Optimasi Penentuan Rute Terpendek Pengambilan Sampah Menggunakan Multi Travelling Salesman Problem

Transkripsi

1 Jural Pegembaga Tekologi Iformasi da Ilmu Komputer e-issn: X Vol. 2, No. 6, Jui 2018, hlm Optimasi Peetua Rute Terpedek Pegambila Sampah Megguaka Multi Travellig Salesma Problem Rya Mahaputra Krishada 1, Budi Darma Setiawa 2, Marji 3 Program Studi Tekik Iformatika, 1 mahaputrarya@gmail.com, 2 s.budidarma@ub.ac.id, 3 marji@ub.ac.id Abstrak Sampah merupaka suatu permasalaha ligkuga yag tidak ada hetiya da permasalaha dari sampah perlu dipikirka da ditaggulagi bersama. Meurut data tahu 2015 dari Satua Kerja Peragkat Daerah (SKPD) Kota Depasar, produksi sampah pertahu di Kota Depasar sebesar ,48 m 3. Pada tahu yag sama, volume agkuta sampah dari armada Dias Kebersiha da Pertamaa (DKP) mecapai m 3 atau terealisasi 79,73% da meujukka armada agkuta DKP kota Depasar belum bisa meyetuh target 80%. Pada peelitia ii aka meetuka rute optimal bagi beberapa kedaraa pegagkut sampah dari kator DKP meuju ke titik-titik tempat sampah da berakhir di TPA. Permasalaha tersebut merupaka permasalaha dari Multi Travellig Salesma Promblem (m-tsp) da salah satu algoritme utuk meyelesaika permasalaha m-tsp ialah dega algoritme geetika. Proses dari algoritme geetika ii megguaka represetasi permutasi, proses reproduksi crossover dega oe-cut poit, proses mutasi dega exchage mutatio, da proses seleksi dega elitism selectio. Setelah melakuka uji coba, didapatka hasil parameter yag palig optimal yaitu pada populasi dega jumlah 100, dega jumlah kedaraa pegagkut sampah sebayak 4, ilai cr=0.3, mr=0.7 da geerasi sebesar 900. Hasil dari program dega parameter tersebut meghasilka rata-rata ilai fitess terbesar yaitu Kata kuci: optimasi, peetua rute, pegambila sampah, multi travellig salesma problem, algoritme geetika Abstract Garbage is a uedig evirometal problem ad this issue eeds to be cosidered ad hadled together. Accordig to data of 2015 from the Satua Kerja Peragkat Daerah (SKPD) or Regioal Device Work Uit of Depasar, the aual garbage productio i Depasar is 1,335, m 3. I the same year, the volume of garbage trasport from the Departmet of Hygiee ad Gardeig or also kow as Dias Kebersiha da Pertamaa (DKP) reached 1,065,016 m3 or realized 79.73% ad shows the DKP trasport fleet Depasar ca ot touch the 80% target. This study will determie the optimal route for some garbage trasport vehicles from the DKP office to the dump poits ad ed up i the ladfill. This happes because of the problem from Multi Travelig Salesma Problem (m-tsp) ad oe of the algorithms to solve m-tsp problems is with geetic algorithm. The process of this geetic algorithm uses permutatio represetatio, crossover reproductio process with oe-cut poit, mutatio process with exchage mutatio, ad selectio process with elitism selectio. After coductig the experimet, the most optimal parameter is obtaied i populatio with the amout of 100, with the umber of garbage trasport vehicles as much as 4, the value of cr = 0.3, mr = 0.7 ad the geeratio of 900. The results of the program with the parameters will yield as maximum average of fitess value. Keywords: optimizatio, route determiatio, garbage collectio, multi travellig salesma problem, geetic algorithm 1. PENDAHULUAN Sampah merupaka suatu permasalaha ligkuga yag tidak ada hetiya da permasalaha dari sampah perlu dipikirka da ditaggulagi bersama. Meurut lapora tahu 2015 oleh Kemeteria Ligkuga Hidup, Fakultas Ilmu Komputer Uiversitas Brawijaya 2227

