1

Optimasi Rute Pengisian Anjungan Tunai Mandiri (ATM) Menggunakan

Algoritma Particle Swarm Optimization (PSO)

(Studi Kasus : PT. Tunas Artha Gardatama Tanjungpinang)

Yuliandi

(bbanettt26@gmail.com

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.