PENERAPAN LION OPTIMIZATION ALGORITHM

UNTUK MENYELESAIKAN KASUS ASYMMETRIC

TRAVELING SALESMAN PROBLEM

SKRIPSI
Diajukan untuk memenuhi salah satu syarat guna mencapai gelar
Sarjana dalam bidang ilmu Teknik Industri

Disusun oleh :
Nama : Yohan Elim
NPM : 2013610044

PROGRAM STUDI TEKNIK INDUSTRI

FAKULTAS TEKNOLOGI INDUSTRI
UNIVERSITAS KATOLIK PARAHYANGAN
BANDUNG
2018
 ABSTRAK

Asymmetric Traveling Salesman Problem (ATSP) merupakan model

permasalahan optimasi dimana seorang salesman harus melalui semua kota yang
ditunjuk dengan kondisi setiap kota hanya boleh dilalui satu kali dan terdapat perbedaan
jarak rute pergi dan rute pulang. ATSP sendiri merupakan salah satu variasi dari
Traveling Salesman Problem (TSP). Tujuan ATSP adalah meminimasi jarak yang akan
ditempuh oleh salesman dalam mengunjungi setiap kota.
ATSP akan diselesaikan menggunakan Lion Optimization Algorithm atau biasa
disingkat LOA dalam penelitian ini. Algoritma LOA merupakan salah satu algoritma
metaheuristic yang tergolong dalam population-based algorithm yang terinspirasi dari
tingkah laku kehidupan singa. Terdapat 6 operator berdasarkan tingkah laku kehidupan
singa, yaitu Hunting, Moving Toward Safe Place, Roaming, Mating, Defense, dan
Migration. Terdapat 4 parameter yang digunakan pada algoritma ini, yaitu persentase
roaming (Ropc), persentase mating (Mapc), persentase mutasi (Mupc), dan persentase
migration (Mipc).
Perancangan algoritma LOA untuk menyelesaikan permasalahan ATSP telah
dilakukan. Implementasi algoritma LOA terhadap ATSP diterapkan pada 5 buah kasus
ATSP. Metode OFAT digunakan untuk mendapatkan nilai parameter terbaik. Pengujian
parameter telah dilakukan dengan ANOVA Multifaktor. Performansi LOA akan
dibandingkan dengan A New Genetic Algorithm (NGA), Improved Discrete Bat Algorithm
(IDBA), Harmony Search Algorithm (HSA), dan Elephant Herding Optimizaiton (EHO).
Algoritma LOA berhasil mendapatkan best known solution pada kasus BR17, namun
untuk kasus lainnya algoritma benchmark menghasilkan solusi yang lebih baik dari
algoritma LOA.

i
 ABSTRACT

Asymmetric Traveling Salesman Problem (ATSP) is a model of optimization

problem where a salesman has to go through all designated city with condition that each
city must be visited one time and there is difference of distance of route go and return
route. ATSP itself is one of the variations of Traveling Salesman Problem (TSP). The goal
of ATSP is to minimize the distance which will be traveled by a salesman in visiting each
city.
ATSP will be computated with Lion Optimization Algorithm or commonly
abbreviated as LOA in this research. The LOA algorithm is one of the metaheuristic
algorithms that classified as population-based algorithm that is inspired by the behavior of
a lion’s life. There are 6 operators based on the life behavior of lions, namely Hunting,
Moving Toward Safe Place, Roaming, Mating, Defense, and Migrations. There are 4
parameters used in this algorithm: roaming percentage (Ropc), mating percentage
(Mapc), mutation percentage (Mupc), and migration percentage (Mipc).
The design on LOA algorithm to solve ATSP problem has been done.
Implementation of LOA algorithm to ATSP is applied to 5 cases of ATSP. The OFAT
method is used to obtain the best parameter values. The parameter test has been done
with ANOVA Multifactor. The performance of LOA will be compared with A New Genetic
Algorithm (NGA), Improved Discrete Bat Algorithm (IDBA), Harmony Search Algorithm
(HSA), and Elephant Herding Optimization (EHO). The LOA algorithm manages to get
the best known solution in the case of BR17, but the benchmark algorithm yields a better
solution than the LOA algorithm for other cases.

