Particle Swarm Optimization (PSO)repository.umrah.ac.id/1301/1/YULIANDI-110155201014-FT-2018.pdf ·...
Transcript of Particle Swarm Optimization (PSO)repository.umrah.ac.id/1301/1/YULIANDI-110155201014-FT-2018.pdf ·...
1
Optimasi Rute Pengisian Anjungan Tunai Mandiri (ATM) Menggunakan
Algoritma Particle Swarm Optimization (PSO)
(Studi Kasus : PT. Tunas Artha Gardatama Tanjungpinang)
Yuliandi
Jurusan Informatika, Fakultas Teknik, Universitas Maritim Raja Ali Haji
ABSTRAK
Anjungan Tunai Mandiri (ATM) merupakan sebuah perangkat yang
diperuntukkan sebagai pengganti sebagian besar tugas dari seorang kasir (teller).
Nasabah lebih sering melakukan transaksi dengan menggunakan ATM
dibandingkan menuju bank-bank yang ada. Pemakaian ATM yang sangat
dibutuhkan oleh para nasabah membuat pendistribusian pengisian kas ATM
sangatlah penting. Bank BCA mempunyai beberapa titik ATM yang berlokasi di
Kota Tanjungpinang dan Kabupaten Bintan berkerja sama dengan PT. Tunas
Artha Gardatama (TAG) dalam mendistribusikan pengisian kas ATM. Pada
penelitian ini dibangun Aplikasi Pendistribusian Pengisian ATM untuk
mengoptimalkan rute perjalanan pendistribusian pengisian ATM yang akan
ditempuh dengan mempertimbangkan saldo masing-masing ATM. Penelitian ini
menggunakan algoritma PSO yakni algoritma berbasis populasi yang
mengeksploitasi individu dalam pencarian. Dalam PSO populasi disebut swarm
dan individu disebut partikel. Tiap partikel berpindah dengan kecepatan yang
diadaptasi dari daerah pencarian dan menyimpannya sebagai posisi terbaik yang
pernah dicapai. Berdasarkan hasil uji coba terdapat dua hasil yang berbeda,
pertama hasil dengan nilai fitness terbaik 0.00004535 dengan jumlah pelanggaran
sebanyak 2 dan jarak tempuh 20049 meter, kedua dengan nilai fitness 0.00004485
jumlah pelanggaran sebanyak 0 dan jarak tempuh 22299 meter.
Kata Kunci : Optimasi, PSO, ATM, Saldo, Jarak
2
PENDAHULUAN
PT. Tunas Artha Gardatama (TAG) adalah perusahaan penyedia jasa
keamanan swasta yang didirikan di Jakarta pada tahun 1999. Semenjak pertama
kali membuka pintu usahanya, sampai saat ini PT. TAG telah banyak memiliki
cabang perusahaan di berbagai daerah di Indonesia salah satunya yang terdapat di
kota Tanjungpinang.
Anjungan Tunai Mandiri (ATM) atau dalam bahasa inggris Automated Teller
Machine adalah alat elektronik otomatis yang menggantikan sebagian besar fungsi
teller bank (Widyastiti, 2015). Nasabah lebih sering melakukan transaksi dengan
menggunakan ATM dibandingkan dengan menuju bank-bank yang ada.
Pemakaian ATM yang sangat dibutuhkan oleh para nasabah membuat
pendistribusian untuk mengisi kas ATM sangatlah penting. ATM tidak boleh
kosong sehingga menyebabkan keterlambatan dalam proses transaksi.
Bank Central Asia (BCA) yang merupakan klien dari PT. TAG mempunyai
27 titik lokasi ATM yang tersebar di Kota Tanjungpinang dan Kabupaten Bintan,
sehingga dalam pendistribusian pengisian kas ATM dilakukan setiap hari ketika
terdapat ATM dengan saldo minimum dan juga ATM yang mengalami masalah,
biasanya ATM yang akan dilakukan pengisian ulang adalah ATM yang memiliki
saldo rata-rata 30% dari saldo awal, namun bilangan tersebut tidaklah pasti karena
bisa saja ATM yang masih memiliki saldo di atas 30% justru dilakukan pengisian
ulang, itu semua tergantung Bank BCA sendiri selaku pusat pengendali ATM.
