ANALISA PENCARIAN JALUR TERPENDEK KE PENGINAPAN DI KOTA BATAM DENGAN MENGGUNAKAN ALGORITMA ANT COLONY StudiKasus: DinasPariwisata Kota Batam
DwiRatnaFitriyani Mahasiswa Informatika, FT UMRAH,
[email protected]
ABSTRAK Kota Batam merupakan salah satu kota dengan pertumbuhan terpesat di Indonesia. Kota Batam memiliki luas ± 415 Km2 atau sekitar 41.500 Ha (batamkota.go.id). Dengan luas yang seperti itu membuat Kota Batam menjadi pusat perdagangan internasional, hal inilah yang menjadi salah satu alasan kenapa banyak pengunjung dari daerah luar Kota Batam baik domestik maupun internasional. Berdasarkan uraian tersebut dapat terlihat dengan jelas bahwa betapa banyaknya minat para pendatang untuk sekedar berkunjung bahkan menetap di Kota Batam. Karena itu, dibutuhkan suatu sistem dalam pencarian jalur terpendek menuju penginapan untuk memaksimalkan waktu yang ada. Dalam proses penganalisaan sistem ini, maka peneliti menggunakan Algoritma Ant Colony untuk menentukan jalur terpendek ke penginapan yang ada di Kota Batam. Algoritma Ant Colony termasuk teknik pencarian multi agent untuk menyelesaikan permasalahan optimasi, khususnya kombinatorial yang terinspirasi dari tingkah laku semut dalam suatu koloni. Penerapan Algoritma Ant Colony pada penelitian ini didapat jalur alternative atau jalur terpendek untuk menuju ke penginapan dikarenakan seluruh jalur telah dilewati agar dapat menghasilkan jalur yang optimal. Kata kunci: Kota Batam, Ant Colony, Jalur Terdekat, Algoritma, Penginapan
ABSTRACT Batam is one of the fastest growing cities in Indonesia. Batam city has an area of ± 415 km2 or about 41,500 hectares (batamkota.go.id). With such vast makes Batam city became the center of international trade, it is this which is one reason why many visitors from outside the area of Batam both domestically and internationally. Based on these descriptions can be seen clearly that how much interest the newcomers for a visit even settled in the city of Batam . Therefore, we need a system in search of the shortest path to the inn to maximize the time available. In the process of analyzing this system, the researchers used Ant Colony Algorithm to determine the shortest path to the inn in the city of Batam.Ant Colony Algorithm including multi-agent search techniques to solve optimization problems, in particular combinatorial inspired by the behavior of ants in a colony. Implementation of Ant Colony Algorithm in this study obtained alternative path or shortest path to get to the inn because the whole track has been skipped in order to produce an optimal path. Keywords: Batam, Ant Colony, Shortest Path, Algorithms, Lodging
1
I.
PENDAHULUAN
1.1
Latar Belakang
diharapkan nantinya dapat menyelesaikan maslah pencarian jalur terpendek dengan hasil yang lebih variatif dan dengan waktu perhitungan yang singkat.
Batam merupakan salah satu pulau yang berada diantara perairan Selat Malaka dan Selat Singapura. Kota Batam merupakan salah satu kota dengan pertumbuhan terpesat di Indonesia. Kota Batam memiliki luas +- 415 Km2 atau sekitar 41.500 Ha (batamkota.go.id). Dengan luas yang seperti itu membuat Kota Batam menjadi pusat perdagangan internasional, hal inilah yang menjadi salah satu alasan kenapa banyak pengunjung dari daerah luar Kota Batam baik lokal maupun non-lokal.
Finsa Ferdifiansyah, (2013) melakukan perbandingan algoritma dijkstra dan algoritma ANT Colony dalam penentuan jalur terpendek. Penelitian difokuskan pada penerapan pencarian jalur terpendek yang terdapat pada aktivitas maskapai penerbangan dimana jalur-jalur antar kota yang dilewatinya akan membentuk suatu graf berarah dan berbobot. Dari graf yang terbentuk inilah akan diproses menggunakan algoritma dijkstra dan ANT Colony untuk menentukan jalur terpendek dari suatu kota ke kota yang lain.
