PENERAPAN ALGORITMA CAT SWARM OPTIMIZATION UNTUK ...
Transcript of PENERAPAN ALGORITMA CAT SWARM OPTIMIZATION UNTUK ...
PENERAPAN ALGORITMA CAT SWARM
OPTIMIZATION UNTUK MENYELESAIKAN KASUS
ASYMMETRIC TRAVELING SALESMAN PROBLEM
SKRIPSI
Diajukan untuk memenuhi salah satu syarat guna mencapai gelar
Sarjana dalam bidang ilmu Teknik Industri
Disusun oleh:
Nama : Mario Viegar
NPM : 2015610109
PROGRAM STUDI SARJANA TEKNIK INDUSTRI
FAKULTAS TEKNOLOGI INDUSTRI
UNIVERSITAS KATOLIK PARAHYANGAN
BANDUNG
2019
i
ABSTRAK
Asymmetric Traveling Salesman Problem (ATSP) merupakan permasalahan kombinatorial dimana dianalogikan terdapat kota-kota yang harus dikunjungi oleh seorang salesman sebanyak satu kali sebelum kembali ke kota asal, dengan jarak dari kota a ke kota b tidak sama dengan jarak dari kota b ke kota a. Tujuan dari permasalahan ini adalah untuk meminimasi jarak yang ditempuh oleh salesman tersebut. Solusi yang dihasilkan dari permasalahan traveling salesman problem adalah berupa rute atau urutan kota yang dikunjungi oleh salesman. Pengaplikasian asymmetric traveling salesman problem di dunia nyata antara lain adalah permasalahan penentuan rute pesawat terbang dan penentuan jadwal pengambilan uang pada payphone.
Pada penelitian ini, permasalahan ATSP diselesaikan dengan menggunakan algoritma Cat Swarm Optimization (CSO). Algoritma CSO merupakan algoritma metaheuristik yang menggambarkan perilaku dari sekerumunan kucing dalam mengejar mangsanya. Algoritma dirancang dengan menggunakan random-key encoding sebagai bentuk penyesuaian permasalahan ATSP yang bersifat diskrit ke dalam algoritma CSO yang bersifat kontinu. Algoritma juga akan dimodifikasi dengan penambahan local search 2-opt untuk mendapatkan solusi akhir yang lebih baik.
Digunakan lima buah kasus benchmark pada penelitian ini dan algoritma CSO dapat menemukan best known solution untuk dua dari lima kasus benchmark yang digunakan yaitu untuk kasus 17 dan 34 kota. Dari tiga kasus dimana algoritma CSO masih gagal untuk menemukan best known solution, deviasi terbesar berada pada kasus 71 kota dengan deviasi terhadap best-known solution sebesar 568 dan deviasi terkecil terhadap best-known solution pada kasus dengan 45 kota sebesar 98. Performansi tersebut dibandingkan dengan tiga algoritma pembanding yaitu elephant herding optimization, football game algorithm, dan improved discrete bat algorithm. Berdasarkan hasil penelitian, performansi algoritma CSO masih berada di bawah dari ketiga algoritma pembanding tersebut.
ii
ABSTRACT
Asymmetric Traveling Salesman Problem (ATSP) is a combinatorial problem
which represented by a salesman who have to visit exactly once each city on a given list and then return home, with the distance from city a to city b is not equal to the distance from city b to city a. The objective of the problem is to minimize the distance traveled by the salesman. The final result of the problem is a route or a sequence of cities he has to visit. There are many applications of ATSP in the real world such as the selection of airport tours and the scheduling of coin collection on payphone.
In this research, ATSP is solved by cat swarm optimization algorithm. Cat swarm optimization is a metaheuristic algorithm which describes the behavior of a swarm of a cat when they catching their prey. The algorithm is designed with random-key encoding as an adjustment to the ATSP. The algorithm is also modified with a 2-opt local search algorithm to achieve a better result.
Five cases is used in this research and CSO is succesfully achieve best-known solution for two cases, which are cases with 17 and 34 cities. From the three cases in which CSO failed to achieve best-known solution, the biggest deviation is in the case with 71 cities with the deviation of 568. The smallest deviation is in the case with 45 cities with the deviation of 98. CSO will be compared with elephant herding optimization, football game algorithm and improved discrete bat algorithm. CSO performance is still below the performance of the compared algorithms.
iii
KATA PENGANTAR
Puji syukur kepada Tuhan yang Maha Esa karena atas berkat dan
rahmat-Nya yang diberikan, penulis dapat menyelesaikan laporan hasil penelitian
skripsi ini yang berjudul “Penerapan Cat Swarm Optimization untuk Menyelesaikan
Kasus Asymmetric Traveling Salesman Problem”. Selama proses penyusunan
laporan skripsi ini, penulis mendapatkan banyak sekali bantuan dan dukungan dari
berbagai pihak. Oleh karena itu, pada kesempatan kali ini penulis ingin
mengucapkan terima kasih kepada:
1. Bapak Alfian, S.T., M.T. selaku dosen pembimbing penulis yang telah
membimbing dan mengarahkan penulis mulai dari awal pembuatan
proposal skripsi hingga skripsi ini selesai dibuat.
2. Bapak Hanky Fransiscus, S.T., M.T. selaku dosen penguji sidang skripsi
yang telah memberikan berbagai kritik dan masukan demi
berkembangnya laporan skripsi penulis.
3 Ibu Cynthia Prithadevi Juwono, Ir., MS., selaku dosen penguji sidang
skripsi yang telah memberikan berbagai kritik dan masukan demi
berkembangnya laporan skripsi penulis.
4. Orang Tua, Kevin selaku kakak penulis, Zellina selaku kakak ipar penulis,
serta segenap keluarga besar penulis yang telah memberikan bantuan
dan dukungan baik dalam bentuk fisik dan mental.
5. Seluruh teman-teman kelas A Teknik Industri UNPAR 2015 yang
menemani selama perjalanan perkuliahan penulis.
6. Deshera, Elsa, Yogas, Ricky dan Hendrik selaku teman-teman
sekelompok praktikum-praktikum serta kerja praktek yang telah
memperlancar perjalanan penulis semasa perkuliahan.
7. Tim Asisten PST II 2018/2019 selaku teman seperjuangan skripsi yang
telah menemani dan memberikan dukungan kepada penulis.
8. Cristo, Andre, Erwin dan Marcella selaku teman-teman penulis yang
selalu menemani dan banyak membantu penulis dalam pengerjaan
laporan dan memberi dukungan baik dalam bentuk fisik dan mental.
iv
9. Ko Ivan, Ko Adrianus, Giovano, Yulius, Kevin Grahadian dan Alex selaku
teman penulis yang sama-sama mengambil topik skripsi algoritma yang
telah memberikan banyak sekali bantuan, kritik dan saran demi
kelancaran laporan ini.
10. Para Dosen Teknik Industri UNPAR yang telah mengajarkan penulis
banyak sekali ilmu dan pengetahuan.
