Leonardo Steven – 37279 – IF541E

1.

User interface : Mekanisme di mana user dan sistem saling berkomunikasi (tampilan).
Explanation facility : Menjelaskan alasan dan kegunaan dari expert system kepada
user.
Working memory : Database global yang berisi fakta yang digunakan oleh rules.
Inference engine : Membuat kesimpulan mengenai aturan atau rules mana yang
dipenuhi dan diprioritaskan.
Agenda : List prioritas dari rules yang dibuat oleh inference engine yang mana
patternnya dipenuhi oleh fakta atau objek di working memory.
Knowledge acquisition facility : Cara otomatis untuk user memasukkan pengetahuan
ke sistem dengan melewati explicit coding yang dilakukan oleh knowledge engineer.
Knowledge base : Mencakup rules dari expert system.

2. Empat Metode yang dapat digunakan dalam tahapan Knowledge Acquisition adalah
 Observation - Temui ahlinya segera untuk memecahkan masalah

Problem Discussion - Menggali data, pengetahuan dan prosedur yang diperlukan

untuk memecahkan masalah dari para ahli

Problem Description - Para ahli menjelaskan masalah dari setiap kategori pemecahan
masalah

Problem Analysis - Berikan beberapa pertanyaan ahli untuk menyelesaikan alasan

mereka sepenuhnya

Procedures for improvement - Para ahli memberikan beberapa masalah untuk

dipecahkan oleh Knowledge Engineer (KE). Sedangkan ahli memperbaiki cara
penyelesaiannya berdasarkan kaidah hasil wawancara

Procedures for testing - Para ahli mengevaluasi dan mengkritik prototipe aturan dan
struktur kontrol dari sistem yang dibangun

Validation procedures - Knowledge Engineer membuat prototipe sistem pakar

berdasarkan hasil dari masalah yang diajukan dan kemudian diuji oleh pakar lain.

3.

2 2 2
Fungsi: f ( x 1 , x 2 , x3 ) =10 ×( x 1−1) +20 ×(x 2−2) +30 ×(x 3 −3)
Posisi Awal (x)

Nama Partikel X1 X2 X3
Partikel 01 8 9 1
Partikel 02 9 6 1
Partikel 03 3 5 10
Partikel 04 10 2 10
Partikel 05 10 5 8
Kecepatan Awal (Velocity)

Nama Partikel X1 X2 X3
Partikel 01 0.3 0.1 0.8
Partikel 02 0.8 0.9 0.8
Partikel 03 0.5 0.9 0.9
Partikel 04 0.4 0.6 0.8
 Partikel 05 0.5 0.2 0.2

Bobot inersia (w) = 0.5

Faktor Akselerasi Partikel
C1 01
C2 02
Random u/tiap iterasi
R1 0.2
R2 0.3
Jumlah. Iterasi 3

Iterasi 01

Posisi Awal (X)

Partikel X1 X2 X3
Partikel 01 8 9 1
Partikel 02 9 6 1
Partikel 03 3 5 10
Partikel 04 10 2 10
Partikel 05 10 5 8

Kecepatan Awal (Velocity)

Partikel X1 X2 X3
Partikel 01 0.3 0.1 0.8
Partikel 02 0.8 0.9 0.8
Partikel 03 0.5 0.9 0.9
Partikel 04 0.4 0.6 0.8
Partikel 05 0.5 0.2 0.2

Hitung Nilai Fitness Tiap Partikel

Partikel Fitness
Partikel 01 1590
 Partikel 02 1080
Partikel 03 1690
Partikel 04 2280
Partikel 05 1740

Tentukan pBest

Partikel X1 X2 X3 F(pBest)
Partikel 01 8 9 1 1590
Partikel 02 9 6 1 1080
Partikel 03 3 5 10 1690
Partikel 04 10 2 10 2280
Partikel 05 10 5 8 1740

Tentukan gBest

Nama partikel Fitness

Partikel 01 1590
Partikel 02 1080
Partikel 03 1690
Partikel 04 2280
Partikel 05 1740
gBest  max(Fitness) 2280
gBest ada pada
Partikel 04 2280

Iterasi02

Kecepatan Awal (velocity)

Partikel X1 X2 X3
Partikel 1 0.3 0.1 0.8
Partikel 2 0.8 0.9 0.8
Partikel 3 0.5 0.9 0.9
 Partikel 4 0.4 0.6 0.8
Partikel 5 0.5 0.2 0.2

Posisi Awal (x)

