Proposal TA kid

26
APLIKASI PENENTUAN RUTE TERPENDEK PENGIRIMAN BARANG DENGAN ALGORITMA SEMUT STUDI KASUS CV.MEGA ANUGERAH KOTA SEMARANG PROPOSAL TUGAS AKHIR Telah Diperiksa dan Disetujui Sebagai Salah Satu Syarat Untuk Memperoleh Gelar Sarjana Komputer Disusun Oleh: NUR AULIA J2F007035 PROGRAM STUDI TEKNIK INFORMATIKA JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS DIPONEGORO 2011

Transcript of Proposal TA kid

Page 1: Proposal TA kid

APLIKASI PENENTUAN RUTE TERPENDEK PENGIRIMAN

BARANG DENGAN ALGORITMA SEMUT

STUDI KASUS CV.MEGA ANUGERAH KOTA SEMARANG

PROPOSAL TUGAS AKHIR

Telah Diperiksa dan Disetujui Sebagai Salah Satu Syarat Untuk Memperoleh Gelar

Sarjana Komputer

Disusun Oleh:

NUR AULIA

J2F007035

PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS DIPONEGORO

2011

Page 2: Proposal TA kid

ii

HALAMAN PENGESAHAN

Yang bertandatangan di bawah ini menyatakan bahwa Proposal Tugas Akhir yang

berjudul:

APLIKASI PENENTUAN RUTE TERPENDEK PENGIRIMAN

BARANG DENGAN ALGORITMA SEMUT

STUDI KASUS CV.MEGA ANUGERAH KOTA SEMARANG

Dipersiapkan dan disusun oleh:

Nama : Nur Aulia

NIM : J2F007035

Telah disahkan sebagai Proposal Tugas Akhir pada tanggal 20 September 2011, yang

merupakan salah satu syarat untuk memperoleh gelar Sarjana Komputer.

Pembimbing I, Pembimbing II,

Priyo Sidik Sasongko, S.Si, M.Kom Beta Noranita, S.Si, M.Kom

NIP 19700705 199702 1 001 NIP 19730829 199802 2 001

Mengetahui,

Ketua Jurusan Matematika Ketua Program Studi Teknik Informatika

Dr. Widowati, S.Si, M.Si Drs. Eko Adi Sarwoko, M.Kom

NIP 19690214 199403 2 002 NIP 19651107 199203 1 003

Page 3: Proposal TA kid

iii

DAFTAR ISI

HALAMAN PENGESAHAN ............................................................................................... ii

DAFTAR ISI ........................................................................................................................ iii

DAFTAR GAMBAR ............................................................................................................ iv

DAFTAR TABEL ................................................................................................................. v

DAFTAR LAMPIRAN ........................................................................................................ vi

BAB I PENDAHULUAN ..................................................................................................... 1

I.1. Latar Belakang ............................................................................................................. 1

I.2. Rumusan Masalah........................................................................................................ 3

I.3. Tujuan dan Manfaat ..................................................................................................... 3

I.4. Ruang Lingkup ............................................................................................................ 4

BAB II METODOLOGI ........................................................................................................ 5

II.1. Studi Pustaka .............................................................................................................. 5

II.1.1. Kecerdasan Buatan (Artificial Intelligence) ........................................................ 5

II.1.2. Graf ...................................................................................................................... 6

II.1.3. Travelling Salesman Problem (TSP) ................................................................... 7

II.1.4. Algoritma Semut .................................................................................................. 9

II.1.4.1 Karakteristik Algoritma Semut .............................................................. 10

II.1.4.2 Algoritma Semut dalam Penyelesaian TSP ............................................ 13

II.2. Observasi .................................................................................................................. 15

II.3. Garis Besar Penyelesaian Masalah ........................................................................... 16

II.3.1. Analysis (Analisis Sistem) ............................................................................ 16

II.3.2. Design (Perancangan Sistem) ........................................................................ 16

II.3.3. Code ............................................................................................................... 17

II.3.4. Test (Ujicoba Sistem) .................................................................................... 17

II.4. Jadwal ....................................................................................................................... 17

DAFTAR PUSTAKA .......................................................................................................... 19

Page 4: Proposal TA kid

iv

DAFTAR GAMBAR

Gambar II. 1 Graf Berarah dan Berbobot .............................................................................. 6

Gambar II. 2 Graf Tidak Berarah dan Berbobot .................................................................... 6

Gambar II. 3 Graff Berarah dan Tidak Berbobot .................................................................. 7

Gambar II. 4 Graf Tidak Berarah dan Tidak Berbobot ......................................................... 7

Gambar II. 5 Contoh Travelling Salesman Problem ............................................................. 8

Gambar II. 6 Pergerakan Semut Mencari Rute Terpendek ................................................... 9

Gambar II. 7 Flowchart Algoritma Semut .......................................................................... 15

Gambar II. 8 Tahapan Pengembanan Sistem ....................................................................... 16

