Proposal TA kid
-
Upload
chilkid-aulia -
Category
Education
-
view
1.311 -
download
2
Transcript of 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
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
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
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
v
DAFTAR TABEL
Table II. 1 Jadwal Kegiatan Tugas Akhir ............................................................................ 18
vi
DAFTAR LAMPIRAN
Lampiran 1 : Notulensi Seminar Proposal Tugas Akhir
Lampiran 2 : Daftar Hadir Seminar Proposal Tugas Akhir
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
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
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.
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 .
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]
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
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.
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
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
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
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
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)
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)
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)
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
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
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
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
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.
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.