1 bab i pendahuluan

1 BAB I
PENDAHULUAN
1.1. Latar Belakang
Salah satu permasalahan dalam bidang transportasi darat adalah mencari
suatu rute perjalanan terpendek yang dapat di tempuh dari titik awal
(keberangkatan) menuju titik akhir (tujuan), dengan harapan biaya perjalanan yang
dikeluarkan dan waktu tempuh perjalanan seminimum mungkin. Masalah seperti
ini dikategorikan dalam suatu permasalahan kombinatorial yang lebih dikenal
dengan Traveling Salesman Problem (TSP) [1]. TSP merupakan kasus seorang
salesman yang harus mengunjungi seluruh lokasi yang ada, dengan aturan lokasi
yang dikunjungi tersebut tepat satu kali dan akhirnya kembali ke kota asalnya.
Dalam menempuh seluruh lokasi yang ada, akan terdapat banyak kemungkinan rute
perjalanan. Kemungkinan rute perjalanan tersebut dinamakan tour dan dari tour ada
kemungkinan ada yang merupakan solusi optimum. Solusi optimum dari
permasalahan TSP adalah rute yang memiliki total jarak lintasan terpendek
(shortest path). Dalam kasus TSP terdapat beberapa faktor penting yang dapat
mempengaruhi optimasi suatu tour. Faktor-faktor tersebut dapat berupa jarak antar
kota, biaya (cost), waktu (time) dan lain-lain. Semakin banyak lokasi yang harus
dilalui, semakin besar juga nilai (value) dan waktu yang harus diterima.[2].
Terdapat beberapa pendekatan yang dapat digunakan dalam mencari solusi
optimum dalam menjawab masalah TSP, diantaranya Algoritme Genetika,
Pendekatan Secara Stokastik, Neural Network dan Pemograman Linier [1].
Algoritme Genetika adalah algoritme optimasi modern berdasarkan evolusi
biologis, yang meminjam hukum evolusi biologis yaitu untuk mencapai
kelangsungan hidup yang paling cocok melalui pembiakan, warisan, diferensiasi
dan persaingan, untuk mendekati solusi optimal secara bertahap. Algoritme
Genetika adalah salah satu algoritme matang untuk memecahkan masalah
Nondeterministic Polynomial (NP) saat ini, yang memiliki aplikasi luas dalam teori
optimasi yang modern[3]. Algoritme ini memanfaatkan proses seleksi alamiah yang
1
dikenal dengan proses evolusi. Dalam proses evolusi, individu secara terusmenerus mengalami perubahan gen untuk menyesuaikan dengan lingkungan
hidupnya, “Hanya individu-individu yang kuat yang mampu bertahan”. Proses
seleksi alamiah ini melibatkan perubahan gen yang terjadi pada individu melalui
proses perkembangbiakan. Proses perkembangbiakan ini didasarkan pada analogi
struktur genetik dan perilaku kromosom dalam populasi individu[4].
Algoritme Genetika merupakan salah satu metode efektif untuk
menyelesaikan Traveling Salesman Problem. Dalam prosesnya, Algoritme
Genetika menghasilkan biaya evaluasi yang cukup besar. Biaya evaluasi yang
dimaksudkan adalah proses komputasi yang lama. Proses komputasi yang lama
disebabkan oleh proses iterasi yang panjang dan tahap-tahap pada algoritme
genetika dalam mencari solusi optimal.
Ada
beberapa
teknik
dalam
menyelesaikan
permasalahan
dalam
penyelesaian proses komputasi yang lama, salah satunya adalah komputasi paralel.
Pada umumnya komputasi paralel dijalankan dengan memanfaatkan beberapa
komputer yang terhubung secara jaringan. Seiring dengan perkembangan dunia
teknologi, komputasi paralel dapat dilakukan pada Graphic Processing Unit
(GPU).
