ADLN Perpustakaan Universitas Airlangga
HYBRID ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO) DENGAN SIMULATED ANNEALING (SA) PADA TRAVELING SALESMAN PROBLEM (TSP)
SKRIPSI
ANISATUL FUAIDAH
PROGRAM STUDI S-1 MATEMATIKA DEPARTEMEN MATEMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS AIRLANGGA 2012
i Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
HYBRID ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO) DENGAN SIMULATED ANNEALING (SA) PADA TRAVELING SALESMAN PROBLEM (TSP)
SKRIPSI Sebagai Salah Satu Syarat Untuk Memperoleh Gelar Sarjana Sains Bidang Matematika Pada Fakultas Sains Dan Teknologi Universitas Airlangga
Oleh :
ANISATUL FUAIDAH 080810129
Tanggal Lulus: 17 Juli 2012
Disetujui Oleh : Pembimbing I
Pembimbing II
Dr. Herry Suprajitno NIP. 19680404 199403 1 020
Dr. Miswanto NIP. 19680204 199303 1 002
ii Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
LEMBAR PENGESAHAN NASKAH SKRIPSI
: Hybrid Algoritma Particle Swarm Optimization (PSO)
Judul
dengan Simulated Annealing (SA) Pada Traveling Salesman Problem (TSP) Penyusun
: Anisatul Fuaidah
NIM
: 080810129
Tanggal Ujian
: 17 Juli 2012
Disetujui Oleh :
Pembimbing I
Pembimbing II
Dr. Herry Suprajitno NIP. 19680404 199403 1 020
Dr. Miswanto NIP. 19680204 199303 1 002
Mengetahui : Ketua Program Studi S-1 Matematika DepartemenMatematika FakultasSains dan Teknologi UniversitasAirlangga
Dr. Miswanto NIP. 19680204 199303 1 002
iii Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
PEDOMAN PENGGUNAAN SKRIPSI
Skripsi ini tidak dipublikasikan, namun tersedia di perpustakaan dalam lingkungan Universitas Airlangga, diperkenankan untuk dipakai sebagai referensi kepustakaan, tetapi pengutipan harus seizin penyusun dan harus menyebutkan sumbernya sesuai kebiasaan ilmiah. Dokumen skripsi ini merupakan hak milik Universitas Airlangga.
iv Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
KATA PENGANTAR
Alhamdulillah, puji syukur penyusun panjatkan kehadirat Allah SWT karena atas limpahan rahmat dan hidayah-Nya skripsi yang berjudul “Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)” ini bisa terselesaikan dengan baik. Dalam kesempatan ini, penyusun ingin mengucapkan terima kasih yang sebanyak-banyaknya kepada: 1. Ayah Robbah, Ibu Is, adik Nafa, dan Mas Lutfi tersayang serta saudarasaudara yang senantiasa memberikan doa, kasih sayang, semangat, perhatian, kesabaran dan pengorbanan yang tak ternilai dan tidak dapat tergantikan oleh apapun. 2. Kementrian agama RI, khususnya Direktorat Pendidikan Diniyah dan Pondok Pesantren RI, Pak khoironi, Pak Ruchman, Bu Lilik, Pak imam, Bu Nyoman, serta pihak-pihak lain sebagai wakil KEMENAG yang telah memberikan dukungan material maupun non-material pada penyusun sehingga dapat menyelesaikan skripsi ini. 3. Dr. Herry Suprajitno selaku pembimbing I, Dr. Miswanto selaku pembimbing II, serta Dr. Fatmawati
dan Toha Saifudin, S.Si., M.Si.
selaku dosen penguji yang telah memberikan bimbingan dan arahan sehingga penyusun dapat menyelesaikan skripsi ini.
v Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
4. Dra. Inna Kuswandari, M. Si selaku dosen wali selama menjadi mahasiswa Universtas Airlangga. 5. Sahabat-sahabat Matematika’08 terutama Lail, Yusi, Meta, Citra, Au’, dan sahabat-sahabat Griya Annisa terutama Fika dan Tika yang telah memberikan banyak semangat kepada penyusun. 6. Semua pihak yang tidak dapat disebutkan satu persatu yang turut memberi
bantuan, semangat dan masukan dalam penyusunan skripsi ini. Penyusun menyadari bahwa penyusunan skripsi ini masih belum sempurna. Untuk itu penyusun mengharapkan adanya kritik dan saran yang bersifat membangun demi kesempurnaan skripsi ini. Semoga skripsi ini dapat bermanfaat dan menambah wawasan bagi pembaca. Surabaya, Juli 2012
Anisatul Fuaidah
vi Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
Anisatul Fuaidah, 2012, Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP), Skripsi ini dibawah bimbingan Dr. Herry Suprajitno dan Dr. Miswanto, Departemen Matematika, Fakultas Sains dan Teknologi, Universitas Airlangga
ABSTRAK Traveling Salesman Problem (TSP) dapat digambarkan dengan perjalanan seorang salesman yang mengunjungi kota, dengan rute perjalanannya dimulai dari satu kota lalu mengunjungi kota yang lain masing-masing kota tepat satu kali dan diakhiri di kota asal tempat memulai perjalanan. Tujuan dari TSP adalah mencari urutan rute kota dengan jarak yang minimal. Skripsi ini bertujuan untuk menyelesaikan permasalahan TSP dengan menggunakan hybrid algoritma PSOSA. Hybrid algoritma PSO-SA merupakan algoritma yang menggabungkan antara algoritma PSO dan SA. Secara umum proses PSO adalah membangkitkan partikel-partikel, menentukan dan , update kecepatan dan posisi. Hybrid algoritma PSO-SA merupakan suatu proses PSO dimana pencarian dan dilakukan berdasarkan aturan SA. Algoritma berhenti ketika suhu yang dikehendaki sudah tercapai. TSP dengan 10 kota dan 100 kota diselesaikan dengan hybrid algoritma PSO-SA menggunakan bahasa pemrograman Borland C++. Solusi terbaik dari TSP 10 kota adalah 582 km dengan parameter dan Sedangkan solusi terbaik dari TSP 100 kota adalah 6239 km dengan parameter dan Berdasarkan hasil yang diperoleh dari jarak 100 kota menunjukkan bahwa semakin besar jumlah modifikasi partikel maka jarak minimal kota yang didapatkan cenderung lebih baik.
Kata kunci: Traveling Salesman Problem (TSP), Particle Swarm Optimization (PSO), Simulated Annealing (SA), dan Hybrid.
vii Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
Anisatul Fuaidah, 2012, Hybrid Algorithm Particle Swarm Optimization (PSO) with Simulated Annealing (SA) for Traveling Salesman Problem (TSP), This skripsi was supervised by Dr. Herry Suprajitno and Dr. Miswanto, Mathematics Department, Faculty of Sciences and Technology, Airlangga University. ABSTRACT Traveling Salesman Problem (TSP) could be represented by a salesman who travels to visit cities, the tour started from one city then visited another city exactly once and finished up where he started. The purpose of TSP is to find the permutation of tour by calculating the minimum total distances have been traveled. This skripsi purposeful for solved TSP by using hybrid algorithm PSOSA. Hybrid algorithm PSO-SA was an algorithm that combines algorithm PSO and algorithm SA. Generally, PSO process generated particles, than found and , than updated velocity and position. Hybrid algorithm PSO-SA was PSO process which process of finding and was using rule of SA algorithm. Algorithm stopped when refrigerated temperature has been reached. TSP with 10 cities and 100 cities was solved by hybrid algorithm PSO-SA by software Borland C++. The best solution for TSP 10 cities was 582 km with using the parameter of m and And the best solution for TSP 100 cities was 6239 km with using the parameter of and Based on the result of calculating distances of 100 cities, the conclusion could be drawn is more number of particles modifications (L), then minimum distances of cities was better.
Keyword: Traveling Salesman Problem (TSP), Particle Swarm Optimization (PSO), Simulated Annealing (SA), and Hybrid.
viii Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
DAFTAR ISI
LEMBAR JUDUL .................................................................................. LEMBAR PERNYATAAN .................................................................... LEMBAR PENGESAHAN .................................................................... LEMBAR PEDOMAN PENGGUNAAN SKRIPSI............................... KATA PENGANTAR ............................................................................ ABSTRAK .............................................................................................. ABSTRACT ............................................................................................ DAFTAR ISI ........................................................................................... DAFTAR TABEL .................................................................................. DAFTAR LAMPIRAN ...........................................................................
Halaman i ii iii iv v vii viii ix xi xii
BAB I PENDAHULUAN ....................................................................... 1.1 Latar Belakang .......................................................................... 1.2 Rumusan Masalah ..................................................................... 1.3 Tujuan ....................................................................................... 1.4 Manfaat .....................................................................................
1 1 2 3 3
BAB II TINJAUAN PUSTAKA............................................................. 2.1 Travelling Salesman Problem (TSP) ........................................ 2.2 Algoritma .................................................................................. 2.3 Algoritma Particle swarm Optimization (PSO)........................ 2.4 Algoritma Simulated Annealing (SA) ....................................... 2.5 Hybrid Algoritma Particle Swarm Optimization dengan Simulated Annealing (PSO-SA) ................................... 2.6 Borland C++ .............................................................................
4 4 8 8 12
BAB III METODE PENELITIAN..........................................................
22
BAB IV PEMBAHASAN ....................................................................... 4.1.Prosedur Hybrid Algoritma PSO-SA ........................................ 4.2.Program ..................................................................................... 4.3.Contoh Kasus TSP dengan 10 Kota yang Diselesaikan Secara Manual 4.4.Implementasi Program pada Contoh Kasus TSP ...................... 4.4.1 Menggunakan Data 10 Kota ............................................ 4.4.2 Menggunakan Data 100 Kota .......................................... 4.5.Perbandingan Hasil Perhitungan dengan Parameter yang Berbeda pada Hybrid Algoritma PSO-SA ................................
25 25 31
15 16
31 42 42 43 43
ix Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
BAB V PENUTUP .................................................................................. 5.1 Kesimpulan ............................................................................... 5.2 Saran .........................................................................................
45 45 46
DAFTAR PUSTAKA .............................................................................
48
LAMPIRAN
x Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
DAFTAR TABEL
Nomor
Judul
Halaman
4.1. Fungsi Tujuan Partikel-partikel ...........................................
35
4.2. Hasil Perbandingan Output TSP 100 Kota ..........................
44
xi Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
DAFTAR LAMPIRAN
Nomor
Judul Lampiran
1.
Data Jarak 10 Kota dari Workshop Integer Programming, 2004
2.
Data Jarak 100 Kota dari Workshop Integer Programming, 2004
3.
Program Hybrid Algoritma PSO-SA dengan Software Borland C++
4.
Output TSP 10 Kota
5.
Output TSP 100 Kota dengan Berbagai Parameter yang Berbeda
xii Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
BAB I PENDAHULUAN 1.1 Latar Belakang Dewasa ini, perkembangan jasa pengiriman semakin cepat, hal ini berdampak pada persaingan perusahaan yang cukup berat. Dalam menghadapi persaingan tersebut diperlukan adanya strategi yang tepat dalam mengatasi permasalahan. Dalam jasa pengiriman permasalahan yang timbul adalah bagaimana menentukan rute yang akan ditempuh sehingga semua kota dapat dilewati satu kali dengan jarak atau biaya minimal. Menurut Puspitorini (2008) Traveling Salesman Problem (TSP) merupakan sebuah permasalahan yang telah dipelajari secara ekstensif selama beberapa dekade terakhir. TSP melibatkan traveling salesman yang harus melakukan kunjungan ke
kota dalam menjajakan produknya.
Rangkaian kota yang dikunjungi harus membentuk suatu jalur (rute) sedemikian sehingga kota-kota tersebut hanya boleh dilewati tepat satu kali dan kemudian kembali lagi ke kota awal. Tujuan dari permasalahan TSP ini adalah untuk memperoleh jalur terpendek. Beberapa metode telah banyak dikembangkan untuk menyelesaikan TSP ini. Berbagai pendekatan dan algoritma telah ditawarkan untuk mendapatkan solusi optimal. Salah satu algoritma yang dapat digunakan untuk menyelesaikan TSP adalah algoritma Particle Swarm Optimization (PSO).
1 Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
2
PSO merupakan algoritma yang pertama kali diperkenalkan oleh Kennedy dan Eberhart pada tahun 1995. PSO memiliki kinerja yang baik dalam memecahkan beberapa masalah optimasi. Namun algoritma dasar PSO mempunyai masalah serius, yaitu semua partikel cenderung terjebak dalam minimum lokal pada fase konvergensi selanjutnya, sehingga PSO sering menemukan sebuah solusi minimum lokal bukan minimum global (Fang dkk, 2007). Karena itu, untuk mengatasi masalah tersebut algoritma PSO akan digabungkan dengan Simulated Annealing (SA). Kelebihan algoritma SA adalah algoritma dengan metode stokastik yang fiturfiturnya efektif dalam menghindari perangkap minimum lokal (Chibante, 2010). Oleh karena itu, skripsi ini menggunakan hybrid algoritma PSOSA untuk menyelesaikan TSP. Hybrid algoritma PSO-SA adalah algoritma yang tidak hanya dapat menghindari perangkap minimum lokal dalam tahap konvergensi selanjutnya tetapi juga menyederhanakan implementasi algoritma (Fang dkk, 2007). 1.2 Rumusan Masalah Berdasarkan latar belakang masalah, ada beberapa masalah yang dibahas dalam skripsi ini, yaitu: 1. Bagaimana menyelesaikan permasalahan TSP dengan hybrid algoritma PSO-SA? 2. Bagaimana membuat program penyelesaian TSP dengan hybrid algortima PSO-SA dengan software Borland C++?
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
3
3. Bagaimana mengimplementasikan program pada contoh kasus? 1.3 Tujuan Adapun tujuan dari skripsi ini adalah: 1. Menyelesaikan permasalahan TSP dengan hybrid algoritma PSOSA. 2. Membuat program penyelesaian TSP dengan hybrid algortima PSO-SA dengan software Borland C++. 3. Mengimplementasikan program pada contoh kasus. 1.4 Manfaat Beberapa manfaat yang bisa diambil dari skripsi ini adalah : 1. Menambah pemahaman tentang permasalahan Traveling Salesman Problem (TSP) dan penyelesaian permasalahannya. 2. Menambah pemahaman tentang hybrid algoritma PSO-SA. 3. Mengetahui program penyelesaian permasalahan TSP dengan hybrid algoritma PSO-SA dengan software Borland C++.
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
BAB II TINJAUAN PUSTAKA Pada bab ini akan diuraikan beberapa definisi yang digunakan pada pembahasan hybrid algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP). 2.1 Traveling Salesman Problem (TSP) Traveling Salesman Problem (TSP) dikenal sebagai salah satu permasalahan optimasi yang sulit untuk dipecahkan secara konvensional. Penyelesaian eksak terhadap persoalan ini akan melibatkan algoritma yang mengharuskan untuk mencari kemungkinan semua solusi yang ada. TSP melibatkan traveling salesman yang harus melakukan kunjungan ke
kota
dalam menjajakan produknya. Rangkaian kota yang dikunjungi harus membentuk suatu jalur sedemikian sehingga kota-kota tersebut hanya boleh dilewati tepat satu kali dan kemudian kembali lagi ke kota awal. Penyelesaian terhadap permasalahan TSP ini adalah untuk memperoleh jalur terpendek. Penyelesaian eksak terhadap masalah TSP mengharuskan untuk melakukan perhitungan terhadap semua kemungkinan rute yang dapat diperoleh, kemudian memilih salah satu rute yang terpendek. Dengan cara ini waktu perhitungan yang diperlukan akan jauh meningkat seiring dengan bertambahnya jumlah kota yang harus dikunjungi. Penjelasan ini menunjukkan bahwa solusi eksak terhadap masalah TSP sangat sulit dilakukan. (Puspitorini, 2008)
4 Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
5
Berikut ini diberikan beberapa definisi yang terkait dengan TSP, Definisi 2.1
Graph G didefinisikan sebagai himpunan berhingga V(G) yang tak kosong dengan elemen-elemennya disebut titik (vertice) dan himpunan E(G) (mungkin kosong) yang elemen-elemennya merupakan pasangan tak terurut 2 elemen berbeda dari V(G) dan disebut garis (edge). (Chartrand and Oellermann, 1993)
Definisi 2.2
Perjalanan (walk) pada graph G adalah urutan secara bergantian titik-titik elemen
dan edge elemen
yang berbentuk :
yang dimulai dan diakhiri titik sedemikian sehingga untuk
. (Chartrand and Oellermann, 1993)
Definisi 2.3
Path adalah walk yang titik-titiknya tidak boleh berulang. Graph G dikatakan terhubung, jika setiap dua titiknya dihubungkan oleh suatu path. (Chartrand and Oellermann, 1993)
Definisi 2.4
Cycle adalah walk dengan n 3 , v0 vn dan titik-titik v0, v1, v2, ..., vn-1, vn berbeda satu dengan yang lain (Chartrand and Oellermann, 1993)
Definisi 2.5
Digraph (directed graph) yang tak kosong
Skripsi
adalah himpunan berhingga
yang anggotanya disebut titik dan
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
himpunan
6
(yang kemungkinan himpunan kosong)
dari pasangan garis titik terurut. Arc (garis berarah) adalah elemen-elemen dari (Chartrand and Oellermann, 1993) Definisi 2.6
GraphG disebut graph lengkap (complete graph) jika setiap dua titiknya terhubung. (Chartrand and Oellermann, 1993)
Definisi 2.7
Graph berbobot adalah graph yang setiap garisnya mempunyai bobot. (Chartrand and Oellermann, 1993)
Untuk materi yang dibahas selanjutnya bersumber dari buku yang ditulis oleh Garfinkel dan Nemhauser (1972). Permasalahan dari TSP yaitu membuat tour dari
kota
dimulai dan diakhiri pada kota
yang sama, dengan jarak tour-nya minimal. Tour adalah sebuah cycle dalam
yang memuat setiap titik tepat satu kali. Dalam istilah graph,
permasalahan ini dapat digambarkan dalam digraph adalah himpunan dari kota dan misal ada garis
. Misal , jika ada hubungan
antara kota dan kota . Titik dari tour sebagai berikut: t (i1 , i2 ,..., in1 , in )
(2.1)
Dengan (i1 , i2 ,..., in1 , in ) adalah permutasi (urutan angka-angka) dari bilangan bulat dan paling banyak kemungkinan jumlah total dari tournya adalah
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
7
Garis dari tour pada persamaan (2.1) dapat dinyatakan sebagai berikut: (2.2)
t {(i1 , i2 ), (i2 , i3 ),..., (in2 , in1 ), (in1 , in )}
Variabel xij didefinisikan sebagai berikut:
1, xij 0,
jika ada garis (i, j ) dalam tour yang lain
Untuk setiap titik , tepat satu garis n
x j 1
ij
(2.3)
harus ada pada setiap tour, jadi:
1,
(2.4)
Sedangkan untuk setiap titik , tepat satu garis
harus ada pada setiap
tour, sehingga memenuhi n
x i 1
ij
1,
(2.5)
Secara matematis,
menghasilkan sebuah subtour jika dan hanya
jika untuk beberapa subset tak kosong
,
z xij 0
(2.6)
iQ jQ
dengan ̅
. Jadi, definisi tour terpenuhi dengan persamaan (2.3),
(2.4) dan (2.5), untuk semua
, yakni
z xij 1
(2.7)
iQ jQ
Misalkan jarak dari titik
cii = 0 dengan
adalah cij , dimana jika
, maka
Dengan demikian TSP dapat ditulis sebagai
berikut:
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
n
8
n
Meminimalkan z cij xij
(2.8)
i 1 j 1
Dengan batasan : n
x j 1
ij
1,
ij
1,
n
x i 1
x iQ jQ
ij
1
dengan
dan ̅
xij 0,1,
2.2 Algoritma Algoritma adalah merupakan suatu himpunan langkah-langkah atau instruksi yang telah dirumuskan dengan baik (well-defined) untuk memperoleh suatu keluaran khusus (specific output) dari suatu masukan khusus (specific input) dalam langkah yang jumlahnya berhingga. (Chartrand dan Oellermann, 1993) 2.3 Algoritma Particle swarm Optimization (PSO) Materi yang dibahas berikut bersumber dari buku yang ditulis oleh Parsopoulos dan Vrahatis (2010). Particle Swarm Optimization (PSO) dikembangkan oleh Kennedy dan Eberhart (1995) sebagai algoritma optimasi yang bersifat stokastik dan berdasarkan pada model simulasi sosial. Secara bersamaan, posisi terbaik yang pernah dicapai oleh setiap partikel disebut sebagai pengalaman, dan pengalaman-pengalaman tersebut
Skripsi
disimpan
dalam
memori.
Pengalaman
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
ini
kemudian
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
9
dikomunikasikan ke bagian atau seluruh populasi dan diteruskan dengan membentuk gerakan ke arah daerah yang telah dikunjungi dan terbaik sejauh ini. PSO mensimulasikan perilaku sosial seperti kawanan burung dan ikan didasarkan pada konsep kerjasama antar individu sehingga populasi tersebut dapat mencapai tujuan secara efisien dan efektif untuk memecahkan beberapa masalah optimasi. Secara matematis, diberikan
sebagai ruang pencarian dan
adalah fungsi tujuan. Seperti dijelaskan sebelumnya, PSO merupakan algoritma berbasis populasi, yaitu dengan mengeksploitasi populasi solusi untuk menyelidiki ruang pencarian secara bersamaan. Dalam PSO, populasi disebut swarm dan individu-individunya disebut partikel, Swarm didefinisikan sebagai himpunan: { dari
(2.9)
}
partikel (calon solusi), yang didefinisikan sebagai berikut: (2.10) Partikel-partikel tersebut bergerak didalam ruang pencariannya,
pergerakan ini dilakukan dengan menyesuaikan posisi mereka dengan menggunakan kecepatan (velocity), yang didefinisikan sebagai berikut: (2.11) Kecepatan
tersebut
disesuaikan
secara
bertahap
diharapkan partikel mampu mengunjungi setiap wilayah
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
sehingga . Jika
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
10
menunjukkan jumlah iterasi, maka posisi saat ini dari partikel ke- dan kecepatannya masing-masing dinotasikan sebagai
dan
Kecepatan diperbarui berdasarkan informasi yang diperoleh dari langkah algoritma sebelumnya. Hal ini di implementasikan dalam sebuah memori, di mana masing-masing partikel dapat menyimpan posisi terbaik yang pernah dikunjungi selama pencarian, sehingga
berisi posisi partikel saat
ini. Memori yang dipertahankan oleh PSO adalah : {
(2.12)
}
yang mengandung best positions (2.13) dan pernah dikunjungi oleh masing-masing partikel. Sehingga posisiposisi ini didefinisikan sebagai berikut: , Dengan
adalah partikel dengan
(2.14) yang minimal.
PSO didasarkan pada model simulasi perilaku sosial, sehingga mekanisme pertukaran informasi harus ada untuk memungkinkan partikelpartikel saling berkomunikasi. Algoritma akan mendekati minimum global dengan posisi terbaik yang pernah dikunjungi oleh semua partikel. Diberikan
sebagai posisi terbaik dengan nilai fungsi terendah dalam
pada iterasi yang diberikan, yaitu: (2.15) Dengan
adalah
dengan
yang
minimal.
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
11
Masing-masing partikel memperbarui kecepatan dan posisinya dengan persamaan sebagai berikut: (2.16) (2.17) dengan
adalah koefisien inersia pada interval [
koefisien akselerasi yang berupa konstanta positif, acak pada interval [
adalah bilangan
]. Berikut adalah algoritma dasar PSO:
1. Inisialisasi posisi awal partikel , dengan
dan
dan kecepatan awal partikel adalah ukuran swarm.
2. Evaluasi nilai fungsi tujuan untuk setiap partikel 3. Tentukan
adalah
],
awal dan
.
awal.
4. Update kecepatan dengan persamaan (2.16). 5. Update posisi partikel baru dengan persamaan (2.17). 6. Evaluasi kembali
, jika
setelah mendapatkan
maka
baru, maka didapatkan
, baru.
{ 7. Jika iterasi sudah maksimum atau konvergen, maka algoritma berhenti, jika tidak maka kembali ke langkah 4. 2.4 Algoritma Simulated Annealing (SA) Materi yang dibahas pada bagian ini bersumber dari buku yang ditulis oleh Chibante (2010). Simulated Annealing (SA) adalah salah satu algoritma untuk optimisasi yang bersifat umum. Fitur utama dari algoritma SA adalah kemampuan untuk menghindar dari perangkap minimum lokal,
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
12
yaitu dengan membiarkan algoritma tersebut tidak hanya menerima solusi yang lebih baik tetapi juga menerima solusi buruk dengan probabilitas tertentu. Masalah yang membutuhkan pendekatan SA adalah masalahmasalah optimisasi kombinatorial, dengan ruang pencarian solusi yang ada terlalu besar, sehingga hampir tidak mungkin ditemukan solusi eksak terhadap permasalahan itu. Publikasi tentang pendekatan ini pertama kali dilakukan oleh Kirkpatrick, Gelatt dan Vecchi pada tahun 1983, yang diaplikasikan pada desain optimal hardware komputer, dan juga pada salah satu masalah klasik ilmu komputer yaitu Traveling Salesman Problem (TSP). Annealing adalah satu teknik yang dikenal dalam bidang metalurgi yang digunakan dalam mempelajari proses pembentukan kristal dalam suatu materi. Atom-atom dari materi ini memiliki energi yang tinggi pada suhu yang sangat tinggi. Hal ini memberikan atom banyak kebebasan dalam kemampuan mereka untuk merestrukturisasi diri mereka sendiri. Seperti pada saat suhu berkurang, energi dari atom-atom tersebut menjadi berkurang sampai keadaan energi mencapai minimum, dan perlahan-lahan memungkinkan atom-atom yang tadinya bergerak bebas itu, pada akhirnya menemukan tempat yang optimum. SA berjalan berdasarkan analogi dengan proses annealing yang telah dijelaskan di atas. Pada awal proses SA, dipilih suatu solusi awal, yang merepresentasikan kondisi materi sebelum proses dimulai. Gerakan bebas dari atom-atom pada materi, direpresentasikan dalam bentuk
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
13
modifikasi terhadap solusi awal/solusi sementara. Pada awal proses SA, saat parameter suhu
diatur tinggi, solusi sementara yang sudah ada
diperbolehkan untuk mengalami modifikasi secara bebas. Kebebasan ini secara relatif diukur berdasarkan nilai fungsi tertentu yang mengevaluasi seberapa optimal solusi sementara yang telah diperoleh. Bila nilai fungsi evaluasi hasil modifikasi ini membaik (dalam masalah optimisasi yang berusaha mencari minimum berarti nilainya lebih kecil/downhill) solusi hasil modifikasi ini akan digunakan sebagai solusi selanjutnya. Bila nilai fungsi evaluasi hasil modifikasi ini memburuk, pada saat temperatur annealing masih tinggi, solusi yang lebih buruk (uphill) ini masih mungkin diterima. Dalam tahapan selanjutnya saat temperatur sedikit demi sedikit dikurangi, maka kemungkinan untuk menerima langkah modifikasi yang tidak memperbaiki nilai fungsi evaluasi semakin berkurang. Sehingga kebebasan untuk memodifikasi solusi semakin menyempit, sampai akhirnya diharapkan diperoleh solusi yang mendekati solusi optimal. Berikut algortima dari SA: 1. Inisialisasi temperatur awal 2. Inisialisasi individu awal
dan temperatur akhir .
3. Evaluasi individu awal sebagai solusi sementara 4. Modifikasi individu awal baru 5. Jika
.
dan evaluasi kembali sebagai solusi
. maka solusi sementara sama dengan solusi
baru. Jika tidak, maka dibangkitkan bilangan acak
Skripsi
.
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
pada interval
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
[
]. Hitung probabilitas
(
14
), jika
maka solusi
baru tetap diterima sebagai solusi sementara. 6. Jika
, maka algoritma berhenti. Jika tidak, hitung perubahan
temperatur
pada iterasi ke-
dengan
,
kemudian kembali ke langkah 4. Keterangan: Modifikasi : Mekanisme sederhana untuk mengubah solusi yang
sudah ada, untuk menghasilkan solusi baru yang berbeda tidak terlalu jauh dengan solusi yg sudah ada. Biasanya disebut neighbour solution. Contoh dalam TSP bila solusi sementara dari TSP dengan 3 kota adalah : A B C. Hasil fungsi modifikasi adalah solusi baru dengan urutan A C B.
(
) : Probabilitas bahwa langkah/solusi baru yang tidak
lebih baik, akan diterima sebagai solusi sementara.
bernilai
positif, yang berarti solusi baru pada tahap ini lebih buruk dari pada solusi sementara yang sudah ada. Ekspresi ini menyatakan bahwa semakin buruk solusi baru, kemungkinan diterima sebagai solusi sementara semakin kecil. Tetapi pada awal proses annealing, karena faktor temperatur
sebagai pembagi masih bernilai besar,
probabilitas ini akan tetap cukup besar. Tidak demikian halnya setelah
menurun, dalam proses pendinginan. : hanya merupakan salah satu contoh jadwal
penurunan temperatur. Sebenarnya tidak selalu harus seperti ini.
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
15
Biasanya juga dalam implementasi SA, diadakan perulangan proses modifikasi dan update solusi sementara untuk suhu tertentu. 2.5 Hybrid Algoritma Particle Swarm Optimization dengan Simulated Annealing (PSO-SA) Hybrid menurut bahasa berarti campuran atau gabungan. Jadi Hybrid Algoritma merupakan suatu gabungan dua algoritma atau lebih yang digunakan untuk menyelesaikan suatu permasalahan. Hybrid algoritma PSO-SA artinya menggabungkan antara algoritma PSO dan SA menjadi satu algoritma untuk menyelesaikan permasalahan. Dengan algoritma PSO-SA diharapkan menjadi algoritma yang mampu mencapai optimal global. Adapun algoritma dasar dari PSO-SA adalah sebagai berikut: 1. Inisialisasi posisiawal partikel partikel
, dengan
dan kecepatan awal setiap dan
adalah ukuran swarm.
2. Evaluasi nilai fungsi tujuan untuk setiap partikel 3. Tentukan
awal dan
.
awal.
4. Update kecepatan partikel dengan persamaan (2.16) dan posisi partikel dengan persamaan (2.17). 5. Setiap partikel
mencari
aturan SA, jika
baru dengan menggunakan maka
. Jika tidak,
maka menggunakan keputusan probabilitas bisa diterima, jika
dengan
[
(
) agar
] maka tetap bisa
diterima. Jika tidak, maka ditolak.
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
6. Setelah mendapatkan
16
baru, maka akan didapatkan pula
baru. { 7. Hitung perubahan suhu temperatur awal,
, dengan
adalah temperatur akhir,
adalah
adalah koefisien
cooling yang berupa bilangan acak pada interval [ adalah jumlah iterasi terakhir yang dioperasikan.Jika iterasi akan dihentikan dan algoritma menemukan
], dan maka , jika tidak
maka akan kembali ke langkah 4. (Fang dkk, 2007) 2.6 Borland C++ Materi yang dibahas pada bagian ini bersumber dari buku yang ditulis oleh Kadir (2003). Berbicara tentang C++ biasanya tidak lepas dari bahasa C, sebagai bahasa pendahulunya. Bahasa C pertama kali dikenalkan oleh Brian W. Kerninghan dan Dennis M. Ritchie sekitar tahun 1972, dan sekitar satu dekade setelahnya diciptakanlah C++ oleh Bjarne Stroustrup dari Laboratorium Bell, AT&T, pada tahun 1983. C++ cukup kompatibel dengan bahasa pendahulunya C. Pada mulanya C++ disebut “ a better C “. Nama C++ sendiri diberikan oleh Rick Mascitti pada tahun 1983, yang berasal dari operator increment pada bahasa C. Keistimewaan yang sangat berarti dari C++ ini adalah karena bahasa ini mendukung pemrograman
Skripsi
yang
berorientasi
objek
(OOP/Object
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Oriented
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
17
Programming). Bahasa program C++ mempunyai bentuk umum seperti di bawah, yaitu:
a. Struktur bahasa C++ Program C maupun C++ selalu tersusun dari 4 (empat) bagian utama, yaitu : 1. Bagian komentar. 2. Bagian pengarah compiler. 3. Bagian deklarasi. 4. Bagian definisi. b. Bagian komentar Program yang baik pada umumnya diberi komentar yang akan membantu orang lain maupun pembuat program itu untuk memahami program yang dibuat. Dalam C atau C++ setiap proposal yang diapit oleh variabel /* … */ atau setiap baris yang dimulai dengan variabel // dianggap komentar. C++ tidak mengizinkan komentar bersarang (nested comment), namun Borland C++ lebih fleksibel dalam hal ini. Pada Borland C++ dapat menggunakan komentar bersarang asalkan opsi cek Nested comments pada menu Options/Compiler/Source dipilih.
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
18
c. Bagian pengarah kompiler Include adalah salah satu pengarah prepocessor directive yang tersedia pada C++. Preprocessor selalu dijalankan terlebih dahulu pada saat proses kompilasi terjadi. Bentuk umumnya : # include
tidak diakhiri dengan tanda semicolon, karena bentuk tersebut bukanlah suatu bentuk pernyataan, tetapi merupakan prepocessor directive. Baris tersebut menginstrusikan kepada compiler yang menyisipkan file lain dalam hal ini file yang berakhiran .h(fileheader) yaitu file yang berisi sebagai deklarasi contohnya: #include : diperlukan pada program yang melibatkan objekcout. #include : diperlukan bila melibatkan clrscr(), yaitu perintah untuk membersihkan layar. #include : diperlukan bila melibatkan setw() yang bermanfaat untuk mengatur lebar dari suatu tampilan data. #include <math.h>: diperlukan pada program yang menggunkan operasi sqrt() yang bermanfaat untuk operasi matematika pengakaran. d. Fungsi main () Fungsi ini menjadi awal dan akhir eksekusi program C++. Main adalah nama judul fungsi. Melihat bentuk seperti itu dapat
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
19
kita ambil kesimpulan bahwa batang tubuh program utama berada didalam fungsi main( ). e. Pengarah kompiler # if, # else, # elif, # endif Digunakan untuk memilih bagian program yang akan dikompilasi. Kompilasi cara ini disebut kompilasi bersyarat dan program yang baik biasanya memanfaatkan teknik ini. f. Pengarah kompiler # ifdef, # ifndef Digunakan juga dalam kompilasi bersyarat. #Ifdef dapat dibaca: „jika didefinisikan‟ dan #ifndef dapat dibaca: „jika tidak didefinisikan‟. Pengarah compiler ini sering digunakan untuk menandai bahwa suatu file sudah diikutsertakan dalam kompilasi. g. Bagian deklarasi dan definisi Semua program C pada dasarnya tersusun dari rangkaian pemanggilan fungsi yang bekerja atas sekelompok data. Selain pemanggilan fungsi, program C mengandung komponen lain yang disebut statement. Statement C ada dua, yaitu: statement yang tidak dapat
dieksekusi/non-executable
(bila
dikompilasi
tidak
menghasilkan kode objek dan biasanya digunakan untuk mengatur alur program), dan statement yang dapat dieksekusi/executable (bila dikompilasi akan menghasilkan kode objek). Setiap pemanggilan fungsi maupun statement xecutable dalam C harus diakhiri dengan tanda titik koma. Dalam contoh program C++ diatas, Return merupakan contoh statement executable yang
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
20
menginstruksikan agar suatu fungsi mengembalikan nilai balik tertentu. Contoh statement non executable adalah : if, else, dan while. h. Input dan output Dalam C++ input berarti menulis dari stream dan output berarti membaca ke stream. Bentuk umum Output operator : cout << ekspresi ; Bentuk umum Input operator : cin >> variable ; i. Tanda semicolon Tanda semicolon “ ; ” digunakan untuk mengakhiri sebuah pernyataan. Setiap pernyataan harus diakhiri dengan sebuah tanda semicolon. j. Variabel Variabel adalah suatu pengenal (identifier) yang digunakan untuk mewakili suatu nilai tertentu di dalam proses program. Berbeda dengan konstanta yang nilainya selalu tetap, nilai dari suatu variabel diubah-ubah sesuai kebutuhan. Untuk memperoleh nilai dari suatu variabel digunakan pernyataan penugasan (assignment statement), yang mempunyai sintaks sebagai berikut :
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
21
k. Deklarasi variable Bentuk umumnya :
l. Tipe dasar
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
BAB III METODE PENELITIAN Metode penelitian yang digunakan dalam skripsi ini adalah sebagai berikut: 1. Mengkaji materi tentang TSP, algoritma PSO, algoritma SA, dan hybrid algoritma PSO-SA. 2. Menerapkan hybrid algoritma PSO-SA dengan langkah-langkah berikut ini:
Inisialisasi. Tetapkan
sebagai ukuran swarm dan semua partikel-
partikel
.
