TUGAS PERTEMUAN 9 - ANT COLONY OPTIMIZATION

KECERDASAN KOMPUTASIONAL
ANDI SULVIQRAH AMALIA – G6501201027

1. Apa yang dimaksud dengan Ant Colony Optimization?

Jawab :
Ant Colony Optimization (ACO) merupakan teknik probabilistik untuk memecahkan
masalah perhitungan dengan menemukan jalur terbaik melalui graf, algoritma ini
terinspirasi dari perilaku semut bersama dengan koloninya dalam mencari makanan.
2. Jelaskan fenomena alam apa yang menjadi inspirasi lahirnya ACO!
Jawab :
Ant Colony Optimization diadopsi dari perilaku koloni semut yang dikenal sebagai
sistem semut. Dimana secara alamiah, koloni semut mampu menemukan rute
terpendek dalam perjalanannya dari nest ke sumber makanan dan kembali lagi, pada
saat semut berjalan, semut meninggalkan informasi yang disebut pheromone,
ditempat yang dilaluinya dan menandai rute tersebut.
3. Siapa penemu Ant Colony Optimization?
Jawab :
Ant System pertama kali dikembangkanpada tahun 1992 oleh Marco Dorigo (Italy)
dalam Tesis PhD. Ant system ini diaplikasikan untuk menyelesaikan Travelling
Salesman Problem. Dimana penerapan sistem ini bertujuan untuk mengoptimalkan
berbagai permasalahan sulit.
4. Dalam setiap iterasi, bagaimana cara semut dalam algoritme ACO melakukan
decision making dalam memilih node? Jelaskan persamaan matematika yang
digunakan!
Jawab :
Cara semut dalam algortime ACO melakukan decision making dalam memilih node
yaitu dengan semakin banyak jejak feromon yang ditinggalkan di suatu tepi semakin
besar pula kemungkinan peluang dipilihnya node tersebut. Secara jelasnya cara kerja
semut menemukan rute terpendek dalam ACO adalah sebagai berikut : Secara
alamiah 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 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. Sebaliknya lintasan yang
dilalui semut dalam jumlah banyak, semakin lama akan semakin bertambah
kepadatan semut yang melewatinya, atau bahkan semua semut akan melalui lintasan
tersebut. Berikut persamaan construct ant solution :
𝛼 𝛽
(𝜏𝑖,𝑗 )(𝜂𝑖,𝑗 )
𝑃𝑖,𝑗 = 𝛽
𝛼
∑(𝜏𝑖,𝑗 )(𝜂𝑖,𝑗 )

Dimana :
𝜏𝑖,𝑗 = Jumlah feromon pada node i/j
∝ = Parameter control node i/j
𝜂𝑖,𝑗 = Tingkat keinginan node i/j
𝛽 = Parameter control nodei/j
5. Apa kegunaan feromon dalam algoritme ACO? Jelaskan persamaan matematika
yang digunakan dan kapan persamaan tersebut digunakan.
Jawab :
Penguapan Pheromone pada semua ruas dilakukan, kemudian setiap semut
menghitung panjang tour yang telah mereka lakukan lalu meninggalkan sejumlah
Pheromone pada edge-edge yang merupakan bagian dari tour mereka yang
sebanding dengan kualitas dari solusi yang mereka hasilkan. Semakin pendek
sebuah tour yang dihasilkan oleh setiap semut, jumlah Pheromone yang ditinggalkan
pada edge-edge yang dilaluinya pun semakin besar. Dengan kata lain, edge-edge
yang merupakan bagian dari tour-tour terpendek adalah edge-edge yang menerima
jumlah Pheromone yang lebih besar. Hal ini menyebabkan edge-edge yang diberi
Pheromone lebih banyak akan lebih diminati pada tour-tour selanjutnya, dan
sebaliknya edge-edge yang tidak diberi Pheromone menjadi kurang diminati. Dan
juga, rute terpendek yang ditemukan oleh semut disimpan dan semua tabu list yang
 ada dikosongkan kembali. Peranan utama dari penguapan Pheromone adalah untuk
mencegah stagnasi, yaitu situasi dimana semua semut berakhir dengan melakukan
tour yang sama. Proses di atas kemudian diulangi sampai tour-tour yang dilakukan
mencapai jumlah maksimum atau sistem ini menghasilkan perilaku stagnasi dimana
sistem ini berhenti untuk mencari solusi alternatif. Berikut persamaan matematikanya
:
𝜏𝑖,𝑗 = (1 − 𝜌)𝜏𝑖,𝑗 + ∆𝜏𝑖,𝑗

