PENCARIAN RUTE TERPENDEK DENGAN MENGGUNAKAN ALGORITMA SEMUT

Abstrak Secara umum,mencari rute terpendek bias menggunakan dua metode,yaitu metode konvensional dan metode heuristik.Pada dasarnya,metode konvensional lebih mudah dipahami dibandingkan dengan metode heuristik,akan tetapi,jika dibandingkan dengan hasil yang di dapatkan,metode heuristik akan lebih variatif dan pengerjaannya diperlukan waktu yang singkat.Salah satu algoritma yang menggunakan metode heuristik adalah algoritma semut. Algoritma semut di adopsi dari perilaku koloni semut.Secara alamiah,koloni semut akan menemukan rute terpendek dari sarang menuju sumber makanannya.Koloni semut dapat menemukan rute terpendek antara sarang dan sumber makanan berdasarkan jejak kaki pada lintasan yang telah dilalui.Semakin banyak semut yang melewati lintasan tersebut,maka akan semakin jelas jejak kaki.Algoritma semut sangat tepat diterapkan dalam menyelesaikan masalah optimasi,salah satunya adalah untuk menentukan rute terpendek. Kata Kunci : Pencarian jalur terpendek,heuristik,algoritma semut. I. PENDAHULUAN. Dalam kehidupan, sering dilakukan perjalanan dari satu tempat atau kota ke tempat yang lain dengan mempertimbangkan efisiensi, waktu dan biaya sehingga diperlukan ketepatan dalam menentukan jalur terpendek antar suatu kota. Hasil penentuan jalur terpendek akan menjadi pertimbangan dalam pengambilan keputusan untuk menununjukkan jalur yang akan ditempuh. Hasil yang didapatkan juga membutuhkan kecepatan dan keakuratan dengan bantuan komputer. Secara umum, pencarian rute terpendek 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 . Metode heuristik terdiri

dari beberapa macam algortima yang biasa digunakan. Salah satunya adalah algoritma semut (Ant Colony, Antco). Antco diambil dari perilaku koloni semut dalam pencarian rute terpendek antara sarang dan sumber makanan. Antco diadopsi dari perilaku koloni semut yang dikenal sebagai sistem semut (Dorigo, 1996). Secara alamiah koloni semut mampu menemukan rute terpendek dalam perjalanan dari sarang ke tempat-tempat sumber makanan. Koloni semut dapat menemukan rute terpendek antara sarang dan sumber makanan berdasarkan jejak kaki pada lintasan yang telah dilalui. Semakin banyak semut yang melewati suatu lintasan maka akan semakin jelas bekas jejak kakinya, hal ini akan menyebabkan lintasan yang dilalui semut dalam jumlah sedikit semakin lama akan semakin berkurang kepadatan semut yang melewatinya, atau bahkan akan tidak dilewati sama sekali dan sebaliknya. Mengingat prinsip algoritma yang didasarkan pada perilaku koloni semut dalam menemukan jarak perjalanan paling pendek tersebut, Algoritma Semut sangat tepat digunakan untuk diterapkan dalam penyelesaian masalah optimasi, salah satunya adalah untuk menentukan jalur terpendek.

II.TELAAH PUSTAKA 2.1. Metode Pencarian Rute Terpendek

Pencarian rute terpendek merupakan satu masalah yang banyak dibahas dalam transportasi, misalnya seorang pengguna jalan ingin melakukan perjalanan dari suatu tempat asal ke tempat tujuan, dimana dalam melakukan perjalanan tersebut pengguna tentu akan menggunakan rute terpendek dari beberapa rute yang menghubungkan asal dengan tujuannya. Dapat dilihat bahwa, penentuan rute terpendek memegang peranan penting karena dapat mengefisiensikan jarak, waktu dan biaya yang dibutuhkan untuk mencapai suatu daerah tujuan tertentu. Secara umum penyelesaian masalah pencarian jalur terpendek dapat dilakukan menggunakan dengan dua metode, yaitu metode algoritma konvensional dan metode heuristik.

Metode algoritma konvensional diterapkan dengan cara perhitungan matematis seperti biasa, sedangkan metode heuristik diterapkan dengan perhitungan kecerdasan buatan dengan menentukan basis pengetahuan dan perhitungannya. a. Metode konvensional Metode konvensional berupa algoritma yang menggunakan perhitungan matematis biasa. Ada beberapa metode konvensional yang biasa digunakan untuk melakukan pencarian jalur terpendek, diantaranya Djikstraa, Floyd-Warshall, dan algoritma Bellman-Ford. b. Metode heuristik Adalah sub bidang dari kecerdasan buatan yang digunakan untuk melakukan pencarian dan penentuan jalur terpendek. Ada beberapa algoritma pada metode heuristik yang biasa digunakan dalam pencarian jalur terpendek. Salah satunya adalah algoritma semut.

