ii
BAB I
PENDAHULUAN
A. LATAR BELAKANG
Ant Colony Optimiztion Algorithm atau Algoritma Optimasi Semut merupakan
algorritma yang terinspirasi dari perilaku semut dalam menemukan jalur dari koloninya
menuju makanan. Ant Colony Optimiztion (ACO) sudah diterapkan di berbagai masalah
seperti VRP, penjadwalan proyek sumberdaya terbatas, data mining, penjadwalan
pekerjaan (jobscheduling) dan beberapa masalah kombinatorial yang lain. Dalam ACO,
setiap semut dalam kawanan yang berjalan akan meninggalkan pheromone semacam zat
kimia pada jalur yang dilaluinya.
Pada dunia nyata, semut berkeliling secara acak, dan ketika menemukan makanan
mereka kembali ke koloninya sambil memberikan tanda dengan jejak feromon. Bisa
diblang semut 0 semut mempunyai penyelesaian yang sangat unik dan sangat maju, yaitu
dengan menggunakan jejak feromon pada suatu jalur untuk berkomunikasi dan
membangun solusi, semakin banyak jejak pheromon ditinggalkan maka jalur tersebut
akan diikuti oleh semut lain.
1
Jika semut – semut lain menemukan jalur tersebut, mareka tidak akan berpergian
dengan acak lagi, melaikan akan mengikuti jejak tersebut, kembali dan menguatkannya
jika pada akhirnya merekapun menemukan makanan. Semut dapat mencari lintasan
terpendek dari suatu sumber makanan menuju sarangnya tanpa harus melihatnya secara
langsung.
B. TUJUAN
Agar mengetahui dan paham tentang; Pengertian, Sejarah, Macam – Macam, Cara
Kerja, Proses, Perilaku Semut, Kelebihan dan Kekurangan Ant Colony Optimiztion
Algorithm; serta Penambahan dan Penguapan Pheromone pada jalur semut.
C. MANFAAT
Disusunnya makalah ini untuk menambah wawasan, pengetahuan, serta pemahaman
tentang Ant Colony Optimization Algorithm dan semoga dapat memberikan kontribusi
dalam pendidikan.
2
BAB II
PEMBAHASAN
3
berbagai masalah seperti Vehicle Routing Problems, penjadwalan proyek dengan
sumber daya terbatas, data mining, penjadwalan pekerjaan (job scheduling) dan
beberapa masalah kombinatorial yang lain. Setelah beberapa waktu, jalur terpendek
akan lebih sering diikuti dan feromonnya menjadi jenuh, semut di perkenalkan oleh
Moyson dan Manderick lalu secera meluas di kembangman oleh Marco Dorigo.
4
E. PROSES DALAM ANT COLONY OPTIMIZATION ALGORITHM
Misalkan ada N semut dalam satu koloni. Semut – semut itu akan memulai gerakan
dari sarang mereka menuju tujuan akhr melalui beberapa simpul dan berakhr pada simpul
tujuan diakhir setiap siklus atau iterasi. Kalau semua semut sudah menyelesaikan
lintasannya, jumlah pheromone pada lintasan terbaik secara global akan diperbarui.
Lintasan global terbaik artinya jalur terbaik diantara semua semut.
Pada awal proses, yaitu pada iterasi 1, semua ruas dari simpul awal akan diberi jumlah
pheromone yang sama. Sehingga pada iterasi 1, semua semut akan mulai dari simpul
awal dan berakhir pada simpul tujuan dengan cara memilih simpul-simpul antara secara
random. Proses optimasi berakhir jika jumlah iterasi maksimum sudah tercapai atau tidak
ada lagi solusi yang lebih baik yang bisa didapat dalam beberapa iterasi yang berturutan.
Semut menggunakan lingkungannya sebagai media komunikasi. Mereka bertukar
informasi secara tidak langsung melalui pheronomenya secara mendetail seperti status
kerja, dll. Informasi yang ditukar memiliki ruang lingkup lokal, dimana hanya seekor
semut yang terletak di tempat pheromone itu berada. Sistem ini disebut "Stigmergy" dan
terjadi di banyak hewan yang hidup bersosial masyarakat (hal itu telah dipelajari dalam
kasus pembangunan pilar dalam sarang rayap).