ii
 KATA PENGANTAR

Puji syukur kepada Tuhan Yang Maha Kuasa atas berkat dan
rahmatnya, penulis dapat menyelesaikan skripsi yang berjudul Penerapan Lion
Optimization Algorithm untuk Menyelesaikan Kasus Asymmetric Traveling
Salesman Problem. Terima kasih juga kepada berbagai pihak yang telah
memberikan dukungan dan bantuan kepada penulis secara langsung maupun
tidak langsung, secara khusus kepada :
1. Orang tua dan keluarga penulis yang selalu mendoakan, mendukung, dan
memberikan motivasi kepada penulis.
2. Bapak Dr. Dharma Lesmono, Drs., S.E., M.Sc., M.T. dan Bapak Fran
Setiawan, S.T., M.Sc. sebagai dosen pembimbing yang telah memberikan
masukan dan dengan sabar membimbing penulis dalam penulisan skripsi ini.
3. Ibu Cynthia Prithadevi Juwono, Ir., M.S. dan Bapak Alfian, S.T., M.T. sebagai
dosen penguji proposal skripsi yang telah memberikan masukan dan saran
yang berarti bagi penulisan skripsi ini.
4. Jason, Kevin, Jonah, Devi, dan Chelle yang selalu memberikan dukungan,
semangat, dan motivasi kepada penulis.
5. Ricky, Karin, Felicia, dan Liani sebagai teman-teman P2P yang selalu
menemani dan membantu penulis dalam menjalani hari-hari di TI UNPAR.
6. Teman-teman asisten PTLF, Halton, Yansen, Rickson, dan Lucia yang
memberikan dukungan kepada penulis sehingga penyelesaian skripsi ini
dapat berjalan dengan lancar.
7. Teman-teman algoritma, Andre, Adrianus, Deva, Petrus, Dio, dan Rainer,
yang memberikan dukungan dan masukan dalam penulisan skripsi ini.
8. Cindy, Regian, Andre, dan Nico yang selalu membantu penulis dalam
menjalani masa-masa kuliah di Bandung selama ini.
9. Seluruh teman-teman kelas D.
10. Seluruh teman-teman TI 2013.
11. Semua dosen TI UNPAR.
12. Semua pihak yang tidak dapat disebutkan satu per satu.

i
 Penulis menyadari sepenuhnya bahwa di dalam laporan skripsi ini
terdapat kekurangan dan jauh dari sempurna. Oleh karena itu, penulis bersedia
menerima kritik dan saran yang membangun. Penulis memohon maaf apabila
terdapat kesalahan kata-kata yang kurang berkenan bagi para pembaca. Terima
kasih untuk perhatiannya.

Bandung, 10 Juli 2018

Yohan Elim

ii
 DAFTAR ISI

ABSTRAK........................................................................................................................... i
ABSTRACT........................................................................................................................ ii
KATA PENGANTAR........................................................................................................iii
DAFTAR ISI....................................................................................................................... v
DAFTAR TABEL.............................................................................................................. ix
DAFTAR GAMBAR......................................................................................................... xi
BAB I PENDAHULUAN.............................................................................................I-1
I.1 Latar Belakang Permasalahan............................................................I-1
I.2 Identifikasi dan Rumusan Masalah.................................................... I-3
I.3 Batasan Masalah.................................................................................. I-6
I.4 Tujuan Penelitian.................................................................................. I-6
I.5 Manfaat Penelitian................................................................................ I-6
I.6 Metodologi Penelitian........................................................................... I-7
I.7 Sistematika Penulisan.......................................................................... I-9
BAB II TINJAUAN PUSTAKA.................................................................................. II-1
II.1 Traveling Salesman Problem............................................................. II-1
II.2 Asymmetric Travelling Salesman Problem...................................... II-1
II.3 Metode Metaheuristic.......................................................................... II-2
II.4 Lion Optimization Algorithm............................................................... II-3
II.4.1 Inisialisasi................................................................................. II-4
II.4.2 Hunting......................................................................................II-5
II.4.3 Moving Toward Safe Place....................................................II-7
II.4.4 Roaming................................................................................... II-9
II.4.5 Mating..................................................................................... II-12
II.4.6 Defense.................................................................................. II-13
II.4.7 Migration.................................................................................II-14
II.4.8 Keseimbangan Populasi Lion............................................. II-15
II.4.9 LOA Pseudo-code................................................................ II-16
II.5 Local Search Algorithm 2-Opt..........................................................II-17
II.6 One-Factor-At-a-Time....................................................................... II-18