Gambar II. 9 Uraian Sistem ................................................................................................. 16

Page 5: Proposal TA kid

v

DAFTAR TABEL

Table II. 1 Jadwal Kegiatan Tugas Akhir ............................................................................ 18

Page 6: Proposal TA kid

vi

DAFTAR LAMPIRAN

Lampiran 1 : Notulensi Seminar Proposal Tugas Akhir

Lampiran 2 : Daftar Hadir Seminar Proposal Tugas Akhir

Page 7: Proposal TA kid

1

BAB I

PENDAHULUAN

Bab ini membahas latar belakang, rumusan masalah, tujuan dan manfaat, dan

ruang lingkup tugas akhir mengenai Aplikasi Penentuan Rute Pengiriman Barang dengan

Algoritma Semut Studi Kasus CV.Mega Anugerah Kota Semarang.

I.1. Latar Belakang

CV.Mega Anugerah sebagai pihak yang bertanggung jawab menyalurkan

produk-produk Nestle ke distributor-distributor sering mengalami keterlambatan dalam

melakukan pengiriman. Keterlambatan ini dapat menyebabkan distributor juga tidak

dapat melayani permintaan konsumen secara maksimal. Penyebab dari keterlambatan

ini adalah karena tidak adanya rute pengiriman barang yang jelas dan terstruktur,

sedangkan selama ini ditentukan berdasarkan pengalaman dari orang yang mengirim

barang (dropper), padahal tidak semua dropper memiliki kemampuan yang sama

dalam menentukan rute pengiriman sehingga tidak jarang proses pengiriman barang

menjadi terlambat atau ditunda keesokan harinya.

Banyaknya jalan atau rute menuju distributor membuat dropper CV.Mega

Anugerah yang belum begitu mengetahui tata jalan di Kota Semarang akan bingung

dan kesulitan menentukan rute menuju distributor yang optimal untuk mencapai ke

semua tujuan sesuai jadwal. Oleh karena itu, dibutuhkan solusi yang dapat mengatasi

penentuan rute mana tepat untuk mencapai tempat-tempat tujuan yang telah

dijadwalkan serta mampu mencapai tujuan tersebut dengan rute yang terpendek.

Secara umum, pencarian jalur terpendek dapat dibagi menjadi dua metode,

yaitu metode konvensional dan metode heuristik. Metode konvensional cenderung

lebih mudah dipahami daripada metode heuristik, tetapi jika dibandingkan, hasil yang

diperoleh dari metode heuristik lebih variatif dan waktu perhitungan yang diperlukan

lebih singkat [10].

Metode heuristik terdiri dari beberapa macam algoritma, diantaranya simulated

annealing algorithm, algoritma genetika, evolutionary programming, dan algoritma

semut. Berdasarkan pendekatan evolusioner untuk masalah partisi sirkuit, algoritma

Page 8: Proposal TA kid

2

genetika memberikan hasil kemajuan yang signifikan [13]. Evaluasi perbandingan

antara simulated annealing algorithm dengan algoritma genetika telah dilakukan oleh

Manikas dan Cane dan menunjukkan bahwa algoritma genetika memberikan hasil

yang lebih baik.

Pengujian dari Fajar Saptono,dkk [12] dalam membandingkan performansi

algoritma pencarian rute terpendek, yaitu antara Algoritma Genetika dengan Algoritma

Semut membuktikan bahwa bobot hasil menggunakan Algoritma Semut lebih stabil

dan memiliki keadaan konstan dalam penentuan bobot hasil, sehingga grafik solusi

yang dihasilkan tidak jauh berbeda dengan nilai optimum.

Penelitian dalam aplikasi untuk permasalahan TSP yang dilakukan Marco

Dorigo dan Gambardella [6] menunjukkan bahwa pada kasus TSP dengan 75 kota,

algoritma semut hanya membutuhkan simulasi perjalanan sebanyak 3480 kali untuk

menemukan jalur terbaik, sedangkan genetic algorithm membutuhkan 80.000 kali

simulasi perjalanan untuk menemukan jalur perjalanan terbaik dan algoritma lain

seperti evolutionary programming, simulated annealing dan algoritma genetika bahkan

membutuhkan jumlah simulasi perjalanan yang jauh lebih banyak lagi.

Dilihat dari kecepatan dalam melakukan pencarian rute terpendek, penelitian

Aris Feryanto[7] menunjukkan bahwa dalam pencarian rute terdekat dari 442 kota ,

algoritma brute force membutuhkan pengecekan sebanyak (442 – 1)! / 2 = 1,241x10976

kemungkinan, dengan asumsi waktu 1 clock CPU (pada kenyataannya pasti memakan

lebih dari 1 clock), maka pada prosesor dual-core 2.2 GHz, pengecekan semua

kemungkinan akan memakan waktu 2,821x10966 detik atau 3,265x10961 hari atau

8,947x10958 tahun. Hal ini sangat tidak memungkinkan untuk digunakan jika dilihat

perbandingannya dengan algoritma semut yang hanya memakan waktu kurang dari 10

detik untuk menemukan solusi yang mendekati optimal.