Berdasarkan uraian tersebut dapat terlihat dengan jelas bahwa betapa banyaknya minat para pendatang untuk sekedar berkunjung bahkan menetap di Kota Batam. Karena itu, dibutuhkan suatu sistem dalam pencarian jalur terdekat menuju penginapan untuk memaksimalkan waktu yang ada. Dalam proses penganalisaan sistem ini, maka peneliti menggunakan Algoritma ANT untuk menentukan jalur terpendek ke penginapan yang ada di Kota Batam.
Merciyana Daud, Mukhlisulfatih Latief, dan Ahmad Feriyanto Alulu (2013) melakukan penelitian yang berjudul “Sistem Informasi Geografis Pendataan Kos-kosan Berbasis Web di Kota Gorontalo.” Penelitian ini bertujuan untuk menyediakan sarana informasi tentang kos berbentuk sistem informasi geografis dimana sistem ini dapat melakukan pencarian kos sesuai keinginan mahasiswa dengan penerapan metode Haversine Formula dalam perhitungan jarak terdekat dan Simple Hill Climbing untuk pencarian jalur rute terpendek.
Algoritma ANT atau dalam dalam bahasa indonesia disebut Algoritma Semut. Algoritma ANT merupakan algoritma yang dimunculkan sebagai suatu pendekatan multi-agen terhadap optimasi berbagai permasalahan yang berkaitan dengan graf. Algoritma ANT diadopsi dari perilaku koloni semut yang dikenal sebagai sistem semut (Dorigo, 1996). Dengan uraian diatas, maka peneliti akan melakukan penelitiannya yang berjudul ”Analisa Pencarian Jalur Terpendek Ke Penginapan di Kota Batam Dengan Menggunakan Algoritma ANT Colony.” II.
TINJAUAN PUSTAKA
2.1
Kajian Terdahulu
Ying Lu dan Wen Hu (2013) melakukan penelitian yang berjudul “Study on the Application of Ant Colony Algorithm in the Route of Internet of Things” Penelitian ini menggunakan algoritma Ant Colony untuk mencari rute menggunakan sinyal siaran yang ditampilkan dengan random multisender dan siklus hidup yang pendek untuk mengatasi masalah node jaringan yang lebih bervariasi terstruktur. Hasil simulasi menunjukkan bahwa mencari rute dengan algoritma Ant Colony di internet dapat mengurangi badai siaran secara efektif.
Sebagai bahan pertimbangan dalam penelitian ini akan dicantumkan beberapa hasil penelitian terdahulu antara lain:
2.2
Sejarah Ant Colony Algoritma Ant Colony termasuk teknik pencarian multi agent untuk menyelesaikan permasalahan optimasi, khususnya kombinatorial yang terinspirasi
Iing Mutakhiroh, Indrato, dan Taufiq hidayat (2007) melakukan penelitian untuk pencarian jalur terpendek dengan menggunakan algortma semut. Yang
2
dari tingkah laku semut dalam suatu koloni (Suyanto, 2010). Berikut adalah tahapan-tahapan algoritma ANT dalam graf menurut Dorigo, 1991 :
Mulai
Inisialisasi Parameter
Update feromon
Ya Menentukan banyak semut
Tidak
Siklus Max
Semut=1
Ya Hitung Probabilitas Semut
Semut = Semut +1
Tidak
Semut = banyak semut
tidak Tujuan tercapai
Hitung Jarak Total (Ln)
Menampilkan jarak terpendek dan jumlah semut
Ya Selesai Hitung Jarak
Gambar 2. 1 Perjalanan Semut Gambar 2. 2 Alur Kerja Ant Colony -
-
-
-
Pada gambar a. terlihat bahwa semut yang akan melakukan perjalanan mencari makan dari titik X ke titik Y. Pada gambar b. semut melakukan gerakan acak menuju tempat mencari makanan dengan jalur yang berbeda. Setelah berjalan secara acak berdasarkan jalurnya masingmasing, kemudian semut akan bertemu lagi dimana tempat makanan berada seperti pada gambar c. Pada saat melakukan perjalanan melalui jalurnya masing-masing, semut meninggalkan feromon sebagai jejak yang akan diikuti oleh semut yang lainnya. Semakain banyak semut dan semakin dekat jarak yang ditempuh maka feromon juga semakin kuat sehingga semut yang lainnya akan mengikuti jalur tersebut seperti gambar d.
