Rancang Bangun Aplikasi Penentuan Rute Terdekat Dalam Pengelolaan Penanaman Pohon Menggunakan Algoritma Genetika (Studi Kasus PT. Hasil Alam) Sudrajat Priyo Laksono Universitas Ciputra UC Town, Citraland Surabaya 60219
[email protected]
Alfon Wicaksi Universitas Ciputra UC Town, Citraland Surabaya 60219
[email protected]
ABSTRAK Penelitian ini dilakukan untuk mengembangkan program aplikasi berbasis desktop dengan menggunakan teknologi Java yang membantu pengguna dalam menentukan jarak yang terdekat pada saat proses penanaman pohon dengan cara memberikan mekanisme penentuan jalur atau rute yang muncul pada peta. Mengacu pada pengaplikasian metode Algoritma Genetika untuk menyelesaikan permasalahan Traveling Salesman Problem, aplikasi ini dapat membantu penentuan rute terdekat berupa rute penanaman pohon yang paling tepat dan efisien berdasarkan pengukuran toleransi jarak yang ditempuh. Dengan adanya aplikasi ini, dapat memudahkan pengguna pada saat proses penanaman pohon agar jarak yang ditempuh lebih efisien sehingga memberikan cost benefit dari aspek penggunaan bahan bakar dibandingkan dengan cara penanaman yang konvensional dan bisa membantu untuk proses konservasi hutan yang berkelanjutan dan lebih baik.
Kata kunci: Algoritma Genetika, Java, Traveling Salesman Problem, TSP. untuk kegiatan penanaman pohon sehingga
1. PENDAHULUAN PT. Hasil Alam adalah perusahaan
menimbulkan biaya yang besar.
yang bergerak di bidang pengolahan kayu
Penentuan rute terdekat dilakukan
dan hasil hutan di Kalimantan Timur.
dengan mengadaptasi solusi permasalahan
Sebagai
salah
bergerak
di
satu
perusahaan
yang
dari Traveling Salesman Problem (TSP)
bidang
kehutanan,
selain
dimana dihasilkan rute urutan kunjungan
melakukan penebangan hutan, tentunya PT.
dari semua titik yang akan dikunjungi tepat
Hasil
satu
Alam
juga
melakukan
program
kali.
Beberapa
mekanisme
atau
reboisasi. Kendala yang seringkali dihadapi
algoritma yang dapat digunakan sebagai
PT. Hasil Alam pada saat melakukan
alternatif untuk menghasilkan solusi dari
kegiatan reboisasi adalah belum adanya
TSP adalah algoritma heuristik, linear
sistem yang bisa membantu penentuan rute
programming
dan
algoritma
genetika. 54 | T I M
Algoritma genetika dipilih sebagai algoritma
satu kali dan mengakhiri perjalanan dengan
untuk menyelesaikan masalah TSP tersebut
kembali ke kota awal (Gutin & Punnen,
karena mampu menghasilkan beberapa calon
2007).
solusi sehingga didapatkan solusi terbaik dan juga dapat mempersingkat waktu secara signifikan dalam hal proses pengerjaannya. Algoritma genetika digunakan untuk pengembangan aplikasi dalam melakukan
Gambar 1. Ilustrasi Traveling Salesman Problem
proses mekanisme pencarian rute terpendek sehingga pengguna akan dimudahkan ketika
TSP dikenal sebagai salah satu
akan melakukan penanaman pohon pada
permasalahan optimasi klasik yang berat
daerah
ditebang
untuk dipecahkan secara konvensional. Oleh
sebelumnya. Aplikasi ini dapat digunakan
karena itu dibutuhkan sebuah metode atau
sebagai panduan dalam menentukan jarak
algoritma yang dapat diimplemetasikan ke
terdekat pada sebuah rute penanaman pohon
dalam ide permasalahan dari TSP untuk
di daerah
memberikan solusi alternatif pemecahan
hutan
sehingga
yang
telah
hutan yang pengguna
akan ditanami
bisa
mendapatkan
masalah yang lebih baik (Applegate, 2006).
