediaan fasilitas yang mendukung pergerakan yang cepat, aman, nyaman dan sesuai kebutuhan akan kapasitas angkut dengan menyesuaikan dengan jenis moda yang digunakan. Masing-masing moda transportasi menurut Djoko Setijowarno dan Frazila (2001), memiliki ciri-ciri yang berlainan, yakni dalam hal:

a. Kecepatan, menunjukan berapa lama waktu yang dibutuhkan untuk bergerak antara dua lokasi.

b. Tersedianya pelayanan (availability of service), menyangkut kemampuan untuk menyelenggarakan hubungan antara dua lokasi.

c. Pengoperasiaan yang diandalkan (dependability of operation), menunjukan perbedaan-perbedaan yang terjadi antara kenyataan dan jadwal yang ditentukan.

d. Kemampuan (capability), merupakan kemampuan untuk dapat menangani segala bentuk dan keperluan akan pengangkutan.

e. Frekuensi adalah banyaknya gerakan atau hubungan yang dijadwalkan.

2.2.2 Angkutan Umum Penumpang

Angkutan umum menurut UU RI 1992 tentang angkutan jalan adalah perpindahan orang atau barang dari satu tempat ke tempat lain dengan menggunakan kendaraan. Angkutan umum penumpang menurut Wartani (1990) adalah angkutan penumpang yang dilakukan dengan sistem sewa atau bayar. Termasuk pengertian angkutan umum penumpang adalah angkutan kota (Bus, Mini Bus, Taksi, Kereta Api, dsb), angkutan air dan angkutan udara. Tujuan angkutan umum penumpang adalah :

a. Menyelenggarakan pelayanan angkutan yang baik dan layak bagi masyarakat yaitu aman, cepat, murah dan nyaman.

b. Membuka lapangan kerja.

c. Pengurangan volume lalu lintas kendaraan pribadi.

Salah satu jenis angkutan umum penumpang adalah Taksi. Undang-Undang Lalu Lintas dan Angkutan Jalan No. 22 Tahun 2009 menjelaskan

10

karakteristik pelayanan angkutan orang dengan menggunakan taksi. Pelayanan menggunakan taksi merupakan pelayanan angkutan dari pintu ke pintu dengan wilayah operasi dalam kawasan perkotaan. Pada pasal ini juga didefinisakan mengenai wilayah operasi taksi dalam kawasan perkotaan (Pasal 152 UULAJ 2009 ayat 2), sebagai berkut :

a. berada dalam daerah kota b. berada dalam daerah kabupaten

c. melampaui daerah kota/kabupaten dalam satu daerah provinsi, atau d. melampaui daerah provinsi

Berdasarkan karakteristik tersebut, dilihat dari peta wilayah kota Denpasar, maka wilayah kota Denpasar khususnya Denpasar Utara termasuk dalam kriteria pelayanan wilayah operasi taksi sebagaimana dijelaskan oleh Pasal 152 UULAJ tahun 2009 ayat 2.

2.3 Perlambatan Lalu Lintas

Pelambatan lalu lintas (traffic calming) merupakan upaya yang dilakukan untuk memperlambat lalu lintas dalam rangka meningkatkan keselamatan pejalan kaki, pesepeda, pebelanja, dan penduduk serta mengurangi kebisingan dan pencemaran udara. Perlambatan dilakukan dengan menerapkan perangkat rekayasa lalu lintas 3E yaitu Perekayasaan atau Engineering, Pendidikan masyarakat atau Education, dan penegakan hukum atau Enforcement yang dapat diperluas menjadi 5 E dengan menambah mempengaruhi atau Encouragement dan dan penanganan kedaruratan yaitu Emergency responce yaitu dengan beberapa cara yang memaksa pengemudi untuk menurunkan kecepatan kendaraannya.

Adapun beberapa upaya yang dilakukan untuk memperlambat lalu lintas, diantaranya :

1. Polisi Tidur

Polisi tidur atau disebut juga sebagai Alat Pembatas Kecepatan adalah bagian jalan yang ditinggikan berupa tambahan aspal atau semen yang dipasang melintang di jalan untuk pertanda memperlambat laju atau kecepatan kendaraan. Untuk meningkatkan keselamatan dan kesehatan bagi pengguna jalan ketingginya diatur dan apabila melalui jalan yang akan dilengkapi dengan rambu-rambu pemberitahuan terlebih dahulu

11

mengenai adanya polisi tidur, khususnya pada malam hari, maka polisi tidur dilengkapi dengan marka jalan dengan garis serong berwarna putih atau kuning yang kontras sebagai pertanda.

2. Pita Penggaduh

Pita penggaduh adalah kelengkapan tambahan pada jalan yang berfungsi untuk membuat pengemudi lebih meningkatkan kewaspadaan menjelang suatu bahaya. Pita penggaduh berupa bagian jalan yang sengaja dibuat tidak rata dengan menempatkan pita-pita setebal 10 sampai 40 mm melintang jalan pada jarak yang berdekatan, sehingga bila mobil yang melaluinya akan diingatkan oleh getaran dan suara yang ditimbulkan bila dilalui oleh ban kendaraan. Pita penggaduh biasanya ditempatkan menjelang perlintasan sebidang, menjelang sekolah, menjelang pintu tol atau tempat-tempat yang berbahaya bila berjalan terlalu cepat.

