PENENTUAN RUTE OPTIMAL PADA KEGIATAN PENJEMPUTAN …

SEMINAR HASIL TUGAS AKHIR

PENENTUAN RUTE OPTIMAL PADA KEGIATAN PENJEMPUTAN PENUMPANG TRAVEL MENGGUNAKAN ANT COLONY SYSTEM

Oleh :Laksana Samudra

Dosen Pembimbing :Dr. Imam Mukhlash, S.Si., M.T.

JURUSAN MATEMATIKAJURUSAN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAMFAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT TEKNOLOGI SEPULUH NOPEMBERINSTITUT TEKNOLOGI SEPULUH NOPEMBER

20132013

Laksana Samudra1209 100 072

Dr. Imam Mukhlash, S.Si., M.T.

Angkutan antar-jemput(Travel)

Door to Door Service

RutePenjemputan

Latar Belakang

Aplikasi TSP Algoritma Ant Colony Optimization

Ant Colony Optimization (ACO):

-Ant System (AS)-Elitist Ant System (EAS)-Rank-Based Ant System (AS rank ) -MAX – MIN Ant System (MMAS) -Ant Colony System (ACS)

Angkutanantar-jemput

(Travel)

-Tukang Pos -Mobil pengangkut sampah -pengisian uang pada sejumlah mesin ATM -Dll

Rumusan Masalah

Bagaimana membuat aplikasi untuk mendapatkan rute penjemputanpenumpang yang optimal di wilayah Kota Surabaya menggunakanAnt Colony System (ACS)

Aplikasi ini menggunakan peta digital Surabaya

Bobot antar titik yang ditentukan hanyalah bobot jarak

Lokasi penumpang hanya terbatas pada nama jalan, tidak dengan nomor,blok, RT /RW, nama perumahan maupun gang-gang kecil, denganpertimbangan data koordinat lokasi yang disediakan pada peta terbatas

Batasan Masalah dan Asumsi

pertimbangan data koordinat lokasi yang disediakan pada peta terbataspada nama jalan utama atau protokol

Routing yang dilakukan dimulai dari ujung jalan yang berbatasandenganintersection jalan lain. Tidak mengarah tepat pada lokasi jalan yangdimaksud

Kendaraan maksimal menampung 8 penumpang

Membuat aplikasi untuk mendapatkan rute optimal pada kegiatanpenjemputan penumpang di wilayah Kota Surabaya menggunakan AntColony System (ACS)

Tujuan

Manfaat

Membantu mencari solusi rute optimal pada kegiatan penjemputanpenumpang di wilayah Kota Surabaya menggunakan Ant Colony System(ACS) serta dapat dijadikan sebagai tambahan pustaka untuk penelitianselanjutnya.

Sistem Informasi Geografis

Sistem informasi geografis merupakan sebuah sistem berbasiskomputer yang dapat digunakan untuk memetakan dan menganalisaberbagai hal dan kejadian alam yang terjadi di muka bumi. Yangmembedakan sistem ini dengan sistem informasi lainnya adalahvisualisasi dari peta digital. Dari peta tersebut dapat dilakukanoperasi pada basis data yang telah terhubung dengan peta tersebutoperasi pada basis data yang telah terhubung dengan peta tersebutsehingga dapat dilakukan manajemen data dan menampilkaninformasi geografis tertentu.

Sistem informasi geografis dapat didefinisikan sebagai sebuahpengorganisasian antara hardware, software, data geografis, sumberdaya manusia, serta metode yang didesain untuk secara efisienmenyimpan, mengedit, memanipulasi serta menganlisa danmenampilkan segala bentuk informasi yang berhubungan dengangeografis.

Peta

Peta adalah gabungan dari beberapa bentuk seperti titik, garis,dan polygon/wilayah yang didefinisikan dari lokasinya denganmemakai acuan sistem koordinat maupun pada atribut non-spatialnya.

Atribut non-spatial didefinisikan melalui warna-warna danAtribut non-spatial didefinisikan melalui warna-warna dansimbol-simbol yang disimpan dalam suatu tabel yang disebutLegenda Peta (Map Legend). Untuk menyusun bentuk dasar petadigunakan beberapa elemen data gambar, antara lain titik (point),garis (line), wilayah (area), simbol, pixel, sel grid.