[ ]} dengan
{ [ ] [ ] []
dapat ditunjukkan sebagai berikut : adalah jumlah kota, dimana
yang berarti kota dikunjungi setelah dan [
]
[ ]. Tetapkan
dan , dengan
awal, semakin tinggi
adalah temperatur
maka akan semakin baik hasilnya,
adalah temperatur akhir,
adalah koefisien cooling yang
berupa bilangan acak pada interval [
], dan
adalah jumlah
modifikasi partikel pada suhu tertentu.
Setiap partikel
) mencari local best route
Dalam satu iterasi, setiap partikel menjadi rute baru
). ) dibangkitkan
) pada lokal areanya, dan dengan
22 Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
23
berdasarkan aturan penerimaan SA dapat diketahui apakah rute tersebut diterima atau tidak, sehingga setelah setiap partikel menemukan local best route untuk membangkitkan rute baru Misalkan terdapat ke-
iterasi, ). Metode
) adalah sebagai berikut:
kota, diasumsikan [ ] adalah kota
yang dikunjungi oleh salesman. Dua kota
dipilih secara acak pada rute
[ ] [ ]
dan selanjutnya urutan
kunjungan kota ke- dan kota ke- ditukar, sedangkan urutan kunjungan ke kota-kota lainnya tetap sama. Setelah ditukar, maka rute baru
) telah berhasil dibangkitkan.
Update personal best route
) dan global best route
). yang telah didapat oleh setiap partikel dari masing-masing lokal areanya akan digunakan sebagai
.
Dan setelah mengupdate nilai personal best dari setiap partikel, akan dibandingkan dengan {
Dapatkan rute baru
sebagai berikut: ) )
) )
) dengan operasi crossing.
Operasi crossing pada langkah ini adalah untuk mengganti langkah update kecepatan dan update posisi setiap partikel pada hybrid algoritma PSO-SA, adapun operasi crossing yang dikerjakan adalah sebagai berikut:
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
Partikel
24
) disilangkan dengan
dan
secara
terpisah untuk memperbarui dirinya. Salah satu metode persilangan yang akan dipakai pada iterasi ini adalah sebagai berikut: Misalkan terdapat dua rute
dan
, pertama yang dilakukan
adalah memilih secara acak daerah crossing pada
kemudian
menggantikan nomor-nomor kota tersebut pada daerah crossing
dengan posisi yang sama sebagaimana
Hitung temperature baru )
)
. Jika
, dengan persamaan , algoritma menemukan
. )
dan
proses berhenti. Jika tidak, maka kembali ke langkah mencari local best route
).
3. Membuat program dengan software Borland C++. 4. Mengimplementasikan program pada contoh kasus.
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
BAB IV PEMBAHASAN
Pada bab ini akan dijelaskan mengenai penggunaan hybrid algoritma PSO-SA untuk menyelesaikan TSP, yaitu permasalahan untuk mencari rute dari
kota dengan jarak atau biaya perjalanan yang minimal.
4.1 Prosedur Hybrid Algoritma PSO-SA Prosedur hybrid algoritma PSO-SA dalam menyelesaikan TSP adalah sebagai berikut: Prosedur hybrid algoritma PSO-SA secara ringkas adalah: Prosedur Hybrid Algoritma PSO-SA Begin Inisialisasi parameter; Generate partikel awal; While do Evaluasi partikel; Tetapkan dan ; Update partikel; Hitung Temperatur ; End
Dan untuk prosedur inisialisai parameter dapat dilihat pada berikut. Misalkan
sebagai ukuran swarm dan semua partikel
dilambangkan dengan
, dengan
sebagai berikut:
{ [ ] [ ]
kota, dimana [ ]
yang berarti kota
[
]
dapat dinyatakan
[ ]} dengan
adalah jumlah
dikunjungi setelah
dan
[ ].
Misalkan
adalah temperatur awal, semakin tinggi
akan semakin baik hasilnya (Fang dkk, 2007),
maka
adalah temperature
25 Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
akhir,
26
adalah koefisien cooling yang berupa bilangan acak pada
interval [
], dan
adalah jumlah modifikasi partikel pada suhu
tertentu. Prosedur Inisialisai Parameter Begin Banyak kota ; Ukuran swarm ; Temperatur awal ; Temperatur akhir ; Koefisien cooling ; Jumlah modifikasi partikel pada suhu tertentu End
;
Langkah 1: Generate Partikel-partikel Awal Pada langkah ini adalah membangkitkan sejumlah partikel (rute pada TSP) secara acak di ruang pencarian, yang merupakan himpunan solusi yang fisibel. Banyaknya partikel-partikel yang dibangkitkan adalah sesuai dengan ukuran swarm yang ditentukan. Setiap partikel tersebut dimodifikasi menjadi rute yang baru areanya sebanyak jumlah modifikasi partikel
pada lokal
pencarian personal
best route, yaitu dengan memilih dua posisi secara acak kemudian menukarnya, tujuannya adalah untuk mencari personal best route. Dalam menyelesaikan TSP akan digunakan pengkodean permutasi yaitu barisan angka yang memperhatikan urutan dan posisi sehingga tidak terjadi adanya pengulangan angka, sehingga partikel dapat digambarkan sebagai rute yang terdiri dari urutan
kota yang
berbeda. Adapun prosedurnya sebagai berikut:
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
27
Prosedur Generate Partikel Awal Begin For
1 to generate partikel-partikel awal; to modifikasi partikel baru dari
For
;
End End End
Langkah 2: Evaluasi Partikel Awal Proses evaluasi merupakan proses menghitung fungsi tujuan atau bobot masing-masing partikel dalam suatu populasi. Bobot tersebut untuk mengetahui partikel terbaik dengan cara mencari nilai bobot terkecil suatu partikel dalam populasi. Semua partikel yang sudah dibangkitkan dievaluasi. Prosedur dari langkah ini sebagai berikut: Prosedur Evaluasi Partikel Begin For
1 to For
to SUM(jarak_kota[1,n]);
End End End
Langkah 3: Tetapkan Proses penetapan
dan dan
adalah proses lanjutan setelah
evaluasi dari masing-masing partikel. Tujuan dari proses ini adalah untuk menyimpan posisi terbaik yang pernah dikunjungi oleh partikel selama pencarian.
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
28
Dalam hybrid algoritma PSO-SA untuk TSP, pencarian local dilakukan sebelum penetapan
best route
aturan yang digunakan dalam pencarian
, dimana aturan-
adalah aturan SA yang
tujuannya adalah untuk menghindari minimum lokal selama proses pencarian. Dengan demikian, proses setelah pencarian pencarian
adalah
yaitu posisi terbaik dari semua posisi yang telah
dikunjungi oleh partikel-partikel dengan nilai fungsi tujuan terkecil. Adapun prosedurnya sebagai berikut: Prosedur Penetapan Begin For
dan
1 to
For
1 to
If
then ;
Else If (
)
then ;
Else bilangan acak [0,1]; (
Hitung If
);
then ;
Else End
;
End End End If
; then ;
Else If
then ;
Else End End
;
End
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
29
Langkah 4: Update Partikel-partikel Proses update pada dilakukan dengan menggunakan operasi crossing, yaitu menyilangkan partikel
dengan
secara terpisah. Misalkan terdapat dua partikel, dan
dan dan
atau
, pertama yang dilakukan adalah memilih secara acak
daerah persilangan pada partikel kedua, missal
atau
,
kemudian menggantikan kode-kode kota (rutekota) tersebut pada daerah persilangan
dengan posisi yang sama sebagaimana daerah
persilangan partikel kedua yang terpilih. Operasi crossing ini dilakukan untuk mengganti proses update kecepatan (velocity) dan update posisi partikel dalam hybrid algoritma PSO-SA pada umumnya. Adapun prosedurnya sebagai berikut: Prosedur Update Partikel-partikel Begin For
1 to random( ); random( ); For to ; End
End For
1 to random( ); random( ); For to ; End ; End
End
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
30
Langkah 5: Hitung Temperatur Baru Pada awal proses algoritma, parameter temperatur diatur tinggi, solusi sementara yang sudah ada diperbolehkan untuk modifikasi secara bebas. Kebebasan ini diukur berdasarkan nilai fungsi yang mengevaluasi seberapa optimal solusi sementara yang telah diperoleh. Bila nilai fungsi evaluasi semakin membaik maka solusi hasil modifikasi ini akan digunakan sebagai solusi selanjutnya. Sehingga penghitungan temperature baru digunakan untuk membuat modifikasi solusi semakin menyempit, sampai akhirnya diharapkan diperoleh solusi yang optimal. Prosedur untuk proses ini sebagai berikut: Prosedur Hitung Temperatur Baru Begin ; While
do ; ;
End
4.2 Program Dari prosedur yang telah dibahas sebelumnya, akan dibuat program dengan menggunakan software Borland C++ seperti pada Lampiran 2. Pemilihan bahasa pemrograman Borland C++ lebih didasari pada kemudahan dalam bahasa dan pemahaman dalam mengimplementasikan hybrid algoritma PSO-SA yang banyak menggunakan array. Program ini dibuat untuk mempermudah dalam
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
31
mencari rute kota dengan jarak tempuh sependek mungkin, terutama jika jumlah kota sangat besar. 4.3 Contoh Kasus TSP dengan 10 Kota yang Diselesaikan Secara Manual Berikut contoh kasus TSP dengan 10 kota yang diselesaikan dengan hybrid algoritma PSO-SA dengan menggunakan data yang bersumber dari workshop integer programming (2004) seperti pada Lampiran 1. Dari contoh TSP ini akan ditentukan sebuah jalur distribusi produk yang jarak tempuhnya minimal. Penyelesaian: Dalam menyelesaikan TSP tersebut, akan digunakan hybrid algoritma PSO-SA untuk mencari jalur yang jaraknya minimal. Parameter-parameter yang digunakan dalam menyelesaikan kasus ini adalah:
Berikut
adalah proses penyelesaian secara manual: Langkah 1: Generate Partikel-partikel Awal Proses generate ini dilakukan dengan membangkitkan partikelpartikel secara acak sejumlah ukuran swarm yaitu 10 dan dengan jumlah 10 kota, partikel ini adalah rute awal dari TSP. Partikel yang telah dibangkitkan adalah:
Skripsi
{
}
{
}
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
{
}
{
}
{
}
{
}
{
}
{
}
{
} {
32
}
Kemudian
setiap
partikel
tersebut
dimodifikasi
untuk
mendapatkan partikel baru pada lokal areanya dengan memilih dua daerah secara acak kemudian menukarnya. Contoh: :
1
0
4
7
8
6
3
5
2
9
Setelah dimodifikasi, kemudian menjadi :
1
0
2
7
8
6
3
5
4
9
Dengan cara yang sama maka didapatkan hasil modifikasi setiap partikel. Untuk
Skripsi
}, dimodifikasi menjadi
{
{
}
{
}
{
{
} }
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
{
Untuk
} }, dimodifikasi menjadi
{
}
{
}
{
}
{
}
{
}
Untuk
}, dimodifikasi menjadi
{
{
}
{
}
{
}
{
}
{
}
Untuk
}, dimodifikasi menjadi
{
{9,6,0,4,7,5,1,2,3,8}
{
}
{
}
{
}
{
}
Untuk
Skripsi
33
}, dimodifikasi menjadi
{
{
}
{
}
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
{
}
{
}
{
}
Untuk
}, dimodifikasi menjadi
{
{
}
{
}
{
}
{
}
{
}
Untuk
}, dimodifikasi menjadi
{
{
}
{
}
{
}
{
}
{
}
Untuk
}, dimodifikasi menjadi
{
{
}
{
}
{
}
{
}
{
}
Untuk
Skripsi
34
{
}, dimodifikasi menjadi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
35
{
}
{
}
{
}
{
}
{
}
Untuk
}, dimodifikasi menjadi
{
{
}
{
}
{
}
{
}
{
}
Langkah 2: Evaluasi Partikel-partikel Awal Mengevaluasi masing-masing partikel yang sudah dimodifikasi dengan menghitung jarak dari masing-masing partikel (rute), yang disimbolkan dengan
. Hasilnya disajikan dalam
Tabel 4.1. Tabel 4.1.Fungsi Tujuan Partikel-partikel
912 998 1116
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
36
906 1152 748 950 666 950 1130 1108 1240 1194 1154 1166 908 1082 868 996 952 1196 1398 1324 1072
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
37
1280 1196 1066 1324 862 1442 988 988 942 826 1072 1042 754 800 800 1042 836 1194 1286 1194
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
38
1194 1268 1240 1240 1110 1194
Langkah 3: Tetapkan
dan
Langkah selanjutnya adalah mencari
dan
sebelumnya akan dilakukan pencarian local best route
, tetapi terlebih
dahulu pada setiap lokal area partikel dengan menggunakan aturan SA. Misal
adalah modifikasi dari partikel awal
, jika
maka solusi baru dapat diterima. Jika tidak, maka dibangkitkan bilangan acak (
pada interval [
), jika
], kemudian hitung probabilitas
maka solusi baru tetap diterima. Kemudian
yang telah didapat oleh setiap partikel dari masing-masing lokal areanya akan digunakan sebagai
.
Untuk proses perhitungannya adalah sebagai berikut: Untuk
{
(
Skripsi
}, dimodifikasi menjadi
{
)
}
, maka {
}
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
(
,
)
karena
dibangkitkan
39
(
maka
)
dan hitung
(
. Dan karena
)
maka rute baru
diterima, sehingga {
(
,
)
} karena
dibangkitkan
(
maka
)
dan hitung
(
. Dan karena
maka rute baru
)
ditolak, sehingga
{ (
}
, karena
)
(
{
, dibangkitkan
maka
)
} karena
(
maka
)
dan hitung . Dan karena
(
)
maka rute baru
ditolak, sehingga Jadi,
didapatkan
{
}
dengan
. Dan dengan cara yang sama maka akan
Skripsi
didapatkan
yang lainnya.
Jadi, semua
yang telah diperoleh adalah:
{
} dengan
{
} dengan
{
} dengan
{
} dengan
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
{
} dengan
{
} dengan
{
} dengan
{
} dengan
{
} dengan
40
} dengan
{ Setelah mendapat nilai akan ditetapkan
dari setiap partikel, kemudian
, yaitu: {
Sehingga didapatkan
} dengan
{
Langkah 4: Update Partikel-partikel Langkah ini adalah menyilangkan partikel dan
dengan
secara terpisah untuk memperbarui dirinya, yaitu sebagai
berikut: Untuk
, karena sebelumnya telah didapatkan: {
} {
}
{
}
Maka dipilih daerah persilangan, :
1 :
Skripsi
0
4
7
1
0
4
8 9
6 8
3 6
5 3
2 5
9 2
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
7
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
:
1
0
4
5
3
7
41
9
8
6
2
Kemudian masing-masing partikel diatas disilangkan secara terpisah dengan menggantikan kode-kode kota (rutekota) tersebut sesuai dengan tempat yang bersesuaian,
:
1 :
0
4
7
8
6
3
1
0
4
9
8
6
7
8
6
3
5
2
3
5
9 2
7
Jikadisilangkan: Daerah_1:
4
9 7 Daerah_2:
4
9
8
6
3
Daerah_hasil:
1
0
4
7
8
6
3
5
2
9
Daerah_hasil:
1
0
4
7
8
6
3
5
2
9
4
5
3
7
9
8
6
2
3
5
2
9
6
2
Sehingga menjadi:
:
1
0
Jika disilangkan: Daerah_1:
6
7 3, 8 5 Daerah_2:
6
3
5
2
1
0
4
9
Sehingga menjadi: Daerah_hasil:
Oleh karena itu, didapatkan rute baru
Skripsi
7
8
3 {
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
9
5
}
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
42
Dan dengan cara yang sama, maka didapatkan partikel-partikel yang berupa rute-rute baru untuk pada iterasi berikutnya. Jadi, partikel-partikel baru yang dihasilkan adalah sebagai berikut:
{
}
{
}
{
}
{
}
{
}
{
}
{
}
{
}
{
} {
}
Langkah 5: Hitung Temperatur Baru Selanjutnya adalah menghitung perubahan temperatur baru, yaitu: Karena ini adalah iterasi pertama, sehingga
.Dan dengan
, maka temperatur sekarang adalah:
Jika
belum terpenuhi, maka partikel-partikel baru yang
diperoleh akan kembali dievaluasi dan dicari
dan
nya.
Pada iterasi pertama ini, penyelesaian terbaiknya adalah 666 km dengan partikel {
Skripsi
}.
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
43
4.4 Implementasi Program pada Contoh Kasus TSP 4.4.1
Menggunakan Data 10 Kota Dengan menggunakan program pada Lampiran 3 untuk data
jarak 10 kota, dengan parameter: dan
diperoleh hasil partikel terbaik dengan kode
permutasi sebagai berikut: 4
0
1
Yaitu rute dari Jakarta Cikampek
2
3
Anyer
Lohbener
7
9
Serang
Pamanukan
8
6
Balaraja
5
Tangerang
Karawang
Bekasi
Jakarta, dengan jarak 582 km. Hasil selengkapnya dapat dilihat pada Lampiran 4. 4.4.2
Menggunakan Data 100 Kota Dengan menggunakan program pada Lampiran 2 untuk data
jarak 100 kota, maka diperoleh hasil terbaik dengan jarak minimal 6239 km. hasil terbaik diperoleh pada input parameter: dan
dengan
kode
permutasi sebagai berikut: 0 1 2 5 6 7 9 10 11 14 16 13 80 81 41 40 39 83 82 8 12 77 79 45 46 47 48 55 56 57 58 59 60 62 98 15 38 37 36 35 84 3 4 43 44 53 21 91 22 23 92 93 25 24 26 27 28 72 74 29 30 31 32 78 33 34 76 75 71 63 64 94 73 70 66 68 69 67 65 95 61 54 50 49 96 17 18 19 20 90 97 52 51 99 42 89 88 85 86 87. Selengkapnya dapat dilihat pada Lampiran 5.
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
4.5 Perbandingan
Hasil Perhitungan
44
dengan
Parameter
yang
Berbeda pada Hybrid Algoritma PSO-SA Pada perbandingan ini, data yang digunakan adalah data 100 kota padaLampiran 2. Berikut hasil perhitungan jarak kota yang didapatkan pada masing-masing permasalahan dengan parameter yang berbeda, yaitu berdasarkan ukuran swarm temperatur awal tertentu
,
, dan jumlah modifikasi partikel pada suhu
. Pada perbandingan ini digunakan
dan
. Hasil perbandingannya dapat dilihat pada Tabel 4.2. Tabel 4.2.Hasil Perbandingan Output TSP 100 Kota 100 Kota Parameter 8214
9533
8558
8006
8389
6876
7509
7921
6239
6864
8371
7432
7916
7194
8729
6602
6856
7188
6812
8185
7660
6242
7857
7036
6301
7062
6499
Berdasarkan hasil perhitungan diatas menunjukkan bahwa semakin besar jumlah modifikasi partikel pada suhu tertentu maka jarak minimal kota yang didapatkan cenderung lebih baik.
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
BAB V PENUTUP 5.1 Kesimpulan Berdasarkan hasil dari pembahasan sebelumnya, maka dapat disimpulkan sebagai berikut: 1. Hybrid algoritma PSO-SA dapat diterapkan untuk menyelesaikan TSP. Proses yang digunakan adalah sebagai berikut: membangkitkan partikel-partikel, mengevaluasi partikel-parikel, mencari
dan
, memperbarui partikel-partikel dengan operasi crossing. Setelah proses berulang sampai tercapainya temperatur akhir, maka proses berhenti dan algoritma menemukan solusi akhir. 2. Program untuk menyelesaikan masalah TSP dengan menggunakan hybrid algoritma PSO-SA dibuat dengan bahasa pemrograman Borland C++. 3. Dengan program yang telah dibuat, TSP dengan 10 kota dan 100 kota dapat diselesaikan. Untuk 10 kota diperoleh solusi terbaik yaitu rute dengan urutan 4 0 1 2 3 7 9 8 6 5 dengan jarak tempuh582 km dan parameter yang digunakan adalah dan
Sedangkan untuk 100 kota diperoleh solusi terbaik
yaitu rute dengan urutan 0 1 2 5 6 7 9 10 11 14 16 13 80 81 41 40 39 83 82 8 12 77 79 45 46 47 48 55 56 57 58 59 60 62 98 15 38 37 36 35 84 3 4 43 44 53 21 91 22 23 92 93 25 24 26 27 28 72 74 29 30 31 32 78 33 34 76 75 71 63 64 94 73 70 66 68 69 67 65 95 61 54 50 49 96 45 Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
46
17 18 19 20 90 97 52 51 99 42 89 88 85 86 87 dengan jarak tempuh 6239 km dan parameter yang digunakan adalah dan 4. Berdasarkan hasil yang diperoleh dari beberapa perhitungan jarak 100 kota menunjukkan bahwa semakin besar jumlah modifikasi partikel pada suhu tertentu
maka jarak minimal kota yang didapatkan
cenderung lebih baik. 5.2 Saran Pada skripsi ini digunakan bahasa pemrograman Borland C++ dalam mencari rute kota dengan jarak minimal. Untuk penelitian berikutnya, penyusun berharap TSP ini akan dikembangkan dengan menggunakan jumlahkota yang lebih banyak dan akan ditemukan algoritma lain sehingga solusinya menjadi lebih optimal, serta diharapkan untuk penggunaan bahasa pemrograman lain sehingga pencapaian solusi terbaik dapat dihasilkan dengan lebih cepat.
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
DAFTAR PUSTAKA
1. Chartrand, G. And Oellermann, O. R., 1993, Applied and Algorithmic Graph Theory, McGraw-Hill, New york. 2. Chibante, R., 2010, Simulated Annelaing Theory and Applications, Sciyo, Croatia.
3. Fang, L., Chen, P. and Liu, S., 2007, Particle Swarm Optimization with
Simulated Annealing for TSP, Proceedings of the 6th WSEAS Int. Conf. on Artificial Intelligence, Knowledge Engineering and data Bases, pp. 206-210.
4. Garfinkel, R. S. And Nemhauser, G. L., 1972, Integer Programming, John Wiley and Sons inc, Canada. 5. Kadir, A., 2003, Pemrograman C++, Andi, Yogyakarta. 6. Parsopoulos, K. E., Vrahatis, M. N., 2010, Particle Swarm Optimization and Intelligence, Information Science Reference, New York. 7. Puspitorini, S., 2008, Penyelesaian Masalah Traveling Salesman Problem dengan Jaringan Saraf Self Organizing, Media Informatika,Vol6, hal.39-40. 8. Roos, K., 2004, Traveling Along 100 Cities in Java Indonesia, Workshop Integer Programming, IPB, Bogor.
47 Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
Lampiran 1-1
Data Jarak 10 Kota dari Workshop Integer Programming, 2004
dari ke
0 1 2 3 4 5 6 7 8 9
0 0 26 69 92 112 134 171 189 235 291
1 26 0 43 66 86 108 145 163 209 265
2 69 43 0 23 43 65 102 120 166 222
3 92 66 23 0 20 42 79 97 143 199
4 112 86 43 20 0 22 59 77 123 179
5 134 108 65 42 22 0 37 55 101 157
6 171 145 102 79 59 37 0 18 64 120
7 189 163 120 97 77 55 18 0 46 102
8 235 209 166 143 123 101 64 46 0 56
9 291 265 222 199 179 157 120 102 56 0
Keterangan : Kode 0 1 2 3 4 5 6 7 8 9
Skripsi
Kota Anyer Serang Balaraja Tangerang Jakarta Bekasi Karawang Cikampek Pamanukan Lohbener
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
Data Jarak 100 Kota dari Workshop Integer Programming, 2004 Jarak antara 100 kota di Pulau Jawa (km) dari ke
Skripsi
1 26 0 43 66 86 108 145 163 209 265 274 325 274 308 373 407 407 436 470 527 573 599 621 680 780
2 69 43 0 23 43 65 102 120 166 222 231 282 231 265 330 364 358 393 427 484 530 556 578 637 737
3 92 66 23 0 20 42 79 97 143 199 208 259 208 242 307 341 335 370 404 461 507 533 555 614 714
4 112 86 43 20 0 22 59 77 123 179 188 239 188 222 287 321 315 350 384 441 487 513 535 594 694
5 134 108 65 42 22 0 37 55 101 157 166 217 166 200 265 299 293 328 362 419 465 491 513 572 672
6 171 145 102 79 59 37 0 18 64 120 129 180 129 163 228 262 256 291 325 382 428 454 476 535 635
7 189 163 120 97 77 55 18 0 46 102 111 162 111 145 210 244 238 273 307 364 410 436 458 517 617
8 235 209 166 143 123 101 64 46 0 56 65 116 65 99 164 198 192 227 261 318 364 390 412 471 571
9 291 265 222 199 179 157 120 102 56 0 9 60 9 43 108 142 136 171 205 262 308 334 356 415 515
10 300 274 231 208 188 166 129 111 65 9 0 54 18 52 102 136 130 165 199 256 302 328 350 409 509
11 351 325 282 259 239 217 180 162 116 60 54 0 51 17 48 82 76 111 145 202 248 274 296 355 455
12 300 274 231 208 188 166 129 111 65 9 18 51 0 34 99 133 127 162 196 253 299 325 347 406 506
13 334 308 265 242 222 200 163 145 99 43 52 17 34 0 65 99 93 128 162 219 265 291 313 372 472
14 399 373 330 307 287 265 228 210 164 108 102 48 99 65 0 34 28 63 97 154 200 226 248 307 407
15 433 407 364 341 321 299 262 244 198 142 136 82 133 99 34 0 43 29 63 120 166 192 214 273 373
16 427 401 358 335 315 293 256 238 192 136 130 76 127 93 28 43 0 72 106 163 209 235 257 316 416
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
17 462 436 393 370 350 328 291 273 227 171 165 111 162 128 63 29 72 0 34 91 137 163 185 244 344
18 496 470 427 404 384 362 325 307 261 205 199 145 196 162 97 63 106 34 0 57 103 129 151 210 310
19 553 527 484 461 441 419 382 364 318 262 256 202 253 219 154 120 163 91 57 0 46 72 94 153 253
20 599 573 530 507 487 465 428 410 364 308 302 248 299 265 200 166 209 137 103 46 0 26 48 107 207
21 625 599 556 533 513 491 454 436 390 334 328 274 325 291 226 192 235 163 129 72 26 0 22 81 181
22 647 621 578 555 535 513 476 458 412 356 350 296 347 313 248 214 257 185 151 94 48 22 0 59 159
23 706 680 637 614 594 572 535 517 471 415 409 355 406 372 307 273 316 244 210 153 107 81 59 0 100
24 806 780 737 714 694 672 635 617 571 515 509 455 506 472 407 373 416 344 310 253 207 181 159 100 0
Fuaidah, Anisatul
Lampiran 2-1
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
0 0 26 69 92 112 134 171 189 235 291 300 351 300 334 399 433 427 462 496 553 599 625 647 706 806
ADLN Perpustakaan Universitas Airlangga
dari ke
Skripsi
0 831 859 886 902 934 963 994 1057 1096 1186 134 143 180 190 233 251 270 292 315 357 377 401 480 537 498
1 805 833 860 876 908 937 968 1031 1070 1160 108 117 154 164 207 225 244 266 289 331 351 375 454 511 472
2 3 4 5 762 739 719 697 790 767 747 725 817 794 774 752 833 810 790 768 865 842 822 80 894 871 851 829 925 902 882 860 988 965 945 923 1027 1004 984 962 1117 1094 1074 1052 65 42 50 72 74 51 59 81 111 88 96 118 121 98 106 128 164 141 143 121 182 159 161 139 201 178 180 158 223 200 202 180 246 223 225 203 288 265 267 245 308 285 287 265 332 309 311 289 411 388 368 346 468 445 425 403 429 406 386 364
6 660 688 715 731 763 792 823 886 925 1015 109 118 146 127 84 102 121 143 166 208 228 252 309 366 327
7 642 670 697 713 745 774 805 868 907 997 127 136 128 109 66 84 103 125 148 190 210 234 291 348 309
8 596 624 651 667 699 728 759 822 861 951 173 182 170 151 108 90 109 131 154 196 213 237 245 302 263
9 540 568 595 611 643 672 703 766 805 895 229 238 226 207 164 146 134 156 179 177 157 181 189 246 207
10 534 562 589 605 637 666 697 760 799 889 238 247 235 216 173 155 143 165 188 171 151 175 183 240 201
11 480 508 535 551 583 612 643 706 745 835 244 235 207 188 145 127 108 130 153 117 97 121 129 186 147
12 531 559 586 602 634 663 694 757 796 886 238 247 224 205 162 144 125 147 170 168 148 172 180 237 198
13 497 525 552 568 600 629 660 723 762 852 227 218 190 171 128 110 91 113 136 134 114 138 146 203 164
14 432 460 487 503 535 564 595 658 697 787 292 283 255 236 193 175 156 178 201 165 145 169 81 138 99
15 398 426 453 469 501 530 561 624 663 753 326 317 289 270 227 209 190 212 235 199 179 192 96 152 110
16 441 469 496 512 544 573 604 667 706 796 320 311 283 264 221 203 184 206 229 193 173 149 53 110 71
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
17 369 397 424 440 472 501 532 595 634 724 355 346 318 299 256 238 219 241 264 228 208 195 99 123 81
18 335 363 390 406 438 467 498 561 600 690 389 380 352 333 290 272 253 275 298 262 242 229 133 157 115
19 278 306 333 349 381 410 441 504 543 633 446 437 409 390 347 329 310 332 355 319 299 286 190 214 172
