OPEN ACCESS
JOURNAL OF TELECOMMUNICATION.
ELECTRONICS.
AND CONTROL ENGINEERING (JTECE)
JTECE.
VOL.
NO.
PP.
JULY 2025
ISSN: 2654-8275 (ONLINE)
DOI: 10.
20895/JTECE.
V7I2.
Optimasi Pemesanan Paket Wisata Menggunakan Algoritma Genetika Berbasis Web: Studi Kasus AfsheenTour Optimization of Tour Package Booking Using Web-Based Genetic Algorithms: Case Study of AfsheenTour Sulistia1.
Suroso*,2.
Nasron3
1,2,3
Teknik Elektro.
Politeknik Negeri Sriwijaya Jl.
Srijaya Negara Bukit Besar.
Palembang.
Indonesia *,2Corresponding author: suroso@polsri.
tia75038@gmail.
com, 3nasron6819@gmail.
Received on 04-06-2025, accepted on 01-07-2025, published on 30-07-2025 Abstrak Dalam industri pariwisata, proses pemesanan paket perjalanan yang sesuai dengan kebutuhan pelanggan sering kali menemui hambatan akibat penggunaan sistem manual dan banyaknya pilihan yang tersedia.
Penelitian ini bertujuan untuk mengembangkan sistem pemesanan wisata berbasis web yang menggunakan algoritma genetika guna mengoptimalkan rekomendasi paket berdasarkan anggaran, durasi perjalanan, dan jumlah peserta.
Metode ini meniru mekanisme seleksi alam melalui tahapan inisialisasi populasi, evaluasi fitness, seleksi, crossover, dan mutasi untuk menemukan kombinasi optimal destinasi, akomodasi, dan transportasi.
Sistem diuji dengan berbagai skenario input, menunjukkan bahwa algoritma mampu menghasilkan rekomendasi dalam waktu kurang dari 5 detik dengan efisiensi anggaran tinggi dan jadwal perjalanan yang sesuai batas waktu maksimum.
Hasil penelitian menunjukkan bahwa integrasi algoritma genetika dalam sistem pemesanan berbasis web secara signifikan meningkatkan efisiensi, akurasi, dan personalisasi layanan bagi pelanggan.
Kata kunci: Algoritma Genetika.
Sistem Pemesanan.
Pariwisata.
Optimasi Abstract In the tourism industry, booking travel packages that align with customer preferences is often hindered by the limitations of manual systems and the complexity of available options.
This research aims to develop a web-based travel booking system that leverages a genetic algorithm to optimize package recommendations based on budget, travel duration, and number of participants.
The method replicates the process of natural selection through several stages: population initialization, fitness evaluation, selection, crossover, and mutation, in order to determine the most optimal combination of destinations, accommodations, and transportation.
The system was tested using various input scenarios, demonstrating that it can generate recommendations in under five seconds while maintaining high budget efficiency and itineraries that comply with daily time constraints.
The results indicate that integrating genetic algorithms into a web-based booking platform significantly enhances efficiency, accuracy, and service personalization for users.
Keywords: Genetic Algorithm.
Booking System.
Tourism.
Optimization SULISTIA, et al.
JTECE.
VOL.
NO.
PP.
JULY 2025
PENDAHULUAN
Pariwisata merupakan sektor penting dalam pengembangan ekonomi dan budaya suatu wilayah .
Aktivitas wisata tidak hanya memberikan pengalaman rekreasi bagi individu, tetapi juga menyumbang terhadap pemasukan daerah, memperkenalkan kekayaan budaya lokal, serta menciptakan lapangan kerja .
Objek wisata sebagai destinasi utama menarik perhatian pengunjung dengan menawarkan keunikan, pesona alam, sejarah, dan budaya yang beragam.
Namun, meskipun perkembangan industri pariwisata semakin pesat, sistem reservasi dan pemilihan paket wisata yang digunakan oleh banyak pelaku usaha masih bersifat konvensional.
Dalam praktiknya, pemesanan dilakukan melalui platform seperti WhatsApp dan promosi masih bergantung pada media sosial serta brosur digital .
, yang rentan terhadap kekeliruan pencatatan, kesalahan penjadwalan, dan rendahnya efisiensi promosi .
Hal ini mengakibatkan pengalaman pengguna yang kurang optimal dan menurunkan daya saing penyedia jasa wisata.