Algoritma semut (ant colony system) merupakan bagian dari artificial

intelligent yang diperkenalkan oleh Moyson dan Manderick dan secara meluas

dikembangkan oleh Marco Dorigo. Algoritma ini mampu menyelesaikan permasalahan

optimisasi yang terinspirasi dari perilaku semut dalam mencari jalur terpendek untuk

memperoleh makanan, yaitu dengan cara menyebarkan feromon yang digunakan untuk

memberi petunjuk jejak bagi semut lain. Kelebihan dari algoritma ini adalah dalam

Page 9: Proposal TA kid

3

proses pencarian rute memberikan hasil yang relatif optimal dengan waktu proses yang

singkat [5].

I.2. Rumusan Masalah

Berdasarkan uraian latar belakang di atas, dapat dirumuskan permasalahan yang

dihadapi, yaitu bagaimana mengimplementasikan algoritma semut pada pencarian rute

terpendek pengiriman barang dengan studi kasus CV.Mega Anugerah Kota Semarang.

I.3. Tujuan dan Manfaat

Tujuan yang ingin dicapai dalam penulisan Proposal Tugas Akhir ini adalah

menghasilkan sebuah aplikasi penentuan rute terpendek pengiriman barang dengan

Algoritma Semut Studi Kasus CV.Mega Anugerah Kota Semarang.

Adapun manfaat yang diharapkan dari penelitian tugas akhir ini adalah sebagai

berikut :

1) Bagi Penulis

a) Penulis dapat mengimplementasikan ilmu yang didapat selama

perkuliahan ke dunia nyata dengan merancang dan mengembangkan

aplikasi ini.

b) Mendapat pengalaman dalam mengembangkan aplikasi yang berkaitan

dengan TSP (Travel Salessman Problem), sehingga dapat menyelesaikan

permasalahan yang sama maupun yang lebih rumit di lain waktu.

c) Sebagai usaha untuk meraih gelar sarjana komputer (S.Kom).

2) Bagi CV. Mega Anugerah

Mendapatkan aplikasi penentuan rute terpendek pengiriman barang

sehingga dapat menjadi solusi yang tepat untuk membantu menyelesaikan

masalah pengiriman barang yaitu pencarian rute terpendek atau seoptimal

mungkin.

3) Bagi Universitas Diponegoro

Sebagai bahan referensi untuk Universitas Diponegoro, sehingga dapat

dijadikan bahan pertimbangan untuk pengembangan masalah yang serupa.

Page 10: Proposal TA kid

4

I.4. Ruang Lingkup

Dalam penyusunan tugas akhir ini, diberikan ruang lingkup yang jelas agar

pembahasan lebih terarah dan tidak menyimpang dari tujuan penulisan. Aplikasi yang

akan dikembangkan adalah aplikasi untuk menentukan rute terpendek dalam

pengiriman barang dengan algoritma semut studi kasus CV. Mega Anugerah Kota

Semarang.

1. Masukannya yaitu kecepatan kendaraan, batas jam kerja, nama

armada(dropper), dan tujuan pengiriman yang sesuai dengan jadwal yang

ditentukan.

2. Keluarannya (output) berupa rute terpendek yang harus dilalui dropper dalam

mencapai tujuan-tujuannya.

3. Proses pencarian rute terdekat menggunakan algoritma semut (ant colony

system), dengan parameter masukan banyaknya semut, titik asal dan tujuan,

serta pheromone awal, dan banyaknya siklus.

4. Bentuk implementasinya menggunakan bahasa pemrograman Java .

Page 11: Proposal TA kid

5

BAB II

METODOLOGI

Dalam bab ini dipaparkan mengenai studi pustaka yang digunakan, observasi yang

akan dilakukan serta garis besar penyelesaian masalah, dan jadwal dalam pengembangan

Aplikasi Penentuan Rute Terpendek Pengiriman Barang dengan Algoritma Semut Studi

Kasus CV.Mega Anugerah Kota Semarang

II.1. Studi Pustaka

Studi Pustaka bertujuan untuk membantu penulis dalam menyusun Proposal

Tugas Akhir ini. Metodologi yang digunakan dalam menyusun Proposal Tugas Akhir

ini adalah metodologi studi pustaka, yaitu penulis mengumpulkan dan mempelajari

literatur, seperti buku, jurnal maupun artikel yang relevan dengan permasalahan tugas

akhir ini, yang disusun dalam empat subjudul, yaitu kecerdasan buatan, graf,

travelling salesman problem, dan algoritma semut.

