Dokumen tersebut membahas tentang permasalahan travelling salesman problem (TSP) yang diselesaikan menggunakan algoritma genetika. Terdapat penjelasan tentang representasi kromosom, pembangkitan populasi awal, penghitungan fitness, seleksi, perkawinan silang, mutasi, pembentukan individu baru, dan contoh hasil algoritma genetika untuk masalah TSP dengan 5 dan 20 kota.

1. Travelling Salesman Problem
(TSP)
with Genetic Algorithm
Oleh Aila Gema Safitri
NIM : 23213314
UAS Sistem Intelijen

2. Latar Belakang
Pekerjaan seorang sales yang harus melakukan
perjalanan dari satu tempat/kota ke tempat/kota lain.
Bayangkan, dalam sehari, jika sales tersebut harus
mengunjungi 20 tempat/kota. Berapa banyak waktu,
tenaga, dan biaya yang dihabiskan? Untuk itu, sebelum
melakukan perjalanan, sebaiknya dilakukan analisa rute
mana yang lebih singkat untuk ditempuh.
Jika hanya 3 kota, maka kemungkinan yg ada hanya 6
rute.Namun, bagaimana jika ada 20 kota? Berapa
banyak kemungkinan rute yang harus ia tempuh? 20! ??
Untuk itu, algoritma genetika dapat dijadikan solusi
untuk mencari kemungkinan jarak rute yang relatif
singkat.

3. Titik-titik koordinat kota yang harus dikunjungi
(ada 20 kota)

4. Flowchart Algoritma Genetika
Representasi Kromosom
Membangkitkan Populasi
Awal
Hitung Fitness
Seleksi
Perkawinan Silang
Mutasi
Individu Baru
Optimal ?
Tidak
Solusi Optimal
Ya

5. Representasi Kromosom
• Kromosom terdiri dari beberapa gen.
• Pada TSP, gen adalah sebuah kota. Jadi, kumpulan
dari kota-kota yang akan dilalui akan membentuk
sebuah rute. 1 rute mewakili 1 kromosom.
• Pada kasus 20 kota, kromosom dinyatakan dalam 21
gen, dikarenakan index awal = index akhir. Sebagai
contoh, jika 1 rute hanya menempuh 5 kota maka rute
nya : B-A-D-C-E-B ( ada 6 gen dalam 1 rute)

6. Membangkitkan Populasi Awal
Membangkitkan sejumlah
kromosom, misalkan satu
populasi terdiri dari 120
kromosom ( 5!), maka
dibangkitkan 120 kromosom
dengan 6 gen yang dibangkitkan
secara acak.
Proses ini ada pada kelas
Populasi.java
public Populasi(int
populationSize, boolean
initialise) {
rutes = new
Rute[populationSize];
if (initialise) {
for (int i = 0; i
populationSize(); i++)
{
Rute newRute = new Rute();
newRute.generateIndividual();
saveRute(i, newRute);
}
}

7. Hitung Fitness
• Nilai fitness adalah tingkat ketahanan sebuah
kromosom. Semakin tinggi fitness, semakin baik
kromosom tersebut.
• Pada TSP, utk mencari nilai fitnes, dihitung berdasarkan
bobot jarak dalam sebuah rute. Dengan fungsi fitness =
1 / (total jarak sebuah rute)
• Dimana jarak antar kota diperoleh dari menghitung
jarak dari satu kota ke kota lain dengan rumus
persamaan garis. Lihat kelas Kota.java
• Total jarak rute dihitung berdasarkan jumlah jarak antar
kota dalam satu rute. Lihat kelas Rute.java
• Semakin kecil total jarak rute, maka nilai fitness
semakin besar. Sehingga, nanti akan dipilih, nilai fitness
yang besar (mendekati ideal).
• Hitung nilai fitness ada di kelas Rute.java

8. Seleksi Kromosom tahap 1
Seleksi nilai fitness untuk memilih kromosom
kandidat yang akan di cross over.
Lihat di kelas Populasi.java dimana ada fungsi
getFittest untuk mencari kromosom-kromosom
dengan nilai fitness yang mendekati ideal.

9. Seleksi Kromosom Tahap 2
• Setelah terpilih kelompok kromosom dengan nilai
fitness yang mendekati ideal, maka dilakukan
seleksi berikutnya terhadap kromosom-kromosom
tersebut.
• Seleksi dilakukan menggunakan method
Tournament Selection.
• Yaitu diambil sekelompok kromosom secara
random, lalu dipilih satu kromosom yang memiliki
nilai fitness tertinggi untuk menjadi orang tua. Hal
ini dilakukan berulang-ulang hingga ditemukan
jumlah orang tua yang diinginkan
• Proses tournament selection dapat dilihat di kelas
GA.java.

10. Perkawinan Silang (Cross Over)
Cross-Over (Perkawinan Silang) dilakukan dengan metode Two
Point Crossover, dengan menentukan 2 posisi awal dan akhir gen
pada individu yang akan dikawinkan secara acak. Kemudian
dilakukan penukaran nilai gen induk 1 dan induk 2 dari posisi
awal sampai dengan posisi akhir untuk diperoleh anak 1 dan anak
2.
Parent 1
Child
Parent 2
B C D A E B
C B D A E C
C A B D E C
Proses cross over dapat dilihat di kelas GA.java

11. Mutasi
Mutasi dilakukan dengan cara swap mutation yakni
menggeser gen didalam kromosom child secara random,
menggunakan parameter mutation rate.
Mutasi sebaiknya jangan terlalu sering dilakukan, karena
kromosom child yang dihasilkan akan sangat berbeda dengan
parent. Mutasi dilakukan agar terjadi variasi keturunan, dengan
tujuan mencari kualitas yang lebih baik dari parent.
Child sebelum mutasi
Child setelah mutasi
Proses mutasi ada di kelas GA.java dengan menggunakan
fungsi mutate.
C B D A E C
C E D A B C

12. Membentuk Individu Baru
Anak hasil perkawinan silang dan mutasi menjadi generasi
baru untuk dilakukan proses regenerasi
Proses membentuk individu baru dapat dilihat di method
evolvePopulasi di kelas GA.java
Untuk iterasi generasi berikutnya, dilakukan looping populasi
baru untuk mencari parent berikutnya. Looping berdasarkan
hasil seleksi individu terbaik (nilai fitness terbesar) yang
dipertahankan lewat proses elitism.
Elitism semacam parameter untuk menyimpan individu
terbaik (dipertahankan), untuk kemudian menjadi nilai
pembanding di proses iterasi berikutnya.
Iterasi terus dilakukan sampai didapat child yang dianggap
paling mendekati kondisi ideal.

13. Contoh Hasil Algoritma Genetika
Untuk 5 Kota didapat rute terbaik yaitu B-A-D-C-E-B

14. Contoh Hasil Algoritma Genetika
Untuk 20 Kota didapat rute terbaik :