20 232 260 287 303 335 364 395 458 497 587 492 483 455 436 393 375 356 378 401 365 345 327 231 255 213
21 206 234 261 277 309 338 369 432 471 561 518 509 481 462 419 401 382 404 427 391 371 353 257 281 239
22 187 215 242 258 290 319 350 413 452 542 540 531 503 484 441 423 404 426 449 413 393 375 279 303 261
23 128 156 183 199 231 260 291 354 393 483 599 590 562 543 500 482 463 485 508 472 452 434 338 362 320
24 28 56 83 99 131 160 191 254 293 383 699 690 662 643 600 582 563 585 608 572 552 534 438 462 420
Fuaidah, Anisatul
Lampiran 2-2
25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49
ADLN Perpustakaan Universitas Airlangga
dari ke
Skripsi
0 535 565 596 609 556 602 615 662 687 684 695 733 739 800 788 799 852 861 882 891 889 921 979 919 986
1 509 539 570 583 530 576 589 636 661 658 669 707 713 774 762 773 826 835 856 865 863 895 953 893 960
2 466 496 527 540 487 533 546 593 618 615 626 664 670 731 719 730 783 792 813 822 820 852 910 850 917
3 443 473 504 517 464 510 523 570 595 592 603 641 647 708 696 707 760 769 790 799 797 829 887 827 894
4 423 453 484 497 444 490 503 550 575 572 583 621 627 688 676 687 740 749 770 779 777 809 867 807 874
5 401 431 462 475 422 468 481 528 553 550 561 599 605 666 654 665 718 727 748 757 755 787 845 785 852
6 364 394 425 438 385 431 444 491 516 513 524 562 568 629 617 628 681 690 711 720 718 750 808 748 815
7 346 376 407 420 367 413 426 473 498 495 506 544 550 611 599 610 663 672 693 702 700 732 790 730 797
8 300 330 361 374 321 367 380 427 452 449 460 498 504 565 553 564 617 626 647 656 654 686 744 684 751
9 244 274 305 318 265 311 324 371 396 393 404 442 448 509 497 508 561 570 591 600 598 630 688 628 695
10 238 268 299 312 259 305 318 365 390 387 398 436 442 503 491 502 555 564 585 594 592 624 682 622 689
11 184 214 245 258 205 251 264 311 336 333 344 382 388 449 437 448 501 510 531 540 538 570 628 568 635
12 235 265 296 309 256 302 315 362 387 384 395 433 439 500 488 499 552 561 582 591 589 621 679 619 686
13 201 231 262 275 222 268 281 328 353 350 361 399 405 466 454 465 518 527 548 557 555 587 645 585 652
14 136 166 197 210 157 203 216 263 288 285 296 334 340 401 389 400 453 462 483 492 490 522 580 520 587
15 147 135 166 176 168 214 227 229 254 251 262 300 306 367 355 366 419 428 449 458 456 488 546 486 553
16 108 138 169 211 129 175 188 240 265 289 300 338 344 405 393 404 457 466 487 496 494 526 584 524 596
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
17 118 106 137 147 139 185 198 200 225 222 233 271 277 338 326 337 390 399 420 429 427 459 517 457 524
18 152 140 155 113 173 211 218 166 191 188 199 237 243 304 292 303 356 365 386 395 393 425 483 423 490
19 209 129 98 56 200 154 161 109 134 131 142 180 186 247 235 246 299 308 329 338 336 368 426 366 433
20 234 146 115 73 213 167 154 102 109 85 96 134 140 201 189 200 253 262 283 292 290 322 380 320 387
21 260 172 141 99 239 193 180 128 135 111 103 141 147 208 178 207 260 269 290 299 297 329 379 316 361
22 282 194 163 121 261 215 202 150 157 133 125 163 169 208 172 229 260 291 290 321 297 351 360 297 342
23 341 253 222 180 320 274 261 209 193 169 158 196 162 149 113 178 201 240 231 262 238 292 301 238 283
24 429 353 322 280 408 362 349 297 272 248 237 275 193 180 144 209 205 271 235 266 168 259 201 138 183
Fuaidah, Anisatul
Lampiran 2-3
50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74
ADLN Perpustakaan Universitas Airlangga
dari ke
Skripsi
0 1035 1118 382 1088 367 327 292 238 208 110 47 65 50 107 177 632 665 725 759 797 823 519 621 671 315
1 1009 1092 356 1062 341 301 266 212 182 84 21 39 61 81 151 606 639 699 733 771 797 493 595 645 289
2 3 4 966 943 923 1049 1026 1006 313 290 270 1019 996 976 298 275 277 258 235 237 223 200 202 169 146 126 139 116 96 41 18 38 64 87 107 82 105 125 104 127 147 124 147 167 141 118 126 563 540 520 596 573 553 656 633 613 690 667 647 728 705 685 754 731 711 450 427 407 552 529 509 602 579 559 246 223 225
5 901 984 248 954 255 215 180 104 74 60 129 147 169 189 148 498 531 591 625 663 689 385 487 537 203
6 864 947 211 917 218 178 143 67 37 97 166 184 206 226 176 461 494 554 588 626 652 348 450 500 166
7 846 929 193 899 200 160 125 49 19 115 184 202 224 228 158 443 476 536 570 608 634 330 432 482 148
8 800 883 147 853 167 133 131 40 65 161 230 248 270 270 200 397 430 490 524 562 588 284 386 436 154
9 744 827 91 797 111 77 112 96 121 217 286 304 326 326 256 341 374 434 468 506 532 228 330 380 179
10 738 821 85 791 105 86 121 105 130 226 295 313 335 335 265 335 368 428 462 500 526 222 324 374 188
11 684 767 31 737 51 51 86 156 181 268 346 346 386 307 237 281 314 374 408 446 472 168 270 320 153
12 735 818 82 788 102 68 103 105 130 226 295 313 335 324 254 332 365 425 459 497 523 219 321 371 170
13 701 784 48 754 68 34 69 139 164 251 329 329 369 290 220 298 331 391 425 463 489 185 287 337 136
14 636 719 79 689 99 99 134 204 229 316 394 394 434 355 285 233 266 326 360 398 424 120 222 272 201
15 602 685 113 655 133 133 168 238 263 350 428 428 468 389 319 199 232 292 326 364 390 89 188 238 235
16 645 728 107 698 127 127 162 232 257 344 422 422 462 383 313 242 275 335 369 407 428 92 223 281 229
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
17 573 656 142 626 162 162 197 267 292 379 457 457 497 418 348 170 203 263 297 335 361 60 159 209 264
18 539 622 176 592 196 196 231 301 326 413 491 491 531 452 382 136 169 229 263 301 327 94 125 175 298
19 482 565 233 535 253 253 288 358 383 470 548 548 588 509 439 79 112 172 206 244 270 151 68 118 355
20 436 519 279 489 299 299 334 404 429 516 594 594 634 555 485 33 66 126 160 198 224 192 61 72 401
21 410 493 305 463 325 325 360 430 455 542 620 620 660 581 511 59 40 100 134 172 231 218 87 98 427
22 391 474 327 444 347 347 382 452 477 564 642 642 682 603 533 81 62 94 128 166 253 240 109 120 449
23 332 415 386 385 406 406 441 511 536 623 701 701 741 662 592 140 95 35 69 107 261 299 168 179 508
24 232 315 486 285 506 506 541 611 636 723 801 801 841 762 692 240 194 134 100 62 292 399 268 261 608
Fuaidah, Anisatul
Lampiran 2-4
75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99
ADLN Perpustakaan Universitas Airlangga
dari ke
Skripsi
25 831 805 762 739 719 697 660 642 596 540 534 480 531 497 432 398 441 369 335 278 232 206 187 128 28
26 859 833 790 767 747 725 688 670 624 568 562 508 559 525 460 426 469 397 363 306 260 234 215 156 56
27 886 860 817 794 774 752 715 697 651 595 589 535 586 552 487 453 496 424 390 333 287 261 242 183 83
28 902 876 833 810 790 768 731 713 667 611 605 551 602 568 503 469 512 440 406 349 303 277 258 199 99
29 934 908 865 842 822 800 763 745 699 643 637 583 634 600 535 501 544 472 438 381 335 309 290 231 131
30 963 937 894 871 851 829 792 774 728 672 666 612 663 629 564 530 573 501 467 410 364 338 319 260 160
31 994 968 925 902 882 860 823 805 759 703 697 643 694 660 595 561 604 532 498 441 395 369 350 291 191
32 1057 1031 988 965 945 923 886 868 822 766 760 706 757 723 658 624 667 595 561 504 458 432 413 354 254
33 1096 1070 1027 1004 984 962 925 907 861 805 799 745 796 762 697 663 706 634 600 543 497 471 452 393 293
34 1186 1160 1117 1094 1074 1052 1015 997 951 895 889 835 886 852 787 753 796 724 690 633 587 561 542 483 383
35 134 108 65 42 50 72 109 127 173 229 238 244 238 227 292 326 320 355 389 446 492 518 540 599 699
36 143 117 74 51 59 81 118 136 182 238 247 235 247 218 283 317 311 346 380 437 483 509 531 590 690
37 180 154 111 88 96 118 146 128 170 226 235 207 224 190 255 289 283 318 352 409 455 481 503 562 662
38 190 164 121 98 106 128 127 109 151 207 216 188 205 171 236 270 264 299 333 390 436 462 484 543 643
39 233 207 164 141 143 121 84 66 108 164 173 145 162 128 193 227 221 256 290 347 393 419 441 500 600
40 251 225 182 159 161 139 102 84 90 146 155 127 144 110 175 209 203 238 272 329 375 401 423 482 582
41 270 244 201 178 180 158 121 103 109 134 143 108 125 91 156 190 184 219 253 310 356 382 404 463 563
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
42 292 266 223 200 202 180 143 125 131 156 165 130 147 113 178 212 206 241 275 332 378 404 426 485 585
43 315 289 246 223 225 203 166 148 154 179 188 153 170 136 201 235 229 264 298 355 401 427 449 508 608
44 357 331 288 265 267 245 208 190 196 177 171 117 168 134 165 199 193 228 262 319 365 391 413 472 572
45 377 351 308 285 287 265 228 210 213 157 151 97 148 114 145 179 173 208 242 299 345 371 393 452 552
46 401 375 332 309 311 289 252 234 237 181 175 121 172 138 169 192 149 195 229 286 327 353 375 434 534
47 480 454 411 388 368 346 309 291 245 189 183 129 180 146 81 96 53 99 133 190 231 257 279 338 438
48 537 511 468 445 425 403 366 348 302 246 240 186 237 203 138 152 110 123 157 214 255 281 303 362 462
49 498 472 429 406 386 364 327 309 263 207 201 147 198 164 99 110 71 81 115 172 213 239 261 320 420
Fuaidah, Anisatul
Lampiran 2-5
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
ADLN Perpustakaan Universitas Airlangga
dari ke
Skripsi
25 0 28 55 71 103 132 163 226 265 355 724 715 687 668 625 607 588 610 633 596 576 552 456 480 438
26 28 0 27 43 75 104 135 198 237 327 752 743 715 696 653 635 616 638 661 624 604 580 484 508 466
27 55 27 0 16 48 77 108 171 210 300 779 770 742 723 680 662 643 665 688 651 631 607 511 535 493
28 71 43 16 0 32 61 92 155 194 284 795 786 758 739 696 678 659 681 704 650 630 606 510 534 492
29 103 75 48 32 0 29 60 123 162 252 827 818 790 771 728 710 691 713 710 653 633 609 513 537 495
30 132 104 77 61 29 0 31 94 133 223 856 847 819 800 757 739 720 742 739 682 662 638 542 566 524
31 163 135 108 92 60 31 0 63 102 192 887 878 850 831 788 770 751 773 770 713 693 669 573 597 555
32 226 198 171 155 123 94 63 0 39 129 950 941 913 894 851 833 814 836 833 776 756 732 636 660 618
33 265 237 210 194 162 133 102 39 0 90 989 980 952 933 890 872 853 875 872 815 795 771 675 699 657
34 355 327 300 284 252 223 192 129 90 0 1079 1070 1042 1023 980 962 943 965 962 905 885 861 765 789 747
35 36 37 38 39 40 41 42 43 44 724 715 687 668 625 607 588 610 633 596 752 743 715 696 653 635 616 638 661 624 779 770 742 723 680 662 643 665 688 651 795 786 758 739 696 678 659 681 704 650 827 818 790 771 728 710 691 713 710 653 856 847 819 800 757 739 720 742 739 682 887 878 850 831 788 770 751 773 770 713 950 941 913 894 851 833 814 836 833 776 989 980 952 933 890 872 853 875 872 815 1079 1070 1042 1023 980 962 943 965 962 905 0 9 46 56 99 117 136 158 181 223 9 0 37 47 90 108 127 149 172 214 46 37 0 19 62 80 99 121 144 186 56 47 19 0 43 61 80 102 125 167 99 90 62 43 0 18 37 59 82 124 117 108 80 61 18 0 19 41 64 106 136 127 99 80 37 19 0 22 45 87 158 149 121 102 59 41 22 0 23 65 181 172 144 125 82 64 45 23 0 57 223 214 186 167 124 106 87 65 57 0 243 234 206 187 144 126 107 85 77 20 267 258 230 211 168 150 131 109 101 44 363 354 326 307 264 246 227 205 197 140 420 411 383 364 321 303 284 262 254 197 381 372 344 325 282 264 245 223 215 158
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
45 576 604 631 630 633 662 693 756 795 885 243 234 206 187 144 126 107 85 77 20 0 24 120 177 138
46 552 580 607 606 609 638 669 732 771 861 267 258 230 211 168 150 131 109 101 44 24 0 96 153 114
47 456 484 511 510 513 542 573 636 675 765 363 354 326 307 264 246 227 205 197 140 120 96 0 57 18
48 480 508 535 534 537 566 597 660 699 789 420 411 383 364 321 303 284 262 254 197 177 153 57 0 42
49 438 466 493 492 495 524 555 618 657 747 381 372 344 325 282 264 245 223 215 158 138 114 18 42 0
Fuaidah, Anisatul
Lampiran 2-6
25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49
ADLN Perpustakaan Universitas Airlangga
dari ke
Skripsi
26 429 406 375 333 408 362 349 297 272 248 237 275 193 180 144 209 149 240 179 210 112 203 145 82 127
27 456 433 402 360 435 689 376 324 299 275 264 269 220 174 171 203 122 213 152 183 85 176 118 55 100
28 455 439 408 366 434 388 375 323 298 274 263 253 236 158 187 187 106 197 136 167 69 160 102 39 84
29 458 442 411 369 437 391 378 326 301 277 266 256 246 161 197 190 109 188 139 158 72 128 70 42 52
30 487 471 440 398 466 420 407 355 330 306 295 285 275 190 226 219 138 217 168 187 101 157 99 71 81
31 518 502 471 429 497 451 438 386 361 337 326 316 306 221 257 250 169 248 199 218 132 188 130 102 112
32 581 565 534 492 560 514 501 449 424 400 389 379 369 284 320 313 232 311 262 281 195 251 193 165 175
33 620 604 573 531 599 553 540 488 463 439 428 418 408 323 359 352 271 350 301 320 234 290 232 204 214
34 710 694 663 621 689 643 630 578 553 529 518 508 498 413 449 442 361 403 391 373 324 343 285 294 303
35 418 448 479 502 439 485 498 550 575 577 588 626 632 693 681 692 745 754 775 784 782 814 872 812 879
36 409 439 470 493 430 476 489 541 566 568 579 617 623 684 672 683 736 745 766 775 773 805 863 803 870
37 381 411 442 465 402 448 461 513 538 540 551 589 595 656 644 655 708 717 738 747 745 777 835 775 842
38 362 392 423 446 383 429 442 494 519 521 532 570 576 637 625 636 689 698 719 728 726 758 816 756 823
39 319 349 380 403 340 386 399 451 476 478 489 527 533 594 582 593 646 655 676 685 683 715 773 713 780
40 301 331 362 385 322 368 381 433 458 460 471 509 515 576 564 575 628 637 658 667 665 697 755 695 762
41 282 312 343 366 303 349 362 414 439 441 452 490 496 557 545 556 609 618 639 648 646 678 736 676 754
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
42 260 290 321 363 281 327 340 392 417 441 452 490 496 557 545 556 609 618 639 648 646 678 736 676 754
43 252 282 313 355 273 319 332 384 409 433 444 482 488 549 537 548 601 610 631 640 638 670 728 668 746
44 195 225 256 298 216 262 275 327 352 376 387 425 431 492 480 491 544 553 574 583 581 613 671 611 689
45 175 205 236 278 196 242 255 307 332 356 367 405 411 472 460 471 524 533 554 563 561 593 651 591 669
46 151 181 212 254 172 218 231 283 308 332 343 381 387 448 436 447 500 509 530 539 537 569 627 567 645
47 55 85 116 158 76 122 135 187 212 236 247 285 291 352 340 351 404 413 434 443 441 473 531 471 549
48 79 109 140 182 100 146 159 211 236 260 271 309 315 376 364 375 428 437 458 467 465 497 555 495 573
49 37 67 98 140 58 104 117 169 194 218 229 267 273 334 322 333 386 395 416 425 423 455 513 453 531
Fuaidah, Anisatul
Lampiran 2-7
50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74
25 401 378 347 305 380 334 321 269 244 220 209 247 165 152 116 181 177 243 207 238 140 231 173 110 155
ADLN Perpustakaan Universitas Airlangga
dari ke
Skripsi
25 204 287 511 257 531 531 566 636 661 748 826 826 866 787 717 265 166 106 72 34 264 424 293 233 633
26 176 259 539 229 559 559 594 664 689 776 854 854 894 815 745 293 194 134 100 62 292 452 321 261 661
27 149 232 266 202 586 586 621 691 716 803 881 881 921 842 772 320 221 161 127 89 286 479 348 288 688
28 133 216 582 186 602 602 637 707 732 819 897 897 937 858 788 326 237 177 143 105 270 485 354 287 692
29 101 184 614 154 634 634 669 739 764 851 929 929 969 890 820 329 269 209 175 137 273 488 357 290 695
30 31 32 33 72 41 104 143 155 124 63 102 643 674 737 776 125 94 31 70 663 694 757 796 663 694 757 796 698 729 792 831 768 799 862 901 793 824 887 926 880 911 974 1013 958 989 1052 1091 958 989 1052 1091 998 1029 1092 1131 919 950 1013 1052 849 880 943 982 358 389 452 491 298 329 392 431 238 269 332 371 204 235 298 337 166 197 260 299 302 333 396 435 517 548 611 650 386 417 480 519 319 350 413 452 724 755 818 857
34 190 107 866 139 886 886 921 991 1016 1103 1181 1181 1221 1142 1072 581 521 461 427 389 523 740 609 542 947
35 36 928 919 1011 1002 253 244 981 972 233 224 193 184 158 149 167 158 146 137 24 33 120 129 102 111 160 169 146 137 76 67 525 516 558 549 618 609 652 643 690 681 716 707 402 393 514 505 564 555 181 172
37 891 974 216 944 196 156 121 130 109 70 160 148 200 100 30 488 521 581 615 653 679 365 477 527 144
38 872 955 197 925 177 137 102 111 90 80 176 158 216 119 49 469 502 562 596 634 660 346 458 508 125
39 829 912 154 882 134 94 59 68 47 123 219 201 259 162 92 426 459 519 553 591 617 303 415 465 82
40 811 894 136 864 116 76 41 50 65 141 237 219 277 180 110 408 441 501 535 573 599 285 397 447 64
41 792 875 117 845 97 57 22 69 84 160 256 238 296 199 129 389 422 482 516 554 580 266 378 428 45
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
42 814 897 139 867 119 79 44 91 106 182 278 260 318 221 151 403 444 504 538 576 580 244 375 442 23
43 811 894 143 864 123 102 67 114 129 205 301 283 341 544 174 695 467 527 561 599 572 236 367 434 46
44 754 837 86 807 66 106 109 156 171 247 343 325 383 286 216 338 431 491 524 562 515 179 310 377 42
45 734 817 66 787 46 86 121 176 191 267 363 345 403 306 236 318 411 471 504 542 495 159 290 357 62
46 710 793 90 763 70 110 145 200 215 291 387 369 427 330 260 294 393 453 480 518 471 135 266 333 86
47 614 697 160 667 166 180 215 285 310 387 475 465 515 426 356 198 297 357 384 422 375 39 170 237 182
48 638 721 217 691 223 237 272 342 367 444 532 522 572 483 413 222 321 381 408 446 399 63 194 261 239
49 596 679 178 649 184 198 233 303 328 405 493 483 533 444 374 180 279 339 366 404 357 21 152 219 200
Fuaidah, Anisatul
Lampiran 2-8
75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99
ADLN Perpustakaan Universitas Airlangga
dari ke
Skripsi
50 535 509 466 443 423 401 364 346 300 244 238 184 235 201 136 147 108 118 152 209 234 260 282 341 429
51 565 539 496 473 453 431 394 376 330 274 268 214 265 231 166 135 138 106 140 129 146 172 194 253 353
52 596 570 527 504 484 462 425 407 361 305 299 245 296 262 197 166 169 137 155 98 115 141 163 222 322
53 609 583 540 517 497 475 438 420 374 318 312 258 309 275 210 176 211 147 113 56 73 99 121 180 280
54 556 530 487 464 444 422 385 367 321 265 259 205 256 222 157 168 129 139 173 200 213 239 261 320 408
55 602 576 533 510 490 468 431 413 367 311 305 251 302 268 203 214 175 185 211 154 167 193 215 274 362
56 615 589 546 523 503 481 444 426 380 324 318 264 315 281 216 227 188 198 218 161 154 180 202 261 349
57 662 636 593 570 550 528 491 473 427 371 365 311 362 328 263 229 240 200 166 109 102 128 150 209 297
58 687 661 618 595 575 553 516 498 452 396 390 336 387 353 288 254 265 225 191 134 109 135 157 193 272
59 684 658 615 592 572 550 513 495 449 393 387 333 384 350 285 251 289 222 188 131 85 111 133 169 248
60 695 669 626 603 583 561 524 506 460 404 398 344 395 361 296 262 300 233 199 142 96 103 125 158 237
61 733 707 664 641 621 599 562 544 498 442 436 382 433 399 334 300 338 271 237 180 134 141 163 196 275
62 739 713 670 647 627 605 568 550 504 448 442 388 439 405 340 306 344 277 243 186 140 147 169 162 193
63 800 774 731 708 688 666 629 611 565 509 503 449 500 466 401 367 405 338 304 247 201 208 208 149 180
64 788 762 719 696 676 654 617 599 553 497 491 437 488 454 389 355 393 326 292 235 189 178 172 113 144
65 799 773 730 707 687 665 628 610 564 508 502 448 499 465 400 366 404 337 303 246 200 207 229 178 209
66 852 826 783 760 740 718 681 663 617 561 555 501 552 518 453 419 457 390 356 299 253 260 260 201 205
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
67 861 835 792 769 749 727 690 672 626 570 564 510 561 527 462 428 466 399 365 308 262 269 291 240 271
68 882 856 813 790 770 748 711 693 647 591 585 531 582 548 483 449 487 420 386 329 283 290 290 231 235
69 891 865 822 799 779 757 720 702 656 600 594 540 591 557 492 458 496 429 395 338 292 299 321 262 266
70 889 863 820 797 777 755 718 700 654 598 592 538 589 555 490 456 494 427 393 336 290 297 297 238 168
71 921 895 852 829 809 787 750 732 686 630 624 570 621 587 522 488 526 459 425 368 322 329 351 292 259
72 979 953 910 887 867 845 808 790 744 688 682 628 679 645 580 546 584 517 483 426 380 379 360 301 201
73 919 893 850 827 807 785 748 730 684 628 622 568 619 585 520 486 524 457 423 366 320 316 297 238 138
74 986 960 917 894 874 852 815 797 751 695 689 635 686 652 587 553 596 524 490 433 387 361 342 283 183
Fuaidah, Anisatul
Lampiran 2-9
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
ADLN Perpustakaan Universitas Airlangga
dari ke
Skripsi
50 401 429 456 455 458 487 518 581 620 710 418 409 381 362 319 301 282 260 252 195 175 151 55 79 37
51 378 406 433 439 442 471 502 565 604 694 448 439 411 392 349 331 312 290 282 225 205 181 85 109 67
52 347 375 402 408 411 440 471 534 573 663 479 470 442 423 380 362 343 321 313 256 236 212 116 140 98
53 305 333 360 366 369 398 429 492 531 621 502 493 465 446 403 385 366 363 355 298 278 254 158 182 140
54 380 408 435 434 437 466 497 560 599 689 439 430 402 383 340 322 303 281 273 216 196 172 76 100 58
55 334 362 389 388 391 420 451 514 553 643 485 476 448 429 386 368 349 327 319 262 242 218 122 146 104
56 321 349 376 375 378 407 438 501 540 630 498 489 461 442 399 381 362 340 332 275 255 231 135 159 117
57 269 297 324 323 326 355 386 449 488 578 550 541 513 494 451 433 414 392 384 327 307 283 187 211 169
58 244 272 299 298 301 330 361 424 463 553 575 566 538 519 476 458 439 417 409 352 332 308 212 236 194
59 220 248 275 274 277 306 337 400 439 529 577 568 540 521 478 460 441 441 433 376 356 332 236 260 218
60 209 237 264 263 266 295 326 389 428 518 588 579 551 532 489 471 452 452 444 387 367 343 247 271 229
61 247 275 269 253 256 285 316 379 418 508 626 617 589 570 527 509 490 490 482 425 405 381 285 309 267
62 165 193 220 236 246 275 306 369 408 498 632 623 595 576 533 515 496 496 488 431 411 387 291 315 273
63 152 180 174 158 161 190 221 284 323 413 693 684 656 637 594 576 557 557 549 492 472 448 352 376 334
64 116 144 171 187 197 226 257 320 359 449 681 672 644 625 582 564 545 545 537 480 460 436 340 364 322
65 181 209 203 187 190 219 250 313 352 442 692 683 655 636 593 575 556 556 548 491 471 447 351 375 333
66 177 149 122 106 109 138 169 232 271 361 745 736 708 689 646 628 609 609 601 544 524 500 404 428 386
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
67 243 240 213 197 188 217 248 311 350 403 754 745 717 698 655 637 618 618 610 553 533 509 413 437 395
68 207 179 152 136 139 168 199 262 301 391 775 766 738 719 676 658 639 639 631 574 554 530 434 458 416
69 238 210 183 167 158 187 218 281 320 373 784 775 747 728 685 667 648 648 640 583 563 539 443 467 425
70 140 112 85 69 72 101 132 195 234 324 782 773 745 726 683 665 646 646 638 581 561 537 441 465 423
71 231 203 176 160 128 157 188 251 290 343 814 805 777 758 715 697 678 678 670 613 593 569 473 497 455
72 173 145 118 102 70 99 130 193 232 285 872 863 835 816 773 755 736 736 728 671 651 627 531 555 513
73 110 82 55 39 42 71 102 165 204 294 812 803 775 756 713 695 676 676 668 611 591 567 471 495 453
74 155 127 100 84 52 81 112 175 214 303 879 870 842 823 780 762 743 754 746 689 669 645 549 573 531
Fuaidah, Anisatul
Lampiran 2-10
25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49
ADLN Perpustakaan Universitas Airlangga
dari ke
Skripsi
50 0 104 123 165 21 67 80 132 157 181 192 230 236 297 285 296 349 358 379 388 386 418 476 416 494
51 104 0 31 73 125 87 100 126 151 165 176 214 220 281 269 281 333 342 363 372 370 402 460 400 478
52 123 31 0 42 102 56 69 95 120 134 145 183 189 250 238 249 302 311 332 341 339 371 429 369 447
53 165 73 42 0 144 98 105 53 78 92 103 141 147 208 196 207 260 269 290 299 297 329 387 327 405
54 21 125 102 144 0 46 59 111 136 160 171 209 215 276 264 275 328 337 358 367 365 397 455 395 473
55 67 87 56 98 46 0 13 65 90 114 125 163 169 230 218 229 282 291 312 321 319 351 409 349 427
56 80 100 69 105 59 13 0 52 77 101 112 150 156 217 205 216 269 278 299 308 306 338 396 336 414
57 132 126 95 53 111 65 52 0 25 49 60 98 104 165 153 164 217 226 247 256 254 286 344 284 362
58 157 151 120 78 136 90 77 25 0 24 35 73 79 140 128 139 192 201 222 231 229 261 319 259 337
59 181 165 134 92 160 114 101 49 24 0 11 49 55 116 104 115 168 177 198 207 205 237 295 235 313
60 192 176 145 103 171 125 112 60 35 11 0 38 44 105 93 104 157 166 187 196 194 226 284 224 302
61 230 214 183 141 209 163 150 98 73 49 38 0 82 95 131 66 147 128 177 158 184 188 246 214 264
62 236 220 189 147 215 169 156 104 79 55 44 82 0 85 49 114 137 176 167 198 174 228 286 204 298
63 297 281 250 208 276 230 217 165 140 116 105 95 85 0 36 29 52 91 82 113 89 143 201 119 213
64 285 269 238 196 264 218 205 153 128 104 93 131 49 36 0 65 88 127 118 149 125 179 237 155 249
65 296 280 249 207 275 229 216 164 139 115 104 66 114 29 65 0 81 62 111 92 118 122 180 148 198
66 349 333 302 260 328 282 269 217 192 168 157 147 137 52 88 81 0 91 30 61 37 91 149 67 161
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
67 358 342 311 269 337 291 278 226 201 177 166 128 176 91 127 62 91 0 61 30 128 60 118 158 136
68 379 363 332 290 358 312 299 247 222 198 187 177 167 82 118 111 30 61 0 31 67 61 119 97 137
69 388 372 341 299 367 321 308 256 231 207 196 158 198 113 149 92 61 30 31 0 98 30 88 128 106
70 386 370 339 297 365 319 306 254 229 205 194 184 174 89 125 118 37 128 67 98 0 128 142 30 124
71 418 402 371 329 397 351 338 286 261 237 226 188 228 143 179 122 91 60 61 30 128 0 58 158 76