11. Teman-teman penulis yang tidak bisa penulis sebutkan satu persatu yang
telah memberikan dukungan serta motivasi sehingga penulis dapat
menyelesaikan laporan ini.
Penulis menyadari bahwa laporan ini masih jauh dari sempurna. Oleh
karena itu, penulis mengharapkan adanya kritik dan saran yang membangun dari
pembaca sebagai evaluasi bagi penulis sehingga penulis dapat menjadi lebih baik
di masa mendatang
Bandung, 2 Juli 2019
Mario Viegar
v
DAFTAR ISI
ABSTRAK ............................................................................................................ i
ABSTRACT ......................................................................................................... ii
KATA PENGANTAR .......................................................................................... iii
DAFTAR ISI ........................................................................................................ v
DAFTAR TABEL ................................................................................................ ix
DAFTAR GAMBAR .......................................................................................... xiii
DAFTAR LAMPIRAN ........................................................................................ xv
BAB I PENDAHULUAN ................................................................................... I-1
I.1 Latar Belakang Masalah .................................................................. I-1
I.2 Identifikasi dan Rumusan Masalah .................................................... I-3
I.3 Batasan Masalah ............................................................................... I-8
I.4 Tujuan Penelitian ............................................................................... I-8
I.5 Manfaat Penelitian ............................................................................. I-8
I.6 Metodologi Penelitian ......................................................................... I-8
I.7 Sistematika Penulisan ...................................................................... I-11
BAB II TINJAUAN PUSTAKA .......................................................................... I-1
II.1 Asymmetric Traveling Salesman Problem ....................................... II-1
II.2 Cat Swarm Optimization ................................................................. II-2
II.3 Metode Local Search Dengan 2-Opt ............................................... II-6
II.4 Desain Eksperimen ......................................................................... II-7
BAB III PERANCANGAN ALGORITMA......................................................... III-1
III.1 Proses Encoding .............................................................................. III-1
III.2 Proses Decoding ............................................................................. III-3
III.3 Proses Perpindahan Kucing ............................................................. III-3
III.3.1 Perpindahan Flag Seeking Mode ............................................. III-3
III.3.2 Perpindahan Flag Tracing Mode .............................................. III-4
III.4 Notasi yang Digunakan .................................................................... III-4
III.5 Algoritma Penyelesaian Kasus Asymmetric Traveling
Salesman Problem Dengan Menggunakan Cat Swarm
Optimization ..................................................................................... III-6
III.5.1 Algoritma Utama (Algoritma A) ................................................. III-6
vi
III.5.2 Algoritma Penentuan Solusi Awal (Algoritma B) ................... III-8
III.5.3 Algoritma Pengurutan Variabel Kucing (Algoritma C) ............ III-9
III.5.4 Algoritma Mengubah Variabel Kucing Menjadi Urutan
Kota (Algoritma D) .............................................................. III-10
III.5.5 Algoritma Perhitungan Fitness (Algoritma E) ...................... III-12
III.5.6 Algoritma Pendefinisian FSmax dan FSmin (Algoritma F)... III-13
III.5.7 Algoritma Pengisian Copy Setiap Kucing (Algoritma G) ...... III-14
III.5.8 Algoritma Pencarian Solusi Seeking Mode (Algoritma H) ... III-15
III.5.9 Algoritma Pencarian Solusi Tracing Mode (Algoritma I) ...... III-17
III.5.10 Algoritma Pengurutan Variabel Kucingcopy (Algoritma J) ... III-18
III.5.11 Algoritma Mengubah Variabel Kucingcopy Menjadi Urutan
Kota (Algoritma K) .............................................................. III-20
III.5.12 Algoritma Perbandingan Variabel Kucingcopy dengan Var-
iabel Kucing (Algoritma L) ................................................... III-21
III.5.12.1 Algoritma Pemilihan Alternatif Perpindahan SPC True
(Algoritma L1) ............................................................. III-25
III.5.12.2 Algoritma Pemilihan Alternatif Perpindahan SPC False
(Algoritma L2) ............................................................. III-27
III.5.13 Algoritma Local Search 2-Opt ............................................. III-28
III.5.13.1 Algoritma Pengurutan Variabel Kucinglocal ................. III-31
III.5.13.2 Algoritma Mengubah Variabel Kucinglocal Menjadi Ur-
utan Kota ..................................................................... III-32
III.5.13.3 Algoritma Menghitung Fitnesslocal .............................. III-32
III.5.14 Algoritma Pengembalian Variabel Kucingcopy dan Variab-
el Kucing Menjadi Kode (Algoritma M) ................................ III-34
III.6 Verifikasi dan Validasi Algoritma .................................................... III-36
BAB IV PERANCANGAN PROGRAM DAN IMPLEMENTASI ALGORIT-
MA .....................................................................................................IV-1
IV.1 Verifikasi Program ...........................................................................IV-1
IV.2 Validasi Program .......................................................................... IV-14
IV.3 Penentuan Nilai Parameter Cat Swarm Optimization .................... IV-15
IV.3.1 Parameter Jumlah Populasi Kucing ...................................... IV-15
IV.3.2 Parameter Iterasi Maksimum ................................................ IV-16
IV.3.3 Parameter SMP .................................................................... IV-17
vii
IV.3.4 Parameter SRD..................................................................... IV-17
IV.3.5 Parameter CDC .................................................................... IV-18
IV.3.6 Parameter MR....................................................................... IV-18
IV.4 Implementasi Algoritma Cat Swarm Optimization Un-
tuk Menyelesaikan Kasus Benchmark ........................................ IV-19
IV.4.1 Implementasi Pada Kasus Benchmark BR17 ........................ IV-20
IV.4.2 Implementasi Pada Kasus Benchmark FTV33 ...................... IV-21
IV.4.3 Implementasi Pada Kasus Benchmark FTV44 ...................... IV-22
IV.4.4 Implementasi Pada Kasus Benchmark FTV55 ...................... IV-24
IV.4.5 Implementasi Pada Kasus Benchmark FTV70 ...................... IV-25
IV.5 Pengujian Parameter Cat Swarm Optimization ........................... IV-25
IV.5.1 Analysis Of Variance ............................................................. IV-26
IV.5.2 Uji Beda (Tukey Test) ........................................................... IV-30
IV.6 Perbandingan Cat Swarm Optimization dengan
Algoritma Pembanding ............................................................... IV-31
BAB V ANALISIS ............................................................................................ V-1