Berdasarkan gambar diatas, maka dapat dijabarkan sebagai berikut: a. inisialisasi parameter-parameter algoritma. Parameter-parameter yang diinisialisasikan adalah: 1. Intensitas jejak semut antar kota (𝜏𝑖𝑗 ) digunakan dalam persamaan probabilitas kota yang akan dikunjungi 2. Banyak kota (n) termasuk koordinat (x,y) atau jarak antar kota (dij). Nilainya tergantung ada banyaknya jumlah kota yang terdapat di database. 3. Tetapan pengendali intensitas jejak semut (𝛼), digunakan dalam persamaan probabilitas kota yang akan dikunjungi yang berfungsi sebagai pengendali intensitas jejak semut, nilai 𝛼 ≥ 0 4. Tetapan pengendali visibilitas (𝛽), digunakan dalam persamaan probabilitas kota yang akan dikunjungi, berfungsi sebagai pengendali visibilitas, nilai 𝛽 ≥ 0 5. Tetapan penguapan jejak feromon (𝜌), nilai 𝜌 > 0 dan < 1 untuk mencegah jejak feromon yang tak terhingga 6. Visibilitas antar kota (𝜂𝑖𝑗 ) digunakan dalam persamaan probabilitas kota yang akan dikunjungi. Nilai 𝜂𝑖𝑗 merupakan hasil dari 1/dij (jarak kota) 7. Banyak semut (m) merupakan banyak semut yang akan melakukan siklus dalam algoritma semut. Nilai m ditentukan oleh pengguna.
Pada optimisasi algoritma semut, proses tadi akan dilakukan secara berulang sesuai dengan siklus maksimum yang telah ditentukan.
2.3
Alur Kerja Ant Colony
Berikut adalah alur kerja algoritma Ant Colony menurut Dorigo, 1991:
3
8.
9.
b.
Tetapan siklus semut (Q), siklus atau banyak langkah yang dilakukan oleh setiap semut dalam melakukan perjalanannya Jumlah siklus maksimum (NCmax) NCmax adalah jumlah maksimum siklus yang akan berlangsung pada setiap semut. Siklus akan berhenti sesuai dengan NCmax yang telah ditentukan atau telah menentukan titik/kota tujuan.
d.
𝐿𝑘
e.
Hitung probabilitas antar kota Perhitungan probabilitas antar kota bertujuan untuk mencari kemungkinan kemana semut akan berjalan. Probabilitas antar kota dapat dicari dengan menggunakan rumus persamaan berikut: 𝑃𝑖𝑗𝑘 𝑡 =
c.
semut ke-k pada interval waktu antara t dan t+n. Kuantitas tersebut dirumuskan oleh 𝑄 ∆𝜏𝑖𝑗 = ; jika semut ke-k
𝜏 𝑖𝑗 𝑡 𝜏 𝑖𝑗 𝑡
𝛼
f.
. [𝜂 𝑖𝑗 ]𝛽
𝛼
. 𝜂 𝑖𝑗
𝛽
jika 𝑗 𝜖 𝑑𝑖𝑖𝑧𝑖𝑛𝑘𝑎𝑛; ……..….. (2.1) dimana 𝐽 𝑑𝑖𝑖𝑧𝑖𝑛𝑘𝑎𝑛 = {𝑁 − 𝑡𝑎𝑏𝑢𝑘 }, sedangkan 𝛼 dan 𝛽 adalah dua parameter yang mengontrol tingkat kepentingan relative dari intensitas jejak pheromone terhadap visibility. 𝑃𝑖𝑗𝑘 = 0 , untuk j lainnya, persamaan…….……..……...…....(2.2) Jika tujuan tercapai, maka selanjutnya hitung jarak. Dengan dij adalah jarak antara titik i ke titik j yang dihitung berdasarkan persamaan: 𝑑 = (𝑥1 − 𝑥2 )2 + (𝑦1 − 𝑦2 )2 , persamaan…………..…….…..….(2.3) Jika tidak, hitung kembali probabilitas semut. Update feromon/rute setiap semut. Perhitungan panjang rute tertutup atau Lk setiap semut dilakukan setelah satu siklus diselesaikan oleh semua semut. Pada titik ini intensitas pheromone diupdate berdasarkan rumus berikut: 𝜏𝑖𝑗 𝑡 + 𝑛 = 𝜌𝜏𝑖𝑗 𝑡 + ∆𝜏𝑖𝑗 ; ………………………………..….(2.4) Dimana 𝜌 adalah suatu koefisien sedemikian hingga (1 − 𝜌) menyatakan evaporation (penguapan) jejak pheromone antara t dan t+n. 𝑘 ∆𝜏𝑖𝑗 = 𝑚 𝑘=1 ∆𝜏𝑖𝑗 ; ...……………(2.5) Dimana ∆𝜏𝑖𝑗𝑘 adalah kuantitas per unit panjang substansi jejak pheromone yang ditinggalkan pada busur (i,j) oleh
g.