Partikel X1 X2 X3
Partikel 1 8 9 1
Partikel 2 9 6 1
Partikel 3 3 5 10
Partikel 4 10 2 10
Partikel 5 10 5 8

pBest
Partikel X1 X2 X3
Partikel 1 8 9 1
Partikel 2 9 6 1
Partikel 3 3 5 10
Partikel 4 10 2 10
Partikel 5 10 5 8
gBest
Partikel 4 2280

Hitung Kecepatan Baru

Partikel X1 X2 X3
Partikel 1 1.35 -4.15 5.80
Partikel 2 1.00 -1.95 5.80
Partikel 3 4.45 -1.35 0.45
Partikel 4 0.20 0.30 0.40
Partikel 5 0.25 -1.70 1.30

w 0.5

c1 1
c2 2

r1 0.2

r2 0.3

Update Posisi Baru

Partikel X1 X2 X3
Partikel 1 9.35 4.85 6.80
Partikel 2 10.00 4.05 6.80
Partikel 3 7.45 3.65 10.45
Partikel 4 10.20 2.30 10.40
Partikel 5 10.25 3.30 9.30

Hitung Nilai Fitness

Partikel X1 X2 X3 Fitness
Partikel 1 9.35 4.85 6.80 1292.88
Partikel 2 10.00 4.05 6.80 1327.25
Partikel 3 7.45 3.65 10.45 2135.55
Partikel 4 10.20 2.30 10.40 2491.00

Partikel Fitness f(pBest) iter 1

Partikel 1 1292.88 1590 prev pos
Partikel 2 1327.25 1080 new pos
Partikel 3 2135.55 1690 new pos
Partikel 4 2491.00 2280 new pos
Partikel 5 2080.13 1740 new pos
Tentukan pBest iter-2

Partikel X1 X2 X3 f(pBest)
Partikel 1 8.00 9.00 1.00 1590.00
Partikel 2 10.00 4.05 6.80 1327.25
Partikel 3 7.45 3.65 10.45 2135.55
Partikel 4 10.20 2.30 10.40 2491.00
Partikel 5 10.25 3.30 9.30 2080.13

Partikel Fitness
Partikel 1 1590.00
Partikel 2 1327.25
Partikel 3 2135.55
Partikel 4 2491.00
Partikel 5 2080.13

gBest  min(Fitness) 2491.00

gBest ada pada

Partikel 4 2491

Iterasi 3

Kecepatan Partikel (velocity)

Partikel X1 X2 X3
Partikel 1 1.35 -4.15 5.80
Partikel 2 1.00 -1.95 5.80
Partikel 3 4.45 -1.35 0.45
Partikel 4 0.20 0.30 0.40
Partikel 5 0.25 -1.70 1.30

Posisi Partikel (X)

Partikel X1 X2 X3
Partikel 1 9.35 4.85 6.80
Partikel 2 10.00 4.05 6.80
Partikel 3 7.45 3.65 10.45
Partikel 4 10.20 2.30 10.40
Partikel 5 10.25 3.30 9.30
 pBest
Partikel X1 X2 X3
Partikel 1 8 9 1
Partikel 2 10.00 4.05 6.80
Partikel 3 7.45 3.65 10.45
Partikel 4 10.20 2.30 10.40
Partikel 5 10.25 3.30 9.30

gBest ada pada

Partikel 4 2491

Hitung Kecepatan Baru

Partikel X1 X2 X3
Partikel 1 0.92 -2.78 3.90
Partikel 2 0.62 -2.03 5.06
Partikel 3 3.88 -1.49 0.20
Partikel 4 0.10 0.15 0.20
Partikel 5 0.09 -1.45 1.31

w 0.5
c1 1
c2 2
r1 0.2
r2 0.3

Update Posisi Baru

Partikel X1 X2 X3
Partikel 1 10.27 2.08 10.70
Partikel 2 10.62 2.03 11.86
Partikel 3 11.33 2.17 10.65
Partikel 4 10.30 2.45 10.60
 Partikel 5 10.35 1.85 10.61

Hitung Nilai Fitness

Partikel X1 X2 X3
Partikel 1 10.27 2.08 10.70
Partikel 2 10.62 2.03 11.86
Partikel 3 11.33 2.17 10.65
Partikel 4 10.30 2.45 10.60
Partikel 5 10.35 1.85 10.61

Partikel Fitness f(pBest) iter 2

Partikel 1 2637.21 1590.00 new pos
Partikel 2 3280.44 1327.25 new pos
Partikel 3 2819.98 2135.55 new pos
Partikel 4 2601.75 2491.00 new pos
Partikel 5 2611.10 2080.13 new pos