v
 II.7 Analysis of Variance (ANOVA)........................................................ II-19
BAB III PERANCANGAN ALGORITMA.................................................................III-1
III.1 Encoding dan Decoding.....................................................................III-1
III.2 Perancangan Algoritma..................................................................... III-5
III.2.1 Notasi Algoritma..................................................................... III-5
III.2.2 Algoritma Utama LOA........................................................... III-7
III.2.3 Inisialisasi LOA....................................................................... III-9
III.2.4 Algoritma Encoding Getroute Function............................ III-16
III.2.5 Algoritma Getfitness Function............................................III-18
III.2.6 Algoritma Hunting................................................................ III-21
III.2.7 Algoritma Move Toward Safe Place................................. III-34
III.2.8 Algoritma Roaming.............................................................. III-42
III.2.9 Algoritma Mating.................................................................. III-57
III.2.10 Algoritma Defense............................................................... III-72
III.2.11 Algoritma Migration..............................................................III-90
III.2.12 Algoritma 2-Opt..................................................................III-107
III.3 Verifikasi dan Validasi Program Algoritma................................. III-111
BAB IV IMPLEMENTASI ALGORITMA................................................................. IV-1
IV.1 Kasus Asymmetric Travelling Salesman Problem........................ IV-1
IV.2 Penentuan Nilai Jumlah Iterasi........................................................ IV-2
IV.3 Penentuan Nilai Parameter Terbaik Melalui One-Factor-
At-a-Time (OFAT)...............................................................................IV-5
IV.3.1 Eksperimen OFAT pada Parameter Ropc.........................IV-5
IV.3.2 Eksperimen OFAT pada Parameter Mapc........................ IV-6
IV.3.3 Eksperimen OFAT pada Parameter Mupc........................ IV-7
IV.3.4 Eksperimen OFAT pada Parameter Mapc........................ IV-8
IV.3.5 Hasil Eksperimen OFAT....................................................... IV-9
IV.4 Penerapan LOA pada Kasus Benchmark...................................... IV-9
IV.5 Pengujian Parameter LOA..............................................................IV-10
IV.5.1 Pembuatan Kombinasi Pengujian ANOVA..................... IV-12
IV.5.2 Pengujian Parameter LOA pada Kasus BR17................IV-12
IV.5.3 Pengujian Parameter LOA pada Kasus FTV33..............IV-13
IV.5.4 Pengujian Parameter LOA pada Kasus FTV44..............IV-13
IV.5.5 Pengujian Parameter LOA pada Kasus FTV55..............IV-14

vi
 IV.5.6 Pengujian Parameter LOA pada Kasus FTV70..............IV-15
IV.5.7 Rekapitulasi Pengujian Parameter................................... IV-16
IV.6 Perbandingan Hasil Solusi LOA dengan Algoritma
Benchmark........................................................................................ IV-17
BAB V ANALISIS....................................................................................................... V-1
V.1 Analisis Perancangan Algoritma....................................................... V-1
V.1.1 Analisis Encoding dan Decoding..........................................V-1
V.1.2 Analisis Proses Pencarian Solusi........................................ V-3
V.2 Analisis Parameter LOA..................................................................... V-6
V.2.1 Analisis Parameter Roaming (Ropc)................................... V-7
V.2.2 Analisis Parameter Mating (Mapc).......................................V-7
V.2.3 Analisis Parameter Mutation (Mupc)................................... V-7
V.2.4 Analisis Parameter Migration (Mipc)....................................V-8
V.2.5 Analisis Interaksi Pengaruh Parameter...............................V-8
BAB VI KESIMPULAN DAN SARAN..................................................................... VI-1
VI.1 Kesimpulan..........................................................................................VI-1
VI.2 Saran.................................................................................................... VI-2
DAFTAR PUSTAKA
RIWAYAT HIDUP

vii
 DAFTAR TABEL

Tabel II.1 Pembagian Subjek Tiap Percobaan.................................................. II-19

Tabel II.2 Perhitungan ANOVA............................................................................ II-21
Tabel III.1 Contoh Pemberian Angka Acak untuk 5 Kota pada 5 Singa.......... III-2
Tabel III.2 Hasil Random-Key Representation untuk Semua Singa................ III-3
Tabel III.3 Matriks Jarak antar Kota pada Kasus ATSP.....................................III-3
Tabel III.4 Perhitungan Jarak yang DItempuh..................................................... III-4
Tabel III.5 Matriks Jarak Kasus ATSP..............................................................III-112
Tabel III.6 Solusi secara Enumerasi Kasus ATSP......................................... III-112
Tabel IV.1 Rekapitulasi Kasus ATSP....................................................................IV-1
Tabel IV.2 Rekapitulasi Hasil Jumlah Iterasi........................................................IV-5
Tabel IV.3 Kombinasi Parameter Ropc................................................................ IV-5
Tabel IV.4 Hasil OFAT Parameter Ropc.............................................................. IV-6
Tabel IV.5 Kombinasi Parameter Mapc................................................................ IV-6
Tabel IV.6 Hasil OFAT Parameter Mapc.............................................................. IV-7
Tabel IV.7 Kombinasi Parameter Mupc................................................................ IV-7
Tabel IV.8 Hasil OFAT Parameter Mupc.............................................................. IV-8
Tabel IV.9 Kombinasi Parameter Mipc................................................................. IV-8
Tabel IV.10 Hasil OFAT Parameter Mipc............................................................... IV-9
Tabel IV.11 Hasil Implementasi LOA terhadap Kasus Benchmark..................IV-10
Tabel IV.12 Rekapitulasi Kombinasi Parameter..................................................IV-12
Tabel IV.13 Rekapitulasi Hasil Pengujian Parameter.........................................IV-16
Tabel IV.14 Perbandingan LOA dengan Algoritma Benchmark....................... IV-17

ix
 DAFTAR GAMBAR

Gambar I.1 Flowchart Metodologi Penelitian.........................................................I-8