II.1.1. Kecerdasan Buatan (Artificial Intelligence)

Artikel ilmiah pertama tentang kecerdasan buatan ditulis oleh Alan Turing

pada tahun 1950, dan kelompok riset pertama dibentuk tahun 1954 di Carnegie Mellon

University oleh Allen Newell and Herbert Simon. Namun bidang Kecerdasan Buatan

baru dianggap sebagai bidang tersendiri di konferensi Dartmouth tahun 1956, di mana

10 peneliti muda memimpikan mempergunakan komputer untuk memodelkan

bagaimana cara berfikir manusia. Hipotesis mereka adalah: “Mekanisme berfikir

manusia dapat secara tepat dimodelkan dan disimulasikan pada komputer digital”, dan

ini yang menjadi landasan dasar Kecerdasan Buatan.

Kecerdasan buatan atau artificial intelligence menurut Kusumadewi

merupakan salah satu bagian ilmu komputer yang membuat agar mesin (komputer)

dapat melakukan pekerjaan seperti dan sebaik yang dilakukan oleh manusia. [8]

Page 12: Proposal TA kid

6

II.1.2. Graf

Graf adalah kumpulan simpul (nodes) yang dihubungkan satu sama lain

melalui sisi/busur (edges) [15]. Suatu Graf G terdiri dari dua himpunan yaitu

himpunan V dan himpunan E.

a. Verteks (simpul) :V = himpunan simpul yang terbatas dan tidak kosong

b. Edge (sisi/busur):E = himpunan busur yang menghubungkan sepasang

simpul.

Menurut arah dan bobotnya, graf dibagi menjadi 4 bagian, yaitu:

1. Graf berarah dan berbobot : tiap busur mempunyai anak panah dan bobot.

Gambar II.1 menunjukkan graf berarah dan berbobot yang terdiri dari tujuh

titik yaitu titik A,B,C,D,E,F,G. Titik menujukkan arah ke titik B dan titik

C, titik B menunjukkan arah ke titik D dan titik C, dan seterusnya. Bobot

antar titik A dan titik B pun telah di ketahui.

Sumber: I’ing Mutakhiroh,2007

Gambar II. 1 Graf Berarah dan Berbobot

2. Graf tidak berarah dan berbobot : tiap busur tidak mempunyai anak panah

tetapi mempunyai bobot. Gambar II.2 menunjukkan graf tidak berarah dan

berbobot. Graf terdiri dari tujuh titik yaitu titik A,B,C,D,E,F,G. Titik A

tidak menunjukkan arah ke titik B atau C, namun bobot antara titik A dan

titik B telah diketahui. Begitu juga dengan titik yang lain.

Sumber: I’ing Mutakhiroh,2007

Gambar II. 2 Graf Tidak Berarah dan Berbobot

Page 13: Proposal TA kid

7

3. Graf berarah dan tidak berbobot: tiap busur mempunyai anak panah yang

tidak berbobot [15]. menunjukkan graf berarah dan tidak berbobot.

Sumber: I’ing Mutakhiroh,2007

Gambar II. 3 Graff Berarah dan Tidak Berbobot

4. Graf tidak berarah dan tidak berbobot: tiap busur tidak mempunyai anak

panah dan tidak berbobot. Gambar II.4 menunjukkan graf tidak berarah

dan tidak berbobot.

Sumber: I’ing Mutakhiroh,2007

Gambar II. 4 Graf Tidak Berarah dan Tidak Berbobot

Graf Hamilton menurut Wardy dan Ibnu Sina [14]adalah lintasan yang melalui

tiap simpul di dalam graf tepat satu kali. Sirkuit Hamilton adalah sirkuit yang melalui

tiap simpul di dalam graf tepat satu kali. Graf yang memiliki sirkuit Hamilton

dinamakan graf Hamilton, sedangkan graf yang hanya memiliki lintasan Hamilton

disebut graf semi-Hamilton. Aplikasinya dalam kehidupan sehari-hari mencakup

beberapa persoalan, diantaranya pencarian jalur terpendek (shortest path).

II.1.3. Travelling Salesman Problem (TSP)

Travelling Salesman Problem (TSP) merupakan suatu permasalahan dimana

seorang sales harus melalui semua kota yang ditunjuk dengan jarak yang paling pendek

dan setiap kota hanya boleh dilalui satu kali [2] . TSP pertama kali didokumentasikan

tahun 1759 oleh Euler yang tertarik untuk mencari pemecahan masalah perjalanan

ksatria yang harus mengunjungi beberapa tempat di garis depan peperangan.

Page 14: Proposal TA kid

8

Istilah “travelling salesman” sendiri pertama kali digunakan tahun 1932 dalam

sebuah buku Jerman yang berjudul The travelling salesman, how, and what he should

do to get commissions and he successful in his business, yang ditulis oleh seorang

bekas sales. Walaupun bukan merupakan topic utama dalam buku tersebut, TSP dan

penjadwalan dibahas dalam bab terakhir.

TSP kemudian diperkenalkan oleh RAND Corporation pada tahun 1948.

Perusahaan ini membuat TSP mulai dikenal oleh masyarakat luas dan menjadi popular.