efisiensi biaya reboisasi dari sudut pandang
Permasalahan utama dari TSP adalah
pemilihan rute penanaman pohon yang
meminimalkan jarak yang ditempuh oleh
optimal.
seorang salesman dalam melewati n kota dan kemudian kembali ke kota awal. Di
2. DASAR TEORI
dalam perjalanan tersebut setiap kota hanya
2.1 Traveling Salesman Problem (TSP)
akan dilalui tepat satu kali (Obitko, 1998).
TSP merupakan istilah yang muncul
Kota-kota
yang
akan
dilewati
pertama kali sekitar tahun 1931 yang
masing-masing mempunyai kordinat (x,y)
ditemukan oleh Meeril Flood dan John
sehingga jarak antar kota dapat dihitung
William. Pada problem TSP, solusi yang
dengan rumus Euclidean distance yaitu :
ingin
didapatkan
adalah
bagaimana
menentukan rute / jalur perjalanan terpendek
(1) Dimana d adalah jarak antara titik p dan q.
untuk mengunjungi semua kota dengan jalur tertentu sehingga setiap kota terlewati hanya 55 | T I M
Permasalahan optimasi TSP yaitu pencarian
lintasan
terpendek
dapat
akan mengalami kepunahan (Gen, & Cheng, 1997).
Secara
dinyatakan dengan rumus persamaan:
umum
algoritma
genetika
memiliki urutan kerja secara kronologis
Min D =
yaitu sebagai berikut (Langdon & Ricardo, (2) Dimana D adalah jarak total yang ditempuh sebagaimana telah dijelaskan pada rumus sebelumnya, N adalah jumlah kota yang dikunjungi dan dist (Ci,Ci+1) adalah jarak antara kota ke-i dan kota ke i+1 dalam suatu rute perjalanan.
2002):
1. Pembentukan populasi secara acak dari n kromosom solusi. 2. Proses
evaluasi
menggunakan
nilai
fitness. Proses evaluasi akan berhenti ketika salah satu dari tiga kondisi berikut telah terpenuhi yaitu:
a. Ditemukan suatu individu dengan
2.2 Algoritma Genetika Algoritma ditemukan oleh Amerika
Serikat
genetika seorang yang
nilai yang mendekati nilai fitness. pertama
kali
b. Proses
berkebangsaan bernama
c. Ditemukan konvergensi pada suatu kondisi
pada
peningkatan
permasalahan
mencapai
telah ditentukan.
sebuah algoritma yang dapat diaplikasikan berbagai
telah
jumlah generasi maksimum yang
John
Holland. Algoritma genetika merupakan
evolusi
optimasi
tertentu nilai
(tidak
ada
fitness
yang
dimana algoritma ini didasarkan pada proses
diharapkan dalam beberapa generasi
evolusi makhluk hidup yang mengalami
tertentu).
seleksi alamiah untuk dapat bertahan hidup.
3. Populasi yang baru akan dibentuk
Dalam proses evolusi, individu secara terus
dengan melakukan tahap-tahap berikut
menerus mengalami perubahan gen untuk
ini:
menyesuaikan diri atau beradaptasi dengan
a. Memilih 2 kromosom dari anggota
lingkungan hidupnya. Bagi yang mampu
populasi awal sebagai parent dengan
beradaptasi dengan lingkungannya maka ia
operasi seleksi.
akan memiliki peluang hidup yang lebih besar dan dapat melakukan reproduksi. Sedangkan yang tidak mampu beradaptasi 56 | T I M
b. Operasi
genetika
rekombinasi
1) Cara merepresentasikan solusi ke dalam
(crossover) dilakukan terhadap 2 kromosom sehingga
yang
telah
menghasilkan
dipilih
kromosom, dan 2) Proses operasi genetika (crossover dan
sebuah
mutasi).
kromosom baru. c. Setelah
dilakukan
rekombinasi
kemudian dilakukan operasi genetika mutasi terhadap kromosom yang baru tersebut. d. Memasukkan kromosom baru ke dalam sebuah populasi baru. 4. Mengganti
populasi
lama
akan
dapat direpresentasikan dengan dua cara yaitu,
permutation
representation
dan
random keys representation.