Dalam setiap pengisian ATM, PT. TAG akan mendahulukan saldo ATM dari
yang paling minim terlebih dahulu untuk menghindari terjadinya blank balance
3
atau saldo kosong. PT. TAG melakukan pengisian uang ATM berdasarkan saldo
rata-rata yang direncanakan sebelumnya.
Permasalahan ini biasa disebut dengan Travelling Salesman Problem (TSP)
yakni pencarian rute optimum dalam suatu perjalanan yang mencari jarak
terpendek untuk mencapai tempat tujuan. Permasalahan TSP pada penelitian ini
diselesaikan dengan menggunakan algoritma Particle Swarm Optimization (PSO).
PSO merupakan algoritma berbasis populasi yang mengeksploitasi individu dalam
populasi menuju daerah penyelesaian dalam daerah pencarian. Dalam PSO
populasi disebut dengan swarm, dan individu disebut dengan particle. Tiap
partikel berpindah dengan kecepatan yang diadaptasi dari daerah pencarian dan
menyimpannya sebagai posisi terbaik yang pernah dicapai.
BAHAN DAN METODE
Penelitian ini menggunakan metode penelitian kuantitatif dengan
pendekatan deskriptif. Teori yang digunakan untuk menyelesaikan masalah yang
diteliti yaitu menggunakan algoritma Particle Swarm Optimization (PSO).
A. Particle Swarm Optimization
Particle Swarm Optimization (PSO) merupakan algoritma berbasis populasi
yang mengeksploitasi individu dalam pencarian. Dalam PSO populasi disebut
swarm dan individu disebut partikel. Tiap partikel berpindah dengan kecepatan
yang diadaptasi dari daerah pencarian dan menyimpannya sebagai posisi terbaik
yang pernah dicapai (Kusmarna, 2013).
Pada algoritma PSO ini, pencarian solusi dilakukan oleh suatu populasi
yang terdiri dari beberapa partikel. Populasi dibangkitkan secara random dengan
batasan nilai terkecil dan terbesar. Setiap partikel merepresentasikan posisi atau
4
solusi dari permasalahan yang dihadapi. Setiap partikel melakukan pencarian
solusi yang optimal dengan melintasi ruang pencarian (search space). Hal ini
dilakukan dengan cara setiap partikel melakukan penyesuaian terhadap posisi
terbaik dari partikel tersebut (local best) dan penyesuaian terhadap posisi partikel
terbaik dari seluruh kawanan (global best) selama melintasi ruang pencarian.
Prosedur standart untuk menerapkan algortima PSO adalah sebagai berikut:
a. Inisisalisasi populasi dari particle-particle dengan posisi dan velocity secara
random dalam satu ruang dimensi penelusuran.
b. Evaluasi fungsi fitness optimisasi yang diinginkan di dalam variabel d pada
setiap particle.
c. Membandingkan evaluasi fitness particle dengan Pbestnya. Jika nilai yang ada
lebih baik dibandingkan dengan nilai Pbestnya, maka Pbest diset sama dengan
nilai tersebut dan Pi sama dengan lokasi particle yang ada Xi dalam ruang
dimensional d.
d. Identifikasi particle dalam lingkungan dengan hasil terbaik sejauh ini.
e. Update velocity dan posisi particle.
f. Kembali ke step 2 sampai kriteria terpenuhi, biasanya berhenti pada nilai
fitness yang cukup baik atau sampai pada jumlah maksimum iterasi (Tuegeh
dkk, 2009).
B. Analisis Optimasi Rute Pengisian ATM dengan PSO
Proses analisis sistem penentuan rute pengisian ATM akan dipaparkan dalam
bentuk flowchart untuk menjelaskan alur sistem secara umum dan sebagai
gambaran awal proses perancangan aplikasi dengan menggunakan metode PSO.
Gambar 1 merupakan gambar diagram alir dari Metode PSO:
5
Gambar 1. Flowchart optimasi rute pengisian ATM dengan PSO
HASIL
Berdasarkan percobaan yang telah dilakukan peneliti, didapat beberapa hasil
dari optimasi rute pengisian anjungan tunai mandiri menggunakan algoritma
Particle Swarm Optimization yang dilakukan di PT. Tunas Artha Gardatama
Tanjungpinang
6
A. Hasil Percobaan
Parameter yang digunakan pada uji coba ini ditunjukkan seperti pada Tabel
1.