V.1 Analisis Encoding dan Decoding ....................................................... V-1
V.2 Analisis Penambahan Local Search Algorithm .................................. V-2
V.3 Analisis Pengujian Parameter Algoritma CSO ................................... V-3
V.4 Analisis Performansi Algoritma CSO dengan Algoritma
Pembanding...................................................................................... V-6
BAB VI KESIMPULAN DAN SARAN ............................................................. VI-1
IV.1 Kesimpulan ..................................................................................... VI-1
IV.2 Saran .............................................................................................. VI-2
DAFTAR PUSTAKA
LAMPIRAN
RIWAYAT HIDUP PENULIS
ix
DAFTAR TABEL
Tabel II.1 Tabel ANOVA untuk Dua Faktor Faktorial ...................................... II-8
Tabel III.1 Pengisian Array Variabel Code ...................................................... III-2
Tabel III.2 Pengisian Array Variabel Kucing.................................................... III-2
Tabel III.3 Matriks Jarak Soal Verifikasi dan Validasi .................................... III-38
Tabel III.4 Mixture Ratio Soal Verifikasi dan Validasi .................................... III-38
Tabel III.5 Nilai Awal Variabel Kucing Soal Verifikasi dan Validasi ............... III-39
Tabel III.6 Nilai Variabel Kucing Setelah Diurutkan Soal Verifikasi dan Vali-
dasi .............................................................................................. III-39
Tabel III.7 Nilai Awal Variabel Kucing Setelah Encoding Soal Verifikasi dan
Validasi ........................................................................................ III-40
Tabel III.8 Nilai Variabel Kucing Iterasi-1 Soal Verifikasi dan Validasi .......... III-45
Tabel III.9 Nilai Variabel Kucing Setelah Diurutkan Iterasi-1 Soal Verifikasi
dan Validasi ................................................................................. III-45
Tabel III.10 Urutan Kota Variabel Kucing Iterasi-1 Soal Verifikasi dan Valida-
si.................................................................................................. III-46
Tabel III.11 Nilai Awal Variabel Kucingcopy Dimensi 0 Iterasi-1 Soal Verifika-
si dan Validasi ............................................................................. III-46
Tabel III.12 Nilai Awal Variabel Kucingcopy Dimensi 0 Iterasi-1 Soal Verifika-
si dan Validasi Setelah Diurutkan ................................................ III-47
Tabel III.13 Urutan Kota Variabel Kucingcopy Dimensi 0 Iterasi-1 Soal Verifi-
kasi dan Validasi .......................................................................... III-47
Tabel III.14 Nilai Awal Variabel Kucingcopy Dimensi 1 Iterasi-1 Soal Verifika-
si dan Validasi ............................................................................. III-47
Tabel III.15 Nilai Awal Variabel Kucingcopy Dimensi 1 Iterasi-1 Soal Verifika-
si dan Validasi Setelah Diurutkan ................................................ III-47
Tabel III.16 Urutan Kota Variabel Kucingcopy Dimensi 1 Iterasi-1 Soal Verifi-
kasi dan Validasi .......................................................................... III-48
Tabel III.17 Rekapitulasi code[][] Iterasi-1 Soal Verifikasi dan Validasi ........... III-51
Tabel III.18 Rekapitulasi Variabel Kucing Iterasi-1 Soal Verifikasi dan Valida-
si.................................................................................................. III-51
x
Tabel III.19 Nilai Variabel Kucing Iterasi-2 Soal Verifikasi dan Validasi ........ III-57
Tabel III.20 Nilai Variabel Kucing Setelah Diurutkan Iterasi-2 Soal Verifikasi
dan Validasi ............................................................................... III-57
Tabel III.21 Nilai Awal Variabel Kucingcopy Dimensi 0 Iterasi-2 Soal Verifi-
kasi dan Validasi ....................................................................... III-57
Tabel III.22 Urutan Kota Variabel Kucing Iterasi-2 Soal Verifikasi dan Valida-
si ............................................................................................... III-58
Tabel III.23 Nilai Awal Variabel Kucingcopy Dimensi 0 Iterasi-2 Soal Verifi-
kasi dan Validasi ....................................................................... III-58
Tabel III.24 Urutan Kota Variabel Kucingcopy Dimensi 0 Iterasi-2 Soal Veri-
fikasi dan Validasi ...................................................................... III-58
Tabel III.25 Nilai Awal Variabel Kucingcopy Dimensi 1 Iterasi-2 Soal Veri-
fikasi dan Validasi ...................................................................... III-59
Tabel III.26 Nilai Awal Variabel Kucingcopy Iterasi-2 Soal Verifikasi dan Va-
lidasi .......................................................................................... III-59
Tabel III.27 Urutan Kota Variabel Kucingcopy Dimensi 1Iterasi-2 Soal Ver-
ifikasi dan Validasi ..................................................................... III-59
Tabel III.28 Rekapitulasi code[][] Iterasi-1 Soal Verifikasi dan Validasi ......... III-63
Tabel III.29 Rekapitulasi Variabel Kucing Iterasi-1 Soal Verifikasi dan Vali-
dasi ........................................................................................... III-63
Tabel IV.1 Rekapitulasi Kombinasi Parameter Cat Swarm Optimization .....IV-12
Tabel IV.2 Rekapitulasi Implementasi Kasus BR17 ....................................IV-20
Tabel IV.3 Rekapitulasi Implementasi Kasus FTV33 ..................................IV-21
Tabel IV.4 Rekapitulasi Implementasi Kasus FTV44 ..................................IV-22
Tabel IV.5 Rekapitulasi Implementasi Kasus FTV55 ..................................IV-24
Tabel IV.6 Rekapitulasi Implementasi Kasus FTV70 ..................................IV-25
Tabel IV.7 Hasil Uji ANOVA Kasus BR17 ...................................................IV-27
Tabel IV.8 Hasil Uji ANOVA Kasus FTV33 .................................................IV-28
Tabel IV.9 Hasil Uji ANOVA Kasus FTV44 .................................................IV-28
Tabel IV.10 Hasil Uji ANOVA Kasus FTV55 .................................................IV-28
Tabel IV.11 Hasil Uji ANOVA Kasus FTV70 .................................................IV-29
Tabel IV.12 Rekapitulasi Pengujian ANOVA .................................................IV-29
Tabel IV.13 Uji Beda SMP*CDC Kasus FTV33.............................................IV-30
Tabel IV.14 Uji Beda SRD Kasus FTV44 ......................................................IV-30
xi
Tabel IV.15 Uji Beda SMP*CDC Kasus FTV44 ............................................ IV-30
Tabel IV.16 Uji Beda SRD Kasus FTV55 ...................................................... IV-31
Tabel IV.17 Uji Beda SMP*CDC Kasus FTV55 ............................................ IV-31
Tabel IV.18 Uji Beda SMP Kasus FTV70 ..................................................... IV-31
Tabel IV.19 Rekapitulasi Uji Beda ................................................................ IV-31
Tabel IV.20 Perbandingan Solusi Algoritma CSO Dengan Algoritma Pemb-
anding ....................................................................................... IV-32
Tabel V.1 Rekapitulasi Perbandingan Algoritma CSO Dengan EHO Untuk
Level Parameter yang Sama ........................................................ V-5
Tabel V.2 Rekapitulasi Perbandingan Algoritma CSO Dengan dan Tanpa
2-Opt ............................................................................................ V-6
xiii
