Aris Feryanto
ABSTRAK (NNs), seperti elastic net (EN) dan self organizing map
(SOM), evolutionary computation (EC), seperti genetic
Banyak algoritma telah diajukan untuk menyelesaikan algorithm (GA) dan evolutionary programming (EP),
persoalan travelling salesman problem (TSP) secara kombinasi simulated annealing dan genetic algorithm
mangkus. Salah satunya adalah algoritma ant colony (AG), serta ant colony optimization (ACO).
optimization (ACO) yang merupakan salah satu Penelitian mengenai algoritma ACO, terutama dalam
metode yang sukses menggunakan pendekatan yang aplikasinya untuk permasalahan TSP, telah dilakukan oleh
berasal dari alam untuk mendesain sebuah algoritma Marco Dorigo (Belgia) dan Luca Maria Gambardella
optimasi. Makalah ini membahas ant colony system (Switzerland) pada tahun 1996. Berdasarkan paper [1]
(ACS), sebuah algoritma dalam kelompok ACO yang yang ditulis oleh mereka, ant colony system (ACS) yang
diaplikasikan untuk masalah TSP. ACS mensimulasi- merupakan salah satu algoritma ACO memiliki performa
kan sekumpulan semut yang bekerja sama untuk yang jauh lebih baik dari algoritma lain. Salah satu data di
mencari solusi yang baik untuk TSP. Simulasi ini paper tersebut menunjuk-kan pada kasus TSP dengan 75
meniru aktivitas semut pada dunia nyata yang telah kota, ACS hanya membutuhkan simulasi tur sebanyak
diteliti dapat menentukan jalur terpendek dari sumber 3.480 kali untuk menemukan jalur tur terbaik, sedangkan
makanan ke sarangnya. Semut-semut bekerja sama genetic algorithm membutuhkan 80.000 kali simulasi tur
dengan berkomunikasi melalui media hormon untuk menemukan jalur tur terbaik dan algoritma lain
feromon yang dilepaskan sepanjang sisi pada graf TSP seperti EP, SA dan AG bahkan membutuhkan jumlah
pada saat membentuk solusi. Beberapa hasil simulasi tur yang jauh lebih banyak lagi.
percobaan disertakan untuk menunjukkan performa Selanjutnya, akan dibahas bagaimana algoritma ant
ACS yang baik dalam menangani masalah TSP. colony optimization dapat diterapkan untuk menyelesaikan
persoalan TSP dimana untuk setiap kota memiliki jalur ke
Kata kunci: Ant colony optimization, Travelling salesman semua kota lainnya (strongly connected graph).
problem, Ant colony system, Kata kunci 5.
2. ANT COLONY OPTIMIZATION
2.1 Deskripsi
1. PENDAHULUAN
Apabila kita mengamati semut dalam dunia nyata,
Permasalahan travelling salesman problem atau sering semut bergerak secara acak mencari makanan untuk
disingkat TSP adalah masalah pencarian sebuah siklus tur dibawa pulang ke koloninya. Ketika pulang ke koloni
yang mengunjungi semua kota tepat satu kali dalam dengan membawa makanan, semut menandai jalur
himpunan kota yang diberikan dan kembali ke kota asal. pulangnya dengan hormon feromon [3]. Apabila semut-
Hingga saat ini belum ditemukan algoritma yang mangkus semut lain menemukan jalur ini, mereka akan mengikuti
untuk menyelesaikannya. Algoritma yang paling bagus jalur ini dan ketika kembali dengan membawa makanan,
sekalipun mempunyai kompleksitas waktu eksponensial mereka akan memperkuat jalur ini dengan menjatuhkan
pada kasus terburuk. Hingga saat ini, banyak peneliti telah feromon lagi.
mencoba mencari pendekatan untuk menyelesaikan Feromon dapat menguap dengan cepat. Ketika feromon
permasalahan TSP dalam waktu yang lebih singkat. menguap, daya atraktifnya akan berkurang. Semakin lama
Namun, karena hanya berupa pendekatan, hasilnya tidak waktu yang dibutuhkan oleh seekor semut untuk
dijamin pasti optimal, tapi rata-rata mendekati optimal. mengikuti jalur dan kembali lagi, semakin banyak
Beberapa pendekatan yang telah diketahui hingga saat feromon yang menguap. Sebaliknya, sebuah jalur yang
ini, antara lain simulated annealing (SA), neural nets pendek, akan dilewati lebih cepat dan kadar feromon tetap
, ← 1 − 4 ∙ , + 4 ∙
kota lainnya. updating:
3.1 Ant Colony System dimana adalah sebuah parameter. Local trail updating
juga merupakan representasi penguapan feromon pada
Ada beberapa cara untuk memodelkan tiga ide dasar di semut asli.
atas menjadi model komputasi untuk menyelesaikan
permasalahan TSP. Salah satunya, seperti yang diajukan 4. PERCOBAAN
oleh Dorigo dan Gambardella [1], adalah ant colony
system (ACS). Dalam ACS, sebuah semut buatan k yang Untuk menguji kemangkusan algoritma ACO,
berada di kota r, memilih bergerak menuju kota s yang khususnya dengan sistem ACS, saya menggunakan
belum pernah dikunjungi sebelumnya (tidak tercatat program ACO untuk TSP yang diunduh dari
dalam memori Mk, memori semut k) dengan menggunakan http://iridia.ulb.ac.be/~mdorigo/ACO/downloads/ACOTS
= ∉ '
memiliki beberapa implementasi algoritma ACO untuk
, sebaliknya
persoalan TSP yang simetrik, diantaranya ant system,
dimana , adalah jumlah jalur feromon pada sisi
elitist ant system, MAX-MIN ant system, rank-based
, , , adalah fungsi heuristik, yaitu invers dari
version of ant system, best-worst ant system, dan ant
jarak antara kota r dan kota u, ( adalah sebuah parameter
colony system (ACS).
Karena yang dibahas dalam makalah ini adalah
kedekatan kota, adalah sebuah nilai yang dipilih secara
yang menjadi bobot relatif antara jalur feromon dan algoritma ACS, program dijalankan dengan parameter
“--acs” untuk menjalankan algoritma ACS. Program
(inklusif), (0 ≤ ≤ 1) adalah sebuah parameter, dan
acak dengan probabilitas seragam antara 0 sampai 1 dijalankan dalam lingkungan Linux dengan virtualisasi
adalah sebuah variabel acak yang dipilih berdasarkan
dengan software VirtualBox 3.0.6 (dijalankan pada host
Windows 7 RC), dengan prosesor dual-core 2.2 GHz.
distribusi probabilitas berikut ini, yang lebih memilih Masukan program diambil dari pranala
jalan yang lebih pendek dan memiliki feromon yang lebih http://elib.zib.de/pub/mp-testdata/tsp/tsplib/, yaitu untuk
, ⋅ ,
tinggi: masalah TSP simetrik dengan nama file pcb442.tsp. Isi
, if ∉ /, '
+, , = -∑ ∉ , ⋅ ,
file ini berupa koordinat kartesian 442 kota yang akan
0, sebaliknya
dicari solusi TSP-nya. Adapun solusi optimal untuk