3. Pulau Lalu Lintas

Ada beberapa jenis pulau lalu lintas : a. Pulau di median

Berfungsi untuk memberikan ruang ditengah jalan sehingga pejalan kaki yang menyeberang dapat berhenti ditengah jalan sebelum melanjutkan menyeberang bila situasi telah memungkinkan untuk menyeberang.

b. Pulau disisi kiri, kanan atau pada kedua sisi

Dimaksudkan untuk mempersempit ruang lalu lintas kendaraan yang berfungsi untuk mengurangi kecepatan lalu lintas. Pulau seperti ini bisa di tempatkan di mulut persimpangan ataupun ditengah ruas jalan.

c. Kombinasi dari a dan b

Selain pulau ditengah juga ditempatkan pulau di pinggir sehingga keselamatan pejalan kaki yang menyeberang menjadi lebih tinggi lagi.

4. Zona Sekolah

Zona selamat sekolah (ZoSS) merupakan program inovatif dalam bentuk zona kecepatan berbasis waktu yang dapat digunakan untuk mengatur

12

kecepatan kendaraan di area sekolah. Penggunaan rekayasa lalu lintas seperti rambu lalu lintas dan marka jalan serta pembatasan kecepatan bertujuan meningkatkan perhatian pengemudi terhadap penurunan batas kecepatan di zona selamat sekolah serta memberikan rasa aman kepada para murid yang akan menyeberang di jalan.

2.4 Algoritma Genetika

2.4.1 Definisi Algoritma Genetika

Algoritma genetika sebagai cabang dari algoritma evolusi merupakan metode adaptive yang biasa digunakan untuk memecahkan suatu pencarian nilai dalam sebuah masalah optimasi (E. Satriyanto, 2009). Algoritma ini didasarkan pada proses genetik yang ada dalam makhluk hidup, yaitu perkembangan generasi dalam sebuah populasi yang alami, secara lambat laun mengikuti prinsip seleksi alam. Dengan meniru teori evolusi ini, algoritma genetika dapat digunakan untuk mencari solusi permasalahan-permasalahan dalam dunia nyata.

Algoritma genetika pertama kali diperkenalkan sekitar tahun 1975 oleh John Holland dalam bukunya yang berjudul “Adaption in Natural and Artificial Systems” dan kemudian dikembangkan bersama murid dan rekan kerjanya (M. Obitko, 1998). Algoritma ini bekerja dengan sebuah populasi yang terdiri dari individu-individu yang masing-masing individu tersebut merepresentasikan sebuah solusi yang mungkin bagi masalah yang ada. Suatu individu direpresentasikan sebagai kumpulan gen yang disebut kromosom. Dengan menggunakan algoritma genetika, solusi yang dihasilkan belum tentu merupakan solusi eksak dari masalah optimisasi yang diselesaikan. Beberapa definisi penting dalam algoritma genetika adalah sebagai berikut (E. Satriyanto, 2009):

a. Gen

Sebuah nilai yang menyatakan satuan dasar yang membentuk arti tertentu. Dalam algoritma genetika, gen ini dapat berupa nilai biner, float, integer maupun karakter, atau kombinatorial.

b. Kromosom

13

c. Individu

Menyatakan satu nilai atau keadaan yang menyatakan salah satu solusi yang mungkin dari permasalahan yang diangkat. Dalam beberapa masalah yang dapat dipecahkan dengan algoritma genetika, individu ini dapat juga merupakan kromosom itu sendiri.

d. Populasi

Merupakan sekumpulan individu yang akan diproses bersama dalam satu siklus proses evolusi.

e. Generasi

Menyatakan satu siklus proses evolusi atau satu iterasi di dalam algoritma genetika.

Dalam suatu masalah optimisasi, dikenal fungsi objektif atau fungsi tujuan yang merupakan fungsi pengevaluasi atau fungsi yang ingin dioptimalkan. Sedangkan dalam algoritma genetika, fungsi tersebut dinamakan fungsi fitness. Masing-masing individu memiliki nilai fitness tertentu.

Tahapan dari algoritma genetika yaitu pertama membentuk suatu populasi awal, kemudian populasi tersebut dievaluasi dengan fungsi fitness yang telah ditentukan, selanjutnya populasi tersebut diproses (direkombinasi) dengan menggunakan operator-operator genetik seperti, seleksi, crossover, dan mutasi sehingga menghasilkan populasi baru untuk generasi berikutnya. Proses atau tahapan-tahapan tersebut diulang hingga mencapai kriteria berhenti tertentu. Kriteria berhenti dapat berupa batas generasi atau nilai optimal tertentu yang diinginkan.

Bentuk diagram standar algoritma genetika menurut Goldberg (D. E. Goldberg, 1989) dapat digambarkan seperti berikut :

14

USER ALGORITMA GENETIKA

Input Wialayah Asal dan Persimpangan Asal

Melakukan Inisialisasi P(t)

Melakukan Evaluasi P(t)

Kondisi terpenuhi?

Menambah t=t+1 Melakukan Seleksi P(t) Melakukan Rekombinasi P(t)

Melakukan Evaluasi P(t)

Mendapatkan Jalur Optimal Ya

Tidak

Menampilkan Jalur Optimal Input Wilayah Tujaun dan Persimpangan Tujuan

Keterangan: P(t) merupakan populasi saat generasi t

Gambar 2.4 Diagram Standar Algoritma Genetika

2.4.2 Pembentukan Populasi Awal

Langkah awal dari algoritma genetika adalah menentukan representasi gen dan kromosom dari populasi. Terdapat beberapa jenis representasi, yaitu string bit (10011 ...), array bilangan real (65.55, -67.99, 77.33 ...), elemen permutasi (E1, E2, E5 ...), daftar aturan (R1, R2, R3 ...), dan representasi lainnya (E. Satriyanto,2009). Terdapat beberapa teknik pengkodean dalam algoritma genetika, diantaranya (S. Lukas, T. Anwar, dan W. Yuliani, 2005) :

a. Pengkodean Biner (binary encoding)

Contohnya:

Tabel 2.1 Pengkodean Biner

Kromosom 1 1 0 0 0 1 1 0 0 1 1 1 1 0 1 0 0 1 0 1 0 Kromosom 2 0 1 1 0 0 1 1 1 1 0 0 1 1 0 1 0 0 1 0 0

15

b. Pengkodean Permutasi (permutation encoding)

Dalam pengkodean jenis ini tiap gen dalam kromosom merepresentasikan suatu urutan.