menggunakan busur (i,j) ….....(2.6) ∆𝜏𝑖𝑗 = 0 ; ntuk yang lainnya ……(2.7) Dimana Q adalah suatu konstanta dan 𝐿𝑘 adalah panjang tour yang dihasilkan oleh semut ke-k. Total jarak tempuh Setelah satu siklus diselesaikan oleh semua semut, maka panjang rute Lk setiap semut dapat dihitung berdasarkan tabuk masing-masing dengan persamaan berikut: 𝐿𝑘 = 𝑑𝑡𝑎𝑏𝑢 𝑘 𝑛 ,𝑡𝑎𝑏𝑢 𝑘 (1) + 𝑛−1 𝑖=1 𝑑𝑡𝑎𝑏𝑢 𝑘 𝑛 ,𝑡𝑎𝑏𝑢 𝑘 (𝑛+1) , pers……………………...….……(2.8) Menampilkan rute terpendek Setelah Lk setiap semut dihitung, akan didapat harga minimal panjang rute tertutup setiap siklus atau LminNC dan harga minimal panjang rute tertutup secara keseluruhan adalah atau Lmin, untuk menentukan LminNC dapat menggunakan persamaan berikut: LminNC = Min (L1, L2, …….Ln) , persamaan …………….......……..(2.9) Selesai.
2.4 Perhitungan Jarak dengan Haversine Formula Rumus haversine formula adalah persamaan yang penting pada navigasi, memberikan jarak lingkaran besar antara dua titik pada permukaan bola (bumi) berdasaarkan bujur dan lintang. Penggunaan rumus ini cukup akurat untuk sebagian besar perhitungan, juga mengabaikan ketinggian bukit dan kedalaman lembah dipermukaan bumi (Daud, Latief, dan Alulu, 2013). Berikut bentuk rumus Haversine Formula, persamaan…………………………….…(2.10) 𝜃2 − 𝜃1 𝜑1 − 𝜑2 𝑑 = 2. 𝑟 sin−1 𝑠𝑖𝑛2 ( ) + cos(𝜃1 ) cos(𝜃2 ) 𝑠𝑖𝑛2 ( ) 2 2
Keterangan: d = jarak r = jari-jari bumi 6367,45 Km
4
𝜃2 = 𝑙𝑎𝑡𝑖𝑡𝑢𝑑𝑒 𝑎𝑤𝑎𝑙
Tahap ini merupakan uji coba terhadap program yang akan dibangun. Sehingga analisis hasil implementasi yang didapat dari sistem disesuaikan dengan kebutuhan sistem tersebut. Jika penerapan sistem sudah berjalan dengan lancar, maka sistem dapat diimplementasikan.
𝜃1 = 𝑙𝑎𝑡𝑖𝑡𝑢𝑑𝑒 𝑎𝑘ℎ𝑖𝑟 𝜑1 = 𝑙𝑜𝑛𝑔𝑖𝑡𝑢𝑑𝑒 𝑎𝑤𝑎𝑙 𝜑2 = 𝑙𝑜𝑛𝑔𝑖𝑡𝑢𝑑𝑒 𝑎𝑘ℎ𝑖𝑟 III.