Dimana :
𝜏𝑖,𝑗 = Jumlah feromon yang diberikan pada node i,j
𝜌 = Laju penguapan feromon
∆𝜏𝑖,𝑗 = Jumlah feromon yang disimpan biasanya diberikan
6. Gambarkan flowchart algoritme ACO.
Jawab :
7. Sebutkan dan jelaskan salah satu variant ACO selain Ant System!
Jawab :
Varian Ant Colony Optimization terdiri atas ;
a. Min-Max Ant System (MMAS)
b. Elitist Ant System (EAS)
Pengembangan pertama dari AS adalah elitist strategy for Ant System (EAS),
seperti yang dikemukakan Dorigo, M., Maniezzo, V., dan Colorni, A. (1991a),
(1991b), dan (1996). Ide ini berawal ketika adanya penguatan Pheromone pada
edge – edge yang merupakan tour terbaik yang ditemukan sejak awal algoritma.
Tour terbaik ini dinotasikan sebagai Tbs (best-so-far tour).
 Update Pheromone Trail pada EAS
Penambahan intensitas Pheromone dari tour Tbs adalah dengan memberi
𝑒
penambahan quantity untuk setiap edge, dimana e parameter yang
𝐶 𝑏𝑠

diberikan untuk mendefinisikan nilai tour terbaik (T bs) dan Cbs adalah panjang
tour terbaik. Perubahan Pheromone didefinisikan sebagai berikut :

Dimana :

Sebagai catatan untuk EAS, bagian dari algoritma yang lain sama seperti
pada AS.
c. Rank-Based Ant System (ASrank)
d. Ant Colony System (ACS)
e. Approximate Nondeterministic Tree Search (ANTS)
f. Hyper-Cube Framework for ACO
8. Sebutkan salah satu contoh penggunaan ACO untuk menyelesaikan permasalahan
di dunia nyata.
Jawab :
Salah satu contoh penerapan ACO dalam permasalahan di dunia nyata yaitu aplikasi
SIG pencarian tempat ibadah terdekat kota Bandung berbasis Android. Aplikasi ini
mengimplementasikan algoritme ACO dalam menemukan tempat ibadah terdekat di
Bandung dengan menunjukkan rute terpendek pada peta, sehingga aplikasi ini dapat
membantu para wisatawan yang sedang berada di Bandung.
9. Selain ACO, terdapat ant algorithms yang lain seperti Cemetary organization and
brood care serta division of labor. Jelaskan secara singkat bagaimana algoritme -
algoritme tersebut dapat digunakan untuk menyelesaikan permasalahan komputasi.
Jawab :
Berikut cara algoritma cemetary organization and brood care menyelesaikan
permasalahan komputasi :
1. Menentukan probabilitas penyetoran item untuk tiap cluster
𝑃𝑑 ̅̅̅̅
(𝑛) = 0.7[1 − (1 − 𝑝)𝑛̅ ]
Jika 𝑆(𝑋𝑖 ) = 0 [ 𝑃𝑑 = 0 𝑗𝑖𝑘𝑎 𝑆 (𝑋𝑖 ) = 1], 𝑑𝑒𝑛𝑔𝑎𝑛 𝑝 = 0.01 . Apabila konsisten
dengan fakta bahwa semut sangat jarang menyimpan barang di tempat yang akan
diisolasi.
2. Menentukan probabilitas pengambilan Pp diberikan oleh fungsi ambang batas.
0.1 2
𝑃𝑝 = ( )
0.1 + 𝑓
jika 𝑆(𝑋𝑖 ) = 1 [ 𝑃𝑝 = 0 𝑗𝑖𝑘𝑎 𝑆 (𝑋𝑖 ) = 0]di mana f adalah pecahan dari bagian
tetangga Xi ditempati oleh sebuah barang.
3. Menentukan rata-rata ukuran cluster R(t) cluster maksimum ukuran Rm(t), dan
faktor struktur yang dinormalisasi.
2