Berbagai pendekatan telah digunakan dalam pengembangan sistem rekomendasi layanan wisata, salah satunya adalah Collaborative Filtering yang bekerja berdasarkan kesamaan perilaku antar pengguna.
Dalam penelitian, metode ini digunakan untuk menyarankan paket wisata berdasarkan histori pemesanan pengguna lain .
Meskipun efektif dalam memberikan layanan personalisasi, pendekatan ini memiliki keterbatasan signifikan seperti masalah cold start, di mana sistem tidak dapat memberikan rekomendasi yang relevan untuk pengguna baru yang belum memiliki riwayat interaksi.
Seiring berkembangnya teknologi digital, sistem informasi berbasis web telah menjadi solusi efektif untuk memfasilitasi layanan reservasi secara online.
Sistem berbasis web menawarkan fleksibilitas dan aksesibilitas yang lebih luas karena dapat diakses kapan saja dan di mana saja dengan perangkat yang terhubung ke internet .
Dengan sistem ini, pelanggan tidak perlu datang langsung ke agen perjalanan, sehingga menghemat waktu dan tenaga.
Oleh karena itu, penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem pemesanan paket wisata berbasis web yang mengintegrasikan algoritma genetika sebagai metode optimasi.
Pendekatan ini memungkinkan sistem memberikan rekomendasi paket secara otomatis berdasarkan preferensi pengguna seperti anggaran, jumlah peserta, dan durasi perjalanan tanpa bergantung pada histori pemesanan.
Dengan demikian, sistem yang dikembangkan diharapkan dapat memberikan pengalaman yang lebih personal, efisien, dan relevan, sekaligus meningkatkan daya saing biro perjalanan wisata di era digital.
II.
LITERATURE REVIEW
Permasalahan utama yang muncul dalam sistem pemesanan paket wisata adalah ketidaksesuaian antara pilihan yang tersedia dan kebutuhan aktual wisatawan.
Pelanggan kerap menghadapi kendala saat memilih paket yang sesuai dengan preferensi mereka, seperti keterbatasan waktu kunjungan, budget yang sempit, dan kebutuhan jumlah peserta yang bervariasi.
AfsheenTour sendiri mengalami kesulitan dalam menghasilkan rekomendasi yang efisien karena seluruh proses dilakukan manual tanpa bantuan algoritma, yang menyebabkan penyusunan itinerary tidak optimal dan rawan ketidaksesuaian.
Hal ini menunjukkan perlunya pendekatan berbasis optimasi yang dapat menangani banyak kombinasi data dan batasan secara Sebagai alternatif, algoritma optimasi seperti algoritma genetika mulai diterapkan dalam sistem rekomendasi karena kemampuannya menemukan solusi terbaik dari berbagai kombinasi input tanpa bergantung pada histori data.
Algoritma ini bekerja berdasarkan prinsip seleksi alam dan menggunakan proses seperti inisialisasi populasi, seleksi, crossover, dan mutasi untuk mencari solusi optimal.
Berbeda dari Collaborative Filtering, algoritma ini dapat menyesuaikan pilihan berdasarkan variabel input pengguna .
seperti anggaran, durasi perjalanan, dan jumlah peserta.
Penerapan algoritma genetika telah menunjukkan hasil yang positif di berbagai bidang.
Fahmi dkk.
menggunakannya untuk menentukan jalur tercepat di Surabaya ke Jawa Timur .
, sementara Tohari dan Astuti .
mengoptimalkan rute pengiriman barang di PT.
Pos Lamongan .
Penelitian oleh Mone dan Simarmata .
menunjukkan efektivitasnya dalam penjadwalan mata kuliah tanpa bentrok .
, sedangkan Ihsani dkk.
mengembangkan aplikasi rute kurir secara efisien .
Priatna dkk.
serta Iqbal dkk.
menggunakannya untuk penjadwalan shift kerja dan kuliah dengan memperhatikan batasan-batasan kompleks .
Namun, penerapannya dalam konteks sistem pemesanan wisata berbasis web masih minim.
Penelitian ini bertujuan untuk mengisi celah tersebut dengan mengembangkan sistem rekomendasi paket wisata berbasis algoritma genetika yang adaptif terhadap preferensi pengguna dan efisien dalam proses optimasi layanan.
SULISTIA, et al.
JTECE.
VOL.
NO.
PP.
JULY 2025
RESEARCH METHOD
Tahapan Penelitian Penelitian ini dilakukan melalui beberapa tahapan utama, dimulai dari analisis kebutuhan pengguna hingga pengujian sistem berbasis algoritma genetika.