Gambar II.1 Skema Umum Perilaku Berburu Singa ............................................II-5
Gambar II.2 Contoh Pola Berburu Lion.................................................................. II-6
Gambar II.3 Pseudo-code 1 Hunting...................................................................... II-7
Gambar II.4 Tampilan Skematik dari Berbagai Ukuran Turnamen.................... II-7
Gambar II.5 Pseudo-code 2 Moving Toward Safe Place.................................... II-9
Gambar II.6 Contoh dari Resident Lion Jantan Melakukan Roaming............. II-10
Gambar II.7 Pseudo-code 3 Perilaku Lion Resident Jantan.............................II-10
Gambar II.8 Pseudo-code 4 Lion Nomad yang Bergerak secara Acak.......... II-11
Gambar II.9 Contoh Menghasilkan Posisi Baru untuk Lion Nomad
Sesuai Fitness-nya............................................................................ II-12
Gambar II.10 Contoh Proses Mating: Satu Betina dengan Dua Jantan............II-13
Gambar II.11 Pseudo-code 5 Defense Terhadap Lion Resident Jantan
Dewasa Baru...................................................................................... II-13
Gambar II.12 Pseudo-code 6 Defense Terhadap Lion Nomad Jantan............. II-14
Gambar II.13 Contoh dari Defense Lion Resident Jantan...................................II-14
Gambar II.14 Contoh Operator Migrasi dan Keseimbangan Populasi Lion......II-15
Gambar II.15 LOA Pseudo-code............................................................................. II-17
Gambar II.16 Operasi 2-Opt..................................................................................... II-18
Gambar II.17 Interaksi Menggunakan OFAT.........................................................II-19
Gambar III.1 Random-Key Representation untuk Singa 1.................................. III-2
Gambar III.2 Algoritma Utama LOA........................................................................ III-3
Gambar III.3 Inisialisasi LOA untuk Singa Resident Jantan............................. III-10
Gambar III.4 Inisialisasi LOA untuk SInga Resident Betina..............................III-12
Gambar III.5 Inisialisasi LOA untuk SInga Nomad Jantan................................ III-14
Gambar III.6 Inisialisasi LOA untuk SInga Nomad Betina.................................III-16
Gambar III.7 Encoding Getroute Function........................................................... III-17
Gambar III.8 Getfitness Function.......................................................................... III-19
Gambar III.9 Algoritma Utama Hunting................................................................ III-21
Gambar III.10 Algoritma Hunting Role....................................................................III-23

xi
Gambar III.11 Algoritma Generate Prey................................................................. III-27
Gambar III.12 Algoritma Hunting Prey....................................................................III-29
Gambar III.13 Algoritma Prey Update.....................................................................III-32
Gambar III.14 Algoritma Move Toward Safe Place.............................................. III-35
Gambar III.15 Algoritma Roaming untuk Singa Resident Jantan.......................III-43
Gambar III.16 Algoritma Roaming untuk Singa Nomad.......................................III-49
Gambar III.17 Algoritma Mating pada Singa Pride............................................... III-58
Gambar III.18 Algoritma Mating pada Singa Nomad............................................III-66
Gambar III.19 Algoritma Defense terhadap Singa Resident Muda....................III-74
Gambar III.20 Algoritma Defense terhadap Singa Nomad..................................III-83
Gambar III.21 Algoritma Migration.......................................................................... III-92
Gambar III.22 Algoritma 2-Opt...............................................................................III-108
Gambar III.23 Input serta Output Program LOA................................................. III-116
Gambar IV.1 Plot Iterasi untuk Kasus BR17..........................................................IV-2
Gambar IV.2 Plot Iterasi untuk Kasus FTV33........................................................IV-3
Gambar IV.3 Plot Iterasi untuk Kasus FTV44........................................................IV-3
Gambar IV.4 Plot Iterasi untuk Kasus FTV55........................................................IV-4
Gambar IV.5 Plot Iterasi untuk Kasus FTV70........................................................IV-4
Gambar IV.6 Hasil Uji ANOVA FTV33..................................................................IV-13
Gambar IV.7 Hasil Uji ANOVA FTV44..................................................................IV-14
Gambar IV.8 Hasil Uji ANOVA FTV55..................................................................IV-15
Gambar IV.9 Hasil Uji ANOVA FTV70..................................................................IV-16

xii
 BAB I
PENDAHULUAN

Pada bab ini akan dijelaskan mengenai latar belakang permasalahan,

identifikasi dan rumusan masalah, batasan masalah, tujuan penelitian, manfaat
penelitian, metodologi penelitian, dan sistematika penulisan. Berikut ini
merupakan masing-masing penjelasannya.

