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.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


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


si dan Validasi ............................................................................. III-47


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.7 Hasil Uji ANOVA Kasus BR17 ...................................................IV-27

Tabel IV.8 Hasil Uji ANOVA Kasus FTV33 .................................................IV-28




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

http://www.tsp.gatech.edu/index.html

http://www.tsp.gatech.edu/index.html

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.

PENERAPAN ALGORITMA CAT SWARM OPTIMIZATION UNTUK ...

Documents

Transcript of PENERAPAN ALGORITMA CAT SWARM OPTIMIZATION UNTUK ...