DAFTAR GAMBAR
Gambar I.1 Flowchart Metodologi Penelitian .................................................... I-9
Gambar II.1 Flowchart Algoritma Cat Swarm Optimization ............................... II-4
Gambar II.2 Ilustrasi Pengerjaan Local Search 2-Opt ...................................... II-7
Gambar III.1 Proses Encoding Variabel Kucing Menjadi Urutan Kota .............. III-2
Gambar III.2 Algoritma Utama (Algoritma A) .................................................... III-7
Gambar III.3 Algoritma Penentuan Solusi Awal (Algoritma B) .......................... III-8
Gambar III.4 Algoritma Pengurutan Variabel Kucing (Algoritma C) ................ III-10
Gambar III.5 Algoritma Mengubah Variabel Kucing Menjadi Urutan Kota
(Algoritma D) ............................................................................. III-11
Gambar III.6 Algoritma Menghitung Fitness (Algoritma E) .............................. III-12
Gambar III.7 Algoritma Pendefinisian FSmax dan FSmin (Algoritma F) ......... III-14
Gambar III.8 Algoritma Pengisian Copy Setiap Kucing (Algoritma G)............. III-15
Gambar III.9 Algoritma Pencarian Solusi Seeking Mode (Algoritma H) .......... III-16
Gambar III.10 Algoritma Pencarian Solusi Tracing Mode (Algoritma I) ........... III-17
Gambar III.11 Algoritma Pengurutan Variabel Kucingcopy (Algoritma J) ....... III-19
Gambar III.12 Algoritma Mengubah Variabel Kucing[] Menjadi Urutan Kota
(Algoritma K) ........................................................................... III-21
Gambar III.13 Algoritma Perbandingan Variabel Kucingcopy dengan Variabel Ku-
cing (Algoritma L) .................................................................... III-23
Gambar III.14 Algoritma Lanjutan Perbandingan Variabel Kucingcopy deng-
an Variabel Kucing (Algoritma L) ............................................. III-24
Gambar III.15 Algoritma Pemilihan Alternatif Perpindahan SPC True (Algorit-
ma L1)..................................................................................... III-26
Gambar III.16 Algoritma Pemilihan Alternatif Perpindahan SPC False (Algo-
ritma L2) .................................................................................. III-28
Gambar III.17 Algoritma Local Search 2-Opt ................................................. III-29
Gambar III.18 Algoritma Pengurutan Variabel Kucinglocal............................. III-31
Gambar III.19 Algoritma Mengubah Variabel Kucinglocal Menjadi Urutan Ko-
ta ............................................................................................... III-33
Gambar III.20 Algoritma Menghitung Fitnesslocal .......................................... III-34
xiv
Gambar III.21 Algoritma Pengembalian Variabel Kucingcopy dan Variabel
Kucing Menjadi Kode (Algoritma M) ........................................ III-35
Gambar IV.1 Script Pendefinisian Parameter, Variabel, dan Array .................IV-2
Gambar IV.2 Script Penentuan Solusi Awal ...................................................IV-2
Gambar IV.3 Script Pengurutan Variabel Kucing ............................................IV-3
Gambar IV.4 Script Mengubah Variabel Kucing Menjadi Urutan Kota ............IV-3
Gambar IV.5 Script Perhitungan Fitness ........................................................IV-4
Gambar IV.6 Script Pendefinisian FSmax dan FSmin ....................................IV-4
Gambar IV.7 Script Pendefinisian iterasi, kucingke, dan Pengosongan Vari-
abel Mutasi ................................................................................IV-5
Gambar IV.8 Script Pembagian Flag dan Perpindahan Seeking ....................IV-6
Gambar IV.9 Script Perpindahan Tracing .......................................................IV-6
Gambar IV.10 Script Pengurutan Variabel Kucing dan Mengubah Variabel
Kucing Menjadi Urutan Kota ......................................................IV-7
Gambar IV.11 Script Pengurutan Variabel Kucingcopy dan Mengubah Varia-
bel Kucingcopy Menjadi Urutan Kota .........................................IV-8
Gambar IV.12 Script Perhitungan Fitnesscopy .................................................IV-9
Gambar IV.13 Script Perhitungan Probabilitas Terpilihnya Setiap Alternatif .....IV-9
Gambar IV.14 Script Perbandingan Variabel Kucingcopy Dengan Variabel
Kucing Untuk SPC≤0,5 ............................................................IV-10
Gambar IV.15 Script Perbandingan Variabel Kucingcopy Dengan Variabel
Kucing Untuk SPC>0,5 ...........................................................IV-10
Gambar IV.16 Script Pendefinisian Kembali FSmax dan FSmin ....................IV-11
Gambar IV.17 Script Pengembalian Nilai Variabel Kucing dan Variabel
Kucingcopy Menjadi Kode .......................................................IV-11
Gambar IV.18 Script Local Search 2-Opt .......................................................IV-12
Gambar IV.19 Script Pengurutan Variabel Kucinglocal ..................................IV-13
Gambar IV.20 Script Mengubah Variabel Kucinglocal Menjadi Urutan Kota ...IV-13
Gambar IV.21 Script Menghitung Nilai fitnesslocal[] .......................................IV-13
Gambar IV.22 Script Penampilan Nilai Variabel Kucing Untuk Validasi
Program ..................................................................................IV-14
Gambar IV.23 Output Validasi Program .........................................................IV-15
Gambar IV.24 Script Pemeriksaan Nilai Parameter Program .........................IV-27
xv
DAFTAR LAMPIRAN
Lampiran A Kasus Benchmark BR17 .............................................................. A-1
Lampiran B Kasus Benchmark FTV33 ............................................................ B-1
Lampiran C Kasus Benchmark FTV44 ........................................................... C-1
Lampiran D Kasus Benchmark FTV55 ........................................................... D-1
Lampiran E Kasus Benchmark FTV70 ............................................................ E-1
I-1
BAB I
PENDAHULUAN
Pada bab I ini akan dibahas mengenai pendahuluan dari penelitian yang
dilakukan. Bab I berisi latar belakang masalah, identifikasi dan rumusan masalah,
batasan masalah, tujuan penelitian, manfaat penelitian baik bagi peneliti maupun
pembaca, metodologi penelitian, serta sistematika penulisan laporan hasil
penelitian.
I.1 Latar Belakang Masalah
Kegiatan distribusi merupakan salah satu kegiatan yang terpenting dalam
sebuah siklus rantai pasok (supply chain). Di dalam sebuah rantai pasok terdapat
yang namanya supply chain surplus atau supply chain profit. Supply chain
surplus/profit secara umum dirumuskan dengan mengurangi supply chain revenue
dengan supply chain cost (Teebom, 2018). Salah satu cara untuk dapat
memaksimalkan supply chain profit adalah dengan mengurangi supply chain cost
(O’Byrne, 2011). Komponen-komponen penyusun supply chain cost tidak selalu
sama, bergantung pada jenis industrinya. Secara umum penyusun supply chain
cost antara lain adalah production cost, ordering cost, marketing/sales cost,
inventory/holding cost, serta distribution cost. Distribution cost atau biaya distribusi
merupakan besarnya biaya yang harus dikeluarkan dari satu partai dalam sebuah
rantai pasok ke partai berikutnya untuk mendistribusikan produk yang
diperjualbelikan. Untuk menekan biaya distribusi, perusahaan akan melakukan
pengiriman untuk banyak konsumen dalam satu kali perjalanan. Pengiriman
produk ke banyak tujuan dalam satu kali perjalanan akan lebih hemat
dibandingkan dengan melakukan pengiriman produk hanya ke satu tujuan saja
dalam satu kali perjalanan.