2 Jural Pegembaga Tekologi Iformasi da Ilmu Komputer 2228 permasalaha sampah pada tahu 2015, terjadi peigkata jumlah timbua sampah di Idoesia mecapai to/hari atau setara 64 juta to/tahu (Hidup, 2015). Permasalaha sampah semaki meigkat hal ii dikareaka serig dega pertambaha jumlah peduduk yag cepat, moderisasi kehidupa, meigkatya aktivitas mausia serta perkembaga ilmu da tekologi. Di Kota Depasar sediri memperkiraka produksi dari sampah ii dega megasumsika 1 orag per hari meghasilka 4 liter sampah dega total jumlah peduduk jiwa da megalami peigkata volume sampah ketika hari-hari besar seperti Galuga, Kuiga maupu Nyepi kurag lebih 60% sehigga produksi dari sampah di Kota Depasar pertahu sebesar ,48 m 3 atau ,87 to/tahu. Pada tahu yag sama, volume agkuta sampah dari armada Dias Kebersiha da Pertamaa (DKP) mecapai m 3 atau terealisasi 79,73% da meujukka armada agkuta DKP Kota Depasar belum bisa meyetuh target 80% (SKPD, 2015). Dega jumlah sampah perhari yag cukup besar da belum terpeuhiya target pegagkuta tersebut, pegemudi truk pegagkut sampah harus meetuka rute tercepat dari satu titik tempat sampah sampai ke titik tempat sampah laiya sehigga semua sampah dapat diagkut ke tempat pembuaga akhir (TPA) secepatya. Keterlambata da kesalaha dalam meetuka rute pegambila sampah tersebut atiya dapat berakibat meumpukya sampah sampai keesoka hariya. Keterlambata da kesalaha dalam meetuka rute ii juga berdampak pada waktu kerja armada DKP yag semaki lama serta biaya baha bakar kedaraa yag semaki tiggi. Oleh sebab itu, optimasi utuk meetuka rute terpedek pegambila sampah ii diperluka da diharapka dapat mempermudah tugas pegemudi truk pegagkut sampah dalam meetuka rute pegambila sampah. Utuk permasalaha yag serupa dega peetua rute ii telah bayak peelitia yag sudah dilakuka sebelumya seperti yag dilakuka oleh Hutami (2014) yag membahas tetag pecaria rute terpedek pegagkuta sampah di Kota Malag. Peelitia ii megguaka metode heuristic yaitu earest isertio da modified earest isertio megguaka savigs method. Metode savigs dalam modified earest isertio diguaka utuk peetua rute awal yag aka dilewati. Hasil dari peelitia tesebut megguaka metode modified earest isertio meghasilka rute yag lebih pedek da waktu yag lebih sigkat dibadigka earest isertio. Tapi solusi yag dihasilka earest isertio belum optimal karea ruag pecaria yag kurag luas da iterasi proses pecaria solusi haya sekali (Hutami, 2014). Selai itu, peelitia lai yag serupa juga dilakuka oleh Fitriaa Yuli (2015) yag meeliti tetag peetua rute loper kora megguaka metode m-tsp. Dari peelitia tersebut, memiliki beberapa asumsi berupa pelagga harus dikujugi tepat satu kali dari total jumlah pelagga yaitu 160 pelagga, dega total 8 sales. Dari hasil peelitia dega delapa loper kora da 160 pelagga diperoleh jarak terpedek sejauh 144,16 km pada iterasi ke-98 da dapat disimpulka bahwa hasil aka lebih baik jika semaki bayak iterasi yag diguaka (Yuli, 2015). Berdasarka sumber peelitia yag telah dijelaska tersebut, algoritme geetika dapat diguaka pada berbagai permasalaha seperti permasalaha optimasi peetua rute. Pada peelitia ii, algoritme geetika diguaka utuk dapat meyelesaika permasalaha optimasi peetua rute pegambila sampah megguaka multi travelig salesma problem (m-tsp). 