Partikel X1 X2 X3
Partikel 1 10.27 2.08 10.70
Partikel 2 10.62 2.03 11.86
Partikel 3 11.33 2.17 10.65
Partikel 4 10.30 2.45 10.60
Partikel 5 10.35 1.85 10.61
Tentukan pBest iter-3

Partikel Fitness
Partikel 1 2637.21
Partikel 2 3280.44
Partikel 3 2819.98
Partikel 4 2601.75
Partikel 5 2611.10
 gBest  max(Fitness) 3280.44
Tentukan gBest

gBest ada pada

Partikel 2 3280.44

Sampai dengan iterasi ketiga (terakhir) diperoleh nilai fungsi maksimum (gBest)
sebesar 3280.44 berada pada Partikel 2 dengan posisi [10.62, 2.03, 11.86]

4.

Jarak Kota 1 Kota 2 Kota 3 Kota 4

Kota 1 0 5 6 10
Kota 2 5 0 4 4
Kota 3 6 4 0 3
Kota 4 10 4 3 0
Lintasan Rute Total Jarak

1 1 2 3 4 22
2 1 3 2 4 24
3 1 4 3 2 22
4 1 4 2 3 24

Iterasi 1

Menentukan Fitness
Lintasan Rute Fitness %pi qi
1 1-2-3-4 0,045455 0,26087 0,260869565
2 1-3-2-4 0,041667 0,23913 0,5
3 1-4-3-2 0,045455 0,26087 0,760869565
4 1-4-2-3 0,041667 0,23913 1
Total fitness 0,174242
Avg fitness 0,043561

Roulette-Wheel untuk seleksi kromosom

Lintasan qi r
1 0,2608696 0,2
2 0,5 0,7
3 0,7608696 0,1
4 1 0,4

Pada lintasan 1, r < qi 1, maka parent 1 menggunakan lintasan 1

Pada lintasan 2, Nilai r berada di antara qi 2 dan qi 3, maka parent 2 menggunakan lintasan
3
Pada lintasan 3, r < qi 1, maka parent 3 menggunakan lintasan 1
Pada lintasan 4, r berada di antara qi 1 dan qi 2, maka parent 4 menggunakan lintasan 2

Proses Crossover
Crossover rate 0,5
k1 1
k2 3

Parent 1 dan Parent 2 memiliki nilai r = 0.4, dimana nilai tersebut lebih kecil dari crossover
rate.

crossover dilakukan

Parent 1
1 2 3 4

4 2 3 1

Parent 2
1 4 3 2

2 4 3 1
Parent 3 dan 4 memiliki nilai r = 0.6, dimana nilai tersebut lebih besar dari crossover rate
Maka crossover tidak dilakukan

Parent 3
1 2 3 4
Parent 4
1 3 2 4
Swap Mutation
Mutation rate = 0.4

Gen posisi 1 dan 3

Parent 1
nilai r = 0.1, dimana nilai tersebut lebih kecil dari mutation rate, maka mutasi
terjadi
4 2 3 1

3 2 4 1
Parent 2 nilai r = 0.5, dimana nilai tersebut lebih besar dari mutation rate, maka
mutasi tidak terjadi
2 4 3 1
Parent 3 nilai r = 0.3, dimana nilai tersebut lebih kecil dari mutation rate,
maka mutasi terjadi
1 2 3 4

3 2 1 4
Parent 4
nilai r = 0.7, dimana nilai tersebut lebih besar dari mutation rate, maka mutasi tidak terjadi

1 3 2 4
Iterasi 2

Lintasan baru
Lintasan Rute Total Jarak
1 3 2 4 1 24
2 2 4 3 1 18
3 3 2 1 4 22
4 1 3 2 4 24

Menentukan Fitness
Lintasan Rute Fitness %pi qi
1 3-2-4-1 0,041667 0,226027 0,226027397
2 2-4-3-1 0,055556 0,30137 0,52739726
3 3-2-1-4 0,045455 0,246575 0,773972603
4 1-3-2-4 0,041667 0,226027 1
 Total fitness 0,184343
Avg fitness 0,046086

Roulette-Wheel untuk seleksi kromosom

Lintasan qi r
1 0,2608696 0,2
2 0,5 0,7
3 0,7608696 0,1
4 1 0,4

Pada lintasan 1, r < qi 1, maka parent 1 menggunakan lintasan 1

Pada lintasan 2, Nilai r berada di antara qi 2 dan qi 3, maka parent 2 menggunakan lintasan
3
Pada lintasan 3, r < qi 1, maka parent 3 menggunakan lintasan 1
Pada lintasan 4, r berada di antara qi 1 dan qi 2, maka parent 4 menggunakan lintasan 2

