Unmanned Aerial Vehicle (UAV) atau drone dapat digunakan dalam berbagai keperluan seperti pemetaan, pengumpulan data, bantuan kemanusiaan, dan pengiriman paket. Namun, keterbatasan daya baterai menjadi tantangan utama, sehingga diperlukan optimasi rute untuk meminimalkan jarak tempuh. Penelitian ini mengimplementasikan algoritma genetika sebagai metode metaheuristik untuk menyelesaikan Drone Routing Problem (DRP). Data yang digunakan berupa koordinat geografis di sekitar Universitas Sulawesi Barat hingga Kabupaten
Majene. Jarak antar titik dihitung menggunakan rumus Euclidean 2D Pengujian dilakukan pada skenario titik 20, 40, 60, 80, dan 100 dengan variasi parameter sepertu uuran populasi, jumlah generasi, jumlah individu terseleksi, dan laju mutasi. Pada skenario 20 titik dengan ukuran populasi 30, algoritma genetika berhasil menemukan solusi terbaik dengan panjang rute 10 dan nilai fitness 0,4762. Solusi
ini bertahan secara konsisten dari generasi ke-20 hingga ke-30, menunjukkan kemampuan algoritma genetika dalam menyimpan dan mempertahankan individu terbaik untuk generasi selanjutnya. Kinerja optimal ditunjukkan pada skenario 40 titik karena seluruh solusi yang dihasilkan memiliki status valid. Hasil eksperimen menunjukkan bahwa algoritma genetika mampu menghasilkan rute optimal dengan
waktu komputasi antara 0.005239 detik pada iterasi 100, hingga mencapai 0.037627 detik pada iterasi 500.
Unmanned Aerial Vehicles (UAVs), or drones, can be used for various purposes such as mapping, data collection, humanitarian aid, and package delivery. However, limited battery capacity poses a major challenge, making route optimization essential to minimize travel distance. This study implements a genetic algorithm as a metaheuristic method to solve the Drone Routing Problem (DRP). The data used consists of geographic coordinates covering the area from Universitas Sulawesi Barat to Majene Regency. Distances between points are
calculated using the 2D Euclidean formula. Testing was conducted on scenarios with 20, 40, 60, 80, and 100 points, with variations in parameters such as population size, number of generations, number of selected individuals, and mutation rate. In the 20-point scenario with a population size of 30, the genetic algorithm successfully found the best solution with a route length of 10 and a fitness
value of 0.4762. This solution remained consistent from generation 20 to 30, demonstrating the algorithm’s ability to retain and preserve the best individuals for the next generations. Optimal performance was observed in the 40-point scenario, where all generated solutions were valid. Experimental results show that the genetic algorithm is capable of producing optimal routes with computation times ranging
from 0.005239 seconds at 100 iterations to 0.037627 seconds at 500 iterations.