TSP juga menjadi popular sebagai objek baru dalam Linear Programming dan metode

ini yang pertama kali digunakan untuk memecahkan masalah tersebut.[9]

Travelling Salesman Problem ini merupakan masalah yang menyangkut

seseorang yang harus meninggalkan suatu basis lokasi, untuk mengunjungi n-1 buah

lokasi lainnya dimana tiap-tiap lokasi hanya dikunjungi satu kali saja, dan kemudian

kembali ke basisnya. Biaya perjalanan antara tiap-tiap pasangan lokasi cij, diberikan

oleh cij yang tidak perlu sama dengan cij. Tujuannya adalah membuat biaya perjalanan

yang minimum. Karena yang penting adalah perjalanan keliling yang dijalani salesman,

maka tidak terjadi masalah lokasi n mana yang diambil sebagai basis.

Sumber: Wospakrik,1988

Gambar II. 5 Contoh Travelling Salesman Problem

Jika salesman hanya mengunjungi 2 kota, maka tentu saja tidak ada pilihan

rute. Tetapi jika kota yang akan dikunjungi ada 3(misal:A,B,C), dimana basisnya

adalah A, maka ada 2 rute yang dapat dilakukan, yaitu A→B→C dan A→C→B. Untuk

menentukan banyaknya rute yang digunakan untuk melalui n kota ada: (n-1)! rute .

Ada berbagai macam algoritma yang ditemukan untuk mencari solusi TSP

yang paling optimal. Algoritma tersebut diantaranya algoritma greedy, double

Page 15: Proposal TA kid

9

minimum spanning tree,algoritma genetika, dan lain-lain. Salah satu algoritma yang

baru saja ditemukan adalah algoritma semut.

II.1.4. Algoritma Semut

Dalam bukunya, K Doerner [4] menyebukan bahwa optimasi ant colony (Ant

Colony Optimization-ACO) merupakan sistem cerdas yang diinspirasi oleh perilaku

semut dan koloninya, yang digunakan untuk menyelesaikan permasalahan optimasi

diskrit. Sistem ACO pertama kali diperkenalkan oleh Marco Dorigo[5] , dan

dinamakan sistem semut (Ant-System-AS) yang pertama kali digunakan untuk

menyelesaikan Travelling Salesman Problem(TSP).

Algoritma semut mengadopsi dari perilaku semut yang mampu menemukan

jalan yang terpendek dari makanan ke sarangnya. Selama dalam perjalanannya, setiap

semut meninggalkan pheromone ke tanah sebagai jejak atau petunjuk bagi untuk

semut lainnya. Pheromone adalah semacam zat kimia yang dikeluarkan oleh semut

dari dalam tubuhnya. Semut mengikuti jalan berdasarkan jumlah pheromone yang

sebelumnya telah disebarkan oleh semut lainnya.

Sumber: Dorigo, Marco,1996

Gambar II. 6 Pergerakan Semut Mencari Rute Terpendek

Pada Gambar II.6 , menunjukkan semut berada dalam titik keputusan dimana

mereka akan memutuskan untuk belok ke kiri atau ke kanan. Selama semut tersebut

belum mempunyai petunjuk untuk memilih pilihan yang terbaik, mereka memilih

Page 16: Proposal TA kid

10

secara acak. Dalam rata-rata, separuh semut memutuskan unutk belok ke kanan dan

separuh lagi memilih belok ke kiri. Hal ini terjadi pada semut baik itu yang bergerak

dari kiri ke kanan (yang diberi label L) dan juga sebeliknya (yang diberi label R).

Gambar II.6.B dan II.6.C menunjukkan semut melalui percabangan secara acak.

Jumlah dari garis putus-putus kasarnya sebanding dengan jumlah pheromone yang

telah disebarkan oleh semut di tanah. Selama jalur bawah lebih pendek dari jalur atas,

rata-rata lebih banyak semut akan melewatinya, dan maka dari itu pheromone akan

terkumpul dengan cepat pada jalur tersebut. Setelah beberapa periode transisi yang

pendek, perbedaan jumlah pheromone di kedua jalur cukup besar untuk mempengaruhi

keputusan semut yang baru dating dalam sistem (ditunjukkan pada gambar II.6.D).

Dan sekarang, semut yang baru akan memilih jalur terpendek yaitu jalur bawah dan

lama kelamaan semua semut akan menggunakan jalur bawah.

II.1.4.1 Karakteristik Algoritma Semut

Terdapat tiga karakteristik utama dari algortima semut, yaitu: aturan transisi

status, aturan pembaruan pheromone lokal, aturan pembaruan pheromone global.

