1. Algoritma genetika digunakan untuk mencari rute terpendek dalam jaringan komputer dengan 10 node. Rute terpendek dari node 1 ke node 10 adalah 1-2-5-8-10 dengan jarak 10 satuan, sedangkan rute terpendek dari node 1 ke node 9 adalah 1-4-6-9 dengan jarak 7 satuan. 2. Parameter algoritma genetika seperti jumlah populasi, probabilitas crossover, dan probabilitas mutasi mempengaruhi waktu komputasi.

1. 1
ANALISIS PENCARIAN RUTE TERPENDEK PADA JARINGAN KOMPUTER
DENGAN MENGGUNAKAN ALGORITMA GENETIKA
Simon Patabang1)
Teknik Elektro, Fakultas Teknik, Universitas Atma Jaya Makassar
1)
Dosen Prodi Teknik Elektro, Universitas Atma Jaya Makassar
Email : spatabang@gmail.com
Abstract
This study aims to discuss the use of genetic algorithms to search the shortest route in the
computer network. Materials testing is done with a computer network using the network model as
many as 10 nodes, namely node 1 to node 10 where the nodes are interconnected have a certain
distance. Decision-making to determine the shortest route by genetic algorithms can be done
within seconds that optimally so that the process of sending the shortest route can be fast. Thus, it
is expected that the data can be received at the point of destination in quick time.
Keywords: The shortest route, genetic algorithms, computer networks
PENDAHULUAN
A. Latar Belakang
Kecepatan pengiriman data dalam jaringan komputer dari titik sumber (pengguna) ke titik
tujuan (pengguna lain) sangat dipengaruhi oleh lintasan yang dilewati dimana paket-paket data itu
dilewatkan pada saat proses pengiriman data sedang berlangsung. Seiring dengan pertumbuhan
pengguna internet yang semakin meningkat maka lalu lintas data pun dalam jaringan komputer
atau jaringan internet semakin meningkat.
Salah satu cara mengatasi masalah kecepatan transfer data tersebut adalah dengan
menggunakan algoritma genetika untuk melakukan proses pencarian rute terpendek yang akan
dilewati oleh paket-paket data menuju titik tujuan. Algoritma genetika adalah metode yang akan
digunakan untuk mencari rute terpendek sebagai lintasan optimal yang dilewati paket-paket data
dari satu router ke router lain dalam jaringan komputer. Dengan mencari semua kemungkinan
solusi dari semua jalur yang ada dengan algoritma genetika maka pengiriman paket data pada
jaringan komputer dapat tiba dengan cepat.
TINJAUAN PUSTAKA
A. Rute Terpendek
Yang dimaksud dengan perutean (routing) adalah menentukan lintasan yang dilalui oleh paket
data dari komputer pengirim (sumber data) ke komputer penerima (tujuan data). Jaringan komputer
digambarkan seperti pada Gambar 1.

2. 2
Router 1
Router 2
Router 6
Router 3
Router 5
Router 4
(560 km, 56 kbps)
(450
km
, 30
kbps)
(350 km, 5 kbps)
(1225 km, 35 kbps)
(1040
km
, 10
kbps)
(
8
9
0
k
m
,
1
0
k
b
p
s
)
(340 km, 20 kbps)
(2275
km
, 25
kbps)
(
1
2
1
0
k
m
,
1
1
k
b
p
s
)
Gambar 1. Model Jaringan Komputer
B. Algoritma Genetika
Algoritma genetika adalah algoritma komputasi yang diinspirasi teori evolusi Darwin yang
menyatakan bahwa kelangsungan hidup suatu makhluk dipengaruhi aturan “yang kuat adalah yang
menang”. Berdasarkan ilmu Genetika, kelangsungan hidup suatu makhluk dapat dipertahankan
melalui proses reproduksi, crossover, dan mutasi. Siklus algoritma genetika digambarkan seperti
pada Gambar 2.
Gambar 2. Siklus Algoritma Genetika
METODE PENELITIAN
A. Bahan Penelitian
Sebagai bahan penelitian, digunakan model jaringan komputer seperti pada gambar 3.