2. SAMPAH Meurut World Health Orgaizatio (WHO), sampah merupaka suatu barag atau beda yag berasal dari aktivitas mausia, yag tidak lagi diguaka atau tidak disukai kemudia dibuag (Chadra, 2006). Pada Udag-Udag No. 18 Tahu 2008 tetag pegolaha sampah medefiisika bahwa sampah merupaka sisa kegiata sehari-hari mausia atau proses alam yag berbetuk padat. Berdasarka UU No. 18 Tahu 2008 tersebut, terdapat tiga ruag ligkup sampah yaitu sampah rumah tagga, sampah sejeis sampah rumah tagga, da sampah spesifik. Sampah rumah tagga merupaka sampah yag berasal dari kegiata dalam rumah tagga, tidak termasuk tija da sampah spesifik. Sampah sejeis sampah rumah tagga merupaka sampah yag berasal dari wilayah idustri, kawasa khusus da kawasa sosial serta fasilitas sosial da fasilitas umum. Sedagka sampah spesifik merupaka sampah

3 Jural Pegembaga Tekologi Iformasi da Ilmu Komputer 2229 yag megadug baha berbahaya da beracu seperti limbah da sampah yag mucul akibat becaa atau puig bogkara bagua. 3. M-TSP Peetua rute terpedek merupaka bagia dari permasalaha Travelig Salesma Problem (TSP), amu saat ii bayak istasi pemeritah atau perusahaa-perusahaa besar yag telah siap melakuka pelayaa kepada masyarakat, seperti pegambila sampah ke berbagai tempat oleh lebih dari seorag salesma. Oleh sebab itu, diperluka pedekata berupa peetua rute yag memiliki lebih dari seorag salesma yaitu Multi Travellig Salesma Problem (m-tsp). Multi Travellig Salesma Problem (m-tsp) merupaka metode yag diguaka agar mampu memilih rute jarak terpedek yag harus dilewati amu dega beberapa orag salesma yag harus megujugi beberapa lokasi satu kali da kembali ke kota awal. Pada permasalaha m- TSP, kemugkia dari solusi alteratif yag terbetuk aka semaki bayak. Solusi alteratif juga aka semaki bayak jika terdapat lebih dari seorag salesma da memiliki lokasi kujuga yag semaki bayak. Kasus m-tsp memiliki buah yag merupaka lokasi-lokasi yag harus dikujugi oleh sejumlah m salesma. m-tsp secara matematis dapat diformulasika dalam persamaa (Nurhumam & Mahmudy, 2008): Z = mi{ i=1 j=1 c ij x ij } (1) Dega kedala, i=1 x ij = 1 utuk j = 1, 2, 3,, 1 (2) j=1 x ij = 1 utuk j = 1, 2, 3,, 1 (3) i=1 x i1 = m (4) x 1j = m Keteraga: j=1 (5) x ij = 1, apabila terdapat rute perjalaa salesma dari i meuju j x ij = 0, apabila tidak terdapat rute perjalaa salesma dari i meuju j c ij, merupaka jarak dari i meuju j 4. ALGORITME GENETIKA Algoritme geetika (Geetic Algorithms, GAs) adalah turua dari algoritme evolusi (evolutioary algorithms, EAs) yag bayak diguaka da dapat megatasi berbagai permasalaha seperti optimasi, peetua rute, pejadwala, da lai-lai. Charles Darwi megemukaka bahwa algoritme geetika ialah algoritme yag megguaka proses seleksi dega cara alamiah (Suprayogi, et al., 2014). Represetasi solusi dari sebuah permasalaha pada algoritme geetika dapat digambarka dalam suatu betuk chromosome. Chromosome ii disusu dari ge-ge berupa variabel keputusa da kemudia meghasilka solusi. Nilai chromosome dapat diilai bagus dega megguaka ilai fitess pada algoritme geetika. Chromosome yag diilai palig baik diharapka aka mejadi solusi yag medekati optimum. Tahap-tahap proses dari optimasi peetua rute pegambila sampah dega m- TSP ii secara umum ditujukka pada Gambar 1: Gambar 1. Diagram Alir Algoritme Geetika 4.1. Iisialisasi Start jml_populasi, jml_ge, jml_daerah, jml_truk Iisialisasi For it i = 1 to jml_ge - 1 Crossover Mutasi Evaluasi Seleksi Iisialisasi merupaka tahapa utuk membadigka kemudia membetuk himpua solusi baru secara acak yag terdiri dari beberapa chromosome. beberapa chromosome yag telah dibetuk tersebut kemudia ditempatka dalam sebuah populasi. Pada tahap iisialisasi awal, ukura populasi (popsize) aka ditetuka terlebih dahulu. Nilai i Hasil Optimal Fiish