1. Aturan Transisi Status

Aturan transisi status yang berlaku pada algoritma semut adalah sebagai berikut:

seekor semut yang ditempatkan pada titik t memilih untuk menuju ke titik v,

kemudian diberikan bilangan pecahan acak q dengan 0≤q≤1.

q0 : probabilitas semut melakukan eksplorasi pada setiap tahapan (0≤q0≤1)

pk(t,v) : probabilitas dengan semut k memilih untuk bergerak dari titik t ke titik v

Jika q≤q0 maka pemilihan titik yang akan dituju menerapkan aturan pada

persamaan (2.2):

Temporary(t,u) = [τ(t,ui)].[η(t,ui)β] , i=1,2,3,…,n ………………………...(2.1)

v=argmax{[τ(t,ui)].[η(t,ui)β]}……………………………………….……...(2.2)

v: titik yang akan dituju

Page 17: Proposal TA kid

11

Jika q>q0 maka digunakan persamaan (2.3):

……………………………………………………………………………..…(2.3)

dengan

……………………………………………………(2.4)

τ(t,ui) : nilai jejak pheromone pada titik (t,u)

η(t,ui) : fungsi heuristik dimana dipilih sebagai invers jarak antara titik t

dan u

β : tetapan pengendali visibilitas (β≥0)

2. Aturan pembaruan pheromone lokal

Selagi melakukan perjalanan untuk mencari solusi dari TSP, semut mengunjungi

ruas-ruas dan mengubah tingkat pheromon pada ruas-ruas tersebut dengan

menerapkan aturan pembaruan pheromon lokal yang ditunjukkan oleh

persamaan (2.5):

τ(t,v)←(1- ρ). τ(t,v)+ ρ.∆τ (t,v) ………………………………...……………(2.5)

∆τ (t,v)= 1

𝐿𝑛𝑛 .𝑐 ……………………………………………………………….(2.6)

Lnn : panjang perjalanan yang diperoleh

c : jumlah lokasi(kota)

ρ : tetapan penguapan pheromone (0≤ ρ ≤1)

∆τ : perubahan pheromone

Adanya penguapan pheromone menyebabkan tidak semua semut mengikuti jalur

yang sama dengan semut sebelumnya. Hal ini memungkinkan dihasilkan solusi

alternatif yang lebih banyak. Peranan dari aturan pembaruan pheromone lokal

ini adalah untuk mengacak arah lintasan yang sedang dibangun, sehingga titik-

titik yang telah dilewati sebelumnya oleh perjalanan seekor semut mungkin tidak

Page 18: Proposal TA kid

12

akan dilewati kemudian oleh perjalanan semut yang lain. Dengan kata lain,

pengaruh dari pembaruan lokal ini adalah untuk membuat tingkat ketertarikan

ruas-ruas yang ada berubah secara dinamis: setiap kali seekor semut

menggunakan sebuah ruas maka ruas ini dengan segera akan berkurang tingkat

ketertarikannya (karena ruas tersebut kehilangan sejumlah pheromon-nya),

secara tidak langsung semut yang lain akan memilih ruas-ruas lain yang belum

dikunjungi. Konsekuensinya, semut tidak akan memiliki kecenderungan untuk

berkumpul pada jalur yang sama. Fakta ini, yang telah diamati dengan

melakukan percobaan [5]. Merupakan sifat yang diharapkan bahwa jika semut

membuat perjalanan-perjalanan yang berbeda maka akan terdapat kemungkinan

yang lebih tinggi dimana salah satu dari mereka akan menemukan solusi yang

lebih baik daripada mereka semua berkumpul dalam perjalanan yang sama.

Dengan cara ini, semut akan membuat penggunaan informasi pheromone

menjadi lebih baik tanpa pembaruan lokal, semua semut akan mencari pada

lingkungan yang sempit dari perjalanan terbaik yang telah ditemukan

sebelumnya.

3. Aturan pembaruan pheromone global

Pada sistem ini, pembaruan pheromone secara global hanya dilakukan oleh

semut yang membuat perjalanan terpendek sejak permulaan percobaan. Pada

akhir sebuah iterasi, setelah semua semut menyelesaikan perjalanan mereka,

sejumlah pheromon ditaruh pada ruas-ruas yang dilewati oleh seekor semut

yang telah menemukan perjalanan terbaik (ruas-ruas yang lain tidak diubah).

Tingkat pheromone itu diperbarui dengan menerapkan aturan pembaruan

pheromone global yang ditunjukkan oleh persamaan (2.7).

τ(t,v)←(1- α). τ(t,v)+ α.∆τ (t,v) ……………………………………………...(2.7)

α : tetapan pengendali intensitas jejak semut (0≤ α ≤1)

Page 19: Proposal TA kid

13

Lgb : panjang jalur terpendek pada akhir siklus

τ(t,v): nilai pheromone akhir setelah mengalami pembaruan local

α merupakan besarnya bobot yang diberikan terhadap pheromone, sehingga

solusi yang dihasilkan cenderung mengikuti sejarah masa lalu semut dari perjalanan

sebelumnya. Pembaruan pheromone global dimaksudkan untuk memberikan

pheromone yang lebih banyak pada perjalanan-perjalanan yang lebih pendek.

Persamaan (2.7) menjelaskan bahwa hanya ruas-ruas yang merupakan bagian dari

perjalanan terbaik secara global yang akan menerima penambahan pheromone.