Alur kegiatan penelitian secara keseluruhan ditunjukkan pada Gambar 1 berikut.
Gambar 1.
Tahapan Penelitian Pengumpulan Data Data diperoleh melalui observasi dan wawancara langsung dengan biro perjalanan, mencakup data destinasi wisata .
okasi, biaya, dan durasi kunjunga.
, akomodasi .
iaya inap dan lokas.
, serta transportasi .
enis kendaraan, tarif per kilometer, dan kapasita.
Tabel 1.
Rekapitulasi Data Keterangan Jumlah data destinasi wisata Jumlah penginapan dan lokasinya Jumlah transportasi dan kapasitasnya Jumlah Data 20 destinasi 17 penginapan 10 transportasi Dalam Penyusunan jadwal perjalanan wisata, erdapat dua jenis batasan, yaitu batasan kaku .
ard constraint.
dan Batasan lunak .
oft constraint.
yang dijelaskan dibawah ini:
Batasan kaku .
ard constraints.
Durasi aktivitas per hari tidak boleh melebihi 600 menit.
Jumlah penumpang harus sesuai dengan kapasitas kendaraan.
Setiap tempat wisata tidak boleh muncul lebih dari satu kali dalam daftar kunjungan di setiap paket Transportasi harus tersedia untuk semua perpindahan lokasi.
Aktivitas wisata harus mencakup waktu perjalanan, durasi kunjungan, dan kembali ke hotel.
Biaya harus dihitung dan dibandingkan dengan anggaran maksimal .
Penjadwalan berbasis hari .
er har.
Setiap hari harus diawali dari hotel .
ecuali hari pertam.
Estimasi waktu perjalanan dibedakan antara luar dan dalam kota Batasan lunak .
oft constraints.
Urutan aktivitas diusahakan efisien berdasarkan jarak.
Nilai fitness juga memperhitungkan efisiensi anggaran.
SULISTIA, et al.
JTECE.
VOL.
NO.
PP.
JULY 2025
Kemungkinan mutasi untuk menjaga keberagaman solusi.
Pemilihan hotel dan kendaraan dilakukan dari data yang tersedia dan relevan, sehingga tiap iterasi bisa memiliki variasi solusi.
Perancangan Sistem Perancangan sistem ini bertujuan untuk mengoptimalkan pemesanan paket wisata dengan menggunakan algoritma genetika, sebagaimana ditunjukkan pada diagram alir.
Proses dimulai dari registrasi atau login Jika pengguna belum login, mereka akan diminta untuk memasukkan batas minimum dan maksimum anggaran serta durasi perjalanan.
Data ini kemudian menjadi input bagi algoritma genetika yang terdiri dari tahapan inisialisasi, evaluasi, seleksi, crossover, mutasi, dan iterasi untuk menghasilkan solusi Setelah proses iteratif selesai, sistem menampilkan rekomendasi paket wisata terbaik yang sesuai dengan preferensi pengguna.
Pengguna kemudian dapat melanjutkan ke tahap pembayaran dan konfirmasi pemesanan hingga proses dinyatakan selesai.
Gambar 2.
Flowchart user Berdasarkan alur tersebut, setiap input pengguna akan diproses melalui mekanisme algoritma genetika untuk menghasilkan solusi yang paling sesuai dengan preferensi perjalanan.
Implementasi Model: Algoritma Genetika Dalam penelitian ini, algoritma genetika dimanfaatkan sebagai pendekatan optimasi untuk menghasilkan rekomendasi paket wisata yang paling sesuai dengan preferensi pengguna, seperti durasi perjalanan, batasan anggaran, serta jumlah peserta.
Pendekatan ini bekerja dengan meniru mekanisme evolusi alami, di mana solusi terbaik dicapai melalui proses seleksi yang menyerupai seleksi alam .
terhadap berbagai kombinasi pilihan destinasi, penginapan, dan transportasi.
Tahapan pertama adalah membentuk populasi awal secara acak .
, yang masing-masing individu merepresentasikan alternatif paket wisata lengkap.
Setiap individu dalam populasi mencakup jadwal harian, tempat wisata yang dikunjungi, pilihan penginapan, dan jenis transportasi yang digunakan.
Setelah populasi terbentuk, dilakukan evaluasi terhadap setiap individu untuk menilai sejauh mana solusi tersebut memenuhi preferensi pengguna.