I.1 Latar Belakang Permasalahan

Permasalahan transportasi merupakan salah satu permasalahan yang
tidak bisa diabaikan oleh perindustrian. Permasalahan transportasi yang terjadi
pada dunia perindustrian adalah bagaimana meminimasi biaya transportasi yang
dikeluarkan oleh perusahaan. Sebagai contoh, jika ada seorang salesman yang
akan melakukan perjalanan melalui sejumlah kota. Setiap kotanya hanya boleh
dilalui oleh salesman tersebut satu kali dalam perjalanannya, dengan jarak
antara setiap kota satu dengan yang lainnya sudah diketahui. Salesman tersebut
harus menentukan urutan kota mana saja yang harus dilalui terlebih dahulu agar
dapat meminimasi biaya pengeluaran dan jarak yang ditempuh.
Permasalahan pencarian rute yang optimum seperti di atas merupakan
permasalahan Travelling Salesman Problem (TSP). Permasalahan TSP adalah
suatu permasalahan optimasi dimana seorang salesman harus mengunjungi
semua kota yang ada dan kota tersebut hanya boleh dikunjungi tepat satu kali.
Dengan harapan, salesman tersebut melewati semua kota dengan rute
terpendek untuk meminimasi biaya transportasi yang muncul. Pada tahun 1985,
permasalahan TSP dikemukakan oleh Lawrer, Lenstra, Kan, dan Shmoys
(Lawrer et. al., 1985). Secara umum permasalahan TSP tersebut terbagi menjadi
dua, yaitu symmetric TSP (permasalahan TSP pada umumnya) dan asymmetric
TSP (Gutin & Punnen, 2002). Permasalahan TSP yang dikategorikan symmetric
TSP (STSP) apabila jarak kota A ke kota B sama dengan jarak kota B ke kota A.
Tetapi jika jarak kota A ke kota B tidak sama dengan jarak kota B ke kota A,
maka permasalahan tersebut dikategorikan sebagai asymmetric TSP (ATSP).

I-1
 BAB I PENDAHULUAN

Pada kondisi nyata, permasalahan TSP akan menjadi lebih kompleks

untuk diselesaikan. Penggunaan STSP pada pemilihan rute kurang mewakili
kondisi nyata di jalan perkotaan pada umumnya. Jarak tempat A ke tempat B
tidak selalu sama atau simetris dengan jarak tempat B ke tempat A. Sebagai
contoh, ada seorang salesman perusahaan yang terletak di jalan Cimbuleuit
ingin mengunjungi Cihampelas Walk untuk membuka stand promosi
perusahaannya. Salesman tersebut akan melalui jalan Cimbuleuit kemudian
menuju jalan Cihampelas yang merupakan jalan satu arah dan sampailah di
Cihampelas Walk. Akan tetapi jika salesman tersebut akan pulang kembali dari
Cihampelas Walk menuju kantornya di jalan Cimbuleuit, salesman tidak bisa
menggunakan jalur jalan yang sama karena jalan Cihampelas merupakan jalan
satu arah sehingga harus menggunakan jalur lain. Maka salesman harus
memutar terlebih dahulu melalui jalan Cipaganti yang merupakan jalan satu arah
juga kemudian menuji jalan Setiabudi dan akhirnya menuju jalan Cimbuleuit.
Saat ini masih banyak perindustrian yang menggunakan salesman
dalam sebagai pemasar produk atau jasa dari perindustrian tersebut. Contoh dari
beberapa perindustrian yang masih menggunakan salesman yaitu PT. Global
Chemindo Megatrading, PT. Beta Gasindo Agung, PT. Saba Indomedika, PT.
Tiara Metropolitan Indah, PT. Grand Wie Sukses Properti, dan lain-lain. Ini
menunjukkan bahwa permasalahan ATSP hingga saat ini masih dialami oleh
salesman tersebut. Adanya penutupan jalan dan banyaknya ruas jalan satu arah
pada perkotaan menyebabkan ketidaksimetrisan jarak antar tempat tersebut.
Oleh karena itu, permasalahan ATSP lebih cocok digunakan untuk kondisi nyata
di jalan perkotaan dibandingkan permasalahan STSP pada umumnya.
Permasalahan ATSP diharapkan dapat menutupi kekurangan TSP pada
umumnya yang mengasumsikan jarak antar kota simetris.
Permasalahan ATSP tergolong permasalahan NP-Hard (Non-
deterministic Polynomial-time Hard) sehingga penyelesaian dengan metode
analitik kurang cocok digunakan (Ascheuer et. al., 1999). Hal ini dikarenakan
penyelesaian dengan metode analitik memakan waktu yang lebih lama. Semakin
banyak jumlah kota pun akan menyebabkan perhitungan menjadi semakin lama
pula. Oleh karena itu, pendekatan secara metaheuristik banyak dikembangkan
untuk menyelesaikan kasus ATSP. Terdapat beberapa metode metaheuristik
yang pernah menyelesaikan kasus ATSP, yaitu Ant Colony System (Dorigo dan

I-2
 BAB I PENDAHULUAN

Stutzle, 2004), Hybrid Particle Swarm Optimization (Anghinolfi et. al., 2011), A
New Genetic Algorithm (Nagata dan Soler, 2012), Improved Discrete Bat
Algorithm (Osaba et. al., 2016), Harmony Search Algorithm (Kevin, 2016), dan
Elephant Herding Optimization (Santosa, 2017). Salah satu metode
metaheuristik yang dikembangkan pada tahun 2015 adalah Lion Optimization
Algorithm (LOA) oleh Yazdani dan Jolai. LOA telah berhasil diterapkan pada 30
set lengkap benchmark function dari kompetisi Congress Evolutionary
Computation (CEC) 2014 pada kategori Single Objective Optimization Algorithm.
Penelitian ini akan mencoba menerapkan LOA pada kasus ATSP untuk melihat
seberapa baik performasinya pada kasus ATSP.