72 476 460 429 387 455 409 396 344 319 295 284 246 286 201 237 180 149 118 119 88 142 58 0 112 18
73 416 400 369 327 395 349 336 284 259 235 224 214 204 119 155 148 67 158 97 128 30 158 112 0 94
74 494 478 447 405 473 427 414 362 337 313 302 264 298 213 249 198 161 136 137 106 124 76 18 94 0
Fuaidah, Anisatul
Lampiran 2-11
50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74
ADLN Perpustakaan Universitas Airlangga
dari ke
Skripsi
50 559 642 215 612 221 235 270 340 365 442 530 520 570 481 411 201 255 315 329 367 320 58 173 194 237
51 543 626 245 596 251 265 300 370 395 472 560 550 600 511 441 113 212 272 306 344 304 46 85 152 267
52 512 595 276 565 282 296 331 401 426 503 591 581 631 542 472 82 181 241 275 313 273 77 54 121 298
53 470 553 289 523 309 309 344 414 439 526 604 604 644 565 495 40 139 199 233 271 231 119 12 79 340
54 538 621 236 591 242 256 291 361 386 463 551 541 591 502 432 180 234 294 308 346 299 79 152 173 258
55 492 575 282 545 288 302 337 407 432 509 597 587 637 548 478 134 188 248 262 300 253 125 106 127 304
56 479 562 295 532 301 315 350 420 445 522 610 600 650 561 491 121 175 235 249 287 240 138 93 114 317
57 427 510 342 480 353 362 397 467 492 574 657 652 697 613 543 69 123 183 197 235 188 172 41 62 369
58 402 485 367 455 378 387 422 492 517 599 682 677 722 638 568 76 98 158 172 210 163 197 66 37 394
59 378 461 364 431 384 384 419 489 514 601 679 679 719 640 570 52 74 134 148 186 139 211 80 13 418
60 367 450 375 420 395 395 430 500 525 612 690 690 730 651 581 63 63 123 137 175 128 222 91 24 429
61 341 424 413 410 433 433 468 538 563 650 728 728 768 689 619 101 101 161 175 213 90 260 129 62 467
62 347 430 419 400 439 439 474 544 569 656 734 734 774 695 625 107 107 127 93 131 172 266 135 68 473
63 262 345 480 315 500 500 535 605 630 717 795 795 835 756 686 168 168 114 80 118 112 327 196 129 534
64 298 381 468 351 488 488 523 593 618 705 783 783 823 744 674 156 138 78 44 82 148 315 184 117 522
65 275 358 479 344 499 499 534 604 629 716 794 794 834 755 685 167 167 143 109 147 83 326 195 128 533
66 210 293 532 263 552 552 587 657 682 769 847 847 887 808 738 220 220 166 132 170 164 379 248 181 586
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
67 213 296 541 328 561 561 596 666 691 778 856 856 896 817 747 229 229 205 171 209 120 388 257 190 595
68 214 297 562 293 582 582 617 687 712 799 877 877 917 838 768 250 250 196 162 200 181 409 278 211 616
69 183 266 571 298 591 591 626 696 721 808 886 886 926 847 777 259 259 227 193 231 150 418 287 220 625
70 173 256 569 226 589 589 624 694 719 806 884 884 924 845 775 257 257 203 169 174 201 416 285 218 623
71 153 236 601 268 621 621 656 726 751 838 916 916 956 877 807 289 289 257 223 261 180 448 317 250 655
72 95 178 659 210 679 679 714 784 809 896 974 974 1014 935 865 347 339 279 245 207 238 506 375 308 713
73 74 143 113 226 196 599 666 196 206 619 686 619 686 654 721 724 791 749 816 836 903 914 981 914 981 954 1021 875 942 805 872 287 365 276 321 216 261 182 227 144 189 231 256 446 524 315 393 248 326 653 731
Fuaidah, Anisatul
Lampiran 2-12
75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99
ADLN Perpustakaan Universitas Airlangga
dari ke
Skripsi
75 1035 1009 966 943 923 901 864 846 800 744 738 684 735 701 636 602 645 573 539 482 436 410 391 332 232
76 1118 1092 1049 1026 1006 984 947 929 883 827 821 767 818 784 719 685 728 656 622 565 519 493 474 415 315
77 382 356 313 290 270 248 211 193 147 91 85 31 82 48 79 113 107 142 176 233 279 305 327 386 486
78 1088 1062 1019 996 976 954 917 899 853 797 791 737 788 754 689 655 698 626 592 535 489 463 444 385 285
79 367 341 298 275 277 255 218 200 167 111 105 51 102 68 99 133 127 162 196 253 299 325 347 406 506
80 327 301 258 235 237 215 178 160 133 77 86 51 68 34 99 133 127 162 196 253 299 325 347 406 506
81 292 266 223 200 202 180 143 125 131 112 121 86 103 69 134 168 162 197 231 288 334 360 382 441 541
82 238 212 169 146 126 104 67 49 40 96 105 156 105 139 204 238 232 267 301 358 404 430 452 511 611
83 208 182 139 116 96 74 37 19 65 121 130 181 130 164 229 263 257 292 326 383 429 455 477 536 636
84 110 84 41 18 38 60 97 115 161 217 226 268 226 251 316 350 344 379 413 470 516 542 564 623 723
85 47 21 64 87 107 129 166 184 230 286 295 346 295 329 394 428 422 457 491 548 594 620 642 701 801
86 65 39 82 105 125 147 184 202 248 304 313 346 313 329 394 428 422 457 491 548 594 620 642 701 801
87 50 61 104 127 147 169 206 224 270 326 335 386 335 369 434 468 462 497 531 588 634 660 682 741 841
88 107 81 124 147 167 189 226 228 270 326 335 307 324 290 355 389 383 418 452 509 555 581 603 662 762
89 177 151 141 118 126 148 176 158 200 256 265 237 254 220 285 319 313 348 382 439 485 511 533 592 692
90 632 606 563 540 520 498 461 443 397 341 335 281 332 298 233 199 242 170 136 79 33 59 81 140 240
91 665 639 596 573 553 531 494 476 430 374 368 314 365 331 266 232 275 203 169 112 66 40 62 95 194
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
92 725 699 656 633 613 591 554 536 490 434 428 374 425 391 326 292 335 263 229 172 126 100 94 35 134
93 759 733 690 667 647 625 588 570 524 468 462 408 459 425 360 326 369 297 263 206 160 134 128 69 100
94 797 771 728 705 685 663 626 608 562 506 500 446 497 463 398 364 407 335 301 244 198 172 166 107 62
95 823 797 754 731 711 689 652 634 588 532 526 472 523 489 424 390 428 361 327 270 224 231 253 261 292
96 519 493 450 427 407 385 348 330 284 228 222 168 219 185 120 89 92 60 94 151 192 218 240 299 399
97 621 595 552 529 509 487 450 432 386 330 324 270 321 287 222 188 223 159 125 68 61 87 109 168 268
98 671 645 602 579 559 537 500 482 436 380 374 320 371 337 272 238 281 209 175 118 72 98 120 179 261
99 315 289 246 223 225 203 166 148 154 179 188 153 170 136 201 235 229 264 298 355 401 427 449 508 608
Fuaidah, Anisatul
Lampiran 2-13
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
ADLN Perpustakaan Universitas Airlangga
dari ke
Skripsi
75 204 176 149 133 101 72 41 104 143 190 928 919 891 872 829 811 792 814 811 754 734 710 614 638 596
76 287 259 232 216 184 155 124 63 102 107 1011 1002 974 955 912 894 875 897 894 837 817 793 697 721 679
77 511 539 566 582 614 643 674 737 776 866 253 244 216 197 154 136 117 139 143 86 66 90 160 217 178
78 257 229 202 186 154 125 94 31 70 139 981 972 944 925 882 864 845 867 864 807 787 763 667 691 649
79 531 559 586 602 634 663 694 757 796 886 233 224 196 177 134 116 97 119 123 66 46 70 166 223 184
80 531 559 586 602 634 663 694 757 796 886 193 184 156 137 94 76 57 79 102 106 86 110 180 237 198
81 566 594 621 637 669 698 729 792 831 921 158 149 121 102 59 41 22 44 67 109 121 145 215 272 233
82 83 84 636 661 748 664 689 776 691 716 803 707 732 819 739 764 851 768 793 880 799 824 911 862 887 974 901 926 1013 991 1016 1103 167 146 24 158 137 33 130 109 70 111 90 80 68 47 123 50 65 141 69 84 160 91 106 182 114 129 205 156 171 247 176 191 267 200 215 291 285 310 387 342 367 444 303 329 405
85 86 87 88 89 826 826 866 787 717 854 854 894 815 745 881 881 921 842 772 897 897 937 858 788 929 929 969 890 820 958 958 998 919 849 989 989 1029 950 880 1052 1052 1092 1013 943 1091 1091 1131 1052 982 1181 1181 1221 1142 1072 120 102 160 146 76 129 111 169 137 67 160 148 200 100 30 176 158 216 119 49 219 201 259 162 92 237 219 277 180 110 256 238 296 199 129 278 260 318 221 151 301 283 341 244 174 343 325 383 286 216 363 345 403 306 236 387 369 427 330 260 475 465 515 426 356 532 522 575 483 413 493 483 533 444 374
90 265 293 320 326 329 358 389 452 491 581 525 516 488 469 426 408 389 403 395 338 318 294 198 222 180
91 166 194 221 237 269 298 329 392 431 521 558 549 521 502 459 441 422 444 467 431 411 393 297 321 279
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
92 106 134 161 177 209 238 269 332 371 461 618 609 581 562 519 501 482 504 527 491 471 453 357 381 339
93 72 100 127 143 175 204 235 298 337 427 652 643 615 596 553 535 516 538 561 524 504 480 384 408 366
94 34 62 89 105 ':' 137 166 197 260 299 389 690 681 653 634 591 573 554 576 599 562 542 518 422 446 404
95 264 292 286 270 273 302 333 396 435 523 716 707 679 660 617 599 580 580 572 515 495 471 375 399 _357
96 424 452 479 485 488 317 548 611 650 740 402 393 365 346 303 285 266 244 236 179 159 135 39 63 21
97 293 321 348 354 357 386 417 480 519 609 514 505 477 458 415 397 378 375 367 310 290 266 170 194 152
98 233 261 288 287 290 319 350 413 452 542 564 555 527 508 465 447 428 442 434 377 357 333 237 261 219
99 633 661 688 692 695 724 755 818 857 947 181 172 144 125 82 64 45 23 46 42 62 86 182 239 200
Fuaidah, Anisatul
Lampiran 2-14
25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49
ADLN Perpustakaan Universitas Airlangga
dari ke
Skripsi
75 559 543 512 470 538 492 479 427 402 378 367 341 347 262 298 275 210 213 214 183 173 153 95 143 113
76 642 626 595 553 621 575 562 510 485 461 450 424 430 345 381 358 293 296 297 266 256 236 178 226 196
77 215 245 276 289 236 282 295 342 367 364 375 413 419 480 468 479 532 541 562 571 569 601 659 599 666
78 612 596 565 523 591 545 532 480 455 431 420 410 400 315 351 344 263 328 293 298 226 268 210 196 206
79 221 251 282 309 242 288 301 353 378 384 395 433 439 500 488 499 552 561 582 591 589 621 679 619 686
80 235 265 296 309 256 302 315 362 387 384 395 433 439 500 488 499 552 561 582 591 589 621 679 619 686
81 270 300 331 344 291 337 350 397 422 419 430 468 474 535 523 534 587 596 617 626 624 656 714 654 721
82 340 370 401 414 361 407 420 467 492 489 500 538 544 605 593 604 657 666 687 696 694 726 784 724 791
83 365 395 426 439 386 432 445 492 517 514 525 563 569 630 618 629 682 691 712 721 719 751 809 749 816
84 442 472 503 526 463 509 522 574 599 601 612 650 656 717 705 716 769 778 799 808 806 838 896 836 903
85 530 560 591 604 551 597 610 657 682 679 690 728 734 795 783 794 847 856 877 886 884 916 974 914 981
86 520 550 581 604 541 587 600 652 677 679 690 728 734 795 783 794 847 856 877 886 884 916 974 914 981
87 570 600 631 644 591 637 650 697 722 719 730 768 774 835 823 834 887 896 917 926 924 956 1014 954 1021
88 481 511 542 565 502 548 561 613 638 640 651 689 695 756 744 755 808 817 838 847 845 877 935 875 942
89 411 441 472 495 432 478 491 543 568 570 581 619 625 686 674 685 738 747 768 777 775 807 865 805 872
90 201 113 82 40 180 134 121 69 76 52 63 101 107 168 156 167 220 229 250 259 257 289 347 287 365
91 255 212 181 139 234 188 175 123 98 74 63 101 107 168 138 167 220 229 250 259 257 289 339 276 321
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
92 315 272 241 199 294 248 235 183 158 134 123 161 127 114 78 143 166 205 196 227 203 257 279 216 261
93 329 306 275 233 308 262 249 197 172 148 137 175 93 80 44 109 132 171 162 193 169 223 245 182 227
94 367 344 313 271 346 300 287 235 210 186 175 213 131 118 82 147 170 209 200 231 174 261 207 144 189
95 320 304 273 231 299 253 240 188 163 139 128 90 172 112 148 83 164 120 181 150 201 180 238 231 256
96 58 46 77 119 79 125 138 172 197 211 222 260 266 327 315 326 379 388 409 418 416 448 506 446 524
97 173 85 54 12 152 106 93 41 66 90 91 129 135 196 184 195 248 257 278 287 285 317 375 315 393
98 194 152 121 79 173 127 114 62 37 13 24 62 68 129 117 128 181 190 211 220 218 250 308 248 326
99 237 267 298 340 258 304 317 369 394 418 429 467 473 534 522 533 586 595 616 625 623 655 713 653 731
Fuaidah, Anisatul
Lampiran 2-15
50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74
ADLN Perpustakaan Universitas Airlangga
dari ke
Skripsi
75 0 83 715 115 735 735 770 840 865 952 1030 1030 1070 991 921 430 370 310 276 238 333 589 458 391 796
76 83 0 798 32 818 818 853 923 948 1035 1113 1113 1153 1074 1004 513 453 393 359 321 416 672 541 474 879
77 715 798 0 768 20 60 95 186 201 277 373 355 413 316 246 312 345 405 439 477 503 199 301 351 128
78 115 32 768 0 789 788 823 893 918 1005 1083 1083 1123 1044 974 483 423 363 329 291 427 642 511 444 849
79 735 818 20 788 0 40 75 166 181 257 353 335 393 296 226 332 365 425 459 497 523 205 321 371 108
80 735 818 60 788 40 0 35 126 141 217 313 295 353 256 186 332 365 425 459 497 523 219 321 371 102
81 770 853 95 823 75 35 0 91 106 182 278 260 318 221 151 367 400 460 494 532 558 254 356 406 67
82 840 923 186 893 166 126 91 0 30 164 233 251 273 230 160 437 470 530 564 602 628 324 426 476 114
83 84 85 86 87 88 89 90 91 92 93 94 95 96 865 952 1030 1030 1070 991 921 430 370 310 276 238 333 589 948 1035 1113 1113 1153 1074 1004 513 453 393 359 321 416 672 201 277 373 355 413 316 246 312 345 405 439 477 503 199 918 1005 1083 1083 1123 1044 974 483 423 363 329 291 427 642 181 257 353 335 393 296 226 332 365 425 459 497 523 205 141 217 313 295 353 256 186 332 365 425 459 497 523 219 106 182 278 260 318 221 151 367 400 460 494 532 558 254 30 164 233 251 273 230 160 437 470 530 564 602 628 324 0 134 203 221 243 209 139 462 495 555 589 627 653 349 134 0 105 123 145 165 100 549 582 642 676 714 740 426 203 105 0 18 40 60 130 627 660 720 754 792 818 514 221 123 18 0 58 78 148 627 660 720 754 792 818 504 243 145 40 59 0 100 170 667 700 760 794 832 858 554 209 165 60 78 100 0 70 588 621 681 715 753 779 465 139 100 130 148 170 70 0 518 551 611 645 683 709 395 462 549 627 627 667 588 518 0 99 159 193 231 191 159 495 582 660 660 700 621 551 99 0 60 94 132 191 258 555 642 720 720 760 681 611 159 60 0 34 72 226 318 589 676 754 754 794 715 645 193 94 34 0 38 192 352 627 714 792 792 832 753 683 231 132 72 38 0 230 390 653 740 818 818 858 779 709 191 191 226 192 230 0 350 349 426 514 504 554 465 395 159 258 318 352 390 350 0 451 538 616 616 656 577 507 28 127 187 221 259 219 131 501 588 666 666 706 627 557 39 87 147 161 199 152 198 129 205 301 283 341 244 174 380 467 527 561 599 557 221
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
97 458 541 301 511 321 321 356 426 451 538 616 616 656 577 507 28 127 187 221 259 219 131 0 67 352
98 391 474 351 444 371 371 406 476 501 588 666 666 706 627 557 39 87 147 161 199 152 198 67 0 419
99 796 879 128 849 108 102 67 114 129 205 301 283 341 244 174 380 467 527 561 599 557 221 352 419 0
Fuaidah, Anisatul
Lampiran 2-16
75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99
ADLN Perpustakaan Universitas Airlangga
Lampiran 2-17
Keterangan:
Kode 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33
Skripsi
Kota Anyer Serang Balaraja Tangerang Jakarta Bekasi Karawang Cikampek Pamanukan Lohbener Indramayu Cirebon Jatibarang Palimaya Losari Tegal Margasari Pemalang Pekalongan Weleri Semarang Demak Kudus Rembang Tuban Babat Lamongan Gresik Surabaya Gempol Pasuruan Probolinggo Besuki Situbondo
Kode 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83
Kota Gembong Banjarnegara Wonosobo Temanggung Kebumen Purworejo Purwodadi Yogyakarta Klaten Kartosuro Solo Wonogiri Sragen Magetan Ngawi Ponorogo Nganjuk Trenggalek Kediri Tulungagung Jombang Blitar Kepanjen Mojokerto Malang Lumajang Jember Kuningan Bondowoso Cikijing Dawuhan Sumedang Subang Purwakarta
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
Lampiran 2-18
34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49
Skripsi
Banyuwangi Bogor Ciawi Cibadak Cianjur Padalarang Bandung Cilenyi Nagreg Garut Tasikmalaya Ciamis Banjar Purwokerto Cilacap Banyumas
84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99
Parung Pandegelang Rangkasbitung Labuhan Malingping Pelabuhanratu Bawen Purwadadi Blora Cepu Bojonegoro Pacitan Purbalingga Pringsurat Boyolali Malangbong
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
Lampiran 3-1
Program Hybrid Algoritma PSO-SA dengan Software Borland C++ #include #include #include #include #include #include #include #include
<math.h> <stdlib.h> <stdio.h>
const int maks=120; int j,i,L,k1,k2,dum,a,l,kota,tkota,nn,m,temp,k,tes,jmldt,t,hem,q, u[maks],v[maks],x[maks],y[maks][maks],z[maks][maks][maks], zpbest[maks][maks],zgbest[maks][maks],z_gbest[maks][maks],h[maks][maks], w[maks][maks],array0[maks],array2[maks],array[maks], array00[maks],array22[maks]; float jarak[maks][maks],fitnes[maks][maks],lbest[maks][maks],pbest[maks],gbest, g_best,prob,r,alpha,T,T1; //================================================================ //=========================data 100 kota========================== void data100() { char data[]="JARAK100.txt"; float dtjrk[10000], number; jmldt=0; j=0; a=0; ofstream file_jarak; ifstream file_data; file_data.open(data); file_data>>number; file_jarak.open("output TSP dg PSO-SA.txt",ios::app); while (!file_data.eof()) { dtjrk[jmldt]=number; file_data>>number; jmldt++; } file_data.close(); cout<<"--------------------------------\n"; cout<<"DATA JARAK KOTA UNTUK TSP\n"; cout<<"--------------------------------\n\n"; nn=sqrt(jmldt); for(i=0;i<jmldt;i++) { jarak[a][j]=dtjrk[i]; j++; if(j%nn==0) { a++; j=0; } } for(i=0;i
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
Lampiran 3-2
{
for(j=0;j
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
Lampiran 3-3
{ cout<<endl; fitnes[l][0]=0; for (j=0;j "<r) { pbest[i]=lbest[i][l]; k=l; }else { pbest[i]=pbest[i]; } } } for(j=0;j
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
Lampiran 3-4
} if(t==1) { g_best=gbest; for(j=0;jv[i]) { dum=u[i]; u[i]=v[i]; v[i]=dum; } for(j=u[i];j<=v[i];j++) { y[i][j]=zpbest[i][j]; } } for(i=0;i<m;i++) { for(j=0;j
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
Lampiran 3-5
}else { array[i]=1000; } } } for(i=0;i<m;i++) { for(j=u[i];j<=v[i];j++) { if(y[i][j]==array2[i]) { y[i][j]=array0[i]; } } } //-------------------------------cross dengan gbest---------------------for(i=0;i<m;i++) { for(j=u[i];j<=v[i];j++) { y[i][j]=zgbest[1][j]; } } for(i=0;i<m;i++) { for(j=0;j
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
Lampiran 3-6
stream=fopen("output TSP dg PSO-SA.txt","w+"); cout<<"======================================================="<<endl; cout<<"SELAMAT DATANG"<<endl; cout<<"HYBRID ALGORITMA PSO DENGAN SA PADA TSP"<<endl; cout<<"ANISATUL FUAIDAH"<<endl; cout<<"(080810129)"<<endl; cout<<"======================================================"<<endl; fprintf(stream,"=============================================\n"); fprintf(stream,"SELAMAT DATANG\n"); fprintf(stream,"HYBRID ALGORITMA PSO DENGAN SA PADA TSP\n"); fprintf(stream,"ANISATUL FUAIDAH\n"); fprintf(stream,"(080810129)\n"); fprintf(stream,"=================================================\n"); hem=0; while(hem==0) { cout<<"masukkan jumlah kota yang diinginkan [1-100]: "; cin>>kota; if(kota<1 || kota >100) { cout<<"maaf jumlah kota yang dimasukkan tidak memenuhi"<<endl<<endl; hem=0; }else { data100(); fprintf(stream,"------------------------------\n"); fprintf(stream,"DATA JARAK KOTA UNTUK TSP\n"); fprintf(stream,"------------------------------\n"); for(int i=0;i>m; if(m<=0) { cout<<"maaf jumlah ukuran swarm yang dimasukkan tidak memenuhi"<<endl<<endl; hem=2; }else { hem=3; } } cout<<endl; hem=4; while(hem==4) { cout<<"masukkan suhu awal yang diinginkan : ";cin>>T; if(T<=0) { cout<<"maaf suhu awal yang dimasukkan tidak memenuhi"<<endl<<endl; hem=4; }else { hem=5; } } cout<<endl;
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
Lampiran 3-7
hem=6; while(hem==6) { cout<<"masukkan suhu akhir yang diinginkan :";cin>>T1; if(T1<0 || T1>=T) { cout<<"maaf suhu akhir yang dimasukkan tidak memenuhi"<<endl<<endl; hem=6; }else { hem=7; } } cout<<endl; hem=8; while(hem==8) { cout<<"masukkan koefisien cooling [0-1] : ";cin>>alpha; if(alpha<0 || alpha>1) { cout<<"maaf koefisien cooling dimasukkan tidak memenuhi"<<endl<<endl; hem=8; }else { hem=9; } } cout<<endl; hem=10; while(hem==10) { cout<<"jumlah modifikasi partikel yang diinginkan : ";cin>>L; if(L<0) { cout<<"maaf jumlah modifikasi partikel yang dimasukkan tidak memenuhi"<<endl<<endl; hem=10; }else { hem=11; } } fprintf(stream,"\nPARAMETER YG DIGUNAKAN:\n"); fprintf(stream,"Jumlah ukuran swarm= %d",m); fprintf(stream,"\nTemperatur awal=%f\n>>Temperatur akhir=%f\n",T,T1); fprintf(stream,"Koefisien cooling=%f\n",alpha); fprintf(stream,"Jumlah modifikasi partikel= %d\n",L); //--------------------------tampilan generate---------------------------generate(); cout<<"\n\npartikel-partikel awal yang dihasilkan:"<<endl<<endl; fprintf(stream,"\nPartikel-partikel awal yang dihasilkan adalah:"); for(i=0;i<m;i++) { cout<<"C["<<(i+1)<<"] = "; fprintf(stream,"\nC[%d] =",(i+1)); for(j=0;jT1){ modifikasi(); cout<<"\n\npartikel-partikel yang sudah dimodifikasi:"<<endl<<endl;
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
Lampiran 3-8
fprintf(stream,"\n\nPartikel-partikel yang sudah dimodifikasi:"); for(i=0;i<m;i++) { for(l=0;l %f",(i+1),(l+1),lbest[i][l]); }fprintf(stream,"\n----------------------------\n"); } getch(); //--------------------------tampilan pbest dan gbest--------------------pbest_gbest(); cout<<endl; fprintf(stream,"\n"); for(i=0;i<m;i++) { cout<<"pbest ["<<(i+1)<<"] ==> "; fprintf(stream,"\nPbest[%d] ==>:",(i+1)); for(j=0;j "; fprintf(stream,"gbest ==>"); for(j=0;j
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
Lampiran 3-9
cout<<" "<
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
Lampiran 4-1
Output TSP 10 kota PARAMETER YG DIGUNAKAN: >>Jumlah ukuran swarm= 20 >>Temperatur awal= 100.000000 >>Temperatur akhir= 0.000000 >>Koefisien cooling= 0.990000 >>Jumlah modifikasi partikel= 15 Pbest[1] ==>: 3 1 0 2 5 7 9 8 6 4 dengan fitnes= 582.000000 Pbest[2] ==>: 3 1 0 2 6 7 9 8 5 4 dengan fitnes= 582.000000 Pbest[3] ==>: 3 1 0 2 5 7 9 8 6 4 dengan fitnes= 582.000000 Pbest[4] ==>: 3 2 0 1 5 7 9 8 4 6 dengan fitnes= 700.000000 Pbest[5] ==>: 3 1 0 2 6 7 9 8 5 4 dengan fitnes= 582.000000 Pbest[6] ==>: 3 1 0 2 5 7 8 9 6 4 dengan fitnes= 582.000000 Pbest[7] ==>: 3 2 1 0 5 7 9 8 6 4 dengan fitnes= 582.000000 Pbest[8] ==>: 2 0 1 3 5 7 9 8 6 4 dengan fitnes= 582.000000 Pbest[9] ==>: 2 1 0 3 4 7 9 8 6 5 dengan fitnes= 582.000000 Pbest[10] ==>: 4 2 0 1 3 7 9 8 6 5 dengan fitnes= 582.000000 Pbest[11] ==>: 3 1 0 2 5 7 9 8 6 4 dengan fitnes= 582.000000 Pbest[12] ==>: 3 1 0 2 4 7 9 8 6 5 dengan fitnes= 582.000000 Pbest[13] ==>: 2 1 0 4 6 7 9 8 5 3 dengan fitnes= 582.000000 Pbest[14] ==>: 3 1 0 2 4 7 9 8 6 5 dengan fitnes= 582.000000 Pbest[15] ==>: 3 1 0 2 4 7 9 8 6 5 dengan fitnes= 582.000000 Pbest[16] ==>: 3 2 0 1 4 7 9 8 6 5 dengan fitnes= 582.000000 Pbest[17] ==>: 2 1 0 3 4 7 9 8 6 5 dengan fitnes= 582.000000 Pbest[18] ==>: 3 2 0 1 4 7 9 8 6 5 dengan fitnes= 582.000000 Pbest[19] ==>: 4 1 0 2 3 7 9 8 6 5 dengan fitnes= 582.000000 Pbest[20] ==>: 3 2 1 0 4 7 9 8 6 5 dengan fitnes= 582.000000 --------------------------------------------------------------------gbest ==> 4 0 1 2 3 7 9 8 6 5 dengan fitnes= 582.000000 jadi, rute terbaik yang dihasilkan adalah: dengan fitnes: 582.000000
Skripsi
4 0 1 2 3 7 9 8 6 5
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
Lampiran 5-1
Output TSP 100 kota dengan berbagai parameter yang berbeda PARAMETER YG DIGUNAKAN: >>Jumlah ukuran swarm= 30 >>Temperatur awal= 1000.000000 >>Temperatur akhir= 1.000000 >>Koefisien cooling= 0.990000 >>Jumlah modifikasi partikel= 10 Pbest[1] ==>: 25 24 37 89 88 1 2 85 4 5 6 8 91 92 7 9 12 11 15 19 20 90 97 53 52 51 96 49 50 54 55 74 72 75 31 30 26 17 13 36 84 0 87 3 86 35 38 14 64 73 32 33 34 76 78 29 94 93 21 46 45 44 99 42 79 77 98 60 65 63 66 69 68 70 28 27 dengan fitnes= 8516.000000
23 57 16 43
82 67 58 81
83 71 62 80
Pbest[2] ==>: 25 24 38 89 88 1 2 3 4 5 6 8 91 92 23 22 18 10 7 82 9 12 11 15 19 20 90 97 53 52 51 96 49 50 54 56 57 59 61 95 67 74 72 75 31 30 26 17 13 36 84 0 87 85 86 35 37 14 16 47 48 55 58 64 73 32 33 34 76 78 27 94 93 21 46 45 44 99 42 43 39 40 41 81 79 77 98 60 65 63 66 69 68 70 28 29 dengan fitnes= 8287.000000
83 71 62 80
Pbest[3] ==>: 25 24 37 89 88 1 2 3 4 5 6 8 91 92 23 22 18 10 7 82 9 12 11 15 19 20 90 97 53 52 51 96 49 50 54 38 57 59 61 95 67 74 72 75 31 30 26 17 13 36 84 0 87 85 86 35 14 55 16 47 48 56 58 64 73 32 33 34 76 78 29 94 93 21 46 45 44 99 42 43 39 40 41 81 79 77 98 60 65 63 66 69 68 70 28 27 dengan fitnes= 9330.000000
83 71 62 80
Pbest[4] ==>: 25 24 37 89 88 1 2 3 4 5 6 8 91 92 7 9 12 11 15 19 20 90 97 53 52 51 96 49 50 54 56 74 72 75 31 30 26 17 13 36 84 0 87 85 86 35 38 14 64 73 32 33 34 76 78 29 94 93 21 46 83 44 99 42 79 77 98 60 65 63 66 69 68 70 28 27 dengan fitnes= 8893.000000
82 67 58 81
45 71 62 80
Pbest[5] ==>: 25 24 37 89 88 1 2 3 4 5 6 8 91 92 23 22 18 10 7 82 9 12 11 15 19 20 90 97 53 52 51 96 49 50 54 55 57 59 61 95 67 74 72 75 31 30 26 17 13 36 84 0 87 85 86 35 38 14 16 47 48 56 58 64 73 32 33 34 78 76 29 94 93 21 46 45 44 99 42 43 39 40 41 81 79 77 98 60 65 63 66 69 68 70 28 27
83 71 62 80
23 57 16 43
22 59 47 39
22 59 47 39
18 61 48 40
18 61 48 40
10 95 56 41
10 95 55 41
dengan fitnes= 8276.000000
Skripsi