Contohnya:

Tabel 2.2 Pengkodean Permutasi Kromosom 1 1 2 3 4 5 6 7 8 9 Kromosom 2 2 8 9 3 7 4 6 1 5

c. Pengkodean Nilai (value encoding)

Dalam pengkodean jenis ini tiap gen dalam kromosom adalah string dari suatu nilai.

Contohnya:

Tabel 2.3 Pengkodean Nilai

Kromosom 1 1.232 5.324 0.455 2.388

Kromosom 2 ABCDEJAKAJAHAHAAHR

Kromosom 3 (left), (right), (back), (forward)

d. Pengkodean Pohon (tree encoding)

Dalam pengkodean jenis ini biasanya digunakan untuk menyusun program atau ekspresi dari genetic programming (pemrograman genetik).

Contohnya: (*AB)

Gambar 2.5 Pengkodean Pohon

*

16

; Jalur valid

..………...(2.1)

; Jalur tidak valid 2.4.3 Evaluasi Fungai Fitness

Setelah populasi awal telah terbentuk, maka selanjutnya adalah mengevaluasi populasi tersebut dengan suatu fungsi fitness. Nilai fitness

menyatakan seberapa baik nilai dari suatu kromosom (individu) atau solusi yang didapat. Nilai ini akan menjadi acuan dalam mencapai nilai optimal dalam algoritma genetika. Di dalam evolusi alam, individu yang bernilai fitness tinggi yang akan bertahan hidup, sementara individu bernilai fitness rendah tidak akan bertahan. Berikut adalah cara yang digunakan untuk menentukan nilai fitness

pada penelitian ini (G. Nagib dan W. G. Ali, 2010):

� = {

∑�= �� � �+

Di mana Ci (gi,gi+1) adalah cost antara gen gi dan gen tetangganya gi+1 dalam kromosom dari n gen (simpul).

2.4.4 Seleksi

Setelah membentuk populasi awal dan menentukan fungsi fitness, maka selanjutnya adalah melakukan seleksi pada populasi tersebut. Seleksi merupakan proses untuk menentukan individu mana saja yang akan dipilih untuk dilakukan rekombinasi dan bagaimana keturunan terbentuk dari individu-individu terpilih tersebut. Acuan yang biasa digunakan adalah fungsi fitness.

Individu yang terpilih atau terseleksi adalah individu dengan nilai fitness

terbaik. Hal itu karena diharapkan dari individu yang baik akan didapatkan keturunan yang baik bahkan lebih baik dari individu tersebut sesuai dengan prinsip evolusi biologi. Ada beberapa macam metode seleksi yang ada pada algoritma genetika, diantaranya (S. Kusumadewi, 2003) :

a. Seleksi dengan Roda Roulette

b.

Seleksi Lokal

17

d.

Seleksi dengan Turnamen

Dalam seleksi tersebut, proses seleksi akan menghasilkan populasi orang tua yang selanjutnya mengalami proses crossover.

Pada penelitian ini jenis seleksi yang digunakan adalah Seleksi dengan Roda

Roulette. Dalam metode roda roulette, proses seleksi individu diibaratkan seperti dalam permainan judi roda roulette. Dimana pemain akan memutar roda yang telah terpartisi menjadi beberapa bagian untuk mendapatkan suatu hadiah. Kaitannya dengan metode seleksi yang dibahas ini adalah suatu kromosom diibaratkan sebagai hadiah (N. Murniati, 2009). Partisi-partisi pada roda roulette

merupakan interval dari nilai kumulatif probabilitas masing-masing kromosom. Kemudian proses memutar roda dinyatakan dengan menentukan suatu bilangan

random interval.

Adapun tahapan dari proses seleksi sebagai berikut (E. Satriyanto, 2009): Tahap 1 : Hitung nilai fitness dari masing-masing kromosom.

Tahap 2 : Hitung total fitness semua individu atau kromosom.

Tahap 3 : Hitung probabilitas dan nilai kumulatif probabilitas masing- masing kromosom.

Tahap 4: Dari probabilitas tersebut, hitung jatah masing-masing individu atau dengan kata lain menentukan interval kumulatif probabilitas masing-masing kromosom.

Tahap 5: Bangkitkan bilangan acak antara 0 sampai 100.

Tahap 6: Dari bilangan acak yang dihasilkan, tentukan kromosom mana yang terpilih dalam proses seleksi menurut interval yang bersesuaian yang telah ditentukan sebelumnya pada tahap 4.

Setelah kromosom terbentuk melalui bilangan acak yang ditentukan menurut interval, kromosom tersebut akan menjadi orang tua yang membentuk populasi baru.

2.4.5 Crossover

Crossover adalah operator dari algoritma genetika yang melibatkan dua kromosom orang tua untuk membentuk kromosom baru (reproduksi). Tidak

18

semua kromosom pada suatu populasi akan mengalami proses crossover.

Kemungkinan suatu kromosom mengalami proses crossover adalah didasarkan pada probabilitas crossover (Pc) yang telah ditentukan. Probabilitas crossover

menyatakan peluang suatu kromosom mengalami crossover. Proses crossover

ini yang nantinya akan menghasilkan populasi kromosom anak (offspring).