Proses Crossover
Crossover rate 0,5
k1 1
k2 3
Parent 1 dan Parent 2 memiliki nilai r = 0.4, dimana nilai tersebut lebih kecil dari crossover
rate Maka crossover dilakukan

Parent 1
3 2 4 1

1 2 4 3
Parent 2
3 2 1 4

4 2 1 3
Parent 3 dan 4 memiliki nilai r = 0.6, dimana nilai tersebut lebih besar dari crossover rate
Maka crossover tidak dilakukan

Parent 3
3 2 4 1
Parent 4

2 4 3 1

Swap Mutation

Mutation rate = 0.4

Gen posisi 1 dan 3

Parent 1
nilai r = 0.1, dimana nilai tersebut lebih kecil dari mutation rate, maka mutasi
terjadi
1 2 4 3

4 2 1 3
Parent 2 nilai r = 0.5, dimana nilai tersebut lebih besar dari mutation rate, maka
mutasi tidak terjadi

4 2 1 3
Parent 3 nilai r = 0.3, dimana nilai tersebut lebih kecil dari mutation rate,
maka mutasi terjadi
3 2 4 1

4 2 3 1
Parent 4
nilai r = 0.7, dimana nilai tersebut lebih besar dari mutation rate, maka mutasi tidak
terjadi

2 4 3 1

Iterasi 3

Lintasan baru
Lintasan
1 4
2 4
3 4
4 2
Rute Total Jarak
2 1 3 18
2 1 3 18
2 3 1 24
4 3 1 18
Menentukan Fitness
Lintasan Rute Fitness %pi qi
1 4-2-1-3 0,055556 0,266667 0,266666667
2 4-2-1-3 0,055556 0,266667 0,533333333
3 4-2-3-1 0,041667 0,2 0,733333333
4 2-4-3-1 0,055556 0,266667 1
Total fitness 0,208333
Avg fitness 0,052083

Roulette-Wheel untuk seleksi kromosom

Lintasan qi r
1 0,2608696 0,2
2 0,5 0,7
3 0,7608696 0,1
4 1 0,4

Pada lintasan 1, r < qi 1, maka parent 1 menggunakan lintasan 1

Pada lintasan 2, Nilai r berada di antara qi 2 dan qi 3, maka parent 2 menggunakan lintasan
3
Pada lintasan 3, r < qi 1, maka parent 3 menggunakan lintasan 1
Pada lintasan 4, r berada di antara qi 1 dan qi 2, maka parent 4 menggunakan lintasan 2

Proses Crossover
Crossover rate 0,5
k1 1
k2 3
Parent 1 dan Parent 2 memiliki nilai r = 0.4, dimana nilai tersebut lebih kecil dari crossover
rate Maka crossover dilakukan
Parent 1
4 2 1 3

3 2 1 4
Parent 2

4 2 1 3

3 2 1 4
Parent 3 dan 4 memiliki nilai r = 0.6, dimana nilai tersebut lebih besar dari crossover rate
Maka crossover tidak dilakukan
 Parent 3
4 2 1 3
Parent 4

2 4 3 1

Swap Mutation

Mutation rate = 0.4

Gen posisi 1 dan 3

Parent 1 nilai r = 0.1, dimana nilai tersebut lebih kecil dari mutation rate,
maka mutasi terjadi
3 2 1 4

1 2 3 4
Parent 2 nilai r = 0.5, dimana nilai tersebut lebih besar dari mutation rate, maka
mutasi tidak terjadi

3 2 1 4
Parent 3 nilai r = 0.3, dimana nilai tersebut lebih kecil dari mutation rate,
maka mutasi terjadi
4 2 1 3

1 2 4 3
Parent 4 nilai r = 0.7, dimana nilai tersebut lebih besar dari mutation rate, maka
mutasi tidak terjadi

2 4 3 1

Hasil
Lintasan Rute Total
Jarak
1 1 2 3 4 22
2 3 2 1 4 22
3 1 2 4 3 18
4 2 4 3 1 18
Maka didapatkan lintasan 3 dan lintasan 4 sebagai lintasan dengan jarak terpendek, yaitu
18.
5. Rumus untuk cari nilai desirability
1
η x , y=
jarak antar kota xy

Tabel Jarak Antar Kota

Jarak Antar Kota
Jarak Kota 1 Kota 2 Kota 3 Kota 4
Kota 1 0 5 6 10
Kota 2 5 0 4 4
Kota 3 6 4 0 3
Kota 4 10 4 3 0