2.3 Java Pembuatan aplikasi ini menggunakan
dengan
populasi baru. 5. Proses
Untuk permasalahan TSP, kromosom
bahasa pemrogaman Java, dengan platform J2SE. Untuk membantu proses penyimpanan
terus
berjalan
secara
berurutan dengan mengulangi kembali mulai dari proses evaluasi pada nomor 2 hingga sebuah solusi terbaik dalam bentuk
kromosom
sesuai
dengan
telah
ditemukan
syarat-syarat
yang
data, aplikasi ini menggunakan struktur data ArrayList.
Java
memiliki
beberapa
kelebihan, selain sebagai salah satu bahasa pemrograman berbasis obyek, Java dapat berjalan pada berbagai macam platform (Sierra & Bates, 2005).
diinginkan.
Gambar 3. Java Process
Gambar 2. Urutan kerja algoritma genetika
Hal-hal yang perlu diperhatikan dalam menyusun algoritma genetika untuk TSP adalah (Obitko,1998):
2.4 Java 2D Java 2D merupakan library yang disediakan Java Swing untuk kegiatan pengolahan data secara visual. Java 2D merupakan seperangkat kelas yang dapat digunakan untuk membangun sebuah dan 57 | T I M
gambar atau grafik 2 dimensi, mulai dari
Untuk menggunakan library JGAP
pembuatan model 2D hingga pembuatan
pada sebuah aplikasi, perlu diperhatikan
animasi 2D. Java 2D biasa digunakan untuk
beberapa hal, yaitu:
membangun interaktif
sebuah seperti
program
aplikasi
pembuatan
1. Perencanaan
untuk
pembuatan
2. Mengimplementasikan
fungsi
animasi,
permainan interaktif, manipulasi gambar /
kromosom.
foto (Zang & Liang, 2007).
fitness. 3. Membuat
obyek
evolusi
terhadap
Configuration.
2.5 JDOM (Java-based Document Object
4. Melakukan
Model)
sebuah
JDOM digunakan untuk mengolah
populasi.
data dalam bentuk format XML. JDOM
JGAP
memiliki
beberapa
kelas
merupakan pengembangan dari teknologi
komponen yang memiliki fungsi yang
SAX
memiliki
berbeda-beda. JGAP juga menyediakan
keunggulan yaitu dapat melakukan editing
kelas yang bisa diimplementasikan secara
pada file XML serta dapat melakukan proses
langsung untuk membuat menemukan solusi
export / import dokumen XML pada bahasa
bagi permasalahan tertentu.
parser
dimana
JDOM
pemrograman Java (Sierra & Bates, 2005). 2.7 SDLC (Software Development Life 2.6
JGAP
(Java
Genetic
Algorithm
Cycle) Dalam perancangan dan pembuatan
Package) JGAP
merupakan
paket
aplikasi ini, digunakan pendekatan berbasis
library yang berisi komponen pemrogaman
SLDC (Software Development Life Cycle)
algoritma genetika yang tersedia dalam
berorientasi obyek. Meski banyak dari
bentuk Java framework. JGAP menyediakan
pendekatan model, SDLC memiliki tahap-
mekanisme algoritma genetika dasar yang
tahapan
dapat digunakan dengan mudah untuk
analysis, design, implementation, dan system
diaplikasikan
menyelesaikan
testing. Pada perancangan aplikasi ini
permasalahan dengan menerapkan prinsip
metode perancangan SDLC yang digunakan
evolusi
adalah model waterfall.