Pbest[6] ==>: 25 24 37 89 88 1 2 3 4 5 6 7 91 92 23 22 18 10 8 82 9 12 11 15 19 20 90 97 53 52 51 96 49 54 50 56 57 59 61 95 67 74 72 75 31 30 26 17 13 36 84 0 87 85 86 35 38 14 16 47 48 55 58 64 73 32 33 34 76 78 29 94 93 21 46 45 44 99 42 43 39 40 41 81 79 77 98 60 65 63 66 69 68 70 28 27 dengan fitnes= 8256.000000
83 71 62 80
Pbest[7] ==>: 25 24 37 89 88 1 2 3 4 5 6 10 91 92 23 22 18 7 8 9 12 11 17 19 20 90 97 53 52 51 96 49 50 54 55 57 59 60 95 74 72 75 31 30 26 15 13 36 84 0 87 85 86 35 38 14 16 47 48 56 64 73 32 33 34 76 78 29 94 93 21 46 45 44 99 42 43 39 40 41 79 77 98 61 65 63 66 69 68 70 28 27 dengan fitnes= 8269.000000
83 71 62 80
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
82 67 58 81
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
Lampiran 5-2
Pbest[8] ==>: 25 24 38 89 88 1 2 3 4 5 6 8 91 92 23 22 18 10 7 82 9 12 11 15 19 20 90 97 53 52 51 96 49 50 54 56 57 59 61 95 67 74 72 75 31 30 26 17 13 36 84 0 87 85 86 35 37 14 16 47 48 55 58 64 29 32 33 34 76 78 73 94 93 21 46 45 44 99 42 43 39 40 41 81 79 77 98 60 65 63 66 69 68 70 28 27 dengan fitnes= 8272.000000
83 71 62 80
Pbest[9] ==>: 25 24 37 89 88 1 2 3 4 5 6 8 91 92 23 22 18 10 7 82 9 12 11 15 19 20 90 97 53 52 51 96 49 50 54 56 57 59 61 95 67 74 72 75 31 30 26 17 13 36 84 0 87 85 86 35 38 14 16 47 48 55 58 60 73 32 33 34 76 78 29 94 93 21 46 45 44 99 42 43 39 40 41 81 79 77 98 64 65 63 66 69 68 70 28 27 dengan fitnes= 8332.000000
83 71 62 80
Pbest[10] ==>: 25 24 37 89 88 1 2 3 4 5 40 8 91 92 23 22 18 10 7 82 9 12 11 17 19 20 90 97 53 52 51 96 49 50 54 55 57 59 61 95 67 74 72 75 31 30 26 15 13 36 84 0 87 85 86 35 38 14 16 47 48 56 58 64 73 32 33 34 76 78 29 94 93 21 46 45 44 99 42 43 39 6 41 81 80 77 98 60 65 63 66 69 68 70 28 27 dengan fitnes= 8510.000000
83 71 62 79
Pbest[11] ==>: 25 24 37 89 88 1 2 3 4 5 6 8 91 92 23 22 18 10 7 82 9 12 11 15 19 20 90 97 53 52 51 96 49 50 54 56 57 59 61 95 67 74 72 75 76 30 26 17 13 36 84 0 87 85 86 35 38 14 16 47 48 55 58 64 73 32 33 34 31 78 29 94 93 21 46 45 44 99 42 43 39 40 41 81 79 77 98 60 65 63 66 69 68 70 28 27 dengan fitnes= 8527.000000
83 71 62 80
Pbest[12] ==>: 25 24 37 89 88 1 2 3 4 5 6 8 91 92 23 22 17 10 7 82 9 12 11 15 19 20 90 97 53 52 51 96 49 50 54 56 57 59 61 95 67 74 72 75 31 30 26 18 13 36 84 0 87 85 86 35 38 14 16 47 48 55 58 64 73 32 33 34 76 78 29 94 93 21 46 45 44 99 42 43 39 40 41 81 79 77 98 60 65 63 66 69 68 70 28 27 dengan fitnes= 8214.000000
83 71 62 80
Pbest[13] ==>: 24 10 37 89 88 1 2 3 4 5 6 7 91 92 23 22 18 25 8 83 9 12 11 17 19 20 90 97 53 52 51 96 49 50 54 55 57 59 61 95 67 74 72 75 31 30 26 15 13 36 84 0 87 85 86 35 38 14 16 47 48 56 58 64 73 32 33 34 76 78 29 94 93 21 46 45 44 99 42 43 39 40 41 81 79 77 98 60 65 63 66 69 68 70 28 27 dengan fitnes= 8963.000000
82 71 62 80
Pbest[14] ==>: 25 24 37 89 88 1 2 3 4 5 6 8 91 92 23 22 18 10 7 82 9 12 11 15 19 20 90 97 53 52 51 96 49 50 54 55 57 59 61 95 67 74 72 75 31 30 26 17 13 36 84 0 87 85 86 35 38 14 16 47 48 56 58 64 73 32 33 34 76 78 29 94 93 21 46 45 44 99 43 42 39 40 41 81 79 77 98 60 65 63 66 69 68 70 28 27 dengan fitnes= 8214.000000
83 71 62 80
Pbest[15] ==>: 25 24 37 89 88 1 2 3 4 5 6 7 91 92 23 22 18 10 8 83 9 12 11 15 20 19 90 97 53 52 51 96 49 50 54 56 57 59 61 95 67 74 72 75 31 30 26 17 13 36 84 0 87 85 86 35 38 14 16 47 48 55 58 64 73 32 33 34 76 78 29 94 93 21 46 45 44 99 42 43 39 40 41 81 79 77 98 60 65 63 66 69 68 70 28 27 dengan fitnes= 8306.000000
82 71 62 80
Pbest[16] ==>: 9 24 37 89 88 1 2 3 4 5 6 7 91 92 23 22 18 10 8 83 82 25 12 11 17 19 20 90 97 53 52 51 96 49 50 54 55 57 59 61 95 67 71 74 72 75 31 30 26 15 13 36 84 0 87 85 86 35 38 14 16 47 48 56 58
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
Lampiran 5-3
62 64 73 32 33 34 76 78 29 94 93 21 46 45 44 99 42 43 39 40 41 81 80 79 77 98 60 65 63 66 68 69 70 28 27 dengan fitnes= 10303.000000
Skripsi
Pbest[17] ==>: 25 24 37 89 88 1 2 3 4 5 6 8 91 92 23 22 18 10 0 82 9 12 11 15 19 20 90 97 53 52 51 96 49 50 54 55 57 59 61 95 67 74 72 75 31 30 26 83 13 36 84 7 87 85 86 35 38 14 16 47 48 56 58 64 73 32 33 34 76 78 29 94 93 21 46 45 44 99 42 43 39 40 41 81 79 77 98 60 65 63 66 68 69 70 28 27 dengan fitnes= 9590.000000
17 71 62 80
Pbest[18] ==>: 25 24 37 89 86 1 2 3 4 5 6 7 91 92 23 22 18 10 8 83 9 12 11 17 19 20 90 97 53 52 51 96 49 50 54 56 57 59 61 95 67 74 72 75 31 30 26 15 13 36 84 0 87 85 88 35 38 14 16 47 48 55 58 64 73 32 33 34 76 78 29 94 93 21 46 45 44 99 42 43 39 40 41 81 79 77 98 60 65 63 66 69 68 70 28 27 dengan fitnes= 8336.000000
82 71 62 80
Pbest[19] ==>: 25 24 37 89 88 1 2 3 4 5 6 8 91 92 0 9 12 11 15 19 20 90 97 53 52 51 96 49 50 54 55 74 72 75 31 30 26 17 13 36 84 7 87 85 86 35 38 14 64 73 32 33 34 76 78 29 94 93 21 46 45 44 99 42 79 77 98 60 65 63 66 69 68 70 28 27 dengan fitnes= 8771.000000
82 67 58 81
83 71 62 80
Pbest[20] ==>: 25 24 37 89 88 1 2 3 4 5 6 8 91 92 23 22 18 10 7 82 9 12 11 15 19 20 90 97 53 52 51 96 49 50 54 55 57 59 61 95 67 74 72 75 31 30 26 17 13 36 84 0 87 85 86 35 46 14 16 47 48 56 58 64 73 32 33 34 76 78 29 94 93 21 38 45 44 99 42 43 39 40 41 81 79 77 98 60 65 63 66 69 68 70 28 27 dengan fitnes= 8630.000000
83 71 62 80
Pbest[21] ==>: 25 24 37 89 88 1 2 3 4 5 6 7 98 92 23 22 18 10 8 82 9 12 11 15 19 20 90 97 53 52 51 96 49 50 54 55 57 59 61 95 67 74 72 75 31 30 26 17 13 36 84 0 87 85 86 35 38 14 16 47 48 56 58 64 73 32 33 34 76 78 29 94 93 21 46 45 44 99 42 43 39 40 41 81 79 77 91 60 65 63 66 69 68 70 28 27 dengan fitnes= 8340.000000
83 71 62 80
Pbest[22] ==>: 21 24 37 89 88 1 2 3 4 5 6 8 91 92 23 22 18 10 7 82 9 12 11 15 19 17 90 97 53 52 51 96 49 50 54 55 57 59 61 95 67 74 72 75 31 30 26 20 13 36 84 0 87 85 86 35 38 14 16 47 48 56 58 64 73 32 33 34 76 78 29 94 93 25 46 45 44 99 42 43 39 40 41 81 79 77 98 60 65 63 66 68 69 70 28 27 dengan fitnes= 8892.000000
83 71 62 80
Pbest[23] ==>: 24 25 37 89 88 1 2 3 4 5 6 8 91 92 7 9 12 11 15 19 20 90 97 53 52 51 96 49 50 54 55 74 72 75 31 30 26 17 13 36 84 0 87 85 86 35 38 14 64 73 32 33 34 76 78 29 94 93 21 46 45 44 99 42 79 77 98 60 65 63 66 69 68 70 28 27 dengan fitnes= 8267.000000
23 57 16 43
22 59 47 39
18 61 48 40
10 95 56 41
82 67 58 81
83 71 62 80
Pbest[24] ==>: 25 24 38 89 88 1 2 3 4 5 6 8 91 92 7 9 12 11 15 19 20 90 97 53 52 51 60 49 50 54 17 74 72 75 31 30 26 56 13 36 84 0 87 85 86 35 96 14 64 73 32 33 34 76 78 29 94 93 21 46 45 44 99 42 79 77 98 61 65 63 66 69 68 70 28 27 dengan fitnes= 10195.000000
23 57 16 43
22 59 47 39
18 37 48 40
10 95 55 41
82 67 58 81
83 71 62 80
23 57 16 43
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
22 59 47 39
18 61 48 40
10 95 56 41
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
Lampiran 5-4
Pbest[25] ==>: 25 24 37 89 88 6 2 3 4 5 1 8 91 92 7 9 12 11 15 19 20 90 97 53 52 51 96 49 50 54 56 74 72 75 31 30 26 17 13 36 84 0 87 85 86 35 38 14 64 73 32 33 34 76 78 29 94 93 21 46 45 44 99 42 79 77 98 60 65 63 66 69 68 70 28 27 dengan fitnes= 8634.000000
23 57 16 43
22 59 47 39
18 61 48 40
10 95 55 41
82 67 58 81
83 71 62 80
Pbest[26] ==>: 25 24 38 89 88 1 2 3 4 5 6 8 18 92 7 9 12 11 15 19 20 90 97 53 52 51 96 49 50 54 55 74 72 75 31 30 26 17 13 36 84 0 87 85 86 35 37 14 64 73 32 33 34 76 78 29 94 93 21 46 45 44 99 42 79 77 98 60 65 63 66 69 68 70 28 27 dengan fitnes= 8303.000000
23 57 16 43
22 59 47 39
91 61 48 40
10 95 56 41
82 67 58 81
83 71 62 80
Pbest[27] ==>: 25 24 37 89 88 1 2 3 4 5 6 7 91 92 23 22 18 10 8 82 9 12 11 15 19 20 90 97 52 53 51 96 49 50 54 56 57 59 61 95 67 74 72 75 31 30 26 17 13 36 84 0 87 85 86 35 38 14 16 47 48 55 58 64 73 32 33 34 76 78 29 94 93 21 46 45 44 99 42 43 39 40 41 81 79 77 98 60 65 63 66 69 68 70 28 27 dengan fitnes= 8298.000000
83 71 62 80
Pbest[28] ==>: 25 10 37 89 88 21 2 3 4 5 6 7 9 12 11 17 19 20 90 97 53 52 51 96 49 50 74 72 75 31 30 26 15 13 36 84 18 87 85 86 62 64 73 32 33 34 76 78 29 94 93 56 46 45 80 79 77 98 60 65 63 66 69 68 70 28 27 dengan fitnes= 11011.000000
82 67 24 41
83 71 58 81
82 67 58 81
83 71 62 80
8 91 92 23 22 1 0 54 55 57 59 61 95 35 38 14 16 47 48 44 99 42 43 39 40
Pbest[29] ==>: 25 24 37 89 88 1 2 3 4 5 6 8 91 92 7 9 12 11 14 19 20 90 97 53 52 51 96 49 50 54 55 74 72 75 31 30 26 17 13 36 84 0 87 85 86 35 38 15 64 73 32 33 34 76 78 29 94 93 21 46 45 44 99 42 79 77 98 60 65 63 66 69 68 70 28 27 dengan fitnes= 8263.000000
23 57 16 43
22 59 47 39
18 61 48 40
10 95 56 41
Pbest[30] ==>: 25 24 37 89 88 1 2 3 4 5 6 7 91 92 23 22 18 10 8 83 82 9 12 11 17 19 20 97 90 53 52 51 96 49 50 54 55 57 59 61 95 67 71 74 72 75 31 30 26 15 13 36 84 0 87 85 86 35 38 14 16 47 48 56 58 62 64 73 32 33 34 76 78 29 94 93 21 46 45 44 99 42 43 39 40 41 81 80 79 77 98 60 65 63 66 69 68 70 28 27 dengan fitnes= 8270.000000 ----------------------------gbest ==> 25 24 37 89 88 1 2 3 4 5 6 10 17 92 23 22 21 9 7 83 82 8 12 11 15 19 20 90 97 53 52 51 96 49 50 54 55 57 59 61 95 67 71 74 72 75 31 30 26 18 13 36 84 0 87 85 86 35 38 14 16 47 48 56 58 62 64 73 32 33 34 76 78 29 94 93 91 46 45 44 99 42 43 39 40 41 81 80 79 77 98 60 65 63 66 68 69 70 28 27 dengan fitnes= 8214.000000 jadi rute terbaik yang dihasilkan adalah: 25 24 37 89 88 1 2 3 4 5 6 10 17 92 23 22 21 9 7 83 82 8 12 11 15 19 20 90 97 53 52 51 96 49 50 54 55 57 59 61 95 67 71 74 72 75 31 30 26 18 13 36 84 0 87 85 86 35 38 14 16 47 48 56 58 62 64 73 32 33 34 76 78 29 94 93 91 46 45 44 99 42 43 39 40 41 81 80 79 77 98 60 65 63 66 68 69 70 28 27 dengan fitnes: 8214.000000
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
Lampiran 5-5
PARAMETER YG DIGUNAKAN: >>Jumlah ukuran swarm= 30 >>Temperatur awal= 1000.000000 >>Temperatur akhir= 1.000000 >>Koefisien cooling= 0.990000 >>Jumlah modifikasi partikel= 30 Pbest[1] ==>: 18 11 12 9 8 82 40 39 83 7 5 4 84 2 3 6 52 69 72 74 27 25 94 93 21 20 19 17 14 77 79 81 36 35 26 28 30 31 32 78 29 73 66 55 51 96 49 50 54 56 57 58 33 70 68 67 95 61 60 59 65 63 64 62 98 90 97 53 1 0 87 37 38 99 44 43 42 41 80 13 15 91 92 23 dengan fitnes= 8148.000000
10 45 71 86
16 46 75 85
47 22 76 88
48 24 34 89
Pbest[2] ==>: 18 11 12 9 8 82 40 39 83 7 5 3 84 2 4 6 55 69 72 74 27 25 94 93 21 20 19 17 14 77 79 81 36 35 26 28 30 31 32 78 29 73 66 52 51 96 49 50 54 56 57 58 33 70 68 67 95 61 60 59 65 63 64 62 98 90 97 53 1 0 87 37 38 99 44 43 42 41 80 13 15 91 92 23 dengan fitnes= 8098.000000
10 45 71 86
16 46 75 85
47 22 76 88
48 24 34 89
Pbest[3] ==>: 19 11 12 9 8 82 40 39 83 7 5 4 84 2 3 6 55 69 72 74 27 24 94 93 21 20 18 17 14 77 79 81 36 35 26 28 30 31 32 78 29 73 66 52 51 96 49 50 54 56 57 58 33 70 68 67 95 61 60 59 65 63 64 62 98 90 97 53 1 0 87 37 38 99 44 43 42 41 80 13 15 91 92 23 dengan fitnes= 8154.000000
10 45 71 86
16 46 75 85
47 22 76 88
48 25 34 89
Pbest[4] ==>: 10 9 12 11 8 82 40 39 83 7 5 4 84 2 3 6 55 69 72 74 27 25 94 93 21 20 19 17 14 77 79 81 36 35 26 28 30 31 32 78 29 73 66 52 51 96 49 50 54 56 57 58 33 70 68 67 95 61 60 59 65 63 64 62 98 90 97 53 1 0 87 37 38 99 44 43 42 41 80 13 15 91 92 23 dengan fitnes= 8393.000000
18 45 71 86
16 46 75 85
47 22 76 88
48 24 34 89
Pbest[5] ==>: 19 11 12 9 8 82 40 39 83 7 6 4 2 84 3 5 55 69 72 74 27 25 94 93 21 20 18 17 14 77 79 80 36 35 26 28 30 31 32 78 29 73 66 52 51 96 49 50 54 56 57 58 33 70 68 67 95 61 60 59 65 63 64 62 98 90 97 53 1 0 87 37 38 43 44 99 42 41 81 13 15 91 92 23 dengan fitnes= 8098.000000
10 45 71 86
16 46 75 85
47 22 76 88
48 24 34 89
Pbest[6] ==>: 18 11 12 9 8 82 40 39 83 7 5 2 84 4 3 6 55 69 72 74 28 25 94 93 21 20 19 17 14 77 79 81 36 35 26 27 30 31 32 78 29 73 66 52 51 96 49 50 54 56 57 58 33 70 68 67 95 61 60 59 65 63 64 62 98 90 97 53 1 0 87 37 38 99 44 43 42 41 80 13 15 91 92 23 dengan fitnes= 8138.000000
10 45 71 86
16 46 75 85
47 22 76 88
48 24 34 89
Pbest[7] ==>: 19 11 12 9 8 82 40 39 83 55 69 72 74 27 25 94 93 21 20 18 17 14 26 28 30 78 32 31 29 73 66 52 51 96 49 33 70 68 67 95 61 60 59 65 63 64 62 98 37 38 99 44 43 42 41 80 13 15 91 92 23 dengan fitnes= 8098.000000
10 45 71 86
16 46 75 85
47 22 76 88
48 24 34 89
7 5 4 84 2 3 6 77 79 81 36 35 50 54 56 57 58 90 97 53 1 0 87
Pbest[8] ==>: 11 19 12 9 8 82 40 39 83 6 5 4 84 2 3 7 10 16 47 48 55 69 72 74 27 25 94 93 21 20 18 17 14 77 79 81 36 35 45 46 22 24
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
Lampiran 5-6
26 28 30 31 32 33 70 68 67 95 37 38 99 44 43 dengan fitnes=
Skripsi
78 29 73 66 52 51 96 49 50 54 56 57 58 71 75 76 34 61 60 59 65 63 64 62 98 90 97 53 1 0 87 86 85 88 89 42 41 80 13 15 91 92 23 8502.000000
Pbest[9] ==>: 18 11 12 9 8 82 40 39 83 7 5 4 84 2 3 6 55 69 72 74 19 25 94 93 21 20 28 17 14 77 79 81 36 35 26 27 30 31 32 78 29 73 66 52 51 96 49 50 54 56 57 58 33 70 68 67 95 61 60 59 65 63 64 62 98 90 97 53 1 0 87 37 38 99 44 43 42 41 80 13 15 91 92 23 dengan fitnes= 9260.000000
10 45 71 86
16 46 75 85
47 22 76 88
48 24 34 89
Pbest[10] ==>: 55 69 72 74 27 26 28 30 31 32 33 70 68 67 95 37 38 99 44 43 dengan fitnes=
19 11 12 9 8 82 40 39 83 6 5 4 84 2 3 7 25 94 93 21 20 18 17 14 77 79 81 36 35 78 29 73 66 52 51 96 49 50 54 56 57 58 61 60 59 65 63 64 62 98 90 97 53 1 0 87 42 41 80 13 15 91 23 92 8152.000000
10 45 71 86
16 46 75 85
47 22 76 88
48 24 34 89
Pbest[11] ==>: 55 69 72 74 27 26 28 30 31 32 33 70 68 67 95 37 38 99 44 43 dengan fitnes=
18 11 10 9 8 82 40 39 83 7 5 4 84 2 3 6 24 94 93 21 20 19 17 14 77 79 81 36 35 78 29 73 66 52 51 96 49 50 54 56 57 58 61 60 59 65 63 64 62 98 90 97 53 1 0 87 42 41 80 13 15 91 92 23 8154.000000
12 45 71 86
16 46 75 85
47 22 76 88
48 25 34 89
Pbest[12] ==>: 55 69 72 74 27 26 28 30 31 32 33 70 68 67 95 37 38 99 44 43 dengan fitnes=
19 11 9 12 8 82 40 39 83 7 5 4 84 2 3 6 25 94 93 21 20 18 17 14 77 79 81 36 35 78 29 73 66 52 51 96 49 50 54 56 57 58 61 60 59 65 63 64 62 98 90 97 53 1 0 87 42 41 80 13 15 91 92 23 8116.000000
10 45 71 86
16 46 75 85
47 22 76 88
48 24 34 89
Pbest[13] ==>: 55 69 72 74 27 26 28 30 31 32 33 70 68 67 95 37 38 99 44 43 dengan fitnes=
18 11 12 9 8 82 40 39 83 7 5 6 84 2 3 4 25 94 93 21 20 19 17 14 77 79 81 36 35 78 29 73 66 52 51 96 49 50 54 56 57 58 61 60 59 65 63 64 62 98 90 97 53 1 0 87 42 41 80 13 15 91 92 23 8172.000000
10 45 71 86
16 46 75 85
47 22 76 88
48 24 34 89
Pbest[14] ==>: 55 69 72 74 27 26 28 30 31 32 33 70 68 67 95 37 38 42 44 43 dengan fitnes=
18 11 12 9 8 82 40 39 83 6 5 4 84 2 3 7 25 94 93 21 20 19 17 14 77 79 81 36 35 78 29 73 66 52 51 96 49 50 54 56 57 58 61 60 59 65 63 64 62 98 90 97 53 1 0 87 99 41 80 13 15 91 92 23 8144.000000
10 45 71 86
16 46 75 85
47 22 76 88
48 24 34 89
Pbest[15] ==>: 55 69 72 74 27 26 28 30 31 32 33 70 68 67 95 37 38 99 44 43 dengan fitnes=
22 11 12 9 8 82 40 39 83 7 5 4 84 2 3 6 25 94 93 21 20 18 17 14 77 79 81 36 35 78 29 73 66 52 51 96 49 50 54 56 57 58 61 60 59 65 63 64 62 98 90 97 53 1 0 87 42 41 80 13 15 91 92 23 8103.000000
10 45 71 86
16 46 75 85
47 19 76 88
48 24 34 89
Pbest[16] ==>: 55 69 72 74 27 26 28 30 31 32 33 70 68 67 95 37 38 99 44 43 dengan fitnes=
18 10 14 9 8 82 83 39 40 7 5 4 84 2 3 6 25 94 93 21 20 19 17 12 77 79 81 36 35 78 29 73 66 52 51 96 49 50 54 56 57 58 61 60 59 65 63 64 62 98 90 97 53 1 0 87 42 41 80 13 15 91 92 23 8446.000000
11 45 71 86
16 46 75 85
47 22 76 88
48 24 34 89
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
Lampiran 5-7
Pbest[17] ==>: 55 69 72 74 27 26 28 30 31 32 33 70 68 67 95 37 38 99 44 43 dengan fitnes=
19 11 10 9 8 82 40 39 83 7 5 4 84 2 3 6 25 94 93 21 20 18 17 14 77 79 81 36 35 78 29 73 23 52 51 96 49 50 54 56 57 58 61 60 59 65 63 64 62 90 98 97 53 1 0 87 42 41 80 13 15 91 92 66 8544.000000
12 45 71 86
16 46 75 85
47 22 76 88
48 24 34 89
Pbest[18] ==>: 55 69 72 74 27 26 28 30 31 32 33 70 68 67 95 37 38 99 44 43 dengan fitnes=
22 11 12 9 8 82 40 39 83 7 5 4 84 2 3 6 25 94 93 21 20 18 17 14 77 79 81 36 35 78 29 73 66 52 51 96 49 50 54 56 57 58 61 60 59 65 63 64 62 98 90 97 53 1 0 87 42 41 80 13 15 91 92 23 8103.000000
10 45 71 86
16 46 75 85
47 19 76 88
48 24 34 89
Pbest[19] ==>: 55 69 72 74 27 25 28 30 31 32 33 70 68 67 95 37 38 43 44 99 dengan fitnes=
18 11 12 9 8 82 40 39 83 7 5 4 84 2 3 6 26 94 93 21 20 19 17 14 77 79 81 36 35 78 29 73 66 52 51 96 49 50 54 56 57 58 61 60 59 65 63 64 62 98 90 97 53 1 0 87 42 41 80 13 15 91 92 23 8098.000000
10 45 71 86
16 46 75 85
47 22 76 88
48 24 34 89
Pbest[20] ==>: 55 69 72 74 27 26 28 30 31 32 33 70 68 67 95 37 38 99 44 43 dengan fitnes=
15 11 10 9 8 82 40 39 83 6 5 4 84 2 3 7 25 94 93 21 20 19 17 14 77 79 81 36 35 78 29 73 66 52 51 96 49 50 54 56 57 58 61 60 59 65 63 64 62 98 90 97 53 1 0 87 42 41 80 13 18 91 92 23 8098.000000
12 45 71 86
16 46 75 85
47 22 76 88
48 24 34 89
Pbest[21] ==>: 55 69 72 74 93 26 27 30 31 32 33 70 68 67 95 37 38 99 44 43 dengan fitnes=
19 11 12 9 8 82 40 39 83 6 5 4 84 2 3 7 25 94 18 21 20 28 17 14 77 79 81 36 35 78 29 73 66 52 51 96 49 50 54 56 57 58 61 60 59 65 63 64 62 98 90 97 53 1 0 87 42 41 80 13 15 91 92 23 9106.000000
10 45 71 86
16 46 75 85
47 22 76 88
48 24 34 89
Pbest[22] ==>: 55 69 72 74 28 26 27 30 31 32 33 70 68 67 95 37 38 99 44 43 dengan fitnes=
18 11 10 9 8 82 40 39 83 7 5 4 84 2 3 6 25 94 93 21 20 19 17 14 77 79 46 36 35 78 29 73 66 52 51 96 49 50 54 56 57 58 61 60 59 65 63 64 62 98 90 97 53 1 0 87 42 41 80 13 15 91 92 81 8760.000000
12 45 71 86
16 23 75 85
47 22 76 88
48 24 34 89
Pbest[23] ==>: 55 69 72 74 27 26 28 30 31 32 33 70 68 67 95 37 38 43 44 99 dengan fitnes=
18 11 12 9 8 82 40 39 83 6 5 4 3 2 84 7 25 94 93 21 20 19 17 14 77 79 81 36 35 78 29 73 66 52 51 96 49 50 54 56 57 58 61 60 59 65 63 64 62 98 90 97 53 1 0 87 42 41 80 13 15 91 92 23 8098.000000
10 45 71 86
16 46 75 85
47 22 76 88
48 24 34 89
Pbest[24] ==>: 55 69 72 74 27 26 28 30 31 32 33 70 68 67 95 37 38 99 44 43 dengan fitnes=
19 11 12 9 8 82 81 39 83 6 5 4 84 2 3 7 25 94 93 21 20 18 17 14 77 79 40 36 35 78 29 73 66 52 51 96 49 50 54 56 57 58 61 60 59 65 63 64 62 98 90 97 53 1 0 87 42 41 80 13 15 91 92 22 8180.000000
10 45 71 86
16 46 75 85
47 23 76 88
48 24 34 89
Pbest[25] ==>: 19 11 12 9 8 82 40 39 83 6 5 4 84 2 3 7 10 16 47 48 55 69 72 74 27 25 94 93 21 20 15 17 14 77 79 81 36 35 45 46 22 24 26 28 30 31 32 78 29 73 66 52 51 96 49 50 54 56 57 58 71 75 76 34
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
Lampiran 5-8
33 70 68 67 95 61 60 59 65 63 64 62 98 90 97 53 1 0 87 86 85 88 89 37 38 99 44 43 42 41 80 13 18 91 92 23 dengan fitnes= 8156.000000 Pbest[26] ==>: 55 69 72 74 27 26 28 30 31 32 33 70 68 67 95 37 38 99 44 43 dengan fitnes=
19 11 12 9 8 82 40 83 39 6 5 4 84 2 3 7 25 94 93 21 20 18 17 14 77 79 81 36 35 78 29 73 66 52 51 96 49 50 54 56 57 58 61 60 59 65 63 64 62 98 90 97 53 1 0 87 42 41 80 13 15 91 92 23 8192.000000
10 45 71 86
16 46 75 85
47 22 76 88
48 24 34 89
Pbest[27] ==>: 55 69 72 74 27 26 28 30 31 32 33 70 68 67 95 37 38 99 44 43 dengan fitnes=
18 11 9 12 8 82 40 39 83 7 5 4 84 2 3 6 25 94 93 21 20 19 17 14 77 79 81 36 35 78 29 73 66 52 51 96 49 50 54 56 57 58 61 60 59 65 63 64 62 98 90 97 53 1 0 87 42 41 80 13 15 91 92 23 8116.000000
10 45 71 86
16 46 75 85
47 22 76 88
48 24 34 89
Pbest[28] ==>: 55 69 72 74 27 26 28 30 31 32 33 70 68 67 95 37 38 99 44 43 dengan fitnes=
19 11 12 9 8 82 40 39 83 7 5 4 84 2 3 6 25 94 93 21 20 18 17 14 77 79 13 36 35 78 29 73 66 52 51 96 49 50 54 56 57 58 61 60 59 65 63 64 62 98 90 97 53 1 0 87 42 41 80 81 15 91 92 23 8230.000000
10 45 71 86
16 46 75 85
47 22 76 88
48 24 34 89
Pbest[29] ==>: 55 69 72 74 28 26 27 30 31 32 33 70 68 67 95 37 38 99 44 43 dengan fitnes=
18 11 12 9 8 82 40 39 83 6 5 4 77 2 3 7 25 94 93 21 20 19 84 14 15 79 81 36 35 78 29 73 66 52 51 96 49 50 54 56 57 58 61 60 59 65 63 64 62 98 90 97 53 1 0 87 42 41 80 13 17 91 92 23 9302.000000
10 45 71 86
16 46 75 85
47 22 76 88
48 24 34 89
Pbest[30] ==>: 12 11 14 9 8 82 40 39 83 7 5 4 84 2 3 6 55 69 72 74 27 25 94 93 21 20 19 17 18 77 79 81 36 35 26 28 30 31 32 78 29 73 66 52 51 96 49 50 54 56 57 58 33 70 68 67 95 61 60 59 65 63 64 62 98 90 97 53 1 0 87 37 38 99 44 43 42 41 80 13 15 91 92 23 dengan fitnes= 8364.000000 ----------------------------gbest ==> 19 11 10 9 8 82 40 39 83 7 6 2 3 84 4 5 12 16 72 74 26 25 94 93 92 20 18 17 14 77 79 81 36 35 45 46 31 78 32 30 29 73 66 52 51 96 49 50 54 56 57 58 71 75 68 67 95 61 60 59 65 63 64 62 98 90 97 53 1 0 87 86 85 99 44 43 42 41 80 13 15 91 21 22 dengan fitnes= 8006.000000
10 45 71 86
16 46 75 85
47 22 76 88
48 24 34 89
47 23 76 88
48 24 34 89
55 27 33 37
69 28 70 38
jadi rute terbaik yang dihasilkan 7 6 2 3 84 4 5 12 16 47 48 55 69 77 79 81 36 35 45 46 23 24 27 28 50 54 56 57 58 71 75 76 34 33 70 90 97 53 1 0 87 86 85 88 89 37 38 dengan fitnes: 8006.000000
Skripsi
adalah: 72 74 26 31 78 32 68 67 95 99 44 43
19 25 30 61 42
11 10 9 8 82 40 39 83 94 93 92 20 18 17 14 29 73 66 52 51 96 49 60 59 65 63 64 62 98 41 80 13 15 91 21 22
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
Lampiran 5-9
PARAMETER YG DIGUNAKAN: >>Jumlah ukuran swarm= 30 >>Temperatur awal= 1000.000000 >>Temperatur akhir= 1.000000 >>Koefisien cooling= 0.990000 >>Jumlah modifikasi partikel= 50
Skripsi
Pbest[1] ==>: 79 35 36 38 11 15 19 20 21 91 92 23 22 17 10 7 3 1 0 87 2 84 99 54 56 63 70 73 32 33 34 78 76 75 31 30 29 28 93 90 97 53 52 51 96 45 44 46 47 49 48 16 12 9 8 82 83 39 40 41 81 13 14 50 55 57 58 98 59 66 68 67 95 61 60 62 64 65 69 74 27 26 24 18 86 85 88 89 37 80 77 dengan fitnes= 7509.000000
6 5 4 25 94 42 43 71 72
Pbest[2] ==>: 79 38 36 35 11 15 19 20 21 91 92 23 22 17 10 7 3 1 0 87 2 84 99 54 56 63 70 73 32 33 34 78 76 75 31 30 29 28 93 90 97 53 52 51 96 45 44 46 47 49 48 16 12 9 8 82 83 39 40 42 81 13 14 50 55 57 58 98 59 66 68 67 95 61 60 62 64 65 69 74 27 26 24 18 86 85 88 89 37 80 77 dengan fitnes= 7509.000000
6 5 4 25 94 41 43 71 72
Pbest[3] ==>: 79 84 35 36 11 15 19 20 21 91 92 23 22 17 10 7 3 1 0 87 2 38 99 54 56 63 70 73 32 33 34 78 76 75 31 30 29 28 93 90 97 53 52 51 96 45 44 46 47 49 48 16 12 9 8 82 83 39 40 41 81 13 14 50 55 57 58 98 59 66 68 67 95 61 60 62 64 65 69 74 27 26 24 18 86 85 88 89 37 80 77 dengan fitnes= 7557.000000
6 5 4 25 94 42 43 71 72
Pbest[4] ==>: 79 35 36 38 11 15 19 20 21 91 92 23 22 17 10 7 3 1 0 87 2 84 99 54 56 63 70 73 32 33 34 78 76 75 31 30 29 28 93 90 97 53 52 51 96 45 44 46 47 49 48 16 12 9 8 82 83 39 40 41 81 13 14 50 55 57 58 98 59 66 68 67 95 61 60 62 64 65 69 74 27 26 24 18 86 85 88 89 37 80 77 dengan fitnes= 7509.000000
6 5 4 25 94 43 42 71 72
Pbest[5] ==>: 79 38 36 35 11 15 19 20 21 91 92 23 22 17 10 7 3 1 0 87 2 84 99 54 56 63 70 73 32 33 34 78 76 75 31 30 29 28 93 90 97 53 52 51 96 45 44 46 47 49 48 16 12 9 8 82 83 39 40 41 81 13 14 50 55 57 58 98 59 66 68 67 95 61 60 62 64 65 69 74 27 26 24 18 86 85 88 89 37 80 77 dengan fitnes= 7509.000000
6 5 4 25 94 43 42 71 72
Pbest[6] ==>: 79 38 36 35 16 15 17 20 21 91 92 23 22 19 10 7 3 1 0 87 2 84 99 54 56 63 70 73 32 33 34 78 76 75 31 30 29 28 93 90 97 53 52 51 96 45 44 46 47 49 48 11 12 9 8 82 83 39 40 41 81 13 14 50 55 57 58 98 59 66 68 67 95 61 60 62 64 65 69 74 27 26 24 18 86 85 88 89 37 80 77 dengan fitnes= 7546.000000
6 5 4 25 94 42 43 71 72
Pbest[7] ==>: 79 38 36 35 11 15 19 20 21 91 92 23 22 17 10 7 3 1 0 87 2 84 99 54 56 63 70 73 32 33 34 78 76 75 31 30 29 28 93 90 97 53 52 51 96 45 44 46 47 49 48 16 12 9 8 82 83 39 40 41 81 13 14 50 55 57 58 98 59 66 68 67 95 61 60 62 64 65 69 74 27 26 24 18 86 85 88 89 37 80 77 dengan fitnes= 7509.000000
6 5 4 25 94 43 42 71 72
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
Lampiran 5-10
Pbest[8] ==>: 79 38 36 2 11 15 19 20 21 91 92 23 22 17 10 7 6 1 0 87 35 84 99 54 56 63 73 70 32 33 34 78 76 75 31 30 29 28 93 90 97 53 52 51 96 45 44 46 47 49 48 16 12 9 8 82 83 39 40 41 81 13 14 50 55 57 58 98 59 66 68 67 95 61 60 62 64 65 69 74 27 26 24 18 86 85 88 89 37 80 77 dengan fitnes= 7711.000000
5 4 3 25 94 42 43 71 72
Pbest[9] ==>: 79 38 36 35 11 17 19 22 21 91 92 23 20 15 10 7 3 2 0 87 1 84 99 56 55 63 70 73 32 33 34 78 76 75 31 30 29 28 93 90 97 53 52 51 96 45 44 46 47 49 48 16 12 9 8 82 83 39 40 41 81 13 14 50 54 57 58 98 59 66 68 67 95 61 60 62 64 65 69 74 27 26 24 18 86 85 88 89 37 80 77 dengan fitnes= 7579.000000
6 5 4 25 94 42 43 71 72
Pbest[10] ==>: 79 36 35 38 11 15 19 20 21 91 92 23 22 17 10 7 3 1 0 87 2 84 99 54 56 63 70 73 32 34 33 78 76 75 31 30 29 28 93 90 97 53 52 51 96 45 44 46 47 49 48 16 12 9 8 82 83 39 40 41 81 13 14 50 55 57 58 98 59 66 68 67 95 61 60 62 64 65 69 74 27 26 24 18 86 85 88 89 37 80 77 dengan fitnes= 7530.000000
6 5 4 25 94 42 43 71 72
Pbest[11] ==>: 79 38 36 35 11 15 19 20 21 91 92 23 22 17 10 7 3 1 0 87 2 84 99 54 57 63 70 73 32 33 34 78 76 75 31 30 29 28 93 90 97 53 52 51 96 45 44 46 47 49 48 16 12 9 8 82 83 39 40 41 81 13 14 50 55 56 58 98 59 66 68 67 95 61 60 62 64 65 69 74 27 26 24 18 86 85 88 89 37 80 77 dengan fitnes= 7509.000000
6 5 4 25 94 42 43 71 72
Pbest[12] ==>: 79 36 35 38 11 15 17 20 21 91 92 23 22 19 10 7 3 1 0 87 2 84 99 54 56 63 70 73 32 33 34 78 76 75 31 30 29 28 93 90 97 53 52 51 96 45 44 46 47 49 48 50 12 9 8 82 83 39 40 41 81 13 14 16 55 57 58 98 59 66 68 67 95 61 60 62 64 65 69 74 27 26 24 18 86 85 88 89 37 80 77 dengan fitnes= 7586.000000
6 5 4 25 94 42 43 71 72