3. 3
Gambar 3. Model Jaringan Untuk Pengujian Algoritma Genetika
B. Data Penelitian
Sebuah jaringan dengan n buah node, dimana node yang terhubung didefinisikan dengan 1
dan yang tidak terhubung didefinisikan dengan 0. Hubungan antar node dari node ke j dalam
model jaringan pada Gambar 3 dutunjukkan pada Tabel 1.
Tabel 1. Matriks Hubungan Node I Ke Node J
Node
j
i
1 2 3 4 5 6 7 8 9 10
1 0 1 1 1 0 0 0 0 0 0
2 0 0 0 0 1 1 1 0 0 0
3 0 0 0 0 1 1 1 0 0 0
4 0 0 0 0 1 1 1 0 0 0
5 0 0 0 0 0 0 0 1 1 0
6 0 0 0 0 0 0 0 1 1 0
7 0 0 0 0 0 0 0 1 1 0
8 0 0 0 0 0 0 0 0 0 1
9 0 0 0 0 0 0 0 0 0 1
10 0 0 0 0 0 0 0 0 0 0
Setiap node yang berhubungan memiliki jarak tertentu. Jarak antara node ditunjukan pada
Tabel 2. Node yang sama memiliki jarak 0 sedangkan node yang tidak berhubungan memiliki jarak
tak berhingga ∞.

4. 4
Tabel 2. Matriks Jarak Antar Node I Ke Node J
Node
j
i
1 2 3 4 5 6 7 8 9 10
1 0 2 4 3 ∞ ∞ ∞ ∞ ∞ ∞
2 ∞ 0 ∞ ∞ 4 4 6 ∞ ∞ ∞
3 ∞ ∞ 0 ∞ 3 2 4 ∞ ∞ ∞
4 ∞ ∞ ∞ 0 4 1 5 ∞ ∞ ∞
5 ∞ ∞ ∞ ∞ 0 ∞ ∞ 1 4 ∞
6 ∞ ∞ ∞ ∞ ∞ 0 ∞ 6 3 ∞
7 ∞ ∞ ∞ ∞ ∞ ∞ 0 3 3 ∞
8 ∞ ∞ ∞ ∞ ∞ ∞ ∞ 0 ∞ 3
9 ∞ ∞ ∞ ∞ ∞ ∞ ∞ ∞ 0 4
10 ∞ ∞ ∞ ∞ ∞ ∞ ∞ ∞ ∞ 0
Diagram rute jaringan dari node 1 ke node 10 berdasarkan data pada Tabel 2 ditunjukkan pada
Gambar 4.
Gambar 4. Diagram Rute Jaringan

5. 5
B. Prosedur Penelitian
Penelitian dilakukan dengan prosedur sebagai berikut :
1. Membuat program aplikasi berdasarkan diagram alir pada Gambar 5.
2. Pengujian program dengan menggunakan data pada tabel 2
3. Melakukan simulasi pencarian rute terpendek
Gambar 5. Flowchart Algoritma Genetika
C. Hasil dan Pembahasan
Simulasi pengujian pencarian rute terpendek dengan algoritama genetika menggunakan
model jaringan pada Gambar 4.
Simulasi I : Pencarian Rute terpendek dari Node 1 ke Node 10
Pengujian pertama dilakukan untuk mencari rute terpendek dari node 1 ke node 10. Data
masukan program seperti pada Tabel 2.

6. 6
Gambar 5. Tampilan Proses Input Data
Hasil keluaran diagram rute terpendek dari node 1 ke node 10 ditampilkan oleh program
seperti pada Gambar 6. Rute terpendek yang diperoleh yaitu rute 1-2-5-8-`10 dengan jarak 10
satuan.
Gambar 6. Rute Terpendek dari Node 1 ke Node 10

7. 7
Gambar 7. Grafik Nilai Fitness Terhadap Generasi
Hasil keluaran yang memperlihatkan hubungan nilai fetness dengan pertambahan generasi
ditampilkan oleh program seperti pada Gambar 7. Kemudian penyelesaian rute terpendek dan
waktu komputasinya ditampilkan oleh program seperti pada Gambar 8.
Gambar 8. Hasil Rute Terpendek
Simulasi II: Pencarian Rute terpendek dari Node 1 ke Node 9
Simulasi ke-2 dilakukan untuk mencari rute terpendek dari node 1 ke node 9 dengan input
data program sebagai pada Gambar 9.