di
genetika
dalam untuk
sebuah
sebuah
solusi
yang
umum
yaitu:
planning,
masalah. 58 | T I M
dan JGAP. Library Java 2D berfungsi untuk membuat
tampilan
grafis
dari
rute
penanaman. Library JGAP berfungsi untuk mengolah data input dengan menggunakan algoritma genetika untuk menghasilkan solusi permasalahan berupa urutan rute terpendek. Kebutuhan dari aplikasi Tree Tracker ini dtuliskan dalam dokumen SRS (Software Requirements Specification) yang berisi spesifikasi kebutuhan teknis dari perangkat lunak,
kebutuhan
yang
3. PERANCANGAN SISTEM
perangkat lunak.
merupakan
desain
rancangan
yang
sistem
batasan-
batasan dalam desain, dan faktor-faktor lain
Gambar 4. Fase SDLC siklus Waterfall
Perancangan
non-teknis,
mempengaruhi
pengembangan
ini
digunakan
3.1 Rancangan Penelitian
dalam pembuatan program aplikasi Tree
Kegiatan penelitian pada tugas akhir ini
Tracker. Kebutuhan pengguna terhadap
memakai
aplikasi didapatkan dari hasil kegiatan
wawancara dan metode observasi. Penelitian
wawancara. Kemudian hasil wawancara
yang dipakai dengan metode wawancara
tersebut digunakan untuk membuat fitur-
adalah penelitian kualitatif sehingga hasil
fitur dari aplikasi sesuai dengan kebutuhan
yang diperoleh berupa data deskriptif yang
client.
Perancangan
desain
sistem
ini
dua
metode,
yaitu:
metode
disampaikan melalui kata-kata pada kegiatan
meliputi platform aplikasi yang digunakan,
wawancara.
desain UML, desain arsitektur sistem, desain
Penelitian dengan proses observasi adalah
GUI dan desain untuk proses pengujian.
penelitian kuantitatif sehingga hasil yang
Kebutuhan dasar dari aplikasi ini menggunakan
platform
dengan
bahasa
pemrogaman Java. Modul yang digunakan
diperoleh nantinya berupa data deskriptif yang
disampaikan
melalui
foto
dari
pengamatan secara langsung.
dalam pemrogaman yaitu library Java 2D 59 | T I M
3.1.1
Wawancara
3.1.3 Fitur Aplikasi
Metode wawancara ini dilakukan
Fitur
utama
dari
untuk memperoleh data dalam penelitian
Tracker yaitu:
dengan
1. Find Shortest Route
cara
melakukan
tanya
jawab
aplikasi
Tree
langsung dengan responden, yaitu pihak
Fitur
manajer operasional dari PT. Hasil Alam,
menentukan rute terpendek untuk proses
dengan menggunakan pedoman wawancara
penanaman
(interview guideline). Aspek yang ingin
melakukan proses penghitungan dan
diperdalam pada wawancara ini dapat
seleksi untuk penentuan rute terpendek
dikelompokkan menjadi empat bagian yaitu:
yang mengadopsi metode penyelesaian
ini
membantu
user
pohon
dalam
dengan
cara
1. Aspek permasalahan yang dihadapi.
masalah
2. Aspek
generate beberapa solusi rute yang
metode/sistem
penanaman
pada saat ini.