Pbest[13] ==>: 79 38 35 36 11 15 17 20 21 91 92 23 22 19 10 7 3 1 87 0 2 84 99 54 56 63 70 73 32 33 34 78 76 75 31 30 29 28 93 90 97 53 52 51 96 45 44 46 47 49 48 16 12 9 8 82 83 39 40 41 81 13 14 50 55 57 58 98 59 66 68 67 95 61 60 62 64 65 69 74 27 26 24 18 86 85 88 89 37 80 77 dengan fitnes= 7509.000000
6 5 4 25 94 43 42 71 72
Pbest[14] ==>: 79 38 35 36 11 17 19 20 21 91 92 23 22 15 10 7 3 1 0 87 2 84 99 54 56 63 70 73 32 33 34 78 76 75 31 30 29 28 93 90 97 53 52 51 96 45 44 46 47 49 48 16 12 9 8 82 83 39 40 41 81 13 14 50 55 57 58 98 59 66 68 67 95 61 60 62 64 65 69 74 27 26 24 18 86 85 88 89 37 80 77 dengan fitnes= 7509.000000
6 5 4 25 94 42 43 71 72
Pbest[15] ==>: 79 38 36 35 11 15 17 20 21 91 92 23 22 19 10 7 3 1 0 87 2 84 99 54 56 63 70 73 32 33 34 78 76 75 31 30 29 28 93 90 97 53 52 51 96 45 44 46 47 49 48 16 12 9 8 82 83 39 40 41 81 13 14 50 55 57 58 98 59 66 68 67 95 61 60 62 64 65 69 74 27 26 24 18 86 85 88 89 37 80 77 dengan fitnes= 7509.000000
6 5 4 25 94 42 43 71 72
Pbest[16] ==>: 79 38 36 35 11 15 19 20 21 91 92 23 22 17 10 7 6 5 4 3 1 0 87 2 84 99 54 56 63 70 73 32 33 34 78 76 75 31 30 29 28 25 94 93 90 97 53 52 51 96 45 44 46 49 47 48 16 12 9 8 82 83 39 40 43 42
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
Lampiran 5-11
41 81 13 14 50 55 57 58 98 59 66 68 67 95 61 60 62 64 65 69 71 72 74 27 26 24 18 86 85 88 89 37 80 77 dengan fitnes= 7542.000000
Skripsi
Pbest[17] ==>: 79 38 36 35 11 15 17 20 21 91 92 23 22 19 10 7 3 1 0 87 2 84 99 54 56 63 70 73 32 33 34 78 76 75 31 30 29 28 93 90 97 53 52 51 96 45 46 44 47 49 48 16 12 9 8 82 83 39 40 41 81 13 14 50 55 57 58 98 59 66 68 67 95 61 60 62 64 65 69 74 27 26 24 18 86 85 88 89 37 80 77 dengan fitnes= 7557.000000
6 5 4 25 94 43 42 71 72
Pbest[18] ==>: 79 36 35 38 11 15 19 20 21 91 92 23 22 17 10 7 3 1 0 87 2 84 99 54 56 63 70 73 32 33 34 78 76 75 31 30 29 28 93 90 97 53 52 51 96 45 44 46 47 49 48 16 12 9 8 82 83 39 40 41 81 13 14 50 55 57 58 98 59 66 68 67 95 61 60 62 64 65 69 74 27 26 24 18 86 85 88 89 37 80 77 dengan fitnes= 7509.000000
6 5 4 25 94 42 43 71 72
Pbest[19] ==>: 79 38 36 35 11 15 19 20 21 91 92 23 22 17 10 7 3 1 0 87 2 84 99 54 56 63 70 73 32 33 34 78 76 75 31 30 29 28 93 90 97 53 52 51 96 45 44 46 47 49 48 16 12 9 8 82 83 39 40 41 81 13 14 50 55 57 58 98 59 66 68 67 95 61 60 62 64 65 69 74 27 26 24 18 86 85 88 89 37 80 77 dengan fitnes= 7509.000000
6 5 4 25 94 43 42 71 72
Pbest[20] ==>: 79 36 35 38 11 15 19 20 22 91 92 23 21 17 10 7 3 1 0 87 2 84 99 54 55 63 70 73 32 33 34 78 76 75 31 30 29 28 93 90 97 53 52 51 96 45 44 46 47 49 48 16 12 9 8 82 83 39 40 41 81 13 14 50 56 57 58 98 59 66 68 67 95 61 60 62 64 65 69 74 27 26 24 18 86 85 88 89 37 80 77 dengan fitnes= 7553.000000
6 5 4 25 94 42 43 71 72
Pbest[21] ==>: 79 11 35 36 38 15 19 20 21 91 92 23 22 17 10 7 3 1 0 87 2 84 99 54 56 63 70 73 32 33 34 78 76 75 31 30 29 28 93 90 97 53 52 51 96 45 44 46 47 49 48 16 12 9 8 82 83 39 40 41 81 13 14 50 55 57 58 98 59 66 68 67 95 61 60 62 64 65 69 74 27 26 24 18 86 85 88 89 37 80 77 dengan fitnes= 7571.000000
6 5 4 25 94 42 43 71 72
Pbest[22] ==>: 79 38 36 35 11 15 17 20 21 91 92 23 22 19 10 7 3 2 0 87 1 84 99 54 56 63 70 73 32 33 34 78 76 75 31 30 29 28 93 90 97 53 52 51 49 45 44 46 47 96 48 16 12 9 8 82 83 39 40 41 81 13 14 50 55 57 58 98 59 66 68 67 95 61 60 62 64 65 69 74 27 26 24 18 86 85 88 89 37 80 77 dengan fitnes= 7551.000000
6 5 4 25 94 42 43 71 72
Pbest[23] ==>: 79 38 35 36 11 15 19 20 21 91 92 23 22 17 10 7 3 1 0 87 2 84 99 54 56 63 70 73 32 33 34 78 76 75 31 30 29 26 93 90 97 53 52 51 96 45 44 46 47 49 48 16 12 9 8 82 83 39 40 41 81 13 14 50 55 57 58 98 59 66 68 67 95 61 60 62 64 65 69 74 27 28 24 18 86 85 88 89 37 80 77 dengan fitnes= 7541.000000
6 5 4 25 94 43 42 71 72
Pbest[24] ==>: 79 38 35 36 11 15 19 20 21 91 23 92 22 17 10 7 3 1 0 87 2 84 99 54 56 63 70 73 32 33 34 78 76 75 31 30 29 28 93 90 97 53 52 51 96 45 44 46 47 49 48 16 12 9 8 82 83 39 40 41 81 13 14 50 55 57 58 98 59 66 68 67 95 61 60 62 64 65 69 74 27 26 24 18 86 85 88 89 37 80 77 dengan fitnes= 7579.000000
6 5 4 25 94 42 43 71 72
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
Lampiran 5-12
Pbest[25] ==>: 79 38 36 35 13 15 19 20 21 91 92 23 22 17 10 7 3 1 0 87 2 84 99 54 56 63 70 73 32 33 34 78 76 75 31 30 29 28 93 90 97 53 52 51 96 45 44 46 47 49 48 16 12 9 8 82 83 39 40 41 81 11 14 50 55 57 58 98 59 66 68 67 95 61 60 62 64 65 69 74 27 26 24 18 86 85 88 89 37 80 77 dengan fitnes= 7509.000000
6 5 4 25 94 43 42 71 72
Pbest[26] ==>: 79 38 35 36 11 15 19 20 21 91 92 23 22 17 10 7 3 1 0 87 2 84 99 54 56 90 70 73 32 33 34 78 76 75 31 30 29 28 93 63 97 53 52 51 96 45 44 46 47 49 48 16 12 9 8 82 83 39 40 41 81 13 14 50 55 57 58 98 59 66 68 67 95 61 60 62 64 65 69 74 27 26 24 18 86 85 88 89 37 80 77 dengan fitnes= 7636.000000
6 5 4 25 94 42 43 71 72
Pbest[27] ==>: 79 38 36 35 13 17 19 20 21 91 92 23 22 15 10 7 3 1 0 87 2 84 99 54 56 63 70 73 32 33 34 78 76 75 31 30 29 28 93 90 97 53 52 51 96 45 44 46 47 49 48 16 12 9 8 82 83 39 40 41 81 11 14 50 55 57 58 98 59 66 68 67 95 61 60 62 64 65 69 74 27 26 24 18 86 85 88 89 37 80 77 dengan fitnes= 7509.000000
6 5 4 25 94 42 43 71 72
Pbest[28] ==>: 79 38 35 36 11 56 19 20 21 91 92 23 22 17 10 7 3 1 0 87 2 84 99 54 43 63 70 73 32 33 34 78 76 75 31 30 29 28 93 90 97 53 52 51 96 45 44 46 47 49 48 16 12 9 8 82 83 39 40 41 81 13 14 50 55 57 58 98 59 66 68 67 95 61 60 62 64 65 69 74 27 26 24 18 86 85 88 89 37 80 77 dengan fitnes= 8612.000000
6 5 4 25 94 15 42 71 72
Pbest[29] ==>: 79 38 36 17 11 35 19 20 21 91 92 23 22 15 10 7 3 1 0 87 2 84 99 54 56 63 70 73 32 33 34 78 76 75 31 30 29 28 93 90 97 53 52 51 96 45 44 46 47 49 48 16 12 9 8 82 83 39 40 41 81 13 14 50 55 57 58 98 59 66 68 67 95 61 60 62 64 65 69 74 27 26 24 18 86 85 88 89 37 80 77 dengan fitnes= 8201.000000
6 5 4 25 94 42 43 71 72
Pbest[30] ==>: 79 38 36 35 11 14 19 20 21 91 92 23 22 17 10 7 3 1 0 87 2 84 99 54 56 63 70 73 32 33 34 78 76 75 31 30 29 28 93 90 97 53 52 51 96 45 44 46 47 49 48 16 12 9 8 82 83 39 40 41 81 13 15 50 55 57 58 98 59 66 68 67 95 61 60 62 64 65 69 74 27 26 24 18 86 85 88 89 37 80 77 dengan fitnes= 7554.000000 ----------------------------gbest ==> 79 38 36 35 11 15 19 20 21 91 92 23 22 17 10 7 6 5 0 87 3 84 99 54 56 98 70 73 32 33 34 78 76 75 31 30 29 28 25 90 97 53 52 51 96 46 45 44 47 49 48 16 12 9 8 82 83 39 40 41 80 13 14 50 55 57 58 59 63 66 68 69 95 61 60 62 64 65 67 71 27 26 24 18 86 85 88 89 37 81 77 dengan fitnes= 7509.000000
6 5 4 25 94 42 43 71 72
4 2 1 94 93 43 42 72 74
jadi rute terbaik yang dihasilkan adalah: 79 38 36 35 11 15 19 20 21 91 92 23 22 17 10 7 6 5 4 2 1 0 87 3 84 99 54 56 98 70 73 32 33 34 78 76 75 31 30 29 28 25 94 93 90 97 53 52 51 96 46 45 44 47 49 48 16 12 9 8 82 83 39 40 41 43 42 80 13 14 50 55 57 58 59 63 66 68 69 95 61 60 62 64 65 67 71 72 74 27 26 24 18 86 85 88 89 37 81 77 dengan fitnes: 7509.000000
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
Lampiran 5-13
PARAMETER YG DIGUNAKAN: >>Jumlah ukuran swarm= 30 >>Temperatur awal= 10000.000000 >>Temperatur akhir= 1.000000 >>Koefisien cooling= 0.990000 >>Jumlah modifikasi partikel= 10 Pbest[1] ==>: 20 19 18 17 14 49 39 83 82 9 2 40 12 8 3 0 1 52 4 6 7 5 84 35 36 37 96 26 28 73 66 63 65 57 56 50 47 46 44 45 77 62 64 68 71 72 74 69 67 95 48 43 42 41 99 38 86 87 85 88 89 81 91 60 61 59 98 90 dengan fitnes= 11206.000000
10 51 79 70
15 53 80 29
93 97 13 30
94 21 11 78
27 22 16 76
33 23 54 75
34 24 55 31
32 25 58 92
Pbest[2] ==>: 20 19 18 17 14 40 39 83 82 9 52 49 12 8 3 0 1 2 4 6 7 5 84 35 36 37 96 34 28 70 66 63 65 98 56 50 47 46 44 45 77 62 64 68 71 72 74 69 67 95 48 43 42 41 99 38 86 87 85 88 89 81 91 60 61 59 57 90 dengan fitnes= 10100.000000
10 51 79 73
15 53 80 29
93 97 13 30
94 21 11 78
27 22 16 76
26 23 54 75
33 24 55 31
32 25 58 92
Pbest[3] ==>: 20 19 18 17 14 40 39 83 82 9 52 49 96 8 3 0 1 2 4 6 7 5 84 35 36 37 12 26 28 73 66 63 65 57 56 50 47 46 44 45 77 62 64 68 71 72 74 69 67 95 48 43 42 41 99 38 86 87 85 88 89 81 91 60 61 59 98 90 dengan fitnes= 9686.000000
10 51 79 70
15 53 80 29
93 97 13 30
94 21 11 78
27 22 16 76
33 23 54 75
34 24 55 31
32 25 58 92
Pbest[4] ==>: 20 19 18 17 14 40 39 83 82 9 10 8 15 49 12 2 3 51 1 0 4 6 7 5 84 35 36 37 96 52 53 26 28 70 66 63 65 57 56 50 47 46 44 45 77 79 80 62 64 68 71 72 74 69 67 95 48 43 42 41 99 73 29 38 86 87 85 88 89 81 91 60 61 59 98 90 dengan fitnes= 10787.000000
93 97 13 30
94 21 11 78
27 22 16 76
33 23 54 75
34 24 55 31
32 25 58 92
Pbest[5] ==>: 20 19 18 17 82 40 39 83 14 9 51 49 12 8 3 2 1 0 4 6 7 5 84 35 36 37 96 26 28 70 66 63 65 57 56 50 47 46 44 45 77 62 64 68 71 72 74 69 67 95 48 43 42 41 99 38 86 87 85 88 89 81 73 60 61 59 98 90 dengan fitnes= 10312.000000
10 52 79 15
91 53 80 29
93 97 13 30
94 21 11 78
27 22 16 76
34 23 54 75
33 24 55 31
32 25 58 92
Pbest[6] ==>: 20 19 18 17 14 40 39 83 82 9 15 49 51 8 3 0 1 2 4 6 7 5 84 35 36 37 96 26 28 70 66 63 65 57 56 50 47 46 44 45 77 62 64 68 71 72 74 69 67 95 48 43 42 41 99 38 86 87 85 88 89 81 91 60 61 59 98 90 dengan fitnes= 10074.000000
12 52 79 73
10 53 80 29
27 97 13 30
94 21 11 78
93 22 16 76
33 23 54 75
34 24 55 31
32 25 58 92
Pbest[7] ==>: 20 19 18 17 14 40 39 83 82 9 10 15 93 94 27 33 34 32 52 49 12 38 3 0 1 2 4 6 7 5 84 35 36 37 96 51 53 97 21 22 23 24 25 26 28 73 66 63 65 57 56 50 47 46 44 45 77 79 80 13 11 16 54 55 58 62 64 68 71 72 74 69 67 95 48 43 42 41 99 70 29 30 78 76 75 31 92 8 86 87 85 88 89 81 91 60 61 59 98 90 dengan fitnes= 9679.000000
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
Lampiran 5-14
Pbest[8] ==>: 20 19 18 17 14 40 39 83 82 9 52 49 12 8 3 0 1 2 4 6 7 5 84 35 36 37 96 26 28 73 66 63 65 57 54 50 47 46 44 45 77 62 64 68 71 72 74 69 67 95 48 43 42 41 99 38 86 87 85 88 89 81 91 60 61 59 98 90 dengan fitnes= 9592.000000
10 51 79 70
15 53 80 29
93 97 13 30
94 21 11 78
27 22 16 76
33 23 56 75
34 24 55 31
32 25 58 92
Pbest[9] ==>: 20 19 18 17 14 40 39 83 82 9 51 49 12 8 3 0 1 2 4 6 7 5 84 35 36 41 96 26 28 70 66 63 65 57 56 50 47 46 44 45 77 62 64 68 74 72 71 69 67 95 48 43 42 37 99 38 86 87 85 88 89 81 91 60 61 59 98 90 dengan fitnes= 9755.000000
10 52 79 73
15 53 80 29
93 97 13 30
94 21 11 78
27 22 16 76
33 23 54 75
34 24 55 31
32 25 58 92
Pbest[10] ==>: 20 19 18 17 14 3 39 83 82 9 10 2 15 49 12 8 40 51 1 0 4 6 7 5 84 35 36 37 96 52 53 26 28 70 66 63 65 57 56 50 47 46 44 45 77 79 80 62 64 68 71 72 74 69 67 95 48 43 42 41 99 73 29 38 86 87 85 88 89 81 91 60 61 59 98 90 dengan fitnes= 11133.000000
93 97 13 30
94 21 11 78
27 22 16 76
33 23 54 75
34 24 55 31
32 25 58 92
Pbest[11] ==>: 52 49 12 8 3 0 26 28 91 66 63 62 64 68 71 72 38 86 87 85 88 dengan fitnes=
20 70 18 17 19 40 39 83 82 9 10 14 1 2 4 6 7 5 84 35 36 37 96 51 53 65 57 56 50 47 46 44 45 77 79 80 74 69 67 95 48 43 42 41 99 73 29 89 81 15 60 61 59 98 90 10646.000000
93 97 13 30
94 21 11 78
27 22 16 76
33 23 54 75
34 24 55 31
32 25 58 92
Pbest[12] ==>: 51 17 12 8 3 0 26 28 70 66 63 62 64 68 71 72 38 86 87 85 88 dengan fitnes=
20 19 18 15 14 40 39 83 82 9 10 49 1 2 4 6 7 5 84 35 36 37 96 52 53 65 57 56 50 47 46 44 45 77 79 80 74 69 67 95 48 43 42 41 99 73 29 89 81 91 60 61 59 98 90 9674.000000
93 97 13 30
94 21 11 78
27 22 16 76
34 23 54 75
33 24 55 31
32 25 58 92
Pbest[13] ==>: 52 49 12 4 3 0 26 28 70 66 63 62 64 68 71 72 38 86 87 85 88 dengan fitnes=
20 19 18 17 15 40 39 83 82 9 10 14 1 2 8 6 7 5 84 35 36 37 96 51 53 65 57 56 50 47 46 44 45 77 79 80 74 69 67 95 48 43 42 41 99 73 29 89 81 91 60 61 59 98 90 9694.000000
93 97 13 30
94 21 11 78
27 22 16 76
33 23 54 75
34 24 55 31
32 25 58 92
Pbest[14] ==>: 52 49 12 8 3 2 26 28 73 66 63 62 64 68 71 72 38 86 87 85 88 dengan fitnes=
20 19 18 17 14 40 39 83 82 9 10 15 1 0 4 6 7 5 84 35 36 37 96 51 53 65 57 56 50 47 46 44 80 77 79 45 74 69 67 95 48 43 42 41 99 70 29 89 81 91 60 61 59 98 90 9732.000000
93 97 13 30
94 21 11 78
27 22 16 76
34 23 54 75
33 24 55 31
32 25 58 92
Pbest[15] ==>: 52 49 12 8 3 0 26 28 70 66 63 62 64 68 71 72 38 86 87 85 88 dengan fitnes=
20 19 18 17 14 40 39 83 82 9 10 15 1 2 4 6 7 5 84 35 36 37 96 51 53 60 57 56 50 47 46 44 45 77 79 80 74 69 67 95 48 43 42 41 99 73 29 89 81 91 65 61 59 98 90 9670.000000
93 97 13 30
94 21 11 78
27 22 16 76
33 23 54 75
34 24 55 31
32 25 58 92
Pbest[16] ==>: 20 19 18 15 14 40 39 83 82 9 10 17 93 94 27 33 34 32 52 49 12 8 3 0 1 2 4 6 7 5 84 35 36 37 96 51 53 97 21 22 23 24 25 26 28 70 66 63 65 57 56 50 47 46 44 45 77 79 80 13 11 16 54 55 58
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
Lampiran 5-15
62 64 68 71 72 74 69 67 95 48 43 42 41 99 73 29 30 78 76 75 31 92 38 86 87 85 88 89 81 91 60 61 59 98 90 dengan fitnes= 9566.000000
Skripsi
Pbest[17] ==>: 51 49 12 8 3 0 26 28 73 66 63 62 64 68 71 72 38 86 87 85 88 dengan fitnes=
20 18 19 17 14 40 39 83 82 9 10 15 1 2 4 6 7 5 84 35 36 37 96 52 53 65 57 56 50 47 46 44 45 77 79 80 74 69 67 95 48 43 42 41 99 70 29 89 81 91 60 61 59 98 90 9680.000000
93 97 13 30
94 21 11 78
27 22 16 76
33 23 54 75
34 24 55 31
32 25 58 92
Pbest[18] ==>: 52 49 12 8 3 0 25 28 73 66 63 62 64 68 71 72 38 86 87 85 88 dengan fitnes=
20 19 18 17 14 40 39 83 82 9 10 15 1 2 4 6 7 5 84 35 36 37 96 51 53 65 57 56 50 47 46 44 45 77 79 80 74 69 67 95 48 43 42 41 99 70 29 89 81 91 60 61 59 98 90 9622.000000
93 97 13 30
94 21 11 78
27 22 16 76
33 23 54 75
34 24 55 31
32 26 58 92
Pbest[19] ==>: 70 49 12 8 3 2 26 28 73 66 63 62 64 68 71 72 38 86 87 85 88 dengan fitnes=
20 19 18 17 14 10 39 83 82 9 40 15 1 0 4 6 7 5 84 35 36 37 96 52 53 65 57 56 50 47 46 44 45 77 79 80 74 69 67 95 48 43 42 41 99 51 29 89 81 91 60 61 59 98 90 9858.000000
93 97 13 30
94 21 11 78
27 22 16 76
34 23 54 75
33 24 55 31
32 25 58 92
Pbest[20] ==>: 51 49 12 9 6 0 26 28 70 66 63 62 64 68 71 72 38 86 87 85 88 dengan fitnes=
20 19 18 17 14 40 39 83 82 8 10 15 1 2 4 3 7 5 84 35 36 37 96 52 53 65 57 56 50 47 46 44 45 77 79 80 74 69 67 95 48 43 42 41 99 73 29 89 81 91 60 61 59 98 90 9606.000000
93 97 13 30
94 21 11 78
27 22 16 76
34 23 54 75
33 24 55 31
32 25 58 92
Pbest[21] ==>: 51 49 12 8 3 2 26 28 70 66 63 62 64 68 71 72 38 86 87 85 88 dengan fitnes=
20 19 18 15 14 40 39 83 82 9 10 17 1 0 4 84 7 5 6 35 36 37 96 52 53 65 57 56 50 47 46 44 45 77 79 80 74 69 67 95 48 43 42 41 99 73 29 89 81 91 60 61 59 98 90 9704.000000
93 97 13 30
94 21 11 78
27 22 16 76
34 23 54 75
33 24 55 31
32 25 58 92
Pbest[22] ==>: 51 49 14 8 3 0 26 28 70 66 63 62 64 68 71 72 38 86 87 85 88 dengan fitnes=
20 19 18 17 12 40 39 83 82 9 10 15 1 2 4 6 7 5 84 35 36 37 96 52 53 65 57 56 50 47 46 44 45 77 79 80 74 69 67 95 48 43 42 41 99 73 29 89 81 91 60 61 59 98 90 9634.000000
93 97 13 30
94 21 11 78
27 22 16 76
33 23 54 75
34 24 55 31
32 25 58 92
Pbest[23] ==>: 53 49 12 8 3 2 26 28 70 66 63 62 64 68 71 72 38 86 87 85 88 dengan fitnes=
20 19 18 17 14 40 39 83 82 9 10 15 1 0 4 6 7 5 84 35 36 37 96 52 51 65 57 56 50 47 46 44 45 77 79 80 74 69 67 95 48 43 42 41 99 73 29 89 81 91 60 61 59 98 90 9628.000000
93 97 13 30
94 21 11 78
27 22 16 76
33 23 54 75
34 24 55 31
32 25 58 92
Pbest[24] ==>: 51 49 12 8 3 0 26 28 70 66 63 62 64 68 71 72 38 86 87 85 88 dengan fitnes=
20 19 18 17 14 40 39 83 82 9 10 15 1 2 4 6 7 5 84 35 36 37 96 52 53 65 57 56 50 47 46 43 45 77 79 80 74 69 67 95 48 44 42 41 99 73 29 89 81 91 60 61 59 98 90 9665.000000
93 97 13 30
94 21 11 78
27 22 16 76
34 23 54 75
33 24 55 31
32 25 58 92
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
Lampiran 5-16
Pbest[25] ==>: 51 49 12 8 3 2 26 28 70 66 63 62 64 68 71 72 38 86 87 85 88 dengan fitnes=
20 19 18 17 14 40 39 83 82 9 10 15 1 0 4 6 7 5 84 35 36 37 96 52 53 65 57 56 50 47 16 44 45 77 79 80 74 69 67 95 48 43 42 41 99 73 29 89 81 91 60 61 59 98 90 9760.000000
93 97 13 30
94 21 11 78
27 22 46 76
34 23 54 75
33 24 55 31
32 25 58 92
Pbest[26] ==>: 10 49 73 8 3 0 26 28 51 66 63 62 64 68 71 72 38 86 87 85 88 dengan fitnes=
20 19 18 17 14 40 39 83 82 9 12 15 1 2 4 6 7 5 84 35 36 37 96 52 53 65 59 56 50 47 46 44 45 77 79 80 74 69 67 95 48 43 42 41 99 70 29 89 81 91 60 61 57 98 90 11530.000000
93 97 13 30
94 21 11 78
27 22 16 76
33 23 54 75
34 24 55 31
32 25 58 92
Pbest[27] ==>: 51 49 12 8 3 2 26 28 70 66 63 62 64 68 71 72 38 86 87 85 88 dengan fitnes=
20 19 18 17 15 40 83 39 82 9 10 14 1 0 4 6 7 5 84 35 36 37 96 52 53 65 57 56 50 47 46 44 45 77 79 80 74 69 67 95 48 43 42 41 99 73 29 89 81 91 60 61 59 98 90 9651.000000
93 97 13 30
94 21 11 78
27 22 16 76
33 23 54 75
34 24 55 31
32 25 58 92
Pbest[28] ==>: 51 49 12 8 3 2 26 28 70 66 63 62 64 68 71 72 38 86 87 85 88 dengan fitnes=
20 19 18 17 15 42 39 83 82 9 10 14 1 0 4 6 7 5 84 35 36 37 96 52 53 65 57 56 50 47 46 44 45 77 79 80 74 69 67 95 48 43 40 41 99 73 29 89 81 91 60 61 59 98 90 9648.000000
93 97 13 30
94 21 11 78
27 22 16 76
34 23 54 75
33 24 55 31
32 25 58 92
Pbest[29] ==>: 51 49 12 8 3 2 26 28 73 66 63 62 64 68 71 72 38 86 87 85 88 dengan fitnes=
20 19 18 17 14 40 6 83 82 9 1 0 4 39 7 5 84 35 36 37 96 65 57 56 50 47 46 44 45 77 74 69 67 95 48 43 42 41 99 89 81 91 60 61 59 98 90 9772.000000
93 97 13 30
94 21 11 78
27 22 16 76
34 23 54 75
33 24 55 31
32 25 58 92
Pbest[30] ==>: 20 19 18 17 14 40 39 83 82 9 10 15 93 12 49 52 8 3 0 1 2 4 6 7 5 84 35 36 37 96 51 53 97 26 28 70 66 63 65 57 56 50 47 46 44 45 77 79 80 13 62 64 68 71 72 74 69 67 95 48 43 42 41 99 73 29 30 38 86 87 85 88 89 81 91 60 61 59 98 90 dengan fitnes= 10085.000000 ----------------------------gbest ==> 20 19 17 15 14 40 39 83 82 8 10 91 93 94 96 12 9 2 0 1 4 5 6 7 3 84 35 36 37 49 51 52 97 21 28 73 70 63 65 57 54 50 47 46 44 45 77 79 80 13 11 64 68 69 71 72 74 67 95 48 99 41 42 43 66 29 30 75 86 85 87 88 89 81 18 60 61 59 98 90 dengan fitnes= 9533.000000
94 21 11 78
27 22 16 76
33 23 54 75
34 24 55 31
32 25 58 92
26 22 16 76
32 23 55 78
33 24 56 31
34 25 58 92
53 27 62 38
10 52 79 70
15 53 80 29
jadi rute terbaik yang dihasilkan adalah: 20 19 17 15 14 40 39 83 82 8 10 91 93 94 26 32 33 34 53 96 12 9 2 0 1 4 5 6 7 3 84 35 36 37 49 51 52 97 21 22 23 24 25 27 28 73 70 63 65 57 54 50 47 46 44 45 77 79 80 13 11 16 55 56 58 62 64 68 69 71 72 74 67 95 48 99 41 42 43 66 29 30 75 76 78 31 92 38 86 85 87 88 89 81 18 60 61 59 98 90 dengan fitnes: 9533.000000
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
Lampiran 5-17
PARAMETER YG DIGUNAKAN: >>Jumlah ukuran swarm= 30 >>Temperatur awal= 10000.000000 >>Temperatur akhir= 1.000000 >>Koefisien cooling= 0.990000 >>Jumlah modifikasi partikel= 30
Skripsi
Pbest[1] ==>: 8 7 6 5 4 1 2 3 84 35 36 38 40 80 30 27 25 24 23 22 15 82 83 41 81 79 77 12 9 10 16 71 72 74 29 28 26 94 93 66 70 73 32 78 76 34 33 49 47 45 44 99 42 39 88 89 37 43 46 48 54 55 61 60 91 0 87 85 86 96 51 52 53 57 97 19 dengan fitnes= 8504.000000
13 14 64 95
20 11 62 65
21 17 59 63
92 18 58 68
31 90 56 69
75 98 50 67
Pbest[2] ==>: 15 7 6 5 4 1 2 3 84 35 36 38 31 27 25 24 23 22 8 82 83 41 81 79 77 12 9 71 72 74 29 28 26 94 93 66 70 73 32 78 76 49 47 45 99 44 42 39 88 89 37 43 46 48 54 60 91 0 87 85 86 96 51 52 53 57 97 18 dengan fitnes= 8655.000000
40 10 34 55
80 11 33 61
13 14 64 95
16 19 62 65
21 17 59 63
92 20 58 68
30 90 56 69
75 98 50 67
Pbest[3] ==>: 15 7 6 5 4 1 2 3 84 35 36 38 30 27 25 24 23 22 8 82 83 40 81 79 77 12 9 71 72 74 29 28 26 94 93 66 70 73 32 78 76 49 47 45 44 99 42 39 88 89 37 43 46 48 54 60 91 0 87 85 86 96 51 52 53 57 97 19 dengan fitnes= 8389.000000
41 10 34 55
80 11 33 61
13 14 64 95
18 16 62 65
21 17 59 63
92 20 58 68
31 90 56 69
75 98 50 67
Pbest[4] ==>: 15 7 6 5 4 1 2 35 84 3 36 38 31 27 25 24 23 22 8 82 83 41 81 79 77 12 9 71 72 74 29 28 26 94 93 66 70 73 32 78 76 49 47 45 44 99 42 39 88 89 37 43 46 48 54 60 91 0 87 85 86 96 51 52 53 57 97 19 dengan fitnes= 8473.000000
40 10 34 55
80 11 33 61
13 14 64 95
18 16 62 65
21 17 59 63
92 20 58 68
30 90 56 69
75 98 50 67
Pbest[5] ==>: 13 7 6 4 5 2 1 3 84 35 36 38 31 27 25 24 23 22 8 82 83 41 81 79 77 12 9 71 72 74 29 28 26 94 93 66 70 73 32 78 76 49 47 45 44 99 42 39 88 89 37 43 46 48 54 60 91 0 87 85 86 96 51 52 53 57 97 90 dengan fitnes= 8472.000000
40 10 34 55
80 11 33 61
15 14 64 95
20 16 62 65
21 17 59 63
92 18 58 68
30 19 56 69
75 98 50 67
Pbest[6] ==>: 13 7 6 5 4 2 1 3 84 35 36 38 30 27 25 24 23 22 8 82 83 42 81 79 77 12 9 71 72 74 29 28 26 94 93 66 70 73 32 78 76 49 47 45 44 99 41 39 37 89 88 43 46 48 54 60 91 0 87 85 86 96 51 52 53 57 97 19 dengan fitnes= 8433.000000
40 10 34 55
80 11 33 61
15 14 64 95
20 16 62 65
21 17 59 63
92 18 58 68
31 90 56 69
75 98 50 67
Pbest[7] ==>: 15 7 6 5 4 3 1 2 84 35 36 38 30 27 25 24 23 22 8 82 83 41 81 79 77 12 9 71 72 74 29 28 26 94 93 66 70 73 32 78 76 49 47 45 44 99 42 39 37 89 88 43 46 48 54 61 91 0 87 85 86 96 51 52 53 57 97 19 dengan fitnes= 8389.000000
40 10 34 55
80 11 33 60
13 14 64 95
20 16 62 65
21 17 59 63
92 18 58 68
31 90 56 69
75 98 50 67
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
Lampiran 5-18
Pbest[8] ==>: 15 6 7 5 4 1 2 3 84 35 36 38 30 27 25 24 23 22 8 82 83 41 81 79 77 12 9 71 72 74 29 28 26 94 93 66 70 73 32 78 76 49 47 45 44 99 42 39 88 89 37 43 46 48 54 60 91 0 87 85 86 96 51 52 53 57 97 19 dengan fitnes= 8425.000000
40 10 34 55
80 11 33 61
13 14 64 95
20 16 62 65
21 17 59 63
92 18 58 68
31 90 56 69
75 98 50 67
Pbest[9] ==>: 15 7 6 5 4 1 2 3 84 35 36 38 30 27 25 24 23 22 8 82 83 41 81 79 77 12 9 71 72 74 29 28 26 94 93 66 70 73 32 78 76 49 47 45 44 99 42 39 88 89 37 43 46 48 54 60 91 0 87 85 86 96 51 52 53 57 97 18 dengan fitnes= 8415.000000
40 10 34 55
80 11 33 61
13 14 64 95
19 16 62 65
21 17 98 63
92 20 58 68
31 90 56 69
75 59 50 67
Pbest[10] ==>: 15 7 6 5 4 2 1 3 84 36 35 38 40 80 30 27 25 24 23 22 8 82 83 41 81 79 77 12 9 10 11 71 72 74 29 28 26 94 93 66 70 73 32 78 76 34 33 49 47 45 44 99 42 39 88 89 37 43 46 48 54 55 61 60 91 0 87 85 86 96 51 52 53 57 97 19 dengan fitnes= 8407.000000
13 14 64 95
20 16 62 65
21 17 59 63
92 18 58 68
31 90 56 69
75 98 50 67
Pbest[11] ==>: 15 7 6 5 4 1 2 3 84 35 36 38 40 80 20 27 25 24 23 22 8 82 83 41 81 79 77 12 9 10 11 71 72 74 29 28 26 94 93 66 70 73 32 78 76 34 33 49 47 45 44 99 42 39 88 89 37 43 46 48 54 55 61 60 91 0 87 85 86 96 51 52 53 57 97 19 dengan fitnes= 9714.000000
13 14 64 95
18 16 62 65
21 17 59 63
92 31 58 68
30 90 56 69
75 98 50 67
Pbest[12] ==>: 15 7 6 5 4 1 2 3 84 35 36 38 40 80 31 27 25 24 23 22 8 82 83 41 81 79 77 12 9 10 11 71 72 74 29 28 26 94 93 66 70 73 32 78 76 34 33 49 47 45 44 99 42 39 37 89 88 43 46 48 54 55 61 60 91 85 87 0 86 96 51 52 53 57 97 19 dengan fitnes= 8431.000000
13 14 64 95
18 16 62 65
21 17 59 63
92 20 58 68
30 90 56 69
75 98 50 67
Pbest[13] ==>: 17 7 6 5 4 2 1 3 84 35 36 38 40 80 31 27 25 24 23 22 8 82 83 41 81 79 77 12 9 10 11 71 72 74 29 28 26 94 93 66 70 73 32 78 76 34 33 49 47 45 44 99 42 39 37 89 88 43 46 48 54 55 61 60 91 0 87 85 86 96 51 52 53 57 97 19 dengan fitnes= 8389.000000
13 14 64 95
18 16 62 65
21 15 59 63
92 20 58 68
30 90 56 69
75 98 50 67
Pbest[14] ==>: 15 7 6 5 4 2 1 3 84 35 36 38 40 80 75 27 25 24 23 22 8 82 83 41 81 79 77 12 9 10 11 71 72 74 29 28 26 94 93 66 70 73 32 78 76 34 33 49 47 45 44 99 42 39 37 89 88 43 46 48 54 55 61 60 91 0 87 85 86 96 51 52 53 57 97 20 dengan fitnes= 8572.000000
13 14 64 95
21 16 62 65
19 17 59 63
92 18 58 68
30 90 56 69
31 98 50 67
Pbest[15] ==>: 15 7 6 5 4 2 1 3 84 35 36 38 40 80 30 27 25 24 23 22 8 82 83 41 81 79 77 12 9 10 11 71 72 74 29 28 26 94 93 66 70 73 32 78 76 34 33 49 47 45 44 99 42 39 88 89 37 43 46 48 54 55 61 60 91 0 87 85 86 96 51 52 53 57 97 19 dengan fitnes= 8441.000000
13 14 64 95
18 16 62 65
20 17 59 63
92 21 58 68
31 90 56 69
75 98 50 67
Pbest[16] ==>: 15 6 7 5 4 2 1 3 84 35 36 38 40 80 13 20 21 92 30 75 31 27 25 24 23 22 8 82 83 41 81 79 77 12 9 10 11 14 16 17 18 90 98 71 72 74 29 28 26 94 93 66 70 73 32 78 76 34 33 64 62 59 58 56 50
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
Lampiran 5-19
49 47 45 44 99 42 39 88 89 37 43 46 48 54 55 61 95 65 63 68 69 67 60 91 0 87 85 86 96 51 52 53 57 97 19 dengan fitnes= 8425.000000
Skripsi
Pbest[17] ==>: 13 7 6 5 4 2 1 3 84 35 36 38 40 80 30 27 25 24 23 22 8 82 83 41 81 79 77 12 9 10 11 71 72 74 29 28 26 94 93 66 70 73 32 78 76 34 33 49 47 45 44 99 42 39 37 89 88 43 46 48 54 55 61 60 91 0 87 85 86 96 51 52 53 57 97 19 dengan fitnes= 8389.000000
15 14 64 95
20 16 62 65
21 17 59 63
92 18 58 68
31 90 56 69
75 98 50 67
Pbest[18] ==>: 17 7 6 5 4 1 2 3 84 35 36 38 40 80 31 27 25 92 23 22 8 82 83 41 81 79 77 12 9 10 11 71 72 74 29 28 26 94 93 66 70 73 32 78 76 34 33 49 47 45 44 99 42 39 88 89 37 43 46 48 54 55 61 60 91 0 87 85 86 96 51 52 53 57 97 19 dengan fitnes= 8554.000000
15 14 64 95
20 16 62 65
21 13 59 63
24 18 58 68
30 90 56 69
75 98 50 67
Pbest[19] ==>: 15 7 6 5 4 2 1 3 84 35 36 38 40 80 30 27 25 24 23 22 8 82 83 41 81 79 77 12 9 10 11 71 72 74 29 28 26 94 93 66 70 73 32 78 33 34 76 49 47 45 44 99 42 39 88 89 37 43 46 48 54 55 61 60 91 0 87 85 86 96 51 52 53 57 97 19 dengan fitnes= 8449.000000
13 14 64 95
20 16 62 65
21 17 59 63
92 18 58 68
31 90 56 69
75 98 50 67