4 Jural Pegembaga Tekologi Iformasi da Ilmu Komputer 2230 tersebut meujukka jumlah chromosome pada setiap geerasi yag dilakuka (Mahmudy, 2015) Reproduksi Reproduksi adalah tahapa utuk medapatka idividu baru (offsprig) dari idividu yag sebelumya telah terpilih. Terdapat dua jeis operator yag dapat megembagka idividu baru yaitu tukar silag (crossover) da mutasi (mutatio). Operatoroperator tersebut atiya harus meetuka ilai yag aka diguaka dari crossover rate (Cr) da mutatio rate (Mr) utuk meetuka jumlah idividu baru yag aka terbetuk Evaluasi Evaluasi adalah tahap dasar yag terdapat pada proses seleksi. Terdapat dua hal yag dilakuka dalam melakuka evaluasi. Pertama adalah evaluasi fugsi objektif (tujua) da kedua adalah koversi fugsi objektif ke dalam fugsi fitess. Nilai fitess meyataka ilai dari kebaika solusi yag dihasilka oleh tiap idividu dalam satu populasi. Meurut Mahmudy (2015), utuk medapatka ilai fitess terdapat dua persamaa, yaitu fitess utuk maksimasi da utuk miimasi. Fitess = 100 c Keteraga: c = Total jarak (cost) 4.4. Seleksi (6) Seleksi merupaka tahapa utuk memilih idividu-idividu yag lolos dari himpua populasi da offsprig yag kemudia aka mejadi paret utuk geerasi selajutya. Pada tahap seleksi, ilai fitess diguaka utuk meetuka idividu yag lolos ke geerasi selajutya. Dalam peelitia Nugraha da Mahmudy (2015), ilai fitess yag tiggi aka memberika peluag besar terpilih mejadi iduk utuk ke geerasi selajutya (Nugraha & Mahmudy, 2015). 5. IMPLEMENTASI Atarmuka yag terdapat pada peragkat luak dalam meyelesaika permasalaha m- TSP dega studi kasus pecaria rute terpedek pegambila sampah terdiri dari dua halama, yaitu halama iput da halama output. Pada halama iput, aka ditampilka kolom yag harus diisi oleh user serta aka meampilka data matriks jarak atar lokasi pegambila sampah. Pada halama output, aka ditampilka tabel berupa tabel iisialisasi awal serta tabel hasil perhituga dari algoritme geetika Halama Iput Dalam halama iput, user aka ditampilka tabel data matriks jarak atar lokasi pegambila sampah serta user aka dimita utuk memasukka ilai data yag terdiri dari jumlah populasi, bayak geerasi, ilai crossover rate (Cr), mutatio rate (Mr), pajag kromosom yag didapat dari jumlah daerah da jumlah truk, pajag rute atau daerah pegambila sampah da jumlah truk yag diguaka utuk megagkut sampah. Tampila dari halama iput dapat dilihat pada Gambar 2. Gambar 2.Atarmuka Halama Iput 5.2. Halama Output Pada halama output, user aka ditampilka tabel iisialisasi dimaa pada tabel iisialisasi terdapat ilai dari iisialisasi awal. Selai itu, user juga dapat meampilka tabel hasil dimaa pada tabel hasil aka meampilka hasil perhituga algoritme geetika dari ilaiilai yag telah user masukka pada halama iput. Tampila halama output dari tabel iisialisasi dapat dilihat pada Gambar 3 da tampila halama output dari tabel hasil dapat dilihat pada Gambar 4.