Perkembangan
teknologi
Graphic
Processing
Unit
(GPU)
telah
memungkinkan GPU mengerjakan proses kalkulasi yang tidak hanya untuk
menangani komputasi grafis yang berhubungan dengan visual, namun juga
komputasi secara umum yang dikenal dengan istilah General Purpose Graphic
Processing Unit (GPGPU). Seperti halnya sistem komputasi paralel lainnya,
GPGPU juga termasuk dalam kategori High Performance Computing (HPC)
dengan beberapa keuntungan tambahan yaitu, hardware GPGPU relatif lebih
murah, mudah didapatkan di pasaran dan mudah dalam implementasinya. Sebagian
besar produk GPU yang digunakan dalam Personal Computer (PC) saat ini telah
mendukung fitur GPGPU, sehingga pengguna PC pun dapat memanfaatkan
GPGPU sebagai platform HPC tanpa harus memiliki supercomputer yang relatif
mahal dan rumit dalam implementasinya.
2
Dengan arsitektur multi core, GPU dapat diprogram untuk melakukan proses
komputasi secara paralel dengan arsitektur Single Instruction Multiple Data
(SIMD). NVIDIA dengan arsitektur CUDA (Compute Unified Device Architecture)
telah memungkinkan pengembang memanfaatkan resource GPU dari NVIDIA
untuk melakukan proses komputasi paralel [5].
1.2. Perumusan Masalah
Perhitungan jarak lintasan terbaik dengan menggunakan Algoritme
Genetika memerlukan waktu komputasi yang lama. Untuk mengatasi waktu
komputasi yang lama dari Algoritme Genetika dapat dilakukan dengan metode
komputasi paralel. Komputasi paralel dilakukan pada GPU dengan arsitektur
CUDA. Dari permasalahan ini maka dapat dirumuskan masalah yang akan dibahas
dalam penelitian ini yaitu :
1. Waktu komputasi yang lama untuk mendapatkan jalur dengan lintasan
terpendek kasus TSP menggunakan Algoritme Genetika dengan
komputasi serial.
2. Metode implementasi paralel Algoritme Genetika pada GPU yang
mendukung teknologi CUDA yang masih terbatas dan belum detail.
1.3.
Tujuan Penelitian
Adapun tujuan utama dari penelitian ini adalah
1. Mengembangkan metode paralelisasi Algoritme Genetika pada kasus
TSP untuk mendapatkan waktu komputasi yang minimal.
2. Mengembangkan metode paralelisasi Algoritme Genetika yang
dijalankan pada GPU yang mendukung teknologi CUDA
1.4. Manfaat Penelitian
Manfaat dari penelitian ini yaitu mengurangi waktu komputasi perhitungan
jalur dengan lintasan terpendek pada kasus TSP dengan metode Algoritme Genetika
yang diparalelisasi. Paralelisasi dilakukan pada GPU sehingga menekan biaya
3
paralelisasi yang pada umumnya paralelisasi dilakukan dengan menggunakan
banyak komputer yang terhubung secara jaringan. Penelitian ini diharapkan dapat
dimanfaatkan oleh para peneliti yang berhubungan dengan paralelisasi Algoritme
Genetika.
1.5. Kontribusi Penelitian
Penelitian tentang Algoritme Genetika dan paralelisasi Algoritme Genetika
telah banyak dilakukan para peneliti. Pada bagian ini, diberikan kajian dari
beberapa penelitian sebelumnya mengenai Algoritme Genetika dan paralelisasi
Algoritme Genetika kasus TSP. Kajian dilakukan untuk memberikan informasi
mengenai perbedaan dan kebaruan antara penelitian-penelitian sebelumnya dengan
penelitian yang dilakukan pada saat ini.
Penelitian yang membahas Algoritme Genetika kasus TSP telah banyak
dilakukan yakni, penelitian yang dilakukan oleh Yu, dkk [6] dengan menguji coba
semua metode-metode pada setiap tahap Algoritme Genetika. Uji coba dilakukan
dengan mengubah-ubah kombinasi metode pada tahap Algoritme Genetika. Hasil
penelitian ini yaitu kombinasi metode terbaik dalam Algoritme Genetika kasus TSP.