Penilaian ini dilakukan menggunakan fungsi fitness, yang SULISTIA, et al.
JTECE.
VOL.
NO.
PP.
JULY 2025
mempertimbangkan dua indikator utama: total durasi aktivitas per hari .
idak melebihi 600 meni.
dan total biaya perjalanan .
idak melebihi anggara.
Jika suatu solusi melampaui batas durasi harian atau melebihi biaya maksimal, maka akan diberikan penalti yang mengurangi nilai fitness-nya, sehingga peluangnya untuk terpilih menjadi lebih kecil.
Tahap berikutnya adalah proses seleksi, di mana individu dengan nilai fitness tertinggi dipilih untuk membentuk generasi baru .
Dua individu terbaik disilangkan melalui proses crossover untuk menghasilkan solusi baru yang menggabungkan sifat dari kedua induk .
Untuk menjaga keragaman dan menghindari kemunculan solusi yang identik, dilakukan proses mutasi secara acak, misalnya dengan mengganti urutan kunjungan atau jenis penginapan, sehingga memungkinkan sistem mengeksplorasi alternatif solusi yang lebih baik .
Rangkaian proses ini terus diulang dalam beberapa generasi.
Setiap siklus terdiri dari seleksi, crossover, dan mutasi yang menghasilkan populasi baru yang lebih unggul.
Iterasi ini dilanjutkan hingga sistem menemukan solusi dengan nilai fitness terbaik atau sampai jumlah generasi mencapai batas yang ditentukan .
Dengan cara ini, sistem mampu secara otomatis mengevaluasi berbagai kombinasi dan menghasilkan rekomendasi paket wisata yang paling efisien dari sisi waktu dan biaya, sekaligus menyesuaikan dengan kebutuhan pengguna secara individual.
Formulasi Fungsi Fitness Untuk mengevaluasi seberapa baik setiap individu memenuhi kriteria yang ditetapkan, digunakan fungsi fitness yang mempertimbangkan dua aspek utama: durasi perjalanan harian dan total biaya.
Jika suatu solusi melanggar batas waktu harian maksimum .
atau melebihi anggaran pengguna, maka diberikan penalti yang akan menurunkan nilai fitness-nya.
Rumus fungsi fitness secara umum dituliskan sebagai Ket:
yuycEycn 1 yuycEycn = nilai fitness = jumlah penalti pada individu ke-i Untuk menghitung penalti lebih rinci, digunakan dua komponen evaluasi, yaitu skor durasi dan skor biaya:
yaycnycycuyceycyc ycycaycuycyce = ( Ocycuycn=1 ycycoycuyc yccycycycaycycnycn ) Oe ycycoycuyc ycaycnycaycyca Bagian 1: Skor Durasi .
er Har.
Oe100, batas .
isalnya 600 meni.
ycIycoycuyc yaycycycaycycn = { yaycycycaycycn Oeyaycycycaycycn ,jika durasi hari keOei melebihi ycycnycoyca ycycnyccycayco yaycycycaycycn ycoycaycoycycnycoycyco Bagian 2: Skor Biaya ycIycoycuyc yaycycycaycycn = { ycNycuycycayco yaAycnycaycyca yaAycyccyciyceyc ycoycoycaycycnycoycyco > budget maksimum , jika total biaya ycycnycoyca ycycnyccycayco Dengan pendekatan ini, semakin besar pelanggaran terhadap batasan sistem, semakin tinggi nilai penalti yang dikenakan, sehingga mengurangi peluang individu tersebut untuk dipilih pada generasi berikutnya.
Pengujian Sistem Pengujian atau testing dilakukan untuk memastikan apakah sistem atau aplikasi yang dikembangkan sudah sesuai dengan kebutuhan pengguna.
Dalam pengujian ini digunakan metode Blackbox Testing, yaitu metode pengujian perangkat lunak tanpa melihat isi atau struktur kode programnya .
Penguji hanya fokus pada apakah input yang dimasukkan menghasilkan output yang sesuai, tanpa perlu tahu bagaimana cara sistem menghasilkan output tersebut.
Blackbox Testing bertujuan untuk menilai apakah fungsi-fungsi SULISTIA, et al.
JTECE.
VOL.
NO.
PP.
JULY 2025
dalam sistem berjalan dengan benar berdasarkan spesifikasi yang sudah ditentukan.