Industri-industri yang perlu untuk melakukan distribusi antara lain adalah
bisnis pengiriman paket oleh kurir ataupun jasa katering. Sebagai contoh, bisnis A
merupakan sebuah bisnis katering makanan sehat di daerah Bandung.
Pembayaran dilakukan di awal bulan pada tanggal satu, lalu selama 30 hari ke
depan katering A akan melakukan pengiriman lunchbox setiap harinya kepada
BAB I PENDAHULUAN
I-2
konsumen-konsumennya. Apabila pada bulan ini ada 15 pelanggan yang
memesan jasa katering A, maka setiap harinya katering A akan mengantarkan
lunchbox terhadap 15 konsumen tersebut. Contoh lainnya adalah sebuah
distributor kain B yang terkenal dengan puluhan konsumen tetap. Setiap
periodenya, distributor tersebut harus mengirimkan sejumlah bahan baku kepada
konsumen-konsumen tersebut. Terdapat banyak kombinasi rute yang bisa dipilih
untuk ditempuh oleh distributor tersebut untuk mengantarkan produknya.
Distributor tentunya akan memilih rute yang dapat menghasilkan jarak tempuh
atau biaya yang sekecil mungkin. Permasalahan seperti ini dapat dikategorikan
sebagai permasalahan kombinatorial. Permasalahan tersebut dapat dimodelkan
dengan kasus optimasi kombinatorial yang sering disebut Traveling Salesman
Problem (TSP).
Persoalan TSP merupakan salah satu combinatorial optimization problem
yang paling banyak dipelajari secara luas (Gutin & Punnen, 2002). TSP
dikembangkan oleh Lawrer, Lenstra, Kan, dan Shmoys pada tahun 1986.
Persoalan TSP merupakan suatu permasalahan transportasi dimana dianalogikan
terdapat seorang salesman yang harus mengantarkan barang dengan
mengunjungi kota-kota tujuan sebanyak satu kali saja lalu kembali lagi ke kota
asalnya setelah seluruh kota tujuan telah dikunjungi. Salesman tersebut
diharapkan dapat mengunjungi seluruh kota tujuan dengan melewati rute yang
dapat menghasilkan biaya atau jarak transportasi yang terkecil sesuai dengan
objective function yang diinginkan (Lawrer, Lenstra, Kan, & Shmoys, 1986).
Contoh pengaplikasian TSP dalam kehidupan nyata antara lain adalah
permasalahan A Tour Through MLB Ballparks dimana ada seorang penggemar
baseball yang ingin mengunjungi seluruh stadium baseball yang ada di Major
League Baseball dengan menghasilkan biaya perjalanan terkecil. Permasalahan
tersebut dimodelkan dalam kasus MLB30 pada www.tsp.gatech.edu/index.html
(2005). Contoh lainnya adalah pada permasalahan Genome Sequencing, yaitu
penjadwalan pengambilan koin-koin pada payphone di region-region di Amerika
Serikat. Masih banyak pengaplikasian TSP di dunia nyata yang bisa diakses pada
laman www.tsp.gatech.edu/index.html.
Persoalan TSP secara umum terbagi menjadi dua subproblem, yaitu
Symmetric Traveling Salesman Problem (STSP) dan Asymmetric Traveling
Salesman Problem (ATSP). Jika jarak dari kota i ke kota j sama dengan jarak kota
BAB I PENDAHULUAN
I-3
j ke kota i, maka persoalan tersebut dapat dikelompokkan ke dalam subproblem
STSP. Namun, apabila jarak dari kota i ke kota j tidak sama dengan jarak dari kota
j ke kota i, maka persoalan tersebut dapat dikelompokkan ke dalam subproblem
ATSP (Gutin et al., 2002). Permasalahan transportasi dengan menganalogikan
bahwa jarak yang ditempuh dari kota A ke kota B sama dengan jarak dari kota B
ke kota A seperti pada subproblem STSP kurang menggambarkan situasi
sebenarnya. Sebagai contoh saja di Kota Bandung dimana banyak jalan yang
bersifat one-way, jarak yang harus ditempuh dari poin A ke poin B tidak sama
dengan jarak yang harus ditempuh dari poin B ke poin A. Maka dari itu, ATSP
dapat menutupi kekurangan yang dimiliki oleh STSP dalam menyelesaikan
permasalahan transportasi.
Asymmetric Travelling Salesman Problem tergolong ke dalam NP-Hard
(Non-deterministic Polynomial-time Hard) Problem, yang berarti bahwa
penyelesaian masalah dengan metode eksak akan sulit untuk digunakan seiring
dengan bertambah rumitnya permasalahan yang ingin diselesaikan (Ascheuer,
Grotschel & Abdel-Hamid, 1999). Metode eksak yang biasa digunakan untuk
menyelesaikan permasalahan ATSP adalah branch and bound dan deterministic
dynamic programming. Metode-metode eksak tersebut bisa digunakan untuk
menyelesaikan permasalahan ATSP, namun semakin banyak jumlah kota yang
digunakan pada kasus ATSP, maka waktu penyelesaian permasalahan kasus
tersebut akan menjadi sangat lama.
Oleh karena itu, dibutuhkan pendekatan lain selain menggunakan metode
eksak. Pendekatan algoritma metaheuristik dapat digunakan sebagai alternatif
penyelesaian masalah yang tergolong ke dalam NP-Hard Problem. Pendekatan
dengan menggunakan pendekatan algoritma metaheuristik dalam menyelesaikan
NP-Hard Problem tidak dapat menjamin mendapatkan solusi optimal, namun
dapat menghasilkan solusi yang baik dengan waktu yang jauh lebih singkat
dibandingkan dengan menggunakan metode analitik.
I.2 Identifikasi dan Rumusan Masalah
Hasil akhir yang didapatkan dari penyelesaian masalah ATSP adalah rute
atau urutan kota yang harus ditempuh oleh salesman. Permasalahan tersebut
dapat diselesaikan dengan menggunakan metode eksak dan menjamin akan
mendapatkan solusi yang optimal (Alba, Luque & Nesmachnow, 2013) namun,
BAB I PENDAHULUAN
I-4
semakin banyak jumlah kota yang terdapat dalam suatu permasalahan ATSP akan
menyebabkan waktu penyelesaian yang dibutuhkan bertambah semakin besar
secara eksponensial. Terdapat penyelesaian dengan menggunakan pendekatan
lain yaitu dengan menggunakan metode heuristik dan metaheuristik. Penggunaan
metode heuristik dan metaheuristik oleh para ilmuan untuk menyelesaikan
berbagai kasus optimasi juga sudah dilakukan sejak tahun 1970-an. Penyelesaian
dengan menggunakan metode heuristik dan metaheuristik tidak menjamin peneliti
untuk mendapatkan solusi yang optimal, namun setidaknya dapat menghasilkan
solusi yang baik (Kunche & Reddy, 2016).