ADMIN ALGORITMA GENETIKA

Input Probabilitas Crossover (Pc)

Membangkitkan Bilangan Random

Random <= Pc

Lakukan Crossover

Lanjutkan Ke Kromosom Orang Tua Selanjutnya Tidak

Ya

Gambar 2.6 Activity Diagram Proses Probabilitas Crossover

Pada penelitian ini proses crossover yang digunakan adalah Crossover

Satu Titik (One Point Crossover). Langkah-langkah dari proses crossover satu titik ini adalah :

Tahap 1 : Memilih dua kromosom orang tua (parent) secara acak dari populasi.

Tahap 2 : Secara acak (random) memilih satu titik potong pada tiap kromosom induk.

Tahap 3 : Tukarkan bagian kanan dari tiap induk untuk menghasilkan keturunan anak (offspring).

Setelah melakukan proses crossover pada populasi orang tua dan menghasilkan keturunan anak (offspring) maka hasil populasi baru yang berisikan offspring akan mengalami proses mutasi.

2.4.6 Mutasi

Tahapan selanjutnya setelah crossover adalah mutasi. Operator mutasi ini berperan untuk mengembalikan solusi optimal yang dapat hilang akibat proses

19

crossover sebelumnya. Banyaknya kromosom yang akan mengalami mutasi dihitung berdasarkan probabilitas mutasi (Pm) yang telah ditentukan terlebih dahulu. Jika probabilitas mutasi yang digunakan adalah 0 maka tidak akan ada kromosom yang mengalami mutasi pada populasi tersebut.

ADMIN ALGORITMA GENETIKA

Input Probabilitas Mutasi (Pm)

Membangkitkan Bilangan Random

Random <= Pm

Lakukan Mutasi

Lanjutkan Ke Kromosom Anak Selanjutnya Tidak

Ya

Gambar 2.7 Activity Diagram Proses Probabilitas Mutasi

Proses mutasi yang digunakan pada penelitian ini adalah Insertion Mutation. Adapun langkah – langkah dari proses mutasi ini yaitu (S. Lukas, T. Anwar, dan W. Yuliani, 2005) :

Tahap 1 : Pilih satu kromosom pada populasi anak (offspring) hasil

crossover.

Tahap 2 : Pilih 2 posisi secara acak. Posisi pertama digunakan untuk menandakan gen mana yang akan dimutasi atau disisipkan ke posisi kedua.

Tahap 3 : Sisipkan gen pada posisi pertama ke posisi kedua.

Setelah proses mutasi selesai dilakukan maka akan terbentuk populasi baru yang berisi offspring dari hasil proses mutasi.

2.4.7 Kondisi Berhenti (Termination Condition)

Iterasi pada algoritma genetika diulang terus sampai kondisi berhenti tercapai. Adapun kriteria kondisi berhenti yang bisa digunakan adalah sebagai berikut :

a. Iterasi berhenti sampai generasi n. Nilai n ditentukan sebelumnya. Nilai n ditentukan sedemikian rupa sehingga konvergensi populasi tercapai dan

20

akan sulit didapatkan solusi yang lebih baik setelah n iterasi (Yogeswaran, Ponnambalam & Tiwari 2009).

b. Iterasi berhenti setelah n generasi berurutan tidak dijumpai solusi yang lebih baik (Mahmudy, Marian & Luong 2012). Kondisi ini menunjukkan bahwa Algoritma Genetika sulit mendapatkan solusi yang lebih baik dan penambahan iterasi hanya membuang waktu.

2.5 Kota Denpasar

Kota Denpasar terletak di tengah-tengah dari Pulau Bali, selain merupakan Ibukota Daerah Tingkat II, juga merupakan Ibukota Provinsi Bali sekaligus sebagai pusat pemerintahan, pendidikan dan perekonomian. Letak yang sangat strategis ini sangatlah menguntungkan, baik dari segi ekonomis maupun dari kepariwisataan karena merupakan titik sentral berbagai kegiatan sekaligus sebagai penghubung dengan kabupaten lainnya.

Batas wilayah Kota Denpasar di sebelah utara dan barat berbatasan dengan Kabupaten Badung (Kecamatan Mengwi, Abiansemal dan Kuta Utara), sebelah timur berbatasan dengan Kabupaten Gianyar (Kecamatan Sukawati dan Selat Badung dan di sebelah selatan berbatasan dengan Kabupaten Badung (Kecamatan Kuta) dan Selat Badung. Sebagian besar (59,1%) berada pada ketinggian antara 0 - 75 M dari permukaan laut. Luas wilayah Kota Denpasar 127,98 km2 atau 127,98 Ha, yang merupakan tambahan dari reklamasi pantai serangan seluas 380 Ha, atau 2,27 persen dari seluruh luas daratan Provinsi Bali. Sedangkan luas daratan Propinsi Bali seluruhnya 5.632,86 Km2.

Dari empat kecamatan di Denpasar (Denpasar Utara, Denpasar Barat, Denpasar Timur, dan Denpasar Selatan), kecamatan Denpasar Utara memiliki tata kelola luas tanah terbesar dengan 4993 hektar (Sumber: Dinas Pertanian dan Kelautan Kota Denpasar). Berdasarkan luas tersebut, wilayah di Denpasar Utara memiliki wilayah desa yang membagi wilayah kecamatan Denpasar Utara ke dalam sebelas wilayah desa.