Dengan metode ini, data uji diberikan ke sistem, lalu hasil yang keluar akan dibandingkan dengan hasil yang seharusnya.
Jika sesuai, maka sistem dianggap berjalan dengan baik.
IV.
RESULTS AND DISCUSSION
Implementasi Sistem Sistem pemesanan paket wisata berbasis web telah berhasil dikembangkan menggunakan pendekatan algoritma genetika.
Sistem ini memungkinkan pengguna memasukkan preferensi perjalanan berupa tanggal mulai dan selesai, jumlah peserta, serta batasan anggaran.
Gambar 3.
Input preferensi pengguna pada algoritma genetika Berdasarkan input tersebut, sistem secara otomatis menghitung jumlah hari perjalanan dan menyusun alokasi aktivitas yang seimbang setiap harinya.
Proses ini mencakup estimasi durasi perjalanan antar lokasi, waktu kunjungan, dan alokasi kembali ke penginapan.
Gambar 4.
Tampilan Algoritma genetika dari input yang dimasukkan Hasil implementasi ditampilkan dalam antarmuka web, di mana pengguna dapat melihat urutan kunjungan setiap hari, jadwal keberangkatan, durasi kunjungan per lokasi, dan estimasi total biaya Semua perhitungan dilakukan secara otomatis dengan mempertimbangkan batas durasi harian maksimum sebesar 600 menit.
Gambar 4 menampilkan tampilan sistem setelah input diproses oleh SULISTIA, et al.
JTECE.
VOL.
NO.
PP.
JULY 2025
Pengujian Sistem Pengujian sistem dilakukan menggunakan metode Blackbox Testing, yaitu dengan mengevaluasi apakah sistem memberikan hasil keluaran yang sesuai dengan masukan pengguna tanpa melihat struktur kode di Pengujian ini bertujuan untuk mengetahui apakah fungsi-fungsi utama dalam sistem berjalan dengan benar sesuai spesifikasi.
Parameter yang diuji dalam pengujian ini meliputi:
Validasi input pengguna, terutama jika ada data yang tidak diisi.
Kemampuan sistem menghasilkan itinerary yang sesuai dengan batas waktu maksimal 600 menit per hari.
Ketepatan perhitungan total biaya agar tidak melebihi anggaran pengguna.
Ketepatan pemilihan transportasi berdasarkan jumlah peserta.
Ketepatan sistem dalam menampilkan output informasi itinerary secara lengkap dan benar.
Pengujian sistem dilakukan langsung oleh tim pengembang bersama perwakilan dari AfsheenTour sebagai Setiap pengujian menggunakan berbagai skenario masukan, baik yang umum maupun yang mungkin menyebabkan kesalahan sistem.
Contohnya seperti: formulir tidak diisi dengan lengkap, jumlah peserta melebihi kapasitas kendaraan yang tersedia, atau anggaran yang terlalu kecil untuk digunakan dalam pemesanan paket wisata.
Hasil dari tiap skenario kemudian diamati dan dicocokkan dengan output yang Jika sistem memberikan tanggapan yang benar, misalnya menolak input tidak valid atau menampilkan pesan kesalahan yang sesuai, maka dinyatakan AuberhasilAy.
Tabel 2 merangkum skenario pengujian dan hasil yang diperoleh.
Tabel 2.
Hasil pengujian blackbox testing Skenario Pengujian Form input itinerary Detail hasil itinerary Total biaya dan durasi Validasi form kosong Kapasitas kendaraan Input yang diberikan Tanggal mulai, tanggal selesai, jumlah orang, budget Klik salah satu hari pada hasil Budget Rp5.
000 dan durasi 4 hari Input tidak diisi Jumlah peserta melebihi kapasitas transportasi Output yang diharapkan Halaman hasil itinerary ditampilkan dengan paket AI Rincian jadwal harian tampil Jadwal optimal dan tidak melebihi batas budget Sistem menolak dan tampilkan pesan error Sistem menolak transportasi yang tidak sesuai Hasil Sesuai Sesuai Sesuai Sesuai Sesuai Berdasarkan hasil pengujian pada lima skenario yang ditampilkan pada Tabel 2, sistem menunjukkan respons yang sesuai terhadap masing-masing masukan.
Keterangan AuSesuaiAy pada kolom hasil menunjukkan bahwa output yang dihasilkan sistem telah sesuai dengan harapan pengguna dan spesifikasi fungsional yang ditetapkan sebelumnya.
