Publication Repository 5.Hendrawan Armanto
DINAMIKA TEKNOLOGI April 2017 Vol. 9; No. 1; Hal. 14-21
PERENCANAAN PERJALANAN WISATA SINGAPURA DENGAN
ALGORITMA TABU SEARCH
Hendrawan Armanto
Teknik Informatika, Sekolah Tinggi Teknik Surabaya
e-mail: [email protected]
ABSTRAK
Bepergian ke tempat wisata merupakan salah satu hal yang dilakukan saat liburan. Akan tetapi sering kali
timbul banyak kesulitan saat menyusun jadwal perjalanan wisata. Dimana, paket wisata yang ditawarkan
dari perusahaan travel tidak dapat memberikan tingkat kepuasan yang maksimal. Hal tersebut memberikan
ide pada penelitian ini untuk mempermudah pengguna dalam menyusun perjalanan wisata dan
menghasilkan jadwal perjalanan wisata yang dapat memberi tingkat kepuasan dengan maksimal. Fokus dari
penelitian ini hanya untuk negara Singapora saja dikarenakan Singapora merupakan salah satu negara kecil
tetapi memiliki banyak tempat wisata yang menarik. Penelitian ini dibuat dengan menggunakan algoritma
Tabu Search. Perancangan jadwal dimulai dengan inisialisasi neighborhood, lalu Evaluation Function
digunakan untuk melakukan kalkulasi skor dari tiap kandidat solusi. Kandidat solusi terbaik dari tiap
neighborhood dimasukkan Tabu List untuk menghindari local minimum. Pengguna dapat memasukkan dan
melakukan kustomisasi seluruh parameter dari tiap POI (Points of Interest) mulai dari waktu yang ingin
dihabiskan, uang yang dikeluarkan, prioritas dan mode kendaraan yang diinginkan. Selain itu, parameter
umum yang ada dalam penjadwalan wisata seperti jumlah hari, jam mulai trip, jam selesai trip dan budget
trip per hari juga dapat dikustomisasi oleh pengguna. Penelitian ini diuji coba dengan menggunakan 24 POI
yang berbeda-beda serta menggunakan kuisioner 30 orang yang memiliki preferensi berbeda-beda pula.
Hasilnya, para pengguna memiliki tingkat kepuasan rata-rata 74% dan 47% pengguna menyatakan rute
jadwal wisata tergolong baik, serta 53% sisanya menyatakan sangat baik.
Kata kunci: Penjadwalan, Wisata, Singapora, Tabu Search
PENDAHULUAN
Salah satu kegiatan yang paling sering dilakukan
pada saat liburan adalah pergi berwisata, baik pergi
di dalam negeri maupun ke luar negeri. Tujuan dari
berwisata ini ada berbagai macam, mulai dari hanya
mengunjungi saudara, bulan madu, mempelajari
sejarah dari suatu tempat hingga sekedar jalan-jalan
untuk melepas penat. Dewasa ini, tempat wisata
yang tersedia sangat banyak dan dapat bertambah
terus seiring dengan perkembangan ekonomi dan
pariwisata.
Hal ini tentu saja merepotkan jika turis hanya
memiliki waktu yang terbatas dan tempat yang
dikunjungi memiliki banyak objek wisata / POI
(Point of Interest) seperti: Singapore, Beijing,
Tokyo dan lain lain. Turis harus merencanakan
perjalanan wisata secara matang di hari-hari
sebelumnya agar jadwal yang dibuat tidak ada yang
bertabrakan dan sebisa mungkin dapat mengunjungi
seluruh objek wisata agar tidak rugi. Sebenarnya,
14
solusi untuk masalah ini telah dipecahkan dengan
banyaknya pilihan tur yang disediakan oleh Travel
Agency. Tetapi, pilihan tur yang disediakan ini tetap
saja memiliki batasan dan turis tidak mungkin puas
100% karena jadwal tur yang dibuat pasti ada yang
tidak sesuai dengan keinginan turis tersebut. Seiring
dengan berkembangnya internet, informasi seluruh
objek wisata yang ada di suatu tempat dapat diambil
dengan mudah. Didukung dengan perkembangan
algoritma yang ada sekarang membuat penulis ingin
mengimplementasikan pendekatan Tabu Search
untuk menyelesaikan masalah perencanaan
perjalanan wisata untuk memudahkan turis dalam
menyusun jadwal wisata yang dapat dikustomisasi
sesuai keinginan tiap individu.
TEORI DASAR
Pada bagian ini dijelaskan mengenai teori-teori
dasar yang dipergunakan dalam pembuatan
penelitian ini. Secara garis besar, yang pertama
Dinamika Teknologi
έψιφ φχσι νυψωφωοσ μιψ νυιιήι Γ Β
DINAMIKA TEKNOLOGI April 2017 Vol. 9; No. 1; Hal. 14-21
bagian ini menjelaskan mengenai Metaheuristic.
Metaheuristic yang dipakai dalam penelitian ini
yaitu Algoritma Tabu Search. Lalu yang kedua,
dibahas pula mengenai Struktur Memori. Yang
ketiga dibahas mengenai Fungsi Evaluasi. Yang
terakhir, dalam bagian ini dibahas pula mengenai
Google Maps API. Google Maps API yang dibahas
terdiri atas Directions Service dan Distance Matrix.
2.1 Algoritma Metaheuristik
Pada Computer Science dan Mathematical
optimization, metaheuristik merupakan heuristic
yang dirancang untuk menemukan, menghasilkan,
atau memilih heuristic yang menghasilkan solusi
yang lebih baik untuk melakukan optimisasi dari
suatu masalah. Dibandingkan dengan algoritma
optimisasi dan metode iterative, metaheuristik tidak
menjamin solusi global yang optimal ditemukan
untuk tiap masalah. Kebanyakan metaheuristik
memakai metode stochastic optmitization dimana
solusi yang dihasilkan bergantung pada variable
yang dihasilkan secara random pada inisialisasi
awal.
2.2 Algoritma Tabu Search
Tabu Search merupakan single-solution based
metaheuristik yang diperkenalkan oleh Fred Glover
pada tahun 1986. Tabu search sangat popular di
tahun 90an, dan sampai sekarang masih menjadi
salah satu single-solution based metaheuristik yang
banyak dipakai untuk menyelesaikan permasalahan
optimisasi. Tabu search merupakan metode
metaheuristik yang dilandaskan pada pencarian
local (local search). Untuk menghindari proses
pencarian kembali ke kandidat solusi yang pernah
dikunjungi, Tabu Search mengingat jalur pencarian
yang telah dilewati. Kandidat solusi yang sudah
dilewati disimpan dalam memori, yang disebut
Tabu list, dan tidak dilewati lagi (karena itu disebut
Tabu).
2.3.1
Struktur Memori
Penggunaan struktur memori memiliki basis
atribut-atribut fleksibel maupun atribut-atribut kaku
yang dirancang untuk membolehkan sebuah kriteria
evaluasi dan hasil pencarian di masa lalu
dieksploitasi lebih mendalam. Kategori struktur
memori ini dapat dibagi menjadi tiga:
1. Short Term: memory ini berisi kumpulan solusi
yang baru saja dipertimbangkan. Jika sebuah
potensi solusi baru muncul, maka solusi ini
2.
3.
tidak dapat dikunjungi lagi hingga expiration
point tercapai.
Intermediate Term: aturan memory ini
dimaksudkan agar pencarian lebih terfokus
terhadap daerah yang menjanjikan dari ruang
pencarian.
Long Term: memory ini menggunakan
diversifikasi yang bertujuan untuk mendorong
pencarian ke daerah yang baru (misalnya
melakukan reset jika pencarian stuck atau
kriteria tertinggi masih belum juga terpenuhi).
2.3.2
Fungsi Evaluasi
Fungsi evaluasi, biasa disebut heuristic
evaluation function atau static evaluation function
adalah fungsi yang digunakan oleh suatu program
atau algoritma untuk memperkirakan value atau
nilai kebaikan dari solusi tertentu. Fungsi evaluasi
ini biasanya didesain untuk lebih mementingkan
kecepatan proses daripada akurasi, fungsi ini hanya
melihat pada satu posisi tertentu dan tidak melihat
atau mencari langkah lain yang memungkinkan
(static). Tujuan utama dari penggunaan fungsi
evaluasi ini adalah untuk mengurangi waktu
komputasi yang dibutuhkan untuk menyelesaikan
suatu masalah.