2.2 ALGORITMA SEMUT. 2.2.1 Sejarah Algoritma Semut Pada tahun 1996, dunia AI pun ikut belajar dari semut dengan diperkenalkannya algoritma semut, atau Ant Colony Optimization, sebagai sebuah simulasi multi agen yang menggunakan metafora alami semut untuk menyelesaikan problem ruang fisik. Algoritma semut diperkenalkan oleh Moyson dan Manderick dan secara meluas dikembangkan oleh Marco Dorigo, merupakan teknik probabilistik untuk menyelesaikan masalah komputasi dengan menemukan jalur terbaik melalui grafik. Algoritma ini terinspirasi oleh perilaku semut dalam menemukan jalur dari koloninya menuju makanan.

2.2.2 Cara kerja semut mencari jalur optimal

Semut mampu mengindera lingkungannya yang kompleks untuk mencari makanan dan kemudian kembali ke sarangnya dengan meninggalkan zat feromon pada jalur-jalur yang mereka lalui. Feromon adalah zat kimia yang berasal dari kelenjar endokrin dan digunakan oleh makhluk hidup untuk mengenali sesama jenis, individu lain, kelompok, dan untuk membantu proses reproduksi.Berbeda dengan hormon, feromon menyebar ke luar tubuh dan hanya dapat mempengaruhi dan dikenali oleh individu lain yang sejenis (satu spesies). Proses peninggalan feromon ini dikenal sebagai stigmergy, sebuah proses memodifikasi lingkungan yang tidak hanya bertujuan untuk mengingat jalan pulang ke sarang, tetapi juga memungkinkan para semut berkomunikasi dengan koloninya. Seiring waktu, bagaimanapun juga jejak feromon akan menguap dan akan mengurangi kekuatan daya tariknya. Lebih lama seekor semut pulang pergi melalui jalur tersebut, lebih lama pula feromon menguap. Agar semut mendapatkan jalur optimal, diperlukan beberapa proses: 1. Pada awalnya, semut berkeliling secara acak, hingga menemukan makanan. Lihat Gambar 1.

Gambar 1 : Lintasan awal semut menuju tempat makanan

Keterangan Gambar 1: A : Tempat awal koloni (sarang) B : Tujuan koloni semut (makanan)

Jalur 1 (biru): Lintasan yang ditempuh oleh semut 1 Jalur 2 (hitam): Lintasan yang ditempuh oleh semut 2

Gambar 2 : Lintasan Optimal semut menuju tempat makanan Keterangan Gambar 2: A : Tempat awal koloni (sarang) B : Tujuan koloni semut (makanan) Jalur Optimal : Jalur yang dilewati semut setelah beberapa iterasi

Seluruh proses ini menunjukkan berlangsungnya optimisasi alami kaum semut yang dapat kita tiru dalam kehidupan sehari-hari. 2.2.3 Konsep Dasar Algoritma Koloni Semut. Algoritma Semut diadopsi dari perilaku koloni semut yang dikenal sebagai sistem semut (Dorigo, 1996). Secara alamiah koloni semut mampu menemukan rute terpendek dalam perjalanan dari sarang ke tempat-tempat sumber makanan.

Gambar 3. Perjalanan semut menemukan sumber makanan. Koloni semut dapat menemukan jalur terpendek antara sarang dan sumber makanan berdasarkan jejak kaki pada lintasan yang telah dilewati. Semakin banyak semut yang melewati suatu lintasan maka semakin jelas bekas jejak kakinya. Hal ini menyebabkan lintasan yang dilalui semut dalam jumlah sedikit semakin lama semakin berkurang kepadatan semut yang melewatinya, atau bahkan akan tidak dilewati sama sekali. Sebaliknya lintasan yang dilalui semut dalam jumlah banyak semakin lama akan semakin bertambah kepadatan semut yang melewatinya atau bahkan semua semut melewati lintasan tersebut. Gambar 3.a menujukkan perjalanan semut dalam menemukan jalur terpendek dari sarang ke sumber makanan, terdapat dua kelompok semut yang melakukan perjalanan. Kelompok semut L berangkat dari arah kiri ke kanan dan kelompok semut R berangkat dari kanan ke kiri. Kedua kelompok berangkat dari titik yang sama dan dalam posisi pengambilan keputusan jalan sebelah mana yang akan diambil. Kelompok L membagi dua kelompok lagi. Sebagian melewati jalan atas dan sebagian melewati jalan bawah. Hal ini juga berlaku pada kelompok R. Gambar 3.b dan Gambar 3.c menunjukkan bahwa kelompok semut berjalan pada kecepatan yang sama dengan meninggalkan feromon atau jejak kaki di jalan yang telah dilalui. Feromon yang ditinggalkan oleh kumpulan semut yang melewati jalan atas telah mengalami banyak penguapan karena semut yang melewati jalan atas berjumlah lebih sedikit dibandingkan jalan yang di bawah. Hal ini disebabkan jarak yang ditempuh lebih panjang dibandingkan jalan bawah. Sedangkan feromon yang berada pada bagian bawah penguapannya cenderung lebih lama. Karena semut yang melewati jalan bawah lebih banyak daripada semut yang melewati jalan atas. Gambar 3.d menunjukkan bahwa semut-semut yang lain pada akhirnya memutuskan untuk melewati jalan bawah karena feromon yang ditinggalkan masih banyak, sedangkan feromon pada jalan atas sudah banyak menguap sehingga semut-semut tidak memilih jalan atas. Semakin banyak semut yang melewati jalan maka semakin banyak semut yang mengikutinya, semakin sedikit semut yang melewati jalan, maka feromon yang ditinggalkan