I.2 Identifikasi dan Rumusan Masalah

Dalam mencari solusi optimal pada kasus ATSP, dapat menggunakan
dua jenis metode. Metode pertama adalah metode eksak dimana hasil dari
metode ini adalah solusi optimal dari permasalahan ATSP. Dalam kasus ATSP,
metode eksak akan mencari seluruh kombinasi jalur yang ada dan akan
menghasilkan global optimum solution. Contoh dari metode eksak yang dapat
digunakan untuk menyelesaikan permasalahan ATSP adalah metode dynamic
programming dan branch and bound (Gutin & Punnen, 2002). ATSP merupakan
kasus yang tergolong NP-Hard Problems sehingga permasalahan ATSP dengan
menggunakan metode eksak membutuhkan waktu yang lama dan tidak efisien
walaupun dapat menemukan solusi yang optimal.
Metode kedua adalah metode pendekatan, yaitu metode heuristik dan
metode metaheuristik. Heuristic berasal dari kata Yunani heuriskein yang berarti
seni untuk menemukan strategi dalam menyelesaikan persoalan (Talbi, 2009).
Metode heuristic tidak menjamin solusi yang didapatkan adalah solusi optimal,
tetapi umumnya hasil penyelesaiannya cukup baik. Gutin dan Punnen (2002)
pernah menerapkan metode heuristik untuk menyelesaikan kasus ATSP, yaitu
Nearest Neighbor Algorithm dan Greedy Algorithm tetapi menghasilkan solusi
yang kurang baik dibandingkan metode eksak. Kelemahan dari metode heuristik
adalah tidak adanya proses eksplorasi sehingga sering terjebak pada lokal
optima.
Menurut Talbi, metaheuristic dapat didefinisikan sebagai metode lanjut
berbasis heuristic untuk menyelesaikan persoalan optimisasi secara efisien

I-3
 BAB I PENDAHULUAN

(Talbi, 2009). Metode ini mampu mendapatkan solusi yang baik dalam waktu
yang cepat (acceptable), tetapi tetap tidak menjamin solusi yang didapatkannya
adalah solusi yang optimal. Perbedaan antara metaheuristik dengan heuristik
terletak pada kemampuan menyelesaikan kasus-kasusnya. Metode heuristik
biasanya sangat spesifik untuk kasus tertentu sehingga diperlukan algoritma lain
untuk menyelesaikan kasus yang berbeda. Berbeda dengan heuristik, metode
metaheuristik berupa prosedur umum yang bisa diterapkan untuk berbagai kasus.
Kunche dan Reddy (2016) dalam bukunya mengatakan bahwa metode
metaheuristik mencari kombinasi solusi dengan proses iteratif yang dapat
mengeksplorasi dan mengeksploitasi ruang solusi dengan prosedur/strategi
tertentu, sehingga diharapkan mendapatkan solusi yang baik dengan cari lebih
efisien.
Dalam 25 tahun terakhir, metaheuristik telah menjadi semakin populer
dikarenakan penggunaannya dalam banyak aplikasi menunjukkan efisiensi dan
efektivitasnya untuk memecahkan masalah besar dan kompleks. Terdapat
beberapa algoritma metaheuristik yang mencoba untuk menyelesaikan kasus
ATSP, yaitu A New Genetic Algorithm (Nagata dan Soler, 2012), Improved
Discrete Bat Algorithm (Osaba et. al., 2016), Harmony Search Algorithm (Kevin,
2016), dan Elephant Herding Optimization (Santosa, 2017). Hasil dari algoritma-
algoritma metaheuristik di atas menghasilkan solusi yang baik, namun tidak
optimal, namun penyelesaian permasalahan ATSP tidak terbatas oleh metode-
metode yang sudah ada. Pada tahun 2015, Maziar Yazdani dan Fariborz Jolai
memperkenalkan LOA. LOA dapat dikatakan masih tergolong algoritma baru
sehingga belum banyak kasus permasalahan-permasalahan yang menggunakan
algoritma ini.
LOA merupakan sebuah algoritma yang terinspirasi dari tingkah laku
kehidupan singa (lion) yang tersendiri dan kooperatif. Dalam tingkah laku
kehidupan singa terdapat dua tipe organisasi sosial, yaitu resident dan nomad.
Resident yang hidup secara berkelompok disebut pride. Tidak seperti famili
kucing lainnya, singa biasanya berburu bersama dengan anggota pride mereka.
Beberapa singa betina bekerja sama dan mengitari mangsa dari berbagai titik
dan menangkap korban dengan serangan cepat. Perburuan mangsa yang
terkoordinasi akan memberikan probabilitas keberhasilan yang lebih tinggi pada
singa. Dalam penerapan LOA, ada suatu nilai yang hendak dicari, yaitu nilai