Metode heuristik adalah metode yang menghasilkan solusi yang baik
namun tidak untuk semua tipe (instances) dari permasalahan yang diselesaikan,
yang berarti bahwa metode tersebut dirancang hanya untuk menyelesaikan
masalah tertentu saja atau biasa disebut problem dependent (Kokash, 2009).
Selain itu, metode heuristik juga cenderung terjebak pada local optimum
dikarenakan tidak adanya eksplorasi yang dilakukan. Hasil akhir dari penggunaan
metode heuristik dipengaruhi juga oleh seberapa baik solusi awal yang terbentuk
yang akan menjadi local optimum pada awal pengerjaan.
Berbeda dengan metode heuristik, metode metaheuristik bersifat problem
independent. Artinya, metode metaheuristik tidak didesain untuk menyelesaikan
beberapa masalah tertentu saja, sehingga memiliki pengaplikasian yang lebih luas
dibandingkan heuristik. Penerapan metode metaheuristik bersifat lebih umum dan
dapat disesuaikan untuk menyelesaikan permasalahan optimasi apapun (Stutzle,
1999). Terdapat tiga keuntungan dari penggunaan metode metaheuristik, yaitu
waktu penyelesaian permasalahan yang relatif lebih cepat, dapat menyelesaikan
permasalahan besar, dan bersifat robust (Talbi, 2009). Solusi yang dihasilkan dari
metode metaheuristik bersifat lebih robust daripada metode heuristik, sehingga
menyebabkan lebih berkembangnya pengaplikasian metode metaheuristik untuk
menyelesaikan permasalahan-permasalahan optimasi yang ada. Yang dimaksud
dengan lebih robust adalah solusi yang dihasilkan oleh algoritma metaheuristik
tetap dapat menghasilkan solusi yang mendekati global optimal walaupun nilai dari
parameter-parameternya berubah (Zobolas, Tarantilis & Ioannou, 2017).
Penelitian dilakukan kepada tujuh algoritma metaheuristik untuk menguji pengaruh
dari parameter-parameternya terhadap waktu penyelesaian serta convergence
rate terhadap global optimal dengan α sebesar 0,05. Kesimpulan dari penelitian
BAB I PENDAHULUAN
I-5
tersebut adalah bahwa metode metaheuristik tetap memiliki waktu penyelesaian
serta convergence rate yang relatif baik untuk menyelesaikan permasalahan
optimisasi dengan nilai parameter awal yang berbeda-beda (Ismail, 2017).
Metode-metode metaheuristik yang sudah pernah digunakan untuk
menyelesaikan kasus Asymmetric Traveling Salesman Problem antara lain adalah
Football Game Algorithm (Raharja, 2017), Elephant Herding Optimization
Algorithm (Santosa, 2017), dan Improved Discrete Bat Algorithm (Osaba, Yang,
Garcia, & Carballedo, 2016). Dari lima kasus benchmark yang digunakan pada
penelitian di atas, algoritma Football Game, Elephant Herding dan Discrete Bat
berhasil menemukan best-known solution untuk empat dari lima kasus benchmark
yang digunakan. Penyelesaian kasus ATSP tidak terbatas pada hanya metode-
metode tersebut. Fakta bahwa masih belum ditemukannya best-known solution
untuk seluruh kasus benchmark mengindikasikan adanya kemungkinan bagi
algoritma metaheuristik lain yang dapat menghasilkan best-known solution untuk
seluruh kasus benchmark. Metode-metode metaheuristik lain dapat dicoba untuk
menyelesaikan kasus ATSP dengan harapan dapat menghasilkan solusi lebih baik
dari metode yang pernah digunakan sebelumnya.
Berdasarkan hasil penelitian yang dilakukan oleh Raharja (2017),
algoritma Football Game memiliki delapan buah parameter. Salah sat cara untuk
menilai sebuah kekompleksan dari sebuah algoritma dapat dilihat dari jumlah
parameter tersebut. Semakin kompleks sebuah algoritma dapat menyebabkan
semakin sulit untuk menemukan kombinasi dari nilai parameter-parameter
tersebut yang dapat menghasilkan performansi yang terbaik. Namun, jumlah
parmeter yang banyak juga membuka kesempatan bagi algoritma tersebut untuk
dapat menghasilkan perfomansi yang baik karena banyaknya kemungkinan
kombinasi paramater yang mungkin.
Berdasarkan penelitian yang dilakukan oleh Santosa (2017), proses
pencarian solusi seringkali terjebak pada local optimum saja. Hal ini dapat
dihubungkan dengan tingkat konvergensi dari algoritma tersebut. Konvergensi
yang tinggi berarti algoritma dapat menghasilkan solusi-solusi yang cenderung
berkumpul di satu buah titik (konvergen), namun apabila solusi-solusi tersebut
berkumpul di titik yang merupakan local optimal, maka algoritma tersebut tidak
dapat dikatakan baik juga.
BAB I PENDAHULUAN
I-6
Chu, Tsai, dan Pan (2006) dalam penelitiannya melakukan pengujian
terhadap salah satu algoritma metaheuristik, yaitu Cat Swarm Optimization (CSO).
Cat Swarm Optimization merupakan model metaheuristik yang terinspirasi dari
perilaku seekor kucing dalam mencari mangsanya. Kewaspadaan kucing
sangatlah tinggi, mereka selalu tetap waspada bahkan saat mereka beristirahat.
Seringkali kita melihat seekor kucing sedang beristirahat yang terlihat bermalas-
malasan namun membuka matanya lebar-lebar untuk memperhatikan keadaan
sekitar. Mereka yang terlihat seperti pemalas, sebenarnya merupakan spesies
yang pintar dan peka terhadap keadaan sekitar.
Chu, Tsai, dan Pan (2006) mengembangkan algoritma CSO dengan
membagi kucing menjadi dua mode, yaitu seeking mode dan tracing mode.
Seeking mode adalah kondisi dimana agen kucing sedang beristirahat dan tidak
melakukan banyak pergerakan, namun terus mengawasi keadaan sekitarnya
untuk mencari mangsa. Sedangkan tracing mode adalah kondisi dimana kucing
bersifat lebih aktif. Kucing akan melakukan perpindahan yang lebih banyak
dibandingkan pada seeking mode untuk mencari mangsanya.