METODE PENELITIAN
Pada tahap pengembangan sistem terdiri dari proses-proses yang terstruktur yaitu : analisis, desain, kode, pengujian. Metode pengembangan ini dikenal dengan model Sekuensial Linier menurut Roger S. Pressman. Untuk desain model sekuensial linier dapat dilihat pada gambar 3.1. analysis
design
code
test
Berikut penjelasan bagaimana metode pengembangan sistem yang digunakan dalam sistem ini, yaitu : Analysis Tahap ini menguraikan kebutuhan sistem yang utuh menjadi komponenkomponen sistem untuk mengetahui bagaimana sistem dibangun dan untuk mengetahui kelemahan-kelemahan sistem yang sudah ada sehingga dapat dijadikan masukan dan pertimbangan dalam penyusunan sistem yang baru b.
Design
Perhitungan Jalur Terdekat dengan Algoritma Ant Colony
4.1.1
Inisialisasi Parameter
Berikut adalah data yang akan diproses dengan menggunakan algoritma ant colony. Tabel 4. 1 Tabel Data Titik Koordinat Simbol Titik
Titik Koordinat Nama Titik Latitude (x)
Longitude (y)
1.122259
104.118277
1.127887
104.107074
1.114506
104.098175
1.100968
104.094881
Code A
Tahap ini adalah penerjemahan rancangan dalam tahap desain ke dalam bahasa pemrograman d.
4.1
Study kasus pada penelitian ini berlokasi di Kota Batam, kota industri yang banyak diminati oleh pengunjung dengan berbagai tujuan salah satunya yaitu untuk mencari penginapan sesuai dengan kebutuhan pengunjung itu sendiri. Berikut adalah salah satu contoh langkah-langkah perhitungan jalur terdekat ke penginapan dengan menggunakan algoritma semut penelitian ini.
Tahap ini merupakan tahap perancangan sistem. Tahap design ini menggunakan flowchart berfungsi untuk menyatakan aliran metode atau proses sehingga memberi solusi dalam penyelesaian masalah yang ada di dalam proses atau algoritma tersebut. Sementara Entity Relationship Diagram (ERD) digunakan untuk membantu manggambarkan diagram sistem yang akan dibangun. c.
PEMBAHASAN
Algoritma Ant Colony Optimazation atau algoritma semut pada dasarnya dapat menemukan rute terpendek antar sarangdan sumber makanan berdasarkan jejak feromon pada lintasan yang telah dilalui. Semakin besar jumlah semut dan siklusnya, maka hasil dari algoritma tersebut akan semakin besar pula kemungkinan untuk menemukan jarak terpendek. Sedangkan siklus perjalanan mempengaruhi banyaknya jalur yang ditempuh oleh semut.
Gambar 3. 1 Metode Pengembangan Sistem
a.
IV.
B C
Test
D
5
Bandara Simpang Bandara Simpang Dotamana Simpang Punggur
E
Simpang Pom KDA
1.100314
104.075977
F
Simpang KDA
1.104272
104.075086
G
Simpang 4 Panasonic
1.115653
104.058178
H
Mega Mall
1.129252
104.055847
I
Hotel Harris
1.130539
104.053927
J
Simpang Kabil
1.102325
104.038775
K
Simpang Kara
1.110960
104.041875
1.117825
104.045909
1.126407
104.052990
1.130150
104.052915
1.114757
104.090402
1.107195
104.082752
L M N O P Q
Simpang Frenky Masjid Raya Batam Center Bundaran BP Batam Simpang Batara/Cikitsu Universitas Batam Industrial Tunas 2
1.111765
Dari data rute diatas, dapat dilihat bahwa jalur mulai memiliki percabangan pada titik “C”, dimana C dapat ke “D” dan C dapat pula ke “O”. Semakin besar nilai probabilitas, semakin besar pula kebolehjadian untuk dipilih sebagai titik tujuan. Tetapi hal ini tidak berarti bahwa titik tujuan yang dipilih adalah titik yang mempunyai harga probabilitas terbesar, dan juga berarti tertutupnya kemungkinan titik yang mempunyai nilai probabilitas kecil sebagai titik tujuan. Maka sebagai contoh, akan dihitung nilai probabilitas titik-titik tujuan dari titik C ke D dan titik C ke O dengan persamaan 2.1 berikut: 𝑃𝑖𝑗𝑘 𝑡 =
104.068257
𝛼
. [𝜂 𝑖𝑗 ]𝛽 𝜏 𝑖𝑘 𝑡 𝛼 . 𝜂 𝑖𝑘 𝛽
𝜏 𝑖𝑗 𝑡
, dengan 𝜂𝐶𝐷 = 1/
1,55Km dan 𝜂𝐶𝑂 = 1/ 0,86Km
Dari data tabel diatas, maka penelitian ini akan mengambil sample rute dari titik asal Bandara dan Hotel Harris sebagai titik akhir atau titik tujuan.