Setiap skenario dalam Tabel 2 diuji minimal 3 kali untuk memastikan sistem memberikan respons yang konsisten dan stabil terhadap jenis masukan yang sama.
Evaluasi Kinerja Algoritma Genetika Evaluasi dilakukan dengan mengatur variasi parameter input, seperti jumlah hari, anggaran, jumlah peserta, serta jumlah populasi dan generasi dalam algoritma.
Hasil pengujian ditampilkan pada Tabel 3.
Tabel 3.
Pengujian algoritma genetika Durasi 3 Hari 3 Hari 3 Hari 4 Hari 4 Hari 4 Hari 5 Hari 5 Hari 5 Hari Budget (R.
Jumlah Orang Populasi Generasi Waktu Eksekusi 1 detik 3 detik 2 detik 8 detik 7 detik 4 detik 4 detik 7 detik 8 detik Hasil Budget Fitness SULISTIA, et al.
JTECE.
VOL.
NO.
PP.
JULY 2025
Secara umum, sistem mampu menghasilkan rekomendasi dalam waktu kurang dari empat detik, bahkan pada konfigurasi dengan populasi besar.
Nilai fitness yang diperoleh berkisar antara 0,55 hingga 0,76, tergantung pada kombinasi input.
Ditemukan bahwa peningkatan jumlah populasi dan generasi secara signifikan berdampak pada kenaikan nilai fitness, dengan contoh tertinggi pada skenario lima hari perjalanan dan anggaran Rp7.
000, menghasilkan fitness 0,76.
Hal ini menunjukkan bahwa ruang pencarian solusi yang lebih luas memungkinkan sistem mengevaluasi lebih banyak kemungkinan kombinasi itinerary yang efisien.
Selain itu, semua jadwal yang dihasilkan tidak melebihi durasi maksimum harian dan tetap berada dalam batas anggaran pengguna.
Pembahasan Selain dibandingkan dengan metode manual, sistem ini juga dianalisis terhadap pendekatan algoritmik lain yang telah digunakan dalam penelitian sebelumnya.
Salah satu metode yang banyak diterapkan dalam sistem rekomendasi adalah Collaborative Filtering, seperti yang dikembangkan oleh Ibrahim dan Zakariyah .
Pendekatan ini menyarankan destinasi atau paket wisata berdasarkan kesamaan preferensi antar pengguna dengan mengandalkan histori pemesanan.
Walaupun efektif dalam konteks tertentu, metode ini memiliki keterbatasan pada skenario pengguna baru .
old star.
, di mana sistem tidak dapat memberikan rekomendasi yang tepat karena belum adanya data interaksi sebelumnya.
Di sisi lain, sistem yang dikembangkan dalam penelitian ini menggunakan algoritma genetika yang bekerja berdasarkan kombinasi input langsung dari pengguna, seperti anggaran, jumlah peserta, dan durasi Proses rekomendasi dilakukan tanpa ketergantungan pada data historis, sehingga mampu menyajikan solusi optimal bahkan untuk pengguna baru.
Tabel 4.
Perbandingan Sistem manual, genetika, dan collaborative filtering Aspek Waktu Penyusunan Kesesuaian dengan Preferensi Risiko Kesalahan Customisasi Ketergantungan Data Kemampuan Cold Start Manual A2Ae3 hari Subjektif Tinggi .
Algoritma Genetika A5Ae7 detik Objektif berdasarkan parameter & algoritma Rendah Terbatas Sangat fleksibel Tidak Tidak relevan Tidak bergantung pada pengguna sebelumnya Sangat baik .
idak perlu data sebelumny.
Collaborative Filtering A5Ae7 detik Disesuaikan dengan System pengguna lain Cukup rendah, tergantung data histori pengguna Fleksibel jika data pengguna cukup tersedia Bergantung pada histori pemesanan pengguna Lemah .
idak bisa rekomendasi jika user Keunggulan fleksibilitas ini diperkuat oleh hasil pengujian yang menunjukkan waktu eksekusi kurang dari lima detik serta nilai fitness yang tinggi.
Studi sebelumnya oleh Ihsani dkk .
dan Iqbal dkk.
juga membuktikan efektivitas algoritma genetika dalam menyelesaikan permasalahan optimasi yang serupa tanpa memerlukan histori pengguna.
Untuk memperjelas keunggulan sistem yang dikembangkan dalam penelitian ini dibandingkan pendekatan Collaborative Filtering.