21

Gambar 2.8 Perspektif Kota Denpasar

2.6 Sistem Operasi Android

2.6.1 Definisi Sistem Operasi Android

Android adalah sebuah sistem operasi untuk perangkat mobile yang mencakup sistem operasi, middleware dan aplikasi. Android menyediakan

platform terbuka bagi para pengembang untuk menciptakan aplikasinya. Di dunia ini terdapat dua jenis distributor sistem operasi Android. Pertama yang mendapat dukungan penuh dari Google atau Google Mail Service (GMS) dan kedua adalah yang benar-benar bebas distribusinya tanpa dukungan langsung dari Google atau dikenal dengan sebutan Open Handset Dstributor (OHD). Berikut ini adalah kriteria dari sistem operasi Android :

a. Lengkap (Computer Platform)

Para desainer dapat melakukan pendekatan yang komperhensif ketika mereka sedang mengembangkan platform Android . Android merupakan sistem operasi yang aman dan banyak menyediakan tools dalam membangun software dan memungkinkan untuk peluang pengembangan aplikasi.

22

b. Terbuka (Open Source Platform)

Platform Andorid disediakan melalui lisensi open source. Pengembang dapat dengan bebas untuk mengembangkan aplikasi.

c. Free (Free Platform)

Android adalah platform atau aplikasi yang bebas untuk develop. Tidak ada lisensi atau biaya royalti untuk dikembangkan pada platform Android.

2.6.2 Arsitektur Android

Secara garis besar arsitektur android dapat dijelaskan sebagai berikut : a. Applicaion dan Widgets

Application dan Widgets ini adalah layer dimana kita berhubungan dengan aplikasi saja, dimana biasanya kita download aplikasi kemudian kita lakukan instalasi dan jalankan aplikasi tersebut.

b. Application Frameworks

Android adalah “Open Development Platform” yaitu Android menawarkan kepada pengembang untuk membangun aplikasi yang bagus dan inovatif.

c. Libraries

Libraries ini adalah layer dimana fitur-fitur Android berada, biasanaya para pembuat aplikasi mengakses libraries untuk menjalankan aplikasinya. Berjalan di atas kernel, layer ini meliputi berbagai library

C/C++ inti seperti Libc dan SSL.

d. Android Run Time

Layer yang membuat aplikasi Android dapat dijalankan dimana dalam prosesnya menggunakan implementasinya Linux. Dalvik Virtual Machine (DVM) merupakan mesin yang membentuk dasar kerangka aplikasi Andorid.

e. Linux Kernel

Linux Kernel adalah layer dimana inti dari operating sistem dari Android itu berada. Berisi file-file sistem yang mengatur sistem processing, memory, resources, drivers dan sistem-sistem operasi android lainya.

23

Aplikasi Android ditulis dalam bahasa pemrograman Java. Kode Java dikompilasi bersama dengan data file resources yang dibutuhkan oleh aplikasi, dimana prosesnya dipackage oleh tools yang dinamakan apt tools ke dalam paket Andorid sehingga menghasilkan file dengan ekstensi apk.

2.7 Metode Pengembangan Perangkat Lunak Waterfall

Pada penelitian ini, digunakan metode waterfall sebagai pengembangan perangkat lunak. Metode waterfall adalah metode yang melakukan pendekatan secara sistematis dan sekuensial melalui tahapan-tahapan untuk membangun sebuah perangkat lunak. Gambar 2.9 menjelaskan bahwa metode waterfall

menekankan pada sebuah keterurutan dalam proses pengembangan perangkat lunak.

Gambar 2.9 Metode Pengembangan Perangkat Lunak Waterfall

Berikut adalah penjelasan dari tahap – tahap yang dilakukan dalam metode

waterfall:

a. Tahap analisis dan definisi persyaratan. Pelayanan, batasan, dan tujuan sistem ditentukan melalui konsultasi dengan user. Persyaratan ini kemudian didefinisikan secara rinci dan berfungsi sebagai spesifikasi sistem.

b. Tahap perancangan sistem dan perangkat lunak. Proses perancangan sistem membagi persyaratan dalam sistem perangkat keras atau perangkat lunak. Kegiatan ini menentukan arsitektur sistem secara keseluruhan. Perancangan

Requirements definition

System and Software Design

Implementation and Unit Testing

Integration and System Testing

Operation and Maintenance

24

perangkat lunak melibatkan identifikasi dan deskripsi abstraksi sistem perangkat lunak yang mendasar dan hubungan – hubungannya.

c. Tahap implementasi dan pengujian unit. Pada tahap ini, perancangan perangkat lunak direalisasikan sebagai serangkaian program atau unit program. Pengujian unit melibatkan verifikasi bahwa setiap unit telah memenuhi spesifikasinya.

d. Tahap integrasi dan pengujian sistem. Unit program atau program individual diintegrasikan dan diuji sebagai sistem yang lengkap untuk menjamin bahwa persyaratan sistem telah dipenuhi. Setelah pengujian sistem, perangkat lunak dikirim kepada pelanggan.

e. Tahap operasi dan pemeliharaan. Biasanya (walaupun tidak seharusnya), ini merupakan fase siklus hidup yang paling lama. Sistem diinstal dan dipakai. Pemeliharaan mencakup koreksi dari berbagai error yang tidak ditemukan pada tahap – tahap terdahulu, perbaikan atas implementasi unit sistem dan pengembangan pelayanan sistem, sementara persyaratan – persyaratan baru ditambahkan.

2.8 Strategi Pengujian Perangkat Lunak

Terdapat strategi pengujian menurut Everret, G.D. dan McLeod R. yang di bagi menjadi 4 bagian utama yaitu Static Testing, White Box Testing, Black Box Testing, dan Performance Testing. Namun pada penelitian ini hanya digunakan satu buah pengujian, yaitu Black Box Testing.