Tabel Pheromone Awal

Tabel Pheromone
t(x,y) Kota 1 Kota 2 Kota 3 Kota 4
Kota 1 0 0.5 0.5 0.5
Kota 2 0.5 0 0.5 0.5
Kota 3 0.5 0.5 0 0.5
Kota 4 0.5 0.5 0.5 0

Posisi awal untuk semut tiap iterasi

Iterasi 1 Iterasi 2 Iterasi 3
Semut 1 Kota 1 Kota 1 Kota 2
Semut 2 Kota 2 Kota 4 Kota 4
Semut 3 Kota 3 Kota 3 Kota 3
Semut 4 Kota 4 Kota 2 Kota 1

Initial Parameter

alpha 1

beta 1

rho 0.03
 m-semut 4

jum. Iterasi 3

Menghitung Nilai desireability tiap semut

Tabel desireability
d(x,y) 1 2 3 4
1 0 0.20 0.17 0.10
2 0.20 0 0.25 0.25
3 0.17 0.25 0 0.33
4 0.10 0.25 0.33 0

Tabel Pheromone
d(x,y) 1 2 3 4
1 0 0.5 0.5 0.5
2 0.5 0 0.5 0.5
3 0.5 0.5 0 0.5
4 0.5 0.5 0.5 0

Alpha 1
Beta 1
Rho 0.03
Iterasi 1
Hitung Solusi Partial Koloni

Semut Kota Max Tabu

Probabilitas Kota ke- Tujuan
ke- Awal Probabilitas list
1 2 3 4
1 1 0 0.43 0.36 0.21 0.43 2 [1,2]
2 2 0.29 0 0.36 0.36 0.36 3 [2,3]
3 3 0.22 0.33 0 0.44 0.44 4 [3,4]
4 4 0.15 0.37 0.49 0 0.49 3 [4,3]
Update nilai probabilitas untuk kunjungan selanjutnya
Update nilai desireability kota dan pheromone

Tabel Desireability
d(x,y) 1 2 3 4
1 0 0 0.17 0.10
2 0.20 0 0 0.25
3 0.17 0.25 0 0
4 0.10 0.10 0 0

Tabel Pheromone
d(x,y) 1 2 3 4
1 0 0 0.5 0.5
2 0.5 0 0 0.5
3 0.5 0.5 0 0
4 0.5 0.5 0 0

Alpha 1
Beta 1
Rho 0.03

Semut Kota Max Tabu

Probabilitas Kota ke- Tujuan
ke- Awal Probabilitas list
1 2 3 4
1 1 0 0 0.63 0.38 0.63 3 [1,2,3]
2 2 0.44 0 0 0.56 0.56 4 [2,3,4]
3 3 0.40 0.60 0 0 0.60 2 [3,4,2]
4 4 0.50 0.50 0 0 0.50 2 [4,3,2]
 Update Nilai Probabilitas untuk kunjungan selanjutnya
Update Nilai desireability kota dan pheromone

Tabel Desireability
d(x,y) 1 2 3 4
1 0 0 0 0,10
2 0,20 0 0 0
3 0,17 0 0 0
4 0,10 0 0 0

Tabel Pheromone
d(x,y) 1 2 3 4
1 0 0 0 0,5
2 0,5 0 0 0
3 0,5 0 0 0
4 0,5 0 0 0

Semut Kota Probabilitas Kota ke- Max Tujuan Tabu

ke- Awal Prob List
1 2 3 4
1 1 0 0 0 0,38 0,38 4 [1,2,3,4]
2 2 0,44 0 0 0 0,44 1 [2,3,4,1]
3 3 0,40 0 0 0 0,40 1 [3,4,2,1]
4 4 0,50 0 0 0 0,50 1 [4,3,2,1]

Rute Terpilih
Semut ke- Rute Terpilih Fitness (Panjang rute yang Total
dilalui)
1 [1,2,3,4] 5 4 3 10 22
2 [2,3,4,1] 4 3 10 5 22
3 [3,4,2,1] 3 4 5 6 18
4 [4,3,2,1] 3 4 5 10 22

Jarak Antar Kota

 Jarak Kota 1 Kota 2 Kota 3 Kota 4

Kota 1 0 5 6 10
Kota 2 5 0 4 4
Kota 3 6 4 0 3
Kota 4 10 4 3 0

Update Tabel Pheromone untuk setiap semut:

Pheromone semut 1 [1,2,3,4]