𝑆(𝑘, 𝑡) = 𝑛−1 〈|∑ 𝑆(𝑟𝑗 , 𝑡)𝑒 𝑖𝑘−𝑟𝑗 | 〉

𝑗

2𝜋 𝐿 𝐿
Dimana 𝑘 = (𝑘𝑥 , 𝑘𝑦 ) = ( 𝐿 ) [𝑚1 − (2) , 𝑚2 − (2)] (𝑚1 , 𝑚2 = 0,1, … , 𝐿)

4. Menentukan momen pertama k1 (t) dari faktor struktur, ditentukan oleh

 ∑𝑘 𝑘𝑆(𝑘, 𝑡)
𝑘1 (𝑡) =
∑𝑘 𝑆(𝑘, 𝑡)
Dari perhitungan diatas, kemudian akan ditampilkan plot-plot yang
mendukung penyelesaian masalah.

Referensi:
Bonabeau, Eric., Theraulaz, Guy., Fourcassie, Vincent., Deneubourg, Jean Louis.
“Phase-Ordering Kinetics Of Cemetery Organization In Ants”, The American Physical
Society, Physical Review, Vol.57, No.4, April 1998.
Leksono, Agus. “ALGORITMA ANT COLONY OPTIMIZATION (ACO) UNTUK
MENYELESAIKAN TRAVELING SALESMAN PROBLEM (TSP)”, Universitas
Diponegoro Semarang, 2009.
Stuzle, Thomas., Hoos, Holger H., “MAX –MIN Ant System”, Science Direct, Future
Generation Computer Systems 16 (2000) 889–914.
Tanjung, Widya Nurcahayanty., Sopiah., “IMPLEMENTING ANT COLONY
OPTIMIZATION (ACO) IN TRAVELING SALESMAN PROBLEM (CASE STUDY AT
DISTRIBUTION STORE PB)”, Proceeding 7th International Seminar on Industrial
Engineering and Management.
Tyas, Yuliyani Siyamtining., Prijodiprodjo, Widodo., “Aplikasi Pencarian Rute Terbaik
dengan Metode Ant Colony Optimazation (ACO)”, IJCCS, Vol.7, No.1, January 2013,
pp. 55~64
Zarman, Andri., Irfan, Mohammad., Uriawan, Wisnu., “IMPLEMENTASI ALGORITMA
ANT COLONY OPTIMIZATION PADA APLIKASI PENCARIAN LOKASI TEMPAT
IBADAH TERDEKAT DI KOTA BANDUNG”, JOIN, Volume I No. 1, Juni 2016.
https://socs.binus.ac.id/2019/12/31/ant-colony-optimization/
https://www.researchgate.net/publication/274620390_Research_Article_Intercluster_An
t_Colony_Optimization_Algorithm_for_Wireless_Sensor_Network_in_Dense_Enviro
nment?enrichId=rgreq-00f173b24df95cc4220555d86c4db617-
XXX&enrichSource=Y292ZXJQYWdlOzI3NDYyMDM5MDtBUzoyMTU1NTkzNTU1
 Mzk0NTdAMTQyODQwNDc2Mzg0MA%3D%3D&el=1_x_3&_esc=publicationCover
Pdf
http://www.ijmerr.com/uploadfile/2015/0409/20150409121112125.pdf