1 𝑃𝐶𝐷
4.1.2
1 𝑃𝐶𝐷 =
0,1 1 . [ =
0,1 1 . [
1
1,55
Penyusunan Titik-titik Tujuan
Dalam penyusunan rute kunjungan dari Bandara ke Hotel Harris pada setiap titik, maka digunakan persamaan 2.1 probabilitas node untuk dikunjungi. Berikut adalah rute-rute yang kemungkinan akan dilewati dari Bandara ke Hotel Harris.
1 1,55
]5
]5 + 0,1 1 . [
1
0,86
]5
0,01116 = 0,05 0,01116 + 0,21185
Untuk C ke O, 1 𝑃𝐶𝐷
0,1 1 . [ =
0,1 1 . [
1
1,55
Rute Pertama
1 𝑃𝐶𝐷 =
A => B => C => D => E => F => G => H => I
1 0,86
]5
]5 + 0,1 1 . [
1
0,86
]5
0,021185 = 0,95 0,01116 + 0,21185
Rute yang terpilih yaitu C ke O dengan nilai probabilitas 0,95.
Rute Kedua 4.1.3 A => B => C => D => E => J => K => L => M => N => I
Perhitungan Panjang Rute Antar Dua Titik
Untuk menghitung panjang setiap rute antar dua titik atau jarak antar dua titik dalam penelitian ini menggunakan persamaan 2.10
Rute Ketiga A => B => C => D => O => P => F => G => H => I
4.1.4
Rute Keempat
Perhitungan Update Feromon
Berdasarkan data diatas, maka untuk perubahan harga intensitas jejak / update jejak menggunakan persamaan 2.5 𝑄 dan 2.6, dimana ∆𝜏𝑖𝑗 = .
A => B => C => O => P => Q => G => H => I
𝐿𝑘
6
4.1.5
perhitungan pada persamaan 2.10 diatas, maka didapat total jarak tempuh setiap rute dengan persamaan 2.8, berikut tabelnya:
Perhitungan Total Jarak Setiap Rute
Total jarak tempuh (Ln) merupakan total penjumlahan dari panjang setiap rute antar dua titik atau jarak antar dua titik pada setiap rute yang telah dilalui. Berdasarkan
Tabel 4. 2 Tabel Perhitungan Total Jarak Tempuh Rute Pertama Titik Koordinat Rute
Jarak x1
y1
x2
y2
A=>B
1.122259
104.118277
1.127887
104.107074
1.39
B=>C
1.127887
104.107074
1.114506
104.098175
1.79
C=>D
1.114506
104.098175
1.100968
104.094881
1.55
D=>E
1.100968
104.094881
1.100314
104.075977
2.10
E=>F
1.100314
104.075977
1.104272
104.075086
0.45
F=>G
1.104272
104.075086
1.115653
104.058178
2.27
G=>H
1.115653
104.058178
1.129252
104.055847
1.53
H=>I
1.129252
104.055847
1.130539
104.053927
0.26
Panjang rute setiap semut (L1)
11.34
Tabel 4. 3 Tabel Perhitungan Total Jarak Tempuh Rute Kedua Rute
Titik Koordinat
Jarak
A=>B
x1 1.122259
y1 104.118277
x2 1.127887
y2 104.107074
B=>C
1.127887
104.107074
1.114506
104.098175
1.79
C=>D
1.114506
104.098175
1.100968
104.094881
1.55
D=>E
1.100968
104.094881
1.100314
104.075977
2.10
E=>J
1.100314
104.075977
1.102325
104.038775
4.14
J=>K K=>L
1.102325 1.11096
104.038775 104.041875
1.11096 1.117825
104.041875 104.045909
1.02 0.89
1.39
L=>M
1.117825
104.045909
1.126407
104.05299
1.24
M=>N
1.126407
104.05299
1.13015
104.052915
0.42
N=>I
1.13015
104.052915
1.130539
104.053927
Panjang rute setiap semut (L2)
7
0.12 14.65
Tabel 4. 4 Tabel Perhitungan Total Jarak Tempuh Rute Ketiga Titik Koordinat Rute
Jarak x1
y1
x2
y2
A=>B
1.122259
104.118277
1.127887
104.107074
1.39
B=>C
1.127887
104.107074