5 Jural Pegembaga Tekologi Iformasi da Ilmu Komputer 2231 Gambar 3.Atarmuka Halama Output Iisialisasi Gambar 4.Atarmuka Halama Output Hasil 6. PENGUJIAN DAN PEMBAHASAN 6.1. Pegujia Jumlah Populasi Tujua dari pegujia jumlah populasi ii adalah agar medapatka hasil solusi terbaik dalam meetuka jalur pegambila sampah. Pegujia ii megguaka sebayak 1000 geerasi dega crossover rate (Cr) 0.4 da mutatio rate (Mr) 0.6 da aka melakuka pegujia sebayak 5 kali dega jumlah kedaraa 10. Ukura dari populasi yag dilakuka pegujia yaitu 10, 20, 30, 40, 50, 60, 70, 80, 90, 100. Hasil pegujia jumlah populasi dapat dilihat pada Gambar 5. Gambar 5. Hasil Pegujia Jumlah Populasi Berdasarka hasil dari pegujia jumlah populasi tersebut, bahwa ilai rata-rata fitess palig besar adalah yag terjadi pada populasi ke-100 dega rata-rata waktu eksekusi detik da ilai rata-rata fitess palig kecil adalah yag terjadi pada iterasi ke-10 dega rata-rata waktu eksekusi 40.4 detik. Dari hasil tersebut dapat ditarik kesimpula bahwa semaki bayak jumlah populasi maka aka meghasilka ilai rata-rata fitess yag semaki bagus. Bayakya populasi aka sagat mempegaruhi dalam pecaria solusi pada peragkat luak ii serta aka berpegaruh kepada waktu proses dari peragkat luak. Pada populasi ke-40, 70, da 90 terjadi peurua hal ii dikareaka pada proses iisialisasi awal berpegaruh utuk medapatka hasil optimasi dari peragkat luak karea pada iisialisasi awal, idividu dipilih secara acak sehigga pada saat proses tersebut ilai idividu tersebut sudah baik, maka proses pegujia aka meghasilka ilai-ilai yag sama utuk iterasi berikutya da aka mejadi kurag optimal. Selai itu, metode eletism selectio pada proses seleksi juga turut mempegaruhi karea pada metode tersebut haya idividu dega ilai fitess besar yag diberika kesempata utuk reproduksi, sedagka idividu dega ilai fitess yag redah tidak diberika kesempata. Padahal bisa saja solusi optimum diperoleh dari hasil reproduksi idividu dega ilai fitess yag kecil (Mahmudy, 2015). Berdasarka hasil pegujia tersebut, dapat ditarik kesimpula bahwa rata-rata waktu utuk mejalaka program aka semaki lama jika jumlah populasi semaki bayak. Rata-rata waktu yag dibutuhka pada saat mecapai 100 populasi adalah detik atau lebih dari 8 meit.

6 Jural Pegembaga Tekologi Iformasi da Ilmu Komputer 2232 Gambar 6. Rata-Rata Waktu Pegujia Jumlah Populasi 6.2. Pegujia Kombiasi Crossover Rate da Mutatio Rate Tujua dari pegujia kombiasi crossover rate da mutatio rate ii adalah agar medapatka hasil solusi terbaik dalam meetuka jalur pegambila sampah. Pegujia kombiasi ii megguaka ukura populasi sebayak 50, jumlah kedaraa 10 da aka mejalaka 1000 geerasi yag kemudia aka melakuka pegujia sebayak 5 kali. Hasil pegujia kombiasi ii dapat dilihat pada Gambar 7. Gambar 7. Hasil Pegujia Kombiasi Berdasarka hasil dari pegujia kombiasi tersebut, bahwa ilai rata-rata fitess palig besar adalah yag terjadi pada kombiasi crossover rate 0.3 da mutatio rate 0.7 dega rata-rata waktu eksekusi detik da ilai rata-rata fitess palig kecil adalah yag terjadi pada kombiasi crossover rate 1 da mutatio