PERENCANAAN PERJALANAN WISATA SINGAPURA DENGAN ALGORITMA TABU SEARCH

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 Jurnal Ilmiah Teknologi dan Rekayasa, ISSN: 1907-7327


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


15


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)

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

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

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


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


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:


17


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



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


19


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.

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

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.

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 Gambar 7. Tingkat Kepuasan Responden 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

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.



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.


21

PERENCANAAN PERJALANAN WISATA SINGAPURA DENGAN ALGORITMA TABU SEARCH

Recommend Documents