Pbest[20] ==>: 15 7 6 5 4 2 84 3 1 35 36 38 40 80 30 27 25 24 23 22 8 82 83 41 81 79 77 12 9 10 11 71 72 74 29 28 26 94 93 66 70 73 32 78 76 34 33 49 47 45 44 99 42 39 88 89 37 43 46 48 54 55 61 60 91 0 87 85 86 96 51 52 53 57 97 90 dengan fitnes= 8510.000000
13 14 64 95
20 16 62 65
21 17 59 63
92 18 58 68
31 19 56 69
75 98 50 67
Pbest[21] ==>: 15 7 6 5 1 2 4 3 84 35 36 38 40 80 30 27 25 24 23 22 8 82 83 41 81 79 77 12 9 10 11 71 72 74 29 28 26 94 93 66 70 73 32 78 76 34 33 49 47 45 44 99 42 39 37 89 88 43 46 48 54 55 61 60 91 0 87 85 86 96 51 52 53 57 97 19 dengan fitnes= 8429.000000
13 14 64 95
18 16 62 65
21 17 59 63
92 20 58 68
31 90 56 69
75 98 50 67
Pbest[22] ==>: 8 7 6 5 4 2 1 3 84 35 36 38 40 80 30 27 25 24 23 22 19 82 83 41 81 79 77 12 9 10 11 71 72 74 29 28 26 94 93 66 70 73 32 78 76 34 33 49 47 45 46 99 42 39 37 89 88 43 44 48 54 55 61 60 91 0 87 85 86 96 51 52 53 57 97 18 dengan fitnes= 8437.000000
13 14 64 95
15 16 62 65
21 17 59 63
92 20 58 68
31 90 56 69
75 98 50 67
Pbest[23] ==>: 15 7 6 5 4 2 1 3 84 35 36 38 40 80 13 8 31 27 25 24 23 22 20 82 83 41 81 79 77 12 9 10 11 14 16 71 72 74 29 28 26 94 93 66 70 73 32 78 76 34 33 64 62 49 47 45 44 99 42 39 37 89 88 43 46 48 54 55 61 95 65 60 91 0 87 85 86 96 51 52 53 57 97 19 dengan fitnes= 8587.000000
21 17 59 63
92 18 58 68
30 90 56 69
75 98 50 67
Pbest[24] ==>: 15 7 6 5 4 1 2 3 84 35 36 38 40 80 31 27 25 24 23 22 8 82 83 41 81 79 77 12 9 10 11 71 72 74 29 28 26 94 93 66 70 73 32 78 76 34 33 49 47 45 44 99 42 39 88 89 37 43 46 48 54 55 61 60 91 0 87 85 86 96 51 52 53 57 97 90 dengan fitnes= 8538.000000
21 17 62 63
92 18 58 68
30 19 56 69
75 98 50 67
13 14 64 95
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
20 16 59 65
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
Lampiran 5-20
Skripsi
Pbest[25] ==>: 15 7 6 5 4 2 1 3 84 35 36 38 40 80 30 26 25 24 23 22 8 82 83 41 81 79 77 12 9 10 11 71 72 74 29 28 27 94 93 66 70 73 32 78 76 34 33 49 47 45 44 99 42 39 88 89 37 43 46 48 54 55 61 60 91 0 87 85 86 96 51 52 53 57 97 19 dengan fitnes= 8389.000000
13 14 64 95
20 16 62 65
21 17 59 63
92 18 58 68
31 90 56 69
75 98 50 67
Pbest[26] ==>: 15 7 6 5 4 2 1 3 84 35 36 38 39 80 30 27 25 24 23 21 8 82 83 41 81 79 77 12 9 10 11 71 72 74 29 28 26 94 93 66 70 73 32 78 76 34 33 49 47 45 44 99 42 40 88 89 37 43 46 48 54 55 61 60 91 0 87 85 86 96 51 52 53 57 97 19 dengan fitnes= 8405.000000
13 14 64 95
20 16 62 65
22 17 59 63
92 18 58 68
31 90 56 69
75 98 50 67
Pbest[27] ==>: 15 7 6 5 4 3 1 2 84 35 36 38 40 80 31 92 25 24 23 22 8 82 83 41 81 79 77 12 9 10 11 71 72 74 29 28 26 94 93 66 70 73 32 78 76 34 33 49 47 45 44 99 42 39 88 89 37 43 46 48 54 55 61 60 91 0 87 85 86 96 51 52 53 57 97 27 dengan fitnes= 9358.000000
13 14 64 95
18 16 62 65
21 17 59 63
19 20 58 68
30 90 56 69
75 98 50 67
Pbest[28] ==>: 15 7 6 5 4 2 1 3 84 35 36 38 40 80 30 27 25 24 23 22 8 82 83 41 81 79 77 12 9 10 11 71 72 74 29 28 26 94 93 66 70 73 32 78 76 34 33 49 47 45 44 99 42 39 88 89 37 43 46 48 54 55 61 60 91 0 87 85 86 96 51 52 53 57 97 19 dengan fitnes= 8389.000000
13 14 64 95
20 16 62 65
21 17 59 63
92 18 58 68
75 90 56 69
31 98 50 67
Pbest[29] ==>: 15 7 6 5 4 2 1 3 84 35 36 38 40 41 31 27 25 24 23 22 8 82 83 80 81 79 77 12 9 10 11 71 72 74 29 28 26 94 93 66 70 73 32 78 76 34 33 49 47 45 44 99 42 39 88 89 37 43 46 48 54 55 61 60 91 0 87 85 86 96 51 52 53 57 97 19 dengan fitnes= 8459.000000
13 14 64 95
18 16 62 65
21 17 59 63
92 20 58 68
30 90 56 69
75 98 50 67
Pbest[30] ==>: 8 7 6 5 4 2 1 3 84 35 36 38 40 80 30 27 25 24 23 22 15 82 83 41 81 13 77 12 9 10 11 71 72 74 29 28 26 94 93 66 70 73 32 78 76 34 33 49 47 45 44 99 42 39 88 89 37 43 46 48 54 55 61 60 91 0 87 85 86 96 51 52 53 57 97 19 dengan fitnes= 8451.000000 ----------------------------gbest ==> 17 7 6 5 4 3 1 2 84 35 36 39 41 81 13 75 25 24 23 22 8 82 83 40 80 79 77 12 9 10 11 14 72 74 29 27 26 94 93 64 66 70 32 78 76 34 33 73 47 46 44 99 42 38 89 88 37 43 45 48 50 54 61 95 91 0 87 85 86 96 51 52 53 57 97 19 dengan fitnes= 8389.000000
79 14 64 95
18 16 62 65
21 17 59 63
92 20 58 68
31 90 56 69
75 98 50 67
20 16 62 65
21 15 59 63
92 18 58 68
28 90 56 69
30 98 55 67
31 71 49 60
jadi rute terbaik yang dihasilkan adalah: 17 7 6 5 4 3 1 2 36 39 41 81 13 20 21 92 28 30 31 75 25 24 23 22 8 82 83 40 80 12 9 10 11 14 16 15 18 90 98 71 72 74 29 27 26 94 93 64 66 70 76 34 33 73 62 59 58 56 55 49 47 46 44 99 42 38 89 88 37 43 50 54 61 95 65 63 68 69 67 60 91 0 87 85 86 96 51 52 53 57 97 dengan fitnes: 8389.000000
84 79 32 45 19
35 77 78 48
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
Lampiran 5-21
PARAMETER YG DIGUNAKAN: >>Jumlah ukuran swarm= 30 >>Temperatur awal= 10000.000000 >>Temperatur akhir= 1.000000 >>Koefisien cooling= 0.990000 >>Jumlah modifikasi partikel= 50
Skripsi
Pbest[1] ==>: 20 19 18 17 15 14 13 12 8 7 6 5 4 0 87 85 23 24 25 94 93 92 21 41 39 83 82 9 10 61 65 72 74 29 27 81 42 43 48 49 50 54 55 56 57 58 95 67 69 71 76 34 33 30 64 62 60 59 63 68 28 73 70 66 47 46 44 36 84 3 2 1 99 45 79 77 16 96 51 52 53 97 98 90 dengan fitnes= 7921.000000
86 26 32 88
35 91 78 89
40 11 75 37
22 80 31 38
Pbest[2] ==>: 20 19 18 17 15 14 13 12 8 7 6 5 4 0 87 86 23 24 25 94 93 92 21 41 39 83 82 9 10 61 65 72 74 29 27 81 42 43 48 49 50 54 55 56 57 58 95 67 69 71 76 34 33 30 64 62 59 60 63 70 28 73 68 66 47 46 44 36 84 3 2 1 99 45 79 77 16 96 51 52 53 97 98 90 dengan fitnes= 7957.000000
85 26 32 88
35 91 78 89
40 11 75 37
22 80 31 38
Pbest[3] ==>: 20 19 18 17 15 14 13 12 8 7 6 5 4 0 87 85 23 24 25 94 93 92 21 9 39 83 82 11 10 61 65 72 74 29 27 81 42 43 48 49 50 54 55 56 57 58 95 67 69 71 76 34 33 30 64 62 59 60 63 68 28 73 70 66 47 46 44 40 84 3 2 1 99 45 79 77 16 96 51 52 53 97 98 90 dengan fitnes= 8473.000000
86 26 32 88
35 91 78 89
41 36 75 37
22 80 31 38
Pbest[4] ==>: 20 19 18 17 15 11 13 12 9 7 6 5 4 87 0 85 23 24 25 94 93 92 21 41 39 83 82 8 10 61 65 72 74 29 27 81 42 99 48 49 50 54 55 56 57 58 95 67 69 71 76 34 33 30 64 62 59 60 63 68 28 73 70 66 47 46 44 36 84 3 2 1 43 45 79 77 16 96 51 52 53 97 98 90 dengan fitnes= 7963.000000
86 26 32 88
35 91 78 89
40 14 75 37
22 80 31 38
Pbest[5] ==>: 20 19 18 17 15 14 13 12 9 7 6 5 4 0 87 85 23 24 25 94 93 92 40 41 39 83 82 8 10 61 65 72 74 29 27 81 42 43 48 49 50 54 55 56 57 58 95 67 69 71 76 34 33 30 64 62 60 59 63 68 28 73 70 66 47 46 44 36 84 3 2 1 99 45 79 77 16 96 51 52 53 97 98 90 dengan fitnes= 7959.000000
86 26 32 88
35 91 78 89
21 11 75 37
22 80 31 38
Pbest[6] ==>: 20 19 18 17 15 14 13 12 8 7 6 5 4 0 87 85 1 23 24 25 94 93 92 21 41 39 83 82 9 10 61 65 72 74 29 27 26 81 42 99 48 49 50 54 55 56 57 58 95 67 69 71 76 34 33 32 30 64 62 59 60 63 68 28 73 70 66 47 46 44 36 84 3 2 86 88 43 45 79 77 16 96 51 52 53 97 98 90 dengan fitnes= 7966.000000
35 91 78 89
40 11 75 37
22 80 31 38
Pbest[7] ==>: 20 19 18 17 15 14 13 12 8 7 6 5 4 0 87 85 23 24 25 94 93 92 21 41 39 82 83 9 10 61 65 72 74 29 27 81 42 43 48 49 50 54 55 56 57 58 95 67 69 71 76 34 33 30 64 62 60 59 63 70 28 73 68 66 47 46 44 36 84 3 2 1 99 45 79 77 16 96 51 52 53 97 98 90 dengan fitnes= 7967.000000
35 91 78 89
40 11 75 37
22 80 31 38
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
86 26 32 88
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
Lampiran 5-22
Pbest[8] ==>: 20 19 18 17 15 11 13 12 9 7 6 5 4 0 87 85 23 24 25 94 93 92 21 41 39 83 82 8 10 61 65 72 74 29 27 81 42 99 48 49 50 54 55 56 57 58 95 67 69 71 76 34 33 30 64 62 59 60 63 68 70 73 28 66 47 46 44 36 84 3 2 1 43 45 79 77 16 96 51 52 53 97 98 90 dengan fitnes= 7921.000000
86 26 32 88
35 91 78 89
40 14 75 37
22 80 31 38
Pbest[9] ==>: 20 19 18 17 15 11 13 12 9 7 6 5 4 0 87 85 23 24 25 94 93 92 21 41 39 83 82 8 10 61 65 72 74 29 27 81 42 99 48 49 50 54 55 56 57 58 95 67 69 71 76 34 33 30 64 62 59 60 63 68 28 73 70 66 47 46 44 36 84 3 2 1 43 45 79 77 16 96 51 52 53 97 98 90 dengan fitnes= 7921.000000
86 26 32 88
35 91 78 89
40 14 75 37
22 80 31 38
Pbest[10] ==>: 22 23 24 25 94 80 81 42 43 48 31 30 64 62 60 38 99 45 79 77 dengan fitnes=
20 19 18 17 15 14 13 12 8 7 6 5 4 0 93 92 21 39 40 83 82 9 10 61 65 71 74 49 50 54 55 56 57 58 95 67 69 72 76 59 63 68 28 73 70 66 47 46 44 36 84 16 96 51 52 53 97 98 90 7957.000000
87 85 29 27 34 33 3 2 1
86 26 32 88
35 91 78 89
41 11 75 37
Pbest[11] ==>: 22 23 24 25 94 80 81 42 43 48 31 30 64 62 59 38 99 45 79 77 dengan fitnes=
20 19 18 17 15 14 13 12 8 7 6 5 4 0 93 92 21 41 39 83 82 9 10 61 95 71 74 49 50 54 55 56 57 58 65 67 69 72 76 60 63 68 28 73 70 66 47 46 44 36 84 16 96 51 52 53 97 98 90 7921.000000
87 85 29 27 34 33 3 2 1
86 26 32 88
35 91 78 89
40 11 75 37
Pbest[12] ==>: 22 23 24 25 94 80 81 42 99 48 31 30 64 62 59 38 91 45 79 77 dengan fitnes=
20 19 18 17 15 14 13 12 8 7 6 5 4 0 93 92 21 41 39 83 82 9 10 61 65 72 74 49 50 54 55 56 57 58 95 67 69 43 76 60 63 68 28 73 70 66 47 46 44 36 84 16 96 51 52 53 97 98 90 10165.000000
87 85 29 27 34 33 3 2 1
86 26 32 88
35 71 78 89
40 11 75 37
Pbest[13] ==>: 22 23 24 25 94 80 81 42 57 48 31 30 64 62 60 38 99 45 79 77 dengan fitnes=
20 19 18 17 15 14 13 12 8 7 6 5 4 0 93 92 21 41 39 83 82 9 10 61 65 11 74 49 50 54 55 56 71 58 95 67 69 72 76 59 63 70 28 73 68 66 47 46 44 36 84 16 96 51 52 53 97 98 90 9858.000000
87 85 29 27 34 33 3 2 1
86 26 32 88
35 91 78 89
40 43 75 37
Pbest[14] ==>: 22 23 24 25 94 80 81 42 43 48 31 30 64 62 59 38 99 45 79 77 dengan fitnes=
20 19 18 17 15 11 13 12 9 7 6 5 4 0 93 92 21 41 39 83 82 8 10 61 14 71 74 49 50 54 55 56 57 95 65 67 69 72 76 60 63 68 28 73 70 66 47 46 44 36 84 16 96 51 52 53 97 98 90 8734.000000
87 85 29 27 34 33 3 2 1
86 26 32 88
35 91 78 89
40 58 75 37
Pbest[15] ==>: 22 23 24 25 94 80 40 42 43 48 31 30 64 62 59 38 99 45 79 77 dengan fitnes=
20 19 18 17 15 14 11 12 8 7 6 5 4 0 93 92 21 41 39 83 82 9 10 61 65 72 74 49 50 54 55 56 57 58 95 67 69 71 76 60 63 68 28 73 70 66 47 46 44 35 84 16 96 51 52 53 97 98 90 7959.000000
87 85 29 27 34 33 3 2 1
86 26 32 88
36 91 78 89
81 13 75 37
Pbest[16] ==>: 20 19 18 17 15 14 13 12 9 7 6 5 4 0 87 85 86 35 40 22 23 24 25 94 93 91 21 41 39 83 82 8 10 61 65 71 74 29 27 26 92 11 80 81 42 43 48 49 50 54 55 56 57 58 95 67 69 72 76 34 33 32 78 75
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
Lampiran 5-23
31 30 64 62 59 60 63 68 28 73 70 66 47 46 44 36 84 3 2 1 88 89 37 38 99 45 79 77 16 96 51 52 53 97 98 90 dengan fitnes= 7921.000000
Skripsi
Pbest[17] ==>: 23 24 25 94 93 80 81 42 40 48 31 30 64 62 59 38 99 45 79 77 dengan fitnes=
20 19 18 17 15 14 13 12 8 7 92 21 41 39 83 82 36 10 61 49 50 54 55 56 57 58 72 67 60 63 68 28 73 70 66 47 46 16 96 51 52 53 97 98 90 10763.000000
6 5 4 65 71 69 43 44 95
0 87 85 86 35 9 74 29 27 26 91 76 34 33 32 78 84 3 2 1 88 89
Pbest[18] ==>: 22 21 24 25 94 80 81 42 43 48 31 30 64 62 59 38 99 45 79 77 dengan fitnes=
20 19 18 17 15 14 13 12 9 7 6 5 4 0 93 92 23 41 39 83 82 8 10 61 65 72 74 49 50 54 55 56 57 58 95 67 69 71 76 60 63 68 28 73 70 66 47 46 44 36 84 16 96 51 52 53 97 98 90 7981.000000
87 85 29 27 34 33 3 2 1
86 26 32 88
35 91 78 89
40 11 75 37
Pbest[19] ==>: 22 23 24 25 94 80 81 42 43 48 31 30 64 62 59 38 99 45 79 77 dengan fitnes=
20 19 18 17 15 14 13 12 8 7 6 5 4 0 93 92 21 41 39 83 82 9 10 61 65 72 74 49 50 54 55 56 57 58 95 67 69 71 76 60 63 68 28 73 70 66 47 46 44 36 84 16 96 51 52 53 97 98 90 7999.000000
87 85 29 27 78 33 3 2 1
86 26 32 88
35 91 34 89
40 11 75 37
Pbest[20] ==>: 22 23 24 25 94 80 81 42 43 48 31 30 64 62 59 38 99 45 79 77 dengan fitnes=
20 19 18 17 15 14 13 12 9 7 6 5 4 0 93 92 21 41 39 83 82 8 10 61 65 72 74 49 50 54 55 56 57 58 95 67 69 71 76 60 63 68 28 73 70 66 47 46 44 36 84 16 96 51 52 53 97 98 90 7958.000000
85 87 29 27 34 33 3 2 1
86 26 32 88
35 91 78 89
40 11 75 37
Pbest[21] ==>: 22 23 24 25 94 80 81 42 43 48 31 30 64 62 59 38 99 45 79 77 dengan fitnes=
20 19 18 17 15 14 13 12 9 7 6 4 5 0 93 92 21 41 39 83 82 8 10 61 65 72 74 49 50 54 55 56 57 58 95 67 69 71 76 60 63 70 28 73 68 66 47 46 44 36 84 16 96 51 52 53 97 98 90 7965.000000
87 85 29 27 34 33 3 2 1
86 26 32 88
35 91 78 89
40 11 75 37
Pbest[22] ==>: 22 23 24 25 94 80 81 42 99 48 31 30 64 62 59 38 43 45 79 77 dengan fitnes=
20 19 18 17 15 14 13 12 9 7 6 5 4 0 93 91 21 41 39 83 82 8 10 61 65 72 74 49 50 54 55 56 57 58 95 67 69 71 76 60 63 68 28 73 70 66 47 46 44 36 84 16 96 51 52 53 97 98 90 7921.000000
87 85 29 27 34 33 3 2 1
86 26 32 88
35 92 78 89
40 11 75 37
Pbest[23] ==>: 22 23 24 25 94 80 81 42 43 48 31 30 64 62 59 38 99 45 79 77 dengan fitnes=
20 19 18 17 15 14 13 12 8 7 6 5 4 0 93 92 21 41 39 83 82 9 10 61 65 72 74 49 50 54 55 56 57 58 95 67 69 71 76 60 63 68 28 73 70 66 47 46 44 36 84 16 96 51 52 53 97 98 90 7957.000000
87 86 29 27 34 33 3 2 1
85 26 32 88
35 91 78 89
40 11 75 37
Pbest[24] ==>: 22 23 24 25 94 80 81 42 43 48 31 30 64 62 59 38 99 45 79 77 dengan fitnes=
20 19 18 17 15 14 13 12 9 7 6 5 4 85 87 0 93 92 21 41 39 83 82 8 10 61 65 72 74 29 27 49 50 54 55 56 57 58 95 67 69 71 76 34 33 60 63 68 28 73 70 66 47 46 44 36 84 3 2 1 16 96 51 52 53 97 98 90 7963.000000
86 26 32 88
35 91 78 89
40 11 75 37
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
22 11 75 37
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
Lampiran 5-24
Pbest[25] ==>: 22 23 24 25 94 80 81 42 43 48 31 30 64 62 60 38 99 45 36 77 dengan fitnes=
20 19 18 17 15 14 13 12 9 7 6 5 4 0 93 92 21 41 39 83 82 8 10 61 65 71 74 49 50 54 55 56 57 58 79 67 69 72 76 59 63 70 28 73 68 66 47 46 44 95 84 16 96 51 52 53 97 98 90 9997.000000
87 85 29 27 34 33 3 2 1
86 26 32 88
35 91 78 89
40 11 75 37
Pbest[26] ==>: 22 93 24 25 94 80 81 42 43 48 31 30 64 62 59 38 99 45 79 77 dengan fitnes=
20 19 18 17 15 14 13 12 9 7 6 5 4 0 23 92 21 41 39 83 82 8 10 61 65 72 74 49 50 54 55 56 57 58 95 67 69 71 76 60 63 68 28 73 70 66 47 46 44 36 84 16 96 51 52 53 97 98 90 8060.000000
87 85 29 27 34 33 3 2 1
86 26 32 88
35 91 78 89
40 11 75 37
Pbest[27] ==>: 22 23 24 25 94 80 81 42 43 48 31 30 64 62 59 38 99 45 79 77 dengan fitnes=
20 19 18 17 15 11 13 12 9 7 6 5 4 0 93 92 21 41 39 83 82 8 10 61 65 72 74 49 50 54 55 56 57 58 95 67 69 71 76 60 63 68 73 28 70 66 47 46 44 36 84 16 96 51 52 53 97 98 90 7921.000000
87 85 29 27 34 33 3 2 1
86 26 32 88
35 91 78 89
40 14 75 37
Pbest[28] ==>: 22 23 24 25 94 80 81 42 43 48 31 30 64 63 59 38 99 45 79 77 dengan fitnes=
20 19 18 17 15 11 13 12 8 7 6 5 4 0 93 92 21 41 39 83 82 9 10 61 65 72 74 49 50 54 55 56 57 58 95 67 69 71 76 60 62 68 28 73 70 66 47 46 44 36 84 16 96 51 52 53 97 98 90 7993.000000
87 85 29 27 34 33 3 2 1
86 26 32 88
35 91 78 89
40 14 75 37
Pbest[29] ==>: 22 23 24 25 94 80 81 42 43 48 31 30 64 62 60 38 99 45 79 77 dengan fitnes=
20 19 18 17 15 14 13 12 8 83 6 93 92 21 41 39 7 82 9 10 61 95 49 50 54 55 56 57 58 65 67 69 59 63 70 28 73 68 66 47 46 44 16 96 51 52 53 97 98 90 7997.000000
87 85 29 27 34 33 3 2 1
86 26 32 88
35 91 78 89
40 11 75 37
Pbest[30] ==>: 20 19 18 17 15 14 13 12 9 7 6 5 4 85 87 0 22 23 24 25 94 93 92 21 41 39 83 82 8 10 61 65 72 74 29 27 80 81 42 99 48 49 50 54 55 56 57 58 95 67 69 71 76 34 33 31 30 64 62 59 60 63 68 28 73 70 66 47 46 44 40 84 3 2 1 38 43 45 79 77 16 96 51 52 53 97 98 90 dengan fitnes= 8331.000000 ----------------------------gbest ==> 20 19 18 17 15 14 13 12 8 7 6 5 4 0 87 85 86 35 24 25 94 93 92 81 40 39 83 82 9 10 61 65 67 74 29 27 26 91 42 99 48 49 50 54 55 56 57 58 95 69 71 72 75 34 33 32 78 64 62 59 60 66 70 28 73 68 63 47 46 38 36 84 3 2 1 88 89 45 79 77 16 96 51 52 53 97 98 90 dengan fitnes= 7921.000000
86 26 32 88
35 91 78 89
11 36 75 37
21 11 76 37
22 80 31 43
23 41 30 44
5 4 0 71 74 72 76 36 84
jadi rute terbaik yang dihasilkan adalah: 20 19 18 17 15 14 13 12 8 7 6 5 4 0 87 85 86 35 21 22 23 24 25 94 93 92 81 40 39 83 82 9 10 61 65 67 74 29 27 26 91 11 80 41 42 99 48 49 50 54 55 56 57 58 95 69 71 72 75 34 33 32 78 76 31 30 64 62 59 60 66 70 28 73 68 63 47 46 38 36 84 3 2 1 88 89 37 43 44 45 79 77 16 96 51 52 53 97 98 90 dengan fitnes: 7921.000000
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
Lampiran 5-25
PARAMETER YG DIGUNAKAN: >>Jumlah ukuran swarm= 30 >>Temperatur awal= 100000.000000 >>Temperatur akhir= 1.000000 >>Koefisien cooling= 0.990000 >>Jumlah modifikasi partikel= 10 Pbest[1] ==>: 20 19 18 17 15 14 11 1 0 87 27 28 73 29 74 72 71 69 68 56 16 36 35 3 4 40 42 43 99 95 67 75 31 32 78 76 34 33 30 49 50 54 55 58 60 70 66 63 65 61 98 90 97 77 79 84 2 85 86 89 39 80 41 94 25 93 dengan fitnes= 9794.000000
88 37 5 6 83 52 51 53 57
38 13 96 59
22 81 23 24 8 10 7 12 9 45 44 46 47 62 64 92 91
26 82 48 21
Pbest[2] ==>: 22 19 18 15 17 14 36 1 0 87 27 28 73 29 74 72 71 69 68 56 16 11 35 3 4 41 42 43 99 95 67 75 31 32 78 76 34 33 30 49 50 54 55 58 60 63 66 70 65 61 98 90 97 77 79 84 2 85 86 89 39 80 93 94 25 23 dengan fitnes= 8670.000000
88 37 5 6 83 52 51 53 57
38 40 81 20 24 7 8 10 13 12 9 96 45 44 46 47 59 62 64 92 91
26 82 48 21
Pbest[3] ==>: 22 19 18 14 15 17 11 1 0 87 27 28 73 29 74 72 71 69 68 56 16 36 35 3 4 40 42 43 99 95 67 75 31 32 78 76 34 33 30 49 50 54 55 58 60 70 66 63 65 61 98 90 97 77 79 84 2 85 86 89 39 80 93 94 25 23 dengan fitnes= 9423.000000
88 37 5 6 83 52 51 53 57
38 7 96 59
20 81 41 24 8 10 13 12 9 45 44 46 47 62 64 92 91
26 82 48 21
38 40 81 20 24 7 35 10 13 12 9 96 45 44 46 47 59 62 64 92 91
26 82 48 21
Pbest[4] ==>: 22 19 18 17 15 14 11 1 0 27 28 73 29 74 72 71 69 68 56 16 36 8 3 41 42 43 99 95 67 75 31 32 78 76 34 33 49 50 54 55 58 60 70 66 63 65 61 98 90 77 79 84 2 85 86 89 39 80 93 94 25 23 dengan fitnes= 9113.000000
Skripsi
87 88 4 5 6 30 52 97 53
37 83 51 57
Pbest[5] ==>: 22 19 18 17 15 14 11 1 0 87 27 28 73 29 74 72 71 69 68 56 16 36 35 3 4 40 42 43 99 95 67 75 31 32 78 76 34 33 30 49 50 54 55 58 97 70 66 63 65 61 98 90 60 77 79 84 2 86 85 89 39 80 93 94 25 23 dengan fitnes= 8833.000000
88 37 5 6 83 52 51 53 57
38 41 81 20 24 7 8 10 13 12 9 96 45 44 46 47 59 62 64 92 91
26 82 48 21
Pbest[6] ==>: 22 19 18 17 15 14 11 1 0 87 27 66 73 29 74 72 71 69 68 56 16 36 35 3 4 41 42 43 99 95 67 75 31 32 78 76 34 33 30 49 50 54 55 58 60 70 28 63 65 61 98 90 97 77 79 84 2 85 86 89 39 80 93 94 25 23 dengan fitnes= 8857.000000
88 37 5 6 83 52 51 53 57
38 40 81 20 24 7 8 10 13 12 9 96 45 44 46 47 59 62 64 92 91
26 82 48 21
Pbest[7] ==>: 20 19 18 17 15 14 11 1 0 87 27 28 73 29 74 72 71 69 68 56 16 36 35 3 4 41 42 43 99 95 67 75 31 32 78 76 34 33 30 49 50 54 55 58 60 63 66 70 65 61 98 90 97 77 79 84 2 85 86 89 39 82 93 94 25 23 dengan fitnes= 8633.000000
88 37 38 5 6 83 7 52 51 96 53 57 59
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
40 81 22 24 8 10 13 12 9 45 44 46 47 62 64 92 91
26 80 48 21
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
Lampiran 5-26
Pbest[8] ==>: 22 19 18 56 15 14 11 1 0 87 27 28 73 29 74 72 71 69 68 17 16 36 84 3 4 41 42 43 99 95 67 75 31 32 78 76 34 33 30 49 50 54 55 58 60 70 66 63 65 61 98 90 97 77 79 35 2 85 86 89 39 80 93 94 25 23 dengan fitnes= 8972.000000
88 37 5 6 83 52 51 53 57
38 7 96 59
40 81 20 24 8 10 13 12 9 45 44 46 47 62 64 92 91
26 82 48 21
Pbest[9] ==>: 19 20 18 17 15 14 11 1 0 87 27 28 73 29 74 72 71 69 68 56 16 36 35 3 4 41 42 43 99 95 67 75 31 32 78 76 34 33 30 49 50 54 55 58 60 70 66 63 65 61 98 90 97 77 79 84 2 86 85 89 39 80 93 94 25 88 dengan fitnes= 10677.000000
22 37 5 6 83 52 51 53 57
38 7 96 59
40 81 23 24 8 10 13 12 9 45 44 46 47 62 64 92 91
26 82 48 21
Pbest[10] ==>: 22 19 18 17 15 14 11 1 0 87 88 37 27 28 73 29 74 72 71 69 68 56 16 36 35 3 4 5 6 83 40 42 43 99 75 67 95 31 32 78 76 34 33 30 52 51 49 50 54 55 58 60 70 66 63 65 61 98 90 97 53 57 77 79 84 2 85 86 89 39 80 93 94 25 23 dengan fitnes= 9116.000000
38 41 81 20 24 7 8 10 13 12 9 96 45 44 46 47 59 62 64 92 91
26 82 48 21
Pbest[11] ==>: 22 19 18 17 15 14 11 1 0 87 88 37 27 28 73 29 74 72 71 69 68 56 16 36 84 3 4 5 6 83 41 42 43 99 95 67 75 31 32 78 76 34 33 30 52 51 49 50 54 55 58 60 70 66 63 65 61 98 90 97 53 57 77 79 35 2 85 86 89 39 80 93 94 25 23 dengan fitnes= 8585.000000
38 40 81 20 24 7 8 10 13 12 9 96 45 44 46 47 59 62 64 92 91
26 82 48 21
Pbest[12] ==>: 22 19 18 17 15 14 36 1 0 87 88 37 27 28 73 29 74 72 71 69 68 56 16 11 35 3 4 5 6 83 40 42 43 99 95 67 75 31 32 78 76 34 33 30 52 51 49 50 54 55 58 60 63 66 70 65 61 98 90 97 53 57 77 79 84 2 85 86 89 39 80 93 94 24 23 dengan fitnes= 8609.000000
38 41 81 20 25 7 8 10 13 12 9 96 45 44 46 47 59 62 64 92 91
26 82 48 21
Pbest[13] ==>: 18 19 20 17 15 14 11 1 0 87 88 37 27 28 73 29 74 72 71 69 68 56 16 36 35 3 4 5 6 83 41 42 43 99 95 67 75 31 32 78 76 34 33 30 52 51 49 50 54 55 58 60 70 66 63 65 61 98 90 97 53 57 77 79 84 2 86 85 89 39 80 93 94 25 23 dengan fitnes= 8791.000000
38 40 81 22 24 7 8 10 13 12 9 96 45 44 46 47 59 62 64 92 91
26 82 48 21
Pbest[14] ==>: 22 19 18 17 15 14 11 1 0 87 88 37 27 28 73 29 74 72 71 69 68 41 16 36 84 3 4 5 6 83 40 42 43 99 95 67 75 31 32 78 76 34 33 30 52 51 49 50 54 55 58 60 70 66 63 65 61 98 90 97 53 57 77 79 35 2 85 86 10 39 80 93 94 56 23 dengan fitnes= 10988.000000
38 25 81 20 24 7 8 89 13 12 9 96 45 44 46 47 59 62 64 92 91
26 82 48 21
Pbest[15] ==>: 22 19 18 17 45 14 11 1 0 87 88 37 27 28 73 29 74 72 71 69 68 56 16 36 35 3 4 5 6 83 40 42 43 99 95 67 75 31 32 78 76 34 33 30 52 51 49 50 54 55 58 60 70 66 63 65 61 98 90 97 53 57 77 79 84 2 85 86 89 39 80 93 94 25 23 dengan fitnes= 8984.000000
38 41 81 20 24 7 8 10 13 12 9 96 15 44 46 47 59 62 64 92 91
26 82 48 21
Pbest[16] ==>: 22 19 18 17 15 14 11 1 0 87 88 37 38 40 81 20 24 26 27 28 73 29 74 72 71 69 68 56 16 36 35 3 4 5 6 83 7 8 10 9 12 13 82 25 42 43 99 95 67 75 31 32 78 76 34 33 30 52 51 96 45 44 46 47 48
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
Lampiran 5-27
49 50 54 55 58 60 70 66 63 65 61 98 90 97 53 57 59 62 64 92 91 21 77 79 84 2 85 86 89 39 80 93 94 41 23 dengan fitnes= 10595.000000 Pbest[17] ==>: 22 20 18 17 15 14 11 1 0 87 88 37 38 27 28 73 29 74 72 71 69 68 56 16 9 35 3 4 5 6 83 7 8 40 42 43 99 95 67 75 31 32 78 76 34 33 30 52 51 96 49 50 54 55 58 60 70 66 63 65 61 98 90 97 53 57 59 77 79 84 2 85 86 89 39 80 93 94 25 23 dengan fitnes= 8930.000000
24 36 47 91
26 82 48 21
Pbest[18] ==>: 20 19 18 17 14 15 11 1 0 87 88 37 27 28 73 29 74 72 71 69 68 56 16 36 35 3 4 5 6 83 41 42 43 99 95 67 75 31 32 78 76 34 33 30 52 51 49 50 54 55 58 60 70 66 63 65 61 98 90 97 53 57 77 79 84 2 85 86 89 39 80 93 94 25 23 dengan fitnes= 8653.000000
38 40 81 22 24 7 8 10 13 12 9 96 45 44 46 47 59 62 64 92 91
26 82 48 21
Pbest[19] ==>: 22 19 18 17 15 14 13 1 0 87 88 37 27 28 73 29 74 72 71 69 68 56 16 36 3 35 4 5 6 83 40 42 43 99 95 67 75 31 32 78 76 34 33 30 52 51 49 50 54 55 58 60 63 66 70 65 61 98 90 97 53 57 77 79 84 2 85 86 89 39 80 93 94 25 23 dengan fitnes= 9172.000000
38 41 81 11 24 7 8 10 20 12 9 96 45 44 46 47 59 62 64 92 91
26 82 48 21
Pbest[20] ==>: 22 19 18 17 15 14 11 1 0 87 88 37 27 28 73 29 74 72 71 69 68 55 16 36 35 3 4 5 6 83 40 42 43 99 95 67 75 31 32 78 76 34 33 30 52 51 49 50 54 56 58 60 70 66 63 65 61 98 90 97 53 57 77 79 84 2 85 86 89 39 80 93 94 25 23 dengan fitnes= 8585.000000
38 41 81 20 24 7 8 10 13 12 9 96 45 44 46 47 59 62 64 92 91
26 82 48 21
Pbest[21] ==>: 22 19 18 17 15 14 80 1 0 87 88 37 27 28 73 29 74 72 71 69 68 56 16 36 35 3 4 5 6 83 40 42 43 99 95 67 75 31 32 78 76 34 33 30 52 51 49 50 54 55 58 60 70 66 63 65 61 98 90 97 53 57 77 79 84 2 85 86 89 39 11 93 94 25 23 dengan fitnes= 8612.000000
38 41 81 20 24 7 8 10 12 13 9 96 45 44 46 47 59 62 64 92 91
26 82 48 21
Pbest[22] ==>: 22 19 18 17 15 14 11 1 0 87 88 37 27 28 73 29 74 72 71 69 68 56 16 36 35 3 4 5 6 83 40 42 43 99 95 67 75 31 32 78 76 34 33 30 52 51 47 50 54 55 58 60 70 66 63 65 61 98 90 97 53 57 77 79 84 2 85 86 89 39 80 93 94 81 23 dengan fitnes= 10608.000000
38 25 41 20 24 7 8 10 13 12 9 96 45 44 46 49 59 62 64 92 91
26 82 48 21
Pbest[23] ==>: 22 19 18 17 15 14 11 1 0 87 8 27 28 73 29 74 72 71 69 68 56 16 36 35 3 4 5 82 40 42 43 99 95 67 75 31 32 78 76 34 33 30 48 49 50 54 55 58 60 70 66 63 65 61 98 90 97 21 77 79 84 2 85 86 89 39 80 93 94 88 23 dengan fitnes= 10732.000000
81 13 44 64
19 12 46 92
37 38 41 81 25 24 26 6 83 7 20 10 13 12 9 52 51 96 45 44 46 47 53 57 59 62 64 92 91
Pbest[24] ==>: 22 19 18 17 15 20 11 1 0 87 14 37 27 28 73 29 74 72 71 69 68 56 16 36 35 3 4 5 6 83 84 42 43 99 95 67 75 31 32 78 76 34 33 30 52 51 49 50 54 55 58 60 70 66 63 65 61 98 90 97 53 57 77 79 2 88 85 86 89 39 80 93 94 25 23 dengan fitnes= 9825.000000
Skripsi
41 10 45 62
38 40 81 41 24 7 8 10 13 12 9 96 45 44 46 47 59 62 64 92 91
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
26 82 48 21
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
Lampiran 5-28
Pbest[25] ==>: 22 19 18 17 15 14 11 1 0 87 88 37 27 28 73 29 74 72 71 69 68 58 16 36 35 3 4 5 6 83 41 42 43 99 95 67 75 31 32 78 76 34 33 30 52 51 49 50 54 55 56 60 70 66 63 65 61 98 90 97 53 57 77 79 84 2 85 86 89 39 80 93 94 25 23 dengan fitnes= 8585.000000
38 40 81 20 24 7 8 10 12 13 9 96 45 44 46 47 59 62 64 92 91
26 82 48 21
Pbest[26] ==>: 22 19 18 17 15 14 11 1 0 87 88 37 27 28 73 29 74 72 71 69 68 56 16 36 35 3 4 5 6 83 40 42 43 99 95 67 75 31 32 78 76 34 33 30 52 51 49 50 54 55 58 60 70 66 63 65 61 98 90 97 53 57 77 79 84 2 85 86 89 39 80 93 94 25 23 dengan fitnes= 8585.000000