Tabel Pheromone
1 2 3 4
1 0 0,05 0 0,05
2 0,05 0 0,05 0
3 0 0,05 0 0,05
4 0,05 0 0,05 0

Pheromone Semut 2 [2,3,4,1]

Tabel Pheromone
1 2 3 4
1 0 0,05 0 0,05
2 0,05 0 0,05 0
3 0 0,05 0 0,05
4 0,05 0 0,05 0

Pheromone Semut 3 [3,4,2,1]

Tabel Pheromone
1 2 3 4
1 0 0,05 0 0,05
2 0,05 0 0,05 0
3 0 0,05 0 0,05
4 0,05 0 0,05 0

Pheromone Semut 4 [4,3,2,1]

Tabel Pheromone
1 2 3 4
1 0 0,06 0,06 0
2 0,06 0 0 0,06
3 0,06 0 0 0,06
4 0 0,06 0,06 0
 Tabel Pheromone:

Pheromone Global
Tabel Pheromone
1 2 3 4
1 0 0,19 0,06 0,14
2 0,19 0 0,14 0,06
3 0,06 0,14 0 0,19
4 0,14 0,06 0,19 0
Pheromone Awal
Tabel Pheromone
1 2 3 4
1 0 0,5 0,5 0,5
2 0,5 0 0,5 0,5
3 0,5 0,5 0 0,5
4 0,5 0,5 0,5 0

Buat tabel Pheromone baru dengan cara : ((1 – rho) * Pheromone Awal) + Pheromone
Global

Pheromone Baru
Tabel Pheromone
1 2 3 4
1 0 0,68 0,54 0,62
2 0,68 0 0,62 0,54
3 0,54 0,62 0 0,68
4 0,62 0,54 0,68 0

Tabel Desireability
d(x,y) 1 2 3 4
1 0 0,20 0,17 0,10
2 0,20 0 0,25 0,25
3 0,17 0,25 0 0,33
 4 0,10 0,25 0,33 0

Iterasi 2

Hitung Solusi Partial Koloni

Semut Kota Probabilitas Kota ke- Max Tujuan Tabu
ke- Awal Prob List
1 2 3 4
1 1 0 0,47 0,31 0,22 0,47 2 [1,2]
2 4 0,15 0,32 0,53 0 0,53 3 [4,3]
3 3 0,19 0,33 0 0,48 0,48 4 [3,4]
4 2 0,32 0 0,36 0,32 0,36 3 [2,3]

Lakukan Update nilai table probabilitas, pheromone, dan desireability

Tabel Pheromone
1 2 3 4
1 0 0 0,54 0,62
2 0,68 0 0 0,54
3 0,54 0,62 0 0
4 0,62 0,54 0 0

Tabel Desireability
d(x,y) 1 2 3 4
1 0 0 0,17 0,10
2 0,20 0 0 0,25
3 0,17 0,25 0 0
4 0,10 0,25 0 0

Semut Kota Probabilitas Kota ke- Max Tujuan Tabu

ke- Awal Prob List
1 2 3 4
1 1 0 0 0,59 0,41 0,59 3 [1,2,3]
2 4 0,31 0,69 0 0 0,69 2 [4,3,2]
3 3 0,37 0,63 0 0 0,63 2 [3,4,2]
4 2 0,50 0 0 0,50 0,50 4 [2,3,4]
Lakukan update pada table pheromone, desireability, dan probabilitas
 Tabel Pheromone
1 2 3 4
1 0 0 0 0,62
2 0,68 0 0 0
3 0,54 0 0 0
4 0,62 0 0 0
Tabel Desireability
d(x,y) 1 2 3 4
1 0 0 0 0,10
2 0,20 0 0 0
3 0,17 0 0 0
4 0,10 0 0 0

Semut Kota Probabilitas Kota ke- Max Tujuan Tabu List

ke- Awal Prob
1 2 3 4
1 1 0 0 0 0,41 0,41 4 [1,2,3,4]
2 4 0,31 0 0 0 0,31 1 [4,3,2,1]
3 3 0,37 0 0 0 0,37 1 [3,4,2,1]
4 2 0,50 0 0 0 0,50 1 [2,3,4,1]

Jarak Antar Kota

Jarak Kota 1 Kota 2 Kota 3 Kota 4
Kota 1 0 5 6 10
Kota 2 5 0 4 4
Kota 3 6 4 0 3
Kota 4 10 4 3 0

Rute Terpilih
Semut ke- Rute Fitness (Panjang rute yang dilalui) Total
Terpilih
1 [1,2,3,4] 5 4 3 10 22
2 [4,3,2,1] 3 4 5 10 22
 3 [3,4,2,1] 3 4 5 6 18
4 [2,3,4,1] 4 3 10 5 22
Buat Tabel Pheromone baru untuk setiap semut.