1.114506
104.098175
1.79
C=>O
1.114506
104.098175
1.114757
104.090402
0.86
O=>P
1.114757
104.090402
1.107195
104.082752
1.20
P=>F
1.107195
104.082752
1.104272
104.075086
0.91
F=>G
1.104272
104.075086
1.115653
104.058178
2.27
G=>H
1.115653
104.058178
1.129252
104.055847
1.53
H=>I
1.129252
104.055847
1.130539
104.053927
0.26
Panjang rute setiap semut (L3)
10.21
Tabel 4. 5 Tabel Perhitungan Total Jarak Tempuh Rute Keempat Titik Koordinat Rute
Jarak x1
y1
x2
y2
A=>B
1.122259
104.118277
1.127887
104.107074
1.39
B=>C
1.127887
104.107074
1.114506
104.098175
1.79
C=>O
1.114506
104.098175
1.114757
104.090402
0.86
O=>P
1.114757
104.090402
1.107195
104.082752
1.20
P=>Q
1.107195
104.082752
1.111765
104.068257
1.69
Q=>G
1.111765
104.068257
1.115653
104.058178
1.20
G=>H
1.115653
104.058178
1.129252
104.055847
1.53
H=>I
1.129252
104.055847
1.130539
104.053927
0.26
Panjang rute setiap semut (L4)
4.1.6
Menampilkan Jalur Terpendek
9.92
V. KESIMPULAN DAN SARAN
Setelah semua langkah diatas telah diselesaikan, maka untuk menampilkan jalur terdekat dapat menggunakan persamaan 2.9, dengan mencari nilai paling minimum.
Kesimpulan yang dapat diambil dari penelitian ini yaitu bahwa dengan penerapan Algoritma Ant Colony, didapat jalur alternative atau jalur terpendek untuk menuju ke penginapan dikarenakan seluruh jalur telah dilewati agar dapat menghasilkan jalur yang optimal.
LminNC = Min ((11,34), (14,65), (10,21), (9,92)) LminNC = 9,92 km Maka, jalur yang terpilih sebagai jalur terdekat dari Bandara ke Hotel Haris yaitu rute keempat dengan titik yang dilalui A => B => C => O => P => Q => G => H => I
Saran untuk penelitian selanjutnya yaitu menggunakan dua perbandingan algoritma dalam pencarian jalur terpendek agar dapat mencapai hasil yang lebih optimal.
8
VI. DAFTAR PUSTAKA Mutakhiroh, I’ing, Indrato, dan Taufiq Hidayat. 2007. Pencarian Jalur Terpendek Menggunakan Algoritma Semut. Yogyakarta: Seminar Nasional Aplikasi Teknologi Informasi 2007, ISSN: 1907-5022 Berlianty, Intan, dan Miftahol Arifin. 2010. Teknik-Teknik Optimasi Heuristik. Yogyakarta: Graha Ilmu Suyanto. 2010. Algoritma Optimasi Deterministik atau Probabilitik. Yogyakarta: Graha Ilmu Batam, Kota. 2012. Sejarah Kota Batam. Diambil dari: www.batamkota.go.id/pemerintahan_baru.php?sub_module=46&klp_jenis=89 (22 Juli 2014) Daud, Merciyana, Mukhlisulfatih Latief, dan Ahmad Feriyanto Alulu. 2013. Sistem Informasi Geografis Pendataan Kos-kosan Berbasis Web di Kota Gorontalo. Gorontalo: Universitas Negri Gorontalo Ferdiansyah, Finsa. 2013. Perbandingan Algoritma Djikstra dan Algoritma Ant Colony Dalam Penentuan Jalur Terpendek. Jawa Timur: Universitas Brawijaya Lu, Ying, dan Wen Hu. 2013. Study on the Application of Ant Colony Algorithm in the Route of Internet of Things. China: International Journal of Smart Home Vol. 7, No. 3, May 2013
9