2.3 Google Maps API
Pada bagian ini dijelaskan beberapa hal
mengenai Google Maps API. Google Maps API
adalah fitur yang disediakan oleh Google yang
memungkinkan
para
penggunanya
untuk
menampilkan Google Maps pada halaman web atau
mengambil data tertentu dari Google Maps.
2.3.1
Directions Service
Fitur directions service ini termasuk dalam Web
Service API yang disediakan oleh Google.
Directions service ini dapat digunakan untuk
menghitung arah sesuai dengan metode transportasi
yang digunakan (driving, transit, dan lain lain)
dengan menggunakan objek DirectionService.
Objek ini berkomunikasi dengan Google Maps API
Directions Service yang menerima request arah dan
mengeluarkan hasil perhitungan.
2.3.2
Distance Matrix
Fitur Distance Matrix ini digunakan untuk
menghitung jarak dan durasi dari perjalanan antar
berbagai asal dan tujuan dengan menggunakan
mode travel tertentu. Service ini tidak
Dinamika Teknologi
έψιφ φχσι νυψωφωοσ μιψ νυιιήι Γ Β
15
DINAMIKA TEKNOLOGI April 2017 Vol. 9; No. 1; Hal. 14-21
mengembalikan hasil berupa informasi rute secara
detail tetapi hanya mengembalikan nilai jarak dan
durasi dari perjalanan.
ALGORITMA TABU SEARCH
Pada bagian ini akan dijelaskan mengenai
algoritma utama yang mendasari pembuatan
penelitian ini, yaitu algoritma Tabu Search,
penerapan algoritma Tabu Search pada
permasalahan Travelling Salesman Problem, dan
penelitian terkait tentang penerapan algoritma Tabu
Search pada penjadwalan wisata.
pengiriman koran, produksi barang, pemasangan
jaringan komunikasi, dan masalah transportasi.
Contoh kasus TSP: Seorang Salesman PT. XX
bertugas untuk mengecek ketersediaan suku cadang
pada masingmasing pos PT. XX. Salesman yang
bepergian mulai dari PT. XX (0) ke Pos Sei. Raya
(1), Pos Adisucipto (2), Pos Siantan (3), Pos Gajah
Mada (4) dan pos Kota Baru (5), kemudian
Salesman harus kembali lagi ke PT. XX. Pos-pos
tersebut harus dikunjungi tepat satu kali dengan
tujuan perjalanan meminimumkan jarak dan waktu
tempuh.
3.1 Algoritma Umum Tabu Search
Metode pencarian tabu berprinsip pada
penggunaan memori sebagai elemen esensial dalam
pencariannya, karena pencarian Tabu tidak hanya
menyimpan nilai sebuah solusi terbaik seperti
kebanyakan metode pencarian, namun juga
menyimpan informasi selama pencarian melalui
solusi terakhir yang dikunjungi. Sebuah informasi
akan digunakan sebagai petunjuk untuk bergerak
dari i ke solusi selanjutnya dalam N(i). Penggunaan
memori sebagai pembatas dalam pemilihan
beberapa subset dari N(i) dengan membatasi
pergerakan ke beberapa solusi tetangga.
Gambar 1. Ilustrasi Perjalanan Salesman
PT. XX
Gambar 1 merupakan hubungan antar pos pada
kasus PT. XX dan tabel 1 merupakan nilai jarak dan
waktu secara keseluruhan.
Tabel 1. Jarak dan Waktu Secara Keseluruhan
3.2 Komponen Tabu Search
Pada bagian ini dijelaskan mengenai beberapa
komponen dari algoritma Tabu Search. Sebelum
mempelajari cara kerja algoritma Tabu Search
untuk permasalahan lebih lanjut, ada beberapa
elemen utama yang sering digunakan dalam
algoritma Tabu Search yang terdiri dari:
1. Representasi solusi
2. Fungsi cost
3. Neighborhood (tetangga)
4. Tabu List (memori jangka pendek)
5. Aspiration criteria
6. Long term memory (memori jangka panjang)
3.3 Tracing Algoritma Tabu Search pada
Travelling Salesman Problem (TSP)
Travelling Salesman Problem merupakan salah
satu permasalahan optimasi kombinatorial yang
biasa terjadi. Permasalahan Travelling Salesman
Problem mengenai seseorang yang harus
mengunjungi semua kota tepat satu kali dan kembali
ke kota asal. Beberapa contoh penerapan Travelling
Salesman Problem yang muncul dalam kehidupan
sehari-hari, misalnya efisiensi penjadwalan
16
Langkah
yang
dilakukan
adalah
mengoptimalkan jarak tempuh dan waktu
perjalanan salesman PT. XX tersebut. Langkah
pertama yang dilakukan adalah menentukan rute
awal dan menetapkannya sebagai solusi terbaik
untuk tahap awal.
Tabel 2. Pencarian Jalur Alternatif Iterasi 1
Pertukaran
Tukar 4,1
Tukar 4,2
Tukar 4,5
Tukar 4,3
Tukar 1,2
Tukar 1,5
Tukar 1,3
Tukar 2,5
Tukar 2,3
Tukar 5,3
Dinamika Teknologi
έψιφ φχσι νυψωφωοσ μιψ νυιιήι Γ Β
Rute
Perjalanan
0-1-4-2-5-3-0
0-2-1-4-5-3-0
0-5-1-2-4-3-0
0-3-1-2-5-4-0
0-4-2-1-5-3-0
0-4-5-2-1-3-0
0-4-3-2-5-1-0
0-4-1-5-2-3-0
0-4-1-3-5-2-0
0-4-1-2-3-5-0
Jarak
Tempuh
(km)
52
41.1
44.6
41.3
46.3
41.3
48.3
49.8
49.2
41.3
Waktu
Perjalanan
(menit)
78.1
61.8
67.1
62.1
69.6
62.1
72.6
74.9
73.9
62.2
DINAMIKA TEKNOLOGI April 2017 Vol. 9; No. 1; Hal. 14-21
Pada iterasi ke-1 ini diperoleh nilai terbaik
adalah km untuk jarak tempuh dan menit untuk
waktu perjalanan yakni pada Jalur ke-2. Selanjutnya
lakukan iterasi ke 2, untuk perhitungan iterasi ke 2
sampai iterasi ke 60 juga menggunakan perhitungan
yang sama seperti iterasi 1 sesuai dengan rute yang
dilalui Salesman tersebut. Setelah dilakukan
perhitungan sebanyak 60 iterasi, maka diperoleh
jarak tempuh dan waktu perjalanan minimum pada
setiap iterasi tersebut
3.4 Penerapan Algoritma Tabu Search pada
Penjadwalan Wisata
Terdapat dua mekanisme utama dalam proses
penjadwalan wisata. Kedua hal tersebut adalah
algoritma Tabu Search dan Fungsi Evaluasi.
Seluruh proses iterasi dan pencarian solusi terbaik
serta penyimpanan memori melalui Tabu List
dilakukan oleh algoritma Tabu Search. Fungsi
evaluasi dibutuhkan untuk proses penilaian dari tiap
solusi rute yang memungkinkan.
3.4.1
Contoh Kasus Penerapan Algoritma
Tabu Search pada Penjadwalan Wisata
Contoh kasus yang digunakan sebagai uji coba
adalah sebuah kota di negara Austria, yaitu kota
Vienna. Dimana dalam kota tersebut, terdapat 40
buah POI yang dapat dikunjungi oleh para
wisatawan. Sebanyak 10 profil turis digunakan
sebagai bahan uji coba, dimana tiap turis ini
memiliki preferensi wisata yang berbeda antara satu
dengan lainnya.
Tabel 3. Parameter Data Uji Coba
Parameter
Jumlah Hari
Durasi Trip
Budget Trip
Waktu mulai Trip
Waktu selesai Trip
Bobot Satisfaction Factor
Bobot Travel Time
Waktu Eksekusi Maksimal
3.4.2
Value
2 hari
5 jam
200 euro
11:00
16:00
70%
30%
5 menit
Random solusi awal memiliki performa yang
lebih bagus jika dibandingkan dengan solusi awal
ascending maupun dengan solusi awal descending.
Secara umum, solusi yang dihasilkan dengan
menggunakan Tabu List berukuran 6 lebih baik
dengan rata-rata 0.3 poin dibandingkan dengan
solusi yang menggunakan Tabu List dengan ukuran
lain yang ada di eksperimen ini.
SISTEM PENJADWALAN WISATA
SINGAPURA
Sistem penjadwalan wisata ini dijelaskan
menjadi tiga bagian, yaitu arsitektur sistem, input
dan otput, serta langkah-langkah proses
penjadwalan wisata.