Pheromone Baru Semut 1 [1,2,3,4]

Tabel Pheromone
1 2 3 4
1 0 0,05 0 0,05
2 0,05 0 0,05 0
3 0 0,05 0 0,05
4 0,05 0 0,05 0
Pheromone Baru Semut 2 [4,3,2,1]
Tabel Pheromone
1 2 3 4
1 0 0,05 0 0,05
2 0,05 0 0,05 0
3 0 0,05 0 0,05
4 0,05 0 0,05 0

Pheromone Baru Semut 3 [3,4,2,1]

Tabel Pheromone
1 2 3 4
1 0 0,06 0,06 0
2 0,06 0 0 0,06
3 0,06 0 0 0,06
4 0 0,06 0,06 0

Pheromone Baru Semut 4 [2,3,4,1]

Tabel Pheromone
1 2 3 4
1 0 0,05 0 0,05
2 0,05 0 0,05 0
3 0 0,05 0 0,05
4 0,05 0 0,05 0
 Pheromone Global
Tabel Pheromone
1 2 3 4
1 0 0,19 0,06 0,14
2 0,19 0 0,14 0,06
3 0,06 0,14 0 0,19
4 0,14 0,06 0,19 0

Pheromone Awal
Tabel Pheromone
1 2 3 4
1 0 0,5 0,5 0,5
2 0,5 0 0,5 0,5
3 0,5 0,5 0 0,5
4 0,5 0,5 0,5 0

Tabel Desireability
d(x,y) 1 2 3 4
1 0 0,20 0,17 0,10
2 0,20 0 0,25 0,25
3 0,17 0,25 0 0,33
4 0,10 0,25 0,33 0

Iterasi 3

Hitung Solusi Partial Koloni

Semut Kota Probabilitas Kota ke- Max Tujuan Tabu
ke- Awal Prob List
1 2 3 4
1 2 0,32 0 0,36 0,32 0,36 3 [2,3]
2 4 0,15 0,32 0,53 0 0,53 3 [4,3]
3 3 0,19 0,33 0 0,48 0,48 4 [3,4]
4 1 0 0,47 0,31 0,22 0,47 2 [1,2]
 Lakukan update pada table pheromone, desireability, dan probabilitas

Tabel Pheromone
1 2 3 4
1 0 0 0,54 0,62
2 0,68 0 0 0,54
3 0,54 0,62 0 0
4 0,62 0,54 0 0

Tabel Desireability
d(x,y) 1 2 3 4
1 0 0 0,17 0,10
2 0,20 0 0 0,25
3 0,17 0,25 0 0
4 0,10 0,25 0 0

Semut Kota Probabilitas Kota ke- Max Tujuan Tabu

ke- Awal Prob List
1 2 3 4
1 2 0,5005 0 0 0,4995 0,5005 1 [2,3,1]
2 4 0,31 0,69 0 0 0,69 2 [4,3,2]
3 3 0,37 0,63 0 0 0,63 2 [3,4,2]
4 1 0 0 0,59 0,41 0,59 3 [1,2,3]

Lakukan Update pada table pheromone, desireability, dan probabilitas

Tabel Pheromone
1 2 3 4
1 0 0 0 0,62
2 0 0 0 0,54
3 0,54 0 0 0
4 0,62 0 0 0
 Tabel Desireability
d(x,y) 1 2 3 4
1 0 0 0 0,10
2 0 0 0 0,25
3 0,17 0 0 0
4 0,10 0 0 0

Semut Kota Probabilitas Kota ke- Max Tujuan Tabu

ke- Awal Prob List
1 2 3 4
1 2 0 0 0 0,50 0,50 4 [2,3,1,4]
2 4 0,31 0 0 0 0,31 1 [4,3,2,1]
3 3 0,37 0 0 0 0,37 1 [3,4,2,1]
4 1 0 0 0 0,41 0,41 4 [1,2,3,4]

Jarak Antar kota

Jarak Kota 1 Kota 2 Kota 3 Kota 4
Kota 1 0 5 6 10
Kota 2 5 0 4 1
Kota 3 6 4 0 3
Kota 4 10 4 3 0

Rute yang terpilih

Semut ke- Rute Fitness (Panjang rute yang dilalui) Total
Terpilih
1 [2,3,1,4] 4 6 10 4 24
2 [4,3,2,1] 3 4 5 10 22
3 [3,4,2,1] 3 4 5 6 18
4 [1,2,3,4] 5 4 3 10 22

Hasil: Semut ke-3 dengan rute 3-4-2-1 dengan Panjang 18

6.

