Disusun Oleh: Ainiyatul Muthoharo (103224202) Perencanaan Lintasan Kendaraan dengan Menggunakan Metode Algoritma Genetika   Disusun Oleh: Ainiyatul Muthoharo (103224202)

LATAR BELAKANG Algoritma genetika adalah algoritma pencarian yang didasarkan atas mekanisme evolusi biologis. Individu yang lebih kuat (fit) akan memiliki tingkat survival dan tingkat reproduksi yang lebih tinggi jika dibandingkan dengan individu yang kurang fit. Pada implementasi program algoritma genetika dapat mencari jalan terpendek yang bebas hambatan. Pada pengujian dilakukan dengan titik acuan dan populasi yang berbeda, yang menghasilkan jarak terpendek.

TUJUAN Mencari atau menemukan jalur terpendek yang tidak melalui penghalang pada sebuah peta dari satu titik awal sampai pada titik tujuan dengan menggunakan metode algoritma genetika

KAJIAN TEORI Aplikasi AG meliputi perencanaan lintasan, pengolahan sinyal, fungsi optimisasi pada perencanaan sistem tenaga listrik. Perencanaan lintasan kendaraan dapat diterapkan menggunakan AG dengan cara menghitung serta mendapatkan sebuah lintasan pada suatu permukaan yang sebelumnya telah dibagi menjadi bagian-bagian lebih kecil. Perencanaan lintasan dengan algoritma genetika ini cocok untuk sistem bergerak dimana lokasi awal dan tujuan telah ditentukan terlebih dahulu. Pada teknik perencanaan lintasan ada beberapa kriteria dasar, seperti lintasan yang tidak berpotongan dengan benda penghalang, lintasan dengan jarak terpendek.

METODE PERCOBAAN

Penentuan ukuran populasi Penentuan ukuran kromoson Inisialisasi awal Penentuan ukuran populasi Penentuan ukuran kromoson Penentuan jumlah penghalang Penentuan posisi dan radius dari penghalang Nilai mutation rate (Pm) dan crossover rate (Pc) Penentuan ukuran peta lingkungan Penentuan titik awal dan titik tujuan

Menentukan titik yang berada pada penghalang Evaluasi Memastikan tidak ada titik acuan yang berada pada titik awal (Sp) maupun titik tujuan (Ep) Menentukan titik yang berada pada penghalang

Seleksi Nilai fitness terbaik kromosom yang memiliki jarak terpendek Mencari nilai kebugaran (fitness) Nilai fitness merupakan panjang lintasan Nilai fitness terbaik kromosom yang memiliki jarak terpendek roulette wheel selection Kromoson menempati potongan lingkaran pada roda roulette secara proporsional sesuai dengan nilai fitnessnya. Kromoson yang memiliki nilai fitness lebih besar menempati potongan lingkaran yang lebih besar.

Operator genetika Fungsi crossover Fungsi mutasi Crossover point dipilih secara acak untuk setiap generasi. Fungsi mutasi Mutasi bekerja pada bit demi bit

PEMBAHASAN Gambar 7 : generasi ke-10, 1 titik acuan, jarak = 30.4631 Hasil yang ditemukan pada iterasi ke-100 lebih baik daripada hasil pada iterasi ke-10.

Gambar 9 : generasi ke-10, 2 titik acuan, jarak = 30.0916 Hasil yang ditemukan pada iterasi ke-100 lebih baik daripada hasil pada iterasi ke-10.

Gambar 11 : generasi ke-10, 4 titik acuan, jarak = 32.5825 Hasil yang ditemukan pada iterasi ke-100 lebih baik daripada hasil pada iterasi ke-10.

KESIMPULAN Algoritma genetika memiliki kemampuan untuk melakukan pendekatan pada masalah perencanaan lintasan kendaraan. Lintasan terpendek didapat pada generasi ke-100 dengan 2 titik acuan dengan jarak 28.7062 . Hal ini menunjukkan bahwa dengan 2 titik acuan algoritma genetika telah dapat menemukan hasil paling optimum.