4.1 Arsitektur Sistem
Pada sistem penjadwalan wisata ini terdapat
empat komponen utama yaitu situs pengguna,
proses penjadwalan wisata, database dan directions.
Input yang digunakan dalam penyusunan jadwal
wisata ini berupa parameter wisata, sedangkan
output merupakan jadwal wisata. Pada proses
penyusunan jadwal wisata ini terdiri dari tiga
macam proses dimana ketiga proses ini
membutuhkan tabel-tabel pendukung yang
diperlukan.
Dalam
proses
pembentukan
Neighborhood diperlukan tabel shopping, tabel
entertainment, tabel culinary dan tabel preferences.
Untuk proses perhitungan dengan fungsi evaluasi
diperlukan tabel mrt, tabel driving, tabel bus serta
tabel preferences. Proses terakhir adalah pemilihan
kandidat solusi terbaik yang membandingkan nilai
kebaikan dari tiap solusi dalam suatu neighborhood.
Hasil dari Contoh Kasus Penerapan
Algoritma
Tabu
Search
pada
Penjadwalan Wisata
Cara perhitungan eksperimen ini yaitu dengan
mengambil contoh 1 instansi turis yang dijalankan
10 kali masing-masing untuk tiap solusi awal. Hasil
dari algoritma untuk tiap solusi awal yang berbeda
diambil dan dibandingkan, lalu angka maksimum
untuk 1 dari 3 solusi awal dicatat.
Gambar 2. Desain Asitektur
Berikut ini merupakan penjelasan yang lebih
rinci mengenai parameter yang diperlukan untuk
kedua proses pada penyusunan jadwal wisata:
Dinamika Teknologi
έψιφ φχσι νυψωφωοσ μιψ νυιιήι Γ Β
17
DINAMIKA TEKNOLOGI April 2017 Vol. 9; No. 1; Hal. 14-21
1.
Pembentukan Neighborhood
Pada parameter wisata yang telah diinputkan
oleh pengguna, terdapat time spent, cost, priority,
transportation, jumlah hari, jam mulai trip, jam
selesai trip dan budget trip per hari. Parameter
tersebut beserta dengan data-data POI yang ada
seperti nama dan alamat POI digunakan untuk
membentuk neighborhood. Dimana neighborhood
merupakan kumpulan solusi yang feasible.
Nantinya, proses penjadwalan wisata mencari solusi
yang paling baik dari seluruh neighborhood yang
ada.
2.
Perhitungan Fungsi Evaluasi
Fungsi Evaluasi merupakan fungsi yang
digunakan untuk mengkalkulasi atau menghitung
skor dari suatu solusi. Input yang diperlukan pada
proses ini adalah travel time atau jarak tempuh dari
seluruh POI yang ada di dalam suatu solusi, serta
satisfaction factor atau tingkat kepuasan dari solusi
tersebut. Tingkat kepuasan ini didapat dari prioritas
yang telah diatur oleh pengguna untuk tiap POI.
3.
Pemilihan Kandidat Solusi Terbaik
Dalam proses ini, seluruh solusi yang ada di
dalam neighborhood dibandingkan skornya antara
satu dengan yang lain untuk mencari kandidat solusi
terbaik dalam satu neighborhood. Input yang
dibutuhkan berupa list solusi dari neighborhood
beserta dengan skornya yang didapat dari
perhitungan fungsi evaluasi.
4.2 Input dan Output
Input dari penelitian ini adalah preferensi
pengguna terhadap berbagai elemen yang ada di
dalam jadwal wisata. Dengan adanya input
langsung dari pengguna, penelitian ini dapat
dikostumisasi oleh pengguna sedemikian rupa
hingga benar-benar memenuhi kriteria dan
preferensi yang diinginkan oleh masing-masing
pengguna.
Tabel 4. Parameter Input
Parameter
Time Spent
Cost
Priority
Transportation
Jumlah Hari
18
Keterangan
Menentukan berapa lama waktu
yang ingin dihabiskan di suatu
POI
Menentukan berapa uang yang
ingin dihabiskan di suatu POI
Menentukan prioritas suatu POI
untuk dikunjungi (low, normal,
high)
Menentukan mode transportasi
yang ingin digunakan untuk
menuju ke suatu POI (bus, mrt,
driving)
Menentukan jumlah hari
perjalanan
Parameter
Jam Mulai Trip
Jam Selesai Trip
Budget per Hari
Keterangan
Menentukan jam mulai
perjalanan per hari
Menentukan jam selesai
perjalanan per hari
Menentukan batas budget untuk
trip per hari
4.3 Inisialisasi Data
Data-data yang harus diinisialisasi sebelum
proses utama dijalankan adalah data-data yang
tersimpan di dalam database. Data ini berupa
elemen-elemen dari seluruh POI yang ada serta
parameter yang telah dimasukkan oleh pengguna.
Jenis POI dibagi menjadi tiga kategori, yaitu
shopping, culinary dan entertainment. POI
dikategorikan sebagai shopping jika tempat tersebut
merupakan pusat perbelanjaan, lalu POI
dikategorikan sebagai culinary jika tempat tersebut
merupakan tempat yang hanya menyediakan tempat
makan. Terakhir, POI dikategorikan sebagai
entertainment jika tempat tersebut merupakan
tempat yang memiliki wahana, atraksi atau
pemandangan sebagai sarana rekreasi.
4.4 Penambahan Neighborhood
Neighborhood ini digunakan untuk membuat
seluruh kemungkinan solusi yang layak. Penelitian
ini menggunakan 10 neighborhood dan tiap
neighborhood memiliki 100 kemungkinan solusi.
Terdapat banyak constraint pada pembuatan
neighborhood ini untuk memastikan bahwa tiap
solusi yang ada di dalam neighborhood merupakan
solusi yang feasible dan sesuai dengan preferensi
dari pengguna. Di dalam pembuatan neighborhood
ini juga terdapat rotasi yang berfungsi untuk
memastikan bahwa seluruh kemungkinan POI telah
dilewati.
4.5 Fungsi Evaluasi
Untuk menghitung skor dari suatu solusi maka
digunakan Fungsi Evaluasi. Fungsi ini memiliki dua
koefisien bobot, yaitu koefisien kepuasan
(satisfaction factor) dan koefisien waktu (travel
time).
Rumus pertama yaitu satisfaction factor, rumus
ini dinormalisasi dan memiliki tiga input. Yang
Dinamika Teknologi
έψιφ φχσι νυψωφωοσ μιψ νυιιήι Γ Β
DINAMIKA TEKNOLOGI April 2017 Vol. 9; No. 1; Hal. 14-21
pertama adalah MNP yaitu jumlah maksimal POI
yang ingin diraih per hari, berikutnya adalah SDT
yaitu durasi standard dari trip wisata pada
umumnya. Lalu yang terakhir adalah TDWB yaitu
durasi trip dari jam mulai hingga jam selesai. Untuk
nilai total satisfaction factor, diambil dari tingkat
prioritas tiap POI dan ditotal sejumlah total POI
yang ada dalam suatu solusi.
dimana:
Rumus kedua adalah rumus untuk menghitung
travel time. Rumus ini juga dinormalisasi seperti
satisfaction factor. Parameter yang dimasukkan
adalah travel time atau total waktu tempuh dari
seluruh POI yang ada dalam suatu solusi serta
TDWB yang merupakan durasi trip dari jam mulai
hingga jam selesai.
Fungsi evaluasi ini digunakan untuk menghitung
skor tiap kandidat solusi yang ada di dalam suatu
neighborhood. Fungsi ini mengembalikan nilai
berupa skor, sesuai dengan solusi POI yang
dikirimkan. Skor ini dipakai di dalam algoritma
Tabu Search untuk mencari solusi terbaik dengan
skor yang paling tinggi. Tujuan utama dari fungsi
evaluasi ini adalah mencari solusi yang memiliki
tingkat kepuasan tertinggi dan waktu tempuh yang
seminimal mungkin.
5.1 Uji Coba Skenario Penjadwalan
Uji coba ini dilakukan dengan menjalankan
contoh skenario yang masing-masing parameter tiap
POI telah dikustomisasi. Pada kategori shopping,
dipilih lima POI, pada kategori kuliner, dipilih enam
POI dan pada kategori entertainment, dipilih empat
POI yang masing-masing parameternya telah
dirubah-ubah secara acak.