Tabel 1. Parameter Uji Coba
No w 𝒄𝟏 𝒄𝟐 Iterasi Maksimum
1 0.4 1.5 1.6 100
2 0.5 2.5 2.6 100
3 0.6 3.5 3.6 100
Uji coba yang dilakukan pada pengujian sistem optimasi rute pengisian
ATM menggunakan algoritma particle swarm optimization ini akan dilakukan
dengan menggunakan jumlah partikel sebanyak 5, 10 dan 15. Setelah dilakukan
beberapa kali percobaan maka dihasilkan data-data seperti berikut:
Tabel 2. Hasil Uji Coba Menggunakan 5 Partikel
Iterasi Ke-
Fitness Terbaik
w=0.4 𝒄𝟏=1.5
𝒄𝟐=1.6
w=0.5 𝒄𝟏=2.5
𝒄𝟐=2.6
w=0.6 𝒄𝟏=3.5
𝒄𝟐=3.6
10 0,00004155 0,00004274 0,00004307
25 0,00004155 0,00004446 0,00004307
50 0,00004352 0,00004446 0,00004348
75 0,00004352 0,00004446 0,00004485
100 0,00004425 0,00004446 0,00004485
7
Berikut ini grafik yang merepresentasikan perbandingan hasil fitness uji
coba dengan menggunakan jumlah partikel sebanyak 5:
Gambar 2. Grafik Nilai Fitness Dengan 5 Partikel
Pada Gambar 2 menunjukkan grafik uji coba dengan jumlah partikel
sebanyak 5 menghasilkan nilai fitness terbaik yaitu dengan nilai 0.00004485 yang
terdapat pada nilai w = 0.6, 𝑐1 = 3.5 dan 𝑐2 = 3.6.
Berikut ini hasil uji coba yang dilakukan pada pengujian sistem optimasi
rute pengisian ATM menggunakan algoritma particle swarm optimization dengan
menggunakan jumlah partikel sebanyak 10:
0,000039
0,00004
0,000041
0,000042
0,000043
0,000044
0,000045
0,000046
10 25 50 75 100
w=0,4 c1=1,5 c2=1,6
w=0,5 c1=2,5 c2=2,6
w=0,6 c1=3,5 c2=3,6
Iterasi
Fit
nes
s
Grafik Nilai Fitness dengan 5 Partikel
Parameter 1
Iterasi
Fit
nes
s
Grafik Nilai Fitness dengan 5 Partikel
8
Tabel 3. Hasil Uji Coba Menggunakan 10 Partikel
Iterasi Ke-
Fitness Terbaik
w=0.4 𝒄𝟏=1.5
𝒄𝟐=1.6
w=0.5 𝒄𝟏=2.5
𝒄𝟐=2.6
w=0.6 𝒄𝟏=3.5
𝒄𝟐=3.6
10 0,00004441 0,00004155 0,00004279
25 0,00004441 0,0000449 0,00004279
50 0,00004441 0,0000449 0,00004485
75 0,00004441 0,00004535 0,00004485
100 0,00004446 0,00004535 0,00004485
Berikut ini grafik yang merepresentasikan perbandingan hasil fitness uji
coba dengan menggunakan jumlah partikel sebanyak 10:
Gambar 3. Grafik Nilai Fitness Dengan 10 Partikel
0,000039
0,00004
0,000041
0,000042
0,000043
0,000044
0,000045
0,000046
10 25 50 75 100
w=0,4 c1=1,5 c2=1,6
w=0,5 c1=2,5 c2=2,6
w=0,6 c1=3,5 c2=3,6
Iterasi
Fit
nes
s
Grafik Nilai Fitness dengan 10 Partikel
Parameter 1
Iterasi
Fit
nes
s
9
Pada Gambar 3 menunjukkan grafik uji coba dengan jumlah partikel
sebanyak 10 menghasilkan nilai fitness terbaik yaitu dengan nilai 0.00004535
yang terdapat pada nilai w = 0.5, 𝑐1 = 2.5 dan 𝑐2 = 2.6.