Dalam algoritma CSO, sejumlah populasi dari kucing akan didistribusikan
kepada ruang berdimensi M, dimana setiap kucing merepresentasikan sebuah
solusi. Kucing-kucing dalam populasi tersebut akan terbagi ke dalam dua buah
subgrup yaitu subgrup seeking mode dan juga subgrup tracing mode. Dikarenakan
fakta bahwa kucing lebih suka menghabiskan waktunya untuk beristirahat
dibandingkan dengan waktu untuk memburu mangsanya, maka jumlah populasi
pada subgrup tracing mode akan lebih sedikit dibandingkan subgrup seeking
mode. Setelah membagi populasi ke dalam dua subgrup tersebut, posisi dari
setiap kucing akan terbaharui, dan kucing dengan nilai fitness terbaik akan
disimpan di dalam memori. Kucing dengan fitness terbaik adalah kucing yang
memiliki posisi yang paling dekat dengan posisi mangsanya (Chu, Tsai, & Pan,
2006). Dalam penelitiannya juga, CSO dibandingkan performansinya dengan
Particle Swarm Optimization (PSO), dan Particle Swarm Optimization with Weight
Factor (PSOWF) dengan enam test functions untuk membandingkan
performansinya. Hasil dari pengujian tersebut menghasilkan hasil bahwa
performansi CSO jauh lebih baik dibandingkan dengan PSO dan PSOWF (Chu,
Tsai, & Pan, 2006).
BAB I PENDAHULUAN
I-7
Algoritma CSO telah digunakan untuk menyelesaikan beberapa
permasalahan seperti Optimal Reservoir Operation (Bahrami, Haddad & Chu,
2017) dan Generalized Traveling Salesman Problem (Yakub, 2016). Pada
penelitian yang dilakukan oleh Bahrami, Haddad, dan Chu (2017), CSO
menghasilkan nilai convergence rate sebesar 99,58%, lebih besar dibandingkan
dengan algoritma pembanding yaitu General Algorithm (GA) yang hanya 78,76%.
Selain tidak mudah terjebak di local optimal, CSO juga dinyatakan memiliki
convergence rate yang tinggi sehingga pencarian solusi yang baik dapat dilakukan
dengan cepat. Penerapan algoritma Cat Swarm Optimization (CSO) pada
permasalahan Generalized Traveling Salesman Problem (GTSP) oleh Yakub
(2016) menghasilkan kesimpulan bahwa performansi algoritma CSO lebih baik
dari algoritma Branch and Cut, dan algoritma CSO dapat menyelesaikan kasus
lebih cepat dari algoritma Particle Swarm Optimization.
Setiap model metaheuristik memiliki parameter-parameter yang harus
ditentukan dulu nilai awalnya supaya proses pencarian solusi dapat dilakukan.
Nilai awal yang diberikan kepada parameter-parameter tersebut dapat
mempengaruhi performansi dari algoritma yang digunakan. Algoritma Cat Swarm
Optimization memiliki empat buah parameter yaitu seeking memory pool (SMP),
seeking range of the selected dimension (SRD), counts of dimension to change
(CDC), dan juga mixture ratio (MR). Pengaruh dari keempat parameter tersebut
perlu diteliti untuk dapat menghasilkan performansi algoritma terbaik.
Terkait potensi yang dimiliki oleh algoritma Cat Swarm Optimization,
digunakanlah algoritma tersebut dalam menyelesaikan permasalahan Asymmetric
Traveling Salesman Problem. Performansi Cat Swarm Optimization juga akan
dibandingkan dengan algoritma-algoritma pembanding sebagai bahan
pertimbangan dan evaluasi. Dari berbagai algoritma metaheuristik yang telah
digunakan untuk menyelesaikan kasus ATSP, dipilihlah tiga algoritma yang
memiliki bentuk yang sama dengan algoritma CSO yaitu bentuk swarm, serta
algoritma yang menghasilkan performansi yang dikategorikan baik. Algoritma-
algoritma tersebut adalah Football Game Algorithm (Raharja, 2017), Elephant
Herding Optimization Algorithm (Santosa, 2016) dan Discrete Bat Algorithm
(Osaba et al., 2016). Berdasarkan identifikasi masalah yang telah dibuat, maka
dapat dirumuskan masalah sebagai berikut.
BAB I PENDAHULUAN
I-8
1. Bagaimana penerapan Cat Swarm Optimization dalam menyelesaikan
kasus benchmark Asymmetric Traveling Salesman Problem?
2. Bagaimana pengaruh dari parameter-parameter dari Cat Swarm
Optimization terhadap performansinya?
3. Bagaimana perbandingan performansi Cat Swarm Optimization dengan
performansi Football Game Algorithm (Raharja, 2017), Elephant Herding
Optimization Algorithm (Santosa, 2016) dan Discrete Bat Algorithm (Osaba
et al., 2016) dalam menyelesaikan kasus benchmark Asymmetric
Traveling Salesman Problem?
I.3 Batasan Masalah
Batasan masalah berguna untuk membatasi ruang lingkup penelitian.
Batasan masalah yang digunakan dalam penelitian ini adalah bahwa penelitian
dilakukan hanya terhadap lima kasus benchmark.
I.4 Tujuan Penelitian
Berdasarkan rumusan masalah di atas, dapat disimpulkan tujuan
penelitian yang akan dilakukan. Tujuan dari penelitian ini adalah sebagai berikut.
1. Menerapkan Cat Swarm Optimization dalam menyelesaikan kasus
benchmark Asymmetric Traveling Salesman Problem.
2. Mengetahui pengaruh parameter-parameter dari Cat Swarm Optimization
terhadap performansinya.
3. Membandingkan performansi Cat Swarm Optimization dengan
performansi Football Game Algorithm (Raharja, 2017), Elephant Herding
Optimization Algorithm (Santosa, 2016) dan Discrete Bat Algorithm
(Osaba et al., 2016) dalam menyelesaikan kasus benchmark
Asymmetric Traveling Salesman Problem.
I.5 Manfaat Penelitian
Berdasarkan penelitian yang dirancang, maka manfaat yang diharapkan
didapatkan dalam penelitian ini adalah sebagai berikut.
1. Menambah pengetahuan mengenai penerapan Cat Swarm Optimization
dalam menyelesaikan kasus optimasi Asymmetric Traveling
Salesman Problem.
BAB I PENDAHULUAN
I-9
2. Menambah referensi untuk penelitian mengenai Cat Swarm Optimization
dan Asymmetric Traveling Salesman Problem.
I.6 Metodologi Penelitian
Dalam melakukan penelitian mengenai perancangan dan penerapan
algoritma ini, diperlukan suatu metodologi penelitian. Gambar I.1 merupakan
flowchart metodologi penelitian yang digunakan dalam penerapan algoritma cat
swarm optimization untuk menyelesaikan asymmetric traveling salesman problem.
Berikut ini merupakan langkah-langkah atau metodologi yang digunakan dalam
penelitian ini.