Jumlah hari yang dicontohkan adalah tiga hari,
dengan jam mulai serta jam selesai untuk tiap hari
adalah jam 10.00 hingga jam 18.00 (total delapan
jam). Terakhir, budget tiap hari adalah 300.
Gambar 3. Hasil Uji COba Skenario
Dapat dilihat pada jadwal wisata diatas, trip tiap
hari tidak mungkin melebihi jam 18.00 dan budget
tidak mungkin melebihi 300, sesuai dengan
parameter yang dimasukkan. Cost tiap POI juga
sesuai dengan yang dimasukkan di awal, serta
directions yang ditampilkan juga sesuai dengan
preferensi transportasi tiap POI.
Penelitian ini menghasilkan jadwal perjalanan
wisata berikut dengan directions yang sesuai dengan
POI yang dipilih beserta parameter-parameter yang
dimasukkan. Untuk menguji apakah jadwal
perjalanan wisata ini relevan atau masuk akal, maka
perlu dilakukan ujicoba dengan Google Maps.
UJI COBA
Tahapan uji coba dalam penelitian ini dibagi
menjadi dua bagian, yaitu diuji coba dengan contoh
skenario untuk mengetahui bagaimana hasil dari
contoh kasus yang diberikan. Serta, diuji cobakan
pada beberapa golongan masyarakat dan mereka
diberi kuisioner untuk menilai efisiensi penelitian
ini.
Gambar 4. Rute Hari Pertama
Hari pertama ini dimulai dengan Singapore
Flyer, lalu menuju ke The Shoppes at Marina Bay
Dinamika Teknologi
έψιφ φχσι νυψωφωοσ μιψ νυιιήι Γ Β
19
DINAMIKA TEKNOLOGI April 2017 Vol. 9; No. 1; Hal. 14-21
Sands. Berikutnya adalah Suntec City Mall,
Yoogane Singapore Korean dan Bugis Junction.
Dapat dilihat rute memutar, kenapa tidak ke The
Shoppes dahulu baru ke Singapore Flyer?
Jawabannya adalah, di The Shoppes
menyediakan tempat makan, sedangkan Singapore
Flyer tidak. Sehingga lebih masuk akal ke
Singapore Flyer, lalu siangnya pergi ke The
Shoppes karena disana bersamaan dengan jam
makan siang. Jika rute diawali ke The Shoppes, lalu
baru ke Singapore Flyer maka di Singapore Flyer
sudah masuk jam makan siang dan di tempat
tersebut tidak tersedia tempat makan. Hal ini juga
diperhitungkan dan ada di dalam algoritma.
Gambar 5. Rute Hari Kedua
Rute hari kedua ini meliputi Universal Studios
Singapore dan Madame Tussauds yang sama-sama
berada dalam satu area, yaitu Sentosa Island.
5.2 Uji Coba Kelayakan dengan Kuisioner
Isi kuisioner ini berkaitan dengan seberapa
bergunanya penelitian penjadwalan wisata ini untuk
membantu pengguna dalam menyusun jadwal
wisata singapura, tingkat kepuasan dari hasil wisata
yang dihasilkan, dan lain-lain yang nantinya
dijelaskan satu persatu. Kuisioner ini diisi oleh 30
responden dengan berbagai umur mulai dari remaja
hingga dewasa dan semua responden telah
mengunjungi negara Singapura.
Tabel 5. Hasil Uji Coba dengan Kuisioner
Pertanyaan
Seberapa
bagus desain
tampilan dari
penelitian ini?
Seberapa baik
tingkat
kemudahan
menggunakan
penelitian ini?
Seberapa cepat
kemampuan
penelitian
dalam
membuat
jadwal wisata?
Seberapa
tinggi tingkat
kegunaan
penelitian ini?
Sangat
Baik
53.3%
Baik
Cukup
Kurang
40%
6.7%
-
Sangat
Kurang
-
6.7%
33.3%
46.7%
6.7%
6.7%
80%
13.3%
6.7%
-
-
40%
46.7%
13.3%
-
-
Berikutnya dijelaskan hasil kuisioner tentang
tingkat kepuasan dari para responden dari jadwal
wisata singapura yang dihasilkan, serta pendapat
responden mengenai rute jadwal wisata yang dibuat.
Tingkat kepuasan responden dapat dilihat pada
Gambar 7.
Gambar 6. Rute Hari Ketiga
Rute hari ketiga ini dimulai dari VivoCity
menuju ke Singapore Seafood Republic. Rute yang
dihasilkan terlihat sudah sesuai dan tidak berputarputar. Trip dimulai dari jam 10.00, dimulai dari
VivoCity dan ke Singapore Seafood Republic,
setelah itu baru keluar lagi menuju Standing Sushi
Bar, kemudian menuju ke Wing Seong Fatty’S,
Monster Curry dan terakhir tiba di Paragon
Shopping Centre.
20
Gambar 7. Tingkat Kepuasan Responden
Jika di rata-rata, maka tingkat kepuasan
responden adalah 74%. Dengan nilai kepuasan ratarata 74%, maka penelitian ini sudah cukup baik
dalam memuaskan keinginan para pengguna.
Berikutnya adalah pendapat responden mengenai
rute jadwal wisata singapura yang dibuat. Hasil dari
tiap responden dapat dilihat pada Gambar 8.
Dinamika Teknologi
έψιφ φχσι νυψωφωοσ μιψ νυιιήι Γ Β
DINAMIKA TEKNOLOGI April 2017 Vol. 9; No. 1; Hal. 14-21
membuat rute jadwal wisata singapura menjadi
memutar.
6. Dikarenakan keterbatasan policy yang
diberikan oleh Google Maps API, maka
directions secara detail (termasuk nomor bus,
tempat ganti stasiun) hanya dapat ditampilkan
melalui internet dan datanya tidak dapat
diambil.
Gambar 8. Pendapat Responden Tentang Rute
Jadwal Wisata
Dari hasil diatas, sebanyak 53% responden
menyatakan sangat baik yang berarti rute jadwal
wisata yang dihasilkan searah dan tidak berputarputar. Lalu ada sebanyak 47% responden
menyatakan baik, yaitu rute searah namun masih
ada yang berjauhan / berputar-putar. Dan tidak ada
responden sama sekali yang menyatakan
menyimpang. Dari hasil ini, dapat disimpulkan
bahwa rute perjalanan wisata singapura yang
dihasilkan penelitian ini sudah sangat bagus.
KESIMPULAN
Selama proses penelitian dan proses uji coba,
didapatkan beberapa kesimpulan penting yang
penulis dapatkan. Beberapa kesimpulan tersebut
antara lain adalah:
1. Masih banyak permasalahan penjadwalan
umum dan cukup kompleks yang dapat
dipecahkan dengan menerapkan sistem
pemecahan masalah dengan algoritma Tabu
Search.
2. Algoritma Tabu Search mudah untuk
dimodifikasi ke dalam berbagai macam masalah
dan cocok digunakan untuk mempercepat
proses pencarian solusi tanpa mengurangi
kualitas hasil secara signifikan.
3. Menyusun jadwal perjalanan wisata dengan
penelitian ini dapat menjadi salah satu pilihan
baru bagi masyarakat, karena pada zaman ini
pilihan masyarakat untuk berwisata hanya
membeli paket travel yang tidak dapat
dimodifikasi atau membuat jadwal wisata
sendiri yang memakan banyak waktu dan
tenaga.
4. Banyak variasi yang dapat diciptakan oleh
algoritma Tabu Search untuk aplikasinya dalam
penyusunan rencana perjalanan wisata
singapura.
5. Pengaruh dari mode transportasi bus dan mrt
yang harus transit di stasiun tertentu, kadang
DAFTAR PUSTAKA
1. F. Glover. 1990. Tabu Search: A Tutorial Center
for Applied Artificial Intelligence. University of
Colorado. The Institute of Management
Sciences.
2. D. Togatorop. 2014. Perancangan Aplikasi
Pencarian Jalur Terpendek dengan Algoritma
Tabu Search. Teknik Informatika STMIK Budi
Darma Medan.
3. Fatmawati, Prihandono dan Noviani, E. 2015.
Penyelesaian Travelling Salesman Problem
dengan Metode Tabu Search. FMIPA UNTAN.
4. K. Sylejmani dan A. Dika. 2011. Solving
Touristic Trip Planning Problem by using Taboo
Search Approach. Department of Computer
Engineering, Faculty of Electrical and Computer
Engineering, University of Prishtina.