2.8.1 Black Box Testing

Black Box Testing atau dikenal sebagai “Behaviour Testing” merupakan suatu metode pengujian yang digunakan untuk menguji executable code dari suatu perangkat lunak terhadap perilakunya. Pendekatan Black Box Testing

dapat dilakukan jika kita sudah memiliki executable code. Orang-orang yang terlibat dalam Black Box Testing adalah tester, end-user, dan developer. Tester

merencanakan keahlian eksekusi pada negative dan positive black box testing. End-user memiliki pengetahuan bagaimana perilaku bisnis yang tepat dan sesuai dengan ekspektasi, dan developer memiliki pengetahuan tentang perilaku bisnis yang di implementasikan pada perangkat lunak. Tester melakukan black box

25

testing bersama end-user dan developer memvalidasi hasil yang diharapkan dengan hasil pengujian. Jika hasil pengujian tidak sama dengan ekspektasi maka

developer harus memperbaiki kesalahan tersebut baik itu pada spesifikasi maupun implementasi.

2.9 Tinjauan Studi

Adapun beberapa penelitian terkait yang sebelumnya pernah dilakukan mengenai Algoritma Genetika tentang optimasi jalur atau rute terpendek yang sudah dilakukan oleh beberapa peneliti, yaitu:

Tabel 2.4 Tabel Tinjauan Studi

No. Nama Peneliti Judul Penelitian Deskripsi Penelitian 1. Rudy

Adipranata, Felicia Soedjianto, Wahyudi Tjondro. Universitas Kristen Petra Perbandingan Algoritma Exhaustive, Algoritma

Genetika Dan Algoritma

Jaringan Syaraf Tiruan Hopfield

Untuk Pencarian Rute Terpendek

Penelitian yang dilakukan adalah membandingkan 3 buah algoritma yang berbeda dalam mencari rute terpendek. Hasil yang diperoleh menunjukan bahwa algoritma genetika bekerja lebih baik daripada kedua algoritma yang lain ditinjau dari jarak yang dihasilkan serta waktu yang dibutuhkan untuk melakukan perhitungan pada algoritma.

2. Lin, Chu

Hsing, Yu, Jui Ling, Liu, Jung Chun, Lai, Wei Shen and Ho, Chia Han. 2009

Genetic

Algorithm for Shortest Driving

Time in

Intelligent Transportation Systems

Penelitian ini menggunakan algoritma genetika untuk mencari jarak terpendek pada sistem ITS (Intelligent Transportation System) di Taiwan dengan menggunakan variasi jumlah gen dan kromosom. Penelitian dengan menggunakan algoritma genetika ini memiliki tujuan untuk menemukan waktu singkat dalam berkendara dengan skenario beragam kondisi lalu lintas yang nyata dan berbagai

26

kecepatan kendaraan. 3. Indra

Surada.2010

Implementasi Algoritma

Genetika Untuk Pencarian Rute Optimum Objek

Wisata Di

Kabupaten Pemalang

Pencarian rute optimum yang dilakukan pada objek wisata di Kabupaten Pemalang diasumsikan dengan perjalanan akan kembali ke tempat semula, dan memberikan nilai untuk parameter crossover probability

(pc), mutation rate (pm), maka akan menghasilkan solusi rute optimum dengan titik awal dan akhir yang sama.

4. Sukaton M Rama. 2011.

Penggunaan Algoritma

Genetika Dalam Masalah Jalur Terpendek Pada Jaringan Data.

Pada penelitianya, menunjukkan bahwa algoritma genetika dapat digunakan untuk menyelesaikan masalah optimasi yang kompleks. Masalah jalur terpendek dengan jumlah simpul dan lintasan yang semakin banyak akan dapat diselesaikan serta mengarah ke titik optimal bila diimbangi dengan peningkatan ukuran populasi dan parameter lainnya dalam algoritma genetika.

5. I Dewa Made Adi Baskara Joni, Vivine Nurcahyawati. 2012

Penentuan Jarak Terpendek Pada Jalur Distribusi Barang Di Pulau Jawa Dengan Menggunakan Algoritma Genetika

Pada penelitian ini, pencarian jalur terpendek dilakukan dengan melakukan pengujian sebanyak tiga kali, dengan pola distribusi awal yang sama (Kediri-Malang-Semarang-Rembang-Solo). Skenario yang pertama yaitu dengan menggunakan

Crossover Probability (Pc) dan

27

kurang dari 50. Skenario yang kedua dengan menggunakan Pc dan Pm yang sedang yaitu sama dengan 50. Skenario yang ketiga dengan menggunakan Pc dan Pm yang tinggi yaitu lebih dari 50. Hasilnya nilai Pc dan Pm yang rendah bagus untuk menghasilkan nilai fitness yang terendah (rute terbaik), namun sulit untuk menentukan nilai terendah tersebut dikarenakan proses crossover

dan mutasi bergantung pada bilangan

random (acak) yang dibandingkan dengan input PC dan PM.

2.10 Rangkuman Perbandingan Penelitian Sebelumnya Dengan Penelitian Yang Dilakukan

Berdasarkan penelitian yang telah dilakukan sebelumnya, Tabel 2.4 menjelaskan tentang penelitian yang sudah dilakukan menggunakan algoritma genetika untuk permasalahan optimasi jalur. Terdapat beragam penelitian yang sudah pernah dilakukan dengan berbagai kriteria, studi kasus, dan juga implementasi sistem yang telah di buat.