Berikut ini hasil uji coba yang dilakukan pada pengujian sistem optimasi
rute pengisian ATM menggunakan algoritma particle swarm optimization dengan
menggunakan jumlah partikel sebanyak 15:
Tabel 41. Hasil Uji Coba Menggunakan 15 Partikel
Iterasi Ke-
Fitness Terbaik
w=0.4 𝒄𝟏=1.5
𝒄𝟐=1.6
w=0.5 𝒄𝟏=2.5
𝒄𝟐=2.6
w=0.6 𝒄𝟏=3.5
𝒄𝟐=3.6
10 0,00004287 0,00004325 0,00004449
25 0,00004287 0,00004325 0,00004449
50 0,00004535 0,00004485 0,00004449
75 0,00004535 0,00004485 0,00004449
100 0,00004535 0,00004485 0,00004449
Berikut ini grafik yang merepresentasikan perbandingan hasil fitness uji
coba dengan menggunakan jumlah partikel sebanyak 15:
10
Gambar 4. Grafik Nilai Fitness Dengan 15 Partikel
Pada Gambar 4 menunjukkan grafik uji coba dengan jumlah partikel
sebanyak 15 menghasilkan nilai fitness terbaik yaitu dengan nilai 0.00004535
yang terdapat pada nilai w = 0.4, 𝑐1 = 1.5 dan 𝑐2 = 1.6.
PEMBAHASAN
Dari ujicoba yang telah dilakukan diatas dapat dilakukan analisa terhadap
parameter-perameter yang digunakan. Analisa yang didapat sebagai berikut:
1. Dari hasil ujicoba yang telah dilakukan, terdapat beberapa parameter yang
memiliki hasil rute pengisian ATM yang paling optimal yaitu pada ujicoba 1
dan 2 dengan nilai fitness 0.00004535 dan jumlah pelanggaran sebanyak 2
serta jarak tempuh 20049 meter terdapat pada parameter ujicoba 1 dengan
nilai w = 0.5, 𝑐1 = 2.5 dan 𝑐2 = 2.6, w = 0.4, 𝑐1 = 1.5 dan 𝑐2 = 1.6 dan pada
0,000041
0,000042
0,000042
0,000043
0,000043
0,000044
0,000044
0,000045
0,000045
0,000046
10 25 50 75 100
w=0,4 c1=1,5 c2=1,6
w=0,5 c1=2,5 c2=2,6
w=0,6 c1=3,5 c2=3,6
Iterasi
Fit
nes
s
Grafik Nilai Fitness dengan 15 Partikel
Parameter 1
Iterasi
Fit
nes
s
Parameter 1
11
parameter ujicoba 2 dengan nilai w = 0.8, 𝑐1 = 2.5 dan 𝑐2 = 2.6, w = 0.9, 𝑐1
= 3.5 dan 𝑐2 = 3.6.
2. Nilai 𝑐1 dan 𝑐2 yang besar mempengaruhi dalam pencarian solusi optimal,
dari ujicoba yang telah dilakukan nilai 𝑐1 dan 𝑐2 yang menghasilkan nilai
fitness terbaik adalah nilai dengan kisaran 2 sampai 4.
3. Banyaknya jumlah partikel juga mempengaruhi hasil pencarian solusi
optimal, berdasarkan ujicoba yang telah dilakukan jumlah partikel yang
lebih banyak selalu menghasilkan solusi yang optimal, pada ujicoba 1 dan 2
sama-sama menghasilkan solusi optimal dengan jumlah partikel sebanyak
10 dan 15.
4. Setelah nilai 𝑐1 dan 𝑐2 serta jumlah partikel, iterasi yang besar juga
mempengaruhi solusi optimal dalam pencarian rute pengisian ATM
menggunakan algoritma PSO. Iterasi yang besar akan menghasilkan solusi
yang optimal karena pada algoritma PSO setiap partikel di update secara
acak (random), jadi semakin banyak partikel yang diacak akan
memungkinkan mendapatkan hasil yang terbaik.
KESIMPULAN
Berdasarkan hasil analisa dan pembahasan bab sebelumnya maka dapat
disimpulkan beberapa hal, diantaranya:
1) Algoritma Particle Swarm Optimization (PSO) dapat digunakan untuk
mengoptimasi permasalahan rute pengisian ATM pada PT. Tunas Artha
Gardatama (TAG) yang berlokasi di Jl. Sulaiman Abdullah no. 33.