Dinamika Teknologi
έψιφ φχσι νυψωφωοσ μιψ νυιιήι Γ Β
21
PERENCANAAN PERJALANAN WISATA SINGAPURA DENGAN
ALGORITMA TABU SEARCH
Hendrawan Armanto
Teknik Informatika, Sekolah Tinggi Teknik Surabaya
e-mail: [email protected]
ABSTRAK
Bepergian ke tempat wisata merupakan salah satu hal yang dilakukan saat liburan. Akan tetapi sering kali
timbul banyak kesulitan saat menyusun jadwal perjalanan wisata. Dimana, paket wisata yang ditawarkan
dari perusahaan travel tidak dapat memberikan tingkat kepuasan yang maksimal. Hal tersebut memberikan
ide pada penelitian ini untuk mempermudah pengguna dalam menyusun perjalanan wisata dan
menghasilkan jadwal perjalanan wisata yang dapat memberi tingkat kepuasan dengan maksimal. Fokus dari
penelitian ini hanya untuk negara Singapora saja dikarenakan Singapora merupakan salah satu negara kecil
tetapi memiliki banyak tempat wisata yang menarik. Penelitian ini dibuat dengan menggunakan algoritma
Tabu Search. Perancangan jadwal dimulai dengan inisialisasi neighborhood, lalu Evaluation Function
digunakan untuk melakukan kalkulasi skor dari tiap kandidat solusi. Kandidat solusi terbaik dari tiap
neighborhood dimasukkan Tabu List untuk menghindari local minimum. Pengguna dapat memasukkan dan
melakukan kustomisasi seluruh parameter dari tiap POI (Points of Interest) mulai dari waktu yang ingin
dihabiskan, uang yang dikeluarkan, prioritas dan mode kendaraan yang diinginkan. Selain itu, parameter
umum yang ada dalam penjadwalan wisata seperti jumlah hari, jam mulai trip, jam selesai trip dan budget
trip per hari juga dapat dikustomisasi oleh pengguna. Penelitian ini diuji coba dengan menggunakan 24 POI
yang berbeda-beda serta menggunakan kuisioner 30 orang yang memiliki preferensi berbeda-beda pula.
Hasilnya, para pengguna memiliki tingkat kepuasan rata-rata 74% dan 47% pengguna menyatakan rute
jadwal wisata tergolong baik, serta 53% sisanya menyatakan sangat baik.
Kata kunci: Penjadwalan, Wisata, Singapora, Tabu Search
PENDAHULUAN
Salah satu kegiatan yang paling sering dilakukan
pada saat liburan adalah pergi berwisata, baik pergi
di dalam negeri maupun ke luar negeri. Tujuan dari
berwisata ini ada berbagai macam, mulai dari hanya
mengunjungi saudara, bulan madu, mempelajari
sejarah dari suatu tempat hingga sekedar jalan-jalan
untuk melepas penat. Dewasa ini, tempat wisata
yang tersedia sangat banyak dan dapat bertambah
terus seiring dengan perkembangan ekonomi dan
pariwisata.
Hal ini tentu saja merepotkan jika turis hanya
memiliki waktu yang terbatas dan tempat yang
dikunjungi memiliki banyak objek wisata / POI
(Point of Interest) seperti: Singapore, Beijing,
Tokyo dan lain lain. Turis harus merencanakan
perjalanan wisata secara matang di hari-hari
sebelumnya agar jadwal yang dibuat tidak ada yang
bertabrakan dan sebisa mungkin dapat mengunjungi
seluruh objek wisata agar tidak rugi. Sebenarnya,
14
solusi untuk masalah ini telah dipecahkan dengan
banyaknya pilihan tur yang disediakan oleh Travel
Agency. Tetapi, pilihan tur yang disediakan ini tetap
saja memiliki batasan dan turis tidak mungkin puas
100% karena jadwal tur yang dibuat pasti ada yang
tidak sesuai dengan keinginan turis tersebut. Seiring
dengan berkembangnya internet, informasi seluruh
objek wisata yang ada di suatu tempat dapat diambil
dengan mudah. Didukung dengan perkembangan
algoritma yang ada sekarang membuat penulis ingin
mengimplementasikan pendekatan Tabu Search
untuk menyelesaikan masalah perencanaan
perjalanan wisata untuk memudahkan turis dalam
menyusun jadwal wisata yang dapat dikustomisasi
sesuai keinginan tiap individu.
TEORI DASAR
Pada bagian ini dijelaskan mengenai teori-teori
dasar yang dipergunakan dalam pembuatan
penelitian ini. Secara garis besar, yang pertama
Dinamika Teknologi
έψιφ φχσι νυψωφωοσ μιψ νυιιήι Γ Β
DINAMIKA TEKNOLOGI April 2017 Vol. 9; No. 1; Hal. 14-21
bagian ini menjelaskan mengenai Metaheuristic.
Metaheuristic yang dipakai dalam penelitian ini
yaitu Algoritma Tabu Search. Lalu yang kedua,
dibahas pula mengenai Struktur Memori. Yang
ketiga dibahas mengenai Fungsi Evaluasi. Yang
terakhir, dalam bagian ini dibahas pula mengenai
Google Maps API. Google Maps API yang dibahas
terdiri atas Directions Service dan Distance Matrix.
2.1 Algoritma Metaheuristik
Pada Computer Science dan Mathematical
optimization, metaheuristik merupakan heuristic
yang dirancang untuk menemukan, menghasilkan,
atau memilih heuristic yang menghasilkan solusi
yang lebih baik untuk melakukan optimisasi dari
suatu masalah. Dibandingkan dengan algoritma
optimisasi dan metode iterative, metaheuristik tidak
menjamin solusi global yang optimal ditemukan
untuk tiap masalah. Kebanyakan metaheuristik
memakai metode stochastic optmitization dimana
solusi yang dihasilkan bergantung pada variable
yang dihasilkan secara random pada inisialisasi
awal.
2.2 Algoritma Tabu Search
Tabu Search merupakan single-solution based
metaheuristik yang diperkenalkan oleh Fred Glover
pada tahun 1986. Tabu search sangat popular di
tahun 90an, dan sampai sekarang masih menjadi
salah satu single-solution based metaheuristik yang
banyak dipakai untuk menyelesaikan permasalahan
optimisasi. Tabu search merupakan metode
metaheuristik yang dilandaskan pada pencarian
local (local search). Untuk menghindari proses
pencarian kembali ke kandidat solusi yang pernah
dikunjungi, Tabu Search mengingat jalur pencarian
yang telah dilewati. Kandidat solusi yang sudah
dilewati disimpan dalam memori, yang disebut
Tabu list, dan tidak dilewati lagi (karena itu disebut
Tabu).
2.3.1
Struktur Memori
Penggunaan struktur memori memiliki basis
atribut-atribut fleksibel maupun atribut-atribut kaku
yang dirancang untuk membolehkan sebuah kriteria
evaluasi dan hasil pencarian di masa lalu
dieksploitasi lebih mendalam. Kategori struktur
memori ini dapat dibagi menjadi tiga:
1. Short Term: memory ini berisi kumpulan solusi
yang baru saja dipertimbangkan. Jika sebuah
potensi solusi baru muncul, maka solusi ini
2.
3.
tidak dapat dikunjungi lagi hingga expiration
point tercapai.
Intermediate Term: aturan memory ini
dimaksudkan agar pencarian lebih terfokus
terhadap daerah yang menjanjikan dari ruang
pencarian.
Long Term: memory ini menggunakan
diversifikasi yang bertujuan untuk mendorong
pencarian ke daerah yang baru (misalnya
melakukan reset jika pencarian stuck atau
kriteria tertinggi masih belum juga terpenuhi).
2.3.2
Fungsi Evaluasi
Fungsi evaluasi, biasa disebut heuristic
evaluation function atau static evaluation function
adalah fungsi yang digunakan oleh suatu program
atau algoritma untuk memperkirakan value atau
nilai kebaikan dari solusi tertentu. Fungsi evaluasi
ini biasanya didesain untuk lebih mementingkan
kecepatan proses daripada akurasi, fungsi ini hanya
melihat pada satu posisi tertentu dan tidak melihat
atau mencari langkah lain yang memungkinkan
(static). Tujuan utama dari penggunaan fungsi
evaluasi ini adalah untuk mengurangi waktu
komputasi yang dibutuhkan untuk menyelesaikan
suatu masalah.