8. 8
Gambar 9. Tampilan Input Data Program
Hasil keluaran diagram rute terpendek dari node 1 ke node 9 ditampilkan seperti pada
Gambar 10. Rute terpendek hasil pencarian program adalah rute 1- 4 - 6 - 9 dengan jarak 7
satuan.
Gambar 10. Rute Terpendek dari Node1 ke Node 9
Gambar 11 menggambarkan solusi optimal dengan nilai fitness terbaik pada tiap
generasinya.

9. 9
Gambar 11. Grafik Nilai fitness terhadap generasi
Pengujian Pengaruh Parameter ALgoritma Genetika terhadap waktu komputasi
1. Pengaruh Jumlah Populasi
Pengujian dilakukan dengan mencatat waktu komputasi dimana jumlah populasi berubah-
ubah pada Pc = 0,75 dan Pm = 0,25. Hasil pengujian diperolah seperti pada Tabel 3.
Tabel 3. Hasil Pengujian Pengaruh Jumlah Populasi
Jumlah
Populasi
Node 1 ke Node 10.
Total Jarak 10 Satuan
Node 1 ke Node 9
Total Jarak 7 Satuan
Nilai
Fitness
Waktu
Komputasi
(detik)
Nilai
Fitness
Waktu
Komputasi
(detik)
20 0.100 0.068606 0.144 0.068404
30 0.100 0.096610 0.144 0.092993
40 0.100 0.119650 0.144 0.118181
50 0.100 0.145972 0.144 0.140339
100 0.100 0.273033 0.144 0.267516
150 0.100 0.434147 0.144 0.407722
2. Pengaruh Probabilitas Crossover
Pengujian dilakukan pada jumlah populasi tetap yaitu 20 dan probabilitas mutasi 25%
dengan melihat pengaruhnya terhadap waktu komputasi. Hasil pengujian seperti pada Tabel 4.

10. 10
Tabel 4. Hasil Pengujian Pengaruh Probabilitas Crossover
Probabilitas
Crossover Pc
Node 1 ke Node 10.
Total Jarak 10 Satuan
Node 1 ke Node 9
Total Jarak 7 Satuan
Nilai
Fitness
Waktu
Komputasi
(detik)
Nilai
Fitness
Waktu
Komputasi
(detik)
25% 0.100 0.053083 0.144 0.037313
40% 0.100 0.058954 0.144 0.057643
55% 0.100 0.063392 0.144 0.062115
75% 0.100 0.063944 0.144 0.063521
85% 0.100 0.067010 0.144 0.066983
3. Pengaruh Probabilitas Mutasi
Pengujian dilakukan pada jumlah populasi tetap yaitu 20 dan probabilitas crossover 75%
dengan melihat pengaruhnya terhadap waktu komputasi. Hasil pengujian seperti pada Tabel 5.
Tabel 5. Pengujian Pengaruh Probabilitas Mutasi
Probabilitas
Mutasi Pm
Node 1 ke Node 10.
Total Jarak 10 Satuan
Node 1 ke Node 9
Total Jarak 7 Satuan
Nilai
Fitness
Waktu
Komputasi
(detik)
Nilai
Fitness
Waktu
Komputasi
(detik)
25% 0.100 0.066121 0.144 0.062260
40% 0.100 0.068940 0.144 0.068480
55% 0.100 0.068256 0.144 0.068251
75% 0.100 0.074571 0.144 0.072801
85% 0.100 0.079728 0.144 0.073594
D. Pembahasan Hasil
Simulasi pertama memperlihatkan pencarian rute terpendek dari node 1 ke node 10. Hasil
simulasi memperlihatkan bahwa nilai fitness pada generasi 1 hingga 7 menghasikan nilai fitness
terbesar yaitu 0,091 kemudian mulai konvergen pada generasi 7 dengan nilai 0,100 seperti
ditunjukkan pada Gambar 6. Hal ini menunjukkan bahwa nilai fitness individu yang terseleksi dan
membentuk generasi baru dengan nilai fitness terbesar mulai pada generasi ke-7 adalah merupakan
penyelesaian rute terpendek.
Kemudian simulasi ke-2 memperlihatkan hasil pencarian rute terpendek dari node 1 ke node
9. Gambar 10 memperlihat bahwa solusi rute terpendek dari node 1 ke node 9 adalah 1 – 4 – 6 – 9
dengan total jarak 7. Gambar 11 mengambarkan solusi optimal dengan nilai fitness terbaik pada
tiap generasinya. Hasil nilai fitness mulai konvergen pada generasi ke-4 yang menunjukkan solusi
optimal dengan nilai fitness 0,144.
Hasil pengujian kinerja algoritma genetika oleh parameter jumlah populasi dengan
probabilitas crossover Pc = 0,75 dan probabilitas mutasi Pm = 0,25 pada Tabel 3. Hasil tersebut
menunjukkan bahwa semakin besar jumlah populasi maka waktu pencarian rute terpendek akan
semakin lama.
Hal ini terjadi karena ukuran populasi menentukan banyaknya kombinasi rute yang ada
dalam satu populasi, semakin besar ukuran populasi maka semakin banyak pula variasi dari
kromosom atau kombinasi rute, sehingga semakin besar pula kemungkinan ditemukannya