Kombinasi terbaik penelitian ini yaitu untuk tahap seleksi yang terbaik yaitu metode
roulette wheel yang dikombinasikan dengan metode strategi individu terbaik untuk
bertahan hidup, tahap crossover yaitu crossover heuristic dan tahap mutasi yaitu
mutasi inversion. Penelitian yang dilakukan oleh Kusum dan Hadush [7] yaitu
melakukan rekombinasi terhadap operator mutasi. Operator mutasi yang
direkombinasi adalah inversion mutation dengan exchange mutation dan inversion
mutation dengan displacement mutation. Hasil rekombinasi operator mutasi
diujicoba dengan memasangkan pada beberapa operator crossover. Operator
crossover yang diuji coba dengan rekombinasi operator mutasi ini yaitu : order
crossover, order based crossover dan variations of order crossover (VOX) yang
dikemukakan oleh [8]. Hasil penelitian ini rekombinasi inversion mutationdisplacement mutation yang dipasangkan dengan VOX memiliki tingkat
keakuratan yang lebih baik dengan simpangan error yang kecil terhadap jarak jalur
dengan lintasan terpendek dibanding dengan rekombinasi operator mutasi inversion
4
mutation dengan exchange mutation, inversion mutation, exchange mutation, dan
insertion mutation yang dipasangkan dengan operator crossover yang meliputi :
order crossover, order based crossover dan variations of order crossover (VOX).
Penelitian yang dilakukan oleh Lai dan Shen [9] yaitu model hybrid genetic
algorithm dengan menggabungkan 2 metode algoritme dalam menyelesaikan kasus
TSP yaitu Algoritme Semut dan Algoritme Genetika. Pada penelitian ini untuk
membangkitkan populasi awal menggunakan Algoritme Semut dan mencari jalur
dengan lintasan terpendek dengan menggunakan Algoritme Genetika. Hasil
penelitian ini memberikan hasil model hybrid genetic algorithm memberikan nilai
optimum yang lebih baik dengan jumlah iterasi yang lebih sedikit dibanding dengan
model standard genetic algorithm. Penelitian yang dilakukan oleh Su, dkk [10]
yaitu mengusulkan sebuah metode baru pada operator crossover. Metode yang
diusulkan yaitu Cut-blend crossover operator. Pada metode Cut-blend crossover
operator individu dibagi dalam beberapa sub tour dan menghubungkan kembali
sub tour tersebut dengan mendeteksi jalur terpendek antar sub tour. Dalam
penelitian ini Cut-blend crossover operator dibandingkan dengan genetic edge
recombination crossover operator (ER) yang diusulkan oleh [11] dan order
crossover operator (OX) [12]. Hasil dari penelitian ini metode Cut-blend crossover
operator memiliki nilai persentase keakuratan 99 %.
Penelitian
yang
membahas
paralel
Algoritme
Genetika
dengan
memanfaatkan GPU yaitu penelitian yang dilakukan oleh Salsabil, dkk [13], dengan
memanfaatkan GPU untuk mempercepat waktu komputasi Algoritme Genetika
dalam melakukan restorasi Gambar yang blur. Untuk mempercepat komputasi,
Algoritme Genetika diparalelkan pada bagian crossover dan mutasi pada GPU.
Hasil dari penelitian ini dengan menggunakan GPU bisa meningkatkan kecepatan
komputasi 3,8 kali dibanding dengan Algoritme Genetika standar yang dikomputasi
menggunakan central proccesing unit (CPU). Penelitian yang dilakukan oleh
Fujimoto dan Tsutsui [14], yang memparalelkan operator crossover dan mutasi dari
Algoritme Genetika. Operator crossover yang digunakan adalah metode order
crossover (OX) dan operator mutasi yang digunakan adalah metode inversion. Hasil
dari penelitian ini yaitu peningkatan kecepatan komputasi 1,5 serial OX dan 43.1
5
paralel OX.
Berdasarkan beberapa penelitian yang sudah dipaparkan, telah banyak
penelitian yang membahas Algoritme Genetika untuk penyelesaian masalah TSP
dan paralel Algoritme Genetika dengan menggunakan GPU berbasi CUDA. Pada
penelitian sebelumnya operator crossover yang diparalelisasi menggunakan metode
order crossover (OX)[13,14]. Maka dalam penelitian ini mencoba memparalelkan
Algoritme Genetika dengan menggunakan GPU berbasis CUDA dengan operator
algoritme yang diparalelkan adalah operator crossover dan mutasi. Operator
crossover menggunakan metode heuristic crossover dan operator mutasi
menggunakan metode inversion mutation. Algoritme heuristic crossover yang
diterapkan yaitu
algoritme nearest neighbor. Dalam penelitian ini, untuk
meningkatkan keakuratan hasil penelitian, maka peneliti melakukan pengaturan
induk pada operator seleksi dan pengaturan orang tua pada proses crossover.
6