2.3 Google Maps API
Pada bagian ini dijelaskan beberapa hal
mengenai Google Maps API. Google Maps API
adalah fitur yang disediakan oleh Google yang
memungkinkan
para
penggunanya
untuk
menampilkan Google Maps pada halaman web atau
mengambil data tertentu dari Google Maps.
2.3.1
Directions Service
Fitur directions service ini termasuk dalam Web
Service API yang disediakan oleh Google.
Directions service ini dapat digunakan untuk
menghitung arah sesuai dengan metode transportasi
yang digunakan (driving, transit, dan lain lain)
dengan menggunakan objek DirectionService.
Objek ini berkomunikasi dengan Google Maps API
Directions Service yang menerima request arah dan
mengeluarkan hasil perhitungan.
2.3.2
Distance Matrix
Fitur Distance Matrix ini digunakan untuk
menghitung jarak dan durasi dari perjalanan antar
berbagai asal dan tujuan dengan menggunakan
mode travel tertentu. Service ini tidak
Dinamika Teknologi
έψιφ φχσι νυψωφωοσ μιψ νυιιήι Γ Β
15
DINAMIKA TEKNOLOGI April 2017 Vol. 9; No. 1; Hal. 14-21
mengembalikan hasil berupa informasi rute secara
detail tetapi hanya mengembalikan nilai jarak dan
durasi dari perjalanan.
ALGORITMA TABU SEARCH
Pada bagian ini akan dijelaskan mengenai
algoritma utama yang mendasari pembuatan
penelitian ini, yaitu algoritma Tabu Search,
penerapan algoritma Tabu Search pada
permasalahan Travelling Salesman Problem, dan
penelitian terkait tentang penerapan algoritma Tabu
Search pada penjadwalan wisata.
pengiriman koran, produksi barang, pemasangan
jaringan komunikasi, dan masalah transportasi.
Contoh kasus TSP: Seorang Salesman PT. XX
bertugas untuk mengecek ketersediaan suku cadang
pada masingmasing pos PT. XX. Salesman yang
bepergian mulai dari PT. XX (0) ke Pos Sei. Raya
(1), Pos Adisucipto (2), Pos Siantan (3), Pos Gajah
Mada (4) dan pos Kota Baru (5), kemudian
Salesman harus kembali lagi ke PT. XX. Pos-pos
tersebut harus dikunjungi tepat satu kali dengan
tujuan perjalanan meminimumkan jarak dan waktu
tempuh.
3.1 Algoritma Umum Tabu Search
Metode pencarian tabu berprinsip pada
penggunaan memori sebagai elemen esensial dalam
pencariannya, karena pencarian Tabu tidak hanya
menyimpan nilai sebuah solusi terbaik seperti
kebanyakan metode pencarian, namun juga
menyimpan informasi selama pencarian melalui
solusi terakhir yang dikunjungi. Sebuah informasi
akan digunakan sebagai petunjuk untuk bergerak
dari i ke solusi selanjutnya dalam N(i). Penggunaan
memori sebagai pembatas dalam pemilihan
beberapa subset dari N(i) dengan membatasi
pergerakan ke beberapa solusi tetangga.
Gambar 1. Ilustrasi Perjalanan Salesman
PT. XX
Gambar 1 merupakan hubungan antar pos pada
kasus PT. XX dan tabel 1 merupakan nilai jarak dan
waktu secara keseluruhan.
Tabel 1. Jarak dan Waktu Secara Keseluruhan
3.2 Komponen Tabu Search
Pada bagian ini dijelaskan mengenai beberapa
komponen dari algoritma Tabu Search. Sebelum
mempelajari cara kerja algoritma Tabu Search
untuk permasalahan lebih lanjut, ada beberapa
elemen utama yang sering digunakan dalam
algoritma Tabu Search yang terdiri dari:
1. Representasi solusi
2. Fungsi cost
3. Neighborhood (tetangga)
4. Tabu List (memori jangka pendek)
5. Aspiration criteria
6. Long term memory (memori jangka panjang)
3.3 Tracing Algoritma Tabu Search pada
Travelling Salesman Problem (TSP)
Travelling Salesman Problem merupakan salah
satu permasalahan optimasi kombinatorial yang
biasa terjadi. Permasalahan Travelling Salesman
Problem mengenai seseorang yang harus
mengunjungi semua kota tepat satu kali dan kembali
ke kota asal. Beberapa contoh penerapan Travelling
Salesman Problem yang muncul dalam kehidupan
sehari-hari, misalnya efisiensi penjadwalan
16
Langkah
yang
dilakukan
adalah
mengoptimalkan jarak tempuh dan waktu
perjalanan salesman PT. XX tersebut. Langkah
pertama yang dilakukan adalah menentukan rute
awal dan menetapkannya sebagai solusi terbaik
untuk tahap awal.
Tabel 2. Pencarian Jalur Alternatif Iterasi 1
Pertukaran
Tukar 4,1
Tukar 4,2
Tukar 4,5
Tukar 4,3
Tukar 1,2
Tukar 1,5
Tukar 1,3
Tukar 2,5
Tukar 2,3
Tukar 5,3
Dinamika Teknologi
έψιφ φχσι νυψωφωοσ μιψ νυιιήι Γ Β
Rute
Perjalanan
0-1-4-2-5-3-0
0-2-1-4-5-3-0
0-5-1-2-4-3-0
0-3-1-2-5-4-0
0-4-2-1-5-3-0
0-4-5-2-1-3-0
0-4-3-2-5-1-0
0-4-1-5-2-3-0
0-4-1-3-5-2-0
0-4-1-2-3-5-0
Jarak
Tempuh
(km)
52
41.1
44.6
41.3
46.3
41.3
48.3
49.8
49.2
41.3
Waktu
Perjalanan
(menit)
78.1
61.8
67.1
62.1
69.6
62.1
72.6
74.9
73.9
62.2
DINAMIKA TEKNOLOGI April 2017 Vol. 9; No. 1; Hal. 14-21
Pada iterasi ke-1 ini diperoleh nilai terbaik
adalah km untuk jarak tempuh dan menit untuk
waktu perjalanan yakni pada Jalur ke-2. Selanjutnya
lakukan iterasi ke 2, untuk perhitungan iterasi ke 2
sampai iterasi ke 60 juga menggunakan perhitungan
yang sama seperti iterasi 1 sesuai dengan rute yang
dilalui Salesman tersebut. Setelah dilakukan
perhitungan sebanyak 60 iterasi, maka diperoleh
jarak tempuh dan waktu perjalanan minimum pada
setiap iterasi tersebut
3.4 Penerapan Algoritma Tabu Search pada
Penjadwalan Wisata
Terdapat dua mekanisme utama dalam proses
penjadwalan wisata. Kedua hal tersebut adalah
algoritma Tabu Search dan Fungsi Evaluasi.
Seluruh proses iterasi dan pencarian solusi terbaik
serta penyimpanan memori melalui Tabu List
dilakukan oleh algoritma Tabu Search. Fungsi
evaluasi dibutuhkan untuk proses penilaian dari tiap
solusi rute yang memungkinkan.
3.4.1
Contoh Kasus Penerapan Algoritma
Tabu Search pada Penjadwalan Wisata
Contoh kasus yang digunakan sebagai uji coba
adalah sebuah kota di negara Austria, yaitu kota
Vienna. Dimana dalam kota tersebut, terdapat 40
buah POI yang dapat dikunjungi oleh para
wisatawan. Sebanyak 10 profil turis digunakan
sebagai bahan uji coba, dimana tiap turis ini
memiliki preferensi wisata yang berbeda antara satu
dengan lainnya.
Tabel 3. Parameter Data Uji Coba
Parameter
Jumlah Hari
Durasi Trip
Budget Trip
Waktu mulai Trip
Waktu selesai Trip
Bobot Satisfaction Factor
Bobot Travel Time
Waktu Eksekusi Maksimal
3.4.2
Value
2 hari
5 jam
200 euro
11:00
16:00
70%
30%
5 menit
Random solusi awal memiliki performa yang
lebih bagus jika dibandingkan dengan solusi awal
ascending maupun dengan solusi awal descending.
Secara umum, solusi yang dihasilkan dengan
menggunakan Tabu List berukuran 6 lebih baik
dengan rata-rata 0.3 poin dibandingkan dengan
solusi yang menggunakan Tabu List dengan ukuran
lain yang ada di eksperimen ini.
SISTEM PENJADWALAN WISATA
SINGAPURA
Sistem penjadwalan wisata ini dijelaskan
menjadi tiga bagian, yaitu arsitektur sistem, input
dan otput, serta langkah-langkah proses
penjadwalan wisata.