rate 0 dega rata-rata waktu eksekusi 266 detik. Dari hasil tersebut dapat ditarik kesimpula bahwa semaki tiggi ilai mutatio rate maka aka meghasilka ilai rata-rata fitess yag semaki bagus Pegujia Jumlah Kedaraa Pegagkut Sampah Pegujia ii dilakuka agar megetahui pegaruh waktu serta megetahui jumlah kedaraa yag optimal utuk megagkut sampah. Jumlah kedaraa pegagkut sampah aka diiputka dega bilaga atara 2 sampai 10. Pegujia ii megguaka ukura populasi sebayak 50 dega mejalaka pegujia sebayak 1000 geerasi da crossover rate (Cr) 0.4 da mutatio rate (Mr) 0.6 serta aka melakuka pegujia sebayak 5 kali. Jumlah kedaraa yag dilakuka pegujia yaitu 2, 4, 6, 8, 10. Hasil pegujia jumlah populasi dapat dilihat pada Gambar 8. Gambar 8. Hasil Pegujia Jumlah Kedaraa Pegagkut Sampah Berdasarka hasil dari pegujia jumlah kedaraa pegagkut sampah tersebut, bahwa ilai rata-rata fitess palig besar adalah yag terjadi pada saat jumlah kedaraa berjumlah 4 dega rata-rata waktu eksekusi 2.2 detik da ilai rata-rata fitess palig kecil adalah yag terjadi pada saat jumlah kedaraa berjumlah 10 dega rata-rata waktu eksekusi detik. Dari hasil tersebut dapat ditarik kesimpula bahwa semaki bayak jumlah kedaraa maka aka meghasilka ilai rata-rata fitess yag semaki kurag bagus karea aka meghasilka ilai cost yag semaki redah. Hal ii dikareaka ilai cost dari setiap kedaraa didapatka dari titik awal keberagkata kedaraa yaitu dari Dias Kebersiha da Pertamaa (DKP) meuju daerah-daerah yag ditetuka kemudia aka berakhir di Tempat Pembuaga Akhir (TPA) Pegujia Bayak Geerasi Pegujia terakhir adalah pegujia bayak geerasi terhadap ilai fitess. Tujua dari pegujia bayak geerasi ii adalah agar medapatka hasil solusi terbaik dalam meetuka jalur pegambila sampah. Pegujia bayak geerasi ii megguaka ukura populasi sebesar 50 da jumlah kedaraa 10. Ukura geerasi yag dilakuka pegujia yaitu 100, 200, 300, 400, 500, 600, 700, 800, 900, 1000 dega crossover rate (Cr) 0.4 da mutatio rate (Mr) 0.6 da aka

7 Jural Pegembaga Tekologi Iformasi da Ilmu Komputer 2233 melakuka pegujia sebayak 5 kali. Hasil pegujia jumlah populasi dapat dilihat pada Gambar 10. Gambar 9. Hasil Pegujia Bayak Geerasi Berdasarka hasil pegujia tersebut, dapat ditarik kesimpula bahwa jumlah geerasi tidak terlalu berdampak kepada rata-rata waktu utuk mejalaka program. Rata-rata waktu tertiggi terjadi pada saat bayak geerasi mecapai 300 geerasi yag meghasilka rata-rata waktu detik atau lebih dari 4 meit. Gambar 10. Rata-Rata Waktu Pegujia Bayak Geerasi 7. KESIMPULAN Berdasarka hasil dari peelitia da pegujia yag telah dilakuka pada peelitia ii, dapat ditarik kesimpula bahwa: 1. Algoritme geetika dapat diterapka utuk meyelesaika permasalaha Multi- Travellig Salesma Problem dalam peetua rute terpedek atar lokasi pegambila sampah di Kota Depasar dega meghasilka biaya yag miimal. Tahap-tahap algoritme geetika yag diguaka pada peelitia ii adalah represetasi kromosom yag diguaka pada tahap iisialisasi populasi awal dega permutasi, lalu pada tahap reproduksi megguaka oe-cut poit utuk proses crossover da megguaka exchage mutatio utuk proses mutasi. Tahap terakhir yaitu seleksi yag megguaka elitism selectio. 