DISUSUN OLEH:
Travelling Salesman Problem (TSP) adalah salah satu bentuk dari masalah
optimisasi yang dapat dipresentasikan ke dalam bentuk graf G = (V,E), dengan konsep yang
mudah, namun rumit jika dipecahkan secara konvensional. TSP ini merupakan masalah
pencarian rute optimal bagi seorang salesman yang mempunyai tugas mengirimkan
pesanan kepada setiap pelanggan yang berada di sejumlah kota atau disejumlah daerah
yang berada di sebuah kota. Dengan kendala permasalahan, salesman tersebut harus
mengunjungi kota-kota atau daerah-daerah yang ada tepat satu kali, dengan perjalanan yang
dimulai dan diakhiri pada depot yang telah ditentukan. Persoalan yang dihadapi yaitu
sehingga salesman dapat menempuh jarak tempuh minimal untuk mengunjungi semua
pelanggannya.
Dalam mencari rute terpendek (optimal) dalam TSP, perhitungan dapat dilakukan
dengan berbagai macam algoritma. Secara umum, penncarian jalur terpendek dibagi
menjadi dua metode, yaitu metode konvensional dan heuristik. Tetapi jika dibandingkan,
hasil metode heuristik lebih bervariasi dan waktu yang diperlukan lebih singkat. Metode
heuristik terdiri dari berbagai macam metode, salah satunya adalah algoritma Ant Colony
Optimization (ACO).
mana, Ant Colony Optimization (ACO) terinspirasi dari perilaku semut dalam mencari
yang digunakan untuk menandai jalur yang akan diikuti oleh semut-semut yang lain dalam
koloninya. 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 melalui lintasan, maka akan semakin jelas
ACO tersusun atas sejumlah m semut yang bekerjasama dan berkomunikasi secara
tidak langsung melalui feromon. Algoritma ini diaplikasikan dengan cara menentukan
jumlah titik yang akan dilalui semut dan mencari jarak antar titik tersebut. Kemudian
menyusun rute kunjungan semut ke setiap titik dengan aturan setiap titik yang ada hanya
dikunjungi sekali. Di mana titik awal sama dengan titik akhir. Selanjutnya pemberian nilai
intensitas jejak semut atau feromon (τ𝑟𝑠 ) yang dilakukan saat semut mengunjungi tiitk s
setelah mengujungi titik r, dan informasi heuristik (η𝑟𝑠 ) merupakan nformasi yang
1
merepresentasikan kualitas suatu jarak antara titik r dan titik s, dengan (η𝑟𝑠 ) = , 𝑑𝑟𝑠
𝑑𝑟𝑠
B. Metode
Algoritma Ant Colony Optimization diilhami oleh perilaku pencarian semut (Dorigo,
1992). Perilaku semut dikendalikan oleh dua parameter utama yaitu α, atau daya tarik
feromon pada semut, dan β atau kemampuan eksplorasi semut. Jika α sangat besar,
feromon yang ditinggalkan oleh semut sebelumnya di jalur tertentu akan dianggap sangat
menarik, membuat sebagian besar semut mengalihkan jalannya menuju hanya satu rute
(eksploitasi), jika β berukuran besar, semut lebih mandiri dalam menemukan jalur terbaik
(eksplorasi). Pada penerapan ACO kali ini menggunakan varian Ant-System (AS) dimana
eksploitasi (β), dan tetapan tingkat penguapan feromon (ρ) untuk mendapatkan kombinasi
yang paling optimal untuk diterapkan dalam permasalahan Travelling Salesman Problem,
terhadap semut
Beta, yaitu pengendali visibilitas sebagai pengatur bagaimana semut tertarik jalur
terpendek lain
algoritma ant colony optimization dengan mencari jalur dengan jarak yang terpendek yang
dipilih semut berdasarkan feromon terbanyak dalam membentuk suatu siklus. Dalam
o Iterasi
o Koefisien penguapan
o Alpha
o Beta
o Tau
o El
o Q
Dalam memilih kota start dilakukan secara random terhadap setiap semut dengan
formula:
𝑆𝑡𝑎𝑟𝑡_𝑃𝑙𝑎𝑐𝑒 𝑘 = Random(jumlah_kota)
Dengan :
𝑘 = 𝑠𝑒𝑚𝑢𝑡
jalur
β 1
ηij (t) = kecenderungan semut pada jalur ij biasanya
𝑑𝑖𝑗
𝐽𝑎𝑟𝑎𝑘_𝑡𝑜𝑡𝑎𝑙 𝑘 = Σd𝑖𝑗
𝑑𝑒𝑛𝑔𝑎𝑛:
5. Update Feromon :
𝑄
Δ𝜏𝑖𝑗 =
𝐿𝑘
𝑘 𝑘 𝑘
𝜏𝑖𝑗 = 1 − ρ ∗ 𝜏𝑖𝑗 + Δ𝜏𝑖𝑗
dengan:
𝑄 = konstanta positif
L𝑘 = Total Jarak untuk semut k
Berdasarkan pengujian yang dilakukan, solusi terbaik untuk ACO adalah 7548,9927.
Parameter Nilai
Iterasi 500
Ukuran Koloni 60
Koefisien Penguapan 0.15
Daya Tarik Pheromone 15
Bias Jalur Pendek 20
D. Kesimpulan
Dalam implementasi ACO ini, mencapai solusi terbaik memerlukan
keseimbangan antara eksploitasi-eksplorasi. Mengatur koefisien penguapan yang
rendah membuat feromon bertahan lebih lama. Namun, hal ini diimbangi dengan
menetapkan bias jalur koloni yang sangat tinggi, sehingga mereka dapat menjelajahi
lebih banyak opsi di dekat rute dengan konsentrasi feromon tertinggi. Berbeda dengan
implementasi GA, ACO jauh lebih mudah dikendalikan. Ada beberapa parameter yang
diperlukan dan kemampuan eksplorasi tidak serta merta lepas kendali. Ini juga
membantu bahwa semut ditempatkan secara acak di berbagai area peta dan diizinkan
untuk melakukan tur awal terbimbing.