4.1 Arsitektur Sistem
Pada sistem penjadwalan wisata ini terdapat
empat komponen utama yaitu situs pengguna,
proses penjadwalan wisata, database dan directions.
Input yang digunakan dalam penyusunan jadwal
wisata ini berupa parameter wisata, sedangkan
output merupakan jadwal wisata. Pada proses
penyusunan jadwal wisata ini terdiri dari tiga
macam proses dimana ketiga proses ini
membutuhkan tabel-tabel pendukung yang
diperlukan.
Dalam
proses
pembentukan
Neighborhood diperlukan tabel shopping, tabel
entertainment, tabel culinary dan tabel preferences.
Untuk proses perhitungan dengan fungsi evaluasi
diperlukan tabel mrt, tabel driving, tabel bus serta
tabel preferences. Proses terakhir adalah pemilihan
kandidat solusi terbaik yang membandingkan nilai
kebaikan dari tiap solusi dalam suatu neighborhood.
Hasil dari Contoh Kasus Penerapan
Algoritma
Tabu
Search
pada
Penjadwalan Wisata
Cara perhitungan eksperimen ini yaitu dengan
mengambil contoh 1 instansi turis yang dijalankan
10 kali masing-masing untuk tiap solusi awal. Hasil
dari algoritma untuk tiap solusi awal yang berbeda
diambil dan dibandingkan, lalu angka maksimum
untuk 1 dari 3 solusi awal dicatat.
Gambar 2. Desain Asitektur
Berikut ini merupakan penjelasan yang lebih
rinci mengenai parameter yang diperlukan untuk
kedua proses pada penyusunan jadwal wisata:
Dinamika Teknologi
έψιφ φχσι νυψωφωοσ μιψ νυιιήι Γ Β
17
DINAMIKA TEKNOLOGI April 2017 Vol. 9; No. 1; Hal. 14-21
1.
Pembentukan Neighborhood
Pada parameter wisata yang telah diinputkan
oleh pengguna, terdapat time spent, cost, priority,
transportation, jumlah hari, jam mulai trip, jam
selesai trip dan budget trip per hari. Parameter
tersebut beserta dengan data-data POI yang ada
seperti nama dan alamat POI digunakan untuk
membentuk neighborhood. Dimana neighborhood
merupakan kumpulan solusi yang feasible.
Nantinya, proses penjadwalan wisata mencari solusi
yang paling baik dari seluruh neighborhood yang
ada.
2.
Perhitungan Fungsi Evaluasi
Fungsi Evaluasi merupakan fungsi yang
digunakan untuk mengkalkulasi atau menghitung
skor dari suatu solusi. Input yang diperlukan pada
proses ini adalah travel time atau jarak tempuh dari
seluruh POI yang ada di dalam suatu solusi, serta
satisfaction factor atau tingkat kepuasan dari solusi
tersebut. Tingkat kepuasan ini didapat dari prioritas
yang telah diatur oleh pengguna untuk tiap POI.
3.
Pemilihan Kandidat Solusi Terbaik
Dalam proses ini, seluruh solusi yang ada di
dalam neighborhood dibandingkan skornya antara
satu dengan yang lain untuk mencari kandidat solusi
terbaik dalam satu neighborhood. Input yang
dibutuhkan berupa list solusi dari neighborhood
beserta dengan skornya yang didapat dari
perhitungan fungsi evaluasi.
4.2 Input dan Output
Input dari penelitian ini adalah preferensi
pengguna terhadap berbagai elemen yang ada di
dalam jadwal wisata. Dengan adanya input
langsung dari pengguna, penelitian ini dapat
dikostumisasi oleh pengguna sedemikian rupa
hingga benar-benar memenuhi kriteria dan
preferensi yang diinginkan oleh masing-masing
pengguna.
Tabel 4. Parameter Input
Parameter
Time Spent
Cost
Priority
Transportation
Jumlah Hari
18
Keterangan
Menentukan berapa lama waktu
yang ingin dihabiskan di suatu
POI
Menentukan berapa uang yang
ingin dihabiskan di suatu POI
Menentukan prioritas suatu POI
untuk dikunjungi (low, normal,
high)
Menentukan mode transportasi
yang ingin digunakan untuk
menuju ke suatu POI (bus, mrt,
driving)
Menentukan jumlah hari
perjalanan
Parameter
Jam Mulai Trip
Jam Selesai Trip
Budget per Hari
Keterangan
Menentukan jam mulai
perjalanan per hari
Menentukan jam selesai
perjalanan per hari
Menentukan batas budget untuk
trip per hari
4.3 Inisialisasi Data
Data-data yang harus diinisialisasi sebelum
proses utama dijalankan adalah data-data yang
tersimpan di dalam database. Data ini berupa
elemen-elemen dari seluruh POI yang ada serta
parameter yang telah dimasukkan oleh pengguna.
Jenis POI dibagi menjadi tiga kategori, yaitu
shopping, culinary dan entertainment. POI
dikategorikan sebagai shopping jika tempat tersebut
merupakan pusat perbelanjaan, lalu POI
dikategorikan sebagai culinary jika tempat tersebut
merupakan tempat yang hanya menyediakan tempat
makan. Terakhir, POI dikategorikan sebagai
entertainment jika tempat tersebut merupakan
tempat yang memiliki wahana, atraksi atau
pemandangan sebagai sarana rekreasi.
4.4 Penambahan Neighborhood
Neighborhood ini digunakan untuk membuat
seluruh kemungkinan solusi yang layak. Penelitian
ini menggunakan 10 neighborhood dan tiap
neighborhood memiliki 100 kemungkinan solusi.
Terdapat banyak constraint pada pembuatan
neighborhood ini untuk memastikan bahwa tiap
solusi yang ada di dalam neighborhood merupakan
solusi yang feasible dan sesuai dengan preferensi
dari pengguna. Di dalam pembuatan neighborhood
ini juga terdapat rotasi yang berfungsi untuk
memastikan bahwa seluruh kemungkinan POI telah
dilewati.
4.5 Fungsi Evaluasi
Untuk menghitung skor dari suatu solusi maka
digunakan Fungsi Evaluasi. Fungsi ini memiliki dua
koefisien bobot, yaitu koefisien kepuasan
(satisfaction factor) dan koefisien waktu (travel
time).
Rumus pertama yaitu satisfaction factor, rumus
ini dinormalisasi dan memiliki tiga input. Yang
Dinamika Teknologi
έψιφ φχσι νυψωφωοσ μιψ νυιιήι Γ Β
DINAMIKA TEKNOLOGI April 2017 Vol. 9; No. 1; Hal. 14-21
pertama adalah MNP yaitu jumlah maksimal POI
yang ingin diraih per hari, berikutnya adalah SDT
yaitu durasi standard dari trip wisata pada
umumnya. Lalu yang terakhir adalah TDWB yaitu
durasi trip dari jam mulai hingga jam selesai. Untuk
nilai total satisfaction factor, diambil dari tingkat
prioritas tiap POI dan ditotal sejumlah total POI
yang ada dalam suatu solusi.
dimana:
Rumus kedua adalah rumus untuk menghitung
travel time. Rumus ini juga dinormalisasi seperti
satisfaction factor. Parameter yang dimasukkan
adalah travel time atau total waktu tempuh dari
seluruh POI yang ada dalam suatu solusi serta
TDWB yang merupakan durasi trip dari jam mulai
hingga jam selesai.
Fungsi evaluasi ini digunakan untuk menghitung
skor tiap kandidat solusi yang ada di dalam suatu
neighborhood. Fungsi ini mengembalikan nilai
berupa skor, sesuai dengan solusi POI yang
dikirimkan. Skor ini dipakai di dalam algoritma
Tabu Search untuk mencari solusi terbaik dengan
skor yang paling tinggi. Tujuan utama dari fungsi
evaluasi ini adalah mencari solusi yang memiliki
tingkat kepuasan tertinggi dan waktu tempuh yang
seminimal mungkin.
5.1 Uji Coba Skenario Penjadwalan
Uji coba ini dilakukan dengan menjalankan
contoh skenario yang masing-masing parameter tiap
POI telah dikustomisasi. Pada kategori shopping,
dipilih lima POI, pada kategori kuliner, dipilih enam
POI dan pada kategori entertainment, dipilih empat
POI yang masing-masing parameternya telah
dirubah-ubah secara acak.