12
2) Berdasarkan hasil uji coba pada pengujian yang telah dilakukan
mendapatkan rute pengisian ATM yang optimal yaitu dengan nilai fitness
0.00004535 dengan jumlah pelanggaran sebesar 2 dan total jarak tempuh
20049 meter (20km), hasil tersebut terdapat pada parameter ujicoba dengan
nilai w = 0.5, 𝑐1 = 2.5 dan 𝑐2 = 2.6, w = 0.4, 𝑐1 = 1.5 dan 𝑐2 = 1.6
3) Hasil penerapan algoritma Particle Swarm Optimization (PSO) dalam
penentuan rute optimum pengisian ATM juga menghasilkan rute yang
mempunyai 0 pelanggaran dengan nilai fitness 0.00004485 namun jarak
tempuh yang dihasilkan lebih jauh yaitu 22299 meter (22km).
DAFTAR PUSTAKA
Ariani, D., 2011, Optimasi Penjadwalan Mata Kuliah di Jurusan Teknik
Informatika Pens dengan Menggunakan Algoritma Particle Swarm
Optimization (PSO). Jurnal Teknik Informatika, Politeknik Elektronika
Negeri Surabaya, Institut Teknologi Bandung, Bandung, 1-11.
Hermawan, G., 2012, Implementasi Algoritma Particle Swarm Optimization
Untuk Penentuan Posisi Strategis Agent Pada Simulasi Robot Sepakbola
Dua Dimensi. Jurnal Ilmiah Komputer dan Informatika, UNIKOM, 1(2).
Hardjasutanto, F.O., 2012, Penerapan Algoritma Semut Untuk Pencarian Jalur
Terpendek. Jurnalm Ilmiah, Institut Teknologi Bandung, Bandung.
Kennedy, J., dan Eberhart, R.C., 2001, Swarm Intelligence, United States of
America.
Kusmarna, I., 2013, Rancang Bangun Aplikasi Penjadwalan Mata Kuliah
Menggunakan Particle Swarm Optimization (PSO), Skripsi, Universitas
Islam Negeri Sultan Syarif Kasim Riau, Pekanbaru.
Kusrini., dan Istiyanto, J.E., 2007, Penyelesaian Travelling Salesman Problem
Dengan Algoritma Cheapest Insertion Heuristics Dan Basis Data. Jurnal
Informatika, STMIK AMIKOM Yogyakarta, 8(2), 109-114.
13
Mansur., 2014, Perancangan Sistem Informasi Penjadwalan Resource Perguruan
Tinggi Menggunakan Metode Particle Swarm Optimization (PSO). Jurnal
Teknik Informatika, Politeknik Negeri Bengkalis, 4(2), 75-86.
Tuegeh, D., Soeprijanto, A., dan P, Hery, M., 2009, Optimal Generator
Scheduling Based on Particle Swarm Optimization. Seminar Nasional
Informatika, Yogyakarta, 23 Mei 2009, A25-A32.
Utami, P.Y., Suhery, C., Ilhamsyah., 2014. Aplikasi Pencarian Rute Terpendek
Menggunakan Algoritma Genetika, Jurnal Coding Sistem Komputer
Universitas Tanjungpura, 2(1), 1-7.
Wati, D.A.R., dan Rochman, Y.A., 2013, Model Penjadwalan Matakuliah Secara
Otomatis Berbasis Algoritma Particle Swarm Optimization (PSO). Jurnal
Rekayasa Sistem Industri, 2(1), 22-31.
Widyastiti, K.B., 2015, Rancang Bangun Aplikasi Pengisian Anjungan Tunai
Mandiri Menggunakan Algoritma Cheapest Insertion Heuristic, Skripsi,
Universitas Jember, Jawa Timur.
Yuhana, U.L., Cahyadi, I.G.L.A.O dan Fabroyir, H., 2010, Pemanfaatan Google
Maps Untuk Pemetaan Dan Pencarian Data Perguruan Tinggi Negeri Di
Indonesia. Jurnal Sistem Informasi Institut Teknologi Sepuluh November.