TSP
dengan
memungkinkan.
melakukan
Kemudian
dari
3. Aspek kebutuhan pengguna.
beberapa rute tersebut akan diseleksi
4. Aspek solusi yang ingin didapatkan.
menggunakan
teknik
Algoritma
Genetika yang menjalankan operasi 3.1.2
genetika
Observasi Metode
observasi
saat sistem
aplikasi
dilakukan
dijalankan. Sistem akan memberikan
dengan cara melakukan pengamatan secara
informasi urutan rute penanaman pohon
langsung terhadap segala sesuatu yang
yang dilalui dari satu cluster ke cluster
berkaitan
yang
dengan
ini
pada
aktivitas
penanaman
pohon oleh PT. Hasil Alam sehingga didapatkan informasi yang berguna untuk
lain
secara
kronologis
yang
disajikan dalam bentuk data visual. 2. Load Cluster Spots
pengembangan aplikasi. Kegiatan observasi
User dapat memasukkan data berisi
ini dilakukan pada waktu yang bersamaan
kandidat titik kordinat cluster-cluster
dengan kegiatan wawancara. Pada kegiatan
yang
observasi
penanaman
tersebut
juga
dilakukan
pengambilan foto sebagai salah bentuk
pengamatan
terhadap
yang dilakukan pada saat itu.
akan
dikunjungi pohon.
untuk
Titik
rute
kordinat
satu
tersebut berupa titik tengah dari tiap
proses
cluster sebagai representasi dari sebuah camp / meeting point di tengah cluster yang dijadikan tempat berkumpul para 60 | T I M
pekerja sebelum melakukan kegiatan penanaman pohon. Titik-titik cluster tersebut akan ditampilkan secara visual pada GUI dari aplikasi Tree Tracker. 3. Get Total Route Length Memberikan gambaran dan prediksi perhitungan cost benefit kepada user berdasarkan
pertimbangan
dari
perhitungan total jarak tempuh dari rute penanaman yang diberikan. 3.3 Use Case Diagram
Gambar 6. Sequence Diagram Tree Tracker
Pada bagian ini dijelaskan mengenai use case dari fitur aplikasi Tree Tracker yaitu fitur Load Data dan Generate Route Path.
3.5 Activity Diagram Activity diagram ini menjelaskan tentang proses yang terjadi mulai dari saat user melakukan load data pada interface hingga user mendapatkan data berupa urutan rute terpendek.
Gambar 5. Use Case Diagram Tree Tracker
3.4 Sequence Diagram Sequence diagram ini menjelaskan proses yang dilakukan pada saat user melakukan klik tombol “Load” dan “Start” pada aplikasi Tree Tracker. 61 | T I M
Gambar 8. Architecture Diagram Tree Tracker
3.7 Desain Antarmuka Desain tampilan antarmuka utama terdiri atas panel yang berisi peta area hutan, di dalam peta tersebut terdapat grid (garis pembagi) yang mewakili tiap cluster (petak kecil). Kemudian pada tampilan aplikasi terdapat tombol “LOAD” dan “START”. Gambar 7. Activity Diagram Tree Tracker
3.6 Desain Sistem Diagram ini menerangkan tentang struktur elemen / komponen – komponen yang diperlukan dalam pembuatan sistem dari aplikasi yang dibuat. Di dalam diagram ini juga dijelaskan tentang fungsi dari tiap komponen
dan
bagaimana
komponen-
komponen saling berhubungan satu sama lain.
Gambar 9. Desain Antarmuka Tree Tracker
62 | T I M
2) Mekanisme Rekombinasi
3.8 Desain Algoritma Genetika Perancangan
desain
algoritma
Rekombinasi yang digunakan dalam
genetika ini meliputi mekanisme proses
pembuatan
seleksi, mekanisme operator genetika yang
menggunakan greedy crossover. Proses
digunakan yaitu rekombinasi (crossover)
rekombinasi
dan
mendapatkan kromosom yang lebih baik
mutasi,
serta
mekanisme
untuk
perangkat
lunak
ini
dilakukan
untuk
penentuan kromosom optimal.
yang merepresentasikan rute optimal
1) Mekanisme Seleksi
untuk
proses
penanaman.