Graf G didefinisikan sebagai pasangan (V,E), dimana V adalahsekumpulan titik (vertek) dan E adalah relasi biner pada V yangartinya E adalah kumpulan busur (edge) yang menghubungkan titik-titik V. Contoh graf dapat dilihat pada gambar di bawah ini :

Graf

Gambar 1. Contoh Graf

Gambar 1. Menunjukkan graf G dengan V = {1, 2, 3, 4} dan E = {e1,e2, e3, e4, e5, e6, e7}

Travelling Salesman Problem (TSP)

1. Masalah Travelling Salesman Problem (TSP) adalah salah satu contohyang paling banyak dipelajari dalam combinatorial optimization.Masalah ini mudah untuk dinyatakan tetapi sangat sulit untuk diselesaikan

2. TSP dapat dinyatakan sebagai permasalahan dalam mencari jarak minimalsebuah tour tertutup terhadap sejumlah n kota dimana kota-sebuah tour tertutup terhadap sejumlah n kota dimana kota-kota yang ada hanya dikunjungi sekali.

3. TSP direpresentasikan dengan menggunakan sebuah graph lengkap danberbobot G = (V, E) dengan V himpunan vertek yangmerepresentasikan himpunan titik - titik, dan E adalah himpunan dariedge.

Algoritma Ant Colony

Gambar 2. Cara semut menemukan lintasan terpendek

Algoritma Ant Colony System

1. Ant colony system (ACS) merupakan salah satu algoritma ant colony yangakan digunakan untuk menyelesaikan permasalahan pada penelitian ini. ACSmerupakan pengembangan dari ACO dengan memiliki tingkat efisiensi yanglebih tinggi.

2. Secara umum, strategi algoritma ant colony yang digunakan untuk masalahTSP adalah sebagai berikut.

1. Sejumlah semut ditempatkan secra acak pada tempat yang berbeda

7. Solusi (Lintasan terbaik)

2. Menentukan tempat selanjutnya dengan State Transition Rule

6. Update pheromone global

3. Update pheromone lokal

5. Lintasan terbaik

4. Hitung panjang lintasan tiap semut

TSP adalah sebagai berikut.

Aturan Transisi Status (State Transition Rule)

Algoritma Ant Colony System

dimana S di dapat dari :

Local Pheromone Update

Algoritma Ant Colony System

= (4)

(3)

Global Pheromone Update :

(6)

(5)

Metode penilitian yang digunakan pada usulan tugas akhir iniadalah:1. Studi literatur2. Pengumpulan dan analisa data3. Perancangan dan implementasi program4. Uji coba dan evaluasi5. Penulisan tugas akhir

Perancangan Data

1. Data MasukanData masukan yang digunakan dalam perangkat lunak ini adalah berupa dataspatial, data spatial berupa peta digital yang mempunyai tabel atribut.a. Tabel Jalanb. Tabel Lokasi

2. Data Masukan untuk proses ACS2. Data Masukan untuk proses ACSBerikut ini adalah data-data inisialisasi untuk proses ACS.a. Matriks Jarakb. Matriks Visibilityc. Data Jalurd. Nearest Neighbore. Matriks Pheromone Awal

3. Data LuaranData luaran yang dihasilkan dari proses pencarian rute terpendek beberapa lokasiberupa data jalan dengan cara pewarnaan yang digambarkan di peta, sertatampilan data urutan lokasi dan jalan yang dicari.

.

Gambaran Sistem Secara Umum

Gambaran sistem secara umum proses pencarian rute optimal dalambahasan ini adalah sebagai berikut.

