PENERAPAN ALGORITMA ANT COLONY OPTIMIZATION DALAM

PERMASALAHAN TRAVELLING SALESMAN PROBLEM

DISUSUN OLEH:

ADI NANDA SAPUTRA H1D016015

AXL ADILLA H1D016019

SATRIA KRIES BUDIARTO H1D016037

PUTRI ASMA MUTHIAH H1D016051

KEMENTERIAN PENDIDIKAN DAN KEBUDAYAAN

UNIVERSITAS JENDERAL SOEDIRMAN
FAKULTAS TEKNIK
JURUSAN TEKNIK INFORMATIKA
PURWOKERTO
2019
A. Latar Belakang

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

bagaimana memperoleh rute terpendek dengan mempertimbangkan kendala tersebut,

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).

Ant Colony Optimization (ACO) merupakan algoritma pencarian metaheuristik. Di

mana, Ant Colony Optimization (ACO) terinspirasi dari perilaku semut dalam mencari

makan dari sarangnya. Semut-semut tersebut meninggalkan feromon di permukaan tanah

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

bekas jejak feromonnya.

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

adalah jarak antara titik r dan titik s.

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

pergerakan dari node i ke node j didefinisikan sebagai berikut:

 Selanjutnya, kami melakukan pengujian terhadap parameter eksplorasi (α),

eksploitasi (β), dan tetapan tingkat penguapan feromon (ρ) untuk mendapatkan kombinasi

yang paling optimal untuk diterapkan dalam permasalahan Travelling Salesman Problem,

yaitu dengan cara:

1) Menaikkan tingkat eksplorasi

2) Menaikkan tingkat eksploitasi

3) Menaikkan tingkat penguapan feromon

4) Menurunkan tingkat penguapan feromon

C. Hasil dan Pembahasan

Pada penerapan algoritma ant colony optimization dalam permasalahan travelling

salesman problem terdapat parameter – parameter yang dapat dimodifikasi untuk

mencapai hasil yang optimal yaitu seperti :

 Iterasi, yaitu jumlah iterasi dari algoritma

 Ukuran Koloni Semut, yaitu jumlah semut pada algoritma

 Koefisien penguapan, yaitu nilai pengurangan feromon

 Alpha, yaitu pengendali intensitas sebagai pengatur bagaimana pengaruh feromon

terhadap semut

 Beta, yaitu pengendali visibilitas sebagai pengatur bagaimana semut tertarik jalur

terpendek lain

 Tau, yaitu konsentrasi feromon

 El, yaitu parameter untuk eliminasi

 Q, yaitu konstanta positif untuk algoritma koloni semut

 Untuk penyelesaian travelling salesman problem dalam penelitian ini digunakan

algoritma ant colony optimization dengan mencari jalur dengan jarak yang terpendek yang

dipilih semut berdasarkan feromon terbanyak dalam membentuk suatu siklus. Dalam

implementasi algoritma ant colony optimization untuk masalah travelling salesman

problem harus melalui langkah-langkah berikut :

1. Inisialisasi parameter-parameter algoritma ant colony optimization, seperti :

o Iterasi

o Ukuran Koloni Semut

o Koefisien penguapan

o Alpha

o Beta

o Tau

o El

o Q

2. Memilih kota start untuk setiap semut dalam koloni

Dalam memilih kota start dilakukan secara random terhadap setiap semut dengan

formula:

𝑆𝑡𝑎𝑟𝑡_𝑃𝑙𝑎𝑐𝑒 𝑘 = Random(jumlah_kota)

Dengan :

𝑘 = 𝑠𝑒𝑚𝑢𝑡

3. Pemilihan jalur semut menggunakan probabilitas berdasar banyak feromon pada

jalur

Dalam pemilihan jalur digunakan formula dibawah yaitu :

 dengan:

pkij (t) = Probabilitas semut k memilih jalur ij

ταij (t) = nilai feromon pada jalur ij

𝛼 = parameter pengendali intensitas

𝛽 = parameter pengendali visibilitas

β 1
ηij (t) = kecenderungan semut pada jalur ij biasanya
𝑑𝑖𝑗

𝑑𝑖𝑗 = jarak jalur ij

4. Kalkulasi total jarak yang ditempuh tiap semut

Untuk melakukan kalkulasi total jarak tempuh semut dilakukan formula:

𝐽𝑎𝑟𝑎𝑘_𝑡𝑜𝑡𝑎𝑙 𝑘 = Σd𝑖𝑗

𝑑𝑒𝑛𝑔𝑎𝑛:

d𝑖𝑗 = jarak jalur ij yang dilalui semut k

5. Update Feromon :

Dalam melakukan update feromon digunakan formula untuk setiap semut:

𝑄
Δ𝜏𝑖𝑗 =
𝐿𝑘

𝑘 𝑘 𝑘
𝜏𝑖𝑗 = 1 − ρ ∗ 𝜏𝑖𝑗 + Δ𝜏𝑖𝑗

dengan:

𝑄 = konstanta positif
 L𝑘 = Total Jarak untuk semut k

ρ = Koefisien penguapan feromon

6. Mencari Rute dengan jalur terpendek

Melalui langkah-langkah berikut jarak terpendek dapat ditemukan, kemudian

dilakukan berbagai macam kombinasi percobaan parameter ant colony

optimization agar didapatkan nilai yang terbaik.

Berdasarkan pengujian yang dilakukan, solusi terbaik untuk ACO adalah 7548,9927.

Hasil tersebut diperoleh dengan parameter berikut:

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.