1. Studi Literatur
Langkah pertama yang dilakukan dalam penelitian ini adalah studi
literatur. Studi literatur dilakukan dengan mencari dan mengumpulkan
informasi mengenai Cat Swarm Optimization (CSO) dan Asymmetric
Travelling Salesman Problem (ATSP) agar algoritma yang digunakan dan
permasalahan yang diselesaikan sesuai dengan referensi. Referensi
dapat diperoleh dari buku dan jurnal-jurnal terkait.
2. Identifikasi dan Perumusan Masalah
Pada tahap ini akan dilakukan proses pengidentifikasian dan perumusan
dari masalah yang diteliti. Dalam penelitian ini, masalah yang diteliti
adalah mengenai masalah ATSP. Tujuan dari penelitian ini adalah untuk
menjawab perumusan masalah yang dibuat berdasarkan identifikasi
masalah yang telah dilakukan sebelumnya.
3. Penentuan Batasan Masalah dan Asumsi
Setelah dilakukan identifikasi dan perumusan dari masalah, dilakukan
penentuan batasan masalah yang digunakan dalam penelitian mengenai
penerapan CSO dalam menyelesaikan kasus ATSP. Batasan masalah
digunakan untuk membatasi permasalahan yang diangkat agar lebih
fokus dan tidak meluas.
4. Penentuan Tujuan dan Manfaat Penelitian
Suatu penelitian tentunya memiliki tujuan dan manfaat penelitian. Dalam
penelitian ini juga ditentukan tujuan dan manfaat penelitian. Penentuan
tujuan dan manfaat bertujuan agar penelitian yang dilakukan dapat
terarah.
BAB I PENDAHULUAN
I-10
Mulai
Studi Literatur
Identifikasi dan Perumusan
Masalah
Penentuan Batasan Masalah
dan Asumsi Penelitian
Penentuan Tujuan dan
Manfaat Penelitian
Perancangan Algoritma
Penyelesaian Permasalahan
ATSP Berdasarkan Model
CSO
Perancangan Program
Penyelesaian Permasalahan
ATSP Berdasarkan Model
CSO
Verifikasi dan Validasi
Algoritma
Verifikasi dan Validasi
Program
Penerapan Program untuk
Menyelesaikan Kasus
Benchmark
Pembuatan Analisis
Pembuatan Kesimpulan dan
Saran
A
A
Terverifikasi dan Valid?
Ya
Tidak
Terverifikasi dan Valid?
Tidak
Ya
Selesai
Gambar I.1 Flowchart Metodologi Penelitian
5. Perancangan Algoritma Penyelesaian Permasalahan ATSP Berdasarkan
Model CSO
BAB I PENDAHULUAN
I-11
Perancangan algoritma CSO untuk menyelesaikan permasalahan ATSP
dilakukan agar algoritma yang dirancang dapat merepresentasikan solusi
yang sesuai dengan permasalahan yang ingin diselesaikan.
6. Verifikasi dan Validasi Algoritma
Algortima CSO yang dirancang dan disesuaikan pada langkah
sebelumnya perlu diverifikasi dan validasi agar dapat dipastikan bahwa
algoritma yang dirancang sesuai dan dapat merepresentasikan solusi
untuk menyelesaikan kasus ATSP. Algoritma yang dirancangan harus
terverifikasi dan tervalidasi.
7. Perancangan Program Penyelesaian Permasalahan ATSP Berdasarkan
Model CSO
Pada tahap ini akan dilakukan pembuatan program komputer dari
algoritma yang sudah terverifikasi dan tervalidasi.
8. Verifikasi dan Validasi Program
Program yang telah dirancang harus diverifikasi dan divalidasi agar
sesuai dengan perancangan algoritma CSO untuk menyelesaikan
permasalahan ATSP. Jika program yang dibuat tidak terverifikasi atau
tervalidasi, maka perlu dilakukan perancangan kembali program tersebut
hingga terverifikasi dan tervalidasi.
9. Penerapan Program untuk Menyelesaikan Kasus Benchmark
Penerapan program dilakukan untuk menghasilkan solusi dari kasus
benchmark ATSP yang digunakan pada penelitian ini.
10. Analisis
Analisis dilakukan pada hasil penerapan algoritma CSO pada kasus
benchmark ATSP. Analisis juga dapat dilakukan untuk mengetahui
parameter apa yang memengaruhi algoritma CSO dalam menyelesaikan
kasus benchmark, serta perbandingannya dengan algoritma-algoritma
pembanding.
11. Pembuatan Kesimpulan dan Saran
Penarikan kesimpulan dilakukan untuk menjawab rumusan masalah
berdasarkan hasil dari penelitian yang telah dilakukan. Saran dibuat
supaya penelitian berikutnya terkait algoritma CSO dan permasalahan
ATSP dapat lebih baik lagi.
BAB I PENDAHULUAN
I-12
I.7 Sistematika Penulisan
Penelitian ini tersusun di dalam sebuah sistematika penulisan.
Sistematika penulisan dapat membantu hasil penelitian tersusun secara rapi dan
sistematis. Berikut merupakan sistematika penulisan dari penelitian yang
dilakukan.
BAB I PENDAHULUAN
Pada bab ini dijelaskan latar belakang masalah, identifikasi dan rumusan
masalah, asumsi dan batasan masalah, tujuan penelitian, manfaat penelitian,
metodologi penelitian, dan sistematika penulisan.
BAB II TINJAUAN PUSTAKA
Pada bab ini dijelaskan mengenai dasar teori yang digunakan dalam
penelitian. Dasar teori yang digunakan berhubungan dengan asymmetric traveling
salesman problem, cat swarm optimization, local search 2-opt dan desain
eksperimen.
BAB III PENERAPAN ALGORITMA
Pada bab ini dijelaskan mengenai encoding dan decoding, penambahan
local search 2-opt, langkah kerja cat swarm optimization, penerapan cat swarm
optimization untuk menyelesaikan asymmetric traveling salesman problem, dan
verifikasi dan validasi algoritma.
BAB IV PERANCANGAN PROGRAM DAN IMPLEMENTASI ALGORITMA
Pada bab ini dijelaskan mengenai implementasi cat swarm optimization
untuk menyelesaikan asymmetric traveling salesman problem. Hal-hal yang
dibahas meliputi verifikasi dan validasi program, penentuan nilai parameter
asymmetric traveling salesman problem, implementasi cat swarm optimization
untuk menyelesaikan kasus benchmark, pengujian pengaruh parameter cat swarm
optimization, serta perbandingan performansi cat swarm optimization dengan
elephant herding optimization, football game algorithm, dan improved discrete bat
algorithm.
BAB I PENDAHULUAN
I-13
BAB V ANALISIS
Pada bab ini dijelaskan analisis dari encoding dan decoding, analisis
penambahan local search 2-opt, analisis parameter cat swarm optimization dan
analisis perbandingan performansi cat swarm optimization dengan algoritma
pembanding.
BAB VI KESIMPULAN DAN SARAN
Pada bab ini dijelaskan mengenai kesimpulan dari hasil penerapan cat
swarm optimization untuk menyelesaikan asymmetric traveling salesman problem
serta saran yang diberikan untuk penelitian selanjutnya.