Mekanisme untuk menyelesaikan masalah yang kompleks untuk ditangani oleh satu
semut adalah contoh yang baik dari suatu sistem organisme. Sistem ini didasarkankan
pada feedback positif (menarik feromon semut lain yang akan memperkuat sendiri) dan
negatif (disipasi dari rute oleh sistem mencegah penguapan dari labrakan). Secara teori,
jika jumlah feromon tetap sama dari waktu ke waktu pada semua sisi, tidak ada rute yang
akan dipilih. Namun, karena feedback, sedikitnvariasi pada sisi akan diperkuat dan
5
dengan demikian memungkinkan pilihan sisi tersebut. Algoritma akan bergerak dari
keadaan yang tidak stabil di mana tidak ada sisi yang lebih kuat daripada yang lain, untuk
ke yang lebih stabil di mana jalur terdiri dari sisi paling kuat.
( )
{∑ ( )
( )
( )
dimana α menunjukkan derajat kepentingan pheromone dan adalah pilihan yang
dipunyai semut k (neighborhood) pada saat ia berada pada simpul i. Neighborhood dari
semut k simpul i akan mengandung semua simpul yang bisa dituju yang tersambung
secara langsung ke simpul yang dikunjungi sebelumnya.
Dengan meningkatnya nilai pheromone pada ruas i−j, maka kemungkinan ruas ini
akan dipilih lagi pada iterasi berikutnya semakin besar. Setelah sejumlah simpul dilewati
maka akan terjadi penguapan pheromone dengan aturan sebagai berikut :
( ) ( )
dimana (0, 1) adalah parameter tingkat penguapan dan A menyatakan segmen atau ruas
yang sudah dilalui oleh semut k sebagai bagian dari lintasan dari sarangnya menuju ke
makanan. Penurunan jumlah pheromone memungkinkan semut untuk mengekplorasi
lintasan yang berbeda selama proses pencarian. Ini juga akan menghilangkan
kemungkinan memilih lintasan yang kurang bagus. Selain itu, ini juga membantu
membatasi nilai maksimum yang dicapai oleh suatu lintasan pheromone. Jumlah
pheromone yang ditambahkan pada ruas i − j oleh semut k diberikan sebagai ;
( )
6
dimana Q adalah konstanta dan Lk adalah lintasan terpendek yang dilalui semut k (dalam
kasus TSP adalah lintasan yang dilalui oleh salesman). Nilai Q biasanya ditentukan oleh
user. Atau bisa juga diimplementasikan dengan cara berikut :
( ) ( )
{
7
BAB III
PENUTUP
A. KESIMPULAN
Algoritma ant colony optomization menggunakan fungsi heuristik untuk mendapatkan
hasil yang optimal sehingga kekurangan dari algoritma ant colony optomization ini
adalah waktu proses dalam mendapatkan hasil yang paling optimal sangat tergantung dari
jumlah iterasi perhitungan yang digunakan.
Konsep Ant System sendiri terinspirasi dari pengamatan terhadap tingkah laku semut.
Secara sederhana, perilaku semut dapat digambarkan sebagai dengan semut yang
merupakan serangga sosial yang hidup dalam koloni-koloni dan berperilaku berdasarkan
kepentingan koloni. ACO meniru perilaku koloni semut dalam mencari sumber makanan
bermula dan kembali ke sarangnya yang ternyata secara alami mencari rute terpendek.
B. SARAN
Walaupun Ant Colony Optimization Algorithm memiliki waktu proses mendapatkan
hasil optimal dengan cepat, akan tetapi masi terdapat beberapa kekurangan seperti
running time yang cukup lama dan memerlukan artificial intelligent, sehingga hasil yang
dimaksudkan telah optimal belum tentu hasil perhitungan yang sebenarnya karena hanya
diambil jalan tercepat. Diharapkan lebih baik lagi dan lebih akurat jika menggunaan ACO
dalam membuat suatu perhitungan.