Adapun pemilihan algoritma genetika untuk solusi pencarian optimum berdasarkan penelitian pada point satu, dikarenakan algoritma genetika memiliki kelebihan dalam menghasilkan jalur serta waktu yang dibutuhkan untuk melakukan perhitungan lebih baik dengan parameter input yang tepat daripada kedua algoritma yang lainnya untuk jumlah kota atau search space yang luas, permasalahan dengan kondisi lalu lintas yang nyata dan kompleks serta berbagai kecepatan kendaraan, seperti dijelaskan pada penelitan point ke dua dan ke empat.

Studi kasus yang berbeda dari point ke tiga dan kelima dimana pada penelitian ini dilakukan penelitian pada wilayah Denpasar, khususnya kecamatan Denpasar Utara yang memiliki tata kelola luas tanah terbesar dengan 4993 hektar.

28

Serta implementasi sistem yang akan dirancang dan dibuat dalam sistem aplikasi

mobile dengan menggunakan web sebagai server pusat untuk dapat mengakses data. Web server dapat dikelola oleh admin untuk melakukan proses kelola data seperti insert, delete, update dan read data yang didapat dari kerjasama dengan Dinas Perhubungan Kota Denpasar. Sehingga dari perancangan sistem ini diharapkan dapat membantu mengurangi kemacetan dan diharapkan dapat meningkatkan kenyamanan dari penggunanya.

Aplikasi Android ditulis dalam bahasa pemrograman Java. Kode Java dikompilasi bersama dengan data file resources yang dibutuhkan oleh aplikasi, dimana prosesnya dipackage oleh tools yang dinamakan apt tools ke dalam paket Andorid sehingga menghasilkan file dengan ekstensi apk.

2.7 Metode Pengembangan Perangkat Lunak Waterfall

Pada penelitian ini, digunakan metode waterfall sebagai pengembangan perangkat lunak. Metode waterfall adalah metode yang melakukan pendekatan secara sistematis dan sekuensial melalui tahapan-tahapan untuk membangun sebuah perangkat lunak. Gambar 2.9 menjelaskan bahwa metode waterfall menekankan pada sebuah keterurutan dalam proses pengembangan perangkat lunak.

Gambar 2.9 Metode Pengembangan Perangkat Lunak Waterfall

Berikut adalah penjelasan dari tahap – tahap yang dilakukan dalam metode waterfall:

a. Tahap analisis dan definisi persyaratan. Pelayanan, batasan, dan tujuan sistem ditentukan melalui konsultasi dengan user. Persyaratan ini kemudian didefinisikan secara rinci dan berfungsi sebagai spesifikasi sistem.

b. Tahap perancangan sistem dan perangkat lunak. Proses perancangan sistem membagi persyaratan dalam sistem perangkat keras atau perangkat lunak. Kegiatan ini menentukan arsitektur sistem secara keseluruhan. Perancangan

Requirements definition

System and Software Design

Implementation and Unit Testing

Integration and System Testing

Operation and Maintenance

perangkat lunak melibatkan identifikasi dan deskripsi abstraksi sistem perangkat lunak yang mendasar dan hubungan – hubungannya.

c. Tahap implementasi dan pengujian unit. Pada tahap ini, perancangan perangkat lunak direalisasikan sebagai serangkaian program atau unit program. Pengujian unit melibatkan verifikasi bahwa setiap unit telah memenuhi spesifikasinya.

d. Tahap integrasi dan pengujian sistem. Unit program atau program individual diintegrasikan dan diuji sebagai sistem yang lengkap untuk menjamin bahwa persyaratan sistem telah dipenuhi. Setelah pengujian sistem, perangkat lunak dikirim kepada pelanggan.

e. Tahap operasi dan pemeliharaan. Biasanya (walaupun tidak seharusnya), ini merupakan fase siklus hidup yang paling lama. Sistem diinstal dan dipakai. Pemeliharaan mencakup koreksi dari berbagai error yang tidak ditemukan pada tahap – tahap terdahulu, perbaikan atas implementasi unit sistem dan pengembangan pelayanan sistem, sementara persyaratan – persyaratan baru ditambahkan.

2.8 Strategi Pengujian Perangkat Lunak

Terdapat strategi pengujian menurut Everret, G.D. dan McLeod R. yang di bagi menjadi 4 bagian utama yaitu Static Testing, White Box Testing, Black Box Testing, dan Performance Testing. Namun pada penelitian ini hanya digunakan satu buah pengujian, yaitu Black Box Testing.

2.8.1 Black Box Testing

Black Box Testing atau dikenal sebagai “Behaviour Testing” merupakan suatu metode pengujian yang digunakan untuk menguji executable code dari suatu perangkat lunak terhadap perilakunya. Pendekatan Black Box Testing dapat dilakukan jika kita sudah memiliki executable code. Orang-orang yang terlibat dalam Black Box Testing adalah tester, end-user, dan developer. Tester merencanakan keahlian eksekusi pada negative dan positive black box testing. End-user memiliki pengetahuan bagaimana perilaku bisnis yang tepat dan sesuai dengan ekspektasi, dan developer memiliki pengetahuan tentang perilaku bisnis yang di implementasikan pada perangkat lunak. Tester melakukan black box

testing bersama end-user dan developer memvalidasi hasil yang diharapkan dengan hasil pengujian. Jika hasil pengujian tidak sama dengan ekspektasi maka developer harus memperbaiki kesalahan tersebut baik itu pada spesifikasi maupun implementasi.