11. 11
kromosom dengan nilai fitness terbaik. Hasil ini menunjukkan bahwa implementasi algoritma
genetika dalam dalam jumlah populasi yang semakin besar dapat memberikan hasil yang terbaik
dalam proses pencarian soludi yang optimal.
Hasil pengujian kinerja algoritma genetika oleh parameter probabilitas crossover terhadap
waktu komputasi terlihat pada Tabel 4. Hasil tersebut menunjukkan bahwa semakin besar nilai
probabilitas crossover maka waktu komputasinya semakin bertambah. Hasill ini menunjukkan
bahwa parameter Pc dapat mempengaruhi kinerja algoritma genetika. Karena semakin besar nilai
probabilitas crossover maka semakin besar pula peluang untuk membentuk kromosom baru dari
kromosom yang terseleksi, sehingga pada akhir generasi akan terbentuk kromosom dengan nilai
fitness yang terbaik.
Kemudian hasil pengujian pengaruh probabilitas mutasi terhadap kinerja algoritma
genetika ditunjukkan pada tabel 5. Hasil ini memperlihatkan bawah semakin besar nilai
probabilitas mutasi, maka waktu komputasinya juga semakin bertambah.
KESIMPULAN
Berdasarkan hasil yang diperoleh dalam penelitian ini, maka dapat diambil beberapa
kesimpulan sebagai berikut :
1. Rute terpendek dapat ditentukan dengan melakukan evaluasi fungsi fitness terhadap setiap
rute pada tiap generasi. Jika nilai fitnees dari suatu individu sudah stabil pada beberapa
generasi, maka rute atau individu tersebut merupakan solusi rute terpendek.
2. Kinerja waktu komputasi algoritma genetika dipengaruhi oleh beberapa parameter yaitu
jumlah populasi, probabilitas corossover, probabilitas mutasi. Semakin besar nilai
parameter tersebut, maka waktu komputasi semakin besar.
3. Pengambilan keputusan untuk menentukan rute terpendek oleh algoritma genetika dapat
dilakukan dalam waktu satuan detik yang seoptimal mungkin sehingga proses pengiriman
pada rute terpendek dapat berlangsung dengan cepat. Dengan demikian, maka diharapkan
data dapat diterima pada titik tujuan dalam waktu cepat.
4. Algoritma genetika dapat digunakan untuk menyelesaikan masalah rute terpendek.
DAFTAR PUSTAKA
1. Horowitz, Ellis, & Sartaj Sahni, 1978, Fundamental of Computer Algoritms, Pitman
Publishing Limited.
2. Neapolitan, Richard R., Foundations of Algorithms, D.C Heath and Company, 1996.
3. Levitin, Introduction to the Design & Analysis of Algorithms, 2003, Addison-Wesley, 2003.
4. Parsons, Thomas W., 1995, Introduction to Algorithms in Pascal, John Wiley and Sons.
5. Nagib dan W. G. Ali ,2010), Network Routing Protocol using Genetic Algorithms.
International Journal of Electrical & Computer Sciences, Vol. 10 No. 02.
6. Goldberg, D.E., 1989, Genetic Algorithms in search, Optimization and Machine Learning.
7. R. Kumar dan M. Kumar, 2010. Exploring Genetic Algorithm for Shortest Path Optimization
in Data Networks. Global, Journal of Computer Science and Technology Vol.10.
.