I-4
 BAB I PENDAHULUAN

global optimum. Global optimum pada penerapan LOA dianalogikan posisi

terbaik yang dimiliki oleh setiap singa pride.
LOA telah dilakukan benchmark terhadap enam metode metaheuristik
popular, yaitu Invasive Weed Optimization (IWO) Algorithm, Biogeography-based
Optimization (BBO) Algorithm, Gravitational Search Algorithm (GSA), Hunting
Search (HuS) Algorithm, Bat Algorithm (BA), dan Water Wave Optimization
(WWO) Algorithm pada test function (Yazdani & Jolai, 2015). Terdapat empat
tipe test function yang dilakukan Yazdani dan Jolai yaitu, unimodal function,
multimodal function, hybrid function, dan composition function. Berdasarkan hasil
perbandingan test function yang telah dilakukan, LOA memberikan hasil yang
lebih baik daripada semua algoritma pada unimodal function sehingga dapat
dikatakan LOA mampu menangani jenis masalah ini dengan sangat efektif. Pada
multimodal function, LOA menunjukkan kinerja yang signifikan dan memberikan
hasil yang jauh lebih baik daripada semua algoritma benchmark. Pada hybrid
function, keseluruhan kinerja LOA berbeda secara signifikan dari algoritma lain
dan hampir pada semua function sangat jauh lebih baik daripada algoritma
benchmark. LOA menempati urutan pertama pada sebagian besar composition
function. Singkatnya, keseluruhan kinerja LOA adalah yang terbaik di antara lima
algoritma komparatif lainnya pada benchmark.
LOA sampai saat ini memang belum pernah melakukan pemecahan
masalah yang berbentuk kasus kombinatorial seperti ATSP. Akan tetapi, hasil
yang diperoleh LOA dalam evaluasi performansi terhadap benchmark function
CEC 2014 memberikan hasil yang superior dalam kecepatan konvergensi dan
pencapaian global optimum. Ini membuktikan bahwa LOA memiliki kemungkinan
untuk menyelesaikan ATSP dengan nilai yang lebih baik daripada algoritma
benchmark. Metode metaheuristik yang digunakan dalam penelitian ini adalah
metode LOA. Dalam jurnalnya, Yazdani dan Jolai (2015) mengatakan bahwa
LOA cocok digunakan untuk permasalahan optimasi terutama pada multimodal
function.
Penelitian ini akan mencoba menerapkan LOA pada kasus ATSP untuk
melihat seberapa baik performasinya pada kasus ATSP. Oleh karena itu,
rumusan masalah dalam penelitian ini adalah sebagai berikut.
1. Bagaimana penerapan LOA dalam menyelesaikan kasus ATSP?

I-5
 BAB I PENDAHULUAN

2. Bagaimana pengaruh dari parameter-parameter LOA terhadap

performansinya?
3. Bagaimana perbandingan hasil solusi pada persoalan kasus benchmark
yang pernah diselesaikan menggunakan A New Genetic Algorithm
(Nagata & Soler, 2012), Improved Discrete Bat Algorithm (Osaba et. al.,
2016), Harmony Search Algorithm (Kevin, 2016), dan Elephant Herding
Optimization Algorithm (Santosa, 2017)?

I.3 Batasan Masalah

Pembatasan masalah pada penelitian ini dibuat sesuai dengan
identifikasi masalah. Adapun pembatasan masalah dalam penelitian ini adalah
kasus yang digunakan terbatas hanya pada benchmark yang umum digunakan.

I.4 Tujuan Penelitian

Berdasarkan rumusan masalah di atas, berikut merupakan tujuan
penelitian yang akan dilakukan.
1. Menerapkan LOA dalam menyelesaikan kasus ATSP.
2. Mengetahui pengaruh parameter-parameter dari LOA terhadap
performansinya.
3. Membandingkan hasil solusi pada persoalan kasus benchmark yang
pernah diselesaikan menggunakan A New Genetic Algorithm (Nagata &
Soler, 2012), Improved Discrete Bat Algorithm (Osaba et. al., 2016),
Harmony Search Algorithm (Kevin, 2016), dan Elephant Herding
Optimization Algorithm (Santosa, 2017).

I.5 Manfaat Penelitian

Manfaat yang dapat diperoleh dari penelitian ini adalah:
1. Menambah pengetahuan dan wawasan mengenai penerapan LOA
dalam menyelesaikan kasus optimasi ATSP.
2. Dapat menjadi referensi untuk penelitian mengenai LOA dan/atau ATSP.