2. Pegukura dari kualitas terbaik pada peelitia yag telah dilakuka adalah dega meetuka parameter algoritme geetika agar dapat memperoleh solusi yag terbaik da optimal. Sesuai dega hasil pegujia, didapat bahwa semaki bayak jumlah populasi maka aka meghasilka ilai rata-rata fitess yag semaki bagus. Aka tetapi jaga terlalu bayak karea jika jumlah populasi terlalu bayak, dapat membuat jala program mejadi lambat. Jumlah populasi yag mecapai rata-rata ilai fitess tertiggi yaitu 100 dega ilai fitess rata-rata yaitu Utuk hasil pegujia kombiasi Cr da Mr, hasil solusi terbaik terjadi pada saat ilai Cr 0.3 da ilai Mr 0.7 dega ilai rata-rata fitess adalah Lalu hasil dari pegujia jumlah kedaraa pegagkut sampah terbaik terjadi pada saat jumlah kedaraa berjumlah 4 dega rata-rata fitess yaitu Sedagka utuk bayak geerasi, semaki bayak geerasi yag dijalaka maka aka meghasilka ilai rata-rata fitess yag semaki baik. Bayak geerasi yag mecapai rata-rata ilai fitess tertiggi yaitu pada geerasi ke-900 dega rata-rata ilai fitess yaitu Dari hasil peelitia tersebut, sara yag dapat diberika da yag mejadi pertimbaga utuk peelitia lebih lajut yaitu agar dapat meambahka beberapa parameter atau kriteria peelitia seperti volume atau kapasitas dari kedaraa pegagkut sampah da tempat pembuaga semetara, dapat meambahka waktu perjalaa atar daerah pegambila sampah, da juga dapat meambahka faktorfaktor lai seperti tigkat kemaceta jala. Selai itu, algoritme geetika juga dapat meyelesaika permasalaha multi-travellig salesma problem laiya. DAFTAR PUSTAKA Chadra, B., Pegatar Kesehata Ligkuga. Jakarta: EGC. Hidup, K. L., Kemeteria Ligkuga Hidup. [Olie] Available at: dialog-peagaa-sampahplastik/ [Diakses 2 Februari 2017]. Hutami, D. W., Implemetasi Algoritma

8 Jural Pegembaga Tekologi Iformasi da Ilmu Komputer 2234 Nearest Isertio Heuristic da Modified Nearest Isertio Heuristic pada Optimasi Rute Kedaraa Pegagkut Sampah. Program Tekologi Iformasi da Ilmu Komputer: Uiversitas Brawijaya. Jog Jek, S., Matematika Diskrit da Aplikasiya pada Ilmu Komputer. 3th peyut. Yogyakarta: ANDI Yogyakarta. Mahmudy, W. F., Algoritma Evolusi. Fakultas Ilmu Komputer: Uiversitas Brawijaya. Nugraha, D. C. A. & Mahmudy, W. F., Optimasi Vehicle Routig Problem with Time Widows Pada Distribusi Katerig Megguaka Algoritma Geetika. Semiar Nasioal Sistem Iformasi Idoesia. Nurhumam, S. D. & Mahmudy, W. F., Optimasi Multi Travellig Salesma Problem (M-TSP) pada Mobil Patroli Polisi dega Algoritma Heuristic Assigmet Fisher-Jaikumar da Algoritma A*. Kursor, Volume 4, pp SKPD, Lapora Akutabilitas Kierja Istasi Pemeritah (LAKIP), Kota Depasar: Dias Kebersiha da Pertamaa. Suprayogi, D. A., Mahmudy, W. F. & Furqo, M. T., Optimasi Rute Atar Jemput Laudry Dega Time Widows (TSPTW) Megguaka Algoritma Geetika. DORO, 3(12), pp Wirdasari, D., Teori Graph Da Implemetasiya Dalam Ilmu Komputer. Jural Saitikom, Volume 10, pp Yuli, F., Multi Travelig Salesma Problem (Mtsp) Dega Algoritma Geetika Utuk Meetuka Rute Loper Kora Di Age Surat Kabar.