II.1.4.2 Algoritma Semut dalam Penyelesaian TSP

Sama halnya dengan cara kerja semut dalam mencari jalur yang optimal, untuk

mencari jalur terpendek dalam penyelesaian masalah Traveling Salesman Problem

(TSP) diperlukan beberapa lngkah untuk mendapatkan jalur yang optimal, antara lain :

1. Inisialisasi parameter-parameter, antara lain banyaknya semut, menentukan

titik awal, pheromone awal.

2. Menentukan titik-titik yang akan dituju, kemudian ulangi proses sampai semua

titik terlewati. Untuk menentukan titik yang akan dituju dapat menggunakan

persamaan 2.2 atau 2.3, yaitu:

Jika q≤q0 maka pemilihan titik yang akan dituju menerapkan aturan yang

ditunjukkan oleh persamaan (2.2)

Temporary(t,u)= [τ(t,ui)].[η(t,ui)β] , i=1,2,3,…,n ……………………........(2.1)

v= arg max{[τ(t,ui)].[η(t,ui)β]}……………………..……………………(2.2)

v: titik yang akan dituju

Jika q>q0 maka digunakan persamaan (2.3):

Dengan

…………………………………(2.3)

Page 20: Proposal TA kid

14

jika titik yang dimaksud bukanlah titik yang akan akan dilalui, maka kembali

ke titik sebelumnya.

3. Apabila telah mendapatkan titik yang dituju, pheromone masing-masing pada

titik tersebut diubah dengan menggunakan persamaan 2.5, yaitu :

τ(t,v)←(1- ρ). τ(t,v)+ ρ.∆τ (t,v)……………………………………...….(2.5)

∆τ (t,v) = 1

𝐿𝑛𝑛 .𝑐 ………………………………………………………...(2.6)

Lnn : panjang perjalanan yang diperoleh

c : jumlah lokasi(kota)

ρ : tetapan penguapan pheromone(0≤ ρ ≤1)

∆τ : perubahan pheromone

4. Setelah proses di atas selesai, hitung panjang lintasan masing-masing semut.

5. Kemudian akan didapatkan panjang lintasan yang minimal.

6. Ubah pheromone pada titik-titik yang yang termuat dalam lintasan tersebut.

7. Setelah semua proses telah dilalui, maka akan didapatkan lintasan dengan

panjang lintasan yang minimal.

Secara garis besar , urutan penyelesaian algoritma semut dalam pencarian rute

terpendek dari tempat asal ke tempat tujuan dapat digambarkan pada flowchart II.7.

Dimulai dari proses pembangunan peta secara virtual yang digunakan semut dalam

membangun perjalanannya. Kemudian menginisialisasi tempat asal dan tujuan, jumlah

iterasi (NTmax). Proses selanjutnya yaitu mensimulasikan semut sampai semua semut

sampai ke tujuan. Kemudian dilanjutkan dengan meng-update pheromone, menyimpan

hasil terbaik dari hasil yang didapatkan semua semut, dan me-reset ulang semut dengan

menginisialisasi ulang seperti kondisi awal.

……………………………………………..(2.4)

Page 21: Proposal TA kid

15

Berikut flowchart algoritma ant Colony System

Gambar II. 7 Flowchart Algoritma Semut

II.2. Observasi

Observasi dilakukan di bagian pengelolaan transportasi dan pengiriman barang

CV. Mega Anugerah. Pengamatan dan wawancara kepada koordinator pengelolaan

Page 22: Proposal TA kid

16

transportasi dan pengiriman barang dilakukan untuk memahami proses pengelolaan

pengiriman barang beserta jadwalnya, sehingga penulis dapat menyusun kebutuhan

aplikasi yang akan dibuat.

II.3. Garis Besar Penyelesaian Masalah

Pengembangan sistem ini menggunakan proses sekuensial linear [11] yang

dibagi ke dalam empat tahapan proses, yaitu analisis, perancangan sistem,

implementasi sistem,dan ujicoba sistem . Tahapan pengembangan sistem dapat dilihat

pada Gambar II.8.

Sumber: Pressman, 2001

II.3.1. Analysis (Analisis Sistem)

Pada proses ini pengumpulan kebutuhan diintensifkan dan difokuskan,

khususnya yang berhubungan erat dengan perangkat lunak yang akan dibuat itu sendiri

seperti domain informasi, tingkah laku, performance dan antarmuka (interface).

Kebutuhan yang didokumentasikan dikonsultasikan dengan pihak user, yaitu CV.

Mega Anugerah agar proses analisis berjalan sempurna.

