PERBANDINGAN ALGORITMA GENETIKA DAN HILL CLIMBING UNTUK PEMETAAN OPTIMASI LINTASAN TERPENDEK

Abstract

Traveling Salesman Problem (TSP) merupakan optimasi dalam menemukan lintasan terpendek untuk mencapai beberapa kota tujuan dalam sekali perjalanan tanpa melewati kota yang sama dan kembali lagi ke kota awal keberangkatan, proses ini diterapkan pada sistem pengiriman barang. Perbandingan ini dilakukan dengan menggunakan 2 metode optimasi yaitu algoritma genetika dan hill climbing. Hill Climbing bekerja dengan cara memilih secara langsung lintasan baru yang ditukarkan dengan neighbor untuk untuk mendapatkan jarak lintasan lebih kecil dari lintasan sebelumnya, tanpa melakukan pengujian. Algoritma genetika bergantung kepada parameter input yaitu jumlah populasi, probabilitas crossover, probabilitas mutasi dan jumlah generasi. Untuk mempermudah proses penentuan lintasan terpendek didukung dengan pembangunan perangkat lunak yang menggunakan google map API. Pengujian dilakukan sebanyak 20 kali dengan jumlah kota 8, 16, 24 dan 32 untuk melihat metode mana yang lebih optimal dari segi jarak dan waktu komputasinya. Berdasarkan percobaan yang dilakukan dengan jumlah kota 3, 4, 5 dan 6 menghasil nilai jarak yang sama dan optimal untuk algoritma genetika dan hill climbing, nilai jarak ini mulai berbeda dengan jumlah kota 7. Hasil keseluruhan pengujian tersebut hill climbing lebih optimal untuk jumlah kota yang kecil dan jumlah kota diatas 30 lebih optimal menggunakan algoritma genetika. Kata kunci : Algoritma genetika, Hill climbing, Optimasi, TSP Traveling Salesman Problem (TSP) is an optimization in finding the shortest path to reach multiple destinations in one trip without passing through the same city and back to the initial city of departure, this process is applied to the goods delivery system. This comparison is done by using 2 methods of optimization that is genetic algorithm and hill climbing. Hill climbing works by choosing directly the new paths exchanged with the neighbor to get the track distance smaller than the previous trajectory, without testing. Genetic algorithms depend on the input parameters of population, crossover probability, mutation probability and number of generations. To simplify the process of determining the shortest path is supported by the development of software using google map API. The test is conducted 10 times with the number of cities 8, 16, 24 and 32 to see which method is more optimal in terms of distance and computation time. From the test results hill climbing is more optimal for the number of small towns and the number of cities above 30 more optimal using genetic algorithm. Keyword : Genetic Algorithm, Hill climbing, Optimization, TSP