Jumlah hari yang dicontohkan adalah tiga hari,
dengan jam mulai serta jam selesai untuk tiap hari
adalah jam 10.00 hingga jam 18.00 (total delapan
jam). Terakhir, budget tiap hari adalah 300.
Gambar 3. Hasil Uji COba Skenario
Dapat dilihat pada jadwal wisata diatas, trip tiap
hari tidak mungkin melebihi jam 18.00 dan budget
tidak mungkin melebihi 300, sesuai dengan
parameter yang dimasukkan. Cost tiap POI juga
sesuai dengan yang dimasukkan di awal, serta
directions yang ditampilkan juga sesuai dengan
preferensi transportasi tiap POI.
Penelitian ini menghasilkan jadwal perjalanan
wisata berikut dengan directions yang sesuai dengan
POI yang dipilih beserta parameter-parameter yang
dimasukkan. Untuk menguji apakah jadwal
perjalanan wisata ini relevan atau masuk akal, maka
perlu dilakukan ujicoba dengan Google Maps.
UJI COBA
Tahapan uji coba dalam penelitian ini dibagi
menjadi dua bagian, yaitu diuji coba dengan contoh
skenario untuk mengetahui bagaimana hasil dari
contoh kasus yang diberikan. Serta, diuji cobakan
pada beberapa golongan masyarakat dan mereka
diberi kuisioner untuk menilai efisiensi penelitian
ini.
Gambar 4. Rute Hari Pertama
Hari pertama ini dimulai dengan Singapore
Flyer, lalu menuju ke The Shoppes at Marina Bay
Dinamika Teknologi
έψιφ φχσι νυψωφωοσ μιψ νυιιήι Γ Β
19
DINAMIKA TEKNOLOGI April 2017 Vol. 9; No. 1; Hal. 14-21
Sands. Berikutnya adalah Suntec City Mall,
Yoogane Singapore Korean dan Bugis Junction.
Dapat dilihat rute memutar, kenapa tidak ke The
Shoppes dahulu baru ke Singapore Flyer?
Jawabannya adalah, di The Shoppes
menyediakan tempat makan, sedangkan Singapore
Flyer tidak. Sehingga lebih masuk akal ke
Singapore Flyer, lalu siangnya pergi ke The
Shoppes karena disana bersamaan dengan jam
makan siang. Jika rute diawali ke The Shoppes, lalu
baru ke Singapore Flyer maka di Singapore Flyer
sudah masuk jam makan siang dan di tempat
tersebut tidak tersedia tempat makan. Hal ini juga
diperhitungkan dan ada di dalam algoritma.
Gambar 5. Rute Hari Kedua
Rute hari kedua ini meliputi Universal Studios
Singapore dan Madame Tussauds yang sama-sama
berada dalam satu area, yaitu Sentosa Island.
5.2 Uji Coba Kelayakan dengan Kuisioner
Isi kuisioner ini berkaitan dengan seberapa
bergunanya penelitian penjadwalan wisata ini untuk
membantu pengguna dalam menyusun jadwal
wisata singapura, tingkat kepuasan dari hasil wisata
yang dihasilkan, dan lain-lain yang nantinya
dijelaskan satu persatu. Kuisioner ini diisi oleh 30
responden dengan berbagai umur mulai dari remaja
hingga dewasa dan semua responden telah
mengunjungi negara Singapura.
Tabel 5. Hasil Uji Coba dengan Kuisioner
Pertanyaan
Seberapa
bagus desain
tampilan dari
penelitian ini?
Seberapa baik
tingkat
kemudahan
menggunakan
penelitian ini?
Seberapa cepat
kemampuan
penelitian
dalam
membuat
jadwal wisata?
Seberapa
tinggi tingkat
kegunaan
penelitian ini?
Sangat
Baik
53.3%
Baik
Cukup
Kurang
40%
6.7%
-
Sangat
Kurang
-
6.7%
33.3%
46.7%
6.7%
6.7%
80%
13.3%
6.7%
-
-
40%
46.7%
13.3%
-
-
Berikutnya dijelaskan hasil kuisioner tentang
tingkat kepuasan dari para responden dari jadwal
wisata singapura yang dihasilkan, serta pendapat
responden mengenai rute jadwal wisata yang dibuat.
Tingkat kepuasan responden dapat dilihat pada
Gambar 7.
Gambar 6. Rute Hari Ketiga
Rute hari ketiga ini dimulai dari VivoCity
menuju ke Singapore Seafood Republic. Rute yang
dihasilkan terlihat sudah sesuai dan tidak berputarputar. Trip dimulai dari jam 10.00, dimulai dari
VivoCity dan ke Singapore Seafood Republic,
setelah itu baru keluar lagi menuju Standing Sushi
Bar, kemudian menuju ke Wing Seong Fatty’S,
Monster Curry dan terakhir tiba di Paragon
Shopping Centre.
20
Gambar 7. Tingkat Kepuasan Responden
Jika di rata-rata, maka tingkat kepuasan
responden adalah 74%. Dengan nilai kepuasan ratarata 74%, maka penelitian ini sudah cukup baik
dalam memuaskan keinginan para pengguna.
Berikutnya adalah pendapat responden mengenai
rute jadwal wisata singapura yang dibuat. Hasil dari
tiap responden dapat dilihat pada Gambar 8.
Dinamika Teknologi
έψιφ φχσι νυψωφωοσ μιψ νυιιήι Γ Β
DINAMIKA TEKNOLOGI April 2017 Vol. 9; No. 1; Hal. 14-21
membuat rute jadwal wisata singapura menjadi
memutar.
6. Dikarenakan keterbatasan policy yang
diberikan oleh Google Maps API, maka
directions secara detail (termasuk nomor bus,
tempat ganti stasiun) hanya dapat ditampilkan
melalui internet dan datanya tidak dapat
diambil.
Gambar 8. Pendapat Responden Tentang Rute
Jadwal Wisata
Dari hasil diatas, sebanyak 53% responden
menyatakan sangat baik yang berarti rute jadwal
wisata yang dihasilkan searah dan tidak berputarputar. Lalu ada sebanyak 47% responden
menyatakan baik, yaitu rute searah namun masih
ada yang berjauhan / berputar-putar. Dan tidak ada
responden sama sekali yang menyatakan
menyimpang. Dari hasil ini, dapat disimpulkan
bahwa rute perjalanan wisata singapura yang
dihasilkan penelitian ini sudah sangat bagus.
KESIMPULAN
Selama proses penelitian dan proses uji coba,
didapatkan beberapa kesimpulan penting yang
penulis dapatkan. Beberapa kesimpulan tersebut
antara lain adalah:
1. Masih banyak permasalahan penjadwalan
umum dan cukup kompleks yang dapat
dipecahkan dengan menerapkan sistem
pemecahan masalah dengan algoritma Tabu
Search.
2. Algoritma Tabu Search mudah untuk
dimodifikasi ke dalam berbagai macam masalah
dan cocok digunakan untuk mempercepat
proses pencarian solusi tanpa mengurangi
kualitas hasil secara signifikan.
3. Menyusun jadwal perjalanan wisata dengan
penelitian ini dapat menjadi salah satu pilihan
baru bagi masyarakat, karena pada zaman ini
pilihan masyarakat untuk berwisata hanya
membeli paket travel yang tidak dapat
dimodifikasi atau membuat jadwal wisata
sendiri yang memakan banyak waktu dan
tenaga.
4. Banyak variasi yang dapat diciptakan oleh
algoritma Tabu Search untuk aplikasinya dalam
penyusunan rencana perjalanan wisata
singapura.
5. Pengaruh dari mode transportasi bus dan mrt
yang harus transit di stasiun tertentu, kadang
DAFTAR PUSTAKA
1. F. Glover. 1990. Tabu Search: A Tutorial Center
for Applied Artificial Intelligence. University of
Colorado. The Institute of Management
Sciences.
2. D. Togatorop. 2014. Perancangan Aplikasi
Pencarian Jalur Terpendek dengan Algoritma
Tabu Search. Teknik Informatika STMIK Budi
Darma Medan.
3. Fatmawati, Prihandono dan Noviani, E. 2015.
Penyelesaian Travelling Salesman Problem
dengan Metode Tabu Search. FMIPA UNTAN.
4. K. Sylejmani dan A. Dika. 2011. Solving
Touristic Trip Planning Problem by using Taboo
Search Approach. Department of Computer
Engineering, Faculty of Electrical and Computer
Engineering, University of Prishtina.
Dinamika Teknologi
έψιφ φχσι νυψωφωοσ μιψ νυιιήι Γ Β
21