II.3.2. Design (Perancangan Sistem)

Sistem akan dibuat dalam beberapa bagian, yaitu penentuan inputan, proses

pencarian rute, dan output .Urutan proses yang terjadi pada sistem dapat dilihat pada

Gambar 2.9, dan pada uraian sebagai berikut:

Gambar II. 8 Tahapan Pengembanan Sistem

input output proses

Gambar II. 9 Uraian Sistem

Page 23: Proposal TA kid

17

1. Input

Pada proses input, inputan yang harus dimasukkan antara lain:

Nama armada (dropper)

Kecepatan kendaraan

Batas jam kerja

Tujuan pengiriman

2. Proses

Parameter masukan yang telah dimasukkan kemudian dilakukan proses berupa

pencarian rute yang optimal dengan menggunakan Algoritma Semut(Ant

Colony System) yang penjabarannya dapat dilihat pada gambar flowchart II.7

di atas.

3. Output

Keluaran dari proses yang telah dilakukan yaitu rute terdekat (optimal) yang

nantinya harus dilalui dropper, jarak, waktu tempuh.

II.3.3. Code

Setelah tahap analisis dan perancangan selesai, dilakukan tahapgeerasi kode

(implementasi sistem). Pada tahap ini, semua algorima dan proses pada perancangan

sistem akan diimplementasikan dalam sebuah aplikasi sebagai wujud dari sistem.

Aplikasi ini akan dikembangkan dalam bahasa pemrograman Java .

II.3.4. Test (Ujicoba Sistem)

Pada tahap ini, hasil keluaran dari sistem akan dianalisis apakah rute terpendek

hasil perhitungan dari sistem sudah sesuai dengan hasil perhitungan manual. Hasil

pencarian dianggap memenuhi jika sebagian besar hasil pencarian oleh sistem hampir

sama dengan hasil pencarian dengan mata manusia.

II.4. Jadwal

Estimasi waktu mulai dari persiapan, pembuatan hingga nantinya aplikasi ini

selesai dapat dilihat pada lampiran jadwal kegiatan. Dengan adanya jadwal ini akan

dapat memberikan gambaran mengenai tahapan yang akan dilakukan, sehingga dalam

Page 24: Proposal TA kid

18

pengerjaan ada acuan waktu sebagai evaluasi pada tahapan sebelumnya, lihat Tabel

II.1.

Table II. 1 Jadwal Kegiatan Tugas Akhir

Aktifitas

Waktu

Juli Agustus Sept Okt Nov Des Jan

2011 2011 2011 2011 2011 2011 2012

Minggu ke 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3

Persiapan

Penyusunan Proposal TA 1

Seminar TA 1

Penyusunan TA 2

Sidang TA 2

Revisi Laporan TA 2

Page 25: Proposal TA kid

19

DAFTAR PUSTAKA

[1] Adikara PP, "Algoritma dan Struktur Data Perulangan (Iterasi)", Universitas

Brawijaya

[2] Basuki A, 2004, "Penyelesaian Travelling Salesman Problem(TSP) Menggunakan

Monte Carlo", PENS-ITS, Surabaya.

[3] Cane J and Manikas T, 1995, "Genetic Algorithms vs Simulated Annealing: A

Comparison of Approaces for Solving Sirkuit Partitioning Problem", University of

Pittsburgh, Pittsburgh.

[4] Doerner K et al., 2000, "Ant Colony Optimization Applied to The Pickup and

Delivery Problem", University of Vienna , Austria.

[5] Dorigo M and Gambardella LM, 1996, "Ant Colony System: A Cooperative

Learning Approach to The Travelling Salesman Problem", Universite Libre de

Bruxelles, Belgium.

[6] Dorigo M and L.M G, 1997, "Ant Colonies for Travelling Salessman Problem",

Belgia.

[7] Feryanto A, 2009, "Ant Colony System untuk Penyelesaian Masalah Travelling

Salesman Problem", ITB, Bandung.

[8] Kusumadewi S, 2003, "Artificial Intelligence (Teknik dan Aplikasinya)", Graha

Ilmu, Yogyakarta.

[9] Michalewicz Z, 1992, "Genetic Algorithm+Data Structure=Evolution Program",

Springer-Verlag

[10] Mutakhiroh I, 2007, "Menentukan Jalur Terpendek Menggunakan Algoritma Semut",

Universitas Islam Indonesia, Yogyakarta.

Page 26: Proposal TA kid

20

[11] Pressman RS, 2001, "Software Engineering: A Practitioner's Approach Fifth

Edition", Mc Graw-Hill Companies, Inc, New York.

[12] Saptono F et al., 2007, "Perbandingan Performansi Algoritma Genetika dan

Algoritma Semut Untuk Penyelesaian Shortest Path Problem", Jurusan Teknik

Informatika,Fakultas Teknologi Industri,Universitas Islam Indonesia

[13] Shahookar K and Mazumder, 1995, "Genetic Multiway Partitioning", International

Conference on VLSI Design, New Delhi.

[14] Wardy and Sina I, 2007, "Penggunaan Graf dalam Algoritma Semut untuk

Melakukan Optimisasi", ITB, Bandung.

[15] Zakaria TM and Prijono A, 2006, "Konsep dan Implementasi Struktur Data",

Bandung.