1. Langkah pertama adalah pengambilan data beberapa lokasi dari petadigital untuk diterjemahkan ke dalam suatu graf.

2. Langkah kedua adalah apabila telah tercipta suatu graf maka dapatdilakukan proses pencarian rute terpendek semua lokasi yang dimaksuddengan menggunakan algoritma Dijkstra sebagai algoritma dasar yangtelah diimplemantasikan oleh Sunarendro, 2006[2]. Setelah prosestersebut akan menghasilakan matriks jarak yang selanjutnya akan diproses dengan menggunakan algoritma Ant Colony System, sehingganantinya dapat memecahkan permasalahan yang dalam penjemputanpenumpang travel.

3. Langkah ketiga adalah dari hasil yang didapatkan dalam langkah keduaakan diterjemahkan kembali kedalam bentuk digital.

.

Gambaran Sistem Secara Umum

Pengambilan Data Lokasi

Data yang digunakan adalah data geografis yang telah dikerjakanoleh Sunarendro, 2006.

.

Gambar 2 Data Lokasi Penumpang

Pengambilan Data Lokasi

Setelah mendapatkan lokasi yang akan diproses yang dilakukanberikutnya adalah menentukan parameter ACS

.

Gambar 2 Parameter ACS

Proses Inisialisasi

Proses inisialisasi berisi penentuan nilai-nilai yang nantinya akandiproses pada tahap ACS antara lain, penentuan nilai matriks jarak,matriks visibility, nearest neighbor, matriks pheromone awal.

1. Penentuan Matriks Jarak

Gambar 4 Matriks Jarak

Proses Inisialisasi

2. Penentuan Matriks Visibility

Gambar 5 Matriks Visibility

Proses Inisialisasi

3. Penentuan Nearest Neighbor

Gambar 6 Nearest Neighbor

Proses Inisialisasi

4. Penentuan Matriks Pheromone Awal

Gambar 7 Matriks Pheromone Awal

Proses ACS

1. Data Tabulist

Gambar 8 Data Tabulist

Proses ACS

2. Pheromone Update Global

Gambar 9 Pheromone Update Global

Proses ACS

3. Data Hasil

Gambar 10 Data Hasil

Proses ACS

3. Data Hasil

Gambar 11 Rute Pada Peta Digital

Berdasarkan pembahasan dan pelaksanaan uji coba perangkat lunak, maka diambil kesimpulan bahwa:

1. Aplikasi ini telah berhasil menampilkan rute, rincian perjalanan, dan jarak dari beberapa lokasi penumpang yang telah di optimalkanmenggunakan algoritma Ant Colony System.

2. Algoritma ACS mampu memperbaiki solusi awal yang di peroleh daridata Nearest Neighbor dengan panjang rute 30418,59 m setelahproses ACS menjadi 28656,8 m dengan peningkatan sebesar 5,79 % proses ACS menjadi 28656,8 m dengan peningkatan sebesar 5,79 %

[1] Harmerita. 2010. “Penyelesaian Vehicle Routing Problem With Time Windows(VRPTW) Menggunakan Algoritma Ant Colony System” . Tugas Akhir S1 JurusanMatematika ITS. Surabaya.

[2] Widodo, Sunarendro. 2006. “Pencarian Rute Terpendek Antar Lokasi Pada PetaDigital (SIG)”. Tugas Akhir S1 Jurusan Matematika ITS. Surabaya.

[3] Prahasta, Eddy. 2007. “Sistem Informasi Geografi ”. Bandung:informatika. Bandung.

[4] Dorigo, M., Gambardella, L. M. 1997. “Ant Colony System: A Cooperative LearningApproach to the Travelling Salesman Problem”, IEEE Transactions on EvolutionaryApproach to the Travelling Salesman Problem”, IEEE Transactions on EvolutionaryComputation, Vol.1, No.1.

[5] Susilo, B., Efendi, R., Maulinda, S. 2011. “Implementasi Analisa Kinerja AlgoritmaAnt System (AS) dalam penyelesaian Multiple Travelling Salesman Problem(MTSP)”. Program Studi Teknik Informatika Universitas Bengkulu. Bengkulu.

[6] Leksono, Agus. 2009. “Algoritma Ant Colony Optimization (ACO) UntukMenyelesaikan Travelling Salesman Problem (TSP)”. Tugas Akhir S1 JurusanMatematika UNDIP. Semarang.

Terima Kasih...