38 41 81 20 24 7 8 10 13 12 9 96 45 44 46 47 59 62 64 92 91
26 82 48 21
Pbest[27] ==>: 22 19 18 17 15 14 11 1 0 87 88 37 27 28 73 29 74 72 71 69 68 56 16 36 35 3 4 5 6 83 41 42 82 99 95 67 75 31 32 78 76 34 33 30 52 51 49 50 54 55 58 60 63 66 70 65 61 98 90 97 53 57 77 79 84 2 85 86 89 40 80 93 94 25 23 dengan fitnes= 8780.000000
38 39 81 20 24 7 8 10 12 13 9 96 45 44 46 47 59 62 64 92 91
26 43 48 21
Pbest[28] ==>: 20 19 18 15 17 14 11 1 0 87 88 37 27 28 73 29 74 72 71 69 68 56 16 36 35 3 4 5 6 83 41 42 43 99 95 67 75 31 32 78 76 34 33 30 52 51 49 50 54 55 58 60 70 66 63 65 61 98 90 97 53 57 77 79 84 2 85 86 89 39 80 93 94 25 23 dengan fitnes= 8643.000000
38 40 81 22 24 7 8 10 13 12 9 96 45 44 46 47 59 62 64 92 91
26 82 48 21
Pbest[29] ==>: 22 19 18 16 15 14 11 1 0 87 88 37 27 28 73 29 74 72 71 69 68 56 17 36 35 3 4 5 6 83 41 42 43 99 95 67 75 31 32 78 76 34 33 30 52 51 49 50 54 55 58 60 70 66 63 65 61 98 90 97 53 57 77 79 84 2 85 86 89 40 80 93 94 25 23 dengan fitnes= 8716.000000
38 39 81 20 24 7 8 10 13 12 9 96 45 44 46 47 59 62 64 92 91
26 82 48 21
Pbest[30] ==>: 22 19 18 17 15 14 11 1 0 87 88 37 38 41 81 20 24 27 28 73 29 74 72 71 69 68 56 16 36 35 3 4 5 6 83 7 8 10 13 12 9 40 42 99 43 95 67 75 31 32 78 76 34 33 30 52 51 96 45 44 46 47 49 50 54 55 58 60 70 66 63 65 61 98 90 97 53 57 59 62 64 92 91 77 79 84 2 85 86 89 39 80 93 94 25 23 dengan fitnes= 8600.000000 ----------------------------gbest ==> 22 20 18 17 15 14 11 1 0 87 88 89 38 40 81 19 24 26 27 73 29 74 72 71 69 68 56 16 36 35 3 4 5 6 7 83 8 10 13 12 9 82 41 42 99 95 67 75 31 32 78 76 34 33 30 52 51 96 45 44 46 47 49 48 54 55 58 59 70 66 63 65 61 98 90 97 53 57 60 62 64 92 91 21 77 84 2 85 86 37 39 80 93 94 25 23 dengan fitnes= 8558.000000
26 82 48 21
28 43 50 79
jadi rute terbaik yang dihasilkan adalah: 22 20 18 17 15 14 11 1 0 87 88 89 38 40 81 19 24 26 27 28 73 29 74 72 71 69 68 56 16 36 35 3 4 5 6 7 83 8 10 13 12 9 82 41 43 42 99 95 67 75 31 32 78 76 34 33 30 52 51 96 45 44 46 47 49 48 50 54 55 58 59 70 66 63 65 61 98 90 97 53 57 60 62 64 92 91 21 77 79 84 2 85 86 37 39 80 93 94 25 23 dengan fitnes: 8558.000000
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
Lampiran 5-29
PARAMETER YG DIGUNAKAN: >>Jumlah ukuran swarm= 30 >>Temperatur awal= 100000.000000 >>Temperatur akhir= 1.000000 >>Koefisien cooling= 0.990000 >>Jumlah modifikasi partikel= 30
Skripsi
Pbest[1] ==>: 85 87 0 1 2 7 82 83 10 12 81 79 77 20 22 23 24 26 27 25 62 59 58 14 11 15 17 18 19 21 91 94 28 30 31 32 47 46 45 44 99 41 40 39 42 43 50 54 60 66 70 73 29 74 72 71 90 80 37 89 88 86 dengan fitnes= 6931.000000
13 57 33 61
9 8 6 56 55 34 76 95 67
5 4 3 52 53 78 75 69 65
84 51 68 63
35 49 98 64
36 48 97 93
38 16 96 92
Pbest[2] ==>: 85 87 0 1 2 7 83 82 13 12 81 79 77 20 22 23 24 26 27 25 62 59 58 14 11 15 17 18 19 21 91 94 28 30 31 32 47 46 45 44 99 41 40 39 42 43 50 54 60 66 70 73 29 74 72 71 98 80 37 89 88 86 dengan fitnes= 6876.000000
9 10 8 6 57 56 55 33 34 76 61 95 67
5 4 3 52 53 78 75 69 65
84 51 68 63
35 49 90 64
36 48 97 93
38 16 96 92
Pbest[3] ==>: 85 87 0 1 6 2 83 82 10 9 13 12 8 7 81 79 77 20 22 23 24 26 27 25 62 59 58 57 56 55 14 11 15 17 18 19 21 91 94 28 30 31 32 33 34 76 47 46 45 44 99 41 40 39 42 43 50 54 60 61 95 67 66 70 73 29 74 72 71 90 80 37 89 88 86 dengan fitnes= 7080.000000
5 4 3 52 53 78 75 69 65
84 51 68 63
35 49 98 64
36 48 97 93
38 16 96 92
Pbest[4] ==>: 85 87 0 1 2 83 7 82 10 12 81 79 77 20 22 23 24 26 27 25 62 59 58 14 11 15 17 18 19 21 91 94 28 30 31 32 47 46 45 44 99 41 40 39 42 43 50 54 60 66 70 73 29 74 72 71 98 80 37 89 88 86 dengan fitnes= 6914.000000
9 8 6 56 55 34 76 95 67
5 4 3 52 53 78 75 69 65
84 51 68 63
35 49 90 64
36 48 97 93
38 16 96 92
Pbest[5] ==>: 1 87 0 85 2 7 83 82 10 9 13 12 8 6 81 79 77 20 22 23 24 26 27 25 62 59 58 57 56 55 14 11 15 17 18 19 21 91 94 28 30 31 32 33 34 76 47 46 45 44 99 42 40 39 41 43 50 54 60 61 95 67 66 70 73 29 74 72 71 90 80 37 89 88 86 dengan fitnes= 6960.000000
5 4 3 52 53 78 75 69 65
84 51 68 63
35 49 98 64
36 48 97 93
38 16 96 92
Pbest[6] ==>: 85 87 0 1 2 7 83 82 9 12 13 10 8 6 81 79 77 20 22 23 24 26 27 25 62 59 58 57 56 55 14 11 15 17 18 19 21 91 94 28 30 31 32 33 34 76 47 46 45 44 99 41 40 39 42 43 50 54 60 61 95 67 66 70 73 29 74 72 71 90 80 37 89 88 86 dengan fitnes= 6876.000000
5 4 3 52 53 78 75 69 65
84 51 68 63
35 49 98 64
36 48 97 93
38 16 96 92
Pbest[7] ==>: 85 87 0 1 2 7 83 12 10 82 81 79 77 20 22 23 24 25 27 26 62 59 58 14 11 15 17 18 19 21 91 94 28 30 31 32 47 46 45 44 99 41 40 39 42 43 50 54 60 66 70 73 29 74 72 71 98 80 37 89 88 86 dengan fitnes= 7081.000000
5 4 3 52 53 78 75 69 65
84 51 68 63
35 49 90 64
36 48 97 93
38 16 96 92
13 57 33 61
13 57 33 61
9 8 6 56 55 34 76 95 67
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
Lampiran 5-30
Pbest[8] ==>: 85 1 0 87 2 6 83 82 10 12 81 79 77 20 22 23 24 26 27 25 62 59 58 14 11 15 17 18 19 21 91 94 28 30 31 32 47 46 45 44 99 42 40 39 41 43 50 54 60 66 70 73 29 74 72 71 90 80 37 89 88 86 dengan fitnes= 6918.000000
13 57 33 61
9 8 7 56 55 34 76 95 67
5 4 3 52 53 78 75 69 65
84 51 68 63
35 49 98 64
36 48 97 93
38 16 96 92
Pbest[9] ==>: 85 87 0 1 2 7 83 82 10 9 13 12 8 6 81 79 77 20 22 23 24 26 27 25 62 59 58 57 56 55 14 11 15 17 18 19 21 91 94 28 30 31 32 33 34 76 47 46 45 44 99 41 40 39 42 43 50 54 60 61 95 67 66 70 73 29 74 72 71 98 80 37 89 88 86 dengan fitnes= 6876.000000
5 4 3 52 53 78 75 69 65
84 51 68 63
35 49 90 64
36 48 97 93
38 16 96 92
Pbest[10] ==>: 81 79 77 20 22 14 11 15 17 18 47 46 45 44 99 66 70 73 29 74 dengan fitnes=
85 87 0 1 2 7 83 10 13 12 6 23 24 26 27 25 62 59 58 57 19 21 91 94 28 30 31 32 33 41 40 39 42 43 50 54 60 61 72 71 90 80 37 89 88 86 7154.000000
9 8 82 56 55 34 76 95 67
5 4 3 52 53 78 75 69 65
84 51 68 63
35 49 98 64
36 48 97 93
38 16 96 92
Pbest[11] ==>: 81 79 77 20 22 14 11 15 17 18 47 46 45 44 99 66 70 73 29 74 dengan fitnes=
85 87 0 1 2 6 83 82 10 7 23 24 26 27 25 62 59 58 19 21 91 94 28 30 31 32 90 40 39 42 43 50 54 60 72 71 98 80 37 89 88 86 8673.000000
12 57 33 61
9 8 13 56 55 34 76 95 67
5 4 3 52 53 78 75 69 65
84 51 68 63
35 49 41 64
36 48 97 93
38 16 96 92
Pbest[12] ==>: 81 79 77 20 22 15 11 14 17 18 47 46 45 44 99 66 70 73 29 74 dengan fitnes=
85 87 0 1 2 7 83 82 10 9 23 24 26 27 25 62 59 58 19 21 91 90 28 30 31 32 39 40 41 42 43 50 54 60 72 71 94 80 37 89 88 86 7250.000000
13 57 33 61
12 56 34 95
8 6 55 76 67
5 4 3 52 53 78 75 69 65
84 51 68 63
35 49 98 64
36 48 97 93
38 16 96 92
Pbest[13] ==>: 81 79 77 20 22 14 11 15 17 18 47 46 45 44 99 66 70 73 29 74 dengan fitnes=
85 87 0 1 2 6 83 82 13 12 10 9 23 24 26 27 25 62 59 58 57 56 19 21 91 94 28 30 31 32 33 34 42 40 39 41 43 50 54 60 61 95 72 71 90 80 37 89 88 86 6920.000000
8 7 55 76 67
4 52 78 69
5 3 53 75 65
84 51 68 63
35 49 98 64
36 48 97 93
38 16 96 92
Pbest[14] ==>: 81 79 77 20 22 14 11 15 17 18 47 46 45 44 99 66 70 73 29 74 dengan fitnes=
85 87 0 1 2 6 83 82 10 9 23 24 26 27 94 62 59 58 19 21 91 25 28 30 31 32 39 40 41 42 43 50 54 60 72 71 98 80 37 89 88 86 6876.000000
12 56 34 95
8 7 55 76 67
5 52 78 69
4 3 53 75 65
84 51 68 63
35 49 90 64
36 48 97 93
38 16 96 92
Pbest[15] ==>: 81 79 77 20 22 14 11 15 17 18 47 46 45 44 99 66 70 73 29 74 dengan fitnes=
85 87 0 1 2 7 83 82 10 12 13 9 23 24 26 27 25 62 59 58 57 56 19 21 91 94 28 30 31 32 33 34 39 40 42 41 43 50 54 60 61 95 72 71 98 80 37 89 88 86 6920.000000
8 6 55 76 67
5 4 3 52 53 78 75 69 65
84 51 68 63
35 49 90 64
36 48 97 93
38 16 96 92
13 57 33 61
Pbest[16] ==>: 85 87 0 1 2 7 83 82 9 12 13 10 8 6 5 4 3 84 35 36 38 81 79 77 20 22 23 24 26 27 25 62 59 58 57 56 55 52 53 51 49 48 16 14 11 15 17 18 19 21 91 94 28 30 31 32 33 34 76 78 75 68 80 97 96
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
Lampiran 5-31
47 46 45 44 99 90 40 39 41 43 50 54 60 61 95 67 69 65 63 64 93 92 66 70 73 29 74 72 71 98 42 37 89 88 86 dengan fitnes= 8261.000000
Skripsi
Pbest[17] ==>: 81 79 77 20 22 14 11 15 17 18 47 46 45 44 99 66 70 73 29 74 dengan fitnes=
85 87 0 1 2 7 83 82 10 9 23 24 26 27 25 62 59 58 19 21 91 94 28 30 31 32 42 40 39 41 43 50 54 60 72 71 98 80 37 89 88 86 6988.000000
13 57 33 61
12 56 34 95
8 6 55 76 67
5 4 3 52 53 78 75 69 65
84 51 68 63
38 49 90 64
36 48 97 93
35 16 96 92
Pbest[18] ==>: 81 79 77 20 22 14 11 15 17 18 47 46 45 44 99 66 70 73 29 74 dengan fitnes=
85 87 2 1 0 7 83 82 9 12 23 24 26 27 25 62 59 58 19 21 91 94 28 30 31 32 41 40 39 42 43 50 54 60 72 71 90 80 37 89 88 86 6999.000000
13 57 33 61
10 56 34 95
8 6 55 76 67
5 4 3 52 53 78 75 69 65
84 51 68 63
35 49 98 64
36 48 97 93
38 16 96 92
Pbest[19] ==>: 81 79 77 20 22 14 11 15 17 18 47 46 45 44 99 66 70 73 29 74 dengan fitnes=
85 87 0 1 2 6 83 82 9 12 23 24 26 27 25 62 59 58 19 21 91 94 28 30 31 32 41 40 39 42 43 50 54 60 72 71 90 80 37 89 88 86 6894.000000
10 57 33 61
13 56 34 95
8 7 55 76 67
5 52 78 69
4 3 53 75 65
84 51 68 63
35 49 98 64
36 48 97 93
38 16 96 92
Pbest[20] ==>: 81 79 77 20 22 14 11 15 17 18 47 46 45 44 99 66 70 73 29 74 dengan fitnes=
85 87 0 1 2 7 83 82 8 12 23 24 26 27 25 62 59 58 19 21 91 94 28 30 31 32 42 40 39 41 43 50 54 60 72 71 98 80 37 89 88 86 7116.000000
13 57 33 61
6 10 9 56 55 34 76 95 67
5 4 3 52 53 78 75 69 65
84 51 68 63
35 49 90 64
36 48 97 93
38 16 96 92
Pbest[21] ==>: 81 79 77 20 22 14 11 15 17 18 47 46 45 44 99 66 70 73 29 74 dengan fitnes=
85 87 0 1 2 7 83 13 9 6 82 12 8 10 23 24 26 27 25 62 59 58 57 56 55 19 21 91 94 28 30 31 32 33 34 76 41 40 39 42 43 50 54 60 61 95 67 72 71 90 80 37 89 88 86 7284.000000
5 4 3 52 53 78 75 69 65
84 51 68 63
35 49 98 64
36 48 97 93
38 16 96 92
Pbest[22] ==>: 81 79 77 20 22 14 11 15 17 18 47 46 45 44 99 66 70 73 29 74 dengan fitnes=
85 87 0 1 2 7 83 82 13 12 9 23 24 26 27 25 62 59 58 57 19 21 91 94 28 30 31 32 33 41 40 39 42 43 50 54 60 61 72 71 98 80 37 89 88 86 6876.000000
10 56 34 95
8 6 55 76 67
5 4 3 52 53 78 75 69 65
84 51 68 63
35 49 90 64
36 48 97 93
38 16 96 92
Pbest[23] ==>: 81 79 77 20 22 14 11 15 17 18 47 46 45 44 99 66 70 73 29 74 dengan fitnes=
87 85 0 1 2 6 83 82 10 12 13 9 23 24 26 27 25 62 59 58 57 56 19 21 91 94 28 30 31 32 33 34 42 40 39 41 43 50 54 60 61 95 72 71 98 80 37 89 88 86 6913.000000
8 7 55 76 67
5 52 78 69
4 3 53 75 65
84 51 68 63
35 49 90 64
36 48 97 93
38 16 96 92
Pbest[24] ==>: 81 79 77 20 22 14 11 15 17 18 47 46 45 44 99 66 70 73 29 74 dengan fitnes=
87 85 0 1 2 6 83 82 10 12 13 9 23 24 26 27 25 62 59 58 57 56 19 21 91 94 28 30 31 32 33 34 41 40 39 42 43 50 54 60 61 95 72 71 90 80 37 89 88 86 6913.000000
8 7 55 76 67
5 52 78 69
4 3 53 75 65
84 51 68 63
35 49 98 64
36 48 97 93
38 16 96 92
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
Lampiran 5-32
Pbest[25] ==>: 81 79 77 20 22 14 11 15 17 18 47 46 45 44 99 66 70 73 29 74 dengan fitnes=
85 87 0 1 2 6 83 82 10 12 13 9 23 24 26 27 25 62 59 58 57 56 19 21 91 94 28 75 31 32 33 34 39 40 41 42 43 50 54 60 61 95 72 71 98 80 37 89 88 86 6922.000000
8 7 55 76 67
5 4 3 52 53 78 30 69 65
84 51 68 63
35 49 90 64
36 48 97 93
38 16 96 92
Pbest[26] ==>: 81 79 77 20 22 14 11 15 17 18 47 46 45 44 99 66 70 73 29 74 dengan fitnes=
85 87 0 1 2 6 83 82 10 12 13 9 23 94 26 27 25 62 59 58 57 56 19 21 91 24 28 30 31 32 33 34 42 40 39 41 43 50 54 60 61 95 72 71 90 80 37 89 88 86 6945.000000
8 7 55 76 67
5 4 3 52 53 78 75 69 65
84 51 68 63
35 49 98 64
36 48 97 93
38 16 96 92
Pbest[27] ==>: 81 79 77 20 22 14 11 15 17 18 47 46 45 44 99 66 70 73 29 74 dengan fitnes=
85 87 0 1 2 7 83 82 13 12 10 9 23 24 26 27 25 62 59 58 57 56 19 21 91 94 28 30 31 32 33 34 42 40 39 41 43 50 54 60 61 95 72 71 90 80 37 89 88 86 6876.000000
8 6 55 76 67
5 4 3 52 53 78 75 69 65
84 51 68 63
35 49 98 64
36 48 97 93
38 16 96 92
Pbest[28] ==>: 81 79 77 20 22 14 11 15 17 18 47 46 45 44 99 66 70 73 29 74 dengan fitnes=
85 87 0 1 2 6 83 82 10 12 13 9 23 24 26 27 25 62 59 58 57 56 19 21 91 94 28 30 31 32 33 34 41 40 39 42 43 50 54 60 61 95 72 71 98 80 37 89 88 86 6912.000000
8 7 55 76 67
5 52 78 69
4 84 3 53 51 75 68 65 63
35 49 90 64
36 48 97 93
38 16 96 92
Pbest[29] ==>: 81 79 77 20 22 14 11 15 17 18 47 46 45 44 99 66 70 73 29 74 dengan fitnes=
85 87 0 1 2 6 83 82 10 13 9 23 24 26 27 25 62 59 58 57 19 21 91 94 28 30 31 32 33 42 40 39 41 43 50 54 61 60 72 71 90 80 37 89 88 86 6970.000000
12 56 34 95
8 7 55 76 67
5 52 78 69
4 3 53 75 65
84 51 68 63
35 49 98 64
36 48 97 93
38 16 96 92
12 56 34 95
8 7 55 76 67
5 4 3 52 53 78 75 69 65
84 51 68 63
35 49 90 64
36 48 97 93
38 16 96 92
Pbest[30] ==>: 85 87 0 1 2 6 83 82 10 9 81 79 77 20 22 23 24 26 27 25 62 59 58 14 11 15 17 18 19 21 91 94 28 30 31 32 47 46 45 44 99 42 41 39 40 43 50 54 60 66 70 73 29 74 72 71 98 80 37 89 88 86 dengan fitnes= 6876.000000 ----------------------------gbest ==> 85 87 0 1 2 6 83 82 12 13 10 79 77 20 22 23 24 25 27 26 62 59 58 57 11 15 17 18 19 21 91 94 28 30 31 32 33 46 45 44 43 39 40 41 42 99 50 54 60 61 70 73 29 74 72 71 98 80 37 89 88 86 dengan fitnes= 6876.000000 jadi rute terbaik yang dihasilkan 13 10 9 8 7 5 4 3 84 35 36 38 81 58 57 56 55 52 53 51 49 48 16 14 32 33 34 76 78 75 68 90 97 96 47 60 61 95 69 67 65 63 64 93 92 66 86 dengan fitnes: 6876.000000
Skripsi
13 57 33 61
9 8 7 56 55 34 76 95 69
adalah: 79 77 20 11 15 17 46 45 44 70 73 29
85 22 18 43 74
5 4 3 52 53 78 75 67 65
84 51 68 63
35 49 90 64
36 48 97 93
38 16 96 92
81 14 47 66
87 23 19 39 72
1 2 6 25 27 91 94 41 42 98 80
83 26 28 99 37
82 62 30 50 89
12 59 31 54 88
0 24 21 40 71
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
Lampiran 5-33
PARAMETER YG DIGUNAKAN: >>Jumlah ukuran swarm= 30 >>Temperatur awal= 100000.000000 >>Temperatur akhir= 1.000000 >>Koefisien cooling= 0.990000 >>Jumlah modifikasi partikel= 50 Pbest[1] ==>: 1 0 2 5 6 7 9 10 11 16 14 13 80 81 41 40 39 83 82 8 12 77 79 45 46 47 48 55 56 57 58 60 62 59 98 15 38 37 36 35 84 3 4 43 44 53 21 91 22 23 92 93 94 25 24 27 28 29 72 74 30 31 32 78 33 34 76 75 71 63 64 26 73 70 66 68 69 67 65 95 61 54 50 49 96 17 18 19 20 90 97 52 51 99 42 89 88 85 86 87 dengan fitnes= 6276.000000 Pbest[2] ==>: 0 1 2 5 6 7 9 10 11 16 14 13 80 81 41 40 39 83 82 8 12 77 79 45 46 47 48 55 56 57 58 60 62 59 98 15 38 36 37 35 84 3 4 43 44 97 21 91 22 23 92 93 94 25 24 27 28 29 72 74 30 31 32 78 33 34 76 75 71 63 64 26 73 70 66 68 69 67 65 95 61 54 50 49 96 17 18 19 20 90 53 52 51 99 42 89 88 85 86 87 dengan fitnes= 6304.000000 Pbest[3] ==>: 0 1 2 5 6 7 9 10 11 16 14 13 80 81 41 40 39 83 82 8 12 77 79 45 46 47 48 55 56 57 58 60 62 59 98 15 38 37 36 35 84 3 4 43 44 97 21 91 22 23 92 93 94 24 25 27 28 29 72 74 30 31 32 78 33 34 76 75 71 63 64 26 73 70 66 68 69 67 65 95 61 54 50 49 96 17 18 19 20 90 53 52 51 99 42 89 88 85 86 87 dengan fitnes= 6239.000000 Pbest[4] ==>: 0 1 3 5 6 7 9 10 11 16 14 13 80 81 41 40 39 83 82 8 12 77 79 45 46 47 48 55 56 57 58 60 62 59 98 15 38 37 36 35 84 2 4 43 44 97 21 91 22 23 92 93 94 24 25 27 28 29 72 74 30 31 32 78 33 34 76 75 71 63 64 26 73 70 66 68 69 67 65 95 61 54 50 49 96 17 18 19 20 90 53 52 51 99 42 89 88 85 86 87 dengan fitnes= 6285.000000 Pbest[5] ==>: 0 1 2 5 6 7 9 10 11 16 14 77 80 81 41 40 39 83 82 8 12 13 79 45 46 47 48 55 56 57 58 60 62 59 98 15 38 37 36 35 84 3 4 43 44 53 21 91 22 23 92 93 94 24 25 27 28 29 72 74 30 31 32 78 33 34 76 75 71 63 64 26 73 70 66 68 69 67 65 95 61 54 50 49 96 17 18 19 20 90 97 52 51 99 42 89 88 85 86 87 dengan fitnes= 6279.000000 Pbest[6] ==>: 0 1 2 5 6 7 9 10 11 16 14 13 80 81 41 40 39 83 82 8 12 77 79 45 46 47 48 55 56 57 58 60 62 59 98 15 38 37 36 35 84 3 4 43 44 53 21 91 22 23 92 93 94 26 25 27 28 29 72 74 30 31 32 78 33 34 76 75 71 63 64 24 73 70 66 68 69 67 65 95 61 54 50 49 96 17 18 19 20 90 97 52 51 99 42 89 88 85 86 87 dengan fitnes= 6295.000000 Pbest[7] ==>: 1 0 2 5 6 7 9 10 11 14 16 13 80 81 41 40 39 83 82 8 12 77 79 45 46 47 48 55 56 57 58 60 62 59 98 15 38 37 36 35 84 3 4 43 44 97 21 91 22 23 92 93 94 25 24 27 28 29 72 74 30 31 32 78 33 34 76 75 71 63 64 26 73 70 66 68 69 67 65 95 61 54 50 49 96 17 18 19 20 90 53 52 51 99 42 89 88 85 86 87 dengan fitnes= 6276.000000
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
Lampiran 5-34
Pbest[8] ==>: 0 1 2 5 6 7 9 10 13 16 14 11 80 81 41 40 39 83 82 8 12 77 79 45 46 47 48 55 56 57 58 60 62 59 98 15 38 37 36 35 84 3 4 43 44 53 21 91 22 23 92 93 94 25 24 27 28 29 72 74 30 31 32 78 33 34 76 75 71 63 64 26 73 70 66 68 69 67 65 95 61 54 50 49 96 17 18 19 20 90 97 52 51 99 42 89 88 85 86 87 dengan fitnes= 6254.000000 Pbest[9] ==>: 0 1 2 5 6 7 9 10 11 16 14 13 80 38 41 40 39 83 82 8 12 77 79 45 46 47 48 55 56 57 58 60 62 59 98 15 81 37 36 35 84 3 4 43 44 53 21 91 22 23 92 93 94 25 24 27 28 29 72 74 30 31 32 78 33 34 76 75 71 63 64 26 73 70 66 68 69 67 65 95 61 54 50 49 96 17 18 19 20 90 97 52 51 99 42 89 88 85 86 87 dengan fitnes= 6399.000000 Pbest[10] ==>: 12 77 79 45 46 43 44 53 21 91 34 76 75 71 63 19 20 90 97 52 dengan fitnes=
0 1 2 5 6 7 9 10 11 16 14 13 80 81 41 40 39 83 82 8 47 48 55 56 57 58 60 62 59 98 15 38 37 36 35 84 3 4 22 23 92 93 94 24 25 27 28 29 72 74 30 31 32 78 33 64 26 73 70 66 68 69 67 65 95 61 54 50 49 96 17 18 51 99 42 89 88 85 86 87 6239.000000
Pbest[11] ==>: 12 77 79 45 46 53 44 99 21 91 34 76 75 71 63 19 20 90 43 52 dengan fitnes=
0 1 2 5 6 7 9 10 11 16 14 13 80 81 41 40 39 83 82 8 47 48 55 56 57 58 60 62 59 98 15 38 37 36 35 84 3 4 22 23 92 93 94 25 26 27 28 29 72 74 30 31 32 78 33 64 24 73 70 66 68 69 67 65 95 61 54 50 49 96 17 18 51 97 42 89 88 85 86 87 7620.000000
Pbest[12] ==>: 12 77 79 45 46 43 44 53 21 91 34 76 75 71 63 19 20 90 97 52 dengan fitnes=
0 1 2 5 6 7 9 10 11 16 14 13 80 81 41 40 39 83 82 8 47 48 55 56 57 58 60 62 59 98 15 38 37 36 35 84 3 4 22 23 92 93 94 24 25 27 28 29 72 74 30 31 32 78 33 64 26 73 70 66 68 69 67 65 95 61 54 50 49 96 17 18 51 99 42 89 88 85 86 87 6239.000000
Pbest[13] ==>: 12 77 79 45 46 43 44 97 21 91 34 76 75 71 63 19 20 90 53 52 dengan fitnes=
0 1 2 5 6 7 9 10 11 14 16 13 80 81 41 40 39 83 82 8 48 47 55 56 57 58 60 62 59 98 15 38 37 36 35 84 3 4 22 23 92 93 94 25 24 27 28 29 72 74 30 31 32 78 33 64 26 73 70 66 68 69 67 65 95 61 54 50 49 96 17 18 51 99 42 89 88 85 86 87 6272.000000
Pbest[14] ==>: 12 77 79 45 46 43 44 53 21 91 34 76 75 71 63 19 20 90 97 52 dengan fitnes=
0 1 2 5 6 7 9 10 11 14 16 13 80 81 41 40 39 83 82 8 47 48 55 56 57 58 60 62 59 98 15 38 36 37 35 84 3 4 22 23 92 93 94 25 24 27 28 29 72 74 30 31 32 78 33 64 26 73 70 66 68 69 67 65 95 61 54 50 49 96 17 18 51 99 42 89 88 85 86 87 6304.000000
Pbest[15] ==>: 12 77 79 45 46 43 44 53 21 91 34 76 75 71 63 19 20 90 97 52 dengan fitnes=
0 1 2 5 6 7 9 10 11 16 14 13 80 81 41 40 39 83 82 8 47 48 55 56 57 58 60 62 59 98 15 38 37 35 36 84 3 4 22 23 92 93 94 24 25 27 28 29 72 74 30 31 32 78 33 64 26 73 70 66 68 69 67 65 95 61 54 50 49 96 17 18 51 99 42 89 88 85 86 87 6257.000000
Pbest[16] ==>: 1 0 2 5 6 7 9 10 11 14 16 13 80 81 41 40 39 83 82 8 12 77 79 45 46 47 48 55 56 57 58 60 62 59 98 15 38 37 36 35 84 3 4 43 44 53 21 91 22 23 92 93 94 25 24 27 28 29 72 74 30 31 78 32 33
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
Lampiran 5-35
34 76 75 71 63 64 26 73 70 66 68 69 67 65 95 61 54 50 49 96 17 18 19 20 90 97 52 51 99 42 89 88 85 86 87 dengan fitnes= 6276.000000
Skripsi
Pbest[17] ==>: 12 77 79 45 46 43 44 53 91 21 34 76 75 71 63 19 20 90 97 52 dengan fitnes=
0 1 2 5 6 7 9 10 11 16 14 13 80 81 41 40 39 83 82 8 47 48 55 56 57 58 60 62 59 98 15 38 37 36 35 84 3 4 22 23 92 93 94 24 25 27 28 29 72 74 30 31 32 78 33 64 26 73 70 66 68 69 67 65 95 61 54 50 49 96 17 18 51 99 42 89 88 85 86 87 6239.000000
Pbest[18] ==>: 12 77 79 45 46 43 44 53 21 91 34 76 75 71 63 19 20 90 97 52 dengan fitnes=
2 1 0 5 6 7 9 10 11 14 16 13 80 81 41 40 39 83 82 8 47 48 55 56 57 58 60 62 59 98 15 38 37 36 35 84 3 4 22 23 92 93 94 24 25 27 28 29 72 74 30 31 32 78 33 64 26 73 70 66 68 69 67 65 95 61 54 50 49 96 17 18 51 99 42 89 88 85 86 87 6362.000000
Pbest[19] ==>: 12 77 79 45 46 43 44 53 21 91 34 76 75 71 63 19 20 90 97 52 dengan fitnes=
0 1 2 5 6 7 9 10 11 16 14 13 80 81 41 40 39 83 82 8 47 48 55 56 57 58 60 62 59 98 15 38 37 36 35 84 3 4 22 23 92 93 94 25 24 27 28 29 72 74 30 31 32 78 33 64 26 73 70 66 68 69 67 65 95 61 54 50 49 96 17 18 51 99 42 89 88 85 86 87 6239.000000
Pbest[20] ==>: 13 77 79 45 46 43 44 53 21 91 34 76 75 71 63 19 20 90 97 52 dengan fitnes=
0 1 2 4 6 7 9 10 11 16 14 12 80 81 41 40 39 83 82 8 47 48 55 56 57 58 60 62 59 98 15 38 37 36 35 84 3 5 22 23 92 93 94 25 24 27 28 29 72 74 30 31 32 78 33 64 26 73 70 66 68 69 67 65 95 61 54 50 49 96 17 18 51 99 42 89 88 85 86 87 6307.000000
Pbest[21] ==>: 12 77 79 45 46 43 44 97 21 91 34 76 75 71 63 19 20 90 53 52 dengan fitnes=
0 1 2 5 6 7 9 10 11 16 14 13 80 81 41 40 39 83 82 8 47 48 55 56 57 58 60 62 59 98 15 38 37 36 4 84 3 35 22 23 92 93 94 24 25 27 28 29 72 74 30 31 32 78 33 64 26 73 70 66 68 69 67 65 95 61 54 50 49 96 17 18 51 99 42 89 88 85 86 87 6281.000000
Pbest[22] ==>: 12 77 79 45 46 43 44 97 21 91 34 76 75 71 63 19 20 90 53 52 dengan fitnes=
0 1 2 5 7 6 9 10 11 14 16 13 80 81 41 40 39 83 82 8 47 48 55 56 57 58 60 62 59 98 15 38 37 36 35 84 3 4 22 23 92 93 94 25 24 27 28 29 72 74 30 31 32 78 33 64 26 73 70 66 68 69 67 65 95 61 54 50 49 96 17 18 51 99 42 89 88 85 86 87 6275.000000
Pbest[23] ==>: 12 77 79 45 46 43 44 97 21 91 34 76 75 71 63 19 20 90 53 52 dengan fitnes=
0 1 2 5 6 7 9 80 11 14 16 13 10 81 41 40 39 83 82 8 47 48 55 56 57 58 60 62 59 98 15 38 37 36 35 84 3 4 22 23 92 93 94 24 25 27 28 29 72 74 30 31 32 78 33 64 26 73 70 66 68 69 67 65 95 61 54 50 49 96 17 18 51 99 42 89 88 85 86 87 6408.000000
Pbest[24] ==>: 12 77 79 45 46 43 44 53 21 91 34 76 75 71 63 19 20 90 97 52 dengan fitnes=
0 1 2 5 6 7 9 10 11 14 16 13 80 81 41 40 39 83 82 8 47 48 55 56 57 58 60 62 59 98 15 38 37 36 35 84 3 4 22 23 92 93 94 25 24 27 28 29 72 74 30 31 78 32 33 64 26 73 70 66 68 69 67 65 95 61 54 50 49 96 17 18 51 99 42 89 88 85 86 87 6239.000000
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul
ADLN Perpustakaan Universitas Airlangga
Lampiran 5-36
Pbest[25] ==>: 12 77 79 45 46 43 44 97 21 91 34 76 75 71 63 19 20 90 53 52 dengan fitnes=
0 1 2 5 7 6 9 10 11 16 14 13 80 81 41 40 39 83 82 8 47 48 55 56 57 58 60 62 59 98 15 38 37 36 35 84 3 4 22 23 92 93 94 25 24 27 28 29 72 74 30 31 32 78 33 64 26 73 70 66 68 69 67 65 95 61 54 50 49 96 17 18 51 99 42 89 88 86 85 87 6275.000000
Pbest[26] ==>: 12 77 79 45 46 43 44 53 21 91 34 76 75 71 63 19 20 90 97 52 dengan fitnes=
0 1 2 5 6 7 9 10 11 14 16 13 80 81 41 40 39 83 82 8 47 48 55 56 57 58 60 62 59 98 15 38 37 36 35 84 3 4 22 23 92 93 94 24 25 27 28 29 72 74 30 31 32 78 33 64 26 73 70 66 68 69 67 65 95 61 54 50 49 96 17 18 51 99 42 89 88 85 86 87 6239.000000
Pbest[27] ==>: 12 77 79 45 46 43 44 97 21 91 34 76 75 71 63 19 20 90 53 52 dengan fitnes=
0 1 2 5 6 7 9 10 11 16 14 13 80 81 41 40 39 83 82 8 47 48 55 56 57 58 60 62 59 98 15 38 37 36 35 84 3 4 22 23 92 93 94 24 25 27 28 29 72 74 30 31 32 78 33 64 26 73 70 66 68 69 67 65 95 61 54 50 49 96 17 18 51 99 42 89 88 85 86 87 6239.000000
Pbest[28] ==>: 12 77 79 45 46 43 44 53 21 91 34 76 75 71 63 19 20 90 97 52 dengan fitnes=
0 1 2 5 6 7 9 10 11 16 14 13 80 81 41 40 39 83 82 8 49 48 55 56 57 58 60 62 59 98 15 38 37 36 35 84 3 4 22 23 92 93 94 25 24 27 28 29 72 74 30 31 32 78 33 64 26 73 70 66 68 69 67 65 95 61 54 50 47 96 17 18 51 99 42 89 88 85 86 87 6278.000000
Pbest[29] ==>: 12 77 79 45 46 43 44 97 21 91 34 76 75 71 63 19 20 90 53 52 dengan fitnes=
0 1 2 5 6 7 9 10 11 16 14 13 80 81 41 40 39 83 82 8 47 48 55 56 57 58 60 62 59 98 15 38 37 36 35 84 3 4 22 23 92 93 94 24 25 27 28 29 72 74 30 31 32 78 33 64 26 73 70 66 68 69 67 65 95 61 54 50 49 96 17 18 51 99 42 89 88 87 86 85 6276.000000
Pbest[30] ==>: 0 1 2 5 6 7 9 10 11 14 16 13 80 81 41 40 39 83 82 8 12 77 79 45 46 47 48 55 56 57 58 60 62 59 98 15 38 37 35 36 84 3 4 43 44 53 21 91 22 23 92 93 94 24 25 27 28 29 72 74 30 31 32 78 33 34 76 75 71 63 64 26 73 70 66 68 69 67 65 95 61 54 50 49 96 17 18 19 20 90 97 52 51 99 42 89 88 85 86 87 dengan fitnes= 6257.000000 ----------------------------gbest ==> 0 1 2 5 6 7 9 10 11 14 16 13 80 81 41 40 39 83 82 8 12 77 79 45 46 47 48 55 56 57 58 59 60 62 98 15 38 37 36 35 84 3 4 43 44 53 21 91 22 23 92 93 25 24 26 27 28 72 74 29 30 31 32 78 33 34 76 75 71 63 64 94 73 70 66 68 69 67 65 95 61 54 50 49 96 17 18 19 20 90 97 52 51 99 42 89 88 85 86 87 dengan fitnes= 6239.000000 jadi rute terbaik yang dihasilkan adalah: 0 1 2 5 6 7 9 10 11 14 16 13 80 81 41 40 39 83 82 8 12 77 79 45 46 47 48 55 56 57 58 59 60 62 98 15 38 37 36 35 84 3 4 43 44 53 21 91 22 23 92 93 25 24 26 27 28 72 74 29 30 31 32 78 33 34 76 75 71 63 64 94 73 70 66 68 69 67 65 95 61 54 50 49 96 17 18 19 20 90 97 52 51 99 42 89 88 85 86 87 dengan fitnes: 6239.000000
Skripsi
Hybrid Algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA) pada Traveling Salesman Problem (TSP)
Fuaidah, Anisatul