I-6
 BAB I PENDAHULUAN

I.6 Metodologi Penelitian

Dalam melakukan penelitian, perlu adanya metodologi penelitian yang
dapat dilihat pada Gambar I.1. Penjelasan mengenai penelitian tersebut akan
dibahas sebagai berikut.
1. Studi Literatur
Studi literatur merupakan langkah pertama dalam melakukan penelitian.
Studi literatur dimulai dengan mengumpulkan informasi-informasi
mengenai LOA dan ATSP dari jurnal dan buku referensi.
2. Identifikasi dan Perumusan Masalah
Selanjutnya dilakukan identifikasi dan perumusan dari masalah
mengenai masalah ATSP. Perumusan masalah dilakukan berdasarkan
identifikasi masalah yang telah dilakukan sebelumnya.
3. Penentuan Batasan Masalah
Dalam peneilitian yang dilakukan, masalah yang diteliti akan dibatasi.
Hal ini bertujuan agar penelitian yang dilakukan dapat terarah dengan
baik dan tidak menyimpang dari tujuan awalnya.
4. Penentuan Tujuan dan Manfaat Penelitian
Dengan rumusan masalah yang telah diperoleh beserta batasan dan
asumsi yang digunakan dalam penelitian ini, maka tujuan dari penelitian
ini adalah untuk menjawab rumusan masalah. Penentuan tujuan dan
manfaat bertujuan agar penelitian yang dilakukan dapat terarah.
5. Perancangan LOA pada Kasus ATSP
Pada tahap ini dilakukan perancangan LOA dengan berdasarkan teori-
teori yang diperoleh pada studi literatur. Perancangan dimulai dengan
menentukan metode encoding dan decoding. Perancangan LOA ini
bertujuan agar hasil dari penerapan LOA dapat merepresentasikan
solusi bagi ATSP.
6. Verifikasi dan Validasi Algoritma
LOA yang dirancang pada tahap sebelumnya perlu diverifikasi dan
divalidasi agar algoritma yang dirancang sudah sesuai untuk
menyelesaikan kasus ATSP. Jika algoritma yang dibuat tidak
terverifikasi dan tervalidasi, maka perlu dilakukan perancangan kembali
algoritma tersebut sehingga terverifikasi dan tervalidasi.

I-7
 BAB I PENDAHULUAN

Gambar I.1 Flowchart Metodologi Penelitian

7. Penerapan LOA pada Kasus ATSP

Penerapan LOA dilakukan dengan menggunakan program untuk
menghasilkan solusi kasus benchmark ATSP yang digunakan pada
algoritma LOA.
8. Analisis
Analisis dilakukan pada hasil penerapan algoritma LOA pada kasus
benchmark ATSP. Analisis dapat dilakukan untuk melihat berapa nilai

I-8
 BAB I PENDAHULUAN

parameter yang terbaik serta membandingkan solusi dengan algoritma

lain pada kasus-kasus benchmark ATSP.
9. Penarikan Kesimpulan
Kesimpulan diberikan untuk menjawab dari masalah yang ada atau
dalam mencapai tujuan dari penelitian yang telah dilakukan.

I.7 Sistematika Penulisan

Pada bagian ini akan dijelaskan mengenai sistematika penulisan dalam
penelitian mengenai penerapan Lion Optimization Algorithm untuk
menyelesaikan kasus Asymmetric Traveling Salesman Problem yang dilakukan.
Sistematika penulisan pada penelitian ini dapat dilihat pada halaman berikutnya.

BAB I PENDAHULUAN
Pada bab ini akan dijelaskan mengenai latar belakang masalah, identifikasi dan
rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian,
metodologi penelitian, serta sistematika penulisan.

BAB II TINJAUAN PUSTAKA

Pada bab ini akan dijelaskan mengenai teori-teori dasar yang digunakan sebagai
dasar dalam melakukan pengumpulan dan pengolahan data. Bab ini akan
menjelaskan tentang metode dan teknik yang diperlukan sesuai dengan tujuan
penelitian, serta ukuran performansi

BAB III PERANCANGAN ALGORITMA

Pada bab ini akan dijelaskan mengenai pengumpulan data yang diperlukan, cara
pengumpulan data, alat pengumpulan data, dan pengujian data. Dalam bab ini
juga akan dijelaskan mengenai cara mengolah data beserta contoh
perhitungannya.

BAB IV IMPLEMENTASI ALGORITMA

Pada bab ini akan dijelaskan mengenai analisis terhadap hasil pengolahan data
yang telah dilakukan pada bab sebelumnya beserta usulan perbaikan sistem.

I-9
 BAB I PENDAHULUAN

BAB V ANALISIS
Pada bab ini akan dijelaskan mengenai kesimpulan berdasarkan hasil
pengolahan data dan usulan perbaikan dari bab sebelumnya, serta saran yang
dapat diberikan.

BAB VI KESIMPULAN DAN SARAN

Pada bab ini akan dijelaskan mengenai kesimpulan berdasarkan hasil
pengolahan data dan usulan perbaikan dari bab sebelumnya, serta saran yang
dapat diberikan.

I-10