Jarak Antar Kota

Jarak Kota 1 Kota 2 Kota 3 Kota 4
Kota 1 0 5 6 10
Kota 2 5 0 4 4
Kota 3 6 4 0 3
Kota 4 10 4 3 0

Iterasi maksimal 3
Stopping Criteria Iterasi Maks atau T_new = 0
Parameter Penurunan Suhu (c) 0.3

T_awal dari pembangkitan 4 solusi secara random:

Nama Jalur Jalur Total Jarak
Jalur 01 1-2-3-4 22
Jalur 02 1-3-2-4 24
Jalur 03 1-4-3-2 22
Jalur 04 1-4-2-3 24

X0 1-2-4-3
Iterasi ke- Jalur (r) Alt.Jalur
X1 4-2-1-3 0.25 4-1-2-3
X2 4-1-3-2 0.75 4-3-1-2
X3 2-4-3-1 0.12 1-3-4-2

Iterasi 01

Menentukan nilai T_awal berdasarkan 4 solusi yang dibangkitkan secara random

Alternatif Solusi Total
Jalur 01 1-2-3-4 22
Jalur 02 1-3-2-4 24
Jalur 03 1-4-3-2 22
Jalur 04 1-4-2-3 24
T_awal 23
 Hitung nilai fitness X0 dan X1, lalu hitung nilai selisih
Alternatif Solusi Total
X0 1-2-4-3 18
X1 4-2-1-3 18
∆E 0 Solusi Diterima

Kalau selisih ∆E bernilai 0 kebawah, maka solusi X1 diterima tanpa melakukan aturan
metropolis

Update nilai temperature, simpan solusi X1 sebagai hasil iterasi 01

Reduce Temperatur Menjadi T_new 6.9
Solusi alternatif 4-2-1-3 Berjarak = 18

Iterasi 02

Jarak Antar Kota

Jarak Kota 01 Kota 02 Kota 03 Kota 04
Kota 01 0 5 6 10
Kota 02 5 0 4 4
Kota 03 6 4 0 3
Kota 04 10 4 3 0

Hitung nilai fitness X1 dan X2, lalu hitung nilai selisih

Alternatif Solusi Total
X1 4-2-1-3 18
X2 4-1-3-2 24
∆E 6 solusi tidak diterima

Kalau selisih Delta E bernilai 0 kebawah, maka solusi X2 diterima tanpa melakukan aturan
Metropolis
Nilai Delta E positif, maka akan melakukan aturan Metropolis agar solusi dapat diterima
Nilai random pada iterasi kedua, (r) = 0.75
Hitung nilai Probabilitas terhadap temperatur iterasi hasil perubahan pada iterasi hasil
perubahan pada iterasi sebelumnya. Gunakan Hukum Bolztman | Probabilitas = 0,41913
Bandingkan (r) dengan nilai Probabilitas
r < Probabilitas, solusi diterima
r >= Probabilitas, solusi tidak diterima, ulangi Langkah 01
Karena nilai r < Probabilitas, maka solusi pada iterasi ke-4 diterima
Solusi tetap tidak diterima meskipun sudah menggunakan random number, maka
mengambil solusi alternatif baru

Update nilai temperature, simpan solusi X2 sebagai hasil iterasi 2

Reduce Temperatur menjadi T_new 2.07
Solusi Alternatif 4-3-1-2 Berjarak = 18

Iterasi 03

Jarak Antar Kota

Jarak Kota 01 Kota 02 Kota 03 Kota 04
Kota 01 0 5 6 10
Kota 02 5 0 4 4
Kota 03 6 4 0 3
Kota 04 10 4 3 0

Hitung nilai fitness X0 dan X1, lalu hitung nilai selisih

Alternatif Solusi Total
X2 4-3-1-2 18
X3 2-4-3-1 18
∆E 0 Solusi Diterima

Kalau selisih ∆E bernilai 0 kebawah, maka solusi X2 diterima tanpa melakukan aturan
 Metropolis
Update nilai temperature, simpan solusi X3 sebagai hasil iterasi 3
Reduce Temperatur Menjadi T_new 0.621
Solusi Alternatif 2-4-3-1 Berjarak = 18
Jalur lintasan terpendek yaitu 2-4-3-1 dengan total lintasan 18