semakin berkurang bahkan hilang. Dari sinilah kemudian terpilihlah jalur terpendek antara sarang dan sumber makanan. 3. PEMBAHASAN Dalam algoritma semut, diperlukan beberapa variabel dan langkah-langkah untuk menentukan jalur terpendek, yaitu: Langkah 1 : a. Inisialisasi harga parameter-parameter algoritma. Parameter-parameter yang di inisialisasikan adalah : 1. Intensitas jejak semut antar kota dan perubahannya (ij) 2. Banyak kota (n) termasuk koordinat (x,y) atau jarak antar kota (dij) 3. Kota berangkat dan kota tujuan. 4. Tetapan siklus-semut (Q) 5. Tetapan pengendali intensitas jejak semut (), nilai 0 . 6. Tetapan pengendali visibilitas (), nilai 0 7. Visibilitas antar kota = 1/dij (ij) 8. Banyak semut (m) 9. Tetapan penguapan jejak semut () , nilai harus > 0 dan < 1 untuk mencegah jejak pheromone yang tak terhingga. 10. Jumlah siklus maksimum (NCmax) bersifat tetap selama algoritma dijalankan, sedangkan ij akan selalu diperbaharui harganya pada setiap siklus algoritma mulai dari siklus pertama (NC=1) sampai tercapai jumlah siklus maksimum (NC=NCmax) atau sampai terjadi konvergensi. b. Inisialisasi kota pertama setiap semut. Setelah inisialisasi ij dilakukan, kemudian m semut ditempatkan pada kota pertama tertentu secara acak.

Langkah 2 : Pengisian kota pertama ke dalam tabu list. Hasil inisialisasi kota pertama setiap semut dalam langkah 1 harus diisikan sebagai elemen pertama tabu list. Hasil dari langkah ini adalah terisinya elemen pertama tabu list setiap semut dengan indeks kota tertentu, yang berarti bahwa setiap tabuk(1) bisa berisi indeks kota antara 1 sampai n sebagaimana hasil inisialisasi pada langkah 1.

Langkah 3 : Penyusunan rute kunjungan setiap semut ke setiap kota. Koloni semut yang sudah terdistribusi ke sejumlah atau setiap kota, akan mulai melakukan perjalanan dari kota pertama masing-masing sebagai kota asal dan salah satu kota-kota lainnya sebagai kota tujuan. Kemudian dari kota kedua masing-masing, koloni semut akan melanjutkan perjalanan dengan memilih salah satu dari kota-kota yang tidak terdapat pada tabuk sebagai kota tujuan selanjutnya. Perjalanan koloni semut berlangsung terus menerus sampai semua kota satu persatu dikunjungi atau telah menempati tabuk. Jika s menyatakan indeks urutan kunjungan, kota asal dinyatakan sebagai tabuk(s) dan kota-kota lainnya dinyatakan sebagai {N-tabuk}, maka untuk menentukan kota tujuan digunakan persamaan probabilitas kota untuk dikunjungi sebagai berikut :

dengan i sebagai indeks kota asal dan j sebagai indeks kota tujuan. Langkah 4 : a. Perhitungan panjang rute setiap semut.

Perhitungan panjang rute tertutup (length closed tour) atau Lk setiap semut dilakukan setelah satu siklus diselesaikan oleh semua semut. Perhitungan ini dilakukan berdasarkan tabuk masing-masing dengan persamaan berikut :

dengan dij adalah jarak antara kota i ke kota j yang dihitung berdasarkan persamaan :