Proses
Kromosom yang ada di dalam proses ini
rekombinasi
dilakukan
dengan
cara
merupakan
representasi
rute
melakukan
persilangan
antara
dua
kunjungan
cluster
proses
kromosom
induk
dari
untuk
(parent)
untuk
penanaman. Kromosom berisi gen yang
menghasilkan kromosom baru yang
merepresentasikan koordinat titik tengah
berbeda (offspring).
cluster yang akan dikunjungi pada rute penanaman. Penentuan jumlah gen pada sebuah kromosom berdasarkan jumlah titik cluster yang akan dikunjungi pada rute penanaman yaitu sejumlah 9 titik. Kromosom dengan nilai fitness terbaik
Gambar 11. Mekanisme Proses Rekombinasi
3) Mekanisme Mutasi
akan berada pada posisi pertama untuk
Operator
mutasi
dilakukan
dua
perangkat
lunak
kromosom pada posisi teratas akan
swapping
mutation.
Proses
mutasi
menjadi induk (parent) untuk proses
dilakukan
apabila
pada
proses
operasi genetika crossover.
rekombinasi
operasi
genetika,
dalam ini
yang
pembuatan
menggunakan
telah
dilakukan
sebelumnya tidak dapat menemukan nilai
yang
kromosom mutasi
memenuhi yang
dimulai
syarat
dihasilkan. dengan
dari Proses
mengambil
sebuah kromosom, lalu memilih secara random dua gen anggota dari kromosom Gambar 10. Mekanisme Proses Seleksi
tersebut.
Kemudian
dilakukan 63 | T I M
pertukaran posisi (swap) pada kedua gen tersebut. Hasil yang didapatkan adalah kromosom baru dengan anggota gen yang berbeda hasil dari proses mutasi.
Gambar 12. Mekanisme Proses Mutasi
4) Mekanisme
Penentuan
Gambar 13. Modul Input
Kromosom
Optimal
4.1.2
Modul
Utama
(Penentuan
Proses penentuan kromosom optimal
Optimal Menggunakan Library JGAP)
Rute
dilakukan pada saat ditemui keadaan
Proses pada modul utama diawali
konvergensi positif yaitu penemuan
dengan menampung data dari listCordinates
sejumlah
hasil
dengan tipe data ArrayList yang ditampung
operasi genetika yang memiliki genotype
ke dalam CLUSTERARRAY Kemudian
yang nilainya seragam pada satu proses
dilakukan inisialisasi dengan memasukkan
generasi,
isi
kromosom
kemudian
offspring
dari
kondisi
dari
CLUSTERARRAY
ke
dalam
nilai
parameter yang ada untuk menghitung jarak
kromosom yang memiliki nilai genotype
dari setiap titik kordinat yang ada dengan
terkecil yang dalam hal ini yaitu nilai
menggunakan rumus penghitungan jarak.
konvergen
tersebut
diambil
total jarak tempuh rute yang minimum.
4. IMPLEMENTASI DAN PENGUJIAN 4.1 Implementasi 4.1.1 Modul Input (Pembacaan File XML) Modul
ini
digunakan
Gambar 14. Modul Utama
untuk
mengambil data dari file directory. Modul ini
menggunakan library
JDOM yang
memiliki fungsi untuk mengolah data dalam format XML. 64 | T I M
4.1.3 Modul Output (penggambaran obyek
Tabel 1. Skenario Testing Pada Fitur Load Data
Java 2D) Proses pada modul output diawali dengan mengambil semua nilai x dan y dari listCordinates2D dan menampungnya pada points dengan tipe data List<Ellipse2D> untuk dijadikan titik kordinat x dan y sebuah bentukan ellipse yang akan digambar pada panel. Untuk menggambarkan garis yang merepresentasikan rute optimal, proses yang dilakukan hampir sama dengan proses saat menggambarkan bentukan ellipse.
Gambar 16. Skenario Hasil Testing Pada Fitur Load Data
4.2.2 Scenario Testing Fitur Generate Route Path Tabel 2. Skenario Testing Pada Generate Gambar 15. Modul Output
Route Path
4.2 Pengujian 4.2.1 Scenario Testing Fitur Load Data Metode pengujian yang dipakai pada kegiatan pengujian ini adalah skenario testing yang dibuat berdasarkan fungsi fitur yang berasal dari use case.