Tabel 4 berikut menyajikan perbandingan dari beberapa aspek utama yang relevan.
Berdasarkan data yang ditampilkan pada Tabel 4, algoritma genetika menunjukkan keunggulan yang jelas dibandingkan metode manual maupun Collaborative Filtering, khususnya dalam hal efisiensi, fleksibilitas, dan kemampuan menangani pengguna baru tanpa histori.
Pendekatan ini tidak hanya mengurangi ketergantungan pada data masa lalu, tetapi juga memungkinkan sistem memberikan rekomendasi personal yang cepat dan relevan.
Dengan demikian, algoritma genetika terbukti sebagai metode yang lebih adaptif dalam skenario pemesanan wisata yang dinamis dan berbasis preferensi langsung.
Penilaian terhadap risiko kesalahan dilakukan berdasarkan hasil pengujian sistem dengan berbagai skenario, seperti input kosong, data yang melebihi kapasitas transportasi, dan anggaran yang terlalu kecil.
Dalam seluruh skenario tersebut, sistem dapat mendeteksi kesalahan dan menampilkan pesan peringatan atau menolak masukan yang tidak sesuai.
Hal ini menunjukkan bahwa sistem memiliki mekanisme validasi yang kuat, sehingga risiko kesalahan dalam proses pemesanan dapat di minimalisisr.
Sementara itu, fleksibilitas kustomisasi dinilai dari sejauh mana pengguna dapat mengatur parameter perjalanan secara mandiri, seperti tanggal keberangkatan, jumlah peserta, batas anggaran, dan lama Sistem memberikan hasil rekomendasi yang tetap akurat meskipun pengguna mengubah SULISTIA, et al.
JTECE.
VOL.
NO.
PP.
JULY 2025
kombinasi input secara signifikan.
Ini membuktikan bahwa sistem mampu menyesuaikan hasilnya dengan preferensi unik setiap pengguna tanpa perlu bergantung pada histori pemesanan sebelumnya.
Selain itu, aspek ketergantungan data dan kemampuan menangani cold start juga menjadi keunggulan dari sistem berbasis algoritma genetika.
Berbeda dengan metode Collaborative Filtering yang membutuhkan histori pengguna, sistem ini dapat langsung memberikan rekomendasi hanya berdasarkan input baru tanpa riwayat sebelumnya.
Hal ini membuatnya sangat cocok untuk pengguna baru yang belum pernah melakukan pemesanan sebelumnya.
Dengan demikian, sistem dapat tetap optimal meskipun digunakan dalam skenario awal atau pada data pengguna yang terbatas.
CONCLUSION
Penelitian ini membuktikan bahwa algoritma genetika dapat secara efektif mengoptimalkan pemesanan paket wisata berbasis web dengan mempertimbangkan preferensi pengguna seperti anggaran, jumlah peserta, dan durasi perjalanan.
Hasil pengujian menunjukkan bahwa sistem mampu menghasilkan rekomendasi dalam waktu kurang dari lima detik, dengan nilai fitness yang tinggi serta jadwal perjalanan yang tidak melebihi batas waktu harian.
Sistem juga tidak bergantung pada data historis, sehingga cocok digunakan oleh pengguna baru, serta fleksibel dalam mengakomodasi berbagai variasi preferensi.
Temuan ini mendukung hasil-hasil penelitian sebelumnya yang menunjukkan efektivitas algoritma genetika dalam pemecahan masalah optimasi.
Dengan demikian, penelitian ini menunjukkan bahwa penggunaan algoritma genetika tak hanya menyederhanakan proses perencanaan, tapi juga meningkatkan kualitas layanan dengan memberikan rekomendasi yang relevan tanpa perlu proses manual yang rumit.
ACKNOWLEDGMENT
Penulis menyampaikan terima kasih kepada pihak AfsheenTour atas kerja sama dan data yang diberikan sebagai studi kasus dalam penelitian ini.
AUTHOR CONTRIBUTION
Sulistia merancang keseluruhan arsitektur sistem dan menentukan pendekatan optimasi berbasis algoritma genetika.
Suroso Suroso bertanggung jawab dalam penulisan artikel serta melakukan revisi akhir sebelum pengajuan.
Nasron Nasron menangani pengumpulan data uji dan evaluasi performa sistem secara Seluruh penulis telah membaca, meninjau, dan menyetujui naskah akhir yang dikirimkan.
REFERENCES