2.9 Tinjauan Studi

Adapun beberapa penelitian terkait yang sebelumnya pernah dilakukan mengenai Algoritma Genetika tentang optimasi jalur atau rute terpendek yang sudah dilakukan oleh beberapa peneliti, yaitu:

Tabel 2.4 Tabel Tinjauan Studi

No. Nama Peneliti Judul Penelitian Deskripsi Penelitian 1. Rudy

Adipranata, Felicia Soedjianto, Wahyudi Tjondro. Universitas Kristen Petra Perbandingan Algoritma Exhaustive, Algoritma

Genetika Dan Algoritma

Jaringan Syaraf Tiruan Hopfield Untuk Pencarian Rute Terpendek

Penelitian yang dilakukan adalah membandingkan 3 buah algoritma yang berbeda dalam mencari rute terpendek. Hasil yang diperoleh menunjukan bahwa algoritma genetika bekerja lebih baik daripada kedua algoritma yang lain ditinjau dari jarak yang dihasilkan serta waktu yang dibutuhkan untuk melakukan perhitungan pada algoritma.

2. Lin, Chu Hsing, Yu, Jui Ling, Liu, Jung Chun, Lai, Wei Shen and Ho, Chia Han. 2009

Genetic

Algorithm for Shortest Driving

Time in

Intelligent Transportation Systems

Penelitian ini menggunakan algoritma genetika untuk mencari jarak terpendek pada sistem ITS (Intelligent Transportation System) di Taiwan dengan menggunakan variasi jumlah gen dan kromosom. Penelitian dengan menggunakan algoritma genetika ini memiliki tujuan untuk menemukan waktu singkat dalam berkendara dengan skenario beragam kondisi lalu lintas yang nyata dan berbagai

kecepatan kendaraan. 3. Indra

Surada.2010

Implementasi Algoritma

Genetika Untuk Pencarian Rute Optimum Objek

Wisata Di

Kabupaten Pemalang

Pencarian rute optimum yang dilakukan pada objek wisata di Kabupaten Pemalang diasumsikan dengan perjalanan akan kembali ke tempat semula, dan memberikan nilai untuk parameter crossover probability (pc), mutation rate (pm), maka akan menghasilkan solusi rute optimum dengan titik awal dan akhir yang sama.

4. Sukaton M Rama. 2011.

Penggunaan Algoritma

Genetika Dalam Masalah Jalur Terpendek Pada Jaringan Data.

Pada penelitianya, menunjukkan bahwa algoritma genetika dapat digunakan untuk menyelesaikan masalah optimasi yang kompleks. Masalah jalur terpendek dengan jumlah simpul dan lintasan yang semakin banyak akan dapat diselesaikan serta mengarah ke titik optimal bila diimbangi dengan peningkatan ukuran populasi dan parameter lainnya dalam algoritma genetika.

5. I Dewa Made Adi Baskara Joni, Vivine Nurcahyawati. 2012

Penentuan Jarak Terpendek Pada Jalur Distribusi Barang Di Pulau Jawa Dengan Menggunakan Algoritma Genetika

Pada penelitian ini, pencarian jalur terpendek dilakukan dengan melakukan pengujian sebanyak tiga kali, dengan pola distribusi awal yang sama (Kediri-Malang-Semarang-Rembang-Solo). Skenario yang pertama yaitu dengan menggunakan Crossover Probability (Pc) dan Mutation Rate (Pm) yang rendah yaitu

kurang dari 50. Skenario yang kedua dengan menggunakan Pc dan Pm yang sedang yaitu sama dengan 50. Skenario yang ketiga dengan menggunakan Pc dan Pm yang tinggi yaitu lebih dari 50. Hasilnya nilai Pc dan Pm yang rendah bagus untuk menghasilkan nilai fitness yang terendah (rute terbaik), namun sulit untuk menentukan nilai terendah tersebut dikarenakan proses crossover dan mutasi bergantung pada bilangan random (acak) yang dibandingkan dengan input PC dan PM.

2.10 Rangkuman Perbandingan Penelitian Sebelumnya Dengan Penelitian Yang Dilakukan

Berdasarkan penelitian yang telah dilakukan sebelumnya, Tabel 2.4 menjelaskan tentang penelitian yang sudah dilakukan menggunakan algoritma genetika untuk permasalahan optimasi jalur. Terdapat beragam penelitian yang sudah pernah dilakukan dengan berbagai kriteria, studi kasus, dan juga implementasi sistem yang telah di buat.

Adapun pemilihan algoritma genetika untuk solusi pencarian optimum berdasarkan penelitian pada point satu, dikarenakan algoritma genetika memiliki kelebihan dalam menghasilkan jalur serta waktu yang dibutuhkan untuk melakukan perhitungan lebih baik dengan parameter input yang tepat daripada kedua algoritma yang lainnya untuk jumlah kota atau search space yang luas, permasalahan dengan kondisi lalu lintas yang nyata dan kompleks serta berbagai kecepatan kendaraan, seperti dijelaskan pada penelitan point ke dua dan ke empat.

Studi kasus yang berbeda dari point ke tiga dan kelima dimana pada penelitian ini dilakukan penelitian pada wilayah Denpasar, khususnya kecamatan Denpasar Utara yang memiliki tata kelola luas tanah terbesar dengan 4993 hektar.

Serta implementasi sistem yang akan dirancang dan dibuat dalam sistem aplikasi mobile dengan menggunakan web sebagai server pusat untuk dapat mengakses data. Web server dapat dikelola oleh admin untuk melakukan proses kelola data seperti insert, delete, update dan read data yang didapat dari kerjasama dengan Dinas Perhubungan Kota Denpasar. Sehingga dari perancangan sistem ini diharapkan dapat membantu mengurangi kemacetan dan diharapkan dapat meningkatkan kenyamanan dari penggunanya.