65 | T I M
Tabel 3. Performance Testing Pada Algoritma Genetika
Gambar 17. Skenario Hasil Testing Pada Fitur Load Data
4.2.3 Performance Testing Pengujian ini dimaksudkan untuk menguji kinerja algoritma genetika yang diimplementasikan di dalam aplikasi Tree
5.1 Kesimpulan 1. Pada penelitian ini telah berhasil dibuat
memberikan sampel jumlah titik cluster
suatu aplikasi penentuan rute terdekat
yang berbeda yaitu 10, 15 dan 20 titik
untuk penanaman pohon dalam bentuk
koordinat cluster untuk sebuah kromosom
aplikasi desktop yang dikembangkan
yang merepresentasikan letak titik cluster.
pada platform Java.
Kemudian
titik
disimulasikan aplikasi
dilakukan
5. KESIMPULAN DAN SARAN
dengan
Tracker.
Pengujian
cluster
sebagai
Tree
Tracker
input
tersebut
2. Fitur-fitur yang dibuat pada aplikasi ini
dalam
sesuai dengan keinginan client yaitu PT.
dilakukan
Hasil Alam terhadap aplikasi penentuan
di
dan
pengujian sebanyak 30 kali iterasi.
rute terdekat yaitu dapat menampilkan
Jumlah kromosom pada populasi ditentukan koordinat
sesuai yang
dengan diinputkan.
jumlah
rute optimal untuk proses penanaman
titik
pohon dalam bentuk tampilan visual,
Kromosom
pengguna juga dapat melihat total jarak
optimal yang dihasilkan yaitu urutan rute kunjungan cluster dan total jarak dari rute tersebut akan dicatat dalam tabel 3.
dari simulasi rute optimal tersebut. 3. Berdasarkan hasil pengujian yang telah dilakukan, fitur-fitur yang ada pada aplikasi Tree Tracker dapat dijalankan dengan lancar. Hasil pengujian kinerja yang
dilakukan
sebanyak
30
kali
percobaan menunjukkan bahwa aplikasi 66 | T I M
mampu menghasilkan nilai total jarak
dikembangkan
yang dapat dikatakan konsisten.
fitur tambahan seperti: fitur real-time
sehingga
mempunyai
information report yang disajikan dalam
5.2 Saran selanjutnya
bentuk data file konkrit, fitur yang
disarankan untuk memperhatikan aspek-
melakukan koneksi dengan piranti GPS
aspek yang belum ada namun berkaitan
sehingga mampu memberikan panduan
langsung dengan aplikasi saat ini yaitu
rute bagi pengguna secara langsung.
aspek geografis seperti kelengkungan
3. Penulis berharap penelitian ini dapat
1. Untuk
pengembangan
bumi, perbedaan ketinggian dan jenis
dijadikan
permukaan tanah.
pengembangan aplikasi selanjutnya.
2. Disarankan
agar
aplikasi
sebagai
referensi
dalam
bisa
6. DAFTAR PUSTAKA Applegate, David (2006), The Traveling Salesman Problem: A Computational Study, Princeton University Press. Gutin, G. & Punnen (2007), The Traveling Salesman Problem and Its Variations, New York: Springer. Gen, M. & Cheng, R. (1997), Genetic Algorithms and Engineering Design, John Wiley & Son, Inc. Langdon, B. William & Poli Ricardo (2002), Foundations of Genetic Programming, New York: Springer. Obitko, Marek (1998), Introduction to Genetic Algorithm, Czech Technical University. Sierra, Kathy and Bert Bates (2005), Head First Java, California: O’Reilly. Zang, Hong & Daniel Liang (2007), Computer Graphics using Java 2D and 3D, USA: Pearson.
67 | T I M
